信息筛选方法、模型训练方法、装置、电子设备和介质与流程

1.本公开的实施例涉及计算机技术领域，具体涉及信息筛选方法、模型训练方法、装置、电子设备和介质。


背景技术：

2.目前，物品评论已经成为各个网站最为重要的数字资产之一。各个网站往往会展示对应物品的主要评价观点。对于主要评价观点的生成，通常采用的方式为：基于深度多任务学习方法，来对各个物品评论进行分析，以得到主要评价观点。
3.然而，当采用上述方式来生成主要评价观点，经常会存在如下技术问题：
4.对各个物品评论的信息概括能力较差，识别出来的各个主要评价观点不够精准。导致识别出的各个主要评价观点中可能存在语义信息相似的至少两个主要评价观点。


技术实现要素：

5.本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
6.本公开的一些实施例提出了信息筛选方法、模型训练方法、装置、电子设备和介质，来解决以上背景技术部分提到的技术问题。
7.第一方面，本公开的一些实施例提供了一种信息筛选方法，包括：获取针对目标物品的物品评论信息集；对上述物品评论信息集中的每个物品评论信息进行预处理，以生成预处理后物品评论信息，得到预处理后物品评论信息集；将上述物品评论信息预处理后物品评论信息集中每个预处理后物品评论信息物品评论信息输入至训练后的评论观点生成模型，以输出上述预处理后物品评论信息对应的用户观点信息，得到用户观点信息集，其中，用户观点信息包括：针对上述目标物品的、多个物品属性的属性观点信息；根据每个用户观点信息包括的多个物品属性的属性观点信息，从上述多个物品属性中筛选出对应属性观点信息满足第一预设条件的物品属性，得到至少一个物品属性；从上述至少一个物品属性的属性观点信息中筛选出满足第二预设条件的属性观点信息，作为物品印象观点信息，得到物品印象观点信息集。
8.可选地，上述属性观点信息的类型包括：正面观点类型和负面观点类型；以及上述根据每个用户观点信息包括的多个物品属性的属性观点信息，从上述多个物品属性中筛选出对应属性观点信息满足第一预设条件的物品属性，得到至少一个物品属性，包括：对于上述多个物品属性中的每个物品属性，执行第一属性观点信息数目确定步骤：根据每个用户观点信息包括的多个物品属性的属性观点信息，确定上述物品属性对应的属性观点信息集，作为第一目标属性观点信息集；确定上述第一目标属性观点信息集中对应类型为上述正面观点类型的属性观点信息的数目，作为第一数目；确定上述第一目标属性观点信息集中对应类型为上述负面观点类型的属性观点信息的数目，作为第二数目。
9.可选地，上述根据每个用户观点信息包括的多个物品属性的属性观点信息，从上述多个物品属性中筛选出对应属性观点信息满足第一预设条件的物品属性，得到至少一个物品属性，还包括：获取属性评论信息集对应的属性观点信息集，作为第二目标属性观点信息集；依据每个第二目标属性观点信息对应的物品属性，确定上述多个物品属性中每个物品属性对应的、类型为上述正面观点类型的第二目标属性观点信息的数目，作为第三数目，得到第三数目集；依据每个第二目标属性观点信息对应的物品属性，确定上述多个物品属性中每个物品属性对应的、类型为上述反面观点类型的第二目标属性观点信息的数目，作为第四数目，得到第四数目集；根据所得到的第一数目集、所得到的第二数目集，上述第三数目集和上述第四数目集，从上述多个物品属性中筛选出对应属性观点信息满足第一预设条件的物品属性，得到上述至少一个物品属性。
10.可选地，上述从上述至少一个物品属性的属性观点信息中筛选出满足第二预设条件的属性观点信息，作为物品印象观点信息，得到物品印象观点信息集，包括：确定上述至少一个第一目标物品属性中每个第一目标物品属性对应的、类型为上述正面观点类型的属性观点信息，作为第一目标属性观点信息，得到至少一个第一目标属性观点信息；确定上述至少一个第二目标物品属性中每个第二目标物品属性对应的、类型为上述负面观点类型的属性观点信息，作为第二目标属性观点信息，得到至少一个第二目标属性观点信息；将上述至少一个第一目标属性观点信息与上述至少一个第二目标属性观点信息进行组合，得到组合后属性观点信息集，作为上述物品印象观点信息集。
11.可选地，上述对上述物品评论信息集中的每个物品评论信息进行预处理，以生成预处理后物品评论信息，包括：对上述物品评论信息进行数据长度处理，得到处理后物品评论信息；对上述处理后物品评论信息进行独热编码处理，得到独热编码向量，作为预处理后物品评论信息。
12.可选地，上述评论观点生成模型包括：编码网络和自注意力网络；以及上述将上述预处理后物品评论信息集中每个预处理后物品评论信息输入至训练后的评论观点生成模型，以输出上述预处理后物品评论信息对应的用户观点信息，包括：将上述预处理后物品评论信息输入至上述编码网络，得到物品评论向量；将上述物品评论向量输入至预先训练的自注意力网络，以输出上述多个物品属性中每个物品属性对应的概率集；对于上述多个物品属性中每个物品属性，从上述物品属性对应的概率集中筛选出满足第五预设条件的概率，作为目标概率，以及确定上述目标概率对应的属性观点信息；根据所得到的属性观点信息集，生成上述物品评论信息对应的用户观点信息。
13.第二方面，本公开的一些实施例提供了一种信息筛选装置，包括：第一获取单元，被配置成获取针对目标物品的物品评论信息集；预处理单元，被配置成对上述物品评论信息集中的每个物品评论信息进行预处理，以生成预处理后物品评论信息，得到预处理后物品评论信息集；输入单元，被配置成将上述物品评论信息预处理后物品评论信息集中每个预处理后物品评论信息物品评论信息输入至训练后的评论观点生成模型，以输出上述预处理后物品评论信息对应的用户观点信息，得到用户观点信息集，其中，用户观点信息包括：针对上述目标物品的、多个物品属性的属性观点信息；第一筛选单元，被配置成根据每个用户观点信息包括的多个物品属性的属性观点信息，从上述多个物品属性中筛选出对应属性观点信息满足第一预设条件的物品属性，得到至少一个物品属性；第二筛选单元，被配置成
从上述至少一个物品属性的属性观点信息中筛选出满足第二预设条件的属性观点信息，作为物品印象观点信息，得到物品印象观点信息集。
14.可选地，上述属性观点信息的类型包括：正面观点类型和负面观点类型。第一筛选单元可以被配置成：对于上述多个物品属性中的每个物品属性，执行第一属性观点信息数目确定步骤：根据每个用户观点信息包括的多个物品属性的属性观点信息，确定上述物品属性对应的属性观点信息集，作为第一目标属性观点信息集；确定上述第一目标属性观点信息集中对应类型为上述正面观点类型的属性观点信息的数目，作为第一数目；确定上述第一目标属性观点信息集中对应类型为上述负面观点类型的属性观点信息的数目，作为第二数目。
15.可选地，第一筛选单元可以被配置成：获取属性评论信息集对应的属性观点信息集，作为第二目标属性观点信息集；依据每个第二目标属性观点信息对应的物品属性，确定上述多个物品属性中每个物品属性对应的、类型为上述正面观点类型的第二目标属性观点信息的数目，作为第三数目，得到第三数目集；依据每个第二目标属性观点信息对应的物品属性，确定上述多个物品属性中每个物品属性对应的、类型为上述反面观点类型的第二目标属性观点信息的数目，作为第四数目，得到第四数目集；根据所得到的第一数目集、所得到的第二数目集，上述第三数目集和上述第四数目集，从上述多个物品属性中筛选出对应属性观点信息满足第一预设条件的物品属性，得到上述至少一个物品属性。
16.可选地，第一筛选单元可以被配置成：依据上述第一数目集中各个第一数目对应的物品属性和上述第三数目集中各个第三数目对应的物品属性，对上述第一数目集和上述第三数目集之间对应物品属性相同的数目进行数目相加，得到第五数目集；依据上述第二数目集中各个第二数目对应的物品属性和上述第四数目集中各个第四数目对应的物品属性，对上述第二数目集和上述第四数目集之间对应物品属性相同的数目进行数目相加，得到第六数目集；从上述多个物品属性中筛选出对应第五数目满足第三预设条件的物品属性，作为第一目标物品属性，得到至少一个第一目标物品属性；从上述多个物品属性中筛选出对应第六数目满足第四预设条件的物品属性，作为第二目标物品属性，得到至少一个第二目标物品属性；将上述至少一个第一目标物品属性和上述至少一个第二目标物品属性进行融合去重，得到上述至少一个物品属性。
17.可选地，第二筛选单元可以被配置成：确定上述至少一个第一目标物品属性中每个第一目标物品属性对应的、类型为上述正面观点类型的属性观点信息，作为第一目标属性观点信息，得到至少一个第一目标属性观点信息；确定上述至少一个第二目标物品属性中每个第二目标物品属性对应的、类型为上述负面观点类型的属性观点信息，作为第二目标属性观点信息，得到至少一个第二目标属性观点信息；将上述至少一个第一目标属性观点信息与上述至少一个第二目标属性观点信息进行组合，得到组合后属性观点信息集，作为上述物品印象观点信息集。
18.可选地，预处理单元可以被配置成：对上述物品评论信息进行数据长度处理，得到处理后物品评论信息；对上述处理后物品评论信息进行独热编码处理，得到独热编码向量，作为预处理后物品评论信息。
19.可选地，输入单元可以被配置成：将上述预处理后物品评论信息输入至上述编码网络，得到物品评论向量；将上述物品评论向量输入至预先训练的自注意力网络，以输出上
述多个物品属性中每个物品属性对应的概率集；对于上述多个物品属性中每个物品属性，从上述物品属性对应的概率集中筛选出满足第五预设条件的概率，作为目标概率，以及确定上述目标概率对应的属性观点信息；根据所得到的属性观点信息集，生成上述物品评论信息对应的用户观点信息。
20.第三方面，本公开的一些实施例提供了一种模型训练方法，包括：获取属性评论信息集和上述属性评论信息集中每个属性评论信息对应的用户观点信息；对所获得的用户观点信息集中的每个用户观点信息进行编码处理，以生成用户观点编码向量，得到用户观点编码向量集；对上述属性评论信息集中的属性评论信息进行数据长度处理，得到处理后属性评论信息集；将处理后属性评论信息集中的各个处理后属性评论信息作为训练样本，上述用户观点编码向量集中的各个用户观点编码向量作为训练样本标签，利用预设的损失函数，对初始评论观点生成模型进行训练，得到训练后的评论观点生成模型。
21.可选地，上述初始评论观点生成模型包括：初始编码网络和初始自注意力网络；以及上述将处理后属性评论信息集中的各个处理后属性评论信息作为训练样本，上述用户观点编码向量集中的各个用户观点编码向量作为训练样本标签，利用预设的损失函数，对初始评论观点生成模型进行训练，得到训练后的评论观点生成模型，包括：执行以下初始评论观点生成模型训练步骤：对上述处理后属性评论信息集中的各个处理后属性评论信息进行混排处理，得到混排处理后信息集；从上述混排处理后信息集中筛选出至少一个混排处理后信息；将上述至少一个混排处理后信息中每个混排处理后信息输入至预先训练的初始编码网络，以生成初始物品评论向量，得到初始物品评论向量集；将上述初始物品评论向量集中的每个初始物品评论向量输入至初始自注意力网络，以输出每个混排处理后信息对应的初始概率集组；根据每个混排处理后信息对应的初始概率集组，确定上述至少一个混排处理后信息中每个混排处理后信息对应的初始用户观点编码向量，得到初始用户观点编码向量集；确定上述至少一个混排处理后信息对应的用户观点编码向量子集；根据上述初始用户观点编码向量集、上述至少一个混排处理后信息对应的评论物品类别集和上述用户观点编码向量子集，利用上述损失函数，确定损失值集；根据上述损失值集，通过反向传播，对上述初始评论观点生成模型中的参数进行更新。
22.可选地，上述根据每个混排处理后信息对应的初始概率集组，确定上述至少一个混排处理后信息中每个混排处理后信息对应的初始用户观点编码向量，包括：对于上述初始概率集组中的每个初始概率集，从上述初始概率集中筛选出满足第六预设条件的初始概率，作为目标初始概率；根据所得到的目标初始概率集，确定上述混排处理后信息对应的初始用户观点编码向量。
23.可选地，上述根据上述损失值集，通过反向传播，对上述初始评论观点生成模型中的参数进行更新，包括：对上述损失值集进行求平均值处理，得到平均损失值；响应于确定上述平均损失值大于等于预定阈值，通过反向传播，对上述初始评论观点生成模型中的参数进行更新，以及再次执行初始评论观点生成模型训练步骤。
24.可选地，上述根据上述损失值集，通过反向传播，对上述初始评论观点生成模型中的参数进行更新，还包括：响应于确定上述平均损失值小于上述预定阈值，将初始评论观点生成模型确定为上述训练后的评论观点生成模型。
25.第四方面，本公开的一些实施例提供了一种模型训练装置，包括：第二获取单元，
被配置成获取属性评论信息集和上述属性评论信息集中每个属性评论信息对应的用户观点信息；编码单元，被配置成对所获得的用户观点信息集中的每个用户观点信息进行编码处理，以生成用户观点编码向量，得到用户观点编码向量集；数据长度处理单元，被配置成对上述属性评论信息集中的属性评论信息进行数据长度处理，得到处理后属性评论信息集；训练单元，被配置成将处理后属性评论信息集中的各个处理后属性评论信息作为训练样本，上述用户观点编码向量集中的各个用户观点编码向量作为训练样本标签，利用预设的损失函数，对初始评论观点生成模型进行训练，得到训练后的评论观点生成模型。
26.可选地，训练单元进一步被配置成：执行以下初始评论观点生成模型训练步骤：对上述处理后属性评论信息集中的各个处理后属性评论信息进行混排处理，得到混排处理后信息集；从上述混排处理后信息集中筛选出至少一个混排处理后信息；将上述至少一个混排处理后信息中每个混排处理后信息输入至预先训练的初始编码网络，以生成初始物品评论向量，得到初始物品评论向量集；将上述初始物品评论向量集中的每个初始物品评论向量输入至初始自注意力网络，以输出每个混排处理后信息对应的初始概率集组；根据每个混排处理后信息对应的初始概率集组，确定上述至少一个混排处理后信息中每个混排处理后信息对应的初始用户观点编码向量，得到初始用户观点编码向量集；确定上述至少一个混排处理后信息对应的用户观点编码向量子集；根据上述初始用户观点编码向量集、上述至少一个混排处理后信息对应的评论物品类别集和上述用户观点编码向量子集，利用上述损失函数，确定损失值集；根据上述损失值集，通过反向传播，对上述初始评论观点生成模型中的参数进行更新。
27.可选地，训练单元进一步被配置成：对于上述初始概率集组中的每个初始概率集，从上述初始概率集中筛选出满足第六预设条件的初始概率，作为目标初始概率；根据所得到的目标初始概率集，确定上述混排处理后信息对应的初始用户观点编码向量。
28.可选地，训练单元进一步被配置成：对上述损失值集进行求平均值处理，得到平均损失值；响应于确定上述平均损失值大于等于预定阈值，通过反向传播，对上述初始评论观点生成模型中的参数进行更新，以及再次执行初始评论观点生成模型训练步骤。
29.可选地，训练单元进一步被配置成：响应于确定上述平均损失值小于上述预定阈值，将初始评论观点生成模型确定为上述训练后的评论观点生成模型。
30.第五方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面或第三方面中任一实现方式描述的方法。
31.第六方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面或第三方面中任一实现方式描述的方法。
32.本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的信息筛选方法可以准确、高效地生成物品印象观点信息。提高了用户体验。具体来说，造成生成的物品印象观点信息不够准确的原因在于：对各个物品评论的信息概括能力较差，识别出来的各个物品印象观点信息不够精准。导致识别出的各个物品印象观点信息中可能存在语义信息相似的至少两个物品印象观点信息。使得生成的物品印象观点信息集不够准确。基于此，本公开的一些实施例的信息筛选方法可以获取针对目标物品的物品评论信息集，以作为后续模型的输入，以及后续物品印象观点信息集的数据基础。然后，对上述物品评论信息集中
的每个物品评论信息进行预处理，以生成预处理后物品评论信息，得到预处理后物品评论信息集。在这里，对物品评论信息进行预处理以便于后续输入至模型。接着，将上述预处理后物品评论信息集中每个预处理后物品评论信息输入至训练后的评论观点生成模型，可以高效地输出上述预处理后物品评论信息对应的用户观点信息，得到用户观点信息集。其中，用户观点信息包括：针对上述目标物品的、多个物品属性的属性观点信息。在这里，上述用户观点信息集可以用于后续物品属性筛选的数据支持。进而，根据每个用户观点信息包括的多个物品属性的属性观点信息，从上述多个物品属性中筛选出对应属性观点信息满足第一预设条件的物品属性，准确地得到至少一个物品属性。最后，从上述至少一个物品属性的属性观点信息中筛选出满足第二预设条件的属性观点信息，作为物品印象观点信息，得到物品印象观点信息集。在这里，得到的物品印象观点信息集中不存在语义信息相似的至少两个物品印象观点信息。物品印象观点信息集可以准确地概括目标物品各方面的评价信息。侧面提高了用户观看目标物品评论的用户体验。
附图说明
33.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
34.图1是根据本公开的一些实施例的信息筛选方法的一个应用场景的示意图；
35.图2是根据本公开的信息筛选方法的一些实施例的流程图；
36.图3是根据本公开的信息筛选方法的一些实施例中的填写物品评论信息的页面示意图；
37.图4是根据本公开的信息筛选方法的一些实施例中的物品属性集和对应属性观点集组的操作示意图；
38.图5是根据本公开的信息筛选方法的另一些实施例的流程图；
39.图6是根据本公开的模型训练方法的一些实施例的流程图；
40.图7是根据本公开的信息筛选装置的一些实施例的结构示意图；
41.图8是根据本公开的模型训练装置的一些实施例的结构示意图；
42.图9是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
43.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
44.另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
45.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
46.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域
技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
47.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
48.下面将参考附图并结合实施例来详细说明本公开。
49.图1是根据本公开一些实施例的信息筛选方法的一个应用场景的示意图。
50.在图1的应用场景中，电子设备101可以首先获取针对目标物品102的物品评论信息集103。在本应用场景中，上述目标物品102可以是“自行车”。物品评论信息集103可以包括：物品评论信息1031、物品评论信息1032、物品评论信息1033。上述物品评论信息1031可以是“自行车减震和刹车不错”。上述物品评论信息1032可以是“自行车较重，但是减震很好”。上述物品评论信息1033可以是“自行车有点重，不太顺手，性价比低”。然后，电子设备101可以对上述物品评论信息集103中的每个物品评论信息进行预处理，以生成预处理后物品评论信息，得到预处理后物品评论信息集104。在本应用场景中，上述预处理后物品评论信息集104包括：与物品评论信息1031相对应的预处理后物品评论信息1041、与物品评论信息1032相对应的预处理后物品评论信息1042和与物品评论信息1033相对应的预处理后物品评论信息1043。接着，电子设备101可以将上述预处理后物品评论信息集104中每个预处理后物品评论信息输入至训练后的评论观点生成模型105，以输出上述预处理后物品评论信息对应的用户观点信息，得到用户观点信息集。其中，用户观点信息包括：针对上述目标物品102的、多个物品属性109的属性观点信息。在本应用场景中，将预处理后物品评论信息1041输入至训练后的评论观点生成模型105，可以得到用户观点信息106。上述用户观点信息106包括：属性观点信息1061和属性观点信息1062。属性观点信息1061为“减震好”。属性观点信息1062为“刹车好”。将预处理后物品评论信息1042输入至训练后的评论观点生成模型105，可以得到用户观点信息107。上述用户观点信息107包括：属性观点信息1071和属性观点信息1072。属性观点信息1071为“重量重”。属性观点信息1072为“减震好”。将预处理后物品评论信息1043输入至训练后的评论观点生成模型105，可以得到用户观点信息108。上述用户观点信息108包括：属性观点信息1081和属性观点信息1082。属性观点信息1081为“重量重”。属性观点信息1082为“性价比低”。其中，上述多个物品属性109包括：物品属性1091、物品属性1092、物品属性1093和物品属性1094。上述物品属性1091为“减震”。上述物品属性1092为“刹车”。上述物品属性1093为“重量”。上述物品属性1094为“性价比”。进而，电子设备101可以根据每个用户观点信息包括的多个物品属性109的属性观点信息，从上述多个物品属性109中筛选出对应属性观点信息满足第一预设条件的物品属性，得到至少一个物品属性110。在本应用场景中，上述至少一个物品属性110包括：与物品属性1093相同的物品属性1101、与物品属性1091相同的物品属性1102。上述物品属性1101为“重量”。上述物品属性1102为“减震”。最后，电子设备101可以从上述至少一个物品属性110的属性观点信息中筛选出满足第二预设条件的属性观点信息，作为物品印象观点信息，得到物品印象观点信息集111。在本应用场景中，上述物品印象观点信息集111包括：物品印象观点信息1111和物品印象观点信息1112。上述物品印象观点信息1111为“重量重”。述物品印象观点信息1112为“减震好”。
51.需要说明的是，上述电子设备101可以是硬件，也可以是软件。当电子设备为硬件时，可以实现成多个服务端或终端设备组成的分布式集群，也可以实现成单个服务端或单
个终端设备。当电子设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
52.应该理解，图1中的电子设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备。
53.继续参考图2，示出了根据本公开的信息筛选方法的一些实施例的流程200。该信息筛选方法，包括以下步骤：
54.步骤201，获取针对目标物品的物品评论信息集。
55.在一些实施例中，上述信息筛选方法的执行主体(例如图1所示的电子设备101)可以通过有线连接方式或者无线连接方式来获取针对目标物品的物品评论信息集。其中，上述物品评论信息可以是目标用户对目标物品的总体评论。物品评论信息可以是用户端提交的与目标物品相关的信息。物品评论信息可以包括但不限于物品评分、物品描述与真实物品的匹配度、与同类物品的比较结果信息等。上述目标用户可以是浏览展示目标物品的物品信息的页面的用户。上述目标物品可以是可进行价值转移(例如，出售，转让等等)的物品。
56.作为示例，如图3所示，示出了在页面中物品评论信息的填写框301。
57.步骤202，对上述物品评论信息集中的每个物品评论信息进行预处理，以生成预处理后物品评论信息，得到预处理后物品评论信息集。
58.在一些实施例中，上述执行主体可以对上述物品评论信息集中的每个物品评论信息进行预处理，以生成预处理后物品评论信息，得到预处理后物品评论信息集。
59.作为示例，首先，上述执行主体可以对物品评论信息进行数据去标点符号处理，得到处理后物品评论信息。然后，上述执行主体可以对处理后物品评论信息进行独热编码处理，得到独热编码向量，作为预处理后物品评论信息。
60.在一些实施例的一些可选的实现方式中，上述对上述物品评论信息集中的每个物品评论信息进行预处理，以生成预处理后物品评论信息，可以包括以下步骤：
61.第一步，上述执行主体可以对上述物品评论信息进行数据长度处理，得到处理后物品评论信息。其中，数据长度处理后的物品评论信息所包括的字的个数是固定的。例如，字的个数可以是10个。
62.作为示例，上述执行主体可以首先确定物品评论信息的文本长度。然后，响应于确定文本长度大于预设的阈值，上述执行主体可以从上述物品评论信息中截取长度为上述阈值的前缀，作为上述处理后物品评论信息。响应于确定文本长度小于预设的阈值，上述执行主体可以以预定符号对物品评论信息进行文本补齐，得到补齐后物品评论信息，作为处理后物品评论信息。其中，上述预定符号可以是“[pad]”。
[0063]
第二步，上述执行主体可以对上述处理后物品评论信息进行独热编码(one-hot)处理，得到独热编码向量，作为预处理后物品评论信息。
[0064]
步骤203，将上述预处理后物品评论信息集中每个预处理后物品评论信息输入至训练后的评论观点生成模型，以输出上述预处理后物品评论信息对应的用户观点信息，得到用户观点信息集。
[0065]
在一些实施例中，上述执行主体可以将上述预处理后物品评论信息集中每个预处
理后物品评论信息输入至训练后的评论观点生成模型，以输出上述预处理后物品评论信息对应的用户观点信息，得到用户观点信息集。其中，用户观点信息包括：针对上述目标物品的、多个物品属性的属性观点信息。属性观点信息为对上述目标物品的物品属性的观点评论信息。例如，目标物品为手机。手机的物品属性可以包括但不限于：手机外观，手机性价比，手机充电速度，手机重量。对应的，用户观点信息为对手机的物品属性的观点评论。例如，手机外观不好看，手机性价比较低，手机充电速度快，手机重量轻。上述评论观点生成模型可以是文本分类模型，还可以是情感分析模型。作为示例，上述评论观点生成模型可以是但不限于以下之一：长短期记忆网络(lstm，long short-term memory)，文本卷积神经网络(text cnn，text convolutional neural networks)。其中，上述多个物品属性可以是根据各个物品的物品类别信息预先设置的。
[0066]
作为示例，上述多个物品属性可以通过以下步骤生成：
[0067]
第一步，获取各个物品的物品类别。
[0068]
作为示例，物品类别包括：手机类别、电脑类别、自行车类别。
[0069]
第二步，对于各个物品类别中的每个物品类别，确定上述物品类别对应的物品属性集。其中，上述物品类别对应的物品属性集可以是预先配置的。每个物品属性对应的属性观点信息可以是预先设置的。
[0070]
作为示例，手机类别对应的物品属性集为“配置，性价比，颜色，运行速度”。电脑类别对应的物品属性集为“配置，性价比，颜色，运行速度”。自行车类别对应的物品属性集为“性价比，速度，颜色”。
[0071]
作为又一个示例，如图4所示，针对手机类别，可以在对应界面对对应物品属性集和对应属性观点集组进行各种操作。各种操作包括：添加操作，删除操作。
[0072]
第三步，对所得到的物品属性集组进行物品属性标注，得到上述多个物品属性。
[0073]
在这里，由于物品属性集组中各个物品属性之间存在相同的名称的物品属性，所以对物品属性进行标注。
[0074]
作为示例，上述手机类别，电脑类别存在相同的至少一个属性：配置高，性价比，颜色，运行速度。电脑类别与手机类别之间存在相同的至少一个属性：性价比，颜色。所以对对应的物品属性集组进行物品属性标注，得到上述多个物品属性。上述多个物品属性为：“手机_配置，手机_性价比，手机_颜色，手机_运行速度，电脑_配置，电脑_性价比，电脑_颜色，电脑_运行速度，自行车_性价比，自行车_速度，自行车_颜色”。
[0075]
在一些实施例的一些可选的实现方式中，上述将上述预处理后物品评论信息集中每个预处理后物品评论信息输入至训练后的评论观点生成模型，以输出上述预处理后物品评论信息对应的用户观点信息，可以包括以下步骤：
[0076]
第一步，上述执行主体可将上述预处理后物品评论信息输入至上述编码网络，得到物品评论向量。其中，上述编码模型是将文本转化为对应向量的模型。上述编码模型可以是但不限于以下之一：bert(bidirectional encoder representation from transformers)的编码网络，transformer中的编码网络。其中，上述编码模型会识别出处理后物品评论信息中填充的预定符号为无意义的填充符号。其中，编码模型的隐藏层宽度可以是256。
[0077]
第二步，将上述物品评论向量输入至预先训练的自注意力网络，以输出上述多个
物品属性中每个物品属性对应的概率集。上述物品属性对应的概率集包括：对目标物品在物品属性方面的负面概率、对目标物品在物品属性方面的正面概率、对目标物品在物品属性方面的无关概率。
[0078]
第三步，对于上述多个物品属性中每个物品属性，从上述物品属性对应的概率集中筛选出满足第五预设条件的概率，作为目标概率，以及确定上述目标概率对应的属性观点信息。其中，上述第五预设条件可以是概率值最大的概率。
[0079]
第四步，根据所得到的属性观点信息集，生成上述物品评论信息对应的用户观点信息。
[0080]
作为示例，上述执行主体可以将属性观点信息集进行信息组合，得到组合后信息，作为用户观点信息。
[0081]
步骤204，根据每个用户观点信息包括的多个物品属性的属性观点信息，从上述多个物品属性中筛选出对应属性观点信息满足第一预设条件的物品属性，得到至少一个物品属性。
[0082]
在一些实施例中，上述执行主体可以根据每个用户观点信息包括的多个物品属性的属性观点信息，从上述多个物品属性中筛选出对应属性观点信息满足第一预设条件的物品属性，得到至少一个物品属性。
[0083]
作为示例，上述执行主体可以根据每个用户观点信息包括的多个物品属性的属性观点信息，从上述多个物品属性中筛选出对应属性观点信息数目排在预定数目前的物品属性，得到至少一个物品属性。
[0084]
步骤205，从上述至少一个物品属性的属性观点信息中筛选出满足第二预设条件的属性观点信息，作为物品印象观点信息，得到物品印象观点信息集。
[0085]
在一些实施例中，上述执行主体可以从上述至少一个物品属性的属性观点信息中筛选出满足第二预设条件的属性观点信息，作为物品印象观点信息，得到物品印象观点信息集。其中，上述物品印象观点信息集中的物品印象观点信息可以在后续物品展示页面上显示。
[0086]
作为示例，上述执行主体可以对上述至少一个物品属性的属性观点信息进行属性观点信息去重处理，得到去重后属性观点信息集。然后，将上述去重后属性观点信息集确定为上述物品印象观点信息集。
[0087]
本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的信息筛选方法可以准确、高效地生成物品印象观点信息。提高了用户体验。具体来说，造成生成的物品印象观点信息不够准确的原因在于：对各个物品评论的信息概括能力较差，识别出来的各个物品印象观点信息不够精准。导致识别出的各个物品印象观点信息中可能存在语义信息相似的至少两个物品印象观点信息。使得生成的物品印象观点信息集不够准确。基于此，本公开的一些实施例的信息筛选方法可以获取针对目标物品的物品评论信息集，以作为后续模型的输入，以及后续物品印象观点信息集的数据基础。然后，对上述物品评论信息集中的每个物品评论信息进行预处理，以生成预处理后物品评论信息，得到预处理后物品评论信息集。在这里，对物品评论信息进行预处理以便于后续输入至模型。接着，将上述预处理后物品评论信息集中每个预处理后物品评论信息输入至训练后的评论观点生成模型，可以高效地输出上述预处理后物品评论信息对应的用户观点信息，得到用户观点信息集。其中，
用户观点信息包括：针对上述目标物品的、多个物品属性的属性观点信息。在这里，上述用户观点信息集可以用于后续物品属性筛选的数据支持。进而，根据每个用户观点信息包括的多个物品属性的属性观点信息，从上述多个物品属性中筛选出对应属性观点信息满足第一预设条件的物品属性，准确地得到至少一个物品属性。最后，从上述至少一个物品属性的属性观点信息中筛选出满足第二预设条件的属性观点信息，作为物品印象观点信息，得到物品印象观点信息集。在这里，得到的物品印象观点信息集中不存在语义信息相似的至少两个物品印象观点信息。物品印象观点信息集可以准确地概括目标物品各方面的评价信息。侧面提高了用户观看目标物品评论的用户体验。
[0088]
进一步参考图5，示出了根据本公开的信息筛选方法的另一些实施例的流程500。该信息筛选方法，包括以下步骤：
[0089]
步骤501，获取针对目标物品的物品评论信息集。
[0090]
步骤502，对上述物品评论信息集中的每个物品评论信息进行预处理，以生成预处理后物品评论信息，得到预处理后物品评论信息集。
[0091]
步骤503，将上述预处理后物品评论信息集中每个预处理后物品评论信息输入至训练后的评论观点生成模型，以输出上述预处理后物品评论信息对应的用户观点信息，得到用户观点信息集。
[0092]
步骤504，对于上述多个物品属性中的每个物品属性，执行第一属性观点信息数目确定步骤：
[0093]
步骤5041，根据每个用户观点信息包括的多个物品属性的属性观点信息，确定上述物品属性对应的属性观点信息集，作为第一目标属性观点信息集。
[0094]
在一些实施例中，执行主体(例如图1所示的电子设备101)可以根据每个用户观点信息包括的多个物品属性的属性观点信息，确定上述物品属性对应的属性观点信息集，作为第一目标属性观点信息集。其中，属性观点信息的类型包括：正面观点类型和负面观点类型。正面观点类型的属性观点信息为对目标物品评价不满意的属性观点信息。同样，负面观点类型的属性观点信息为对目标物品评价满意的属性观点信息。
[0095]
作为示例，上述执行主体可以根据每个用户观点信息包括的多个物品属性的属性观点信息，调用中央处理器(central processing unit，cpu)资源来确定上述物品属性对应的属性观点信息集。
[0096]
步骤5042，确定上述第一目标属性观点信息集中对应类型为上述正面观点类型的属性观点信息的数目，作为第一数目。
[0097]
作为示例，上述执行主体可以利用相关cpu资源，来确定上述第一目标属性观点信息集中对应类型为上述正面观点类型的属性观点信息的数目。
[0098]
步骤5043，确定上述第一目标属性观点信息集中对应类型为上述负面观点类型的属性观点信息的数目，作为第二数目。
[0099]
作为示例，上述执行主体可以利用相关cpu资源，来确定上述第一目标属性观点信息集中对应类型为上述负面观点类型的属性观点信息的数目。
[0100]
步骤505，获取属性评论信息集对应的属性观点信息集，作为第二目标属性观点信息集。
[0101]
在一些实施例中，上述执行主体可以获取属性评论信息集对应的属性观点信息
集，作为第二目标属性观点信息集。
[0102]
作为示例，上述执行主体可以通过有线连接方式或者无线连接方式来获取属性评论信息集对应的属性观点信息集。
[0103]
步骤506，依据每个第二目标属性观点信息对应的物品属性，确定上述多个物品属性中每个物品属性对应的、类型为上述正面观点类型的第二目标属性观点信息的数目，作为第三数目，得到第三数目集。
[0104]
在一些实施例中，上述执行主体可以依据每个第二目标属性观点信息对应的物品属性，通过调用cpu资源，确定上述多个物品属性中每个物品属性对应的、类型为上述正面观点类型的第二目标属性观点信息的数目，作为第三数目，得到第三数目集。
[0105]
步骤507，依据每个第二目标属性观点信息对应的物品属性，确定上述多个物品属性中每个物品属性对应的、类型为上述反面观点类型的第二目标属性观点信息的数目，作为第四数目，得到第四数目集。
[0106]
在一些实施例中，上述执行主体可以依据每个第二目标属性观点信息对应的物品属性，通过调用cpu资源，确定上述多个物品属性中每个物品属性对应的、类型为上述反面观点类型的第二目标属性观点信息的数目，作为第四数目，得到第四数目集。
[0107]
步骤508，根据所得到的第一数目集、所得到的第二数目集，上述第三数目集和上述第四数目集，从上述多个物品属性中筛选出对应属性观点信息满足第一预设条件的物品属性，得到上述至少一个物品属性。
[0108]
在一些实施例中，上述执行主体可以根据所得到的第一数目集、所得到的第二数目集，上述第三数目集和上述第四数目集，通过各种方式来从上述多个物品属性中筛选出对应属性观点信息满足第一预设条件的物品属性，得到上述至少一个物品属性。
[0109]
作为示例，上述执行主体可以首先从第一数目集确定出第一预定数目个第一数目，得到至少一个第一数目。从第二数目集确定出第二预定数目个第二数目，得到至少一个第二数目。从第三数目集确定出第三预定数目个第三数目，得到至少一个第三数目。从第四数目集确定出第四预定数目个第四数目，得到至少一个第四数目。然后，上述执行主体可以依据上述至少一个第一数目中各个第一数目对应的物品属性和上述至少一个第三数目中各个第三数目对应的物品属性，对上述至少一个第一数目和上述至少一个第三数目之间对应物品属性相同的数目进行数目相加，得到至少一个第五数目。依据上述至少一个第二数目中各个第二数目对应的物品属性和上述至少一个第四数目中各个第四数目对应的物品属性，对上述至少一个第二数目和上述至少一个第四数目之间对应物品属性相同的数目进行数目相加，得到至少一个第六数目。最后，将上述至少一个第五数目对应的物品属性集和上述至少一个第六数目对应的物品属性集进行融合去重，得到上述至少一个物品属性。
[0110]
在一些实施例的一些可选的实现方式中，上述根据所得到的第一数目集、所得到的第二数目集，上述第三数目集和上述第四数目集，从上述多个物品属性中筛选出对应属性观点信息满足第一预设条件的物品属性，得到上述至少一个物品属性，可以包括以下步骤：
[0111]
第一步，依据上述第一数目集中各个第一数目对应的物品属性和上述第三数目集中各个第三数目对应的物品属性，对上述第一数目集和上述第三数目集之间对应物品属性相同的数目进行数目相加，得到第五数目集。
[0112]
第二步，依据上述第二数目集中各个第二数目对应的物品属性和上述第四数目集中各个第四数目对应的物品属性，对上述第二数目集和上述第四数目集之间对应物品属性相同的数目进行数目相加，得到第六数目集。
[0113]
第三步，从上述多个物品属性中筛选出对应第五数目满足第三预设条件的物品属性，作为第一目标物品属性，得到至少一个第一目标物品属性。其中，上述第三预设条件可以是第五数目集中排名在前第一预设数目名的第五数目。
[0114]
第四步，从上述多个物品属性中筛选出对应第六数目满足第四预设条件的物品属性，作为第二目标物品属性，得到至少一个第二目标物品属性。其中，上述第四预设条件可以是第六数目集中排名在前第二预设数目名的第六数目。
[0115]
第五步，将上述至少一个第一目标物品属性和上述至少一个第二目标物品属性进行融合去重，得到上述至少一个物品属性。
[0116]
步骤509，从上述至少一个物品属性的属性观点信息中筛选出满足第二预设条件的属性观点信息，作为物品印象观点信息，得到物品印象观点信息集。
[0117]
在一些实施例的一些可选的实现方式中，上述从上述至少一个物品属性的属性观点信息中筛选出满足第二预设条件的属性观点信息，作为物品印象观点信息，得到物品印象观点信息集，可以包括以下步骤：
[0118]
第一步，上述执行主体可以确定上述至少一个第一目标物品属性中每个第一目标物品属性对应的、类型为上述正面观点类型的属性观点信息，作为第一目标属性观点信息，得到至少一个第一目标属性观点信息。
[0119]
第二步，上述执行主体可以确定上述至少一个第二目标物品属性中每个第二目标物品属性对应的、类型为上述负面观点类型的属性观点信息，作为第二目标属性观点信息，得到至少一个第二目标属性观点信息。
[0120]
第四步，上述执行主体可以将上述至少一个第一目标属性观点信息与上述至少一个第二目标属性观点信息进行组合，得到组合后属性观点信息集，作为上述物品印象观点信息集。
[0121]
在一些实施例中，步骤501-503和509的具体实现及其所带来的技术效果，可以参考图2对应的实施例中的步骤201-203和205，在此不再赘述。
[0122]
从图5中可以看出，与图2对应的一些实施例的描述相比，图5对应的一些实施例中的信息筛选方法的流程500更加突出了从上述多个物品属性中筛选出至少一个物品属性的具体步骤。由此，这些实施例描述的方案通过可以更为精准地确定出各个用户对目标物品更为关注的至少一个物品属性。
[0123]
继续参考图6，示出了根据本公开的模型训练方法的一些实施例的流程600。该模型训练方法，包括以下步骤：
[0124]
步骤601，获取属性评论信息集和上述属性评论信息集中每个属性评论信息对应的用户观点信息。
[0125]
在一些实施例中，上述模型训练方法的执行主体(例如图1所示的电子设备101)可以通过有线连接方式或者无线连接方式来获取属性评论信息集和上述属性评论信息集中每个属性评论信息对应的用户观点信息。
[0126]
步骤602，对所获得的用户观点信息集中的每个用户观点信息进行编码处理，以生
成用户观点编码向量，得到用户观点编码向量集。
[0127]
在一些实施例中，上述执行主体可以对所获得的用户观点信息集中的每个用户观点信息进行编码处理，以生成用户观点编码向量，得到用户观点编码向量集。
[0128]
作为示例，上述执行主体可以所获得的用户观点信息集中的每个用户观点信息进行独热编码处理，以生成用户观点编码向量，得到用户观点编码向量集。
[0129]
步骤603，对上述属性评论信息集中的属性评论信息进行数据长度处理，得到处理后属性评论信息集。
[0130]
在一些实施例中，上述执行主体可以对上述属性评论信息集中的属性评论信息进行数据长度处理，得到处理后属性评论信息集。作为示例，上述执行主体可以首先确定属性评论信息的数据长度。响应于确定上述属性评论信息的数据长度小于目标阈值，对属性评论信息进行数据补充。例如，可以在属性评论信息后面补充多个预设符号，以使得补充后的属性评论信息的数据长度等于上述目标阈值。响应于确定上述属性评论信息的数据长度等于目标阈值，不对属性评论信息进行数据补充。响应于确定上述属性评论信息的数据长度大于目标阈值，对属性评论信息进行数据去除。例如，可以删去属性评论信息中预定数目个字，以使得删除后的属性评论信息的数据长度等于上述目标阈值。
[0131]
步骤604，将上述处理后属性评论信息集中的各个处理后属性评论信息作为训练样本，上述用户观点编码向量集中的各个用户观点编码向量作为训练样本标签，利用预设的损失函数，对初始评论观点生成模型进行训练，得到训练后的评论观点生成模型。
[0132]
在一些实施例中，上述执行主体可以将上述处理后属性评论信息集中的各个处理后属性评论信息作为训练样本，上述用户观点编码向量集中的各个用户观点编码向量作为训练样本标签，利用预设的损失函数，对初始评论观点生成模型进行训练，得到训练后的评论观点生成模型。
[0133]
作为示例，上述评论观点生成模型对应损失函数为：
[0134][0135]
其中，ζ可以是目标样本对应的损失值。n可以是多个物品属性中物品属性的个数。ci可以是第i个物品类别。ρ(ci，j)可以表征第j个物品属性是否属于物品类别ci，属于则为1，否则为0。l
i，k
可以是第k个物品属性与第i个属性评论信息之间的关联关系信息。上述关联关系信息可以是独热编码信息。当独热编码信息为[0，1，0]，可以表征第i个属性评论信息对应的属性观点信息为第k个物品属性的正面观点信息。独热编码信息为[0，0，1]，可以表征第i个属性评论信息对应的属性观点信息为第k个物品属性的负面观点信息。当独热编码信息为[0，0，1]，可以表征第k个物品属性与第i个属性评论信息之间不存在关联关系。v
i，k
可以是第k个物品属性与第i个属性评论信息之间的概率信息。概率信息可以包括：第i个属性评论信息为第k个物品属性的正面评论的概率，第i个属性评论信息为第k个物品属性的负面评论的概率，第k个物品属性与第i个属性评论信息无关的概率。
[0136]
在一些实施例的一些可选的实现方式中，上述初始评论观点生成模型包括：初始编码网络和初始自注意力网络；以及上述将处理后属性评论信息集中的各个处理后属性评
论信息作为训练样本，上述用户观点编码向量集中的各个用户观点编码向量作为训练样本标签，利用预设的损失函数，对初始评论观点生成模型进行训练，得到训练后的评论观点生成模型，可以包括以下步骤：
[0137]
第一步，执行以下初始评论观点生成模型训练步骤：
[0138]
第一子步骤，上述执行主体可以对上述处理后属性评论信息集中的各个处理后属性评论信息进行混排处理，得到混排处理后信息集。即，在每一轮训练过程中，将处理后属性评论信息集进行随机混排，具体实现如使用tensorflow的tensorflow.random.shuffle函数。
[0139]
第二子步骤，上述执行主体可以从上述混排处理后信息集中筛选出至少一个混排处理后信息。其中，上述至少一个混排处理后信息可以是模型训练的一个批量。且至少一个混排处理后信息中的混排处理后信息的数目可以是预先设置的。例如，数目可以是64。使用小批量，既可以降低参数更新时候的方差，收敛更加稳定。另一方面可以提升训练的效率。批量过大，可能会导致单次训练的内存和显卡的开销过大、同时模型效果受影响，而批量过小则会影响收敛速度。
[0140]
作为示例，上述执行主体可以从上述混排处理后信息集中随机筛选出至少一个混排处理后信息。
[0141]
第三子步骤，上述执行主体可以将上述至少一个混排处理后信息中每个混排处理后信息输入至预先训练的初始编码网络，以生成初始物品评论向量，得到初始物品评论向量集。
[0142]
第四子步骤，上述执行主体可以将上述初始物品评论向量集中的每个初始物品评论向量输入至初始自注意力网络，以输出每个混排处理后信息对应的初始概率集组。其中，初始概率集组中每个初始概率集存在一一对应的物品属性。每个初始概率集可以表征混排处理后信息对应的某一个物品属性为正面或负面的程度信息。上述初始概率集中初始概率的个数可以是2个，也可以是3个。当初始概率的个数为3个时，初始概率集可以表征对应的某一个物品属性为正面、负面或中性面的程度信息。其中，每个初始概率集中各个初始概率之间相加等于1。例如，物品属性为“自行车颜色”。混排处理后信息为“颜色很好看，很亮眼”。对应初始概率集包括：{正面概率：0.7，负面概率：0.3}。根据初始概率集，可以得到在物品属性为“自行车颜色”上，混排处理后信息为正面评论信息。
[0143]
第五子步骤，上述执行主体可以根据每个混排处理后信息对应的初始概率集组，确定上述至少一个混排处理后信息中每个混排处理后信息对应的初始用户观点编码向量，得到初始用户观点编码向量集。
[0144]
作为示例，上述执行主体可以将每个混排处理后信息对应的初始概率集组作为向量中的向量元素，以生成每个混排处理后信息对应的向量，作为初始用户观点向量。
[0145]
第六子步骤，上述执行主体可以确定上述至少一个混排处理后信息对应的用户观点编码向量子集。其中，至少一个混排处理后信息中的混排处理后信息与用户观点编码向量子集中用户观点编码向量为一一对应的关系。
[0146]
第七子步骤，上述执行主体可以根据上述初始用户观点编码向量集、上述至少一个混排处理后信息对应的评论物品类别集和上述用户观点编码向量子集，利用上述损失函数，确定损失值集。
[0147]
作为示例，具体实现方式可以参见步骤604中所提及的公式。
[0148]
第八子步骤，上述执行主体可以根据上述损失值集，通过反向传播，对上述初始评论观点生成模型中的参数进行更新。
[0149]
可选地，上述根据每个混排处理后信息对应的初始概率集组，确定上述至少一个混排处理后信息中每个混排处理后信息对应的初始用户观点编码向量，可以包括以下步骤：
[0150]
第一步，对于上述初始概率集组中的每个初始概率集，上述执行主体可以从上述初始概率集中筛选出满足第六预设条件的初始概率，作为目标初始概率。其中，第六预设条件可以是初始概率集中概率值最大的初始概率。
[0151]
第二步，上述执行主体可以根据所得到的目标初始概率集，确定上述混排处理后信息对应的初始用户观点编码向量。
[0152]
作为示例，上述执行主体可以依据预定向量格式，来将所得到的目标初始概率集转换为上述混排处理后信息对应的初始用户观点编码向量。
[0153]
可选地，上述根据上述损失值集，通过反向传播，对上述初始评论观点生成模型中的参数进行更新，可以包括以下步骤：
[0154]
第一步，上述执行主体可以对上述损失值集进行求平均值处理，得到平均损失值。
[0155]
第二步，响应于确定上述平均损失值大于等于预定阈值，上述执行主体可以通过反向传播，对上述初始评论观点生成模型中的参数进行更新，以及再次执行初始评论观点生成模型训练步骤。
[0156]
可选地，响应于确定上述平均损失值小于上述预定阈值，上述执行主体可以将初始评论观点生成模型确定为上述训练后的评论观点生成模型。
[0157]
本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的模型训练方法可以生成更为精准的评论观点生成模型。以使得使用训练后的评论观点生成模型可以生成更为准确的用户观点信息集。
[0158]
进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种信息筛选装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0159]
如图7所示，一种信息筛选装置700包括：第一获取单元701、预处理单元702、输入单元703、第一筛选单元704和第二筛选单元705。其中，第一获取单元701，被配置成获取针对目标物品的物品评论信息集；预处理单元702，被配置成对上述物品评论信息集中的每个物品评论信息进行预处理，以生成预处理后物品评论信息，得到预处理后物品评论信息集；输入单元703，被配置成将上述物品评论信息预处理后物品评论信息集中每个预处理后物品评论信息物品评论信息输入至训练后的评论观点生成模型，以输出上述预处理后物品评论信息对应的用户观点信息，得到用户观点信息集，其中，用户观点信息包括：针对上述目标物品的、多个物品属性的属性观点信息；第一筛选单元704，被配置成根据每个用户观点信息包括的多个物品属性的属性观点信息，从上述多个物品属性中筛选出对应属性观点信息满足第一预设条件的物品属性，得到至少一个物品属性；第二筛选单元705，被配置成从上述至少一个物品属性的属性观点信息中筛选出满足第二预设条件的属性观点信息，作为物品印象观点信息，得到物品印象观点信息集。
[0160]
在一些实施例的一些可选的实现方式中，上述属性观点信息的类型包括：正面观点类型和负面观点类型。上述第一筛选单元704可以进一步被配置成：对于上述多个物品属性中的每个物品属性，执行第一属性观点信息数目确定步骤：根据每个用户观点信息包括的多个物品属性的属性观点信息，确定上述物品属性对应的属性观点信息集，作为第一目标属性观点信息集；确定上述第一目标属性观点信息集中对应类型为上述正面观点类型的属性观点信息的数目，作为第一数目；确定上述第一目标属性观点信息集中对应类型为上述负面观点类型的属性观点信息的数目，作为第二数目。
[0161]
在一些实施例的一些可选的实现方式中，上述第一筛选单元704可以进一步被配置成：获取属性评论信息集对应的属性观点信息集，作为第二目标属性观点信息集；依据每个第二目标属性观点信息对应的物品属性，确定上述多个物品属性中每个物品属性对应的、类型为上述正面观点类型的第二目标属性观点信息的数目，作为第三数目，得到第三数目集；依据每个第二目标属性观点信息对应的物品属性，确定上述多个物品属性中每个物品属性对应的、类型为上述反面观点类型的第二目标属性观点信息的数目，作为第四数目，得到第四数目集；根据所得到的第一数目集、所得到的第二数目集，上述第三数目集和上述第四数目集，从上述多个物品属性中筛选出对应属性观点信息满足第一预设条件的物品属性，得到上述至少一个物品属性。
[0162]
在一些实施例的一些可选的实现方式中，上述第一筛选单元704可以进一步被配置成：依据上述第一数目集中各个第一数目对应的物品属性和上述第三数目集中各个第三数目对应的物品属性，对上述第一数目集和上述第三数目集之间对应物品属性相同的数目进行数目相加，得到第五数目集；依据上述第二数目集中各个第二数目对应的物品属性和上述第四数目集中各个第四数目对应的物品属性，对上述第二数目集和上述第四数目集之间对应物品属性相同的数目进行数目相加，得到第六数目集；从上述多个物品属性中筛选出对应第五数目满足第三预设条件的物品属性，作为第一目标物品属性，得到至少一个第一目标物品属性；从上述多个物品属性中筛选出对应第六数目满足第四预设条件的物品属性，作为第二目标物品属性，得到至少一个第二目标物品属性；将上述至少一个第一目标物品属性和上述至少一个第二目标物品属性进行融合去重，得到上述至少一个物品属性。
[0163]
在一些实施例的一些可选的实现方式中，上述第二筛选单元705可以进一步被配置成：确定上述至少一个第一目标物品属性中每个第一目标物品属性对应的、类型为上述正面观点类型的属性观点信息，作为第一目标属性观点信息，得到至少一个第一目标属性观点信息；确定上述至少一个第二目标物品属性中每个第二目标物品属性对应的、类型为上述负面观点类型的属性观点信息，作为第二目标属性观点信息，得到至少一个第二目标属性观点信息；将上述至少一个第一目标属性观点信息与上述至少一个第二目标属性观点信息进行组合，得到组合后属性观点信息集，作为上述物品印象观点信息集。
[0164]
在一些实施例的一些可选的实现方式中，评论观点生成模型包括：编码网络和自注意力网络。上述输入单元703可以进一步被配置成：将上述预处理后物品评论信息输入至上述编码网络，得到物品评论向量；将上述物品评论向量输入至预先训练的自注意力网络，以输出上述多个物品属性中每个物品属性对应的概率集；对于上述多个物品属性中每个物品属性，从上述物品属性对应的概率集中筛选出满足第五预设条件的概率，作为目标概率，以及确定上述目标概率对应的属性观点信息；根据所得到的属性观点信息集，生成上述物
品评论信息对应的用户观点信息。
[0165]
在一些实施例的一些可选的实现方式中，上述预处理单元702可以进一步被配置成：对上述物品评论信息进行数据长度处理，得到处理后物品评论信息；对上述处理后物品评论信息进行独热编码处理，得到独热编码向量，作为预处理后物品评论信息。
[0166]
可以理解的是，该装置700中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置700及其中包含的单元，在此不再赘述。
[0167]
进一步参考图8，作为对上述各图所示方法的实现，本公开提供了一种模型训练装置的一些实施例，这些装置实施例与图6所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0168]
如图8所示，一种模型训练装置800包括：第二获取单元801、编码单元802、数据长度处理单元803和训练单元804。其中，第二获取单元801，被配置成获取属性评论信息集和上述属性评论信息集中每个属性评论信息对应的用户观点信息；编码单元802，被配置成对所获得的用户观点信息集中的每个用户观点信息进行编码处理，以生成用户观点编码向量，得到用户观点编码向量集；数据长度处理单元803，被配置成对上述属性评论信息集中的属性评论信息进行数据长度处理，得到处理后属性评论信息集；训练单元804，被配置成将处理后属性评论信息集中的各个处理后属性评论信息作为训练样本，上述用户观点编码向量集中的各个用户观点编码向量作为训练样本标签，利用预设的损失函数，对初始评论观点生成模型进行训练，得到训练后的评论观点生成模型。
[0169]
在一些实施例的一些可选的实现方式中，初始评论观点生成模型包括：初始编码网络和初始自注意力网络。上述训练单元804可以进一步被配置成：执行以下初始评论观点生成模型训练步骤：对上述处理后属性评论信息集中的各个处理后属性评论信息进行混排处理，得到混排处理后信息集；从上述混排处理后信息集中筛选出至少一个混排处理后信息；将上述至少一个混排处理后信息中每个混排处理后信息输入至预先训练的初始编码网络，以生成初始物品评论向量，得到初始物品评论向量集；将上述初始物品评论向量集中的每个初始物品评论向量输入至初始自注意力网络，以输出每个混排处理后信息对应的初始概率集组；根据每个混排处理后信息对应的初始概率集组，确定上述至少一个混排处理后信息中每个混排处理后信息对应的初始用户观点编码向量，得到初始用户观点编码向量集；确定上述至少一个混排处理后信息对应的用户观点编码向量子集；根据上述初始用户观点编码向量集、上述至少一个混排处理后信息对应的评论物品类别集和上述用户观点编码向量子集，利用上述损失函数，确定损失值集；根据上述损失值集，通过反向传播，对上述初始评论观点生成模型中的参数进行更新。
[0170]
在一些实施例的一些可选的实现方式中，上述训练单元804可以进一步被配置成：对于上述初始概率集组中的每个初始概率集，从上述初始概率集中筛选出满足第六预设条件的初始概率，作为目标初始概率；根据所得到的目标初始概率集，确定上述混排处理后信息对应的初始用户观点编码向量。
[0171]
在一些实施例的一些可选的实现方式中，上述训练单元804可以进一步被配置成：对上述损失值集进行求平均值处理，得到平均损失值；响应于确定上述平均损失值大于等于预定阈值，通过反向传播，对上述初始评论观点生成模型中的参数进行更新，以及再次执
行初始评论观点生成模型训练步骤。
[0172]
在一些实施例的一些可选的实现方式中，上述训练单元804可以进一步被配置成：响应于确定上述平均损失值小于上述预定阈值，将初始评论观点生成模型确定为上述训练后的评论观点生成模型。
[0173]
可以理解的是，该装置800中记载的诸单元与参考图6描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置800及其中包含的单元，在此不再赘述。
[0174]
下面参考图9，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的电子设备101)900的结构示意图。图9示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
[0175]
如图9所示，电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(rom)902中的程序或者从存储装置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ram 903中，还存储有电子设备900操作所需的各种程序和数据。处理装置901、rom 902以及ram903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
[0176]
通常，以下装置可以连接至i/o接口905：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图9中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
[0177]
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从rom 902被安装。在该计算机程序被处理装置901执行时，执行本公开的一些实施例的方法中限定的上述功能。
[0178]
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，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，其中承载了计算机可读的程序代码。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。计算机
可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机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：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0179]
在一些实施方式中，客户端、服务端可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0180]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取针对目标物品的物品评论信息集；对上述物品评论信息集中的每个物品评论信息进行预处理，以生成预处理后物品评论信息，得到预处理后物品评论信息集；将上述物品评论信息预处理后物品评论信息集中每个预处理后物品评论信息物品评论信息输入至训练后的评论观点生成模型，以输出上述预处理后物品评论信息对应的用户观点信息，得到用户观点信息集，其中，用户观点信息包括：针对上述目标物品的、多个物品属性的属性观点信息；根据每个用户观点信息包括的多个物品属性的属性观点信息，从上述多个物品属性中筛选出对应属性观点信息满足第一预设条件的物品属性，得到至少一个物品属性；从上述至少一个物品属性的属性观点信息中筛选出满足第二预设条件的属性观点信息，作为物品印象观点信息，得到物品印象观点信息集。获取属性评论信息集和上述属性评论信息集中每个属性评论信息对应的用户观点信息；对所获得的用户观点信息集中的每个用户观点信息进行编码处理，以生成用户观点编码向量，得到用户观点编码向量集；对上述属性评论信息集中的属性评论信息进行数据长度处理，得到处理后属性评论信息集；将处理后属性评论信息集中的各个处理后属性评论信息作为训练样本，上述用户观点编码向量集中的各个用户观点编码向量作为训练样本标签，利用预设的损失函数，对初始评论观点生成模型进行训练，得到训练后的评论观点生成模型。
[0181]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0182]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上
可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0183]
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括：第一获取单元、预处理单元、输入单元、第一筛选单元和第二筛选单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取针对目标物品的物品评论信息集的单元”。
[0184]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0185]
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。