[發明專利]一種文檔分類方法、裝置、計算機設備及存儲介質

在審

• 申請號: 202110614052.8
• 申請日: 2021-06-02
• 公開（公告）號: CN113515629A
• 公開（公告）日: 2021-10-19
• 發明（設計）人: 嚴蕾;蘇曉輝;任澤;沈志遠;李維盈;陳建
• 申請（專利權）人: 中國神華國際工程有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/216;G06F40/284;G06N20/00
• 代理公司: 北京聿宏知識產權代理有限公司 11372
• 代理人: 陳敏;吳昊

1.一種文檔分類方法，其特征在于，包括：

獲取待分類的目標招標文檔；

基于所述目標招標文檔的文本內容提取分類特征向量；其中，所述分類特征向量至少包括所述目標招標文檔的標的物及分類信息；

將所述分類特征向量輸入預先建立的文檔分類模型，得到針對所述目標招標文檔的分類結果；其中，所述文檔分類模型是以歷史招標文檔為訓練數據、利用XGBoost算法對所述訓練數據進行機器學習、并建立分類特征向量與分類結果之間的映射關系的分類器。

2.根據權利要求1所述的文檔分類方法，其特征在于，所述基于所述目標招標文檔的文本內容提取分類特征向量，包括：

對所述目標招標文檔的文本內容進行預處理；

對預處理后的文本內容進行分詞處理并得到多個分詞；

基于所述多個分詞提取分類特征向量。

3.根據權利要求2所述的文檔分類方法，其特征在于，所述基于所述多個分詞提取分類特征向量，包括：

對所述多個分詞進行向量化表示，得到多個特征向量；

利用詞性級TF-IDF算法對多個特征向量進行加權處理，并得到各特征向量對應的文檔頻率；

根據所述文檔頻率從所述多個特征向量中確定分類特征向量。

4.根據權利要求1-3任一項所述的文檔分類方法，其特征在于，所述分類信息至少包括行業類別和項目類型。

5.根據權利要求2所述的文檔分類方法，其特征在于，所述對預處理后的文本內容進行分詞處理并得到多個分詞，包括：

基于N-Gram語言模型以滑動窗口方式對預處理后的文本內容進行分詞處理，并得到多個分詞。

6.根據權利要求5所述的文檔分類方法，其特征在于，所述N-Gram語言模型中N的取值為2和/或3。

7.根據權利要求3所述的文檔分類方法，其特征在于，所述根據所述文檔頻率從所述多個特征向量中確定分類特征向量，包括：

逐一判斷各特征向量的文檔頻率是否大于設定值；

保留文檔頻率不大于設定值的特征向量，作為分類特征向量。

8.一種文檔分類裝置，其特征在于，包括：

文檔獲取模塊，用于獲取待分類的目標招標文檔；

向量提取模塊，用于基于所述目標招標文檔的文本內容提取分類特征向量；其中，所述分類特征向量至少包括所述目標招標文檔的標的物及分類信息；

分類模塊，用于將所述分類特征向量輸入預先建立的文檔分類模型，得到針對所述目標招標文檔的分類結果；其中，所述文檔分類模型是以歷史招標文檔為訓練數據、利用XGBoost算法對所述訓練數據進行機器學習、并建立分類特征向量與分類結果之間的映射關系的分類器。

9.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現如權利要求1至7中任一項所述的方法。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述程序被處理器執行時實現如權利要求1至7中任一項所述的方法。