CN115577109A - 文本分类方法、装置、电子设备及存储介质 - Google Patents
文本分类方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115577109A CN115577109A CN202211321452.0A CN202211321452A CN115577109A CN 115577109 A CN115577109 A CN 115577109A CN 202211321452 A CN202211321452 A CN 202211321452A CN 115577109 A CN115577109 A CN 115577109A
- Authority
- CN
- China
- Prior art keywords
- comment
- vector
- word
- text
- target
- 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.)
- Pending
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
- 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
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/169—Annotation, e.g. comment data or footnotes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种文本分类方法、装置、电子设备及存储介质。该方法包括:获取待分类评论信息,并确定与所述待分类评论信息相对应的待使用语句;基于与所述待使用语句对应的评论属性,确定所述待使用语句中各待使用词语所对应的待处理向量;基于预先确定的配准语料库对所述待处理向量进行处理,得到与所述待分类评论信息相对应的待使用文本向量;基于预先训练得到的目标文本分类模型对所述待使用文本向量进行处理,得到目标分类结果。实现提高设定领域下的文本分类准确性,进而达到提高文本分类效果的效果。
Description
技术领域
本发明涉及计算机处理技术领域,尤其涉及一种文本分类方法、装置、电子设备及存储介质。
背景技术
目前文本自动分类的方法被广泛应用于互联网领域的各个方面,如网页分类、情感分析、评论挖掘等。虽然文本分类在广泛领域的精度已经达到很高的程度,但是在设定领域的分类仍具有一定的缺陷,例如汽车领域、医疗领域、法律领域、科技领域等。
现有技术中,在对文本进行分类时,主要是通过对文本中的词汇进行语义识别,确定其语义进而对待分类文本进行分类。但是,对于不同的领域,分类的需求是不同的,这种基于语义识别的方式是存在分类不准确以及分类效率低下的问题的,尤其是将其应用于设定领域的文本分类往往无法达到很好的分类效果。
发明内容
本发明提供了一种文本分类方法、装置、电子设备及存储介质,以实现提高设定领域下的文本分类准确性,进而达到提高文本分类效果的技术效果。
根据本发明的一方面,提供了一种文本分类方法,该方法包括:
获取待分类评论信息,并确定与所述待分类评论信息相对应的待使用语句;
基于与所述待使用语句对应的评论属性,确定所述待使用语句中各待使用词语所对应的待处理向量;
基于预先确定的配准语料库对所述待处理向量进行处理,得到与所述待分类评论信息相对应的待使用文本向量;
基于预先训练得到的目标文本分类模型对所述待使用文本向量进行处理,得到目标分类结果。
根据本发明的另一方面,提供了一种文本分类装置,该装置包括:
待使用语句确定模块,用于获取待分类评论信息,并确定与所述待分类评论信息相对应的待使用语句;
待处理向量确定模块,用于基于与所述待使用语句对应的评论属性,确定所述待使用语句中各待使用词语所对应的待处理向量;
待使用文本向量确定模块,用于基于预先确定的配准语料库对所述待处理向量进行处理,得到与所述待分类评论信息相对应的待使用文本向量;
目标分类结果确定模块,用于基于预先训练得到的目标文本分类模型对所述待使用文本向量进行处理,得到目标分类结果。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的文本分类方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的文本分类方法。
本发明实施例的技术方案,通过获取待分类评论信息,并确定与待分类评论信息相对应的待使用语句;基于与待使用语句对应的评论属性,确定待使用语句中各待使用词语所对应的待处理向量;基于预先确定的配准语料库对待处理向量进行处理,得到与待分类评论信息相对应的待使用文本向量;基于预先训练得到的目标文本分类模型对待使用文本向量进行处理,得到目标分类结果,解决了现有技术中基于语义识别,导致文本分类准确性低,效果差的问题,实现了通过将评论语句对应的评论属性和配准语料库中的词语引入到待分类评论信息的特征向量中,提高设定领域下的文本分类准确性,进而达到提高文本分类效果的技术效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种文本分类方法的流程图;
图2是根据本发明实施例二提供的一种文本分类方法的流程图;
图3是根据本发明实施例三提供的一种文本分类方法的流程图;
图4是根据本发明实施例四所提供的文本分类方法示意图;
图5是根据本发明实施例四所提供的用于表征文本向量化方法示意图;
图6是根据本发明实施例四所提供的文本分类方法示意图;
图7是根据本发明实施例五提供的一种文本分类装置的结构示意图;
图8是实现本发明实施例的文本分类方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是根据本发明实施例一提供的一种文本分类方法的流程图,本实施例可适用于文本分类情况,该方法可以由文本分类装置来执行,该文本分类装置可以采用硬件和/或软件的形式实现,该文本分类装置可配置于计算设备中。如图1所示,该方法包括:
S110、获取待分类评论信息,并确定与所述待分类评论信息相对应的待使用语句。
其中,待分类评论信息可以为需要确定其评论类别的文本信息,例如,待分类评论信息可以是关于产品性能(如可用性、可靠性、安全性等)的评价信息,也可以是用户针对产品的建议信息或需求信息等。待使用语句的数量可以为一个,两个或多个,与待分类评论信息中的文本信息相关。
在本实施例中,可以当检测到用户触发发布评论信息的控件时,认为接收到了待分类评论信息;也可以是利用接口从预设位置调取用户的评论信息时,认为服务器获取到了待分类评论信息。可以对待分类评论信息进行划分处理得到待分类评论信息中包含的多个待使用语句,以基于待使用语句确定其文本分类结果。
需要说明的是,在实际应用中,产品评论中的文本信息大多是非结构化数据,其中可能包含了杂质冗余的信息(如错别字或空格符号等),这些杂质冗余的信息会影响分类效果。为了提高文本分类效果,在确定与待分类评论信息相对应的待使用语句的过程中,可以对待分类评论信息进行分句处理,得到待纠正语句;对待纠正语句进行纠正处理,得到待过滤语句;对待过滤语句进行词过滤处理,得到待使用语句。
在本实施例中,可以基于间隔符(如标点符号、空格)、语义或词性等对待分类评论信息中的文本信息进行分句,可以得到至少一个语句,作为待纠正语句。进一步的,可以利用正则表达式对待纠正语句进行纠正,如纠正语句中的错别字,收缩音和重复音等,得到纠正后的待纠正语句,作为待过滤语句。进一步的,可以去除待过滤语句中的停用词,停用词可以为预设的词语,如,the,I,you,停用词表征预设词语影响分类的效果的重要性低。得到去除停用词后的待过滤语句,作为待使用语句。
示例性的,在得到用户的评论信息(即待分类评论信息)后,对待分类评论信息进行分句处理,得到多个不同的句子(即待纠正语句)。进而使用正则表达式纠正待纠正语句中常见的错别字,收缩音和重复音等。例如:“U→you”、“cuz→because”、“&→and”、“Plz→please”、“soooo→so”和“thx→thank”,其中,箭头前的是纠正前的词语,箭头后的是纠正后的词语,相应的,得到每个待纠正语句所对应的待过滤语句。进一步的,可以使用停用词表,删除待过滤语句中被认为的通用的词语,即停用词(例如,the,I,you)。需要说明的是,在删除待过滤语句中停用词的过程中,保留了像“can”、“should”这样的情态动词,情态动词在句子中可提高分类准确性,比如“You should add a button”、“This function can’twork”,在这两个句子中,情态动词should可以明显的代表“需要”;can’t可以明显的代表“不能”,对于文本分类可以起到一定的作用。在本技术方案中,通过使用文本缩减策略来减少后续分类器必须处理的特征(单词)数量,删除可能对分类器的预测能力产生负面影响的所有信息,在提高文本分类效率的同时,提高分类准确性。
S120、基于与所述待使用语句对应的评论属性,确定所述待使用语句中各待使用词语所对应的待处理向量。
其中,评论属性可以用于表征评论自身的特征信息,如情感信息(喜欢,无感等),或评论评级等。
需要说明的是,在实际应用中,用户在发表评论或撰写应用评论时,会使用某些词来表达自己的感受,如可能存在正向的表达,也可能存在负向的表达,为了提高分类效果,可以通过计算评论信息的情感信息,将情感信息融入文本特征表示,从而得到具有评论属性的文本特征表示,以将最终特征输入至分类器中进行分类。
在本实施例中,可以通过解析待使用语句的语义,确定其评论属性,进而可以基于评论属性,确定与该评论属性对应的特征值,例如,不同的评论属性所对应的特征值可能是不同的,喜欢对应的特征值为1,无感对应的特征值为2。相应的,可以将评论属性对应的特征值添加到对应待使用词语对应的特征向量表示中,得到该待使用词语所对应的向量信息,作为待处理向量。具体来说,评论属性中包括情感属性。如情感属性可为积极、消极和中立等。基于与待使用语句对应的评论属性,确定待使用语句中各待使用词语所对应的待处理向量的实现方式可以是:对待使用语句进行情感分析,确定与待使用语句相对应的情感属性;确定待使用语句中各待使用词语所对应的逆向文件属性值;对于各待使用词语,基于当前待使用词语的逆向文件属性值和情感属性,确定与当前待使用词语对应的待处理向量。
其中,逆向文件属性值可以用于表征各待使用词语在整个文本中的重要程度,如可以为IDF(逆向文件频率,Inverse Document Frequency)。确定每个待使用词语对应的待处理向量的方式均相同,可以以其中任一待使用词语作为当前待使用词语进行说明。
在本实施例中,可以利用情感分析模型对待使用语句进行情感分析,得到与待使用语句相对应的情感属性。例如,情感分析模型可以为VADER(Valence Aware Dictionaryand sEntiment Reasoner),VADER能够使用语法和句法线索来识别用户评论中的情绪强度,并与强大的修饰语(如否定、收缩、连词、加强词、程度副词、大写和标点等)相结合,用于计算输入文本的情感分数。或者,情感分析模型也可以为朴素贝叶斯,LSTM(Long short-term memory,长短期记忆)模型等。
还可以对待使用语句进行文本向量化处理,得到待使用语句对应的特征向量,可选的,确定待使用语句对应的特征向量的方式可以是:利用TF-IDF(term frequency–inverse document frequency,词频-逆向文件频率)评估待使用语句中词语对于整个待分类评论信息或整个待使用语句的重要程度,例如,某个词语出现频率很小,则可以认为此词语具有很好的类别区分能力,可用来分类,其重要程度越高。相应的,可以得到待使用语句中每个待使用词语所对应的IDF,即逆向文件属性值。可以将逆向文件属性值作为对应待使用词语的特征向量,进一步的,可以基于待使用词语的特征向量和对应的情感属性确定该待使用词语最终的文本向量,如可将特征向量与情感属性对应的特征值进行拼接,得到拼接后的向量作为待使用词语对应的待处理向量。
示例性的,可以通过情感分析技术挖掘用户对于某一款产品、事件或者观点的情绪,进而可以为用户评论信息中的每个给定句子分配给一个相应的情感类别,如积极、消极和中立等情感类别。例如,对于待使用语句1:“The low value of the car makes mesad。”;待使用语句2:“I'mso excited about the power in this car,it's going to goto heaven!”。语句1中使用情感词“sad”来表达负面情绪,是对产品设计方面的负面表达。语句2是通过形容词“excited”表达积极的情绪。为了识别评论文本中所具有的情感,利用VADER使用语法和句法线索识别用户评论中的情绪强度,例如标点符号(如感叹号的数量),大写字母(如“I HATE THIS GAME”比“I hate this game”更强烈),度数修饰符(如“Thenew sync feature is extremely good”被认为比“The new sync feature is good”更强烈),构造性连词“but”可改变极性,以及通过检查三字母的组合词确定否定词(如“The appisn’t really all that great”)。VADER可输出消极(negative)、积极(positive)、中性(neutral)等情感类别的情绪值(即特征值),输出值在-1(非常负面)和1(非常正面)之间,可通过这四种情感类别来反映整体情绪状态。相应的,可以确定每个待使用语句是积极,中性,或是消极的,得到其情感类别。还可以利用TF-IDF计算出待使用语句中每个待使用词语的TF-IDF值(即逆向文件属性值)作为文本数据向量。进而将待使用词语的文本数据向量和对应的情感类别的情绪值拼接,得到该待使用词语的待处理向量。
S130、基于预先确定的配准语料库对所述待处理向量进行处理,得到与所述待分类评论信息相对应的待使用文本向量。
其中,配准语料库是是预先构建的,其中包括设定领域内与评论类别相对应的相关词汇以及词汇对应的向量表示,设定领域与待分类评论信息相对应的应用领域相对应,例如,可以为汽车领域,也可以为餐饮领域。
在本实施例中,可以计算待处理向量与配准语料库中存储的各词语之间的匹配度,可以将匹配度高于预设阈值的待处理向量提取出来,生成待使用文本向量。例如,待处理向量A与存储词语B的匹配度为94%,且大于90%,可以将待处理向量A作为后续分类所需的词语向量。
需要说明的是,为了保证文本数据的全面性,以及提高待处理向量与配准语料库中各词语的匹配效果。可以利用通过词语之间的语义关系,确定不同词之间的相似度,相似度越高,表征两个词越相近。可选的,基于预先确定的配准语料库对待处理向量进行处理,得到与待分类评论信息相对应的待使用文本向量,包括:确定配准语料库中各待配准词语所对应的待配准向量,并分别确定各待配准向量与待处理向量之间的相似度;若相似度大于预设阈值,则将对应的待处理向量标记为领域相关词汇向量;基于领域相关词汇向量和待处理向量,生成待使用文本向量。
其中,相似度用于表征两个词的相似程度。需要说明的是,可以预先利用词向量生成技术生成每个待配准词语所对应的特征向量,即待配准向量,存储至配准语料库中。例如,可以利用gensim工具并使用word2vec里CBOW模型将文本数据转换为词向量。领域相关词汇向量是指通过设定领域的配准语料库与待使用向量匹配,确定出的待分类评论信息中与设定领域相关的词汇向量。
在本实施例中,在确定待使用词语对应的待处理向量之后,可以分别计算待处理向量与各待配准向量之间的相似度,将相似度高于预设阈值的待处理向量作为领域相关词汇向量,将待分类评论信息中除领域相关词汇向量之外的待处理向量标记为评论词汇向量,可以基于领域相关词汇向量和评论词汇向量,生成待使用文本向量。需要说明的是,确定待处理向量与各待配准向量之间的相似度的方式可以有多种,例如,可以利用path相似度计算方法,得到待处理向量与各待配准向量之间的语义相似度,语义相似度数值可以用两个词汇之间的最短路径表示;也可以是利用余弦相似度计算方法,得到待处理向量与各待配准向量之间的余弦距离,用余弦距离表示相似度数值,词向量之间的余弦值越大,则说明两个词的语义相似度越高;词向量之间的余弦值越小,则两个词的语义相似度越低。示例性的,可以遍历整个配准语料库中的待配准词语,并将语料库中每个待配准词语的词向量(即待配准向量)分别与各待处理向量做相似度计算,将相似度大于阈值(如0.8)的待处理向量作为领域相关词汇向量添加到待使用文本向量中。通过将待分类评论信息中的每个词与对应设定领域的配准语料库进行匹配来找到待分类评论信息中的领域相关词,以使后续基于这些领域相关词进行分类,提高分类准确性。
S140、基于预先训练得到的目标文本分类模型对所述待使用文本向量进行处理,得到目标分类结果。
其中,目标文本分类模型是指预先训练的,用于进行文本分类的模型。目标分类结果可以用于表征评论类别,如,可以为性能评价、错误反馈评价、需求反馈评价、用户体验评价等。
在本实施例中,可以将待使用文本作为目标文本分类模型的输入,输出其所属的评论类别,作为目标分类结果。具体来说,基于预先训练得到的目标文本分类模型对待使用文本向量进行处理,得到目标分类结果,包括:基于待使用文本向量中各待应用向量和对应的权重值,得到各待应用向量对应的目标词语向量;对各目标词语向量进行拼接处理,得到与待使用文本向量相对应的目标文本向量;将目标文本向量输入至目标文本分类模型,得到目标分类结果。
其中,待应用向量可以为领域相关词汇向量,也可为除领域相关词汇向量之外的待处理向量。
在实际应用中,可以设定领域相关词汇向量所对应的权重值,作为第一权重值,以及设定除领域相关词汇向量之外的待处理向量的权重值,作为第二权重值。为了提高领域相关词汇的关注度,提高分类效果,第一权重值可以大于第二权重值。对待使用文本向量中各领域相关词汇向量按照第一权重值进行放大,对其余词汇向量按第二权重值进行放大。相应的,得到各待应用向量加权处理后的向量,作为目标词语向量。进一步的,可以将各目标词语向量进行拼接处理,得到最终的文本向量,作为目标文本向量。可以将目标文本向量输入至目标文本分类模型,得到与待分类评论信息相对应的目标分类结果。
本实施例的技术方案,通过获取待分类评论信息,并确定与待分类评论信息相对应的待使用语句;基于与待使用语句对应的评论属性,确定待使用语句中各待使用词语所对应的待处理向量;基于预先确定的配准语料库对待处理向量进行处理,得到与待分类评论信息相对应的待使用文本向量;基于预先训练得到的目标文本分类模型对待使用文本向量进行处理,得到目标分类结果,解决了现有技术中基于语义识别,导致文本分类准确性低,效果差的问题,实现了通过将评论语句对应的评论属性和配准语料库中的词语引入到待分类评论信息的特征向量中,提高设定领域下的文本分类准确性,进而达到提高文本分类效果的技术效果。
实施例二
图2是根据本发明实施例二提供的一种文本分类方法的流程图,在前述实施例的基础上,可以预先确定配准语料库。其具体的实施方式可以参见本实施例技术方案。其中,与上述实施例相同或者相应的技术术语在此不再赘述。
如图2所示,该方法具体包括如下步骤:
S210、获取至少一个评论维度的待使用评论信息,并确定与所述待使用评论信息相对应的待使用评论语句。
需要说明的是,在不同领域内,用户的评论表达是存在一定差异的,用户所关注的信息也是不同的,相应的评论信息的分类结果是存在较大差异的。评论维度是与设定领域中用户的关注信息相关的,例如,在汽车领域内,评论维度可以为性能维度、错误反馈维度、需求维度、用户体验维度等。待使用评论信息可以为各个评论维度下用户所产生的的评论信息,如针对产品性能,用户发布的性能评价。
在本实施例中,可以采集不同评论维度下的用户评论信息,作为待使用评论信息,例如,性能维度下的评论信息可以为与汽车性能有关的用户评论,包含了汽车运行时的动力、行驶稳定以及油门或刹车的响应等问题;错误反馈维度下的评论信息中可以包括用户反馈的一些使用汽车时出现的错误报告和问题等,如:按钮故障、运行故障等。需求维度下的评论信息可以为特征需求,包含了用户的一些建议或者希望增加的某些汽车功能,以及改善汽车应用的建议等,如:增加功能、改善功能、请求等。用户体验维度的评论信息中包括用户对于车型的设计,或者某一元素表达情绪的用户评论,如:舒适感、心情、便利性、快捷性等。进一步的,可以对待使用评论信息进行分句,得到每个评论维度下所对应的各待使用评论语句。
S220、基于与所述待使用评论信息相对应的产品属性对各待使用评论语句筛选处理,得到目标评论词语。
其中,产品属性可以用于表征产品领域评价的关注信息,例如,假设产品属性为汽车,其关注信息可以为汽车功能,使用体验,汽车设计等;如果产品属性为美食,则其关注信息可能为美食口感,美食色泽度等,不同的产品属性所对应的评价的关注信息可能是不同的。
在本实施例中,可以基于待使用评论信息相对应的产品属性,对各待使用评论语句中的词语进行筛选,筛选出可以代表产品属性的相关词,作为目标评论词语。例如,可以在获取待使用评论信息之后,通过手工标记的方式,对评论信息进行划分,确定每个句子(即待使用评论语句)的评论类别。进而从每个句子中挑选出与产品属性相关的领域相关词作为目标评论词语,可以将目标评论词语作为生成配准语料库的基础词,以使后续可以基于目标评论词语自动化扩充配准语料库。
示例性的,对于评论语句“There will always be some sound jams in thedriving system,which greatly affects my overall driving experience”,在这条语句中,用户通过“Jams”和“sound”这两个词表示出用户对于汽车的音乐播放和音响设备以及在车辆运行中音乐的播放效果不太满意,而这两个词在别的领域中可能没有很大的意义,但在汽车领域中对于表达用户需求方面能够起到关键性作用,受这汽车领域的影响,可以提取这两个词作为目标评论词语,为后续扩充领域知识做准备。
S230、基于预先确定的待使用语料库中的各待使用词汇,确定与所述目标评论词语相对应的相似词汇。
其中,待使用语料库可以为预设的,包含多个待使用词汇,待使用语料库可以为。待使用词汇可以为待选择填充至配准语料库中的词语。
在本实施例中,可以利用计算目标评论词语与各待使用词汇之间的相似度,将相似度高于设定阈值的待使用词汇作为与该目标评论词语相似的相似词汇。相应的,可以得到每个目标评论词语所对应的各相似词汇。具体来说,基于预先确定的待使用语料库中的各待使用词汇,确定与目标评论词语相对应的相似词汇的实现方式可以是:可以通过计算目标评论词语与各待使用词汇之间的最短距离,用最短距离表征相似度,输出范围是0到1,将相似度大于阈值(如0.7)的待使用词汇作为相似词汇加入至配准语料库中。或/和,分别将各待使用词汇以及各目标评论词语转化为词向量,将待使用语料库中每个单词的词向量分别与各目标评论词语的词向量做相似度计算,如可以根据不同词向量的余弦距离来判断词之间的相似度。若词向量之间的余弦值越大,则说明两个词的语义相似度越高;若词向量之间的余弦值越小,则语义相似度越低,将相似度大于阈值(如0.7)的待使用词汇作为相似词汇加入至配准语料库中。
S240、基于所述目标评论词语和所述相似词汇,确定所述配准语料库。
具体的,可以基于各目标评论词语和各相似词汇生成与产品属性相应的领域词典,即配准语料库,以基于配准语料库对待处理向量进行处理,得到与待分类评论信息相对应的待使用文本向量。
S250、获取待分类评论信息,并确定与所述待分类评论信息相对应的待使用语句。
S260、基于与所述待使用语句对应的评论属性,确定所述待使用语句中各待使用词语所对应的待处理向量。
S270、基于预先确定的配准语料库对所述待处理向量进行处理,得到与所述待分类评论信息相对应的待使用文本向量。
S280、基于预先训练得到的目标文本分类模型对所述待使用文本向量进行处理,得到目标分类结果。
本实施例的技术方案,通过获取至少一个评论维度的待使用评论信息,并确定与待使用评论信息相对应的待使用评论语句;基于与待使用评论信息相对应的产品属性对各待使用评论语句筛选处理,得到目标评论词语;基于预先确定的待使用语料库中的各待使用词汇,确定与目标评论词语相对应的相似词汇;基于目标评论词语和相似词汇,确定配准语料库,通过利用产品属性对评论维度的评论信息进行筛选处理,得到符合设定领域下的目标评论词语,并对目标评论词语进行自动扩充,生成配准语料库,提高设定领域所对应的评论数据的丰富度,进而提高分类准确性。
实施例三
图3是根据本发明实施例三提供的一种文本分类方法的流程图,在前述实施例的基础上,可以预先训练得到目标文本分类模型。其具体的实施方式可以参见本实施例技术方案。其中,与上述实施例相同或者相应的技术术语在此不再赘述。
如图3所示,该方法具体包括如下步骤:
S310、获取训练样本集。
其中,训练样本集中包括多个训练样本,训练样本用于参与模型训练。为了使得到的目标文本分类模型存在较高的准确度,可以尽可能多而丰富的获取训练样本,从而得到训练后的目标文本分类模型。
可选的,获取训练样本集的实现方式可以是:获取历史评论信息,并确定与历史评论信息相对应的历史评论语句;基于历史评论语句对应的评论属性,确定历史评论语句中各历史评论词语所对应的历史评论向量;基于配准语料库中各待配准向量与历史评论向量之间的相似度,确定与历史评论信息相对应的历史待使用向量;基于历史待使用向量和配准语料库中各待配准词语所对应的待配准向量,确定与历史待使用向量相对应的领域相关词语向量,并对领域相关词语向量加权处理,得到目标相关词语向量;基于历史待使用向量、目标相关词语向量和对应的理论评论标签,确定训练得到目标文本分类模型的训练样本。
其中,历史评论信息中可以包括不同评论维度下的用户评论信息。理论评论标签可以理解为评论信息中的文本特征对应的评论类别的标签,可以通过人工进行标注,如,可以为性能、错误反馈、需求、用户体验等类别标签,例如性能类型的标签可以为A1;错误反馈类型的标签可以为B1。
在本实施例中,为了要得到确定待分类评论信息的评论类别的目标文本分类模型,可以采集与待分类评论信息相对应的设定领域中在不同评论类别下的用户的评论信息(即历史评论信息),历史评论信息中包括对设定领域产品性能的评价信息、对产品功能的需求信息、对产品使用体验的评价信息和对产品错误报告和问题的反馈等等。为了提高模型的训练精度,可以对历史评论信息进行分句处理,得到多个语句,进而可以利用正则表达式对各语句中词汇进行纠正,如纠正语句中的错别字,收缩音和重复音等,得到纠正后的语句,进一步的,可以对纠正后的语句进行词过滤处理,去除纠正后的语句中的停用词,停用词可以为预设的词语,如,the,I,you等,进而去除停用词后的语句,作为历史评论语句。进一步的,可以利用情感分析模型(如VADER)对历史评论语句进行情感分析,得到与历史评论语句相对应的评论属性。并利用TF-IDF评估历史评论语句中历史评论词语对于整个历史评论语句的重要程度,得到每个历史评论词语所对应的IDF值,将IDF值作为对应历史评论词语的文本数据向量,将该历史评论词语的文本数据向量和对应的评论属性进行组合,得到与该历史评论词语所对应的历史评论向量。进一步的,可以通过计算历史待使用向量与配准语料库中存储的各待配准向量之间的相似度,将相似度高于预设阈值的历史待使用向量作为领域相关词语向量,可以将领域相关词语向量按照一定百分比进行放大,得到向量放大处理后的领域相关词语向量作为目标相关词语向量,使起到重视领域相关词的效果。可以将除领域相关词语向量之外的历史待使用向量标记为评论词语向量,每个词向量的评论类别可以作为理论评论标签。相应的,可以基于各评论词语向量、各目标相关词语向量以及对应的理论评论标签,得到多个训练样本,以基于各训练样本训练得到目标文本分类模型。
S320、对于各训练样本,将当前训练样本的历史待使用向量输入至待训练文本分类模型中,得到实际评论类别。
需要说明的是,当前训练样本可以理解为当需要确定每个训练样本相对应的实际评论类别时,可以将确定任一训练样本的实际评论类别作为确定当前训练样本的实际评论类别进行处理,也就是说,可以以对其中一个训练样本作为当前训练样本进行说明。待训练文本分类模型可以为SVM(Support Vector Machine,支持向量机)。待训练文本分类模型的模型参数可以为默认值。可以基于每个训练样本对待训练文本分类模型进行训练,以得到训练好的目标文本分类模型。
具体的,可以将各训练样本输入至待训练文本分类模型,也就是说,可以将每一个训练样本作为待训练文本分类模型的输入参数,待训练文本分类模型可以对当前训练样本进行处理,如,评论分类处理,可以得到与当前训练样本相对应的分类标签,即实际评论类别,相应的,可以得到各训练样本对应的实际评论类别。
S330、基于所述实际评论类别和所述当前训练样本中历史待使用向量所对应的理论评论标签,训练所述待训练文本分类模型。
需要说明的是,在本实施例中,可以利用分类技术将当前训练样本进行处理,待训练文本分类模型可以输出与当前训练样本对应的实际评论类别。由于待训练文本分类模型中的模型参数是未修正的,那么,输出分类评论类别与当前训练样本对应的理论评论标签也是存在相应差异的。基于模型输出的实际评论类别和相应的理论评论标签,可以确定出误差值,进而基于误差值可以修正待训练文本分类模型中的模型参数。
在实际应用中,可以将当前训练样本输入待训练文本分类模型中,得到当前训练样本相对应的实际评论类别,如,可以为性能评价标识,再将当前输出的性能评价标识与人工标注的理论评论标签进行比较,计算出相似误差值,即损失结果,进而可以基于损失结果对待训练文本分类模型的模型参数进行修正。
S340、将所述待训练文本分类模型中的损失函数收敛作为训练目标,得到所述目标文本分类模型。
其中,训练目标是指模型训练以达到预设损失函数收敛为目标。
具体的,可以将损失函数的训练误差,即损失参数作为检测损失函数当前是否达到收敛的条件,比如训练误差是否小于预设误差或误差变化趋势是否趋于稳定,或者当前的迭代次数是否等于预设次数。若检测达到收敛条件,比如损失函数的训练误差达到小于预设误差或误差变化趋于稳定,表明待训练文本分类模型训练完成,此时可以停止迭代训练。若检测到当前未达到收敛条件,可以进一步获取训练样本对待训练文本分类模型继续进行训练,直至损失函数的训练误差在预设范围之内。当损失函数的训练误差达到收敛时,可以将待训练文本分类模型作为目标文本分类模型,以使在将待分类评论信息输入至训练好的目标文本分类模型,模型可以精准识别并输出待分类评论信息相对应的目标分类结果。
S350、获取待分类评论信息,并确定与所述待分类评论信息相对应的待使用语句。
S360、基于与所述待使用语句对应的评论属性,确定所述待使用语句中各待使用词语所对应的待处理向量。
S370、基于预先确定的配准语料库对所述待处理向量进行处理,得到与所述待分类评论信息相对应的待使用文本向量。
S380、基于预先训练得到的目标文本分类模型对所述待使用文本向量进行处理,得到目标分类结果。
本实施例的技术方案,通过获取训练样本集;对于各训练样本,将当前训练样本的历史待使用向量输入至待训练文本分类模型中,得到实际评论类别;基于实际评论类别和当前训练样本中历史待使用向量所对应的理论评论标签,训练待训练文本分类模型;将待训练文本分类模型中的损失函数收敛作为训练目标,得到目标文本分类模型,实现通过将语句对应的评论属性和配准语料库中的词语引入到训练样本的特征向量中,进而基于训练样本训练得到目标文本分类模型,提高模型的精度,达到提高模型分类准确性的技术效果。
实施例四
作为上述实施例的一可选实施例,图4是根据本发明实施例四所提供的文本分类方法示意图。具体的,可以参见下述具体内容。
参见图4,本技术方案可以通过获取训练样本训练分类器,得到目标文本分类模型,其具体的实现方式可以是:采集多个评论类别下的用户评论信息,如评论类别包括:性能问题,崩溃问题(bug report),特征请求,用户体验问题,性能问题类别下的评论信息包括与汽车性能有关的用户评论(如设计汽车运行时的动力、行驶稳定以及油门或刹车的响应等问题);崩溃问题下的评论信息包括用户反馈的一些使用汽车时出现的错误报告和问题等,如:按钮故障、运行故障等。特征请求下的评论信息包括用户的一些建议或者希望增加的某些汽车功能,以及改善汽车应用的建议等,如:增加功能、改善功能、请求等。用户体验问题下的评论信息包括用户对于车型的设计,或者某一元素表达情绪的用户评论,如:舒适感、心情、便利性、快捷性等。进一步的,可以对采集的用户评论信息进行文本预处理,包括:1、评论分句:对用户评论信息(即历史评论信息)进行分句,得到每个评论类别下所对应的各历史评论语句。2、纠正错别字:使用正则表达式来纠正历史评论语句中的错别字、收缩音和重复音等,例如:“U→you”、“cuz→because”、“&→and”、“Plz→please”、“soooo→so”和“thx→thank”,其中,箭头前的是纠正前的词语,箭头后的是纠正后的词语。3、去除停用词:使用停用词表,删除纠正后的语句中的停用词(例如,the,I,you),得到处理后的历史评论语句。需要说明的是,在删除停用词的过程中,保留了纠正后的语句像“can”、“should”这样的情态动词,句子中包含情态动词可提高分类准确性,比如“You should add abutton”、“This function can’t work”,在这两个句子中,情态动词should可以明显的代表“需要”;can’t可以明显的代表“不能”,对于文本分类可以起到一定的作用。同时使用文本缩减策略可以减少分类器必须处理的特征(单词)数量,从而删除可能对分类器的预测能力产生负面影响的所有信息,提高分类准确性。还可以利用VADER对处理后的历史评论语句进行情感分析,得到历史评论语句所对应的情感值,可以通过情感值反映用户情绪状态。还可以利用TF-IDF评估历史评论语句中词语对于整个待分类评论信息或整个待使用语句的重要程度,计算出历史评论语句中每个词的TF-IDF值作为文本数据向量。可以将历史评论词语的文本数据向量和情感值拼接,得到历史评论词语的历史待使用向量(即历史评论向量)。进一步的,可以通过计算历史待使用向量与配准语料库中存储的各待配准向量之间的相似度,将相似度高于预设阈值的历史待使用向量作为领域相关词语向量,可以将领域相关词语向量按照一定百分比进行放大,使起到重视领域相关词的效果。将除领域相关词语向量之外的历史待使用向量标记为评论词语向量,每个词向量的评论类别可以作为理论评论标签。相应的,可以基于各评论词语向量、向量放大处理后的各领域相关词语向量以及对应的理论评论标签,得到多个训练样本,可以将训练样本作为分类器的输入,以此来训练分类器,可以训练好的分类器作为目标文本分类模型。本技术方案通过将词语的评论属性以及配准语料库中领域相关词引入到文本向量化的过程,提高设定领域的文本分类效果。例如,可以参见图5所示的用于表征文本向量化方法示意图,对于汽车评论:power of thiscar needs to be improved,将其转化为文本向量,可以为---,a,---,b,---,将评论属性(如情感属性)的数值m,以及领域相关词引入到文本向量化,得到---,Ka,---,Kb,---,m。其中,a,b表征领域相关词语向量,K表示权重,Ka表示向量放大后的领域相关词语向量。
在上述方案的基础上,可以预先确定配准语料库,其确定方式可以是:首先,从语料库中随机抽出少量评论,通过手工标记的方式,对评论进行划分,确定每个语句的类别。从每个语句中挑选出领域相关词作为配准语料库的种子词,即目标评论词语,例如,对于评论语句“There will always be some sound jams in the driving system,whichgreatly affects my overall driving experience”,在这条语句中,用户通过“Jams”和“sound”这两个词表示出用户对于汽车的音乐播放和音响设备以及在车辆运行中音乐的播放效果不太满意,而这两个词在别的领域中可能没有很大的意义,但在汽车领域中对于表达用户需求方面能够起到关键性作用,受这汽车领域的影响,可以提取这两个词作为目标评论词语。进而可以利用种子词自动化扩充配准语料库,例如,可以分别使用词典和词嵌入两种方式获得词语之间相似度,将相似度高的词语作为相似词汇填充至配准语料库。示例性的,利用Wordnet扩充,Wordnet技术是将词语划分成五类:名词、动词、形容词、副词和虚词。语义关系包括同义、反义等。可以通过语义关系,可以计算目标评论词语与各待使用词汇之间的相似度,相似度用最短距离进行表示,可以将相似度大于阈值(如0.7)的待使用词汇作为相似词汇加入至配准语料库中。也可以使用Word2vec扩充,Word2vec是一种通过词嵌入将文本向量化的方法,可以根据不同词向量的余弦距离来判断词之间的相似度。词向量之间的余弦值越大,则说明两个词的语义相似度越高;词向量之间的余弦值越小,则语义相似度越低。如,可以利用gensim工具并使用word2vec里CBOW模型将目标评论词语转换为词向量。遍历整个待使用语料库的单词,并将语料库中每个待使用词汇的词向量分别与各个评论类别下的目标评论词语做相似度计算,可以将相似度大于阈值(如0.7)的待使用词汇添加到配准语料库中。
为了使本领域技术人员进一步清楚本发明实施例的技术方案,给出具体的应用场景实例,参见图6,在训练分类器之前,可以进行数据收集的操作,即采集评论信息,例如可在网络上进行文本数据的收集或者本地的文件导入。进而对采集的数据进行数据预处理,预处理可以是文本标记处理、去停用词、分词、词干提取等一系列的操作。其中,处理文本标记:将一些特殊符号干扰分类器的性能进行删除。去停用词:将文本中比如主语、代语、冠词等词剔除。分词:基于间隔标记符号对文本进行分词,得到单独的单词以便后续的处理。词干提取:例如,单词“represent”、“represented”、“representing”、“representing”之间的含义是相同的,可以对它们进行词干提取,统一为“represent”,从而减少了数据处理量。预处理的好处在于:使得后期数据可以更好的表示,减少存储空间、降低计算成本和提高文本分类的精准度。进一步的,可以将预处理后的文本信息进行特征化处理,即将文本转换为计算机可识别的结构化数据,也称为文本向量化。例如,可以利用词袋(Bag-of-words)模型和词嵌入(word embedding)模型将文本转化为向量。进一步的,可以将处理后的向量用于模型训练。例如,可基于卷积深度学习的模型算法,其输入通常是词等特征向量表示,进行非线性处理。在模型训练之后,可以利用测试数据对模型性能进行评估,以使基于评估后的模型进行文本分类。
本实施例的技术方案,通过获取待分类评论信息,并确定与待分类评论信息相对应的待使用语句;基于与待使用语句对应的评论属性,确定待使用语句中各待使用词语所对应的待处理向量;基于预先确定的配准语料库对待处理向量进行处理,得到与待分类评论信息相对应的待使用文本向量;基于预先训练得到的目标文本分类模型对待使用文本向量进行处理,得到目标分类结果,解决了现有技术中基于语义识别,导致文本分类准确性低,效果差的问题,实现了通过将评论语句对应的评论属性和配准语料库中的词语引入到待分类评论信息的特征向量中,提高设定领域下的文本分类准确性,进而达到提高文本分类效果的技术效果。
实施例五
图7是根据本发明实施例五提供的一种文本分类装置的结构示意图。如图7所示,该装置包括:待使用语句确定模块710、待处理向量确定模块720、待使用文本向量确定模块730和目标分类结果确定模块740。
其中,待使用语句确定模块710,用于获取待分类评论信息,并确定与所述待分类评论信息相对应的待使用语句;待处理向量确定模块720,用于基于与所述待使用语句对应的评论属性,确定所述待使用语句中各待使用词语所对应的待处理向量;待使用文本向量确定模块730,用于基于预先确定的配准语料库对所述待处理向量进行处理,得到与所述待分类评论信息相对应的待使用文本向量;目标分类结果确定模块740,用于基于预先训练得到的目标文本分类模型对所述待使用文本向量进行处理,得到目标分类结果。
本实施例的技术方案,通过获取待分类评论信息,并确定与待分类评论信息相对应的待使用语句;基于与待使用语句对应的评论属性,确定待使用语句中各待使用词语所对应的待处理向量;基于预先确定的配准语料库对待处理向量进行处理,得到与待分类评论信息相对应的待使用文本向量;基于预先训练得到的目标文本分类模型对待使用文本向量进行处理,得到目标分类结果,解决了现有技术中基于语义识别,导致文本分类准确性低,效果差的问题,实现了通过将评论语句对应的评论属性和配准语料库中的词语引入到待分类评论信息的特征向量中,提高设定领域下的文本分类准确性,进而达到提高文本分类效果的技术效果。
在上述装置的基础上,可选的,所述待使用语句确定模块710,包括待纠正语句确定单元、待过滤语句确定单元和待使用语句确定单元。
待纠正语句确定单元,用于对所述待分类评论信息进行分句处理,得到待纠正语句;
待过滤语句确定单元,用于对所述待纠正语句进行纠正处理,得到待过滤语句;
待使用语句确定单元,用于对所述待过滤语句进行词过滤处理,得到所述待使用语句。
在上述装置的基础上,可选的,所述评论属性包括情感属性,所述待处理向量确定模块720,包括情感属性确定单元、逆向文件属性值确定单元和待处理向量确定单元。
情感属性确定单元,用于对所述待使用语句进行情感分析,确定与所述待使用语句相对应的情感属性;
逆向文件属性值确定单元,用于确定所述待使用语句中各待使用词语所对应的逆向文件属性值;
待处理向量确定单元,用于对于各待使用词语,基于当前待使用词语的逆向文件属性值和情感属性,确定与所述当前待使用词语对应的待处理向量。
在上述装置的基础上,可选的,所述待使用文本向量确定模块730,包括相似度确定单元、领域相关词汇向量确定单元和待使用文本向量确定单元。
相似度确定单元,用于确定所述配准语料库中各待配准词语所对应的待配准向量,并分别确定各待配准向量与所述待处理向量之间的相似度;
领域相关词汇向量确定单元,用于若所述相似度大于预设阈值,则将对应的待处理向量标记为领域相关词汇向量;
待使用文本向量确定单元,用于基于所述领域相关词汇向量和所述待处理向量,生成所述待使用文本向量。
在上述装置的基础上,可选的,所述目标分类结果确定模块740,包括目标词语向量确定单元、目标文本向量确定单元和目标分类结果确定单元。
目标词语向量确定单元,用于基于所述待使用文本向量中各待应用向量和对应的权重值,得到各待应用向量对应的目标词语向量;
目标文本向量确定单元,用于对各目标词语向量进行拼接处理,得到与所述待使用文本向量相对应的目标文本向量;
目标分类结果确定单元,用于将所述目标文本向量输入至所述目标文本分类模型,得到所述目标分类结果。
在上述装置的基础上,可选的,所述装置还包括配准语料库确定模块,所述配准语料库确定模块包括待使用评论语句确定单元、目标评论词语确定单元、相似词汇确定单元和配准语料库确定单元。
待使用评论语句确定单元,用于获取至少一个评论维度的待使用评论信息,并确定与所述待使用评论信息相对应的待使用评论语句;
目标评论词语确定单元,用于基于与所述待使用评论信息相对应的产品属性对各待使用评论语句筛选处理,得到目标评论词语;
相似词汇确定单元,用于基于预先确定的待使用语料库中的各待使用词汇,确定与所述目标评论词语相对应的相似词汇;
配准语料库确定单元,用于基于所述目标评论词语和所述相似词汇,确定所述配准语料库。
在上述装置的基础上,可选的,所述装置还包括训练样本确定模块,所述训练样本确定模块包括历史评论语句确定单元、历史评论向量确定单元、历史待使用向量确定单元、目标相关词语向量确定单元和训练样本确定单元。
历史评论语句确定单元,用于获取历史评论信息,并确定与所述历史评论信息相对应的历史评论语句;
历史评论向量确定单元,用于基于所述历史评论语句对应的评论属性,确定所述历史评论语句中各历史评论词语所对应的历史评论向量;
历史待使用向量确定单元,用于基于所述配准语料库中各待配准向量与所述历史评论向量之间的相似度,确定与所述历史评论信息相对应的历史待使用向量;
目标相关词语向量确定单元,用于基于所述历史待使用向量和所述配准语料库中各待配准词语所对应的待配准向量,确定与所述历史待使用向量相对应的领域相关词语向量,并对所述领域相关词语向量加权处理,得到目标相关词语向量;
训练样本确定单元,用于基于所述历史待使用向量、所述目标相关词语向量和对应的理论评论标签,确定训练得到所述目标文本分类模型的训练样本。
在上述装置的基础上,可选的,所述装置还包括模型训练模块,所述模型训练模块包括实际评论类别确定单元、模型训练单元和模型确定单元。
实际评论类别确定单元,用于对于各训练样本,将当前训练样本的历史待使用向量输入至待训练文本分类模型中,得到实际评论类别;
模型训练单元,用于基于所述实际评论类别和所述当前训练样本中历史待使用向量所对应的理论评论标签,训练所述待训练文本分类模型;
模型确定单元,用于将所述待训练文本分类模型中的损失函数收敛作为训练目标,得到所述目标文本分类模型。
本发明实施例所提供的文本分类装置可执行本发明任意实施例所提供的文本分类方法,具备执行方法相应的功能模块和有益效果。
实施例六
图8是实现本发明实施例的文本分类方法的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图8所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如文本分类方法。
在一些实施例中,文本分类方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的文本分类方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行文本分类方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种文本分类方法,其特征在于,包括:
获取待分类评论信息,并确定与所述待分类评论信息相对应的待使用语句;
基于与所述待使用语句对应的评论属性,确定所述待使用语句中各待使用词语所对应的待处理向量;
基于预先确定的配准语料库对所述待处理向量进行处理,得到与所述待分类评论信息相对应的待使用文本向量;
基于预先训练得到的目标文本分类模型对所述待使用文本向量进行处理,得到目标分类结果。
2.根据权利要求1所述的方法,其特征在于,所述确定与所述待分类评论信息相对应的待使用语句,包括:
对所述待分类评论信息进行分句处理,得到待纠正语句;
对所述待纠正语句进行纠正处理,得到待过滤语句;
对所述待过滤语句进行词过滤处理,得到所述待使用语句。
3.根据权利要求1所述的方法,其特征在于,所述评论属性包括情感属性,所述基于与所述待使用语句对应的评论属性,确定所述待使用语句中各待使用词语所对应的待处理向量,包括:
对所述待使用语句进行情感分析,确定与所述待使用语句相对应的情感属性;
确定所述待使用语句中各待使用词语所对应的逆向文件属性值;
对于各待使用词语,基于当前待使用词语的逆向文件属性值和情感属性,确定与所述当前待使用词语对应的待处理向量。
4.根据权利要求1所述的方法,其特征在于,所述基于预先确定的配准语料库对所述待处理向量进行处理,得到与所述待分类评论信息相对应的待使用文本向量,包括:
确定所述配准语料库中各待配准词语所对应的待配准向量,并分别确定各待配准向量与所述待处理向量之间的相似度;
若所述相似度大于预设阈值,则将对应的待处理向量标记为领域相关词汇向量;
基于所述领域相关词汇向量和所述待处理向量,生成所述待使用文本向量。
5.根据权利要求1所述的方法,其特征在于,所述基于预先训练得到的目标文本分类模型对所述待使用文本向量进行处理,得到目标分类结果,包括:
基于所述待使用文本向量中各待应用向量和对应的权重值,得到各待应用向量对应的目标词语向量;
对各目标词语向量进行拼接处理,得到与所述待使用文本向量相对应的目标文本向量;
将所述目标文本向量输入至所述目标文本分类模型,得到所述目标分类结果。
6.根据权利要求1所述的方法,其特征在于,还包括:
确定配准语料库;
所述确定配准语料库,包括:
获取至少一个评论维度的待使用评论信息,并确定与所述待使用评论信息相对应的待使用评论语句;
基于与所述待使用评论信息相对应的产品属性对各待使用评论语句筛选处理,得到目标评论词语;
基于预先确定的待使用语料库中的各待使用词汇,确定与所述目标评论词语相对应的相似词汇;
基于所述目标评论词语和所述相似词汇,确定所述配准语料库。
7.根据权利要求1所述的方法,其特征在于,还包括:
获取历史评论信息,并确定与所述历史评论信息相对应的历史评论语句;
基于所述历史评论语句对应的评论属性,确定所述历史评论语句中各历史评论词语所对应的历史评论向量;
基于所述配准语料库中各待配准向量与所述历史评论向量之间的相似度,确定与所述历史评论信息相对应的历史待使用向量;
基于所述历史待使用向量和所述配准语料库中各待配准词语所对应的待配准向量,确定与所述历史待使用向量相对应的领域相关词语向量,并对所述领域相关词语向量加权处理,得到目标相关词语向量;
基于所述历史待使用向量、所述目标相关词语向量和对应的理论评论标签,确定训练得到所述目标文本分类模型的训练样本。
8.根据权利要求7所述的方法,其特征在于,还包括:
对于各训练样本,将当前训练样本的历史待使用向量输入至待训练文本分类模型中,得到实际评论类别;
基于所述实际评论类别和所述当前训练样本中历史待使用向量所对应的理论评论标签,训练所述待训练文本分类模型;
将所述待训练文本分类模型中的损失函数收敛作为训练目标,得到所述目标文本分类模型。
9.一种文本分类装置,其特征在于,包括:
待使用语句确定模块,用于获取待分类评论信息,并确定与所述待分类评论信息相对应的待使用语句;
待处理向量确定模块,用于基于与所述待使用语句对应的评论属性,确定所述待使用语句中各待使用词语所对应的待处理向量;
待使用文本向量确定模块,用于基于预先确定的配准语料库对所述待处理向量进行处理,得到与所述待分类评论信息相对应的待使用文本向量;
目标分类结果确定模块,用于基于预先训练得到的目标文本分类模型对所述待使用文本向量进行处理,得到目标分类结果。
10.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的文本分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211321452.0A CN115577109A (zh) | 2022-10-26 | 2022-10-26 | 文本分类方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211321452.0A CN115577109A (zh) | 2022-10-26 | 2022-10-26 | 文本分类方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115577109A true CN115577109A (zh) | 2023-01-06 |
Family
ID=84586381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211321452.0A Pending CN115577109A (zh) | 2022-10-26 | 2022-10-26 | 文本分类方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115577109A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822533A (zh) * | 2023-07-25 | 2023-09-29 | 北京卓思天成数据咨询股份有限公司 | 一种汽车设计缺陷监测识别方法 |
-
2022
- 2022-10-26 CN CN202211321452.0A patent/CN115577109A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822533A (zh) * | 2023-07-25 | 2023-09-29 | 北京卓思天成数据咨询股份有限公司 | 一种汽车设计缺陷监测识别方法 |
CN116822533B (zh) * | 2023-07-25 | 2024-02-02 | 北京卓思天成数据咨询股份有限公司 | 一种汽车设计缺陷监测识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11403680B2 (en) | Method, apparatus for evaluating review, device and storage medium | |
CN107480143B (zh) | 基于上下文相关性的对话话题分割方法和*** | |
Shoukry et al. | A hybrid approach for sentiment classification of Egyptian dialect tweets | |
JP2019504413A (ja) | 絵文字を提案するためのシステムおよび方法 | |
KR20160121382A (ko) | 텍스트 마이닝 시스템 및 툴 | |
CN107273348B (zh) | 一种文本的话题和情感联合检测方法及装置 | |
CN110134777B (zh) | 问题去重方法、装置、电子设备和计算机可读存储介质 | |
CN111339260A (zh) | 一种基于bert和qa思想的细粒度情感分析方法 | |
CN108009297B (zh) | 基于自然语言处理的文本情感分析方法与*** | |
CN113780007A (zh) | 语料筛选方法、意图识别模型优化方法、设备及存储介质 | |
CN113282701B (zh) | 作文素材生成方法、装置、电子设备及可读存储介质 | |
Haque et al. | Opinion mining from bangla and phonetic bangla reviews using vectorization methods | |
Sintaha et al. | An empirical study and analysis of the machine learning algorithms used in detecting cyberbullying in social media | |
CN111782793A (zh) | 智能客服处理方法和***及设备 | |
CN112926308A (zh) | 匹配正文的方法、装置、设备、存储介质以及程序产品 | |
CN115577109A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
US20190132274A1 (en) | Techniques for ranking posts in community forums | |
CN115757775B (zh) | 基于文本蕴含的无触发词文本事件检测方法及*** | |
CN107729509B (zh) | 基于隐性高维分布式特征表示的篇章相似度判定方法 | |
CN115827867A (zh) | 文本类型的检测方法及装置 | |
CN115906824A (zh) | 一种文本细粒度情感分析方法、***、介质和计算设备 | |
Prakash et al. | Lexicon Based Sentiment Analysis (LBSA) to Improve the Accuracy of Acronyms, Emoticons, and Contextual Words | |
CN115563242A (zh) | 汽车信息筛选方法、装置、电子设备及存储介质 | |
Das et al. | Sentiment Analysis on Comments in Bengali Language Using Text Mining & Machine Learning Approach | |
Suhasini et al. | A Hybrid TF-IDF and N-Grams Based Feature Extraction Approach for Accurate Detection of Fake News on Twitter Data |
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 |