【技术实现步骤摘要】
一种多文本分类方法和装置
本专利技术涉及信息处理
,特别涉及一种多文本分类方法和装置。
技术介绍
近年来,随着评论、留言、自媒体文章等文本数据迅速增长,文本分类作为自然语言处理中重要任务,得到了快速的发展。根据使用方法可以分为如下两类:1)基于传统机器学习方法。基于传统机器学习方法的文本分类忽略了文本的语意特征,对于较长或语意更为复杂的文本有很大局限性。2)是基于词向量结合深度学习的提取文本特征并分类。基于词向量和深度学习技术的文本分类能获得较好的效果,但只是将文本作为数据进行分类而忽略了文本的语境信息。例如在用户评论场景中,评论表达的信息是正面还是负面,与商品的价格和用户给出的评价星级等条件有强相关性。上述文本分类技术都针对单个文本进行分类,然而在一些重要的应用场景中,某些文本之间存在强关系,需要对某些系列文本进行分类。例如电商网站的用户评论,同一个用户的评论风格有强相关性,将同一个用户的评论作为一个系列文本进行分类非常有必要,可以用于判断用户的偏好等属性。又如,论坛留言、内容推荐网站中的针对某个作品的所有评价文本也具有强相关性,可以作为一个系列文本进行分类。
技术实现思路
有鉴于此,本专利技术的目的在于提供一种多文本分类方法和装置,能够根据多文本之间的相关性实现对多文本的分类。为了达到上述目的,本专利技术提供了如下技术方案:一种多文本分类方法,包括:获取具有相关性的多个文本,以及每个文本的条件特征和时间特征;基于多个文本中每个文本的 ...
【技术保护点】
1.一种多文本分类方法,其特征在于,该方法包括:/n获取具有相关性的多个文本,以及每个文本的条件特征和时间特征;/n基于多个文本中每个文本的条件特征,利用循环神经网络和注意力机制提取该文本的文本特征;/n基于多个文本中每个文本的时间特征和文本特征,利用循环神经网络提取多个文本的特征;/n根据多个文本的特征,使用预先设定的分类模型确定多个文本的分类。/n
【技术特征摘要】
1.一种多文本分类方法,其特征在于,该方法包括:
获取具有相关性的多个文本,以及每个文本的条件特征和时间特征;
基于多个文本中每个文本的条件特征,利用循环神经网络和注意力机制提取该文本的文本特征;
基于多个文本中每个文本的时间特征和文本特征,利用循环神经网络提取多个文本的特征;
根据多个文本的特征,使用预先设定的分类模型确定多个文本的分类。
2.根据权利要求1所述的方法,其特征在于,
基于多个文本中每个文本的条件特征,利用循环神经网络和Attention机制提取该文本的文本特征,包括:
对多个文本中的每个文本进行预处理,得到该文本的词向量表示;
根据多个文本中每个文本的词向量表示和条件特征,利用循环神经网络和注意力机制提取该文本的文本特征。
3.根据权利要求2所述的方法,其特征在于,
对多个文本中的每个文本进行预处理,得到该文本的词向量表示的方法为:
对该文本进行切词处理,去除切词处理结果中的停用词;
判断去除了停用词的切词处理结果中包含的词的数量是否超过预设数量,如果是,则根据词的超出数量删除切词处理结果中位置最靠前的词,否则,根据词的缺少数量在切词处理结果的最靠前位置添加预设词;
将切词处理结果中包括预设数量的词均转换为词向量,将该组词向量作为该文本的词向量表示。
4.根据权利要求3所述的方法,其特征在于,
根据多个文本中每个文本的词向量表示和条件特征,利用循环神经网络和Attention机制提取该文本的文本特征的方法为:
将该文本的词向量表示中的每个词向量与该文本的条件特征组成一输入变量;
将所有输入变量输入到循环神经网络中并结合Attention机制提取该文本的文本特征。
5.根据权利要求1所述的方法,其特征在于,
基于多个文本中每个文本的时间特征和文本特征,利用循环神经网络提取多个文本的特征,包括:
根据每个文本的时间特征对多个文本按照时间先后排序;
计算排序结果中相邻文本之间的时间间隔,根据排序结果中相邻文本之间的时间间隔确定相邻文本之间的衰减系数;
将排序结果中相邻文本之间的衰减系数作为循环神经网络中隐层之间传递的衰减系数,将排序结果中每个文本的文本特征按排序顺序输入到循环神经网络,得到多个文本的特征。
6.根据权利要求5所述的方法,其特征在于,
根据排序结果中相邻文本之间的时间间隔确定相邻文本之间的衰减系数的方法为:如果排序结果中的第t-1个文本和第t个文本之间的时间间隔为dt-1,则确定排序结果中第t-1个文本和第t个文本之间的衰减系数为其中,u为预设的相关性衰减速度值,取值区间为(0,1)。
7.根据权利要求5所述的方法,其特征在于,
将排序结果中相邻文本之间的衰减系数作为循环神经网络中隐层之间传递的衰减系数,将排序结果中每个文本的文本特征按排序顺序输入到循环神经网络,得到多个文本的特征的方法为:
根据以下6个公式,计算将排序结果中的第t个文本的文本特征输入到循环神经网络中得到的隐层的输出结果ht:
it=σ(wixxt+wihht-1+bi)公式一;
ft=σ(wfxxt+wfhht-1+bf)公式二;
ot=σ(woxxt+wohht-1+bo)公式三;
将排序结果中最后1个文本的文本特征输入到循环神经网络中得到的隐层的输出结果确定为多个文本的特征;
其中,σ是sigmoid函数,是tanh函数;it是输入第t个文本特征后的输入门,ft是输入第t个文本特征后的遗忘门,ot是输入第t个文本特征后的输出门,gt是输入第t个文本特征后的更新项,ct是输入第t个文本特征后更新的记忆信息;wix是循环神经网络的输入参数对输入门的权重矩阵,wfx是循环神经网络的输入参数对遗忘门的权重矩阵,wox是循环神经网络的输入参数对输出门的权重矩阵,wgx是循环神经网络的输入参数对更新项的权重矩阵;xt是排序结果中的第t个文本的文本特征;wih是隐层状态对输入门的权重矩阵,wfh是隐层状态对遗忘门的权重矩阵,woh是隐层状态对输出门的权重矩阵,wgh是隐层状态对更新项的权重矩阵;bi是计算输入门时的偏执向量,bf是计算遗忘门时的偏执向量,bo是计算输出门时的偏执向量,bg是计算更新项时的偏执向量,ht-1是将排序结果中的第t-1个文本的文本特征输入到循环神经网络中得到的隐层的输出结果,ct-1是输入第t-1个文本特征后更新的记忆信息,是排序结果中第t-1个文本与第t个文本之间的衰减系数。
8.根据权利要求1-7任一权项所述的方法,其特征在于,
所述循环神经网络为长短期记忆网络LSTM。
9.一种多文本分类装置,其特征在于,该装置包括:
获取单元,用于获取具有相关性的多个文本,以及每个文本的条件特征和时间特征;
第一特征提取单元,用于基于多个文本中每个文本的条件特征,利用循环神经网络和注意力机制提取该文本的文本特征;
第二特征提取单元,用于基于多个文本中每个文本的时间特征和文本特征,利用循环神经网络提取多个文...
【专利技术属性】
技术研发人员:汪冬冬,程建波,彭南博,黄志翔,
申请(专利权)人:京东数字科技控股有限公司,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。