[發明專利]一種文本的分類方法及裝置

在審

• 申請號: 201810505710.8
• 申請日: 2018-05-24
• 公開（公告）號: CN108763418A
• 公開（公告）日: 2018-11-06
• 發明（設計）人: 陸聰;張北偉
• 申請（專利權）人: 遼寧石油化工大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種文本的分類方法，其特征在于，包括：

獲取待分類的文本數據；

利用訓練好的深度信念網絡模型DBN對所述文本數據進行預測分類，所述深度信念網絡模型DBN是通過無監督訓練每一層波爾茲曼機網絡RBM得到特征向量后，利用配置為最后一層的分類器模型訓練所述特征向量得到的模型。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

配置待建立的DBN中的學習率以及權衰減，所述學習率為以權重更新量為權重的10^-3倍為自調整范圍，所述權衰減包括梯度項、一個以權重參數的平方和的1/2乘以正則化系數的懲罰函數。

3.根據權利要求2所述的方法，其特征在于，所述方法還包括：

建立具有兩層網絡結構的RBM以及一層BP神經網絡的DBN，并將所述DBN中的學習率以及權衰減分別配置為所述以權重更新量為權重的10^-3倍為自調整范圍的學習率，以及包括梯度項、一個以權重參數的平方和的1/2乘以正則化系數的懲罰函數的權衰減，并確定誤差率與迭代次數之間的關系，利用用于訓練的文本數據結合所述學習率、所述權衰減、所述誤差率、所述迭代次數對所述DBN進行訓練。

4.根據權利要求3所述的方法，其特征在于，所述學習率取值為0.62。

5.一種文本的分類裝置，其特征在于，包括：

獲取單元，用于獲取待分類的文本數據；

分類單元，用于利用訓練好的深度信念網絡模型DBN對所述文本數據進行預測分類，所述深度信念網絡模型DBN是通過無監督訓練每一層波爾茲曼機網絡RBM得到特征向量后，利用配置為最后一層的分類器模型訓練所述特征向量得到的模型。

6.根據權利要求5所述的裝置，其特征在于，所述裝置還包括：

配置單元，用于配置待建立的DBN中的學習率以及權衰減，所述學習率為以權重更新量為權重的10^-3倍為自調整范圍，所述權衰減包括梯度項、一個以權重參數的平方和的1/2乘以正則化系數的懲罰函數。

7.根據權利要求6所述的裝置，其特征在于，所述裝置還包括：

訓練單元，用于建立具有兩層網絡結構的RBM以及一層BP神經網絡的DBN，并將所述DBN中的學習率以及權衰減分別配置為所述以權重更新量為權重的10^-3倍為自調整范圍的學習率，以及包括梯度項、一個以權重參數的平方和的1/2乘以正則化系數的懲罰函數的權衰減，并確定誤差率與迭代次數之間的關系，利用用于訓練的文本數據結合所述學習率、所述權衰減、所述誤差率、所述迭代次數對所述DBN進行訓練。

8.根據權利要求7所述的裝置，其特征在于，所述學習率取值為0.62。

9.一種存儲介質，所述存儲介質中存儲有至少一可執行指令，所述可執行指令使處理器執行如權利要求1-4中任一項所述的文本的分類方法對應的操作。

10.一種終端，包括：處理器、存儲器、通信接口和通信總線，所述處理器、所述存儲器和所述通信接口通過所述通信總線完成相互間的通信；

所述存儲器用于存放至少一可執行指令，所述可執行指令使所述處理器執行如權利要求1-4中任一項所述的文本的分類方法對應的操作。