[发明专利]信息推送方法和装置

说明书

本申请公开了信息推送方法和装置。该方法的一具体实施方式包括：对待处理的文本进行分词，并确定所分割成的各个词的词向量；对所确定的各个词向量进行解析，生成该文本的特征信息；将该特征信息输入至预先训练的文本情感分析模型，确定与该文本相匹配的情感类型信息，其中，该文本情感分析模型用于表征特征信息与情感类型信息的对应关系；推送该情感类型信息。该实施方式提高了文本情感分析的准确性。

技术领域

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及信息推送方法和装置。

背景技术

文本情感分析(也称为意见挖掘)是指用自然语言处理、文本挖掘以及计算机语言学等方法来识别和提取文本中的信息。文本情感分析的目的是为了找出说话者/作者在某些话题上或者针对该文本的观点的态度。

现有的方式通常是基于对关键词进行识别，进而确定该文本的情感类型，因而这种方法无法基于文本完整的上下文信息进行情感类型的分析，因此，现有的方式存在着文本情感分析的准确性较低的问题。

发明内容

本申请实施例的目的在于提出一种改进的信息推送方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种信息推送方法，该方法包括：对待处理的文本进行分词，并确定所分割成的各个词的词向量；对所确定的各个词向量进行解析，生成文本的特征信息；将特征信息输入至预先训练的文本情感分析模型，确定与文本相匹配的情感类型信息，其中，文本情感分析模型用于表征特征信息与情感类型信息的对应关系；推送情感类型信息。

在一些实施例中，对所确定的各个词向量进行解析，生成文本的特征信息，包括：将所确定的各个词向量输入至预先训练的第一时间递归神经网络，得到时间递归神经网络输出的、与各个词对应的特征向量，其中，第一时间递归神经网络用于生成词的特征；对所得到的特征向量进行解析，生成文本的特征信息。

在一些实施例中，对所得到的特征向量进行解析，生成文本的特征信息，包括：将所得到的各个特征向量输入至预先训练的第二时间递归神经网络，得到第二时间递归神经网络输出的、各个词在文本中的权重，第二时间递归神经网络用于生成词的权重；基于所得到的各个词的特征向量和各个词的权重，生成文本的特征信息。

在一些实施例中，基于所得到的各个词的特征向量和各个词的权重，生成文本的特征信息，包括：对于每一个词，将该词的特征向量和该词的权重的乘积确定为该词的目标特征向量；确定各个目标特征向量的和，并确定所分割成的词的数量；将所确定的各个目标特征向量的和与数量的比值确定为文本的特征信息。

在一些实施例中，方法还包括训练文本情感分析模型的步骤，包括：提取预设的训练样本，其中，训练样本包括情感类型标识；对训练样本进行分词，并确定所分割成的各个词的词向量；对所确定的各个词向量进行解析，生成训练样本的特征信息；利用机器学习方法，将训练样本的特征信息作为输入、将情感类型标识所指示的情感类型信息作为输出，训练文本情感分析模型。

在一些实施例中，第一时间递归神经网络是基于对长短期记忆网络LSTM模型进行训练而生成的神经网络，第二时间递归神经网络是基于对注意力模型AM进行训练而生成的神经网络。

第二方面，本申请实施例提供了一种信息推送装置，该装置包括：第一分词单元，配置用于对待处理的文本进行分词，并确定所分割成的各个词的词向量；第一解析单元，配置用于对所确定的各个词向量进行解析，生成文本的特征信息；输入单元，配置用于将特征信息输入至预先训练的文本情感分析模型，确定与文本相匹配的情感类型信息，其中，文本情感分析模型用于表征特征信息与情感类型信息的对应关系；推送单元，配置用于推送情感类型信息。