CN111078887B - 文本分类方法和装置 - Google Patents

文本分类方法和装置 Download PDF

Info

Publication number
CN111078887B
CN111078887B CN201911326228.9A CN201911326228A CN111078887B CN 111078887 B CN111078887 B CN 111078887B CN 201911326228 A CN201911326228 A CN 201911326228A CN 111078887 B CN111078887 B CN 111078887B
Authority
CN
China
Prior art keywords
tone
word
vector
text
list
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
Application number
CN201911326228.9A
Other languages
English (en)
Other versions
CN111078887A (zh
Inventor
蒋卓
赵建强
黄剑
张辉极
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Meiya Pico Information Co Ltd
Original Assignee
Xiamen Meiya Pico Information Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen Meiya Pico Information Co Ltd filed Critical Xiamen Meiya Pico Information Co Ltd
Priority to CN201911326228.9A priority Critical patent/CN111078887B/zh
Publication of CN111078887A publication Critical patent/CN111078887A/zh
Application granted granted Critical
Publication of CN111078887B publication Critical patent/CN111078887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本申请实施例公开了文本分类方法和装置。该方法的一具体实施方式包括：获取待分类文本；对待分类文本进行分词，得到词语列表；对待分类本文中的文字进行声调划分，得到声调组合列表；确定词语列表中的每个词语的词向量，以及确定声调组合列表中的每个声调组合的声调向量；将所得到的词向量和声调向量输入预先训练的文本分类模型，得到用于表征待分类文本的类别的标签。该实施方式实现了将词向量和声调向量相结合，从词和声调两个维度分别提取文本的语义和语调特征，使用这些特征可以有效地改善字/词级特征存在的不足，提高文本分类的准确性。

Description

文本分类方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及文本分类方法和装置。
背景技术
自然语言处理的经典任务之一是文本分类，也称文本分类。该任务的目的是为文本分配一个预定义的标签。文本分类的过程通常分为特征提取和标签分类两个阶段。在第一阶段，可以借助机器学习的模型对一些特定的单词组合(如双单词、三单词、词频或单词的逆文本频率)进行特征提取；第二阶段，通过这些特征提供的信息，计算机可以对文本的属性有一个相对客观的理解和判断。传统的文本分类任务都是在这套框架的指导下进行的。
而随着深度学***均得到文本的表示，然后直接进行分类，该模型在运行效率方面有优势。随后，研究的热点逐渐趋向于使用大规模语料库结合更深层的神经网络结构进行文本的预训练，BERT、ULMFiT和ERNIE等模型就是这方面的代表。
发明内容
本申请实施例提出了一种改进的文本分类方法和装置。
第一方面，本申请实施例提供了一种文本分类方法，该方法包括：获取待分类文本；对待分类文本进行分词，得到词语列表；对待分类本文中的文字进行声调划分，得到声调组合列表；确定词语列表中的每个词语的词向量，以及确定声调组合列表中的每个声调组合的声调向量；将所得到的词向量和声调向量输入预先训练的文本分类模型，得到用于表征待分类文本的类别的标签。
在一些实施例中，确定词语列表中的每个词语的词向量，以及确定声调组合列表中的每个声调组合的声调向量，包括：从预设的词典中，确定与词语列表中的每个词语对应的词语标识；从预设的词向量集合中，确定与每个词语标识分别对应的词向量；从预设的声调字典中，确定与声调组合列表中的声调组合对应的声调组合标识；从预设的声调向量集合中，确定与每个声调组合对应的声调向量。
在一些实施例中，词典和词向量集合预先按照如下步骤得到：对预设的语料库中的文本进行分词，得到每个文本的词语列表；删除各个词语列表中的停用词，以及删除词频小于预设词频阈值的词语，集合剩余的所有词语，得到词典；利用词典中的词语，通过机器学习方法，训练第一神经网络模型，得到词典中的每个词语对应的词向量，并将所得到的词向量组合为词向量集合。
在一些实施例中，声调字典和声调向量集合预先按照如下步骤得到：确定语料库中的每个文本包括的文字的声调，得到每个文本的声调序列；从每个声调序列中依次提取预设数量个相邻的声调，得到每个文本对应的声调组合列表，集合所有声调组合，得到声调字典；利用声调字典中的词语，通过机器学习方法，训练第二神经网络模型，得到声调字典中的每个声调组合对应的声调向量，并将所得到的声调向量组合为声调向量集合。
在一些实施例中，文本分类模型包括词向量卷积神经网络、声调向量卷积神经网络；以及将所得到的词向量和声调向量输入预先训练的文本分类模型，得到用于表征待分类文本的类别的标签，包括：将所得到的词向量输入词向量卷积神经网络，得到词特征数据；将所得到的声调向量输入声调向量卷积神经网络，得到声调特征数据；对词向量和声调向量分别进行平滑处理，得到语义平均特征向量和语调平均特征向量；利用词特征数据、声调特征数据、语义平均特征向量和语调平均特征向量进行分类，得到表征待分类文本的类别的标签。
在一些实施例中，对词向量和声调向量分别进行平滑处理，得到语义平均特征向量和语调平均特征向量，包括：确定所得到的各个词向量中的相同位置的元素的均值，得到语义平均特征向量；确定所得到的各个声调向量中的相同位置的元素的均值，得到语调平均特征向量。
在一些实施例中，文本分类模型预先按照如下步骤训练得到：获取样本文本集合，其中，样本文本集合中的每个样本文本对应于预先标注的标签；对于样本文本集合中的每个样本文本，对该样本文本进行分词，得到该样本文本对应的样本词语列表，并确定样本词语列表中的每个样本词语的样本词向量；对该样本文本中的文字进行声调划分，得到样本声调组合列表，并确定样本声调组合列表中的每个样本声调组合的样本声调向量；将样本文本集合中的样本文本对应的样本词向量和样本声调向量作为输入，将输入的样本词向量和样本声调向量对应的标签作为期望输出，训练得到文本分类模型。
第二方面，本申请实施例提供了一种文本分类装置，该装置包括：获取模块，用于获取待分类文本；分词模块，用于对待分类文本进行分词，得到词语列表；划分模块，用于对待分类本文中的文字进行声调划分，得到声调组合列表；确定模块，用于确定词语列表中的每个词语的词向量，以及确定声调组合列表中的每个声调组合的声调向量；分类模块，用于将所得到的词向量和声调向量输入预先训练的文本分类模型，得到用于表征待分类文本的类别的标签。
第三方面，本申请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，用于存储一个或多个程序，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中任一实现方式描述的方法。
第四方面，本申请实施例提供了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方面中任一实现方式描述的方法。
本申请实施例提供的文本分类方法和装置，通过对待分类文本进行分词，得到词语列表，以及对待分类本文中的文字进行声调划分，得到声调组合列表，再确定词语列表中的每个词语的词向量，以及确定声调组合列表中的每个声调组合的声调向量，最后将所得到的词向量和声调向量输入预先训练的文本分类模型，得到用于表征待分类文本的类别的标签，从而实现了将词向量和声调向量相结合，从词和声调两个维度分别提取文本的语义和语调特征，使用这些特征可以有效地改善字/词级特征存在的不足，提高了文本分类的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性***架构图；
图2是根据本申请的文本分类方法的一个实施例的流程图；
图3是根据本申请的文本分类方法的又一个实施例的流程图；
图4是根据本申请的文本分类模型的结构示意图；
图5是根据本申请的文本分类方法的又一个实施例的流程图；
图6是根据本申请的文本分类装置的一个实施例的结构示意图；
图7是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
申请概述
针对不同的语系，文本分类任务的预处理过程也各有特点。不同于英语等拉丁语系，中文文本分类任务在预处理的过程中需要进行分词处理，但是，由于中文的词与词之间并不存在明确的界限，分词的结果往往会引入了更多的噪声；而如果仅从字粒度出发做特征提取，其包含的语义又会有所欠缺，因此，无论是字粒度还是词粒度，提取到的特征都会有一定的缺陷。这些缺陷带来的直接影响，就是在使用textCNN或FastText等结构相对简单的网络模型做中文文本分类任务时，模型的性能有限。
而BERT等模型虽然在预训练后，经过微调可以在各个任务中都能取得最佳的结果，但其局限性也显而易见。首先，模型的训练对于硬件资源的要求近乎苛刻，训练的过程几乎难以复现；其次在模型迁移到下游任务的过程中，由于参数量太大，模型的改进与优化失去了明确的指引，导致调参的难度增加；最后即使微调成功，其过程也需要消耗大量的时间，效率低下。考虑到这些限制，这类模型也很难得到应用和推广。针对上述主流算法的问题，本申请结合中文文本的特点，提出了新的文本分类方法。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。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。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的文本分类方法的示例性***架构100。
如图1所示，***架构100可以包括终端设备101，网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
服务器103可以是提供各种服务的服务器，例如对终端设备101上传的文本进行处理的文本处理服务器。文本处理服务器可以对接收的文本进行处理，并得到处理结果(例如文本的标签)。
需要说明的是，本申请实施例所提供的文本分类方法还可以由终端设备101或服务器103执行，相应地，文本分类装置可以设置于终端设备101或服务器103中。
应该理解，图1中的数据服务器、网络和主服务器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终端设备、网络、中间设备和服务器。在待分类文本不需要从远程获取的情况下，上述***架构可以不包括网络，只包括服务器或终端设备。
继续参考图2，其示出了根据本申请的应文本分类方法的一个实施例的流程200。该方法包括以下步骤：
步骤201，获取待分类文本。
在本实施例中，文本分类方法的执行主体(例如图1所示的终端设备或服务器)可以从远程或从本地获取待分类文本。其中，待分类文本可以是各种类型的文本，例如新闻、评论、文学作品等等。
步骤202，对待分类文本进行分词，得到词语列表。
在本实施例中，上述执行主体可以对待分类文本进行分词，得到词语列表。具体地，上述执行主体可以利用现有的中文分词方法进行分词，作为示例，上述中文分词方法可以包括但不限于以下至少一种：基于词典的方法、基于统计的方法、基于规则的方法等。
作为示例，文本包括句子“环境与人类的生存息息相关”，分词后得到词语列表包括如下词语：环境，与，人类，的，生存，息息相关。
步骤203，对待分类本文中的文字进行声调划分，得到声调组合列表。
在本实施例中，上述执行主体可以对待分类本文中的文字进行声调划分，得到声调组合列表。具体地，上述执行主体可以确定待分类文本中的每个文字的声调，得到每个文本的声调序列。其中，声调为汉字的基本声调，分别为“无声，平声，上声，去声，入声”五种。然后，对声调序列包括的声调进行划分，得到由多个声调组合组成的声调组合列表。作为示例，根据3-grams的思想，每个声调组合包括三个声调，则声调组合列表可以包括如下声调组合：上上入，上入无，入无上……。
步骤204，确定词语列表中的每个词语的词向量，以及确定声调组合列表中的每个声调组合的声调向量。
在本实施例中，上述执行主体可以确定词语列表中的每个词语的词向量，以及确定声调组合列表中的每个声调组合的声调向量。具体地，作为示例，上述执行主体可以从预设的词向量集合中，确定与词语列表中的每个词语对应的词向量，从预设的声调向量集合中，确定与声调组合列表中的每个声调组合对应的声调向量。
其中，声调向量是声调这一特征的结构化表示，反映了文本的音节规律和语调的连贯性特征，通过引入声调，可以将文本的音节规律和语调连贯性特征嵌入到词的内部语义中，从而提高任务的效果。
在本实施例的一些可选的实现方式中，步骤204可以如下执行：
首先，从预设的词典中，确定与词语列表中的每个词语对应的词语标识。
其中，上述词典可以包括大量的词语每个词语对应于一个词语标识(ID)。词典可以通过各种方式预先得到，例如人工设置，或从预设的语料库中提取。
然后，从预设的词向量集合中，确定与每个词语标识分别对应的词向量。
其中，词向量集合包括大量的词向量，每个词向量对应于一个词语标识。通常，词向量集合可以为映射矩阵的形式，该映射矩阵的每一行数据即为一个词向量。
再然后，从预设的声调字典中，确定与声调组合列表中的声调组合对应的声调组合标识。
其中，上述声调字典可以包括大量的声调组合，每个声调组合对应于一个声调组合标识(ID)。声调字典可以通过各种方式预先得到，例如人工设置，或根据预设的语料库中的文字的声调提取。
最后，从预设的声调向量集合中，确定与每个声调组合对应的声调向量。
其中，声调向量集合包括大量的声调向量，每个声调向量对应于一个声调组合标识。通常，声调向量集合可以为映射矩阵的形式，该映射矩阵的每一行数据即为一个声调向量。
本实现方式通过使用词典和声调字典，可以实现快速地确定词向量和声调向量，提高文本分类的效率。
在本实施例的一些可选的实现方式中，上述词典和词向量集合可以预先按照如下步骤得到：
首先，对预设的语料库中的文本进行分词，得到每个文本的词语列表。其中，分词方法可以与步骤202中描述的方法相同，这里不再赘述。
然后，删除各个词语列表中的停用词，以及删除词频小于预设词频阈值的词语，集合剩余的所有词语，得到词典。其中，停用词可以是预设的停用词集合包括的词语，作为示例，停用词集合中的词语可以包括不常用的生僻词，还可以包括网络词语等非标准的词语。
最后，利用词典中的词语，通过机器学习方法，训练第一神经网络模型，得到词典中的每个词语对应的词向量，并将所得到的词向量组合为词向量集合。其中，第一神经网络模型可以包括各种结构的神经网络，例如卷积神经网络、循环神经网络等。
通常，在训练第一神经网络模型时，可以首先随机初始化词向量映射矩阵中的每个数，该映射矩阵的每一行对应了词典中的一个词语，然后通过机器学习方法，调整第一神经网络模型的参数，词向量映射矩阵中的每个数会不断更新，训练结束后，得到的词向量映射矩阵即为词向量集合。
本实现方式通过对语料库中的文本进行预处理，再确定每个词语的词向量，可以使词典中的词向量更加具有针对性，从而有助于提高文本分类的效率和准确性。
在本实施例的一些可选的实现方式中，上述声调字典可以预先按照如下步骤得到：
首先，确定语料库中的每个文本包括的文字的声调，得到每个文本的声调序列。
然后，从每个声调序列中依次提取预设数量个相邻的声调，得到每个文本对应的声调组合列表，集合所有声调组合，得到声调字典。其中，预设数量可以任意设置。例如，根据n-grams的思想，可以设置n的取值集合为{3,4,5}，则声调组合列表可以表示为{…，无平上，平上去，…，无平上去，平上去入，…，无平上去入，无平上入去，…}。各个声调组合列表包含了声调n-grams所有可能的组合形式。需要说明的是，需要对所有的声调组合进行去重，得到声调字典。
最后，利用声调字典中的词语，通过机器学习方法，训练第二神经网络模型，得到声调字典中的每个声调组合对应的声调向量，并将所得到的声调向量组合为声调向量集合。
其中，第二神经网络模型可以包括各种结构的神经网络，例如卷积神经网络、循环神经网络等。
通常，在训练第二神经网络模型时，可以首先随机初始化声调向量映射矩阵中的每个数，该映射矩阵的每一行对应了声调向量字典中的一个声调向量，然后通过机器学习方法，调整第二神经网络模型的参数，声调向量映射矩阵中的每个数会不断更新，训练结束后，得到的声调向量映射矩阵即为声调向量集合。需要说的是，第二神经网络模型和上述第一神经网络模型可以是分立的两个神经网络模型，也可以是集成在一起的单个神经网络模型。
在使用声调字典时，可以遍历待分类文本的声调序列，根据n的取值切分声调序列从而形成声调n-grams列表，再通过声调字典将声调n-grams转换为声调id列表的形式，假设文本的声调序列为“上上入无上”，则声调3-grams列表为[上上入，上入无，入无上]，4-grams列表为[上上入无，上入无上]，5-grams列表为[上上入无上]，最终的声调n-grams列表为三者的集合。再将声调n-grams列表中的每个声调组合与声调字典匹配，得到每个声调组合对应的声调向量。
本实现方式通过基于语料库得到声调序列，再从声调序列中提取预设数量个相邻的声调，得到声调组合列表，利用神经网络确定每个声调组合对应的声调向量，从而可以实现全面地建立包括各种声调组合的声调字典，有助于提高文本分类的准确性。
步骤205，将所得到的词向量和声调向量输入预先训练的文本分类模型，得到用于表征待分类文本的类别的标签。
在本实施例中，上述执行主体可以将所得到的词向量和声调向量输入预先训练的文本分类模型，得到用于表征待分类文本的类别的标签。通常，输入文本分类模型的词向量和声调向量可以分别被转换为矩阵的形式。其中，词向量矩阵的每行对应于一个词语，每行包括的列数即词向量的维度。声调向量矩阵的每行对应于一个声调组合，每行包括的列数即声调向量的维度。
其中，文本分类模型用于表征文本的词向量和声调向量与文本的标签的对应关系。作为示例，文本分类模型可以包括各种结构的卷积神经网络，卷积神经网络可以根据输入的词向量矩阵和声调向量矩阵，得到表征文本语义的语义特征和表征文本语调变化的语调特征，在对语义特征和语调特征进行分类，得到文本的标签。
可选的，在得到标签后，可以按照各种方式将标签输出，例如在显示器的相应位置显示标签，或将标签与待分类文本管理存储到目标存储器(例如上述执行主体包括的存储器或与上述执行主体通信连接的电子设备的存储器)中。
本申请的上述实施例提供的方法，通过对待分类文本进行分词，得到词语列表，以及对待分类本文中的文字进行声调划分，得到声调组合列表，再确定词语列表中的每个词语的词向量，以及确定声调组合列表中的每个声调组合的声调向量，最后将所得到的词向量和声调向量输入预先训练的文本分类模型，得到用于表征待分类文本的类别的标签，从而实现了将词向量和声调向量相结合，从词和声调两个维度分别提取文本的语义和语调特征，使用这些特征可以有效地改善字/词级特征存在的不足，提高了文本分类的准确性。
进一步参考图3，其示出了根据本申请的文本分类方法的又一个实施例的流程图。在本实施例中，文本分类模型包括词向量卷积神经网络、声调向量卷积神经网络。如图3所示，在上述图2所示实施例的基础上，步骤205可包括如下步骤：
步骤2051，将所得到的词向量输入词向量卷积神经网络，得到词特征数据。
在本实施例中，上述执行主体可以将所得到的词向量输入词向量卷积神经网络，得到词特征数据。其中，词向量卷积神经网络可以包括诸如卷积层、池化层、特征层等。卷积层用于对输入的词向量进行卷积运算得到特征图(feature map)，池化层用于对特征图进行降维，特征层用于根据池化层输出的数据生成词特征数据。
步骤2052，将所得到的声调向量输入声调向量卷积神经网络，得到声调特征数据。
在本实施例中，上述执行主体可以将所得到的声调向量输入声调向量卷积神经网络，得到声调特征数据。其中，声调向量卷积神经网络与词向量卷积神经网络相似，这里不再赘述。
作为示例，所得到的词向量和声调向量分别表示为：
Wi＝[wi1,wi2,…,wij,…,win],1≤i≤m,1≤j≤n
Ti＝[ti1,ti2,…,tiz,…,tig],1≤i≤m,1≤z≤g
其中，Wi为第i个文本(即待分类文本)分词后的所有词向量，wij为第i个文本的第j个词的词向量，m为文本的个数，n为词向量的个数，g为声调向量的个数；Ti表示第i个文本分词后的所有声调向量，tiz为第i个文本的第z个声调向量。假设词向量和声调向量的长度分别为P和Q，则Wi∈RN×P可表示为一个N×P的矩阵,Ti∈RG×Q可表示为一个G×Q的矩阵。
卷积使用多窗口的卷积核ch作为局部感知域对文本的不同表示进行特征提取(
Figure BDA0002328449660000121
分别是对文本词表示和声调表示进行特征提取的卷积核)，其中h表示卷积核的窗口，假设步长为1，则卷积的过程可以抽象为：
fs＝relu(ch·ej:j+h+b),1≤s≤n-h+1
其中，relu表示卷积使用relu激活函数进非线性激活，b为卷积的偏置项，考虑到网络训练效率，可以将偏置项预设为0，ej:j+h为文本向量表示可以被卷积核感知到的局部域，fs代表卷积核提取到的局部特征，则提取到的特征图为：
Fh＝[f1…,fs,…fn-h+1],1≤s≤n-h+1
为了最大程度的保留文本的特征并且尽量能减小数据维度，使用最大池化对文本的特征图进行特征聚合，即选择特征图中的最大值作为特征提取的最终表征，再对不同窗口卷积核提取到的特征进行拼接，得到卷积神经网络的输出结果：
Figure BDA0002328449660000122
步骤2053，对词向量和声调向量分别进行平滑处理，得到语义平均特征向量和语调平均特征向量。
在本实施例中，上述执行主体可以对词向量和声调向量分别进行平滑处理，得到语义平均特征向量和语调平均特征向量。
在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤确定语义平均特征向量和语调平均特征向量：
首先，确定所得到的各个词向量中的相同位置的元素的均值，得到语义平均特征向量。
然后，确定所得到的各个声调向量中的相同位置的元素的均值，得到语调平均特征向量。
具体地，可以按照如下式(1)所示确定语义平均特征向量和语调平均特征向量：
Figure BDA0002328449660000131
其中，
Figure BDA0002328449660000132
为语义平均特征向量，
Figure BDA0002328449660000133
为语调平均特征向量，wj为词向量，tz为声调向量，N为词向量的数量，G为声调向量的数量。
应当理解，式(1)所示的方法仅仅是一个示例，除上述式(1)所示的方法外，还可以采用其他方法，利用词向量和声调向量进行平滑处理，例如，可以对各个向量中相同位置的元素进行加权求和。
步骤2054，利用词特征数据、声调特征数据、语义平均特征向量和语调平均特征向量进行分类，得到表征待分类文本的类别的标签。
在本实施例中，上述执行主体可以利用词特征数据、声调特征数据、语义平均特征向量和语调平均特征向量进行分类，得到表征待分类文本的类别的标签。
继续上述示例，经过特征提取后，得到文本的最终特征由四个部分构成，包括语义平均特征向量
Figure BDA0002328449660000134
语调平均特征向量
Figure BDA0002328449660000135
卷积神经网络提取的词向量
Figure BDA0002328449660000136
以及声调向量
Figure BDA0002328449660000137
结合所有的文本特征即可作为分类的依据。
Figure BDA0002328449660000138
分类建立在一个全连接层上，在训练的过程中需要对全连接层的所有结点进行随机丢弃处理以防止过拟合，然后使用归一化指数函数对文本所属的类别打分。
Figure BDA0002328449660000139
其中，
Figure BDA00023284496600001310
表示最终预测文本的类别
Figure BDA00023284496600001311
的分布，U为分类层的参数矩阵，bu为分类层的偏置项。
下面参考图4，其示出了根据本实施例提供的文本分类模型的结构示意图。如图4所示，词语列表中的每个词根据词id进行词映射(即从词典中查找)得到词向量；声调组合列表中的每个声调组合进行声调映射(即从声调字典中查找)，得到声调向量。再将词向量分别输入词向量平滑模块和词向量卷积神经网络，将声调向量分别输入声调向量平滑模块和声调向量卷积神经网络，输出四种特征数据，对四种特征数据进行连接，对连接得到的数据进行分类，得到待分类文本的标签。
从图3中可以看出，本实施例提供的方法通过声调向量平滑和词向量平滑，可以分别得到表征词的上下文语境的信息和表征声调的连贯性的信息，平滑可以将词向量中包含的语境信息和声调向量包含的声调规律分别聚合为文本的语义和语调的平均特征向量，同时尽可能减少文本不同向量表示引入的噪音，通过与词向量卷积神经网络和声调向量卷积神经网络输出的特征相结合进行分类，可以提高文本分类的准确性。
进一步参考图5，其示出了根据本申请的文本分类方法的又一个实施例的流程图。如图5所示，上述文本分类模型可以预先按照如下步骤训练得到：
步骤501，获取样本文本集合，其中，样本文本集合中的每个样本文本对应于预先标注的标签。其中，样本文本集合可以包括各种文本，例如新闻、评论、文学作品等。
步骤502，对于样本文本集合中的每个样本文本，执行如下步骤：
步骤5021，对该样本文本进行分词，得到该样本文本对应的样本词语列表，并确定样本词语列表中的每个样本词语的样本词向量。其中，对样本文本进行分词的方法与确定词向量的方法可以与图2对应实施例描述的方法相同，这里不再赘述。
步骤5022，对该样本文本中的文字进行声调划分，得到样本声调组合列表，并确定样本声调组合列表中的每个样本声调组合的样本声调向量。其中，声调划分的方法与确定声调向量的方法可以与图2对应实施例描述的方法相同，这里不再赘述。
步骤503，将样本文本集合中的样本文本对应的样本词向量和样本声调向量作为输入，将输入的样本词向量和样本声调向量对应的标签作为期望输出，训练得到文本分类模型。
具体地，用于训练文本分类模型的执行主体可以通过机器学习方法，将步骤502得到的对应于同一样本文本的样本词向量和样本声调向量作为输入，将与输入的样本词向量和样本声调对应的标签作为期望输出，对初始模型(例如图4所示的结构的模型)进行训练，针对每次训练输入的数据，可以得到实际输出。其中，实际输出是初始模型实际输出的数据，用于表征样本文本所属的类别的概率。然后，上述执行主体可以采用梯度下降法和反向传播法，基于实际输出和期望输出，调整初始模型的参数，将每次调整参数后得到的模型作为下次训练的初始模型，并在满足预设的训练结束条件的情况下，结束训练，从而训练得到文本分类别模型。
在这里，上述执行主体可以采用批量训练的方法对初始模型进行训练，也可以采用随机训练的方法对初始模型进行训练，本申请实施例对此不做限定。
需要说明的是，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；利用预设的损失函数(例如交叉熵损失函数)计算所得的损失值小于预设损失值阈值。
作为示例，可以通过最小化文本预测的类别分布与真实分布的交叉熵来优化学习的方向，使用SGD、MBGD、Adam等算法作为模型学习优化的算法。模型的损失函数可以表示为：
Figure BDA0002328449660000151
其中，yi和
Figure BDA0002328449660000152
分别为文档的真实标签和模型的预测标签。通过迭代训练，最终得到训练好的文本分类模型。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种文本分类装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的文本分类装置600包括：获取模块601，用于获取待分类文本；分词模块602，用于对待分类文本进行分词，得到词语列表；划分模块603，用于对待分类本文中的文字进行声调划分，得到声调组合列表；确定模块604，用于确定词语列表中的每个词语的词向量，以及确定声调组合列表中的每个声调组合的声调向量；分类模块605，用于将所得到的词向量和声调向量输入预先训练的文本分类模型，得到用于表征待分类文本的类别的标签。
在本实施例中，获取模块601可以从远程或从本地获取待分类文本。其中，待分类文本可以是各种类型的文本，例如新闻、评论、文学作品等等。
在本实施例中，分词模块602可以对待分类文本进行分词，得到词语列表。具体地，分词模块602可以利用现有的中文分词方法进行分词，作为示例，上述中文分词方法可以包括但不限于以下至少一种：基于词典的方法、基于统计的方法、基于规则的方法等。
作为示例，文本包括句子“环境与人类的生存息息相关”，分词后得到词语列表包括如下词语：环境，与，人类，的，生存，息息相关
在本实施例中，划分模块603可以对待分类本文中的文字进行声调划分，得到声调组合列表。具体地，划分模块603可以确定待分类文本中的每个文字的声调，得到每个文本的声调序列。其中，声调为汉字的基本声调，分别为“无声，平声，上声，去声，入声”五种。然后，对声调序列包括的声调进行划分，得到由多个声调组合组成的声调组合列表。作为示例，根据3-grams的思想，每个声调组合包括三个声调，则声调组合列表可以包括如下声调组合：上上入，上入无，入无上……。
在本实施例中，确定模块604可以确定词语列表中的每个词语的词向量，以及确定声调组合列表中的每个声调组合的声调向量。具体地，作为示例，确定模块604可以从预设的词向量集合中，确定与词语列表中的每个词语对应的词向量，从预设的声调向量集合中，确定与声调组合列表中的每个声调组合对应的声调向量。
其中，声调向量是声调这一特征的结构化表示，反映了文本的音节规律和语调的连贯性特征，通过引入声调，可以将文本的音节规律和语调连贯性特征嵌入到词的内部语义中，从而提高任务的效果。
在本实施例中，分类模块605可以将所得到的词向量和声调向量输入预先训练的文本分类模型，得到用于表征待分类文本的类别的标签。通常，输入文本分类模型的词向量和声调向量可以分别被转换为矩阵的形式。其中，词向量矩阵的每行对应于一个词语，每行包括的列数即词向量的维度。声调向量矩阵的每行对应于一个声调组合，每行包括的列数即声调向量的维度。
其中，文本分类模型用于表征文本的词向量和声调向量与文本的标签的对应关系。作为示例，文本分类模型可以包括各种结构的卷积神经网络，卷积神经网络可以根据输入的词向量矩阵和声调向量矩阵，得到表征文本语义的语义特征和表征文本语调变化的语调特征，在对语义特征和语调特征进行分类，得到文本的标签。
可选的，在得到标签后，可以按照各种方式将标签输出，例如在显示器的相应位置显示标签，或将标签与待分类文本管理存储到目标存储器(例如上述装置包括的存储器或与上述装置通信连接的电子设备的存储器)中。
在本实施例的一些可选的实现方式中，确定模块604可以包括：第一确定单元(图中未示出)，用于从预设的词典中，确定与词语列表中的每个词语对应的词语标识；第二确定单元(图中未示出)，用于从预设的词向量集合中，确定与每个词语标识分别对应的词向量；第三确定单元(图中未示出)，用于从预设的声调字典中，确定与声调组合列表中的声调组合对应的声调组合标识；第四确定单元(图中未示出)，用于从预设的声调向量集合中，确定与每个声调组合对应的声调向量。
在本实施例的一些可选的实现方式中，词典和词向量集合预先按照如下步骤得到：对预设的语料库中的文本进行分词，得到每个文本的词语列表；删除各个词语列表中的停用词，以及删除词频小于预设词频阈值的词语，集合剩余的所有词语，得到词典；利用词典中的词语，通过机器学习方法，训练第一神经网络模型，得到词典中的每个词语对应的词向量，并将所得到的词向量组合为词向量集合。
在本实施例的一些可选的实现方式中，声调字典和声调向量集合预先按照如下步骤得到：确定语料库中的每个文本包括的文字的声调，得到每个文本的声调序列；从每个声调序列中依次提取预设数量个相邻的声调，得到每个文本对应的声调组合列表，集合所有声调组合，得到声调字典；利用声调字典中的词语，通过机器学习方法，训练第二神经网络模型，得到声调字典中的每个声调组合对应的声调向量，并将所得到的声调向量组合为声调向量集合。
在本实施例的一些可选的实现方式中，文本分类模型可以包括词向量卷积神经网络、声调向量卷积神经网络；以及分类模块605可以包括：第一获取单元(图中未示出)，用于将所得到的词向量输入词向量卷积神经网络，得到词特征数据；第二获取单元(图中未示出)，用于将所得到的声调向量输入声调向量卷积神经网络，得到声调特征数据；第三获取单元(图中未示出)，用于对词向量和声调向量分别进行平滑处理，得到语义平均特征向量和语调平均特征向量；分类单元(图中未示出)，用于利用词特征数据、声调特征数据、语义平均特征向量和语调平均特征向量进行分类，得到表征待分类文本的类别的标签。
在本实施例的一些可选的实现方式中，上述第三获取单元可以包括：第一确定子单元(图中未示出)，用于确定所得到的各个词向量中的相同位置的元素的均值，得到语义平均特征向量；第二确定子单元(图中未示出)，用于确定所得到的各个声调向量中的相同位置的元素的均值，得到语调平均特征向量。
在本实施例的一些可选的实现方式中，文本分类模型可以预先按照如下步骤训练得到：获取样本文本集合，其中，样本文本集合中的每个样本文本对应于预先标注的标签；对于样本文本集合中的每个样本文本，对该样本文本进行分词，得到该样本文本对应的样本词语列表，并确定样本词语列表中的每个样本词语的样本词向量；对该样本文本中的文字进行声调划分，得到样本声调组合列表，并确定样本声调组合列表中的每个样本声调组合的样本声调向量；将样本文本集合中的样本文本对应的样本词向量和样本声调向量作为输入，将输入的样本词向量和样本声调向量对应的标签作为期望输出，训练得到文本分类模型。
本申请的上述实施例提供的装置，通过对待分类文本进行分词，得到词语列表，以及对待分类本文中的文字进行声调划分，得到声调组合列表，再确定词语列表中的每个词语的词向量，以及确定声调组合列表中的每个声调组合的声调向量，最后将所得到的词向量和声调向量输入预先训练的文本分类模型，得到用于表征待分类文本的类别的标签，从而实现了将词向量和声调向量相结合，从词和声调两个维度分别提取文本的语义和语调特征，使用这些特征可以有效地改善字/词级特征存在的不足，提高了文本分类的准确性。
下面参考图7，其示出了适于用来实现本申请实施例的电子设备的计算机***700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机***700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有***700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本公开的实施例，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。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读存储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***、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。在本申请中，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***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的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。计算机可读的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存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读存储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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
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申请的操作的计算机程序代码，所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器上执行。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)。
附图中的流程图和框图，图示了按照本申请各种实施例的***、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***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、分词模块、划分模块、确定模块和分类模块。其中，这些模块的名称在某种情况下并不构成对该单元本身的限定，例如，获取模块还可以被描述为“用于获取待分类文本的模块”。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的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。上述计算机可读存储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：获取待分类文本；对待分类文本进行分词，得到词语列表；对待分类本文中的文字进行声调划分，得到声调组合列表；确定词语列表中的每个词语的词向量，以及确定声调组合列表中的每个声调组合的声调向量；将所得到的词向量和声调向量输入预先训练的文本分类模型，得到用于表征待分类文本的类别的标签。
以上描述仅为本申请的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，本申请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。例如上述特征与本申请中公开的(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。

Claims (7)

1.一种文本分类方法，其特征在于，所述方法包括：
获取待分类文本；
对所述待分类文本进行分词，得到词语列表；
对所述待分类文本中的文字进行声调划分，得到声调组合列表；
确定所述词语列表中的每个词语的词向量，以及确定所述声调组合列表中的每个声调组合的声调向量，其中，从预设的词典中，确定与所述词语列表中的每个词语对应的词语标识；从预设的词向量集合中，确定与每个词语标识分别对应的词向量；从预设的声调字典中，确定与所述声调组合列表中的声调组合对应的声调组合标识；从预设的声调向量集合中，确定与每个声调组合对应的声调向量；
将所得到的词向量和声调向量输入预先训练的文本分类模型，得到用于表征所述待分类文本的类别的标签；
所述词典和所述词向量集合预先按照如下步骤得到：
对预设的语料库中的文本进行分词，得到每个文本的词语列表；
删除各个词语列表中的停用词，以及删除词频小于预设词频阈值的词语，集合剩余的所有词语，得到所述词典；
利用所述词典中的词语，通过机器学习方法，训练第一神经网络模型，得到所述词典中的每个词语对应的词向量，并将所得到的词向量组合为词向量集合；
所述声调字典和所述声调向量集合预先按照如下步骤得到：
确定所述语料库中的每个文本包括的文字的声调，得到每个文本的声调序列；
从每个声调序列中依次提取预设数量个相邻的声调，得到每个文本对应的声调组合列表，集合所有声调组合，得到声调字典；
利用所述声调字典中的词语，通过机器学习方法，训练第二神经网络模型，得到所述声调字典中的每个声调组合对应的声调向量，并将所得到的声调向量组合为声调向量集合。
2.根据权利要求1所述的方法，其特征在于，所述文本分类模型包括词向量卷积神经网络、声调向量卷积神经网络；以及
所述将所得到的词向量和声调向量输入预先训练的文本分类模型，得到用于表征所述待分类文本的类别的标签，包括：
将所得到的词向量输入所述词向量卷积神经网络，得到词特征数据；
将所得到的声调向量输入所述声调向量卷积神经网络，得到声调特征数据；
对词向量和声调向量分别进行平滑处理，得到语义平均特征向量和语调平均特征向量；
利用所述词特征数据、所述声调特征数据、所述语义平均特征向量和所述语调平均特征向量进行分类，得到表征所述待分类文本的类别的标签。
3.根据权利要求2所述的方法，其特征在于，所述对词向量和声调向量分别进行平滑处理，得到语义平均特征向量和语调平均特征向量，包括：
确定所得到的各个词向量中的相同位置的元素的均值，得到语义平均特征向量；
确定所得到的各个声调向量中的相同位置的元素的均值，得到语调平均特征向量。
4.根据权利要求1-3之一所述的方法，其特征在于，所述文本分类模型预先按照如下步骤训练得到：
获取样本文本集合，其中，所述样本文本集合中的每个样本文本对应于预先标注的标签；
对于所述样本文本集合中的每个样本文本，对该样本文本进行分词，得到该样本文本对应的样本词语列表，并确定样本词语列表中的每个样本词语的样本词向量；对该样本文本中的文字进行声调划分，得到样本声调组合列表，并确定样本声调组合列表中的每个样本声调组合的样本声调向量；
将所述样本文本集合中的样本文本对应的样本词向量和样本声调向量作为输入，将输入的样本词向量和样本声调向量对应的标签作为期望输出，训练得到所述文本分类模型。
5.一种文本分类装置，其特征在于，所述装置包括：
获取模块，用于获取待分类文本；
分词模块，用于对所述待分类文本进行分词，得到词语列表；
划分模块，用于对所述待分类文本中的文字进行声调划分，得到声调组合列表；
确定模块，用于确定所述词语列表中的每个词语的词向量，以及确定所述声调组合列表中的每个声调组合的声调向量，其中，从预设的词典中，确定与所述词语列表中的每个词语对应的词语标识；从预设的词向量集合中，确定与每个词语标识分别对应的词向量；从预设的声调字典中，确定与所述声调组合列表中的声调组合对应的声调组合标识；从预设的声调向量集合中，确定与每个声调组合对应的声调向量；
分类模块，用于将所得到的词向量和声调向量输入预先训练的文本分类模型，得到用于表征所述待分类文本的类别的标签；
所述词典和所述词向量集合预先按照如下步骤得到：
对预设的语料库中的文本进行分词，得到每个文本的词语列表；
删除各个词语列表中的停用词，以及删除词频小于预设词频阈值的词语，集合剩余的所有词语，得到所述词典；
利用所述词典中的词语，通过机器学习方法，训练第一神经网络模型，得到所述词典中的每个词语对应的词向量，并将所得到的词向量组合为词向量集合；
所述声调字典和所述声调向量集合预先按照如下步骤得到：
确定所述语料库中的每个文本包括的文字的声调，得到每个文本的声调序列；
从每个声调序列中依次提取预设数量个相邻的声调，得到每个文本对应的声调组合列表，集合所有声调组合，得到声调字典；
利用所述声调字典中的词语，通过机器学习方法，训练第二神经网络模型，得到所述声调字典中的每个声调组合对应的声调向量，并将所得到的声调向量组合为声调向量集合。
6.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一所述的方法。
CN201911326228.9A 2019-12-20 2019-12-20 文本分类方法和装置 Active CN111078887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911326228.9A CN111078887B (zh) 2019-12-20 2019-12-20 文本分类方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911326228.9A CN111078887B (zh) 2019-12-20 2019-12-20 文本分类方法和装置

Publications (2)

Publication Number Publication Date
CN111078887A CN111078887A (zh) 2020-04-28
CN111078887B true CN111078887B (zh) 2022-04-29

Family

ID=70316362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911326228.9A Active CN111078887B (zh) 2019-12-20 2019-12-20 文本分类方法和装置

Country Status (1)

Country Link
CN (1) CN111078887B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563379B (zh) * 2020-05-12 2022-12-02 厦门市美亚柏科信息股份有限公司 基于中文词向量模型的文本识别方法、装置及存储介质
CN111709475B (zh) * 2020-06-16 2024-03-15 全球能源互联网研究院有限公司 一种基于N-grams的多标签分类方法及装置
CN111859981B (zh) * 2020-06-17 2024-03-26 北京百度网讯科技有限公司 语言模型获取及中文语义理解方法、装置及存储介质
CN113762998A (zh) * 2020-07-31 2021-12-07 北京沃东天骏信息技术有限公司 类别分析方法、装置、设备及存储介质
CN111930942B (zh) * 2020-08-07 2023-08-15 腾讯云计算(长沙)有限责任公司 文本分类方法、语言模型训练方法、装置及设备
CN112148841B (zh) * 2020-09-30 2024-04-19 北京金堤征信服务有限公司 一种对象分类以及分类模型构建方法和装置
CN112100385B (zh) * 2020-11-11 2021-02-09 震坤行网络技术(南京)有限公司 单标签文本分类方法、计算设备和计算机可读存储介质
CN113011533B (zh) * 2021-04-30 2023-10-24 平安科技（深圳）有限公司 文本分类方法、装置、计算机设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543036A (zh) * 2018-11-20 2019-03-29 四川长虹电器股份有限公司 基于语义相似度的文本聚类方法
CN109697232A (zh) * 2018-12-28 2019-04-30 四川新网银行股份有限公司 一种基于深度学习的中文文本情感分析方法
CN110119443A (zh) * 2018-01-18 2019-08-13 中国科学院声学研究所 一种面向推荐服务的情感分析方法
CN110147550A (zh) * 2019-04-23 2019-08-20 南京邮电大学 基于神经网络的发音特征融合方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10593350B2 (en) * 2018-04-21 2020-03-17 International Business Machines Corporation Quantifying customer care utilizing emotional assessments

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110119443A (zh) * 2018-01-18 2019-08-13 中国科学院声学研究所 一种面向推荐服务的情感分析方法
CN109543036A (zh) * 2018-11-20 2019-03-29 四川长虹电器股份有限公司 基于语义相似度的文本聚类方法
CN109697232A (zh) * 2018-12-28 2019-04-30 四川新网银行股份有限公司 一种基于深度学习的中文文本情感分析方法
CN110147550A (zh) * 2019-04-23 2019-08-20 南京邮电大学 基于神经网络的发音特征融合方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向方言语音合成的文本分析研究;郭威彤，杨鸿武，宋继华等;《计算机工程》;20150915;第41卷(第9期);184-189 *

Also Published As

Publication number Publication date
CN111078887A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN111078887B (zh) 文本分类方法和装置
CN107679039B (zh) 用于确定语句意图的方法和装置
CN111444340B (zh) 文本分类方法、装置、设备及存储介质
CN110347835B (zh) 文本聚类方法、电子装置及存储介质
CN109214386B (zh) 用于生成图像识别模型的方法和装置
CN107301170B (zh) 基于人工智能的切分语句的方法和装置
CN109408824B (zh) 用于生成信息的方法和装置
CN110457708B (zh) 基于人工智能的词汇挖掘方法、装置、服务器及存储介质
CN107861954B (zh) 基于人工智能的信息输出方法和装置
CN109086265B (zh) 一种语义训练方法、短文本中多语义词消歧方法
US20220319493A1 (en) Learning device, learning method, learning program, retrieval device, retrieval method, and retrieval program
CN113392209B (zh) 一种基于人工智能的文本聚类方法、相关设备及存储介质
CN112188311B (zh) 用于确定新闻的视频素材的方法和装置
CN112507190B (zh) 一种财经快讯的关键词提取方法和***
CN111061877A (zh) 文本主题提取方法和装置
CN107766498B (zh) 用于生成信息的方法和装置
US20230114673A1 (en) Method for recognizing token, electronic device and storage medium
CN112559747A (zh) 事件分类处理方法、装置、电子设备和存储介质
CN115798661A (zh) 临床医学领域的知识挖掘方法和装置
CN111597807A (zh) 分词数据集生成方法、装置、设备及其存储介质
CN113837307A (zh) 数据相似度计算方法、装置、可读介质及电子设备
CN112199954B (zh) 基于语音语义的疾病实体匹配方法、装置及计算机设备
CN110807097A (zh) 分析数据的方法和装置
CN113641724B (zh) 知识标签挖掘方法、装置、电子设备及存储介质
CN114817476A (zh) 语言模型的训练方法、装置、电子设备和存储介质

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