基于交叉注意力和门机制的评论质量识别模型及方法技术

本发明专利技术涉及文本处理技术领域，提供了基于交叉注意力和门机制的评论质量识别模型及方法，其中模型具体包括：具有自注意力机制的评论特征编码器，将商品评论输入评论特征编码器，获取评论特征嵌入矩阵；获取商品特征表示向量的商品特征编码器；以及通过交叉注意力机制聚焦商品特征表示向量与评论特征嵌入矩阵相关性的高质量评论识别模块，通过其获取最终质量特征向量，再将最终质量特征向量送入一全连接层得到预测的评论质量评分，方法应用与模型中，通过本发明专利技术能够在进行高质量评论的筛选时，避免出现评论与商品不对应的情况，且评论的质量充分考虑了商品的特性；进而使得高质量评论的筛选更准确。评论的筛选更准确。评论的筛选更准确。

【技术实现步骤摘要】
基于交叉注意力和门机制的评论质量识别模型及方法


[0001]本专利技术涉及文本处理
，具体而言，涉及一种基于交叉注意力和门机制的评论质量识别模型及方法。

技术介绍

[0002]随着电子商务的飞速发展，网上购物已成为一种流行的生活方式。用户在网上购物时，通常会根据评论来进一步了解所要购买的商品，但是商品评论的质量良莠不齐，使得用户想要通过评论来了解商品的难度增大；因此，如何自动地识别高质量的评论引起了学术和工业界的广泛关注。这些研究大多依赖评论内容，例如通过使用卷积神经网络提取文本特征的方法来提取评论中的内容用于识别高质量评论，但是，这种仅考虑评论的内容筛选出的方法对高质量评论的筛选容易存在评论撰写质量很高，但是实际上并不是对对应商品的评论，而可能是其他与订单商品无关的商品的评论，这种评论对于商品的实际情况反应毫无作用。
[0003]因此，在进行高质量评论的筛选时，应避免出现评论与商品不对应的情况，且评论的质量应该考虑到商品的特性。

技术实现思路

[0004]本专利技术的目的在于提高高质量评论筛选的准确性；通过提供基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于交叉注意力和门机制的评论质量识别模型，其特征在于，所述模型包括：评论特征编码器，所述评论特征编码器为具有自注意力机制的编码器，将商品评论输入所述评论特征编码器，获取评论特征嵌入矩阵；商品特征编码器，所述商品特征编码器通过LSTM处理商品标题的词向量序列，将LSTM的时间步输出作为商品特征表示向量；高质量评论识别模块，所述高质量评论识别模块通过交叉注意力机制聚焦商品特征表示向量与评论特征嵌入矩阵相关性，获取评论质量特征矩阵，将所述评论质量特征矩阵通过池化操作获取第一评论质量特征向量和第二评论质量特征向量，并通过门机制融合第一评论质量特征向量和第二评论质量特征向量获取最终质量特征向量，再将最终质量特征向量送入一全连接层得到预测的评论质量评分；以及模型优化模块，所述模型优化模块采用二元交叉熵作为损失函数用于优化模型，将所述评论质量评分输入所述模型优化模块，得到损失值，为更新模型参数提供依据。2.如权利要求1所述的基于交叉注意力和门机制的评论质量识别模型，其特征在于，所述商品评论使用词向量序列表示，所述词向量序列输入至所述评论特征编码器后，首先经过一双向长短期记忆网络，得到每个时间步的隐状态，通过所述隐状态获取整个时间步的输出矩阵；所述输出矩阵的转置矩阵在自注意力机制下获取自注意力权重矩阵，再将所述输出矩阵与所述自注意力权重矩阵点乘得到所述评论特征嵌入矩阵。3.如权利要求1所述的基于交叉注意力和门机制的评论质量识别模型，其特征在于，所述商品特征编码器中的LSTM为双向LSTM。4.如权利要求3所述的基于交叉注意力和门机制的评论质量识别模型，其特征在于，所述池化操作包括最大池化操作与平均池化操作，其中，所述评论质量特征矩阵通过所述最大池化操作获取第一评论质量特征向量，所述第一评论质量特征向量表示评论中最强调的部分；所述评论质量特征矩阵通过所述平均池化操作获取第二评论质量特征向量，所述第二评论质量特征向量表示评论中多个方面描述的平均。5.如权利要求3或4所述的基于交叉注意力和门机制的评论质量识别模型，其...

【专利技术属性】
技术研发人员：江岭，王思宇，黄鹏，
申请(专利权)人：成都晓多科技有限公司，
类型：发明
国别省市：