CN113761228B 基于多任务的标签生成方法、装置、电子设备和介质 （北京沃东天骏信息技术有限公司）

情感判断引擎通过预设的语义细粒度情感判断2分别调用预设的语义意图识别引擎和语义细粒度情感判断其中，所述语义意图识别引擎通过预设的语义意图识别模所述语义意图识别引擎和所述语义细粒度情感判断引擎共享一个双层双向长短期记所述双层双向长短期记忆网络的隐含层输出所述语义的句其中，所述语义意图识别模型包括利用全连接层基于所述句标签向量表示A，并基于所述语义意图标签向量表示A通过softmax激活函数识别所述语义到所述表示特征S_1的输出向量tanh(S_1)作为第一输出向量，将所述表示特征S_2和所述对筛选后的所述候选意图标签词聚合，并且对聚合后的结果进所述多任务学习的损失等于所述语义意图识别的交叉熵损失和所述语义细粒度情感语义意图标签挖掘模块，该语义意图标签挖掘模块用于基于语义3基于多任务学习的语义意图识别与语义细粒度情感判断模块，该述语义的语义情感标签，并根据所述语义情感标签将所述语义在所述语义意图标签下聚多任务学习单元，所述语义意图识别引擎和所述语语义意图识别单元，利用全连接层基于输出的句子特征向量确语义细粒度情感判断单元，通过一层卷积神经网络，基于所述句征S_1的输出向量tanh(S_1)作为第一输出向量，将所述表示特征S_2和所述语义意图标签4[0002]现有语义搜索类应用或者应用中所进行的搜索操作大部分仅提供了一个搜索框语义的语义情感标签，从而根据所述语义情感标签将所述语义在所述语义意图标签下聚语义意图标签向量表示，并基于所述语义意图标签向量表示通过softmax激活函数识别所5[0015]将所述表示特征S_1送入双曲正切激活函数tanh以得到所述表示特征S_1的输出向量tanh(S_1)作为第一输出向量，将所述表示特征S_2和所述语义意图标签向量表示A相加送入修正线性单元激活函数relu以得到所述表示特征S_2与所述语义意图标签向量表示[0016]最大池化所述最终特征向量并经过全连接层后，使用softmax激活函数以得到最语义细粒度情感判断模块用于基于多任务学习进行语义意图识别和语义细粒度情感判断，于语义意图标签向量表示所述通过softmax激活函数识别所述语义的[0031]将所述表示特征S_1送入双曲正切激活函数tanh以得到所述表示特征S_1的输出向量tanh(S_1)作为第一输出向量，将所述表示特征S_2和所述语义意图标签向量表示A相加送入修正线性单元激活函数relu以得到所述表示特征S_2与所述语义意图标签向量表示6[0032]最大池化所述最终特征向量并经过全连接层后，使用softmax激活函数以得到最识别的交叉熵损失和所述语义细粒度情感判断的交[0046]上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加[0049]图2是根据本发明实施例的基于多任务的标签生成方法的语义意图标签挖掘步骤[0050]图3是根据本发明实施例的基于多任务的标签生成方法所挖掘的语义意图标签的[0051]图4是说明根据本发明实施例的基于多任务的标签生成方法的基于多任务学习的语义意图识别与语义细粒度情感判断步骤的详细过[0052]图5是说明根据本发明实施例的基于多任务的标签生成方法的语义细粒度情感判7[0054]图7是根据本发明实施例的基于多任务的标签生成装置的语义意图标签挖掘模块[0055]图8是根据本发明实施例的基于多任务的标签生成装置的基于多任务学习的语义意图识别与语义细粒度情感判断模块的主要[0056]图9是利用根据发明的实施例的基于多任务的标签生成方法和装置进行语义聚类[0058]图11(a)和11(b)示出应用本发明的基于多任务的标签生成方法之后的界面的一[0060]图13是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示[0062]图1是根据本发明实施例的根据本发明实施例的基于多任务的标签生成方法的主生成方法包括语义意图标签挖掘步骤S101和基于多任务学习的语义意图识别与语义细粒于多任务的标签生成方法的语义意图标签挖掘步骤的各个子步骤的流程图；图3是说明根据本发明实施例的基于多任务的标签生成方法的基于多任务学习的语义意图识别与语义细粒度情感判断步骤的详细过程的示意图；图4是说明根据本发明实施例的基于多任务的标签生成方法的语义细粒度情感判断的计算过程的8[0077]对筛选后的候选意图标签词聚合，聚合个数根据类目实际情况进行设定(一般设[0079]将筛选出的中心短语进行汇总，可以得到例如以下表1所示的手机类目下梳理的9[0084]本发明将语义意图识别和语义细粒度情感判断按照多任[0088]利用基于BiLstm的多任务共享编码器(Encoder)进行多任务学习，所述语义意图接层基于输出的句子特征向量确定语义意图标签向量表示A，并基于语义意图标签向量表示A通过softmax激活函数识别语义的[0092]按照语义意图标签进行语义聚类的时候需要对此标签(语义意图标签)下的语义进行语义排序的时候主要是将语义情感作为主要排ABSA(Aspectbasedsentimentanalysis)实现基于Aspect的情感分析，ABSA的主要任务attention(注意力机制)去提取出和entity和apect词关联度比较高的特征以用于情感分经常采用的算法，但是由于attention和LSTM的计算效率都比较低，所以为了充分利用[0094]因此，本发明基于ABA下的深度模型GCAE(GatedConvolutionalNetworkstanh(S_1)作为第一输出向量，并且将表示特征S_2和语义意图标签向量表示A相加送入修[0098]最大池化(maxpooling)最终特征向量并经过一层全连接层(fullyconnected[0099]上述计算过程摆脱了RNN(循环神经网络)和attention(注意力机制)等耗时耗内[0100]在上述步骤S102基于多任务学习的语义意图识别与语义大节省模型网络存储空间以及提高整个流程务：语义意图识别以及语义细粒度情感判断,所以多任务学习的loss也是由两部分构成：(交叉商损失),Loss_tag是语义意图标签识别的EntropyLoss(交叉商损失计算完毕后进行全部网络结构的误差反传以及务的标签生成方法能够基于用户语义数据挖掘用户关心的语义的维度以建立语义意图标于多任务的标签生成装置200包括语义意图标签挖掘模块201和基于多任务学习的语义意于多任务的标签生成装置的主要模块的示意图；图7是根据本发明实施例的基于多任务的标签生成装置的语义意图标签挖掘模块的主要构成单元的示意图；图8是根据本发明实施例的基于多任务的标签生成装置的基于多任务学习的语义意图识别与语义细粒度情感判[0112]具体地，候选意图标签词生成单元2012基于word2phrase进行候选意图标签词的[0115]为了考虑到更长的短语，候选意图标签词生成单元2012利用2-4个词语作为训练[0121]聚合与总结单元2014将筛选出的中心短语进行汇总，可以得到例如前文表1所示[0123]本发明将语义意图识别和语义细粒度情感判断按照多任义与语义意图标签挖掘模块201获得的语义意图标签的关联，语义细粒度情感判断确定语[0127]多任务学习单元2022利用基于BiLstm的多任务共享编码器(Encoder)进行多任务[0129]语义意图识别单元2023利用全连接层基于输出的句子特征向量确定语义意图标签向量表示A，并基于语义意图标签向量表示A通过softmax激活函数识别语义的语义意图[0131]按照语义意图标签进行语义聚类的时候需要对此标签(语义意图标签)下的语义进行语义排序的时候主要是将语义情感作为主要排ABSA(Aspectbasedsentimentanalysis)实现基于Aspect的情感分析，ABSA的主要任务attention(注意力机制)去提取出和entity和apect词关联度比较高的特征以用于情感分经常采用的算法，但是由于attention和LSTM的计算效率都比较低，所以为了充分利用[0133]因此，语义细粒度情感判断单元2024基于ABSA下的深度模型GCAE(Gatedtanh(S_1)作为第一输出向量，并且将表示特征S_2和语义意图标签向量表示A相加送入修[0136]最大池化(maxpooling)最终特征向量并经过一层全连接层(fullyconnected[0137]上述计算过程摆脱了RNN(循环神经网络)和attention(注意力机制)等耗时耗内[0138]上述基于多任务学习的语义意图识别与语义细粒度情感判断模块202通过共享一务的标签生成装置能够基于用户语义数据挖掘用户关心的语义的维度以建立语义意图标任务学习的语义意图识别与语义细粒度情感判停留时长等指标转化率得到较大提升，在一定程度上提升了用户的购物体验以及使用体[0147]图12示出了可以应用本发明实施例的基于多任务的标签生成方法或基于多任务[0154]下面参考图13，其示出了适于用来实现本发明实施例的终端设备的计算机系统读存储器(ROM)1302中的程序或者从存储部分1308加载到随机访问存储器(RAM)1303中的于从其上读出的计算机程序根据需要被安装入存储部发明中，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，一种处理器包括语义意图标签挖掘模块和基于多任务学习的语义意图识别与语义细粒度语义的语义情感标签，从而根据所述语义情感标签将所述语义在所述语义意图标签下聚度以建立语义意图标签，并且基于多任务学习进行语义意图识别和语义细粒度情感判断，