[发明专利]情感类别的预测方法和装置、存储介质及电子设备

说明书

本申请公开了一种情感类别的预测方法和装置、存储介质及电子设备，可应用于车载场景。该方法包括：获取一组第一特征向量和一组第二特征向量，一组第一特征向量包括对一组第一元素单元中的每个第一元素单元进行编码所得到的特征向量，一组第一元素单元包括目标文本中的每个第一元素单元，一组第二特征向量包括对一组第二元素单元中的每个第二元素单元进行编码所得到的特征向量，一组第二元素单元包括对目标文本进行分词得到的第二元素单元；根据一组第二元素单元与一组第一元素单元之间的包含关系，对一组第一特征向量与一组第二特征向量进行特征向量融合，得到一组融合特征向量；将一组融合特征向量输入到目标预测模型中，得到预测的情感类别。

技术领域

本申请涉及计算机领域，具体而言，涉及一种情感类别的预测方法和装置、存储介质及电子设备。

背景技术

自媒体平台可以以信息流的方式展示用户所生产的媒体信息（例如，文章、视频等），是个体提供信息生产、积累、共享、传播、内容兼具私密性和公开性的信息传播方式。用户在消费媒体信息的同时，可以通过评论、点赞、转发、收藏等行为与这些媒体信息进行互动。

由于用户发表内容的门槛较低，在满足要求的情况下，任何用户在任何时间都可以发表媒体信息，这样会导致用户所生产的媒体信息的质量参差不齐，存在生产低质内容（即，低质量的媒体信息）和严重影响平台生态的行为。可以通过能够预测情感类型的预测模型对于媒体信息对应的文本进行情感类别预测，基于预测的情感类别确定其是否为低质内容。

目前，采用的情感类别预测模型通常是基于细粒度的，例如，基于字粒度的。然而，采用基于细粒度的情感类别的预测方法，由于忽略了字与字之间的关联性，词义的不确定性高，建模复杂度高，无法抽取语义特性，因此，情感类别预测的准确性低。由此可见，相关技术中的情感类别的预测方法，存在由于词义的不确定性高导致的情感类别预测的准确性低的问题。

发明内容

本申请实施例提供了一种情感类别的预测方法和装置、存储介质及电子设备，以至少解决相关技术中的情感类别的预测方法存在由于词义的不确定性高导致的情感类别预测的准确性低的问题。

根据本申请实施例的一个方面，提供了一种情感类别的预测方法，包括：获取一组第一特征向量和一组第二特征向量，其中，所述一组第一特征向量包括对一组第一元素单元中的每个第一元素单元进行编码所得到的特征向量，所述一组第一元素单元包括目标文本中的每个第一元素单元，所述一组第二特征向量包括对一组第二元素单元中的每个第二元素单元进行编码所得到的特征向量，所述一组第二元素单元包括对所述目标文本进行分词所得到的第二元素单元；根据所述一组第一元素单元与所述一组第二元素单元之间的包含关系，对所述一组第一特征向量与所述一组第二特征向量进行特征向量融合，得到一组融合特征向量；将所述一组融合特征向量输入到目标预测模型中，得到目标预测结果，其中，所述目标预测模型用于根据输入的特征向量预测与所述输入的特征向量关联的情感类别，所述目标预测结果用于表示所述目标文本的预测情感类别。

根据本申请实施例的另一个方面，还提供了一种情感类别的预测装置，包括：第一获取单元，用于获取一组第一特征向量和一组第二特征向量，其中，所述一组第一特征向量包括对一组第一元素单元中的每个第一元素单元进行编码所得到的特征向量，所述一组第一元素单元包括目标文本中的每个第一元素单元，所述一组第二特征向量包括对一组第二元素单元中的每个第二元素单元进行编码所得到的特征向量，所述一组第二元素单元包括对所述目标文本进行分词所得到的第二元素单元；融合单元，用于根据所述一组第一元素单元与所述一组第二元素单元之间的包含关系，对所述一组第一特征向量与所述一组第二特征向量进行特征向量融合，得到一组融合特征向量；输入单元，用于将所述一组融合特征向量输入到目标预测模型中，得到目标预测结果，其中，所述目标预测模型用于根据输入的特征向量预测与所述输入的特征向量关联的情感类别，所述目标预测结果用于表示所述目标文本的预测情感类别。