社区评论类型检测方法、装置、介质及电子设备与流程

所属的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。下面参照图9来描述根据本公开的这种实施例的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930、显示单元940。其中，存储单元存储有程序代码，程序代码可以被处理单元910执行，使得处理单元910执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。例如，处理单元910可以执行如图2中所示的步骤s210，获取待检测社区评论；步骤s220，将待检测社区评论输入评论编码模型，得到待检测社区评论对应的待检测社区评论特征向量；其中，评论编码模型用于将社区评论转换为社区评论特征向量，评论编码模型是基于预训练的评论相似度模型以及预先构建的训练数据集训练得到的，训练数据集包括第一样本集以及第二样本集，第一样本集为人工标注的评论样本，第二样本集为基于第一样本集经过数据扩充得到的评论样本，评论样本对应有评论类型，评论类型包括正常评论类型与竞品评论类型；步骤s230，将待检测社区评论特征向量输入评论类型预测模型，得到待检测社区评论的评论类型；其中，评论类型预测模型用于对社区评论特征向量对应的社区评论的评论类型进行预测，评论类型预测模型是基于待训练模型以及训练数据集训练得到的，待检测社区评论的评论类型包括正常评论类型与竞品评论类型。在本公开的一种示例性实施例中，基于前述方案，根据第一样本集中的评论样本以及第二样本集中的评论样本构建样本对训练集；其中，样本对训练集中包括多个样本对，多个样本对中包括正样本对以及负样本对，正样本对包括两个相同评论类型的评论样本，负样本对包括两个不同评论类型的评论样本；基于样本对训练集对第一待训练模型进行训练得到评论编码模型；其中，第一待训练模型为预训练的评论相似度模型。在本公开的一种示例性实施例中，基于前述方案，基于样本对训练集对第一待训练模型进行训练得到评论编码模型，包括：将样本对输入第一待训练模型，得到样本对中两个评论样本的相似度；基于相似度以及样本对的类型对第一待训练模型进行训练，对第一待训练模型的神经网络参数进行迭代更新，以训练得到评论编码模型；其中，在对第一待训练模型进行训练时，使得正样本对中两个评论样本的相似度较大，负样本对中两个评论样本的相似度较小。在本公开的一种示例性实施例中，基于前述方案，基于相似度以及样本对的类型对第一待训练模型进行训练，对第一待训练模型的神经网络参数进行迭代更新，以训练得到评论编码模型，包括：基于相似度以及样本对的类型构造对比损失，以最小化对比损失为目标对第一待训练模型的神经网络参数进行迭代更新，以训练得到评论编码模型。在本公开的一种示例性实施例中，基于前述方案，将第一样本集中的评论样本以及第二样本集中的评论样本输入评论编码模型，得到评论样本对应的样本评论特征向量；将样本评论特征向量输入第二待训练模型，得到评论样本对应的预测评论类型；基于评论样本对应的预测评论类型以及评论样本对应的评论类型对第二待训练模型的神经网络参数进行迭代更新，以训练得到评论类型预测模型。在本公开的一种示例性实施例中，基于前述方案，获取待检测评论内容；获取待检测评论内容中的文字评论，对待检测评论内容中的图像进行文字识别得到图像评论；通过待检测评论内容中的文字评论以及图像评论得到待检测社区评论。在本公开的一种示例性实施例中，基于前述方案，在将待检测社区评论输入评论编码模型之前，方法还包括：检测待检测社区评论中的白名单评论，将待检测社区评论中的白名单评论进行删除。本公开的一种实施例提供的电子设备，可以获取待检测社区评论，将待检测社区评论输入评论编码模型，得到待检测社区评论对应的待检测社区评论特征向量，将待检测社区评论特征向量输入评论类型预测模型，得到待检测社区评论的评论类型。本公开的实施例，可以通过经过调整的评论相似度模型将待检测社区评论编码为特征向量，并基于该特征向量预测待检测社区评论的评论类型，降低了人工审核成本，预测的准确性较高，提升了识别竞品评论的效率。存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)921和/或高速缓存存储单元922，还可以进一步包括只读存储单元(rom)923。存储单元920还可以包括具有一组(至少一个)程序模块925的程序/实用工具924，这样的程序模块925包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备900也可以与一个或多个外部设备970(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备900交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器960通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。在本公开的一种示例实施例中，可以获取待检测社区评论；将待检测社区评论输入评论编码模型，得到待检测社区评论对应的待检测社区评论特征向量；其中，评论编码模型用于将社区评论转换为社区评论特征向量，评论编码模型是基于预训练的评论相似度模型以及预先构建的训练数据集训练得到的，训练数据集包括第一样本集以及第二样本集，第一样本集为人工标注的评论样本，第二样本集为基于第一样本集经过数据扩充得到的评论样本，评论样本对应有评论类型，评论类型包括正常评论类型与竞品评论类型；将待检测社区评论特征向量输入评论类型预测模型，得到待检测社区评论的评论类型；其中，评论类型预测模型用于对社区评论特征向量对应的社区评论的评论类型进行预测，评论类型预测模型是基于待训练模型以及训练数据集训练得到的，待检测社区评论的评论类型包括正常评论类型与竞品评论类型。在本公开的一种示例性实施例中，基于前述方案，根据第一样本集中的评论样本以及第二样本集中的评论样本构建样本对训练集；其中，样本对训练集中包括多个样本对，多个样本对中包括正样本对以及负样本对，正样本对包括两个相同评论类型的评论样本，负样本对包括两个不同评论类型的评论样本；基于样本对训练集对第一待训练模型进行训练得到评论编码模型；其中，第一待训练模型为预训练的评论相似度模型。在本公开的一种示例性实施例中，基于前述方案，基于样本对训练集对第一待训练模型进行训练得到评论编码模型，包括：将样本对输入第一待训练模型，得到样本对中两个评论样本的相似度；基于相似度以及样本对的类型对第一待训练模型进行训练，对第一待训练模型的神经网络参数进行迭代更新，以训练得到评论编码模型；其中，在对第一待训练模型进行训练时，使得正样本对中两个评论样本的相似度较大，负样本对中两个评论样本的相似度较小。在本公开的一种示例性实施例中，基于前述方案，基于相似度以及样本对的类型对第一待训练模型进行训练，对第一待训练模型的神经网络参数进行迭代更新，以训练得到评论编码模型，包括：基于相似度以及样本对的类型构造对比损失，以最小化对比损失为目标对第一待训练模型的神经网络参数进行迭代更新，以训练得到评论编码模型。在本公开的一种示例性实施例中，基于前述方案，将第一样本集中的评论样本以及第二样本集中的评论样本输入评论编码模型，得到评论样本对应的样本评论特征向量；将样本评论特征向量输入第二待训练模型，得到评论样本对应的预测评论类型；基于评论样本对应的预测评论类型以及评论样本对应的评论类型对第二待训练模型的神经网络参数进行迭代更新，以训练得到评论类型预测模型。在本公开的一种示例性实施例中，基于前述方案，获取待检测评论内容；获取待检测评论内容中的文字评论，对待检测评论内容中的图像进行文字识别得到图像评论；通过待检测评论内容中的文字评论以及图像评论得到待检测社区评论。在本公开的一种示例性实施例中，基于前述方案，在将待检测社区评论输入评论编码模型之前，方法还包括：检测待检测社区评论中的白名单评论，将待检测社区评论中的白名单评论进行删除。本公开的一种实施例提供的计算机可读信号介质，可以获取待检测社区评论，将待检测社区评论输入评论编码模型，得到待检测社区评论对应的待检测社区评论特征向量，将待检测社区评论特征向量输入评论类型预测模型，得到待检测社区评论的评论类型。本公开的实施例，可以通过经过调整的评论相似度模型将待检测社区评论编码为特征向量，并基于该特征向量预测待检测社区评论的评论类型，降低了人工审核成本，预测的准确性较高，提升了识别竞品评论的效率。计算机可读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，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

背景技术：

1、随着软硬件的快速发展，各种社交平台以及社区应用也得到了快速发展，用户评论已经成为了一种重要的沟通方式。然而，部分用户可能会发表竞品评论，会对本平台造成不利影响。

2、在相关技术中，通常采用关键词和正则匹配的方式对竞品评论进行识别。然而，相关技术中的方案，由于关键词和正则匹配进行识别的准确性较差，容易导致错误识别的问题。此外，随着用户对于关键词和正则匹配的了解，会通过缩写规避识别，对于这些缩写，编写适配的正则的效率也比较差。

3、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公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开的目的在于提供一种社区评论类型检测方法、社区评论类型检测装置、计算机可读存储介质及电子设备，可以解决相关技术中识别竞品评论的效率较差的问题。

2、本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

3、根据本公开的第一方面，提供了一种社区评论类型检测方法，包括：获取待检测社区评论；将待检测社区评论输入评论编码模型，得到待检测社区评论对应的待检测社区评论特征向量；其中，评论编码模型用于将社区评论转换为社区评论特征向量，评论编码模型是基于预训练的评论相似度模型以及预先构建的训练数据集训练得到的，训练数据集包括第一样本集以及第二样本集，第一样本集为人工标注的评论样本，第二样本集为基于第一样本集经过数据扩充得到的评论样本，评论样本对应有评论类型，评论类型包括正常评论类型与竞品评论类型；将待检测社区评论特征向量输入评论类型预测模型，得到待检测社区评论的评论类型；其中，评论类型预测模型用于对社区评论特征向量对应的社区评论的评论类型进行预测，评论类型预测模型是基于待训练模型以及训练数据集训练得到的，待检测社区评论的评论类型包括正常评论类型与竞品评论类型。

4、根据本公开的第二方面，提供了一种社区评论类型检测装置，装置包括：检测评论获取模块，用于获取待检测社区评论；评论编码模块，用于将待检测社区评论输入评论编码模型，得到待检测社区评论对应的待检测社区评论特征向量；其中，评论编码模型用于将社区评论转换为社区评论特征向量，评论编码模型是基于预训练的评论相似度模型以及预先构建的训练数据集训练得到的，训练数据集包括第一样本集以及第二样本集，第一样本集为人工标注的评论样本，第二样本集为基于第一样本集经过数据扩充得到的评论样本，评论样本对应有评论类型，评论类型包括正常评论类型与竞品评论类型；评论类型预测模块，用于将待检测社区评论特征向量输入评论类型预测模型，得到待检测社区评论的评论类型；其中，评论类型预测模型用于对社区评论特征向量对应的社区评论的评论类型进行预测，评论类型预测模型是基于待训练模型以及训练数据集训练得到的，待检测社区评论的评论类型包括正常评论类型与竞品评论类型。

5、根据本公开的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现如上述实施例中第一方面的社区评论类型检测方法。

6、根据本公开的第四方面，提供了一种电子设备，包括：

7、一个或多个处理器；以及

8、存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如上述实施例中第一方面社区评论类型检测方法。

9、本公开实施例提供的技术方案可以包括以下有益效果：

10、本公开的一种实施例提供的社区评论类型检测方法中，获取待检测社区评论，将待检测社区评论输入评论编码模型，得到待检测社区评论对应的待检测社区评论特征向量，将待检测社区评论特征向量输入评论类型预测模型，得到待检测社区评论的评论类型。本公开的实施例，可以通过经过调整的评论相似度模型将待检测社区评论编码为特征向量，并基于该特征向量预测待检测社区评论的评论类型，降低了人工审核成本，预测的准确性较高，提升了识别竞品评论的效率。

11、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。