[發明專利]一種基于TF-IDF矩陣和膠囊網絡的文本分類方法

有效

• 申請號: 201910303094.2
• 申請日: 2019-04-16
• 公開（公告）號: CN110097096B
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 喻梅;胡悅;劉志強;于健;趙滿坤;于瑞國;王建榮;張功
• 申請（專利權）人: 天津大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06F40/242;G06F40/289;G06N3/0464;G06N3/045;G06N3/08
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 李林娟

1.一種基于TF-IDF矩陣和膠囊網絡的文本分類方法，其特征在于，所述方法包括以下步驟：

對分詞處理后的文本數據采用TF-IDF矩陣進行分析，獲得滿足預設條件的全局閾值α，對每個文本數據進行個性化分析，以獲得每個文本數據對應的閾值α_i及其所構成的集合S_α；

比較全局閾值α和個性分析文本獲得的閾值α_i，以此獲得每個文本數據對應的最終閾值β_i及其所構成的集合S_β，并根據最終獲得的集合S_β，處理文本數據集、進行詞頻分析，同時根據詞匯在字典中出現的順序為其進行標號，從而實現文本向量嵌入；

通過doc2vec算法，使用文本矩陣對嵌入的文本向量進行表達，并作為基于膠囊網絡的文本分類的輸入，訓練膠囊網絡文本分類模型；

所述預設條件具體為：

α＝min(S)

其中，m_i，j表示TF-IDF矩陣M中第i行第j列的元素，|{m_i，j：m_i，j≤α}|表示矩陣M中不大于全局閾值α的元素數量，|{m_i，j：m_i，j≥0}|則為所有非0元素的數量，a、b均為預設參數；D為原文本數據集；D_i為文本數據集中的文本；

所述比較全局閾值α和個性分析文本獲得的閾值α_i，獲得每個文本數據對應的最終閾值β_i具體為：

S_β＝{β_i|i∈|D|}

所述根據最終獲得的集合S_β，處理文本數據集具體為：

獲取文本D_i在集合S_β中對應的閾值β_i，在TF-IDF矩陣中根據閾值β_i找到所有小于閾值β_i的詞，作為當前待處理文本的弱相關詞，記錄下弱相關詞的序列集合；

在文本D_i中刪除屬于這個序列集合的全部單詞，獲得D_i處理后的文本D’。

2.根據權利要求1所述的一種基于TF-IDF矩陣和膠囊網絡的文本分類方法，其特征在于，所述使用文本矩陣對嵌入的文本向量進行表達，并作為基于膠囊網絡的文本分類的輸入，訓練膠囊網絡文本分類模型具體為：

利用卷積層對文本向量進行局部特征提取；

對文本特征矩陣進行特征重構，將其映射到更高維度的空間中；

利用膠囊層進行分類，膠囊層的輸入神經元向量通過加權、耦合、擠壓、動態路由在輸入膠囊到輸出膠囊之間流動；

對輸出的神經元向量進行數值映射，使用邊緣損失函數對分類模型的損失進行評估。

3.根據權利要求2所述的一種基于TF-IDF矩陣和膠囊網絡的文本分類方法，其特征在于，所述數值映射具體為：對輸出的神經元向量進行平方求和操作。