[发明专利]评论处理模型训练、评论排序方法、装置、设备及介质

说明书

本发明公开了一种评论处理模型训练、评论排序方法、装置、设备及介质，该方法将训练评论文本输入至情感识别模块获取第一评论值，将训练文本特征输入至特征识别模块获取第二评论值，将训练文本向量输入至文本分类模块获取第三评论值；根据第一评论值、第二评论值和第三评论值确定预测评论标签，根据预测评论标签和训练评论标签确定预测损失值；在预测损失值未达到预设的收敛条件时，迭代更新预设评论模型中的初始参数，直至预测损失值达到所述收敛条件时，将收敛之后的预设评论模型记录为评论处理模型。本发明提高了商品评论排序的效率和准确率。

技术领域

本发明涉及分类模型技术领域，尤其涉及一种评论处理模型训练、评论排序方法、装置、设备及介质。

背景技术

随着科学技术的发展，越来越多商品都相应采用线上销售的模式。当用户在选购商品时，往往会查看相同类型的不同商品的商品评论，进而基于这些商品评论从中筛选出购买的商品。因此，对商品的商品评论进行有效排序是非常重要的。

现有技术中，往往是通过人工筛选的方式，商家根据个人想法将优质评论排序在前，将劣质评论排序在后。如此，会导致对商品评论的排序效率较低。由于人工筛选对商品评论进行排序的方式携带过多的个人想法，导致商品评论的排序准确率较低。

发明内容

本发明实施例提供一种评论处理模型训练、评论排序方法、装置、设备及介质，以解决现有技术中对商品评论的排序效率较低且准确率较低的问题。

一种评论处理模型训练方法，包括：

获取至少一个训练评论文本组；一个所述训练评论文本组包括训练评论文本、训练评论标签、训练文本特征和训练文本向量；

获取包含初始参数的预设评论模型；所述预设评论模型中包括情感识别模块、特征识别模块和文本分类模块；

将所述训练评论文本输入至所述情感识别模块，获取第一评论值，将所述训练文本特征输入至所述特征识别模块，获取第二评论值，将所述训练文本向量输入至所述文本分类模块，获取第三评论值；

根据所述第一评论值、第二评论值和第三评论值确定所述训练评论文本对应的预测评论标签，并根据所述预测评论标签和所述训练评论标签确定所述预设评论模型的预测损失值；

在所述预测损失值未达到预设的收敛条件时，迭代更新所述预设评论模型中的初始参数，直至所述预测损失值达到所述收敛条件时，将收敛之后的所述预设评论模型记录为评论处理模型。

一种评论处理模型训练装置，包括：

文本获取模块，用于获取至少一个训练评论文本组；一个所述训练评论文本组包括训练评论文本、训练评论标签、训练文本特征和训练文本向量；

模型获取模块，用于获取包含初始参数的预设评论模型；所述预设评论模型中包括情感识别模块、特征识别模块和文本分类模块；

文本预测模块，用于将所述训练评论文本输入至所述情感识别模块，获取第一评论值，将所述训练文本特征输入至所述特征识别模块，获取第二评论值，将所述训练文本向量输入至所述文本分类模块，获取第三评论值；

损失确定模块，用于根据所述第一评论值、第二评论值和第三评论值确定所述训练评论文本对应的预测评论标签，并根据所述预测评论标签和所述训练评论标签确定所述预设评论模型的预测损失值；

模型更新模块，用于在所述预测损失值未达到预设的收敛条件时，迭代更新所述预设评论模型中的初始参数，直至所述预测损失值达到所述收敛条件时，将收敛之后的所述预设评论模型记录为评论处理模型。

一种评论排序方法，包括：

接收评论排序指令；所述评论排序指令中包括多个目标评论文本；