服务评价数据处理方法、装置、设备及存储介质制造方法及图纸

本文涉及数据处理技术领域，提供了一种服务评价数据处理方法、装置、设备及存储介质，该方法包括：从服务评价文本中提取文本特征；将文本特征输入多任务BERT模型，以获得用于表征语义特征的隐向量；将隐向量输入服务属性注意力层、客户观点注意力层和情感色彩注意力层，对应获得第一隐向量、第二隐向量和第三隐向量；以第一隐向量为输入，基于第一条件随机场层生成服务属性值；以第二隐向量和服务属性值为输入，基于第二条件随机场层生成客户观点；以第三隐向量和客户观点为输入，基于情感色彩分类器生成情感色彩；将服务属性值、客户观点和情感色彩作为三元组数据输出。本文实施例可提高服务评价数据的识别准确率并识别待改善的产品、服务。服务。服务。

【技术实现步骤摘要】
服务评价数据处理方法、装置、设备及存储介质


[0001]本说明书涉及数据处理
，尤其是涉及一种服务评价数据处理方法、装置、设备及存储介质。

技术介绍

[0002]目前各种APP、服务等为提高用户体验，给用户提供了反馈其建议、体验的通道。例如，一些手机银行提供了“我要留言”的功能，手机银行用户可进行投诉、建议等操作。银行收集到这些信息后，需要对用户的留言进行情感分析，分析出提供服务的不足之处，以便进行优化，最终提升用户体验。然而，目前用户的投诉建议主要依赖于人工分析，费时费力，或者通过简单的数据分析方法，如情感词典匹配方法判断出留言的褒贬含义，但没有真正挖掘出待改善的产品和/或服务。

技术实现思路

[0003]本说明书实施例的目的在于提供一种服务评价数据处理方法、装置、设备及存储介质，以提高服务评价数据的识别准确率并识别待改善的产品和/或服务。
[0004]为达到上述目的，一方面，本说明书实施例提供了一种服务评价数据处理方法，包括：
[0005]从服务评价文本中提取文本特征；
[0006]将所述文本特征输入预训练的多任务BERT模型，以获得用于表征所述服务评价文本的语义特征的隐向量；
[0007]将所述隐向量分别输入预训练的服务属性注意力层、客户观点注意力层和情感色彩注意力层，对应获得具有服务属性注意力的第一隐向量、具有客户观点注意力的第二隐向量和具有情感色彩注意力的第三隐向量；
[0008]以所述第一隐向量为输入，基于预训练的第一条件随机场层生成服务属性值；
[0009]以所述第二隐向量和所述服务属性值为输入，基于预训练的第二条件随机场层生成客户观点；
[0010]以所述第三隐向量和所述客户观点为输入，基于预训练的情感色彩分类器生成情感色彩；
[0011]将所述服务属性值、所述客户观点和所述情感色彩作为三元组数据输出。
[0012]本说明书实施例的服务评价数据处理方法中，以所述第一隐向量为输入，基于预训练的第一条件随机场层生成服务属性值，包括：
[0013]基于预训练的第一条件随机场层从所述第一隐向量中预测出服务属性最大概率的标签序列，以作为所述服务评价文本的服务属性值。
[0014]本说明书实施例的服务评价数据处理方法中，以所述第二隐向量和所述服务属性值为输入，基于预训练的第二条件随机场层生成客户观点，包括：
[0015]将所述服务属性值向量化为服务属性值向量；
[0016]将所述服务属性值向量与所述第二隐向量的对应元素叠加，生成第一叠加向量；
[0017]基于预训练的第二条件随机场层从所述第一叠加向量中预测出客户观点最大概率的标签序列，以作为所述服务评价文本的客户观点。
[0018]本说明书实施例的服务评价数据处理方法中，以所述第三隐向量和所述客户观点为输入，基于预训练的情感色彩分类器生成情感色彩，包括：
[0019]将所述客户观点向量化为客户观点向量；
[0020]将所述客户观点向量与所述第三隐向量的对应元素叠加，生成第二叠加向量；
[0021]基于预训练的情感色彩分类器对所述第二叠加向量进行情感分类，以确定所述服务评价文本的情感色彩。
[0022]本说明书实施例的服务评价数据处理方法中，在获得所述服务评价文本的服务属性值、客户观点和情感色彩之后，还包括：
[0023]将所述三元组数据维护至数据库或者知识图谱中。
[0024]本说明书实施例的服务评价数据处理方法中，在获得所述服务评价文本的服务属性值、客户观点和情感色彩之后，还包括：
[0025]定期根据数据库或者知识图谱存储的三元组数据进行模型更新训练。
[0026]另一方面，本说明书实施例还提供了一种服务评价数据处理装置，包括：
[0027]文本特征提取模块，用于从服务评价文本中提取文本特征；
[0028]隐向量确定模块，用于将所述文本特征输入预训练的多任务BERT模型，以获得用于表征所述服务评价文本的语义特征的隐向量；
[0029]注意力确定模块，用于将所述隐向量分别输入预训练的服务属性注意力层、客户观点注意力层和情感色彩注意力层，对应获得具有服务属性注意力的第一隐向量、具有客户观点注意力的第二隐向量和具有情感色彩注意力的第三隐向量；
[0030]服务属性值生成模块，用于以所述第一隐向量为输入，基于预训练的第一条件随机场层生成服务属性值；
[0031]客户观点生成模块，用于以所述第二隐向量和所述服务属性值为输入，基于预训练的第二条件随机场层生成客户观点；
[0032]情感色彩生成模块，用于以所述第三隐向量和所述客户观点为输入，基于预训练的情感色彩分类器生成情感色彩；
[0033]三元组数据输出模块，用于将所述服务属性值、所述客户观点和所述情感色彩作为三元组数据输出。
[0034]另一方面，本说明书实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述方法的指令。
[0035]另一方面，本说明书实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
[0036]另一方面，本说明书实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
[0037]由以上本说明书实施例提供的技术方案可见，基于本说明书实施例的自动化的服务评价数据处理方案，不仅可以获得用户针对服务的褒贬评价，还可以挖掘出具体的客户
观点及待改善的产品和/或服务，从而为后续改善产品和/或服务提供参考依据。不仅如此，在本说明书的实施例中，由于客户观点是基于服务属性值和BERT模型输出的隐向量生成，在服务属性值已确定的情况下，可缩小客户观点的预测范围，从而提高了客户观点的预测准确率；同理，情感色彩是基于客户观点和BERT模型输出的隐向量生成，在客户观点已确定的情况下，可缩小情感色彩的预测范围，从而提高了情感色彩的预测准确率。
附图说明
[0038]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0039]图1示出了本说明书一些实施例中服务评价数据处理系统的示意图；
[0040]图2示出了本说明书一些实施例中服务评价数据处理方法的流程图；
[0041]图3示出了本说明书一些实施例中服务评价数据处理的原理示意图；
[0042]图4示出了本说明书另一些实施例中服务评价数据处理方法的流程图；
[0043]图5示出了本说明书一些实施例中服务评价数据处理装本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种服务评价数据处理方法，其特征在于，包括：从服务评价文本中提取文本特征；将所述文本特征输入预训练的多任务BERT模型，以获得用于表征所述服务评价文本的语义特征的隐向量；将所述隐向量分别输入预训练的服务属性注意力层、客户观点注意力层和情感色彩注意力层，对应获得具有服务属性注意力的第一隐向量、具有客户观点注意力的第二隐向量和具有情感色彩注意力的第三隐向量；以所述第一隐向量为输入，基于预训练的第一条件随机场层生成服务属性值；以所述第二隐向量和所述服务属性值为输入，基于预训练的第二条件随机场层生成客户观点；以所述第三隐向量和所述客户观点为输入，基于预训练的情感色彩分类器生成情感色彩；将所述服务属性值、所述客户观点和所述情感色彩作为三元组数据输出。2.如权利要求1所述的服务评价数据处理方法，其特征在于，以所述第一隐向量为输入，基于预训练的第一条件随机场层生成服务属性值，包括：基于预训练的第一条件随机场层从所述第一隐向量中预测出服务属性最大概率的标签序列，以作为所述服务评价文本的服务属性值。3.如权利要求1所述的服务评价数据处理方法，其特征在于，以所述第二隐向量和所述服务属性值为输入，基于预训练的第二条件随机场层生成客户观点，包括：将所述服务属性值向量化为服务属性值向量；将所述服务属性值向量与所述第二隐向量的对应元素叠加，生成第一叠加向量；基于预训练的第二条件随机场层从所述第一叠加向量中预测出客户观点最大概率的标签序列，以作为所述服务评价文本的客户观点。4.如权利要求1所述的服务评价数据处理方法，其特征在于，以所述第三隐向量和所述客户观点为输入，基于预训练的情感色彩分类器生成情感色彩，包括：将所述客户观点向量化为客户观点向量；将所述客户观点向量与所述第三隐向量的对应元素叠加，生成第二叠加向量；基于预训练的情感色彩分类器对所述第二叠加向量进行情感分类，以确定所述服务评价文本的情感色彩。5.如权利要求1所述的服务评价数据处理方法，其特征在于，在获得所...

【专利技术属性】
技术研发人员：南晓停，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：