[發(fā)明專利]基于神經(jīng)網(wǎng)絡(luò)的文本分類方法、系統(tǒng)及計(jì)算機(jī)設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 201910374240.0
• 申請(qǐng)日: 2019-05-07
• 公開(kāi)（公告）號(hào): CN110263152A
• 公開(kāi)（公告）日: 2019-09-20
• 發(fā)明（設(shè)計(jì)）人: 于鳳英;王健宗
• 申請(qǐng)（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號(hào): G06F16/35
• 分類號(hào): G06F16/35;G06N3/04
• 代理公司: 北京英特普羅知識(shí)產(chǎn)權(quán)代理有限公司 11015
• 代理人: 林彥之

1.一種基于神經(jīng)網(wǎng)絡(luò)的文本分類方法，其特征在于，所述方法包括：

對(duì)待分類文本進(jìn)行分詞操作以獲取L個(gè)分詞；

對(duì)所述L個(gè)分詞分別進(jìn)行詞向量映射，以獲取L*d維詞向量矩陣，其中每個(gè)分詞映射為一個(gè)d維詞向量；

通過(guò)卷積層對(duì)所述L*d維詞向量矩陣執(zhí)行卷積操作，得到M個(gè)卷積特征圖，所述卷積層包括M個(gè)f*d的卷積核；

將每個(gè)卷積特征圖中的第j個(gè)元素配置到第j個(gè)輸入向量中，得到(L-f+1)個(gè)輸入向量，1≤j≤(L-f+1)，其中所述第j個(gè)輸入向量中的元素排列順序由各個(gè)元素所在的特征卷積圖的i值決定，i為卷積核標(biāo)識(shí)，1≤i≤M；及

將所述(L-f+1)個(gè)輸入向量依順序輸入到長(zhǎng)短短期記憶網(wǎng)絡(luò)模型中，計(jì)算所述待分類文本的分類向量。

2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的文本分類方法，其特征在于，所述對(duì)待分類文本進(jìn)行分詞操作以獲取L個(gè)分詞的步驟，包括：

獲取瀏覽所述待分類文本的多個(gè)用戶的多個(gè)用戶屬性信息；

根據(jù)所述多個(gè)用戶的多個(gè)用戶屬性信息，分析得到瀏覽所述待分類文本的目標(biāo)群體；

根據(jù)所述目標(biāo)群體的歷史用戶畫(huà)像，得到所述待分類文本對(duì)應(yīng)每個(gè)主題的預(yù)測(cè)概率；

根據(jù)所述每個(gè)主題的預(yù)測(cè)概率，篩選預(yù)測(cè)概率大于預(yù)設(shè)閥值的多個(gè)目標(biāo)主題；及

基于所述多個(gè)目標(biāo)主題對(duì)所述待分類文本進(jìn)行分詞操作。

3.根據(jù)權(quán)利要求2所述的基于神經(jīng)網(wǎng)絡(luò)的文本分類方法，其特征在于，所述基于所述多個(gè)目標(biāo)主題對(duì)所述待分類文本進(jìn)行分詞操作的步驟，包括：

根據(jù)所述多個(gè)目標(biāo)主題的多個(gè)主題詞庫(kù)，對(duì)所述待分類文本進(jìn)行分詞操作。

4.根據(jù)權(quán)利要求2所述的基于神經(jīng)網(wǎng)絡(luò)的文本分類方法，其特征在于，所述基于所述多個(gè)目標(biāo)主題對(duì)所述待分類文本進(jìn)行分詞操作的步驟，包括：

根據(jù)每個(gè)目標(biāo)主題關(guān)聯(lián)的主題詞庫(kù)分別對(duì)所述待分類文本進(jìn)行分詞操作，以得到多個(gè)分詞集合；

對(duì)比各個(gè)分詞集合在相應(yīng)字符位置區(qū)域的分詞是否相同；

如果相同，則將相應(yīng)字符位置區(qū)域的分詞放入目標(biāo)分詞集合中；及

如果不相同，則選擇將其中一個(gè)分詞集合在相應(yīng)字符位置區(qū)域的分詞放入到所述目標(biāo)分詞集合。

5.根據(jù)權(quán)利要求4所述的基于神經(jīng)網(wǎng)絡(luò)的文本分類方法，其特征在于，所述選擇將其中一個(gè)分詞集合在相應(yīng)字符位置區(qū)域的分詞放入到所述目標(biāo)分詞集合的步驟，包括：

通過(guò)隱馬爾科夫模型分析各個(gè)分詞集合在相應(yīng)字符位置區(qū)域的分詞的被劃分概率；及

選擇將被劃分概率最高的分詞放入到所述目標(biāo)分詞集合中。

6.根據(jù)權(quán)利要求4所述的基于神經(jīng)網(wǎng)絡(luò)的文本分類方法，其特征在于，所述選擇將其中一個(gè)分詞集合在相應(yīng)字符位置區(qū)域的分詞放入到所述目標(biāo)分詞集合的步驟，包括：

通過(guò)隱馬爾科夫模型分析各個(gè)分詞集合在相應(yīng)字符位置區(qū)域的分詞的被劃分概率；

根據(jù)各個(gè)分詞集合在相應(yīng)字符位置區(qū)域的分詞的被劃分概率以及各個(gè)分詞集合關(guān)聯(lián)的目標(biāo)主題的預(yù)測(cè)概率，計(jì)算出各個(gè)分詞集合在相應(yīng)字符位置區(qū)域的分詞的綜合權(quán)重系數(shù)；及

選擇將綜合權(quán)重系數(shù)最高的分詞加入目標(biāo)分詞集合中。

7.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的文本分類方法，其特征在于，將所述(L-f+1)個(gè)輸入向量依順序輸入到長(zhǎng)短短期記憶網(wǎng)絡(luò)模型中，計(jì)算所述待分類文本的分類向量的步驟，包括：

通過(guò)所述長(zhǎng)短期記憶網(wǎng)絡(luò)模型獲取(L-f+1)個(gè)輸出向量；及

將所述(L-f+1)個(gè)輸出向量輸入到分類層，通過(guò)所述分類層輸出分類向量。