本公开涉及计算机技术领域，具体涉及一种社区评论类型检测方法、社区评论类型检测装置、计算机可读存储介质及电子设备，包括：获取待检测社区评论；将待检测社区评论输入评论编码模型，得到待检测社区评论对应的待检测社区评论特征向量；将待检测社区评论特征向量输入评论类型预测模型，得到待检测社区评论的评论类型。通过本公开实施例的技术方案，可以解决相关技术中识别竞品评论的效率较差的问题。
【技术实现步骤摘要】
所属的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。下面参照图9来描述根据本公开的这种实施例的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930、显示单元940。其中，存储单元存储有程序代码，程序代码可以被处理单元910执行，使得处理单元910执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。例如，处理单元910可以执行如图2中所示的步骤s210，获取待检测社区评论；步骤s220，将待检测社区评论输入评论编码模型，得到待检测社区评论对应的待检测社区评论特征向量；其中，评论编码模型用于将社区评论转换为社区评论特征向量，评论编码模型是基于预训练的评论相似度模型以及预先构建的训练数据集训练得到的，训练数据集包括第一样本集以及第二样本集，第一样本集为人工标注的评论样本，第二样本集为基于第一样本集经过数据扩充得到的评论样本，评论样本对应有评论类型，评论类型包括正常评论类型与竞品评论类型；步骤s230，将待检测社区评论特征向量输入评论类型预测模型，得到待检测社区评论的评论类型；其中，评论类型预测模型用于对社区评论特征向量对应的社区评论的评论类型进行预测，评论类型预测模型是基于待训练模型以及训练数据集训练得到的，待检测社区评论的评论类型包括正常评论类型与竞品评论类型。在本公开的一种示例性实施例中，基于前述方案，根据第一样本集中的评论样本以及第二样本集中的评论样本构建样本对训练集；其中，样本对训练集中包括多个样本对，多个样本对中包括正样本对以及负样本对，正样本对包括两个相同评论类型的评论样本，负样本对包括两个不同评论类型的评论样本；基于样本对训练集对第一待训练模型进行训练得到评论编码模型；其中，第一待训练模型为预训练的评论相似度模型。在本公开的一种示例性实施例中，基于前述方案，基于样本对训练集对第一待训练模型进行训练得到评论编码模型，包括：将样本对输入第一待训练模型，得到样本对中两个评论样本的相似度；基于相似度以及样本对的类型对第一待训练模型进行训练，对第一待训练模型的神经网络参数进行迭代更新，以训练得到评论编码模型；其中，在对第一待训练模型进行训练时，使得正样本对中两个评论样本的相似度较大，负样本对中两个评论样本的相似度较小。在本公开的一种示例性实施例中，基于前述方案，基于相似度以及样本对的类型对第一待训练模型进行训练，对第一待训练模型的神经网络参数进行迭代更新，以训练得到评论编码模型，包括：基于相似度以及样本对的类型构造对比损失，以最小化对比损失为目标对第一待训练模型的神经网络参数进行迭代更新，以训练得到评论编码模型。在本公开的一种示例性实施例中，基于前述方案，将第一样本集中的评论样本以及第二样本集中的评论样本输入评论编码模型，得到评论样本对应的样本评论特征向量；将样本评论特征向量输入第二待训练模型，得到评论样本对应的预测评论类型；基于评论样本对应的预测评论类型以及评论样本对应的评论类型对第二待训练模型的神经网络参数进行迭代更新，以训练得到评论类型预测模型。在本公开的一种示例性实施例中，基于前述方案，获取待检测评论内容；获取待检测评论内容中的文字评论，对待检测评论内容中的图像进行文字识别得到图像评论；通过待检测评论内容中的文字评论以及图像评论得到待检测社区评论。在本公开的一种示例性实施例中，基于前述方案，在将待检测社区评论输入评论编码模型之前，方法还包括：检测待检测社区评论中的白名单评论，将待检测社区评论中的白名单评论进行删除。本公开的一种实施例提供的电子设备，可以获取待检测社区评论，将待检测社区评论输入评论编码模型，得到待检测社区评论对应的待检测社区评论特征向量，将待检测社区评论特征向量输入评论类型预测模型，得到待检测社区评论的评论类型。本公开的实施例，可以通过经过调整的评论相似度模型将待检测社区评论编码为特征向量，并基于该特征向量预测待检测社区评论的评论类型，降低了人工审核成本，预测的准确性较高，提升了识别竞品评论的效率。存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)921和/或高速缓存存储单元922，还可以进一步包括只读存储单元(rom)923。存储单元920还可以包括具有一组(至少一个)程序模块925的程序/实用工具924，这样的程序模块925包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备900也可以与一个或多个外部设备970(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备900交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器960通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。在本公开的一种示例实施例中，可以获取待检测社区评论；将待检测社区评论输入评论编码模型，得到待检测社区评论对应的待检测社区评论特征向量；其中，评论编码模型用于将社区评论转换为社区评论特征向量，评论编码模型是基于预训练的评论相似度模型以及预先构建的训本文档来自技高网...
【技术保护点】
1.一种社区评论类型检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述样本对训练集对第一待训练模型进行训练得到评论编码模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述相似度以及所述样本对的类型对所述第一待训练模型进行训练，对所述第一待训练模型的神经网络参数进行迭代更新，以训练得到评论编码模型，包括：
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，在所述将所述待检测社区评论输入所述评论编码模型之前，所述方法还包括：
8.一种社区评论类型检测装置，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～7中任一项所述的方法。
10.一种电子设备，其特征在于，包括：
【技术特征摘要】
1.一种社区评论类型检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述样本对训练集对第一待训练模型进行训练得到评论编码模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述相似度以及所述样本对的类型对所述第一待训练模型进行训练，对所述第一待训练模型的神经网络参数进行迭代更新，以训练得到评论编码模型，包括：
5.根据权利要求1...
【专利技术属性】
技术研发人员：吴远泸，汤程炜，林钊群，甄志坚，龚杰，杨学伟，刘乙邑，邓智平，吕景俊，
申请(专利权)人：网易杭州网络有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。