CN116737928B - 平台用户需求的文本挖掘方法、***及云平台 - Google Patents
平台用户需求的文本挖掘方法、***及云平台 Download PDFInfo
- Publication number
- CN116737928B CN116737928B CN202310690366.5A CN202310690366A CN116737928B CN 116737928 B CN116737928 B CN 116737928B CN 202310690366 A CN202310690366 A CN 202310690366A CN 116737928 B CN116737928 B CN 116737928B
- Authority
- CN
- China
- Prior art keywords
- user
- text
- mining
- demand
- user feedback
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005065 mining Methods 0.000 title claims abstract description 529
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 172
- 238000012512 characterization method Methods 0.000 claims description 127
- 238000004458 analytical method Methods 0.000 claims description 32
- 239000000969 carrier Substances 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 14
- 230000001105 regulatory effect Effects 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供的平台用户需求的文本挖掘方法、***及云平台,在调试用户反馈文本挖掘网络时,确保需求挖掘示例文本集处理结果的用户需求要素与对照用户文本集的用户需求要素更加对应,同时确保需求挖掘示例文本集处理结果中用户反馈文本的辅助要素与需求挖掘示例文本集中第二用户反馈文本的辅助要素更加接近,换言之,确保需求挖掘示例文本集处理结果中的用户反馈文本内容不变,如此调试后的用户反馈文本挖掘网络可以令需求挖掘示例文本集中用户反馈文本的调节后文本描述对应于对照用户文本集中第一用户反馈文本的需求信息。此外,针对不同类型的需求挖掘场景,可以选择对应类型的需求挖掘示例文本集进行需求文本挖掘调节,针对性更强。
Description
技术领域
本申请涉及文本挖掘领域,具体涉及一种平台用户需求的文本挖掘方法、***及云平台。
背景技术
在互联网平台,例如电商平台、社交平台、视频平台,由于用户基数庞大,不同用户的信息需求可能不同。因此,准确把握平台用户的需求,是互联网平台维持平台运营的根本。通过把握平台用户的需求,可以进行适应性地信息推送,完成平台用户的活跃度和粘性。用户需求挖掘涉及多个环节,例如针对用户搜索、用户浏览轨迹、用户反馈等,其中,对于用户反馈,其包含了用户的直接需求信息,是需要重点关注的环节,尤其是针对电商平台,平台用户对于产品和服务的反馈有助于电商平台进行对应产品和服务的优化。由于庞大的用户基数,从海量的反馈文本中挖掘用户的需求并不容易,如果能通过相对规范的模板样例将需要挖掘的反馈文本按照模板精准进行挖掘,会极大提高海量信息挖掘的效率。需要说明,上述内容仅为引出本申请的技术背景,不作为承认其是现有技术的依据。
发明内容
本申请提供了一种平台用户需求的文本挖掘方法、***及云平台。
根据本申请的一方面,提供了一种平台用户需求的文本挖掘方法,应用于文本挖掘云平台,方法包括:获取待挖掘用户文本集中的对照用户反馈文本的用户需求表征载体,以及目标需求挖掘文本集中的目标用户反馈文本的用户需求表征载体和目标辅助表征载体;对照用户反馈文本的用户需求表征载体指示对照用户反馈文本的用户需求要素,目标用户反馈文本的用户需求表征载体指示目标用户反馈文本的用户需求要素,目标辅助表征载体为目标用户反馈文本的除用户需求表征载体以外的表征载体,目标用户反馈文本的用户需求要素与对照用户反馈文本的用户需求要素不同;将对照用户反馈文本的用户需求表征载体和目标用户反馈文本的用户需求表征载体加载到调试后的用户反馈文本挖掘网络,获得目标用户反馈文本的调节后的用户需求表征载体;将调节后的用户需求表征载体和目标辅助表征载体进行解析,获得目标需求挖掘文本集对应的目标需求挖掘示例文本集处理结果。
作为可选的实施方式,获取待挖掘用户文本集中的对照用户反馈文本的用户需求表征载体,包括:将待挖掘用户文本集加载到预先调试获得的用户需求要素挖掘网络,通过用户需求要素挖掘网络挖掘待挖掘用户文本集中的对照用户反馈文本的多个参考用户需求要素集合,以及输出多个参考用户需求要素集合;不同参考用户需求要素集合指示对照用户反馈文本的不同层面的用户需求要素;将多个参考用户需求要素集合分别通过整体下采样处理,获得多个参考用户需求子表征载体;将多个参考用户需求子表征载体进行融合,获得待挖掘用户文本集中的对照用户反馈文本的用户需求表征载体。
作为可选的实施方式,将对照用户反馈文本的用户需求表征载体和目标用户反馈文本的用户需求表征载体加载到调试后的用户反馈文本挖掘网络,获得目标用户反馈文本的调节后的用户需求表征载体,包括:将目标用户反馈文本的用户需求表征载体加载到调试后的用户反馈文本挖掘网络的第一分类映射模块,获得目标用户反馈文本的调节后的用户需求子表征载体;将目标用户反馈文本的调节后的用户需求子表征载体与具有影响调节因子的对照用户反馈文本的用户需求表征载体加载到调试后的用户反馈文本挖掘网络的第二分类映射模块,获得目标用户反馈文本的调节后的用户需求表征载体,其中,影响调节因子通过事先设置。
作为可选的实施方式,调试后的用户反馈文本挖掘网络通过如下步骤调试得到:获取对照用户文本集中的第一用户反馈文本的第一用户需求表征载体,以及需求挖掘示例文本集中的第二用户反馈文本的第二用户需求表征载体和辅助表征载体;第一用户需求表征载体指示第一用户反馈文本的用户需求要素;第二用户需求表征载体指示第二用户反馈文本的用户需求要素,辅助表征载体为第二用户反馈文本中除第二用户需求表征载体以外的表征载体;第二用户反馈文本的用户需求要素与第一用户反馈文本的用户需求要素不同;将第一用户需求表征载体和第二用户需求表征载体加载到待调试的用户反馈文本挖掘网络中,获得第二用户反馈文本的目标用户需求表征载体;目标用户需求表征载体通过待调试的用户反馈文本挖掘网络对第一用户需求表征载体和第二用户需求表征载体进行特征整合获得;将目标用户需求表征载体和辅助表征载体进行解析,获得需求挖掘示例文本集对应的需求挖掘示例文本集处理结果;其中,需求挖掘示例文本集处理结果中包括需求挖掘示例文本集对应的用户需求标记信息;基于对照用户文本集与需求挖掘示例文本集处理结果之间的第一误差结果,以及需求挖掘示例文本集与需求挖掘示例文本集处理结果之间的第二误差结果,对待调试的用户反馈文本挖掘网络进行调试,获得调试后的用户反馈文本挖掘网络;第一误差结果指示需求挖掘示例文本集处理结果中用户反馈文本的用户需求要素相较于第一用户反馈文本的用户需求要素的误差,第二误差结果指示需求挖掘示例文本集处理结果中用户反馈文本的辅助要素相较于第二用户反馈文本的辅助要素的误差,一个用户反馈文本的辅助要素为用户反馈文本中除用户需求要素以外的文本要素。
作为可选的实施方式,获取对照用户文本集中的第一用户反馈文本的第一用户需求表征载体,包括:将对照用户文本集加载到预先调试获得的用户需求要素挖掘网络,通过用户需求要素挖掘网络挖掘对照用户文本集中的第一用户反馈文本的多个第一用户需求要素集合,以及输出多个第一用户需求要素集合;其中,不同的第一用户需求要素集合指示第一用户反馈文本的不同层面的用户需求要素;将多个第一用户需求要素集合分别通过整体下采样处理,获得多个第一用户需求子表征载体;将多个第一用户需求子表征载体进行融合,获得对照用户文本集中的第一用户反馈文本的第一用户需求表征载体;其中,用户需求要素挖掘网络的通过如下步骤进行调试:获取第一需求挖掘示例描述集,第一需求挖掘示例描述集包括不同种类的第三用户反馈文本;不同种类的第三用户反馈文本的用户需求要素不同,第一需求挖掘示例描述集携带有需求注释信息,需求注释信息指示第三用户反馈文本的用户需求要素;将第一需求挖掘示例描述集加载到待调试的用户需求要素挖掘网络,获得执行结果;执行结果指示从待调试的用户需求要素挖掘网络得到的需求挖掘示例描述集处理结果所包含的用户反馈文本的用户需求要素;基于需求注释信息与执行结果,获取待调试的用户需求要素挖掘网络的误差算法结果;在获取到的误差算法结果小于第一误差结果阈值时,确定待调试的用户需求要素挖掘网络的网络参变量,获得调试后的用户需求要素挖掘网络。
作为可选的实施方式,将第一用户需求表征载体和第二用户需求表征载体加载到待调试的用户反馈文本挖掘网络中,获得第二用户反馈文本的目标用户需求表征载体,包括:将第二用户需求表征载体加载到待调试的用户反馈文本挖掘网络的第一分类映射模块,获得调节后的第二用户需求表征载体;将调节后的第二用户需求表征载体与具有影响调节因子的第一用户需求表征载体加载到待调试的用户反馈文本挖掘网络的第二分类映射模块,获得第二用户反馈文本的目标用户需求表征载体,其中,影响调节因子通过事先设置。
作为可选的实施方式,基于对照用户文本集与需求挖掘示例文本集处理结果之间的第一误差结果,以及需求挖掘示例文本集与需求挖掘示例文本集处理结果之间的第二误差结果,对待调试的用户反馈文本挖掘网络进行调试,获得调试后的用户反馈文本挖掘网络,包括:获取对照用户文本集与需求挖掘示例文本集处理结果之间的第一误差结果,以及需求挖掘示例文本集与需求挖掘示例文本集处理结果之间的第二误差结果;在第一误差结果和第二误差结果的相加结果小于第二误差结果阈值时,确定待调试的用户反馈文本挖掘网络的网络参变量,获得调试后的用户反馈文本挖掘网络;其中,获取对照用户文本集与需求挖掘示例文本集处理结果之间的第一误差结果,以及需求挖掘示例文本集与需求挖掘示例文本集处理结果之间的第二误差结果,包括:获取对照用户文本集与需求挖掘示例文本集处理结果的对抗误差结果,以确定为对照用户文本集与需求挖掘示例文本集处理结果之间的第一误差结果;获取需求挖掘示例文本集与需求挖掘示例文本集处理结果各自通过用户反馈文本识别而获取到的用户反馈文本表征载体之间的误差结果,以及需求挖掘示例文本集与需求挖掘示例文本集处理结果通过降维处理获取到的表征载体集合之间的误差结果;将用户反馈文本表征载体之间的误差结果和通过降维处理获取到的表征载体集合之间的误差结果的相加结果确定为第二误差结果。
作为可选的实施方式,获取需求挖掘示例文本集中的第二用户反馈文本的第二用户需求表征载体和辅助表征载体,包括:将需求挖掘示例文本集加载到预先调试获得的需求文本解析网络,通过需求文本解析网络挖掘需求挖掘示例文本集中的第二用户反馈文本的第二用户需求表征载体和辅助表征载体;其中,需求文本解析网络通过如下步骤进行调试:获取第二需求挖掘示例描述集,第二需求挖掘示例描述集包括第四用户反馈文本,将第二需求挖掘示例描述集加载到待调试的需求文本解析网络,通过待调试的需求文本解析网络挖掘第四用户反馈文本的用户需求表征载体、第一辅助表征载体和第二辅助表征载体;第一辅助表征载体指示第四用户反馈文本自身的表征载体,第二辅助表征载体指示第四用户反馈文本在第二需求挖掘示例描述集中的上下文文本要素;将第四用户反馈文本的用户需求表征载体和第一辅助表征载体加载到载体调节网络,获得第四用户反馈文本对应的文本锁定框;基于第二辅助表征载体以及文本锁定框,解析获得需求挖掘示例文本集处理结果;在第二需求挖掘示例描述集和需求挖掘示例文本集处理结果之间的载体调节误差结果、第二需求挖掘示例描述集和需求挖掘示例文本集处理结果各自通过用户反馈文本识别而获取到的用户反馈文本表征载体之间的误差结果,以及,第二需求挖掘示例描述集和需求挖掘示例文本集处理结果分别经过用户反馈文本核心词元识别所得的核心词元之间的误差结果的相加结果小于误差结果阈值时,获得调试后的需求文本解析网络。
根据本申请的另一方面,提供了一种文本挖掘云平台,包括至少一个处理器;以及与至少一个处理器通信连接的存储器;其中存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行以上的方法。
根据本申请的又一方面,提供了一种文本挖掘***,包括客户端,以及与客户端通信连接的文本挖掘云平台,客户端用于产生待挖掘用户文本集并发送至文本挖掘云平台,文本挖掘云平台在获取到客户端发送的待挖掘用户文本集后,执行前一方面提供的的方法。
本申请至少包括如下有益效果:
本申请实施例提供的平台用户需求的文本挖掘方法、***及云平台,通过获取对照用户文本集中的第一用户反馈文本的第一用户需求表征载体,以及需求挖掘示例文本集中的第二用户反馈文本的第二用户需求表征载体和辅助表征载体,将第一用户需求表征载体和第二用户需求表征载体加载到待调试的用户反馈文本挖掘网络中,用户反馈文本挖掘网络对第一用户需求表征载体和第二用户需求表征载体进行特征整合,获得第二用户反馈文本的目标用户需求表征载体,将目标用户需求表征载体和辅助表征载体进行解析,获得需求挖掘示例文本集对应的需求挖掘示例文本集处理结果,基于对照用户文本集与需求挖掘示例文本集处理结果之间的第一误差结果,以及需求挖掘示例文本集与需求挖掘示例文本集处理结果之间的第二误差结果,对待调试的用户反馈文本挖掘网络进行调试,获得调试后的用户反馈文本挖掘网络。本申请实施例在调试用户反馈文本挖掘网络时,将需求挖掘示例文本集处理结果中用户反馈文本的用户需求要素相较于第一用户反馈文本的用户需求要素的误差作为第一误差结果,以及需求挖掘示例文本集处理结果中用户反馈文本的辅助要素相较于第二用户反馈文本的辅助要素的误差作为第二误差结果,通过第一误差结果和第二误差结果对待调试的用户反馈文本挖掘网络进行调试,确保需求挖掘示例文本集处理结果的用户需求要素与对照用户文本集的用户需求要素更加对应,同时确保需求挖掘示例文本集处理结果中用户反馈文本的辅助要素与需求挖掘示例文本集中第二用户反馈文本的辅助要素更加接近,换言之,确保需求挖掘示例文本集处理结果中的用户反馈文本内容不变,如此调试后的用户反馈文本挖掘网络可以令需求挖掘示例文本集中用户反馈文本的调节后文本描述对应于对照用户文本集中第一用户反馈文本的需求信息。此外,针对不同类型的需求挖掘场景,可以选择对应类型的需求挖掘示例文本集进行需求文本挖掘调节,针对性更强。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本申请的实施例的平台用户需求的文本挖掘方法的应用场景示意图。
图2示出了根据本申请的实施例的一种平台用户需求的文本挖掘方法的流程图。
图3示出了根据本申请的实施例的文本挖掘装置的功能模块架构示意图。
图4示出了根据本申请的实施例的一种文本挖掘云平台的组成示意图。
图5示出了根据本申请的实施例的一种文本挖掘云平台的结构框图
实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本申请中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本申请中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本申请中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
图1示出了根据本申请的实施例提供的文本挖掘***100的示意图。该文本挖掘***100包括一个或多个客户端101、文本挖掘云平台120以及将一个或多个客户端101耦接到文本挖掘云平台120的一个或多个通信网络110。客户端101可以被配置为执行一个或多个应用程序,以登陆互联网平台。
在本申请的实施例中,文本挖掘云平台120可以运行使得能够执行平台用户需求的文本挖掘方法的一个或多个服务或软件应用。
在某些实施例中,文本挖掘云平台120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端101的用户。
在图1所示的配置中,文本挖掘云平台120可以包括实现由文本挖掘云平台120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端101的用户可以依次利用一个或多个应用程序来与文本挖掘云平台120进行交互以利用这些组件提供的服务。应当理解,各种不同的***配置是可能的,其可以与***100不同。因此,图1是用于实施本文所描述的各种方法的***的一个示例,并且不旨在进行限制。
用户可以使用客户端101记录用户文本集进行反馈,产生待挖掘用户文本集并发送至文本挖掘云平台。客户端101可以提供使客户端101的用户能够与客户端101进行交互的接口。客户端101还可以经由该接口向用户输出信息。
客户端101可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏***、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作***,例如MICROSOFTWindows、APPLE iOS、类UNIX操作***、Linux或类Linux操作***(例如GOOGLE ChromeOS);或包括各种移动操作***,例如MICROSOFT Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏***可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端101能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
文本挖掘云平台120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。文本挖掘云平台120可以包括运行虚拟操作***的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,文本挖掘云平台120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
文本挖掘云平台120中的计算单元可以运行包括上述任何操作***以及任何商业上可用的服务器操作***的一个或多个操作***。文本挖掘云平台120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,文本挖掘云平台120可以包括一个或多个应用程序,以分析和合并从客户端101的用户接收的数据馈送和/或事件更新。文本挖掘云平台120还可以包括一个或多个应用程序,以经由客户端101的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,文本挖掘云平台120可以为分布式***的服务器,或者是结合了区块链的服务器。文本挖掘云平台120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
文本挖掘***100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储需求挖掘文本集,作为需求挖掘的模板,以及可以存储训练神经网络的样本示例。数据库130可以驻留在各种位置。例如,由文本挖掘云平台120使用的数据库可以在文本挖掘云平台120本地,或者可以远离文本挖掘云平台120且可以经由基于网络或专用的连接与文本挖掘云平台120通信。数据库130可以是不同的类型。在某些实施例中,由文本挖掘云平台120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件***支持的常规存储库。
图1的***100可以以各种方式配置和操作,以使得能够应用根据本申请所描述的各种方法和装置。
本申请实施例中,通过准备针对目标需求挖掘场景的目标需求挖掘文本集,经由用户反馈文本挖掘网络对待挖掘用户文本集进行用户需求挖掘。本申请实施例提供的方法基于人工智能方法,挖掘待挖掘用户文本集中的用户需求,并将其融合至目标需求挖掘文本集中,得到的目标需求挖掘示例文本集处理结果中即包含待挖掘用户文本集对应的用户需求标记信息。简言之,通过模板填充待挖掘用户文本集的目标信息,使得得到的结果更加具有规范性,便于归纳统计。本申请实施例提供的方法采用人工智能方法进行文本中用户需求特征信息的挖掘,高效准确,采用的用户反馈文本挖掘网络经过本申请实施例提供的方法调试后,能够更加精准地获取用户需求信息,那么,本申请实施例提供的方法是以用户反馈文本挖掘网络为基础进行的,下面先对用户反馈文本挖掘网络的调试过程进行介绍,再介绍基于用户反馈文本挖掘网络的应用。
请参照图2,本申请实施例提供的用户反馈文本挖掘网络的调试过程包括如下步骤:
Training process1:获取对照用户文本集中的第一用户反馈文本的第一用户需求表征载体,以及需求挖掘示例文本集中的第二用户反馈文本的第二用户需求表征载体和辅助表征载体。
本申请实施例中,第一用户需求表征载体指示第一用户反馈文本的用户需求要素,用户需求要素是用户反馈文本中体现用户需求的特征信息,用户需求表征载体是用户需求要素的特征矢量信息,例如其可以是用户需求向量、矩阵、张量等。第二用户需求表征载体指示第二用户反馈文本的用户需求要素,辅助表征载体为第二用户反馈文本中除第二用户需求表征载体以外的表征载体,第二用户反馈文本的用户需求要素与第一用户反馈文本的用户需求要素不同。
本申请实施例提供的方法中,平台用户例如是电商平台的使用者,用户反馈文本可以是电商产品的评价信息文本。针对不同的需求挖掘场景,可以选择不同的需求挖掘示例文本集,例如根据商品的类型、反馈的维度划分得到的不同的需求挖掘示例文本集,需求挖掘示例文本集即上述模板,其包含的第二用户反馈文本的内容可以是按照需要设定的规范化文本,例如固定格式、锁定文本。对照用户文本集为需要挖掘用户需求的文本集,可以挖掘对照用户文本集中第一用户反馈文本的用户需求表征载体,本申请实施例中,将第一用户反馈文本的用户需求表征载体视作第一用户需求表征载体,第一用户需求表征载体可以用于指示第一用户反馈文本的用户需求要素。
对待调试的用户反馈文本挖掘网络进行调试的过程中,为便于区分,将需求挖掘示例文本集中的用户反馈文本视作第二用户反馈文本,其中,第二用户反馈文本的用户反馈文本类型与第二用户反馈文本的用户反馈文本类型一致,例如都为商品维度反馈类型或者都为服务维度反馈类型。进一步地,为了令用户反馈文本挖掘网络可以改变文本描述(在模板的对应区域进行需求文本的填充替换),第二用户反馈文本的用户需求要素与第一用户反馈文本的用户需求要素是不同的。此外,为了让通过用户反馈文本挖掘网络调节后的需求挖掘示例文本集处理结果可以包含需求挖掘示例文本集中第二用户反馈文本的辅助要素,除需获取需求挖掘示例文本集中的第二用户反馈文本的第二用户需求表征载体外,还需获取第二用户反馈文本的辅助表征载体。其中,第二用户反馈文本的辅助表征载体可以指示第二用户反馈文本的自身辅助要素,还可以指示需求挖掘示例文本集中第二用户反馈文本对应的上下文文本要素。
Training process2:将第一用户需求表征载体和第二用户需求表征载体加载到待调试的用户反馈文本挖掘网络中,获得第二用户反馈文本的目标用户需求表征载体。
目标用户需求表征载体通过待调试的用户反馈文本挖掘网络对第一用户需求表征载体和第二用户需求表征载体进行特征整合获得。实际应用中,在获得对照用户文本集中的第一用户反馈文本的第一用户需求表征载体和需求挖掘示例文本集中的第二用户反馈文本的第二用户需求表征载体后,将第一用户需求表征载体和第二用户需求表征载体加载到到待调试的用户反馈文本挖掘网络。待调试的用户反馈文本挖掘网络获取了第一用户需求表征载体和第二用户需求表征载体后,分别对第一用户需求表征载体和第二用户需求表征载体进行处理以及特征整合,获得第二用户反馈文本的目标用户需求表征载体。
作为可选的实施方案,将第一用户需求表征载体和第二用户需求表征载体加载到待调试的用户反馈文本挖掘网络,获得第二用户反馈文本的目标用户需求表征载体,具体可以包括:
(1)将第二用户需求表征载体加载到待调试的用户反馈文本挖掘网络的第一分类映射模块,获得调节后的第二用户需求表征载体。
第一分类映射模块可以为全连接模块,在全连接模块中进行全连接映射,例如第二用户需求表征载体为V1,通过待调试的用户反馈文本挖掘网络的第一分类映射模块获得调节后的第二用户需求表征载体V1’。
(2)将调节后的第二用户需求表征载体与具有影响调节因子的第一用户需求表征载体加载到待调试的用户反馈文本挖掘网络的第二分类映射模块,获得第二用户反馈文本的目标用户需求表征载体。
本申请实施例中,影响调节因子的大小表示第一用户需求表征载体的重要性,其值越大,则第一用户需求表征载体对应的权重越高,影响调节因子通过事先设置。例如,第一用户需求表征载体为V2,将V1’和a·V2的求和结果共同加载到待调试的用户反馈文本挖掘网络的第二分类映射模块。其中,a为V2的影响调节因子,换言之,a为V2对应的权值比例。影响调节因子越大,目标用户需求表征载体和第一用户需求表征载体越类似,需求挖掘示例文本集处理结果的用户反馈文本的用户需求要素与对照用户文本集的用户需求要素的一致性越高。
通过对第一用户需求表征载体和第二用户需求表征载体进行特征整合,让目标用户需求表征载体可以涵盖对照用户文本集中的第一用户反馈文本的第一用户需求表征载体,那么后续需求挖掘示例文本集处理结果可以涵盖第一用户反馈文本的用户需求要素,以令需求挖掘示例文本集中的第二用户反馈文本的用户需求要素可以变换成对照用户文本集中的第一用户反馈文本的用户需求要素。
Training process3:将目标用户需求表征载体和辅助表征载体进行解析,获得需求挖掘示例文本集对应的需求挖掘示例文本集处理结果。
例如,在获得目标用户需求表征载体后,目标用户需求表征载体和辅助表征载体加载到到解析模块进行解析,完成解码翻译,获得需求挖掘示例文本集对应的需求挖掘示例文本集处理结果,该需求挖掘示例文本集处理结果中包括需求挖掘示例文本集对应的用户需求标记信息,该用户需求标记信息可以通过批注的方式进行标记。
Training process4:基于对照用户文本集与需求挖掘示例文本集处理结果之间的第一误差结果,以及需求挖掘示例文本集与需求挖掘示例文本集处理结果之间的第二误差结果,对待调试的用户反馈文本挖掘网络进行调试,获得调试后的用户反馈文本挖掘网络。
本申请实施例中,第一误差结果指示需求挖掘示例文本集处理结果中用户反馈文本的用户需求要素相较于第一用户反馈文本的用户需求要素的误差,第二误差结果指示需求挖掘示例文本集处理结果中用户反馈文本的辅助要素相较于第二用户反馈文本的辅助要素的误差,一个用户反馈文本的辅助要素为用户反馈文本中除用户需求要素以外的文本要素。
本申请实施例中,调试用户反馈文本挖掘网络的维度主要包括:
一、令从用户反馈文本挖掘网络输出的处理结果涵盖需求挖掘示例文本集中第二用户反馈文本的辅助要素,例如格式特征,也就是让需求挖掘示例文本集处理结果中的用户反馈文本保留需求挖掘示例文本集中的第二用户反馈文本的固定格式。那么,可以获取需求挖掘示例文本集处理结果中用户反馈文本的辅助要素相较于第二用户反馈文本的辅助要素之间的误差结果,该误差结果越小,则需求挖掘示例文本集处理结果中的用户反馈文本的辅助要素与需求挖掘示例文本集中第二用户反馈文本的辅助要素越一致。
二、令从用户反馈文本挖掘网络输出的需求挖掘示例文本集处理结果和对照用户文本集中第一用户反馈文本的用户需求要素的一致,则可以获取需求挖掘示例文本集处理结果中用户反馈文本的用户需求要素与第一用户反馈文本的用户需求要素之间的误差结果。该误差结果越小,则需求挖掘示例文本集处理结果中的用户反馈文本的用户需求要素与对照用户文本集中第一用户反馈文本的用户需求要素一致性越好。
综上,基于对照用户文本集与需求挖掘示例文本集处理结果之间的第一误差结果,以及需求挖掘示例文本集与需求挖掘示例文本集处理结果之间的第二误差结果,一起对待调试的用户反馈文本挖掘网络进行调试,获得的调试后的用户反馈文本挖掘网络能确保需求挖掘示例文本集处理结果的用户需求要素与对照用户文本集的用户需求要素的一致性,同时确保需求挖掘示例文本集处理结果中用户反馈文本的辅助要素与需求挖掘示例文本集中第二用户反馈文本的辅助要素的一致性,换言之确保需求挖掘示例文本集处理结果中的用户反馈文本依旧是需求挖掘示例文本集中的第二用户反馈文本,基于此,用户反馈文本挖掘网络可以令需求挖掘示例文本集中用户反馈文本的文本描述与对照用户文本集中第一用户反馈文本的需求是对应的。
本申请实施例中,获取对照用户文本集中的第一用户反馈文本的第一用户需求表征载体,以及需求挖掘示例文本集中的第二用户反馈文本的第二用户需求表征载体和辅助表征载体,将第一用户需求表征载体和第二用户需求表征载体加载到待调试的用户反馈文本挖掘网络中,用户反馈文本挖掘网络对第一用户需求表征载体和第二用户需求表征载体进行特征整合,获得第二用户反馈文本的目标用户需求表征载体,将目标用户需求表征载体和辅助表征载体进行解析,获得需求挖掘示例文本集对应的需求挖掘示例文本集处理结果,基于对照用户文本集与需求挖掘示例文本集处理结果之间的第一误差结果,以及需求挖掘示例文本集与需求挖掘示例文本集处理结果之间的第二误差结果,对待调试的用户反馈文本挖掘网络进行调试,获得调试后的用户反馈文本挖掘网络。
基于上述过程,作为可选的实施方案,获取对照用户文本集中的第一用户反馈文本的第一用户需求表征载体,具体可以包括:
Training process11:将对照用户文本集加载到预先调试获得的用户需求要素挖掘网络,通过用户需求要素挖掘网络挖掘对照用户文本集中的第一用户反馈文本的多个第一用户需求要素集合,以及输出多个第一用户需求要素集合。
其中,不同的第一用户需求要素集合指示第一用户反馈文本的不同层面的用户需求要素。在获取对照用户文本集中的第一用户反馈文本的第一用户需求表征载体之前,先调试用户需求要素挖掘网络。在调试用户需求要素挖掘网络时,基于一定数量包括不同种类用户反馈文本的文本集作为调试示例,即调试样本。调试获得用户需求要素挖掘网络后,将对照用户文本集加载到用户需求要素挖掘网络中,用户需求要素挖掘网络挖掘对照用户文本集中的第一用户反馈文本的多个第一用户需求要素集合(可以理解为特征图),以及输出多个第一用户需求要素集合。例如,用户需求要素挖掘网络包括多层结构,获取靠后的多层结构挖掘的用户需求要素集合,其具有较高层级语义信息。不同的第一用户需求要素集合指示第一用户反馈文本的不同层面的用户需求要素。
Training process12:将多个第一用户需求要素集合分别通过整体下采样处理,获得多个第一用户需求子表征载体。
在获得多个第一用户需求要素集合后,将多个第一用户需求要素集合采取整体下采样处理,即完成全局池化,获得多个第一用户需求子表征载体,每个第一用户需求子表征载体指示第一用户反馈文本的一个层面的用户需求要素。
例如,若挖掘得到3个用户需求要素集合(特征图),获得3个第一用户需求子表征载体,一个用户需求子表征载体指示第一用户反馈文本的产品用户需求要素,另一个用户需求子表征载体指示第一用户反馈文本的价格用户需求要素,最后一个用户需求子表征载体指示第一用户反馈文本的品牌用户需求要素。
Training process13:将多个第一用户需求子表征载体进行融合,获得对照用户文本集中的第一用户反馈文本的第一用户需求表征载体。
因为多个第一用户需求子表征载体分别指示第一用户反馈文本不同层面的用户需求要素,可以将多个第一用户需求子表征载体进行融合,获得第一用户需求表征载体,换言之,第一用户需求表征载体可以表征第一用户反馈文本多个不同层面的用户需求要素。如此令需求挖掘示例文本集处理结果的多个不同层面的文本描述都和对照用户文本集对应层面的需求信息是一致的。
作为可选的实施方案,用户需求要素挖掘网络的调试过程可以参照如下步骤:
Training process110:获取包括不同种类的第三用户反馈文本的第一需求挖掘示例描述集。
不同种类的第三用户反馈文本的用户需求要素不同,第一需求挖掘示例描述集携带有需求注释信息,需求注释信息指示第三用户反馈文本的用户需求要素。
实际应用中,在调试用户需求要素挖掘网络时,为便于区分,本申请实施例将该需求挖掘示例描述集视作第一需求挖掘示例描述集。为了令调试后的用户需求要素挖掘网络可以拥有挖掘用户需求要素的性能,第一需求挖掘示例描述集可以包括不同种类的第三用户反馈文本,此外,不同种类的第三用户反馈文本的用户需求要素不同,同时每一第一需求挖掘示例描述集都携带有指示第三用户反馈文本的用户需求要素的需求注释信息,例如可以通过标签表示。不同的种类例如是不同的需求,例如对于第一类是产品高性价比的需求,第二类是产品高价值的需求,第三类是产品一般价格的需求。
Training process120:将第一需求挖掘示例描述集加载到待调试的用户需求要素挖掘网络,获得执行结果。
其中,执行结果用于指示从待调试的用户需求要素挖掘网络得到的需求挖掘示例描述集处理结果所包含的用户反馈文本的用户需求要素。对每个第一需求挖掘示例描述集注释好需求注释信息后,将第一需求挖掘示例描述集加载到待调试的用户需求要素挖掘网络,用户需求要素挖掘网络挖掘第一需求挖掘示例描述集中的第三用户反馈文本的用户需求要素,以及输出指示第三用户反馈文本的用户需求要素的执行结果。
Training process130:基于需求注释信息与执行结果,获取待调试的用户需求要素挖掘网络的误差算法结果。
从待调试的用户需求要素挖掘网络获得执行结果后,基于需求注释信息与执行结果来获取待调试的用户需求要素挖掘网络的误差算法结果。待调试的用户需求要素挖掘网络的误差算法结果越小,执行结果与需求注释信息一致性越好,否则,待调试的用户需求要素挖掘网络的误差算法结果越大,执行结果与需求注释信息之间一致性越差。误差算法又称误差函数,例如可以为交叉熵误差函数或对数似然误差函数,具体不做限定。
Training process140:在获取到的误差算法结果小于第一误差结果阈值时,确定待调试的用户需求要素挖掘网络的网络参变量,获得调试后的用户需求要素挖掘网络。
实际应用中,在获取到的误差算法结果小于第一误差结果阈值时,代表待调试的用户需求要素挖掘网络的误差算法结果满足要求,执行结果与需求注释信息的一致性高,换言之,执行结果精确度高,可以确定下来待调试的用户需求要素挖掘网络的网络参变量,获得调试后的用户需求要素挖掘网络。第一误差结果阈值的大小据实而定。
本申请实施例在调试用户需求要素挖掘网络时,采用的第一需求挖掘示例描述集包括拥有不同用户需求要素的第三用户反馈文本,同时在待调试的用户需求要素挖掘网络的误差算法结果小于第一误差结果阈值时,确定待调试的用户需求要素挖掘网络的网络参变量,获得调试后的用户需求要素挖掘网络。则调试后的用户需求要素挖掘网络拥有可以精准挖掘用户反馈文本的用户需求要素的性能,便于在后续流程中可以精准获取对照用户文本集中的第一用户反馈文本的第一用户需求表征载体。
基于上述步骤,基于对照用户文本集与需求挖掘示例文本集处理结果之间的第一误差结果,以及需求挖掘示例文本集与需求挖掘示例文本集处理结果之间的第二误差结果,对待调试的用户反馈文本挖掘网络进行调试,获得调试后的用户反馈文本挖掘网络,具体可以包含如下步骤:
Training process41:获取对照用户文本集与需求挖掘示例文本集处理结果之间的第一误差结果,以及需求挖掘示例文本集与需求挖掘示例文本集处理结果之间的第二误差结果。
实际应用时,因为调试后的用户反馈文本挖掘网络需要确保需求挖掘示例文本集处理结果的用户需求要素与对照用户文本集的用户需求要素的一致性,同时需要确保需求挖掘示例文本集处理结果中用户反馈文本的辅助要素与需求挖掘示例文本集中第二用户反馈文本的辅助要素的一致性,即确保需求挖掘示例文本集处理结果中的用户反馈文本依旧是需求挖掘示例文本集中的第二用户反馈文本,则需要获取对照用户文本集与需求挖掘示例文本集处理结果之间的第一误差结果,以及需求挖掘示例文本集与需求挖掘示例文本集处理结果之间的第二误差结果。其中,第一误差结果指示需求挖掘示例文本集处理结果中用户反馈文本的用户需求要素相较于第一用户反馈文本的用户需求要素的误差,第二误差结果指示需求挖掘示例文本集处理结果中用户反馈文本的辅助要素相较于第二用户反馈文本的辅助要素的误差。
作为可选的实施方案,获取对照用户文本集与需求挖掘示例文本集处理结果之间的第一误差结果,以及需求挖掘示例文本集与需求挖掘示例文本集处理结果之间的第二误差结果,具体可以包括:
Training process411:获取对照用户文本集与需求挖掘示例文本集处理结果的对抗误差结果,以确定为对照用户文本集与需求挖掘示例文本集处理结果之间的第一误差结果。
在获得需求挖掘示例文本集处理结果后,可以获取对照用户文本集与需求挖掘示例文本集处理结果的对抗误差结果(GAN误差),作为第一误差结果。
Training process412:获取需求挖掘示例文本集与需求挖掘示例文本集处理结果各自通过用户反馈文本识别而获取到的用户反馈文本表征载体之间的误差结果,以及需求挖掘示例文本集与需求挖掘示例文本集处理结果通过降维处理获取到的表征载体集合之间的误差结果。
Training process413:将用户反馈文本表征载体之间的误差结果和通过降维处理获取到的表征载体集合之间的误差结果的相加结果确定为第二误差结果。
在实际应用中,可以获取需求挖掘示例文本集与需求挖掘示例文本集处理结果表征载体之间的平均平方误差结果(MSE),以及需求挖掘示例文本集与需求挖掘示例文本集处理结果经过降维(下采样)得到的表征载体集合之间的平均平方误差结果,即需求挖掘示例文本集降维得到的表征载体集合与需求挖掘示例文本集处理结果通过降维处理获取到的表征载体集合之间的MSE。将获取到的两个平均平方误差结果的和值作为需求挖掘示例文本集与需求挖掘示例文本集处理结果之间的第二误差结果。
通过获取对照用户文本集与需求挖掘示例文本集处理结果的对抗误差结果,获得需求挖掘示例文本集处理结果的用户需求要素与对照用户文本集的用户需求要素的误差结果,通过调整该误差结果,可以令需求挖掘示例文本集处理结果的用户需求要素与对照用户文本集的用户需求要素的一致性更高,以及通过获取需求挖掘示例文本集与需求挖掘示例文本集处理结果的辅助要素之间的误差结果,可以令需求挖掘示例文本集处理结果中的用户反馈文本的辅助要素与需求挖掘示例文本集中第二用户反馈文本的辅助要素一致性更高,即确保需求挖掘示例文本集处理结果中的用户反馈文本依旧是需求挖掘示例文本集中的第二用户反馈文本。
Training process414:在第一误差结果和第二误差结果的相加结果小于第二误差结果阈值时,确定待调试的用户反馈文本挖掘网络的网络参变量,获得调试后的用户反馈文本挖掘网络。
实际应用中,在第一误差结果和第二误差结果的相加结果小于第二误差结果阈值时,代表第一误差结果和第二误差结果都满足要去了,换言之,需求挖掘示例文本集处理结果的用户需求要素与对照用户文本集的用户需求要素的误差结果满足要求,此时,需求挖掘示例文本集处理结果的用户需求要素与对照用户文本集的用户需求要素一致性高。第二误差结果阈值的取值可以基于具体情况是适应性选择。此外,需求挖掘示例文本集处理结果的目标辅助要素与需求挖掘示例文本集中第二用户反馈文本的辅助要素的误差结果满足要求,需求挖掘示例文本集处理结果中的用户反馈文本的辅助要素与需求挖掘示例文本集中第二用户反馈文本的辅助要素一致性越高,即确保需求挖掘示例文本集处理结果中的用户反馈文本依旧是需求挖掘示例文本集中的第二用户反馈文本。
基于此,在第一误差结果和第二误差结果的相加结果小于误差结果阈值时,用户反馈文本挖掘网络可以确保对需求挖掘示例文本集中的用户反馈文本进行精准变换,这时即确定用户反馈文本挖掘网络的网络参变量,获得调试后的用户反馈文本挖掘网络。
本申请实施例在第一误差结果与第二误差结果的相加结果小于第二误差结果阈值时,确定待调试的用户反馈文本挖掘网络的网络参变量,使得需求挖掘示例文本集处理结果的用户需求要素与对照用户文本集的用户需求要素一致性最高,且需求挖掘示例文本集处理结果中的用户反馈文本的辅助要素与需求挖掘示例文本集中第二用户反馈文本的辅助要素一致性更高,那么调试后的用户反馈文本挖掘网络可以令需求挖掘示例文本集中用户反馈文本的文本描述和对照用户文本集中第一用户反馈文本的需求信息是一致的。
基于上述过程,作为可选的实施方案,获取需求挖掘示例文本集中的第二用户反馈文本的第二用户需求表征载体和辅助表征载体,具体可以包括:
将需求挖掘示例文本集加载到预先调试获得的需求文本解析网络,通过需求文本解析网络挖掘需求挖掘示例文本集中的第二用户反馈文本的第二用户需求要素向和辅助表征载体。
实际应用中,在获取需求挖掘示例文本集中的第二用户反馈文本的第二用户需求表征载体和辅助表征载体之前,可以调试需求文本解析网络,基于此,采用将需求挖掘示例文本集加载到到预先调试获得的需求文本解析网络,可以精准地获得需求挖掘示例文本集中的第二用户反馈文本的第二用户需求要素向和辅助表征载体。通过预先调试需求文本解析网络,在需要获取需求挖掘示例文本集中的第二用户反馈文本的第二用户需求要素向和辅助表征载体时,将需求挖掘示例文本集加载到预先调试获得的需求文本解析网络,需求文本解析网络可以精确地挖掘需求挖掘示例文本集中的第二用户反馈文本的第二用户需求要素向和辅助表征载体,使得获取需求挖掘示例文本集中的第二用户反馈文本的第二用户需求表征载体和辅助表征载体的精确度和速度得到提升。
本申请实施例中,需求文本解析网络可以为transformer,其调试过程具体可以包括:
(1)获取包括第四用户反馈文本的第二需求挖掘示例描述集,并将第二需求挖掘示例描述集加载到待调试的需求文本解析网络,通过待调试的需求文本解析网络挖掘第四用户反馈文本的用户需求表征载体、第一辅助表征载体和第二辅助表征载体。
其中,第一辅助表征载体指示第四用户反馈文本自身的表征载体,第二辅助要素指示第四用户反馈文本在第二需求挖掘示例描述集中的上下文文本要素。
实际应用中,在调试需求文本解析网络时,将包括第四用户反馈文本的第二需求挖掘示例描述集加载到待调试的需求文本解析网络,待调试的需求文本解析网络挖掘第四用户反馈文本的用户需求表征载体,还可以挖掘指示第四用户反馈文本自身的表征载体的第一辅助表征载体。此外,还可以挖掘指示第四用户反馈文本在第二需求挖掘示例描述集中的上下文文本要素的第二辅助表征载体。
(2)将第四用户反馈文本的用户需求表征载体和第一辅助表征载体加载到载体调节网络,获得第四用户反馈文本对应的文本锁定框。
载体调节网络中,完成对文本内容的调节变换,文本锁定框可以是网格化的区域,可以限定第四用户反馈文本的位置。。
(3)基于第二辅助表征载体以及文本锁定框,解析获得需求挖掘示例文本集处理结果。
将文本锁定框和第二辅助表征载体加载到到解析模块(Decoder),翻译之后获得需求挖掘示例文本集处理结果。
(4)在第二需求挖掘示例描述集和需求挖掘示例文本集处理结果之间的载体调节误差结果、第二需求挖掘示例描述集和需求挖掘示例文本集处理结果各自通过用户反馈文本识别而获取到的用户反馈文本表征载体之间的误差结果,以及第二需求挖掘示例描述集和需求挖掘示例文本集处理结果各自通过用户反馈文本核心词元识别得到的核心词元之间的误差结果的相加结果小于误差结果阈值时,获得调试后的需求文本解析网络。
例如,通过加载得到的第二需求挖掘示例描述集和需求挖掘示例文本集处理结果的文本变换、文本语义、核心词元等误差调试网络,其中,文本变换误差是加载到的第二需求挖掘示例描述集和需求挖掘示例文本集处理结果的平均绝对误差,文本语义误差为加载到第二需求挖掘示例描述集和需求挖掘示例文本集处理结果的平均平方误差,核心词元误差是加载到的第二需求挖掘示例描述集和需求挖掘示例文本集处理结果通过文本核心词元识别获得的多个核心词元的平均绝对误差。基于该三类误差结果的相加结果小于误差结果阈值时,则需求文本解析网络可以精确对文本完成变换,则需求文本解析网络调试结束,获得调试后的需求文本解析网络。
介绍完本申请实施例提供的用户反馈文本挖掘网络的调试过程,下面介绍基于该网络的一种平台用户需求的文本挖掘方法,请参照图3,该方法包括:
Ap process10:获取待挖掘用户文本集中的对照用户反馈文本的用户需求表征载体,以及目标需求挖掘文本集中的目标用户反馈文本的用户需求表征载体和目标辅助表征载体。
其中,对照用户反馈文本的用户需求表征载体指示对照用户反馈文本的用户需求要素,目标用户反馈文本的用户需求表征载体指示目标用户反馈文本的用户需求要素,目标辅助表征载体为目标用户反馈文本的除用户需求表征载体以外的表征载体,目标用户反馈文本的用户需求要素与对照用户反馈文本的用户需求要素不同。
获取到待挖掘用户文本集后,可以挖掘待挖掘用户文本集中的对照用户反馈文本的用户需求表征载体,对照用户反馈文本的用户需求表征载体可以指示对照用户反馈文本的用户需求要素。为了让目标需求挖掘示例文本集处理结果中的用户反馈文本可以包含目标用户反馈文本的辅助要素,除了获取目标用户反馈文本的的用户需求表征载体,还需获取第二用户反馈文本中除用户需求表征载体以外的表征载体,换言之,获取目标用户反馈文本的目标辅助表征载体。作为可选的实施方案,可以通过将目标需求挖掘文本集加载到预先调试获得的需求文本解析网络来获得目标用户反馈文本的用户需求表征载体和目标辅助表征载体。具体内容已经在网络训练的内容中进行介绍,此处不再赘述。
Ap process20:将对照用户反馈文本的用户需求表征载体和目标用户反馈文本的用户需求表征载体加载到调试后的用户反馈文本挖掘网络,获得目标用户反馈文本的调节后的用户需求表征载体。
其中,调试后的用户反馈文本挖掘网络即通过前述方法调试获得的网络。
实际应用中,在获得对照用户反馈文本的用户需求表征载体和目标用户反馈文本的用户需求表征载体后,可以将对照用户反馈文本的用户需求表征载体和目标用户反馈文本的用户需求表征载体加载到到调试后的用户反馈文本挖掘网络中。调试后的用户反馈文本挖掘网络在获取到对照用户反馈文本的用户需求表征载体和目标用户反馈文本的用户需求表征载体后,分别为对照用户反馈文本的用户需求表征载体和目标用户反馈文本的用户需求表征载体进行处理并进行特征整合,获得目标用户反馈文本的调节后的用户需求表征载体。
作为可选的实施方案,将对照用户反馈文本的用户需求表征载体和目标用户反馈文本的用户需求表征载体加载到调试后的用户反馈文本挖掘网络,获得目标用户反馈文本的调节后的用户需求表征载体,具体可以包括:
(1)将目标用户反馈文本的用户需求表征载体加载到调试后的用户反馈文本挖掘网络的第一分类映射模块,获得目标用户反馈文本的调节后的用户需求子表征载体。
(2)将目标用户反馈文本的调节后的用户需求子表征载体与具有影响调节因子的对照用户反馈文本的用户需求表征载体加载到调试后的用户反馈文本挖掘网络的第二分类映射模块,获得目标用户反馈文本的调节后的用户需求表征载体。
其中,影响调节因子通过事先设置。
通过对目标用户反馈文本的用户需求表征载体和对照用户反馈文本的用户需求表征载体进行处理和特征整合,获得目标用户反馈文本的调节后的用户需求表征载体,令目标用户反馈文本的调节后的用户需求表征载体可以包括对照用户反馈文本的用户需求表征载体,便于后续流程里,目标需求挖掘示例文本集处理结果中的目标用户反馈文本的用户需求要素接近对照用户反馈文本的用户需求要素。
Ap process30:将调节后的用户需求表征载体和目标辅助表征载体进行解析,获得目标需求挖掘文本集对应的目标需求挖掘示例文本集处理结果。
实际应用中,在获得调节后的用户需求表征载体后,将调节后的用户需求表征载体和目标辅助表征载体加载到到解析层进行解析,获得目标需求挖掘文本集对应的目标需求挖掘示例文本集处理结果。
作为可选的实施方案,获取待挖掘用户文本集中的对照用户反馈文本的用户需求表征载体,具体可以包括:
(1)将待挖掘用户文本集加载到预先调试获得的用户需求要素挖掘网络,通过用户需求要素挖掘网络挖掘待挖掘用户文本集中的对照用户反馈文本的多个参考用户需求要素集合,以及输出多个参考用户需求要素集合。
其中,不同参考用户需求要素集合指示对照用户反馈文本的不同层面的用户需求要素。
实际应用中,可以将待挖掘用户文本集加载到用户需求要素挖掘网络中,用户需求要素挖掘网络挖掘待挖掘用户文本集中的对照用户反馈文本的多个参考用户需求要素集合,以及输出多个参考用户需求要素集合。不同的参考用户需求要素集合指示对照用户反馈文本的不同层面的用户需求要素。
(2)将多个参考用户需求要素集合分别通过整体下采样处理,获得多个参考用户需求子表征载体。
(3)将多个参考用户需求子表征载体进行融合,获得待挖掘用户文本集中的对照用户反馈文本的用户需求表征载体。
实际应用中,因为多个参考用户需求子表征载体各自用于对照用户反馈文本不同层面的用户需求要素,可将多个参考用户需求子表征载体进行融合,获得参考用户需求表征载体,参考用户需求表征载体可以表征对照用户反馈文本多个不同层面的用户需求要素。基于此,可以令需求挖掘示例文本集处理结果的多个不同层面的文本描述和对照用户文本集对应层面的需求信息一致,确保需求挖掘的准确性。
综上,本申请实施例通过获取对照用户文本集中的第一用户反馈文本的第一用户需求表征载体,以及需求挖掘示例文本集中的第二用户反馈文本的第二用户需求表征载体和辅助表征载体,将第一用户需求表征载体和第二用户需求表征载体加载到待调试的用户反馈文本挖掘网络中,用户反馈文本挖掘网络对第一用户需求表征载体和第二用户需求表征载体进行特征整合,获得第二用户反馈文本的目标用户需求表征载体,将目标用户需求表征载体和辅助表征载体进行解析,获得需求挖掘示例文本集对应的需求挖掘示例文本集处理结果,基于对照用户文本集与需求挖掘示例文本集处理结果之间的第一误差结果,以及需求挖掘示例文本集与需求挖掘示例文本集处理结果之间的第二误差结果,对待调试的用户反馈文本挖掘网络进行调试,获得调试后的用户反馈文本挖掘网络。本申请实施例在调试用户反馈文本挖掘网络时,将需求挖掘示例文本集处理结果中用户反馈文本的用户需求要素相较于第一用户反馈文本的用户需求要素的误差作为第一误差结果,以及需求挖掘示例文本集处理结果中用户反馈文本的辅助要素相较于第二用户反馈文本的辅助要素的误差作为第二误差结果,通过第一误差结果和第二误差结果对待调试的用户反馈文本挖掘网络进行调试,确保需求挖掘示例文本集处理结果的用户需求要素与对照用户文本集的用户需求要素更加对应,同时确保需求挖掘示例文本集处理结果中用户反馈文本的辅助要素与需求挖掘示例文本集中第二用户反馈文本的辅助要素更加接近,换言之,确保需求挖掘示例文本集处理结果中的用户反馈文本内容不变,如此调试后的用户反馈文本挖掘网络可以令需求挖掘示例文本集中用户反馈文本的调节后文本描述对应于对照用户文本集中第一用户反馈文本的需求信息。此外,针对不同类型的需求挖掘场景,可以选择对应类型的需求挖掘示例文本集进行需求文本挖掘调节,针对性更强。
根据本申请的另一方面,还提供一种文本挖掘装置,请参图4,装置900包括:
载体挖掘模块910,用于获取待挖掘用户文本集中的对照用户反馈文本的用户需求表征载体,以及目标需求挖掘文本集中的目标用户反馈文本的用户需求表征载体和目标辅助表征载体;对照用户反馈文本的用户需求表征载体指示对照用户反馈文本的用户需求要素,目标用户反馈文本的用户需求表征载体指示目标用户反馈文本的用户需求要素,目标辅助表征载体为目标用户反馈文本的除用户需求表征载体以外的表征载体,目标用户反馈文本的用户需求要素与对照用户反馈文本的用户需求要素不同;
网络调用模块920,用于将对照用户反馈文本的用户需求表征载体和目标用户反馈文本的用户需求表征载体加载到调试后的用户反馈文本挖掘网络,获得目标用户反馈文本的调节后的用户需求表征载体;
需求挖掘模块930,用于将调节后的用户需求表征载体和目标辅助表征载体进行解析,获得目标需求挖掘文本集对应的目标需求挖掘示例文本集处理结果;
网络调试模块940,用于调试用户反馈文本挖掘网络,调试的过程可以参考上述Training process的内容。
根据本申请的实施例,还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
请参考图5,为本申请的电子设备1000(即文本挖掘云平台)的结构框图,电子设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006、输出单元1007、存储单元1008以及通信单元10010。输入单元1006可以是能向电子设备1000输入信息的任何类型的设备,输入单元1006可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1007可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1008可以包括但不限于磁盘、光盘。通信单元10010允许电子设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理,例如方法200。例如,在一些实施例中,方法200可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的方法200的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200。本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本申请的实施例或示例,但应理解,上述的方法、***和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本申请中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本申请之后出现的等同要素进行替换。
Claims (8)
1.一种平台用户需求的文本挖掘方法,其特征在于,应用于文本挖掘云平台,所述方法包括:
获取待挖掘用户文本集中的对照用户反馈文本的用户需求表征载体,以及目标需求挖掘文本集中的目标用户反馈文本的用户需求表征载体和目标辅助表征载体;所述对照用户反馈文本的用户需求表征载体指示所述对照用户反馈文本的用户需求要素,所述目标用户反馈文本的用户需求表征载体指示所述目标用户反馈文本的用户需求要素,所述目标辅助表征载体为所述目标用户反馈文本的除所述用户需求表征载体以外的表征载体,所述目标用户反馈文本的用户需求要素与所述对照用户反馈文本的用户需求要素不同;
将所述对照用户反馈文本的用户需求表征载体和所述目标用户反馈文本的用户需求表征载体加载到调试后的用户反馈文本挖掘网络,获得所述目标用户反馈文本的调节后的用户需求表征载体;
将所述调节后的用户需求表征载体和所述目标辅助表征载体进行解析,获得所述目标需求挖掘文本集对应的目标需求挖掘示例文本集处理结果;
其中,所述获取待挖掘用户文本集中的对照用户反馈文本的用户需求表征载体,包括:
将所述待挖掘用户文本集加载到预先调试获得的用户需求要素挖掘网络,通过所述用户需求要素挖掘网络挖掘所述待挖掘用户文本集中的对照用户反馈文本的多个参考用户需求要素集合,以及输出所述多个参考用户需求要素集合;不同参考用户需求要素集合指示所述对照用户反馈文本的不同层面的用户需求要素;
将所述多个参考用户需求要素集合分别通过整体下采样处理,获得多个参考用户需求子表征载体;
将所述多个参考用户需求子表征载体进行融合,获得所述待挖掘用户文本集中的对照用户反馈文本的用户需求表征载体;
所述将所述对照用户反馈文本的用户需求表征载体和所述目标用户反馈文本的用户需求表征载体加载到调试后的用户反馈文本挖掘网络,获得所述目标用户反馈文本的调节后的用户需求表征载体,包括:
将所述目标用户反馈文本的用户需求表征载体加载到调试后的用户反馈文本挖掘网络的第一分类映射模块,获得目标用户反馈文本的调节后的用户需求子表征载体;
将所述目标用户反馈文本的调节后的用户需求子表征载体与具有影响调节因子的对照用户反馈文本的用户需求表征载体加载到所述调试后的用户反馈文本挖掘网络的第二分类映射模块,获得所述目标用户反馈文本的调节后的用户需求表征载体,其中,所述影响调节因子通过事先设置。
2.根据权利要求1所述的方法,其特征在于,所述调试后的用户反馈文本挖掘网络通过如下步骤调试得到:
获取对照用户文本集中的第一用户反馈文本的第一用户需求表征载体,以及需求挖掘示例文本集中的第二用户反馈文本的第二用户需求表征载体和辅助表征载体;所述第一用户需求表征载体指示所述第一用户反馈文本的用户需求要素;所述第二用户需求表征载体指示所述第二用户反馈文本的用户需求要素,所述辅助表征载体为所述第二用户反馈文本中除所述第二用户需求表征载体以外的表征载体;所述第二用户反馈文本的用户需求要素与第一用户反馈文本的用户需求要素不同;
将所述第一用户需求表征载体和所述第二用户需求表征载体加载到待调试的用户反馈文本挖掘网络中,获得所述第二用户反馈文本的目标用户需求表征载体;所述目标用户需求表征载体通过所述待调试的用户反馈文本挖掘网络对所述第一用户需求表征载体和所述第二用户需求表征载体进行特征整合获得;
将所述目标用户需求表征载体和所述辅助表征载体进行解析,获得所述需求挖掘示例文本集对应的需求挖掘示例文本集处理结果;其中,所述需求挖掘示例文本集处理结果中包括所述需求挖掘示例文本集对应的用户需求标记信息;
基于所述对照用户文本集与所述需求挖掘示例文本集处理结果之间的第一误差结果,以及所述需求挖掘示例文本集与所述需求挖掘示例文本集处理结果之间的第二误差结果,对所述待调试的用户反馈文本挖掘网络进行调试,获得调试后的用户反馈文本挖掘网络;所述第一误差结果指示所述需求挖掘示例文本集处理结果中用户反馈文本的用户需求要素相较于所述第一用户反馈文本的用户需求要素的误差,所述第二误差结果指示所述需求挖掘示例文本集处理结果中用户反馈文本的辅助要素相较于所述第二用户反馈文本的辅助要素的误差,一个用户反馈文本的辅助要素为所述用户反馈文本中除用户需求要素以外的文本要素。
3.根据权利要求2所述的方法,其特征在于,所述获取对照用户文本集中的第一用户反馈文本的第一用户需求表征载体,包括:
将对照用户文本集加载到预先调试获得的用户需求要素挖掘网络,通过所述用户需求要素挖掘网络挖掘所述对照用户文本集中的第一用户反馈文本的多个第一用户需求要素集合,以及输出所述多个第一用户需求要素集合;其中,不同的第一用户需求要素集合指示所述第一用户反馈文本的不同层面的用户需求要素;
将所述多个第一用户需求要素集合分别通过整体下采样处理,获得多个第一用户需求子表征载体;
将所述多个第一用户需求子表征载体进行融合,获得对照用户文本集中的第一用户反馈文本的第一用户需求表征载体;
其中,所述用户需求要素挖掘网络的通过如下步骤进行调试:
获取第一需求挖掘示例描述集,所述第一需求挖掘示例描述集包括不同种类的第三用户反馈文本;所述不同种类的第三用户反馈文本的用户需求要素不同,所述第一需求挖掘示例描述集携带有需求注释信息,所述需求注释信息指示所述第三用户反馈文本的用户需求要素;
将所述第一需求挖掘示例描述集加载到待调试的用户需求要素挖掘网络,获得执行结果;所述执行结果指示从所述待调试的用户需求要素挖掘网络得到的需求挖掘示例描述集处理结果所包含的用户反馈文本的用户需求要素;
基于所述需求注释信息与所述执行结果,获取所述待调试的用户需求要素挖掘网络的误差算法结果;
在获取到的误差算法结果小于第一误差结果阈值时,确定所述待调试的用户需求要素挖掘网络的网络参变量,获得调试后的用户需求要素挖掘网络。
4.根据权利要求2所述的方法,其特征在于,所述将所述第一用户需求表征载体和所述第二用户需求表征载体加载到待调试的用户反馈文本挖掘网络中,获得所述第二用户反馈文本的目标用户需求表征载体,包括:
将所述第二用户需求表征载体加载到所述待调试的用户反馈文本挖掘网络的第一分类映射模块,获得调节后的第二用户需求表征载体;
将所述调节后的第二用户需求表征载体与具有影响调节因子的所述第一用户需求表征载体加载到所述待调试的用户反馈文本挖掘网络的第二分类映射模块,获得所述第二用户反馈文本的目标用户需求表征载体,其中,所述影响调节因子通过事先设置。
5.根据权利要求4所述的方法,其特征在于,所述基于所述对照用户文本集与所述需求挖掘示例文本集处理结果之间的第一误差结果,以及所述需求挖掘示例文本集与所述需求挖掘示例文本集处理结果之间的第二误差结果,对所述待调试的用户反馈文本挖掘网络进行调试,获得调试后的用户反馈文本挖掘网络,包括:
获取所述对照用户文本集与所述需求挖掘示例文本集处理结果之间的第一误差结果,以及所述需求挖掘示例文本集与所述需求挖掘示例文本集处理结果之间的第二误差结果;
在所述第一误差结果和所述第二误差结果的相加结果小于第二误差结果阈值时,确定所述待调试的用户反馈文本挖掘网络的网络参变量,获得调试后的用户反馈文本挖掘网络;
其中,所述获取所述对照用户文本集与所述需求挖掘示例文本集处理结果之间的第一误差结果,以及所述需求挖掘示例文本集与所述需求挖掘示例文本集处理结果之间的第二误差结果,包括:
获取所述对照用户文本集与所述需求挖掘示例文本集处理结果的对抗误差结果,以确定为所述对照用户文本集与所述需求挖掘示例文本集处理结果之间的第一误差结果;
获取所述需求挖掘示例文本集与所述需求挖掘示例文本集处理结果各自通过用户反馈文本识别而获取到的用户反馈文本表征载体之间的误差结果,以及所述需求挖掘示例文本集与所述需求挖掘示例文本集处理结果通过降维处理获取到的表征载体集合之间的误差结果;
将所述用户反馈文本表征载体之间的误差结果和所述通过降维处理获取到的表征载体集合之间的误差结果的相加结果确定为第二误差结果。
6.根据权利要求4所述的方法,其特征在于,获取需求挖掘示例文本集中的第二用户反馈文本的第二用户需求表征载体和辅助表征载体,包括:
将需求挖掘示例文本集加载到预先调试获得的需求文本解析网络,通过所述需求文本解析网络挖掘所述需求挖掘示例文本集中的第二用户反馈文本的第二用户需求表征载体和辅助表征载体;
其中,所述需求文本解析网络通过如下步骤进行调试:
获取第二需求挖掘示例描述集,所述第二需求挖掘示例描述集包括第四用户反馈文本,将所述第二需求挖掘示例描述集加载到待调试的需求文本解析网络,通过所述待调试的需求文本解析网络挖掘所述第四用户反馈文本的用户需求表征载体、第一辅助表征载体和第二辅助表征载体;所述第一辅助表征载体指示所述第四用户反馈文本自身的表征载体,所述第二辅助表征载体指示所述第四用户反馈文本在所述第二需求挖掘示例描述集中的上下文文本要素;
将所述第四用户反馈文本的用户需求表征载体和所述第一辅助表征载体加载到载体调节网络,获得所述第四用户反馈文本对应的文本锁定框;
基于所述第二辅助表征载体以及所述文本锁定框,解析获得需求挖掘示例文本集处理结果;
在所述第二需求挖掘示例描述集和所述需求挖掘示例文本集处理结果之间的载体调节误差结果、所述第二需求挖掘示例描述集和所述需求挖掘示例文本集处理结果各自通过用户反馈文本识别而获取到的用户反馈文本表征载体之间的误差结果,以及,所述第二需求挖掘示例描述集和所述需求挖掘示例文本集处理结果分别经过用户反馈文本核心词元识别所得的核心词元之间的误差结果的相加结果小于误差结果阈值时,获得调试后的需求文本解析网络。
7.一种文本挖掘云平台,其特征在于,包括:
至少一个处理器;
以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1~6中任一项所述的方法。
8.一种文本挖掘***,其特征在于,包括客户端,以及与所述客户端通信连接的文本挖掘云平台,所述客户端用于产生待挖掘用户文本集并发送至所述文本挖掘云平台,所述文本挖掘云平台在获取到所述客户端发送的所述待挖掘用户文本集后,执行权利要求1~6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310690366.5A CN116737928B (zh) | 2023-06-12 | 2023-06-12 | 平台用户需求的文本挖掘方法、***及云平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310690366.5A CN116737928B (zh) | 2023-06-12 | 2023-06-12 | 平台用户需求的文本挖掘方法、***及云平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116737928A CN116737928A (zh) | 2023-09-12 |
CN116737928B true CN116737928B (zh) | 2024-02-06 |
Family
ID=87907540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310690366.5A Active CN116737928B (zh) | 2023-06-12 | 2023-06-12 | 平台用户需求的文本挖掘方法、***及云平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116737928B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828030B (zh) * | 2024-03-01 | 2024-05-07 | 微网优联科技(成都)有限公司 | 基于大数据的用户分析方法及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446333A (zh) * | 2018-02-22 | 2018-08-24 | 睦沃数据科技(苏州)有限公司 | 一种大数据文本挖掘处理***及其方法 |
CN113449135A (zh) * | 2021-08-31 | 2021-09-28 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像生成***与方法 |
CN114741471A (zh) * | 2022-03-30 | 2022-07-12 | 贵州理工学院 | 一种基于文本挖掘与多视角融合的个性化混合推荐方法 |
KR20230079292A (ko) * | 2021-11-28 | 2023-06-07 | 주식회사 에스제이소프트 | 빅데이터 기반의 사용성 테스트 방법 및 장치 |
-
2023
- 2023-06-12 CN CN202310690366.5A patent/CN116737928B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446333A (zh) * | 2018-02-22 | 2018-08-24 | 睦沃数据科技(苏州)有限公司 | 一种大数据文本挖掘处理***及其方法 |
CN113449135A (zh) * | 2021-08-31 | 2021-09-28 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像生成***与方法 |
KR20230079292A (ko) * | 2021-11-28 | 2023-06-07 | 주식회사 에스제이소프트 | 빅데이터 기반의 사용성 테스트 방법 및 장치 |
CN114741471A (zh) * | 2022-03-30 | 2022-07-12 | 贵州理工学院 | 一种基于文本挖掘与多视角融合的个性化混合推荐方法 |
Non-Patent Citations (1)
Title |
---|
Web内容挖掘在数字图书馆中的应用;黎琳;赵英;;图书馆学研究(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116737928A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230005284A1 (en) | Method for training image-text matching model, computing device, and storage medium | |
CN113342345A (zh) | 深度学习框架的算子融合方法、装置 | |
CN113807440A (zh) | 利用神经网络处理多模态数据的方法、设备和介质 | |
US20230134615A1 (en) | Method of processing task, electronic device, and storage medium | |
CN113568626B (zh) | 动态打包、应用程序包开启方法、装置和电子设备 | |
CN114611532B (zh) | 语言模型训练方法及装置、目标翻译错误检测方法及装置 | |
CN116737928B (zh) | 平台用户需求的文本挖掘方法、***及云平台 | |
WO2023142451A1 (zh) | 工作流生成方法、装置、电子设备 | |
CN114443989B (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
US20220410398A1 (en) | Triggering dynamic robotic process automation | |
CN112799658A (zh) | 模型训练方法、模型训练平台、电子设备和存储介质 | |
CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
US20230350940A1 (en) | Object recommendation | |
CN114842476A (zh) | 水印检测方法及装置、模型训练方法及装置 | |
CN114429678A (zh) | 模型训练方法及装置、电子设备和介质 | |
CN114861658B (zh) | 地址信息解析方法及装置、设备和介质 | |
CN113641933B (zh) | 异常网页识别方法、异常站点识别方法及装置 | |
CN116311271B (zh) | 文本图像的处理方法及装置 | |
CN114218516B (zh) | 网页处理方法、装置、电子设备以及存储介质 | |
CN113836939B (zh) | 基于文本的数据分析方法和装置 | |
CN116384410B (zh) | 一种数字工厂的可视化处理方法及*** | |
US20230162722A1 (en) | Techniques for model training | |
CN117273107A (zh) | 文本生成模型的训练方法和训练装置 | |
CN113849170A (zh) | 代码分享方法、装置、电子设备和存储介质 | |
CN116341502A (zh) | 基于数字工厂的产品数据检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |