[發(fā)明專(zhuān)利]基于人工智能的文本分類(lèi)方法、裝置、電子設(shè)備及介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202111093400.8
• 申請(qǐng)日: 2021-09-17
• 公開(kāi)（公告）號(hào): CN113792146A
• 公開(kāi)（公告）日: 2021-12-14
• 發(fā)明（設(shè)計(jì)）人: 孫金輝;馬駿;王少軍
• 申請(qǐng)（專(zhuān)利權(quán)）人: 平安科技（深圳）有限公司
• 主分類(lèi)號(hào): G06F16/35
• 分類(lèi)號(hào): G06F16/35;G06N3/02;G06N3/08
• 代理公司: 深圳市賽恩倍吉知識(shí)產(chǎn)權(quán)代理有限公司 44334
• 代理人: 鐘良;陳實(shí)順

1.一種基于人工智能的文本分類(lèi)方法，其特征在于，所述方法包括：

解析接收到的文本分類(lèi)請(qǐng)求，構(gòu)建一個(gè)搜索空間，其中，所述搜索空間中包含有多個(gè)文本增強(qiáng)策略；

采用預(yù)設(shè)的搜索策略從所述搜索空間中隨機(jī)選取一個(gè)文本增強(qiáng)策略，作為目標(biāo)文本增強(qiáng)策略，其中，所述預(yù)設(shè)的搜索策略中包含有一個(gè)控制器；

使用所述目標(biāo)文本增強(qiáng)策略對(duì)文本分類(lèi)請(qǐng)求中原始文本集中的每個(gè)文本進(jìn)行文本增強(qiáng)，得到第一增強(qiáng)文本集；

將所述原始文本集和所述第一增強(qiáng)文本集輸入至預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到第一文本分類(lèi)模型；

將所述文本分類(lèi)請(qǐng)求中的驗(yàn)證集輸入至所述第一文本分類(lèi)模型中進(jìn)行驗(yàn)證，并計(jì)算驗(yàn)證通過(guò)率；

根據(jù)所述驗(yàn)證通過(guò)率確定所述文本分類(lèi)請(qǐng)求對(duì)應(yīng)的目標(biāo)文本分類(lèi)模型和最優(yōu)文本增強(qiáng)策略；

采用所述最優(yōu)文本增強(qiáng)策略對(duì)所述文本分類(lèi)請(qǐng)求中的待分類(lèi)文本集進(jìn)行文本增強(qiáng)，得到第三增強(qiáng)文本集，將所述第三增強(qiáng)文本集和所述待分類(lèi)文本集輸入至所述目標(biāo)文本分類(lèi)模型中，得到文本分類(lèi)結(jié)果。

2.如權(quán)利要求1所述的基于人工智能的文本分類(lèi)方法，其特征在于，所述解析接收到的文本分類(lèi)請(qǐng)求，構(gòu)建一個(gè)搜索空間包括：

解析接收到的文本分類(lèi)請(qǐng)求，獲取四類(lèi)超參數(shù)：類(lèi)別標(biāo)簽、操作類(lèi)型、應(yīng)用類(lèi)型的概率值及每個(gè)文本中應(yīng)用操作的詞的比例；

對(duì)所述四類(lèi)超參數(shù)進(jìn)行組合運(yùn)算，得到多個(gè)文本增強(qiáng)策略，其中，每個(gè)所述文本增強(qiáng)策略由所述四類(lèi)超參數(shù)組成；

基于所述多個(gè)文本增強(qiáng)策略構(gòu)建一個(gè)搜索空間。

3.如權(quán)利要求2所述的基于人工智能的文本分類(lèi)方法，其特征在于，所述操作類(lèi)型包括以下一種或者多種方式的組合：同義詞替換、隨機(jī)插入、隨機(jī)交換、隨機(jī)刪除。

4.如權(quán)利要求2所述的基于人工智能的文本分類(lèi)方法，其特征在于，所述采用預(yù)設(shè)的搜索策略從所述搜索空間中隨機(jī)選取一個(gè)文本增強(qiáng)策略，作為目標(biāo)文本增強(qiáng)策略包括：

將所述多個(gè)文本增強(qiáng)策略輸入至所述預(yù)設(shè)的搜索策略的控制器中，所述控制器從所述多個(gè)文本增強(qiáng)策略中隨機(jī)選取任意一類(lèi)超參數(shù)中的一個(gè)超參數(shù)作為所述控制器當(dāng)前時(shí)間步的輸入?yún)?shù)，將所述當(dāng)前時(shí)間步的輸入?yún)?shù)輸入至所述控制器中，輸出當(dāng)前時(shí)間步的輸出值；

所述控制器從所述多個(gè)文本增強(qiáng)策略中隨機(jī)選取剩余的任意一類(lèi)超參數(shù)中的一個(gè)超參數(shù)作為下一個(gè)時(shí)間步的輸入?yún)?shù)，將所述下一個(gè)時(shí)間步的第一輸入?yún)?shù)和所述當(dāng)前時(shí)間步的輸出值作為下一個(gè)時(shí)間步的目標(biāo)輸入?yún)?shù)，將所述下一個(gè)時(shí)間步的目標(biāo)輸入?yún)?shù)輸入至所述控制器中，輸出下一個(gè)時(shí)間步的輸出值；

循環(huán)執(zhí)行所述四類(lèi)超參數(shù)的選擇及輸入?yún)?shù)的確定，直至得到每個(gè)所述超參數(shù)對(duì)應(yīng)的輸出參數(shù)，并將所述四類(lèi)超參數(shù)對(duì)應(yīng)的四個(gè)輸出值確定為目標(biāo)文本增強(qiáng)策略。

5.如權(quán)利要求1所述的基于人工智能的文本分類(lèi)方法，其特征在于，所述使用所述目標(biāo)文本增強(qiáng)策略對(duì)文本分類(lèi)請(qǐng)求中原始文本集中的每個(gè)文本進(jìn)行文本增強(qiáng)，得到第一增強(qiáng)文本集包括：

識(shí)別所述目標(biāo)文本增強(qiáng)策略中的每個(gè)超參數(shù)對(duì)應(yīng)的輸出值；

基于每個(gè)所述超參數(shù)對(duì)應(yīng)的輸出值對(duì)所述原始文本集中的每個(gè)文本進(jìn)行文本增強(qiáng)，得到第一增強(qiáng)文本。

6.如權(quán)利要求5所述的基于人工智能的文本分類(lèi)方法，其特征在于，所述根據(jù)所述驗(yàn)證通過(guò)率確定所述文本分類(lèi)請(qǐng)求對(duì)應(yīng)的目標(biāo)文本分類(lèi)模型和最優(yōu)文本增強(qiáng)策略包括：

當(dāng)所述驗(yàn)證通過(guò)率滿(mǎn)足所述文本分類(lèi)請(qǐng)求中的預(yù)設(shè)收斂條件時(shí)，將所述第一文本分類(lèi)模型確定為目標(biāo)文本分類(lèi)模型及將所述目標(biāo)文本增強(qiáng)策略確定為最優(yōu)文本增強(qiáng)策略。