[发明专利]评论信息展示方法和装置

权利要求书

1.一种评论信息展示方法，其特征在于，包括：

获取待处理的一条评论信息，并且将所述评论信息切分为多个评论语句；

根据预设的业务评估项，确定每个评论语句的业务评估值；

确定所述多个评论语句中的每两个评论语句之间的相似度，对于相似度大于相似度阈值的两个评论语句，过滤掉其中一个业务评估值较低的评论语句；

从保留下来的所有评论语句中，抽取至少一个评论语句，使得抽取出来的所有评论语句在总信息长度不超过信息展示长度的情况下业务评估值的总值最大；

对抽取出来的所有评论语句进行展示。

2.根据权利要求1所述的方法，其特征在于，确定所述多个评论语句中的每两个评论语句之间的相似度包括：

将所述多个评论语句中的任意两个评论语句输入相似度模型，获取所述相似度模型输出的所述任意两个评论语句的相似度，其中，所述相似度模型是对孪生神经网络训练得到的。

3.根据权利要求1所述的方法，其特征在于，对孪生神经网络训练包括：

针对多组训练样本，将每组训练样本中的第一训练语句和第二训练语句分别输入孪生神经网络的第一神经网络和第二神经网络，获取第一神经网络输出的第一训练语句的向量和第二神经网络输出的第二训练语句的向量；

根据损失函数计算损失值，根据损失值更新孪生神经网络的参数，将训练完成的孪生神经网络作为相似度模型，其中所述损失函数是根据多组训练样本各自的第一训练语句与第二训练语句之间的相似性标记信息以及第一训练语句的向量与第二训练语句的向量之间的距离信息构建的。

4.根据权利要求1所述的方法，其特征在于，确定每个评论语句的业务评估值包括以下一项或多项：

确定每个评论语句的正负面评估值；

确定每个评论语句的服务类别评估值；

确定每个评论语句的预设语句特征的匹配度评估值。

5.根据权利要求4所述的方法，其特征在于，

确定每个评论语句的正负面评估值包括：将每个评论语句输入正负面评估模型，获取所述正负面评估模型输出的所述每个评论语句的正负面评估值；

确定每个评论语句的服务类别评估值包括：将每个评论语句输入服务类别评估模型，获取所述服务类别评估模型输出的所述每个评论语句的服务类别评估值；

其中，所述正负面评估模型和所述服务类别评估模型是对第一卷积神经网络和第二卷积神经网络进行多任务训练得到的。

6.根据权利要求5所述的方法，其特征在于，

多任务训练时，第一卷积神经网络和第二卷积神经网络的词嵌入层、卷积层和池化层的参数共享，多任务训练的损失函数根据第一卷积神经网络的第一损失函数和第二卷积神经网络的第二损失函数的加权和确定，第一损失函数根据第一卷积神经网络的类别总数和各个类别的值确定，第二损失函数根据第二卷积神经网络的类别总数和各个类别的值确定。

7.根据权利要求4所述的方法，其特征在于，确定每个评论语句的预设语句特征的匹配度评估值包括：

利用改进的Kneser Ney平滑的n-gram语言模型，对预设语句特征相关的语料中的n个词的共现概率进行预计算；

通过匹配预计算的结果，确定每个评论语句中的n个词的共现概率；

根据每个评论语句的所有的n个词的共现概率，确定所述每个评论语句的困惑度，并作为匹配度评估值。

8.根据权利要求4所述的方法，其特征在于，确定每个评论语句的业务评估值包括：

当业务评估项有多个时，对每个评论语句的多种评估值进行加权求和计算，并将加权求和的结果作为每个评论语句的业务评估值。