[发明专利]一种文本分类的方法及装置无效
| 申请号： | 201010104512.4 | 申请日： | 2010-02-01 |
| 公开（公告）号： | CN102141977A | 公开（公告）日： | 2011-08-03 |
| 发明（设计）人： | 孙翔 | 申请（专利权）人： | 阿里巴巴集团控股有限公司 |
| 主分类号： | G06F17/21 | 分类号： | G06F17/21;G06F17/30 |
| 代理公司： | 北京同达信恒知识产权代理有限公司 11291 | 代理人： | 郭润湘 |
| 地址： | 英属开曼群岛大开曼*** | 国省代码： | 开曼群岛;KY |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 文本 分类 方法 装置 | ||
1.一种文本分类的方法，其特征在于，包括以下步骤：
对获得的文本内容进行分词，得到多个词汇；
针对得到的多个词汇中的一个词汇，确定该词汇在球面空间模型中的词汇向量，其中球面空间的维度等于类目的个数，类目对应球面空间中的一个类目向量；
针对每个类目，确定得到的多个词汇的词汇向量之和到该类目的类目向量的距离；
将文本分入最短距离对应的类目。
2.如权利要求1所述的方法，其特征在于，还包括步骤：在得到多个词汇后，对得到的多个词汇进行过滤，得到符合过滤条件的多个词汇。
3.如权利要求1所述的方法，其特征在于，词汇向量到类目向量的距离为直线距离或球面距离。
4.如权利要求1、2或3所述的方法，其特征在于，词汇的词汇向量包括该词汇在各类目上的词频值进行归一化后得到的归一化词频值；球面空间模型是以单位长度为半径的多维球体模型。
5.如权利要求4所述的方法，其特征在于，所述单位长度为1。
6.如权利要求1、2或3所述的方法，其特征在于，确定得到的多个词汇的词汇向量之和到各类目的类目向量的距离的步骤包括：将得到的多个词汇的词汇向量在该类目上的归一化词频值进行累加，得到归一化词汇向量和；
将文本分入最短距离对应的类目的步骤包括：将文本分入归一化词汇向量和的最大分量对应的类目。
7.一种用于文本分类的装置，其特征在于，包括：
分词模块，用于对获得的文本内容进行分词，得到多个词汇；
查询模块，用于针对得到的多个词汇中的一个词汇，确定该词汇在球面空间模型中的词汇向量，其中球面空间的维度等于类目的个数，类目对应球面空间中的一个类目向量；
计算模块，用于针对每个类目，确定得到的多个词汇的词汇向量之和到该类目的类目向量的距离；
分类模块，用于将文本分入最短距离对应的类目。
8.如权利要求7所述的装置，其特征在于，还包括：过滤模块，用于对得到的多个词汇进行过滤，得到符合过滤条件的多个词汇。
9.如权利要求7所述的装置，其特征在于，词汇向量到类目的距离为直线距离或球面距离。
10.如权利要求7、8或9所述的装置，其特征在于，词汇的词汇向量包括该词汇在各类目上的词频值进行归一化后得到的归一化词频值；球面空间模型是以单位长度为半径的多维球体模型。
11.如权利要求10所述的装置，其特征在于，所述单位长度为1。
12.如权利要求7、8或9所述的装置，其特征在于，计算模块将得到的多个词汇的词汇向量在该类目上的归一化词频值进行累加，得到归一化词汇向量和；
分类模块将文本分入归一化词汇向量和的最大分量对应的类目。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于阿里巴巴集团控股有限公司，未经阿里巴巴集团控股有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201010104512.4/1.html，转载请声明来源钻瓜专利网。
