线上控制食品风险的方法、服务器、终端及电子设备与流程

1.本技术涉及自然语言处理技术领域，具体而言，本技术涉及一种线上控制食品风险的方法、服务器、终端及电子设备。


背景技术：

2.随着餐饮行业的兴起，涉及食品安全的舆情越来越多，民众对于食品安全问题也越来越重视。
3.对于提供餐饮服务的互联网平台而言，其是餐饮行业的商家和顾客的侨联，因此有必要对顾客用餐后的评论进行反馈，及时发现用餐过程中可能出现的食品安全问题。
4.现有技术中往往需要互联网平台通过人工审核的方式确定评论中指出的食品安全问题，但由于人工审核的效率较低，即使是专业极好的人工审核时间也需要15-30秒，面对每日亿级数据而言无法满足时效要求。


技术实现要素：

5.本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的线上控制食品风险的方法、装置、电子设备及存储介质。
6.第一方面，提供了一种线上控制食品风险的方法，该方法包括：
7.获取评论文本以及关键词文本，所述关键词文本包括对应食品安全的各归因分析结果的关键词；
8.将所述评论文本和关键词文本输入至预先训练的风险识别模型，获得所述风险识别模型输出的所述评论文本的食品安全的最高风险等级以及目标归因分析结果；
9.其中，所述风险识别模型是以与餐饮相关的样本评论文本和关键词文本为训练样本，以所述样本评论文本的食品安全的最高风险等级和归因分析结果为训练标签训练而成。
10.在一个可能的实现方式中，风险识别模型包括定级模型；
11.所述将所述评论文本输入至预先训练的风险识别模型，获得所述风险识别模型输出的所述评论文本的食品安全的最高风险等级以及归因分析结果，包括：
12.将所述评论文本以及对应的拼音文本输入至所述定级模型，获得所述定级模型输出的所述评论文本的食品安全的最高风险等级；
13.其中，所述定级模型是根据所述样本评论文本以及对应的拼音文本为训练样本，以样本评论文本的食品安全的最高风险等级为训练标签训练而成。
14.在一个可能的实现方式中，定级模型还用于输出cls向量；其中，所述最高风险等级是根据所述cls向量确定的。
15.在一个可能的实现方式中，风险识别模型还包括归因模型；
16.所述将所述评论文本输入至预先训练的风险识别模型，获得所述风险识别模型输出的所述评论文本的食品安全的最高风险等级以及归因分析结果，包括：
17.将所述评论文本、所述cls向量以及预设的关键词文本输入至所述归因模型，获得所述归因模型输出的所述评论文本的目标归因分析结果；
18.所述归因模型是根据所述样本评论文本、关键词文本以及所述定级模型输出的所述样本评论文本的cls向量为训练样本，以样本评论文本的归因分析结果为训练标签训练而成。
19.在一个可能的实现方式中，定级模型包括输入层、预训练语言模型和分类层；
20.所述将所述评论文本以及对应的拼音文本输入至所述定级模型，获得所述定级模型输出的cls向量以及所述评论文本的食品安全的最高风险等级，包括：
21.将所述评论文本和对应的拼音文本输入至所述输入层，获得所述输入层对所述评论文本进行字符级切分后输出的第一分词序列以及对所述拼音文本进行字符级切分后输出的第二分词序列；
22.将所述第一分词序列和第二分词序列输入至所述预训练语言模型，获得所述预训练语言模型输出的所述评论文本中各分词融合全文语义信息后的向量表示；
23.将所述向量表示输入至所述分类层，获得所述分类层通过池化、激活函数和全连接处理后输出的所述cls向量以及所述评论文本的最高风险等级。
24.在一个可能的实现方式中，预训练语言模型为bert模型，所述bert模型包括第一嵌入层、第二嵌入层和transformer层；
25.所述将所述第一分词序列和第二分词序列输入至所述预训练语言模型，获得所述预训练语言模型输出的所述评论文本的向量表示，包括：
26.将所述第一分词序列输入至所述第一嵌入层，获得所述第一嵌入层输出的所述评论文本的word embedding词嵌入向量、segment embedding段嵌入向量和position embedding位置嵌入向量；
27.将所述第二分词序列输入至所述第二嵌入层，获得所述第二嵌入层输出的所述评论文本的拼音嵌入向量；
28.将所述word embedding词嵌入向量、segment embedding段嵌入向量和position embeddings位置嵌入向量以及拼音嵌入向量输入至所述transformer层，获得所述transformer层输出的所述向量表示。
29.在一个可能的实现方式中，所述将所述第二分词序列输入至所述第二嵌入层，获得所述第二嵌入层输出的所述评论文本的拼音嵌入向量，包括：
30.对于所述第二分词序列中的每个分词，从预设字典中确定对应的唯一标识，将所述唯一标识输入至bertmodel类源码进行编译，获得所述拼音嵌入向量；
31.其中，所述预设字典中包括至少一个分词以及对应的唯一标识。
32.在一个可能的实现方式中，所述归因模型包括词向量层、第一注意力机制层、第二注意力机制层以及分类层；
33.所述将所述评论文本、所述cls向量以及关键词文本输入至所述归因模型，获得所述归因模型输出的所述评论文本的食品安全的归因分析结果，包括：
34.将所述评论文本和关键词文本分别输入至词向量层，获得所述词向量层输出的所述评论文本的第一词向量和所述关键词文本的第二词向量；
35.将所述第一词向量和所述第二词向量输入至第一注意力机制层，获得所述评论文
本的第一注意力权重；
36.将所述cls向量以及所述第二词向量输入至第二注意力机制层，获得所述评论文本的第二注意力权重；
37.将所述第一注意力权重和第二注意力权重输入至分类层，获得所述分类层输出的是所述评论文本的目标归因分析结果。
38.第二方面，提供一种线上控制食品风险的方法，包括：
39.展示评论编辑界面，所述评论编辑界面中展示待发布的评论文本；
40.响应于针对所述评论文本的评论发布操作，展示发布后的所述评论文本，以及所述评论文本的食品安全的最高风险等级以及目标归因分析结果。
41.在一个可能的实现方式中，展示发布后的所述评论文本，以及所述评论文本的食品安全的最高风险等级以及目标归因分析结果，之前还包括：
42.将所述评论文本和预设的关键词文本输入至预先训练的风险识别模型，获得所述风险识别模型输出的所述评论文本的食品安全的最高风险等级以及目标归因分析结果；
43.其中，所述关键词文本包括对应食品安全的各归因分析结果的关键词；
44.所述风险识别模型是以与餐饮相关的样本评论文本和关键词文本为训练样本，以所述样本评论文本的食品安全的最高风险等级和归因分析结果为训练标签训练而成。
45.在一个可能的实现方式中，所述风险识别模型包括定级模型；
46.所述将所述评论文本输入至预先训练的风险识别模型，获得所述风险识别模型输出的所述评论文本的食品安全的最高风险等级以及归因分析结果，包括：
47.将所述评论文本以及对应的拼音文本输入至所述定级模型，获得所述定级模型输出的所述评论文本的食品安全的最高风险等级；
48.其中，所述定级模型是根据所述样本评论文本以及对应的拼音文本为训练样本，以样本评论文本的食品安全的最高风险等级为训练标签训练而成。
49.在一个可能的实现方式中，所述定级模型还输出cls向量；其中，所述最高风险等级是根据所述cls向量确定的。
50.在一个可能的实现方式中，所述风险识别模型还包括归因模型；
51.所述将所述评论文本输入至预先训练的风险识别模型，获得所述风险识别模型输出的所述评论文本的食品安全的最高风险等级以及目标归因分析结果，包括：
52.将所述评论文本、cls向量以及预设的关键词文本输入至所述归因模型，获得所述归因模型输出的所述评论文本的目标归因分析结果；
53.所述归因模型是根据所述样本评论文本、关键词文本以及所述定级模型输出的所述样本评论文本的cls向量为训练样本，以样本评论文本的归因分析结果为训练标签训练而成。
54.在一个可能的实现方式中，还包括：
55.展示订餐界面，所述订餐界面中包括订餐商户的食品风险信息；
56.所述食品风险信息包括以下至少一种：
57.预设时段内所述订餐商户对应的各风险等级的食品安全事件的数量；
58.所述订餐商户出现食品安全事件的比例；以及
59.所述订餐商户的食品安全评级。
60.第三方面，提供了一种服务器，包括：
61.文本获取模块，用于获取评论文本以及关键词文本，所述关键词文本包括对应食品安全的各归因分析结果的关键词；
62.风险识别模块，用于将所述评论文本和关键词文本输入至预先训练的风险识别模型，获得所述风险识别模型输出的所述评论文本的食品安全的最高风险等级以及目标归因分析结果；
63.其中，所述风险识别模型是以与餐饮相关的样本评论文本和关键词文本为训练样本，以所述样本评论文本的食品安全的最高风险等级和归因分析结果为训练标签训练而成。
64.第四方面，提供了一种终端，包括：
65.界面展示模块，用于展示评论编辑界面，所述评论编辑界面中展示待发布的评论文本；
66.分析结果展示模块，用于响应于针对所述评论文本的评论发布操作，展示发布后的所述评论文本，以及所述评论文本的食品安全的最高风险等级以及目标归因分析结果。
67.第五方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一或第二方面所提供的方法的步骤。
68.第六方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一或第二方面所提供的方法的步骤。
69.第七方面，本发明实施例提供一种计算机程序，该计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中，当计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行实现如第一或第二方面所提供的方法的步骤。
70.本发明实施例提供的线上控制食品风险的方法、服务器、终端及电子设备，通过获取评论文本和关键词文本，将评论文本和关键词文本输入预先训练的风险识别模型，即可获得评论文本的食品安全的风险等级和目标归因分析结果，相比现有技术人工识别的方式不仅大幅提升了识别效率，并且能够准确识别出归因分析结果，也即评论文本中体现最高风险等级的关键词，为后续进一步对高风险食品安全事件快速预警、消费者食品安全投诉精准保障、餐饮服务提供者精准风险治理等奠定基础。
附图说明
71.为了更清楚地说明本技术实施例中的技术方案，下面将对本技术实施例描述中所需要使用的附图作简单地介绍。
72.图1为本技术实施例提供的线上控制食品风险的方法的应用环境图；
73.图2为本技术实施例提供的线上控制食品风险的方法的流程示意图；
74.图3为本技术实施例提供的订餐页面的示意图；
75.图4为本技术实施例提供的评论页面的示意图；
76.图5为本技术实施例提供的风险识别模型执行线上控制食品风险的方法的流程示意图；
77.图6为本技术实施例提供的定级模型的结构示意图；
78.图7为本技术实施例提供的预训练语言模型的结构示意图；
79.图8为本技术实施例提供的通过归因模型输出目标归因分析结果的流程示意图；
80.图9为本技术另一个实施例提供的线上控制食品风险的方法的流程示意图；
81.图10为本技术实施例提供的一种服务器的结构示意图；
82.图11为本技术实施例提供的一种终端的结构示意图；
83.图12为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
84.下面结合本技术中的附图描述本技术的实施例。应理解，下面结合附图所阐述的实施方式，是用于解释本技术实施例的技术方案的示例性描述，对本技术实施例的技术方案不构成限制。
85.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件，但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解，当我们称一个元件被“连接”或“耦接”到另一元件时，该一个元件可以直接连接或耦接到另一元件，也可以指该一个元件和另一元件通过中间元件建立连接关系。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个，例如“a和/或b”可以实现为“a”，或者实现为“b”，或者实现为“a和b”。
86.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
87.首先对本技术涉及的几个名词进行介绍和解释：
88.1、预训练语言模型，是指先从海量的语料中学习到通用的语言表示，下游任务在进行训练时模型参数不再是随机初始化的，而是通过上游预训练得到的参数进行初始化，再进行训练，典型的预训练语言模型有elmo(embeddings from language models)、gpt(generative pre-training)、bert(bidirectionalencoderrepresentationsfrom transformer)等。
89.2、食品安全，是指食品无毒、无害，符合应当有的营养要求，对人体健康不造成任何急性、亚急性或者慢性危害。
90.3、自然语言处理(natural language processing，nlp)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。
91.4、bert模型，采用transformer的encoder结构，通过设计两个代理任务在海量数据上学习语言的通用表示，下游再根据具体任务进行finetune。在文本蕴含识别、文本匹配、自然语言问题推理等共11项自然语言处理任务取得突破进展。
92.5、风险定级：根据法律法规、行业实践经验和对消费者潜在暴露的风险(包括身体、经济、心理)对食品安全问题进行分类分层。按照风险严重程度分别分为p1～p3等级，按
照食品安全类型，将归因分析结果划分为致病就医、异物、变质、过期、餐品未熟五种类型。
93.p1级致病就医：用户食用商家产品后，发生严重身体损害，如休克、昏迷等症状，须急诊或住院；或发生3至10人的集体性致病就医事件(医院出具就医证明)
94.p1级异物：餐品中出现老鼠、医用针头、计生用品、避孕套、刀片、卫生巾(使用过)、创可贴(使用过)、医用棉球(使用过)、碎玻璃、人牙齿(非疑似)、尖锐钉子(尖铁钉/尖螺丝钉)、唾沫(食物中)、痰(食物中)、针、耳钉、恶性传染源(精液，人体血液/人血)、青蛙、蚯蚓、壁虎、蜥蜴等异物p2级致病就医：用户食用商家产品后，出现危害症状一般，如腹泻、腹痛、恶心、呕吐、发烧等，需门诊经简单处理可以恢复(医院出具就医证明或其他相关证明)
95.p2级异物：餐品中出现指甲、人体私处毛发、卫生巾(未使用)、烟头、打火机、金属瓶盖、苍蝇、蜜蜂、尖锐物(尖塑料，尖石子，尖铁丝、尖金属片，尖钢丝，尖陶瓷、尖瓦片、尖牙签/竹签、创可贴(未使用过)、铁链/铁环、电池、唾沫(食物外)、痰(食物外)、蟑螂、蚂蚁(10只以上)、生蛆、蛆、老鼠屎、人牙齿(疑似)、牙齿(动物)、夹子、非尖锐钉子(非尖锐铁钉/非尖螺丝钉)、螺母、弹簧、水管、铁丝、下水道塞、金属片(含水银)、漏网、陶瓷片、蜈蚣、蜘蛛、鱼虱、鱼刺(非鱼餐品)、木刺、烟灰、果蝇、蝇子等异物
96.p2级变质：餐品中食物出现腐败变质现象，经肉眼观察餐品变质清晰可见。
97.p2级过期：投诉食品确定已过保质期/产品无生产日期或保质期信息p3级致病就医：用户食用商家产品后，出现轻微不舒适感，如疲劳、食欲不振等，无需就医或未就医已经自行处理恢复
98.p3级异物：餐品里出现菜青虫、青虫、米小黑虫、米小肉虫、蚂蚁10只以下、飞虫、飞蛾、蚊子、瓢虫、豆虫(硬壳虫)、分离状的鸡鸭毛动物毛、头发、眼睫毛、人体其他毛发(非私处)、棉线、纱线、塑料绳、皮筋、麻绳、钢丝球碎屑、塑料刷毛、动植物刷毛、丝瓜筋碎屑、洗碗海绵碎渣、塑料胶带、塑料包装袋碎片、纸屑碎片、商标碎片、标签碎片(食品本身的除外)、塑料瓶盖、塑料泡沫、煤渣、煤炭、石子(非尖锐)、订书钉、笔帽、抹布、香皂肥皂、牙签/竹签(非尖锐)、棉签、棉球、疑似使用过的餐具、其他厨房用具、戒指、蚰蜒、餐牌、蟑螂卵(疑似)、蟑螂屎(疑似)、蟑螂腿(疑似)、苍蝇腿(疑似)、线头、绳子、塑料袋、透明胶布、胶布、塑料管、便签纸、蜗牛等异物；
99.p3及变质：反馈的图片经肉眼观察无可见变质/生鲜类果蔬肉眼可见变质
100.p3级别过期：生产日期或保质期信息部分缺失或模糊无法辨识
101.p3级别餐品未熟：投诉餐品未熟或餐品夹生。
102.现有技术主要包括以下两种线上控制食品风险的方法：
103.1、通过人工方式完成，优点是熟练的人工定级可以准确并且灵活的对各种信息进行识别分类。但人工定级任何效率较低，专业务极好的人工定级时间在15-30秒，面对每日亿级数据而言是无法满足时效要求的。
104.2、通过专家总结的食品安全的风险定级规范可以总结出一些规律。可以根据规则识别出一些异物过期等食品安全风险。同时识别速度相较人工定级来讲可快速完成风险定级工作。但是基于规则没有办法解决中文语义问题：
105.1)配送问题与致病就医问题无法区分，例如：本来在住院，外卖不送进来，难道让住院病人去取么？
106.2)混淆语气与致病就医，例如：外卖做的真难吃，恶心死了。
107.3)品质口感无法区分，例如：发霉一样的味道，塑料味道。
108.4)无法对变形表述进行识别，例如：老鼠屎描述为老鼠粑粑，耗子屎，以及一些符号等等问题，会导致非常多的误识别与漏识别。
109.5)无法对作为形容词的关键词进行正确识别，例如：一指甲盖的量。
110.本技术提供的线上控制食品风险的方法、装置、电子设备和计算机可读存储介质，旨在解决现有技术的如上技术问题。
111.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
112.图1为一个实施例中线上控制食品风险的方法的应用环境图。参照图1，该线上控制食品风险的方法应用于食品安全风险识别系统。该食品安全风险识别系统包括终端110和服务器120。终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。可以理解，终端110或者服务器120均可用于单独执行本技术实施例中提供的食品安全风险识别。
113.具体地，在本技术实施例中，计算机设备(如图1中所示的终端110或者服务器120)获取与餐饮相关的评论文本和关键词文本；将所述评论文本输入至预先训练的风险识别模型，获得所述风险识别模型输出的所述评论文本的食品安全的最高风险等级以及归因分析结果。
114.请参见图2，其示例性地示出了本技术实施例的线上控制食品风险的方法的流程示意图，如图所示，该方法包括：
115.s101、获取评论文本以及关键词文本；
116.本技术实施例可以从预设内容中获取与餐饮相关评论文本，该预设内容文章、视频、新闻、推广信息、应用程序或者商品等。
117.举例来说，假设内容是应用程序推送给用户的某外卖店铺的订餐页面。如图3所示，该图左图中展示了该外卖店铺的内容查看入口，通过该内容查看入口进入该图右图所示的内容展示页面。该内容展示页面中展示有应用程序推送给用户的订餐页面。
118.评论文本是用户在对订餐页面中展示的产品订餐后，用户对该产品进行的主观或者客观的阐述。评论文本包括反映用户对餐品的评论，该评论可以是正面的评论，也可以是负面的评论。
119.举例来说，如图4所示，该图示出了餐品的用户评论区，该用户评论区中展示用户对于该餐品发布的评论。例如可以是：“鸡肉卷里面有玻璃渣？”、“一个宿舍三个人吃了拉肚子，肚子疼”、“老板耗子为之”等等。
120.可以理解，计算机设备上可存储有内容库。该内容库中包括若干与餐饮相关内容。该内容库的内容被推送给用户后，当用户对该内容进行消费后，会产生用户对内容的评论文本。计算机设备可活动这些内容的评论文本。
121.关键词文本包括对应食品安全的各归因分析结果的关键词。本技术实施例针对不同的归因分析结果匹配了不同的关键词，例如p1级治病就医的关键词为休克、昏迷等体现严重身体损害的和/或需要急诊、住院的词汇，具体可参见上述实施例中对于各级别的关键
词的描述，在此不再赘述。
122.s102、将所述评论文本和关键词文本输入至预先训练的风险识别模型，获得所述风险识别模型输出的所述评论文本的食品安全的最高风险等级以及目标归因分析结果。
123.本技术实施例通过将评论文本和关键词文本输入至预先训练的风险识别模型，获得所述风险识别模型输出的所述评论文本的食品安全的最高风险等级以及归因分析结果。本技术实施例对食品安全风险定义的级别不作具体限定，例如可以是3级。当评论文本只涉及一个风险等级时，则该风险等级即为评论文本的食品安全的最高风险等级，当评论文本涉及多个风险等级时，则选择最高风险等级。例如，“盖浇饭里有肉眼可见的石子，吃完直接拉了三天肚子”，其中“石子”属于p3级异物，而“拉肚子”属于p2级。因此这句评论的最高风险等级为p2级。
124.目标归因分析结果，也即体现所述评论文本中最高风险等级的归因分析结果，例如，评论文本“吃了他们家羊肉串在医院躺了3天”，该评论文本的安全风险等级为p1，归因分析结果为“治病就医”。“盖浇饭里有肉眼可见的石子，吃完直接拉了三天肚子”，该评论的归因分析结果为“治病就医”。
125.应当理解的是，在执行步骤s102之前，还可以预先训练得到风险识别模型，具体可通过如下方式训练得到风险识别模型：首先，收集一定数量的样本评论文本和关键词文本，获取每个样本评论文本的食品安全的风险等级以及归因分析结果，可以理解的是，样本评论文本的归因分析结果是体现样本评论文本中最高风险等级的归因分析结果，随即，基于样本评论文本的最高风险等级以及归因分析结果对初始模型进行训练，从而得到风险识别模型。其中，初始模型可以是单一神经网络模型，也可以是多个神经网络模型的组合。
126.本技术实施例的线上控制食品风险的方法，通过获取评论文本和关键词文本，将评论文本和关键词文本输入预先训练的风险识别模型，即可获得评论文本的食品安全的风险等级和目标归因分析结果，相比现有技术人工识别的方式不仅大幅提升了识别效率，并且能够准确识别出归因分析结果，也即评论文本中体现最高风险等级的关键词，为后续进一步对高风险食品安全事件快速预警、消费者食品安全投诉精准保障、餐饮服务提供者精准风险治理等奠定基础。
127.在上述各实施例的基础上，作为一种可选实施例，风险识别模型包括定级模型和归因模型，其中定级模型用于获得评论文本的食品安全的风险等级，归因模型用于获得评论文本的食品安全的归因分析结果，通过设置两个模型，能够针对性地获得食品安全风险的识别结果。
128.请参见图5，本技术实施例将所述评论文本输入至预先训练的风险识别模型，获得所述风险识别模型输出的所述评论文本的食品安全的风险等级以及归因分析结果，包括：
129.将评论文本以及对应的拼音文本输入至定级模型210，获得定级模型输出的cls向量以及所述评论文本的食品安全的最高风险等级，将所述评论文本、cls向量以及预设的关键词文本输入至归因模型220，获得归因模型输出的所述评论文本的食品安全的目标归因分析结果。
130.本技术实施例通过研究发现，实际的评论文本中经常会出现网络词汇或者错别字，例如，“真不错”用户会输成“针不戳”、"针布错"，“好自为之”用户会输出“耗子尾汁”，如果只按照评论文本的文字记载进行识别，“针不戳”中的“针”正常情况是属于p1级异物，但
实际上该语境描述的并不是异物，而是说餐品体验很棒，还比如“耗子尾汁”中的“耗子”属于p1级异物，但实际上该语境描述的也不属于异物，而是说希望老板不要搞歪门邪道的事，由于用户的错别字和网络用语的变形不能穷举，虽然文字不同，但他们的拼音是相同或者基本相同的，所以本技术通过确定评论文本中每个字的拼音，构成对应的拼音文本，将评论文本和拼音文本一起作为输入，输入至定级模型中，可以进行减小此类表述对结果的负面影响。
131.cls是classification的缩写，cls向量可以理解为用于下游的分类任务的向量，在本技术实施例中cls向量用于对所述评论文本的最高风险等级进行分类。本技术实施例的定级模型不仅能够输出食品安全的风险等级，还将中间结果cls向量输出至归因模型，由于cls向量是根据评论文本的中文和拼音获得的，因此cls向量融合的评论文本的语义更加准确。
132.可以理解的是，本技术实施例还可以预先训练得到定级模型，具体可通过如下方式训练得到定级模型：首先，收集一定数量的样本评论文本，获取每个样本评论文本的食品安全的最高风险等级以及对应的拼音文本，随即，基于样本评论文本、对应的拼音文本和最高风险等级对初始模型进行训练，具体的，根据所述样本评论文本以及对应的拼音文本为训练样本，以样本评论文本的食品安全的风险等级为训练标签进行训练，从而得到定级模型。其中，初始模型可以是单一神经网络模型，也可以是多个神经网络模型的组合，例如初始模型可以为bert模型。
133.本技术实施例的归因模型可以基于注意力机制获得归因分析结果，具体的，例如可以是一方面通过确定评论文本的词向量，根据词向量和关键词文本计算第一注意力权重，另一方面通过定级模型输出的cls向量和关键词文本计算第二注意力权重，通过两种注意力权重进行归因，能够更准确地确定归因分析结果。
134.本技术实施例的风险识别模型，通过将所述评论文本以及对应的拼音文本输入至所述定级模型，获得所述定级模型输出的cls向量以及所述评论文本的食品安全的最高风险等级；将所述评论文本、所述cls向量以及预设的关键词文本输入至所述归因模型，获得所述归因模型输出的所述评论文本的食品安全的目标归因分析结果。
135.请参见图6，其示例性地示出了本技术实施例的定级模型的结构示意图，如图所示，定级模型包括输入层310、预训练语言模型320和分类层330，首先，输入层310的输入为评论文本和对应的拼音文本。例如“我吃完饺子就开始上吐下泻”，对应的拼音文本为“wo chi le jiao zi jiu kai shi shang tu xia xie”，将评论文本和对应的拼音文本输入至输入层310，获得输入层310对所述评论文本进行字符级切分后输出的第一分词序列以及对所述拼音文本进行字符级切分后输出的第二分词序列。
136.其中，字符级切分是指将一个连续的字符序列切分成多个单独的字符或者字符序列。具体地，计算机设备可采用预设的切分方式对评论文本和拼音文本进行字符级切分处理，得到多个字符或者字符序列，从而得到评论文本和拼音文本所对应的第一分词序列和第二分词序列。其中，分词序列可以包括一个或者多于一个词。预设的切分方式可以是基于字符匹配、基于语义理解或者基于统计的分词方式等。
137.以上述评论文本为例，第一分词序列可以包括“我”、“吃”、“完”、“饺”、“子”、“就”、“开“、”始”、“上”、“吐”、“下”和“泻”，对应的第二分词序列可以包括“wo”、“chi”、“wan”、“jiao”、“zi”、“jiu”、“kai”、“shi”、“shang”、“tu”、“xia”和xie”。
138.将第一分词序列和第二分词序列作为预训练语言模型320的输入，输入至预训练语言模型320中，即可获得预训练语言模型320输出的评论文本中各分词融合全文语义信息后的向量表示，可以理解的是，本技术实施例的全文语义信息既包括了评论文本的全文语义信息和拼音文本的全文语音信息。
139.进一步以向量表示作为分类层330的输入，其中分类层330进一步包括池化层3301、激活函数层3302以及全连接层3303，通过对向量表示输入至池化层，获得池化层输出的cls向量，将cls向量输入至激活函数层3302，通过预设的激活函数强化语义的学习，本技术实施例对于激活函数不作具体的限定，例如，可以是sigmoid函数、双曲正切tanh函数、修正线性单元(rectified linear unit，relu)函数等等。
140.最后将激活函数层3302的输出结果作为全连接层3303的输入，数值至全连接层3303中进行分类，获得评论文本的最高风险等级。
141.需要说明的是，textcnn模型对同时命中多个不同定级的关键词的识别较为无力，例如会将“是否卫生:鸡肉卷里面的玻璃渣，猪扒包的钢丝球，热狗现在还没发现什么问题，真把我往死里整？？？”这种case定级到p3，但忽略了“玻璃渣”异物是属于p1，而根据食品安全事件同时命中多个关键词，以不同关键词所在的最高风险级别进行定级的原则，正确的定级应该为p1。
142.还比如，textcnn模型对于多人致病就医的识别也不准确，例如会将“一个宿舍三个人吃了拉肚子，肚子疼”这类样本定级到p2，因为识别到了“拉肚子”这类关键词，但根据“三至十人致病就医需要定级到p1”的原则，正确的定级应该为p1。
143.而常规的bert模型中的多头注意力机制可以有效地解决上述textcnn中存在的问题。但bert对于一些未在训练样本中出现的变形文字的识别较为无力，例如bert关于“老鼠屎”关键词的定级，对于“在汉堡里边的鸡块有一粒黑色类似于老鼠屎的东西，还有一股异味很倒胃口”这类正常的表述可以识别正确定级到p2，但对于“卫生堪忧，吃到一半，直接吃出类似于老鼠10的东西！！”这种没有明确写出“老鼠屎”关键词的表述会由于识别到老鼠就错误地定级到p1；还比如，对于“味道不错。可是为什么吃着吃着，能吃出定书针？？？牙齿被嗑了下。”会由于识别到“针”这个关键词而定位到p1，但由于“定书针”与“订书针”同音，正确定级应该是p3。
144.在上述各实施例的基础上，作为一种可选实施例，本技术实施例的预训练语言模型为bert模型，具体地，请参见图7，其示例性地示出了本技术实施例的预训练语言模型的结构示意图，如图所示，预训练语言模型包括第一嵌入层410、第二嵌入层420和transformer层430，具体地，
145.将第一分词序列，也即评论文本的分词结果作为第一嵌入层的输入，获得第一嵌入层输出的所述评论文本的word embedding词嵌入向量、segment embedding段嵌入向量和position embedding位置嵌入向量。
146.其中，词嵌入(word embedding)是将自然语言表示的单词转换为计算机能够理解的向量或矩阵形式。segment embedding，该向量的取值在模型训练过程中自动学习，用于刻画文本的全局语义信息，并与单字/词的语义信息相融合。position embedding，由于出现在文本不同位置的字/词所携带的语义信息存在差异(比如：“我爱你”和“你爱我”)，因
此，bert模型对不同位置的字/词分别附加一个不同的向量以作区分。
147.本技术实施例在上述三种嵌入向量的基础上，还额外增加了拼音嵌入向量。通过将第二分词序列输入至第二嵌入层420，获得第二嵌入层420输出的评论文本的拼音嵌入向量。
148.具体的，对于所述第二分词序列中的每个分词，从预设字典中确定对应的唯一标识，将所述唯一标识输入至bertmodel类源码进行编译，获得所述拼音嵌入向量。
149.本技术实施例可以预先加载goole_zh_pinyin_vocab.txt(提前下载的goole_zh_vocab.txt的拼音版本),并构建以拼音为key，唯一标识为value的字典，该唯一标识可以为阿拉伯数字，例如将goole_zh_pinyin_vocab.txt中的第一个拼音的唯一标识设置为1，第二个拼音的唯一标识设置为2，以此类推，这样对于第二分词序列中的每个分词，通过查找字典中键值对，获得对应的唯一标识。
150.本技术实施例的定级模型可以学习到描述文本深层次的语义信息，相较于根据关键词制定规则分类可以很好地区分例如“面条像蚯蚓一样，很难吃”此类非食品安全事件。基于transformer结构的预训练模型，自注意力机制的使用可以很好地捕获上下文描述信息，例如可以将这类“吃了东西有点拉肚子然后在小诊所输液了没有发票什么的里面有头发什么的非常难受里面有头发也非常恶心，我要维护消费者权益”准确定位到p2，而其他的深度学习模型由于无法捕获长距离依赖关系会根据“头发”异物定级到p3。
151.进一步的，本技术实施例在嵌入层增加的拼音可以增加对跟关键词同音的词语的识别能力，例如“饭都搜了还怎么吃”，由于“搜”与餐品变质的关键词“馊”同音，增加拼音后模型可以准确定位到p3，没有拼音会定级到p4非食品安全事件；同时，拼音的嵌入会增加模型的泛化性能，例如对于网络用语“耗子尾汁”，对于他的变形“耗子为之”、“耗子喂芝”的拼音都为“hao zi wei zhi”。
152.本技术实施例在确定归因模型时，首先采用了仅基于word2vec词向量来进行归因的方式，但通过试验发现，该方案并不容易分清楚关键词的主次，例如会将“变质，都有异味，肚子痛了，商家怎么回事啊，要求赔偿”归因到“变质”这个标签，但是实际上这句话的语义涉及到p2致病就医，所以正确应该归因到“就医”标签的，还比如，会由于“吐了”关键词的存在将“这是俩粒脏laoshushi吗，我要吐了！”这种表述归因到“就医”，但是此处的“吐了”只是用户描述一种恶心的想法，并非就医类的“呕吐”表述，正确的归因应该是“异物”。
153.本技术实施例还利用bert模型来进行归因的方式，但这种方式也存在一些问题，例如，会将“吃了原味切块蛋糕，拉了一天肚子，明显就是过期的蛋糕，拿来送外卖真够行的”此类表述归因为“过期”，但由于定级中的“过期”限于有包装日期的产品的过期，而非
‘
过期肉“、”过期蛋糕“这类表述，也存在不准确的问题。
154.在上述各实施例的基础上，作为一种可选实施例，请参见图8，其示例性地示出了本技术实施例通过归因模型输出目标归因分析结果的流程示意图，如图所示，将评论文本和关键词文本分别输入至词向量层，获得所述词向量层输出的所述评论文本的第一词向量和所述关键词文本的第二词向量。
155.具体的，本技术实施例的词向量层可以为word2vec模型。该word2vec模型可以采用预设的语料库训练而成，具体的训练方式可以是先对语料库用jieba分词，然后利用gensim库训练。
156.本技术实施例将所述第一词向量和所述第二词向量输入至第一注意力机制层，获得所述评论文本的第一注意力权重(attention1)，将所述cls向量以及所述第二词向量输入至第二注意力机制层，获得所述评论文本的第二注意力权重(attention2)。
157.attention1和attention2的计算方式如下：
158.attention1的计算方式:
159.评论文本的第一词向量表示[batch_size,seq_len,emb_size(192)]，其中192表示第一词向量的维度是192维。
[0160]
关键词文本的第二词向量表示为[175,192]，其中175表示关键词文本中一共175个关键词。
[0161]
attention函数的本质可以被描述为一个查询(query)到一系列(键key-值value)对的映射。在计算attention时主要分为三步：
[0162]
第一步是将query和每个key进行相似度计算得到权重，常用的相似度函数有点积，拼接，感知机等；
[0163]
第二步是使用一个softmax函数对这些权重进行归一化；
[0164]
第三步是将权重和相应的键值value进行加权求和得到最后的attention。目前在nlp研究中，key和value常常都是同一个，即key＝value。
[0165]
在本技术实施例，query为[batch_size,seq_len,emb_size]，key和value:[175,192]，后面的计算方式跟attention2类似，只是不用将emb_size再进行拆分，详见attention2的计算方式。
[0166]
attention2的计算法方式：
[0167]
cls向量表示为[batch_size,seq_len,emb_size(768)]
[0168]
关键词文本的第二词向量表示为[175,192]
[0169]
所以计算attention2的时候，query为[batch_size,seq_len,emb_size]，key和value为[175,192]。
[0170]
本技术实施例将query中的emb_size拆成4个heads，从而query表示为[batch_size,4,seq_len,emb_size/4]，这样对key进行transpose的操作后就可以使用matmul的操作，之和进行softmax计算score，得到score后再对score和value进行matmul操作，最后将得到的结果reshape回[batch_size,seq_len,emb_size]。
[0171]
也就是说，本技术实施例采取了word2vec和bert(由于cls向量是根据bert模型获得的)共同协作进行归因的方式，bert模型中的多头注意力可以捕获描述文本对不同定级关键词的影响，而w2v部分可以有效地对多头没有注意到的地方进行补充，并且，由于归因模型中以评论文本的embedding作为query，关键词文本作为key和value来计算定级语句对关键词文本的权重进行归因，通过计算待分类文本对定级关键词的注意力权重，相较于关键词归因可以解决“太辣了，辣的肚子痛”、“这饼这么硬，牙都给我吃掉了”这类非食品安全事件导致的用户致病就医。
[0172]
最后通过将所述第一注意力权重和第二注意力权重输入至分类层，获得所述分类层输出的是所述评论文本的目标归因分析结果。
[0173]
在上述各实施例的基础上，在对评论文本分词前，还可以对评论文本进行预处理，预处理包括特殊符号处理、英文大小写转换以及繁简字统一等。
[0174]
请参见图9，其示例性地示出了本技术另一个实施例提供的线上控制食品风险的方法的流程示意图，如图所示，包括：
[0175]
s201、展示评论编辑界面，所述评论编辑界面中展示待发布的评论文本；
[0176]
s202、响应于针对所述评论文本的评论发布操作，展示发布后的所述评论文本，以及所述评论文本的食品安全的最高风险等级以及目标归因分析结果。
[0177]
本技术实施例的线上控制食品风险的方法，通过展示评论编辑界面，所述评论编辑界面中展示待发布的评论文本；响应于针对所述评论文本的评论发布操作，即可展示评论文本的食品安全的风险等级和目标归因分析结果，相比现有技术能够向用户即时反馈评论所反映的食品安全问题，为后续进一步对高风险食品安全事件快速预警、消费者食品安全投诉精准保障、餐饮服务提供者精准风险治理等奠定基础。
[0178]
在上述各实施例的基础上，作为一种可选实施例，展示发布后的所述评论文本，以及所述评论文本的食品安全的最高风险等级以及目标归因分析结果，之前还包括：
[0179]
将所述评论文本和预设的关键词文本输入至预先训练的风险识别模型，获得所述风险识别模型输出的所述评论文本的食品安全的最高风险等级以及目标归因分析结果；
[0180]
其中，所述关键词文本包括对应食品安全的各归因分析结果的关键词；
[0181]
所述风险识别模型是以与餐饮相关的样本评论文本和关键词文本为训练样本，以所述样本评论文本的食品安全的最高风险等级和归因分析结果为训练标签训练而成。
[0182]
在上述各实施例的基础上，作为一种可选实施例，风险识别模型包括定级模型；
[0183]
所述将所述评论文本输入至预先训练的风险识别模型，获得所述风险识别模型输出的所述评论文本的食品安全的最高风险等级以及归因分析结果，包括：
[0184]
将所述评论文本以及对应的拼音文本输入至所述定级模型，获得所述定级模型输出的所述评论文本的食品安全的最高风险等级；
[0185]
其中，所述定级模型是根据所述样本评论文本以及对应的拼音文本为训练样本，以样本评论文本的食品安全的最高风险等级为训练标签训练而成。
[0186]
在上述各实施例的基础上，作为一种可选实施例，定级模型还输出cls向量；其中，所述最高风险等级是根据所述cls向量确定的。
[0187]
在上述各实施例的基础上，作为一种可选实施例，风险识别模型还包括归因模型；
[0188]
所述将所述评论文本输入至预先训练的风险识别模型，获得所述风险识别模型输出的所述评论文本的食品安全的最高风险等级以及目标归因分析结果，包括：
[0189]
将所述评论文本、所述cls向量以及预设的关键词文本输入至所述归因模型，获得所述归因模型输出的所述评论文本的目标归因分析结果；
[0190]
所述归因模型是根据所述样本评论文本、关键词文本以及所述定级模型输出的所述样本评论文本的cls向量为训练样本，以样本评论文本的归因分析结果为训练标签训练而成。
[0191]
在上述各实施例的基础上，作为一种可选实施例，所述定级模型包括输入层、预训练语言模型和分类层；
[0192]
将所述评论文本以及对应的拼音文本输入至所述定级模型，获得所述定级模型输出的cls向量以及所述评论文本的食品安全的最高风险等级，包括：
[0193]
将所述评论文本和对应的拼音文本输入至所述输入层，获得所述输入层对所述评
论文本进行字符级切分后输出的第一分词序列以及对所述拼音文本进行字符级切分后输出的第二分词序列；
[0194]
将所述第一分词序列和第二分词序列输入至所述预训练语言模型，获得所述预训练语言模型输出的所述评论文本中各分词融合全文语义信息后的向量表示；
[0195]
将所述向量表示输入至所述分类层，获得所述分类层通过池化、激活函数和全连接处理后输出的所述cls向量以及所述评论文本的最高风险等级。
[0196]
在上述各实施例的基础上，作为一种可选实施例，预训练语言模型为bert模型，所述bert模型包括第一嵌入层、第二嵌入层和transformer层；
[0197]
所述将所述第一分词序列和第二分词序列输入至所述预训练语言模型，获得所述预训练语言模型输出的所述评论文本的向量表示，包括：
[0198]
将所述第一分词序列输入至所述第一嵌入层，获得所述第一嵌入层输出的所述评论文本的word embedding词嵌入向量、segment embedding段嵌入向量和position embedding位置嵌入向量；
[0199]
将所述第二分词序列输入至所述第二嵌入层，获得所述第二嵌入层输出的所述评论文本的拼音嵌入向量；
[0200]
将所述word embedding词嵌入向量、segment embedding段嵌入向量和position embeddings位置嵌入向量以及拼音嵌入向量输入至所述transformer层，获得所述transformer层输出的所述向量表示。
[0201]
在上述各实施例的基础上，作为一种可选实施例，将所述第二分词序列输入至所述第二嵌入层，获得所述第二嵌入层输出的所述评论文本的拼音嵌入向量，包括：
[0202]
对于所述第二分词序列中的每个分词，从预设字典中确定对应的唯一标识，将所述唯一标识输入至bertmodel类源码进行编译，获得所述拼音嵌入向量；
[0203]
其中，所述预设字典中包括至少一个分词以及对应的唯一标识。
[0204]
在上述各实施例的基础上，作为一种可选实施例，归因模型包括词向量层、第一注意力机制层、第二注意力机制层以及分类层；
[0205]
所述将所述评论文本、所述cls向量以及关键词文本输入至所述归因模型，获得所述归因模型输出的所述评论文本的食品安全的归因分析结果，包括：
[0206]
将所述评论文本和关键词文本分别输入至词向量层，获得所述词向量层输出的所述评论文本的第一词向量和所述关键词文本的第二词向量；
[0207]
将所述第一词向量和所述第二词向量输入至第一注意力机制层，获得所述评论文本的第一注意力权重；
[0208]
将所述cls向量以及所述第二词向量输入至第二注意力机制层，获得所述评论文本的第二注意力权重；
[0209]
将所述第一注意力权重和第二注意力权重输入至分类层，获得所述分类层输出的是所述评论文本的目标归因分析结果。
[0210]
在上述各实施例的基础上，作为一种可选实施例，线上控制食品风险的方法还包括：
[0211]
展示订餐界面，所述订餐界面中包括订餐商户的食品风险信息；
[0212]
所述食品风险信息包括以下至少一种：
[0213]
1)预设时段内订餐商户对应的各风险等级的食品安全事件的数量。
[0214]
例如，本技术实施例可以对半年内的该订餐商户出现的所有食品安全事件，按照风险等级进行统计，根据上述实施例可知，本技术会确定每个评论涉及的最高风险等级，因此本技术可以按照每个评论的最高风险等级进行统计。
[0215]
2)订餐商户出现食品安全事件的比例。
[0216]
本技术实施例通过计算出现食品安全事件的订单的数量除以所有顶点的数量，即可获得订餐商户出现食品安全事件的比例。进一步地，本技术可以统计各风险等级的食品安全事件的比例。
[0217]
3)订餐商户的食品安全评级。
[0218]
本技术实施例的食品安全评级可以根据食品安全事件的数量获得，例如当一段时间内的食品安全事件的数量小于1件，食品安全评级为1级，当食品安全事件的数量处于1件至5件，食品安全评级为2级，当食品安全事件的数量大于5件，食品安全评级为3级。本技术实施例提供了一种服务器，如图10所示，该装置可以包括：文本获取模块101和风险识别模块102，具体地：
[0219]
文本获取模块101，用于获取评论文本以及关键词文本，所述关键词文本包括对应食品安全的各归因分析结果的关键词；
[0220]
风险识别模块102，用于将所述评论文本和关键词文本输入至预先训练的风险识别模型，获得所述风险识别模型输出的所述评论文本的食品安全的最高风险等级以及目标归因分析结果；
[0221]
其中，所述风险识别模型是以与餐饮相关的样本评论文本和关键词文本为训练样本，以所述样本评论文本的食品安全的最高风险等级和归因分析结果为训练标签训练而成。
[0222]
本发明实施例提供的服务器，具体执行上述方法实施例流程，具体请详见上述线上控制食品风险的方法实施例在服务器侧的内容，在此不再赘述。本发明实施例提供的服务器，通过获取评论文本和关键词文本，将评论文本和关键词文本输入预先训练的风险识别模型，即可获得评论文本的食品安全的风险等级和目标归因分析结果，相比现有技术人工识别的方式不仅大幅提升了识别效率，并且能够准确识别出归因分析结果，也即评论文本中体现最高风险等级的关键词，为后续进一步对高风险食品安全事件快速预警、消费者食品安全投诉精准保障、餐饮服务提供者精准风险治理等奠定基础。
[0223]
本技术实施例提供了一种终端，如图11所示，该终端可以包括：文本获取模块201和风险识别模块202，具体地：
[0224]
界面展示模块201，用于展示评论编辑界面，所述评论编辑界面中展示待发布的评论文本；
[0225]
分析结果展示模块202，用于响应于针对所述评论文本的评论发布操作，展示发布后的所述评论文本，以及所述评论文本的食品安全的最高风险等级以及目标归因分析结果。
[0226]
本发明实施例提供的终端，具体执行上述方法实施例流程，具体请详见上述线上控制食品风险的方法实施例在终端侧的内容，在此不再赘述。本发明实施例提供的终端，通过展示评论编辑界面，所述评论编辑界面中展示待发布的评论文本；响应于针对所述评论
文本的评论发布操作，即可展示评论文本的食品安全的风险等级和目标归因分析结果，相比现有技术能够向用户即时反馈评论所反映的食品安全问题，为后续进一步对高风险食品安全事件快速预警、消费者食品安全投诉精准保障、餐饮服务提供者精准风险治理等奠定基础。
[0227]
本技术实施例中提供了一种电子设备，该电子设备包括：存储器和处理器；至少一个程序，存储于存储器中，用于被处理器执行时，与现有技术相比可实现：通过获取评论文本和关键词文本，将评论文本和关键词文本输入预先训练的风险识别模型，即可获得评论文本的食品安全的风险等级和目标归因分析结果，相比现有技术人工识别的方式不仅大幅提升了识别效率，并且能够准确识别出归因分析结果，也即评论文本中体现最高风险等级的关键词，为后续进一步对高风险食品安全事件快速预警、消费者食品安全投诉精准保障、餐饮服务提供者精准风险治理等奠定基础。
[0228]
在一个可选实施例中提供了一种电子设备，如图12所示，图12所示的电子设备4000包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。可选地，电子设备4000还可以包括收发器4004。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本技术实施例的限定。
[0229]
处理器4001可以是cpu(central processing unit，中央处理器)，通用处理器，dsp(digital signal processor，数据信号处理器)，asic(application specific integrated circuit，专用集成电路)，fpga(field programmable gate array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本技术公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。
[0230]
总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图12中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0231]
存储器4003可以是rom(read only memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，ram(random access memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom(electrically erasable programmable read only memory，电可擦可编程只读存储器)、cd-rom(compact disc read only memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
[0232]
存储器4003用于存储执行本技术方案的应用程序代码，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码，以实现前述方法实施例所示的内容。
[0233]
本技术实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有
计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。与现有技术相比，通过获取评论文本和关键词文本，将评论文本和关键词文本输入预先训练的风险识别模型，即可获得评论文本的食品安全的风险等级和目标归因分析结果，相比现有技术人工识别的方式不仅大幅提升了识别效率，并且能够准确识别出归因分析结果，也即评论文本中体现最高风险等级的关键词，为后续进一步对高风险食品安全事件快速预警、消费者食品安全投诉精准保障、餐饮服务提供者精准风险治理等奠定基础。
[0234]
本技术实施例提供了一种计算机程序，该计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中，当计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行如前述方法实施例所示的内容。与现有技术相比，通过获取评论文本和关键词文本，将评论文本和关键词文本输入预先训练的风险识别模型，即可获得评论文本的食品安全的风险等级和目标归因分析结果，相比现有技术人工识别的方式不仅大幅提升了识别效率，并且能够准确识别出归因分析结果，也即评论文本中体现最高风险等级的关键词，为后续进一步对高风险食品安全事件快速预警、消费者食品安全投诉精准保障、餐饮服务提供者精准风险治理等奠定基础。
[0235]
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次展示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0236]
以上仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。