[发明专利]基于深度学习的问题分类模型训练方法、分类方法及装置

权利要求书

1.一种基于深度学习的问题分类模型训练方法，其特征在于，包括以下步骤：

获取问题文本样本；

基于多通道卷积神经网络，提取所述问题文本样本中的特征信息样本，并根据所述特征信息样本生成对应的第一特征向量样本；

对所述第一特征向量样本进行空间变换，得到第二特征向量样本；

将所述第二特征向量样本输入至多层卷积神经网络中的多个卷积层和多个池化层，以通过叠加卷积操作和池化操作，得到第一融合特征向量样本；

分别将进行卷积操作和池化操作输出的中间隐藏层中的特征向量样本，通过加权计算进行特征融合，得到第二融合特征向量样本；

将所述第一融合特征向量样本和所述第二融合特征向量样本输入至所述多层卷积神经网络中的全连接层，得到全局特征向量样本；

根据所述全局特征向量样本对Softmax分类器进行训练，得到所述问题分类模型。

2.如权利要求1所述的方法，其特征在于，其中，所述通道的个数为2个。

3.如权利要求1所述的方法，其特征在于，所述卷积层为基于Garbor核函数的卷积神经网络；其中，所述Garbor核函数通过以下公式表示：

其中，g_uv(x,y)为所述Garbor核函数，x和y分别为核的中心点，i为复数的虚部，k为高斯核的幅度的比例，其中，v为gabor滤波的波长，u为gabor核函数的方向，K为总的方向数，并且表示滤波器的高度。

4.一种通过使用如权利要求1至3中任一项所述的基于深度学习的问题分类模型训练方法中的问题分类模型进行问题分类的方法，其特征在于，包括以下步骤：

获取用户的输入问题；

对所述输入问题进行分词处理，并将分词处理后的输入问题输入至所述问题分类模型进行预测，确定所述输入问题所属的分类类别。

5.一种基于深度学习的问题分类模型训练装置，其特征在于，包括：

获取模块，用于获取问题文本样本；

特性向量生成模块，用于基于多通道卷积神经网络，提取所述问题文本样本中的特征信息样本，并根据所述特征信息样本生成对应的第一特征向量样本；

空间变换模块，用于对所述第一特征向量样本进行空间变换，得到第二特征向量样本；

第一特征融合模块，用于将所述第二特征向量样本输入至多层卷积神经网络中的多个卷积层和多个池化层，以通过叠加卷积操作和池化操作，得到第一融合特征向量样本；

第二特征融合模块，用于在将所述第二特征向量样本输入至多层卷积神经网络中的多个卷积层和多个池化层，以通过叠加卷积操作和池化操作，得到第一融合特征向量样本之后，分别将进行卷积操作和池化操作输出的中间隐藏层中的特征向量样本，通过加权计算进行特征融合，得到第二融合特征向量样本；

全连接网络模块，用于将所述第一融合特征向量样本和所述第二融合特征向量样本输入至所述多层卷积神经网络中的全连接层，得到全局特征向量样本；

训练模块，用于根据所述全局特征向量样本对Softmax分类器进行训练，得到所述问题分类模型。

6.如权利要求5所述的装置，其特征在于，其中，所述通道的个数为2个。

7.如权利要求5所述的装置，其特征在于，所述卷积层为基于Garbor核函数的卷积神经网络；其中，所述Garbor核函数通过以下公式表示：

其中，g_uv(x,y)为所述Garbor核函数，x和y分别为核的中心点，i为复数的虚部，k为高斯核的幅度的比例，其中，v为gabor滤波的波长，u为gabor核函数的方向，K为总的方向数，并且表示滤波器的高度。

8.一种通过使用如权利要求5至7中任一项所述的基于深度学习的问题分类模型训练装置中的问题分类模型进行问题分类的装置，其特征在于，包括：

获取模块，用于获取用户的输入问题；

分词模块，用于对所述输入问题进行分词处理；

分类预测模块，用于将分词处理后的输入问题输入至所述问题分类模型进行预测，确定所述输入问题所属的分类类别。