[發(fā)明專利]文本分類方法、裝置及設備

有效

• 申請?zhí)枺?/td>: 202010690569.0
• 申請日: 2020-07-17
• 公開（公告）號: CN111737473B
• 公開（公告）日: 2022-04-26
• 發(fā)明（設計）人: 王君吉;張朝勝;徐琪
• 申請（專利權）人: 浙江口碑網絡技術有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/295;G06N3/08
• 代理公司: 北京中強智尚知識產權代理有限公司 11448
• 代理人: 黃耀威

1.一種文本分類方法，其特征在于，包括：

獲取對餐品描述信息進行處理后所形成的文本特征，所述餐品描述信息由線上實體對象提供，所述文本特征包括反映餐品對象不同維度的描述特征；

將所述文本特征分別輸入至預先訓練具有不同網絡結構的文本分類模型中進行預測，得到文本特征映射的多個分類結果，所述文本分類模型用于預測文本特征在各個類目上的概率值，所述分類結果為預測得到概率值最高時對應文本特征的類目，所述文本分類模型包括第一分類模型和第二分類模型和第三分類模型，所述第一分類模型包括用于對文本特征中不同的描述特征進行預測的分類子模型，并分別將不同的描述特征分別輸入至第一分類分型所映射的分類子模型中進行預測，所述第二分類模型和所述第三分類模型用于對文本特征中對象文本的描述特征進行預測，并基于預先整理實體對象中類目映射表對文本特征在實體對象中所映射的類目進行校正，得到文本特征映射的分類結果，所述不同的描述特征包括對象文本的描述特征、實體對象文本的描述特征和對象圖片的描述特征；

通過統(tǒng)計所述文本特征映射的多個分類結果中類目的占比值，將占比值最高的類目確定為所述文本特征映射的最終分類結果。

2.根據(jù)權利要求1所述的方法，其特征在于，所述具有不同網絡結構的文本分類模型中包括具有深度神經網絡結構的第一分類模型、具有淺層網絡結構的第二分類模型和具有卷積神經網絡結構的第三分類模型，所述將所述文本特征分別輸入至預先訓練具有不同網絡結構的文本分類模型中進行預測，得到文本特征映射的多個分類結果，具體包括：

將所述文本特征輸入至第一分類模型中進行預測，得到文本特征映射的第一分類結果；

將所述文本特征輸入至第二分類模型中進行預測，得到文本特征映射的第二分類結果；

將所述文本特征輸入至第三分類模型中進行預測，得到文本特征映射的第三分類結果。

3.根據(jù)權利要求2所述的方法，其特征在于，所述第一分類模型包括用于對文本特征中不同的描述特征進行預測的分類子模型，所述將所述文本特征輸入至第一分類模型中進行預測，得到文本特征映射的第一分類結果，具體包括：

通過分析所述文本特征描述對象的維度信息，將所述文本特征劃分為不同的描述特征；

確定所述不同的描述特征在第一分類模型所映射的分類子模型；

將所述不同的描述特征分別輸入至第一分類模型所映射的分類子模型中進行預測，輸出不同的描述特征在實體對象中所映射的類目；

通過匯總所述不同的描述特征在實體對象中所映射的類目，得到文本特征映射的第一分類結果。

4.根據(jù)權利要求3所述的方法，其特征在于，所述通過分析所述文本特征描述對象的維度信息，將所述文本特征劃分為不同的描述特征，具體包括：

通過分析所述文本特征描述對象的維度信息，提取從不同維度上描述對象的描述特征；

將所述從不同維度上描述對象的描述特征劃分為對象文本的描述特征、實體對象文本的描述特征、對象圖片的描述特征。

5.根據(jù)權利要求2所述的方法，其特征在于，所述第二分類模型包括用于對文本特征中對象文本的描述特征進行預測的單層分類子模型，所述將所述文本特征輸入至第二分類模型中進行預測，得到文本特征映射的第二分類結果，具體包括：

從所述文本特征中提取對象文本的描述特征，將所述對象文本的描述特征進行加權平均后輸入至第二分類模型的單層分類子模型中進行預測，輸出對象文本的描述特征在實體對象中所映射的類目；

基于預先整理實體對象中的類目映射表，對所述描述特征在實體對象中所映射的類目進行校正，得到文本特征映射的第二分類結果。