[发明专利]基于卷积神经网络的评价对象抽取方法及装置

权利要求书

1.一种基于卷积神经网络的评价对象抽取方法，其特征在于，包括：

获取语句文本并根据所述语句文本中的各单词生成词向量矩阵；

将所述词向量矩阵输入基于上文词向量矩阵、下文词向量矩阵和预设的卷积神经网络模型创建的词标签模型中，得到词标签得分矩阵；

根据所述词标签得分矩阵确定各单词的词标签；其中，所述词标签包括评价对象词标签；

抽取所述评价对象词标签对应的单词为评价对象。

2.根据权利要求1所述的基于卷积神经网络的评价对象抽取方法，其特征在于，创建词标签模型包括：

执行如下迭代处理：

根据所述上文词向量矩阵、所述下文词向量矩阵以及卷积神经网络模型中的模型参数得到模型得分矩阵；

根据所述模型得分矩阵和转移得分矩阵确定损失函数；

当当前迭代次数达到预设迭代次数时，根据当前迭代中的模型参数创建词标签模型，否则根据所述损失函数更新所述模型参数和所述转移得分矩阵，继续执行所述迭代处理。

3.根据权利要求2所述的基于卷积神经网络的评价对象抽取方法，其特征在于，所述模型参数包括：上文卷积过滤器、上文偏置项、下文卷积过滤器、下文偏置项、第一线性转换参数、第二线性转换参数、第三线性转换参数和得分偏置项；

根据所述上文词向量矩阵、所述下文词向量矩阵以及卷积神经网络模型中的模型参数得到模型得分矩阵包括：

根据所述上文词向量矩阵、所述上文卷积过滤器、所述上文偏置项和所述第一线性转换参数得到上文特征矩阵；

根据所述下文词向量矩阵、所述下文卷积过滤器、所述下文偏置项和所述第二线性转换参数得到下文特征矩阵；

根据所述上文特征矩阵、所述下文特征矩阵、所述第三线性转换参数和所述得分偏置项得到模型得分矩阵。

4.根据权利要求3所述的基于卷积神经网络的评价对象抽取方法，其特征在于，所述上文偏置项包括第一上文偏置项和第二上文偏置项；所述下文偏置项包括第一下文偏置项和第二下文偏置项；

根据所述上文词向量矩阵、所述上文卷积过滤器、所述上文偏置项和所述第一线性转换参数得到上文特征矩阵包括：

根据所述上文词向量矩阵、所述上文卷积过滤器和所述第一上文偏置项得到上文特征图矩阵；

根据所述上文特征图矩阵、所述第二上文偏置项和所述第一线性转换参数得到上文特征矩阵；

根据所述下文词向量矩阵、所述下文卷积过滤器、所述下文偏置项和所述第二线性转换参数得到下文特征矩阵包括：

根据所述下文词向量矩阵、所述下文卷积过滤器和所述第一下文偏置项得到下文特征图矩阵；

根据所述下文特征图矩阵、所述第二下文偏置项和所述第二线性转换参数得到下文特征矩阵。

5.根据权利要求1所述的基于卷积神经网络的评价对象抽取方法，其特征在于，还包括：

获取历史语句文本，将所述历史语句文本划分为该历史语句文本中的评价对象对应的上文文本和下文文本；

根据所述上文文本生成上文词向量矩阵，根据所述下文文本生成下文词向量矩阵。

6.一种基于卷积神经网络的评价对象抽取装置，其特征在于，包括：

词向量矩阵获取模块，用于获取语句文本并根据所述语句文本中的各单词生成词向量矩阵；

词标签得分矩阵模块，用于将所述词向量矩阵输入基于上文词向量矩阵、下文词向量矩阵和预设的卷积神经网络模型创建的词标签模型中，得到词标签得分矩阵；

词标签模块，用于根据所述词标签得分矩阵确定各单词的词标签；其中，所述词标签包括评价对象词标签；

评价对象抽取模块，用于抽取所述评价对象词标签对应的单词为评价对象。