[发明专利]一种基于深度学习的组合式文本分类方法

权利要求书

1.一种基于深度学习的组合式文本分类方法，其特征在于，所述方法包括下列步骤：

1)对待分类的文本进行预处理；

2)将预处理后的文本通过不同的深度学习模型，得到与每一个深度学习模型对应的特征提取结果；

3)通过全连接层对步骤2)中得到的所有特征提取结果进行组合，得到组合特征向量；

4)将步骤3)得到的组合特征向量作为输入进行分类识别，得到文本的所属类别。

2.根据权利要求1所述的基于深度学习的组合式文本分类方法，其特征在于，所述步骤1)包括：

11)对待分类的文本进行中文分词；

12)对经过步骤11)后得到的每个分词结果进行词向量训练，得到预处理后的文本。

3.根据权利要求1所述的基于深度学习的组合式文本分类方法，其特征在于，所述深度学习模型包括卷积神经网络模型、长短期记忆循环神经网络模型或卷积-长短期记忆循环神经网络模型。

4.根据权利要求3所述的基于深度学习的组合式文本分类方法，其特征在于，所述通过卷积神经网络模型得到的特征提取结果具体为：

FCNN=[Cmax1,Cmax2...,Cmaxi,...Cmaxm]]]>

其中，F_CNN为通过卷积神经网络模型得到的特征提取结果，为通过第i个卷积窗口得到的特征向量经过最大池化操作后得到的特征值。

5.根据权利要求3所述的基于深度学习的组合式文本分类方法，其特征在于，所述通过长短期记忆循环神经网络模型得到的特征提取结果具体为：

F_LSTM＝h_n

其中，F_LSTM为通过长短期记忆循环神经网络模型得到的特征提取结果，h_n为预处理后的文本中最后一个词对应时刻的长短期记忆神经元的输出。

6.根据权利要求3所述的基于深度学习的组合式文本分类方法，其特征在于，所述通过卷积-长短期记忆循环神经网络模型得到的特征提取结果具体为：

F_C-LSTM＝h_n-h+1

其中，F_C-LSTM为通过卷积-长短期记忆循环神经网络模型得到的特征提取结果，h_n-h+1为以预处理后的文本在通过卷积神经网络得到的结果作为输入，通过长短期记忆神经网络模型计算方法得到的输出结果。

7.根据权利要求1所述的基于深度学习的组合式文本分类方法，其特征在于，所述步骤3)包括：

31)对步骤2)中得到的所有的特征提取结果进行加权求和；

32)通过全连接层对步骤31)中加权求和后的特征提取结果进行训练，将加权求和后的特征提取结果映射到样本隐层特征空间中，得到组合特征向量。