CN111598596B 数据处理方法、装置、电子设备及存储介质 （北京京东尚科信息技术有限公司）

技术方案利用训练好的联合深度学习模型能够其个人的消费决策点去浏览对应标签下的商品2将所述当前词向量矩阵输入至训练完成的联合深度学习模型中，预将所述当前词向量矩阵分别与每个卷积核进行卷积操作，获得将所述当前局部特征向量序列输入至所述池化层，输出第一预设维度的句子特征向将所述语义向量输入至所述循环神经网络模型，输出所述当前商对各个标签的概率进行排序，选取前k个概率最大的标签作为所述当前商品评论数据若所述概率分布满足预设条件，则确定前k个概率最大的标签作为所述当前商品评论确定前m个最大概率对应的标签作为所述当前商品评论将所述历史词向量矩阵输入至所述联合深度学习模型，并根据其3的概率进行排序，选取前k个概率最大的标签作为所述当前商品评论数据的目标标签；其8.一种计算机可读存储介质，其上存储有计算机4[0005]需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明背景的理较多而导致的消费者无法快速获得自己感兴趣的商[0008]在本发明的一些示例性实施例中，所述联合深度学习模型包括卷积神经网络模5其个人的消费决策点去浏览对应标签下的商品评论，减少了消费者浏览商品评论的数量，6卷积神经网络模型和循环神经网络模型的联合深度学习模型运用到给商品评论自动打标本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，[0033]附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对7[0040]图1示出了根据本发明的一些实施例的数据处理方法的流程示意图。本发明实施例的数据处理方法可以由任意具备计算处理能力的电子设备执行，例如服务器和/或终端8语言程序学)工具，包括CBOW(ContinuousBag-of-Words，连续词袋)和Skip-gram两个模[0052]在步骤S130中，将所述当前词向量矩阵输入至训练完成[0053]本发明实施例中，所述联合深度学习模型可以将卷积神经网络(ConvolutionalNeuralNetwork，CNN)模型与循环神经网络(RecurrentNeuralNetwork，RNN)模型相结转换为当前词向量矩阵的技术手段，为后续联合深度学习模型进行运算提高了处理效率；向量序列。9[0066]本发明实施例中，在全连接层之间需要将多个垂直方向产生的向量通过merge层[0080]本发明实施例中，经过RNN模型预测后，可以输出一条商品评论的各个标签的概k个最大概率中的各个概率的值的大小相差不过悬殊，则可以认为所述概率分布满足所述[0087]在步骤S350中，确定前m个最大概率对应的标签作为所述当前商品评论数据的目[0094]本发明实施例中，可以首先从电子商务平台等中采集大然后可以采用人工标注的方式给各条历史商品评论[0098]本发明实施例中，以所述词向量模型为Word2Vec、且所述联合深度学习模型为据用作未标记数据来训练Word2Vec模型。然后将Word2Vec模型的输出馈入到第二训练步然后将交叉熵损失从RNN向下传播回CNN以更新CNN-RNN模的历史商品评论的标签序列与属于该历史商品评论的标签子集(即预先为该历史商品评论获得词向量矩阵。然后将Word2Vec模型输出的词向量矩阵输入至训练好的CNN模型的卷积[0114]本发明实施例提供的数据处理方法，利用CNN-RNN模型对商品评论进行一个或者确定模块，可以配置为确定前m个最大概率对应的标签作为所述当前商品评论数据的目标[0124]由于本发明的示例实施例的数据处理装置800的各个功能模块与上述数据处理方存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM903中，还存储有系统操作所需的各种程序和数据。的计算机程序根据需要被安装入存储部分9发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，[0132]描述于本发明实施例中所涉及到的模块和/或单元和/或子单元可以通过软件的文描述的两个或更多模块和/或单元和/或子单元的特征和功能可以在一个模块和/或单元者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识