[发明专利]模型建立方法、装置、计算机设备和存储介质

权利要求书

1.一种模型建立方法，所述方法包括：

获取原始文本；

将所述原始文本进行词嵌入，得到词向量；

根据双向长短期记忆网络对所述词向量提取目标特征；

根据多层感知器对所述目标特征进行依存句法分析，得到第一损失值；

根据全链接神经网络和柔性最大值函数对所述目标特征进行情感分析，得到第二损失值；

根据所述第一损失值和第二损失值获取模型损失值；

根据得到的模型损失值建立情感分析模型，所述情感分析模型用于对文本进行情感分析。

2.根据权利要求1所述的方法，其特征在于，所述获取原始文本，包括：

获取至少两个原始文本；

所述将所述原始文本进行词嵌入，得到词向量，包括：

根据各个原始文本分别生成对应的目标文本，其中，生成的各个目标文本的长度相同；

将各个所述目标文本进行分词处理，得到各个所述目标文本中的词语；

将各个所述目标文本中的词语进行词嵌入处理，得到词向量。

3.根据权利要求2所述的方法，其特征在于，所述将各个所述目标文本进行分词处理，得到各个所述目标文本中的词语之后，还包括：

统计各个所述目标文本中包含的词语的数量；

将各个所述目标文本中包含的词语进行分类，根据分类结果确定各个所述目标文本的维度；

所述将各个所述目标文本中的词语进行词嵌入处理，得到词向量，包括：

根据各个所述目标文本中的词语的数量和维度，得到各个所述目标文本的词向量。

4.根据权利要求1所述的方法，其特征在于，所述双向长短期记忆网络包括正向长短期记忆网络和反向长短期记忆网络，所述根据双向长短期记忆网络对所述词向量提取目标特征，包括：

根据正向长短期记忆网络对所述词向量提取正向特征，并根据反向长短期记忆网络对所述词向量提取反向特征；

并根据全链接神经网络对所述正向特征和所述反向特征进行结合，得到目标特征。

5.根据权利要求1所述的方法，其特征在于，所述根据所述第一损失值和第二损失值获取模型损失值，包括：

获取第一损失值的第一权重和第二损失值的第二权重，所述第一权重小于所述第二权重；

根据第一损失值、第一权重、第二损失值和第二权重计算得到模型损失值。

6.根据权利要求1所述的方法，其特征在于，所述根据得到的模型损失值建立情感分析模型，所述情感分析模型用于对文本进行情感分析，包括：

获取所述双向长短期记忆网络的初始参数；

当所述模型损失值大于损失值阈值时，根据所述模型损失值获取目标参数；

根据所述双向长短期记忆网络的目标参数，执行所述根据双向长短期记忆网络对所述词向量提取目标特征步骤；

当所述模型损失值小于或等于损失值阈值时，根据得到的模型损失值建立情感分析模型。

7.根据权利要求6所述的方法，其特征在于，所述当所述模型损失值小于或等于损失值阈值时，建立情感分析模型之后，还包括：

获取测试文本；

通过所述情感分析模型对所述测试文本进行情感分析，得到所述测试文本的情感倾向数据。

8.一种模型建立装置，其特征在于，所述装置包括：

原始文本获取模块，用于获取原始文本；

词嵌入模块，用于将所述原始文本进行词嵌入，得到词向量；

目标特征提取模块，用于根据双向长短期记忆网络对所述词向量提取目标特征；

依存句法分析模块，用于根据多层感知器对所述目标特征进行依存句法分析，得到第一损失值；

情感分析模块，用于根据全链接神经网络和柔性最大值函数对所述目标特征进行情感分析，得到第二损失值；

模型损失值获取模块，用于根据所述第一损失值和第二损失值获取模型损失值；

模型建立模块，用于根据得到的模型损失值建立情感分析模型，所述情感分析模型用于对文本进行情感分析。