買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉中國聯(lián)合網(wǎng)絡(luò)通信集團(tuán)有限公司申請的專利意見分類模型訓(xùn)練方法、意見分類方法、裝置及介質(zhì)獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN117194664B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-09發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202311253073.7，技術(shù)領(lǐng)域涉及：G06F16/35；該發(fā)明授權(quán)意見分類模型訓(xùn)練方法、意見分類方法、裝置及介質(zhì)是由于向麗;張媛媛設(shè)計(jì)研發(fā)完成，并于2023-09-26向國家知識產(chǎn)權(quán)局提交的專利申請。

本意見分類模型訓(xùn)練方法、意見分類方法、裝置及介質(zhì)在說明書摘要公布了：本公開提供意見分類模型訓(xùn)練方法、意見分類方法、裝置及介質(zhì)，涉及數(shù)據(jù)技術(shù)領(lǐng)域，解決如何充分挖掘用戶反饋意見中的有效信息的問題，所述訓(xùn)練方法包括：獲取包括多條歷史意見分類數(shù)據(jù)的訓(xùn)練集，每條歷史意見分類數(shù)據(jù)包括：歷史意見分詞特征向量、實(shí)際問題類別向量和實(shí)際情感類別向量；以訓(xùn)練集中的歷史意見分詞特征向量作為迭代意見分類模型的訓(xùn)練輸入，獲得訓(xùn)練輸出問題類別向量和訓(xùn)練輸出情感類別向量，以損失函數(shù)計(jì)算訓(xùn)練輸出問題類別向量和訓(xùn)練輸出情感類別向量與實(shí)際問題類別向量和實(shí)際情感類別向量之間的平均損失，以優(yōu)化算法控制意見分類模型的參數(shù)更新和迭代，以使平均損失逐步減小，直至達(dá)到訓(xùn)練結(jié)束條件，獲得訓(xùn)練后意見分類模型。

本發(fā)明授權(quán)意見分類模型訓(xùn)練方法、意見分類方法、裝置及介質(zhì)在權(quán)利要求書中公布了：1.一種意見分類模型訓(xùn)練方法，其特征在于，包括： 獲取包括多條歷史意見分類數(shù)據(jù)的訓(xùn)練集，每條歷史意見分類數(shù)據(jù)包括：歷史意見分詞特征向量、實(shí)際問題類別向量和實(shí)際情感類別向量，具體包括： 對歷史意見文本標(biāo)注問題類別和情感類別， 對每條歷史意見文本進(jìn)行分詞特征提取，以獲得歷史意見分詞特征向量， 根據(jù)問題類別和情感類別的數(shù)量n和m，對應(yīng)每個(gè)歷史意見分詞特征向量對標(biāo)注的問題類別和情感類別所在的維度賦值為a，其余維度賦值為b，a≠b，獲得n維實(shí)際問題類別向量和m維實(shí)際情感類別向量， 組合每個(gè)歷史意見分詞特征向量和對應(yīng)的實(shí)際問題類別向量和實(shí)際情感類別向量，以獲得每條歷史意見分類數(shù)據(jù)， 將全部歷史意見分類數(shù)據(jù)分為訓(xùn)練集和測試集； 以訓(xùn)練集中的歷史意見分詞特征向量作為迭代意見分類模型的訓(xùn)練輸入，獲得訓(xùn)練輸出問題類別向量和訓(xùn)練輸出情感類別向量， 以損失函數(shù)計(jì)算訓(xùn)練輸出問題類別向量和訓(xùn)練輸出情感類別向量與實(shí)際問題類別向量和實(shí)際情感類別向量之間的平均損失，具體包括： 根據(jù)下式計(jì)算每次訓(xùn)練的交叉熵平均損失loss： loss＝-1k*n+m*∑y*logy_pred+1-y*log1-y_pred 此時(shí)a＝1，b＝0，式中：k是訓(xùn)練集中歷史意見分類數(shù)據(jù)的數(shù)量，y是實(shí)際問題類別向量和實(shí)際情感類別向量的每一維，y_pred是訓(xùn)練輸出問題類別向量和訓(xùn)練輸出情感類別向量對應(yīng)y的每一維， 以優(yōu)化算法控制意見分類模型的參數(shù)更新和迭代，以使平均損失逐步減小，具體包括： 沿使平均損失減小的梯度方向，根據(jù)下式獲得意見分類模型的更新參數(shù)new_weight： new_weight＝weight-learning_rate*gradient 式中：weight是當(dāng)前權(quán)重的值，gradient是損失函數(shù)對權(quán)重的梯度，learning_rate是學(xué)習(xí)率， 使用new_weight更新下一次迭代訓(xùn)練使用的意見分類模型， 直至達(dá)到訓(xùn)練結(jié)束條件，獲得訓(xùn)練后意見分類模型。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人中國聯(lián)合網(wǎng)絡(luò)通信集團(tuán)有限公司，其通訊地址為：100033 北京市西城區(qū)金融大街21號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。