[发明专利]一种文本分类方法和装置

说明书

本申请提供一种文本分类方法和装置。方法包括：提取目标文本中的关键词；基于提取的关键词，利用预先训练好的词向量模型，得到所述目标文本的词向量特征；计算所述目标文本的词向量特征，分别与预先设置的N级类目树中各级类目的词向量特征间的相似度值，N为正整数；将最大相似度值对应的类目确定为所述目标文本所属的类目。本申请实现了新闻的自动分类，相比于现有技术中的人工分类方法，本申请大大提高了新闻分类的效率。

技术领域

本申请涉及文本处理技术领域，尤其涉及一种文本分类方法和装置。

背景技术

面对海量的新闻信息，目前主要是通过用户输入关键词搜索所关注的新闻，或通过页面推荐由用户选择所关注的新闻。

为了提高搜索或者推荐用户所关注的新闻的效率和准确率，目前采用预先对新闻进行分类，以实现用户在其所关注的类目领域下进行搜索或在用户所关注的类目领域下进行推荐。

然而，目前的新闻分类方法往往依赖于人工操作，费时费力，效率很低。

发明内容

有鉴于此，本申请提供一种文本分类方法和装置，以提高新闻分类的效率。技术方案如下：

本申请的一方面提供一种文本分类方法，所述方法包括：

提取目标文本中的关键词；

基于提取的关键词，利用预先训练好的词向量模型，得到所述目标文本的词向量特征；

计算所述目标文本的词向量特征，分别与预先设置的N级类目树中各级类目的词向量特征间的相似度值，N为正整数；

将最大相似度值对应的类目确定为所述目标文本所属的类目。

可选地，设置N级类目树包括：

根据新闻内容的特点，先制定一级类目，再在所述一级类目下制定二级类目；再在所述二级类目下制定三级类目，以此类推，直至完成在N-1级类目下制定N级类目；

其中，同一级类目中的各个类目所代表的领域不同。

可选地，所述方法还包括：

对所述N级类目树中的各级类目分别进行关键词标记；

利用预先训练好的词向量模型，分别获取所述各级类目中各关键词的词向量特征；

基于获取的所述各级类目中各关键词的词向量特征，得到所述各级类目的词向量特征。

可选地，所述提取目标文本中的关键词之前，所述方法还包括：预处理所述目标文本；

其中所述预处理所述目标文本至少包括：去除所述目标文本中对所述目标文本分类有影响的词语、去除所述目标文本中的url链接。

可选地，所述计算所述目标文本的词向量特征，分别与预先设置的N级类目树中各级类目的词向量特征间的相似度值包括：

利用余弦相似度算法，计算所述目标文本的词向量特征，分别与预先设置的N级类目树中各级类目的词向量特征间的相似度值。

本申请的另一方面提供一种文本分类装置，所述装置包括：

关键词提取单元，用于提取目标文本中的关键词；

第一词向量特征获取单元，用于基于提取的关键词，利用预先训练好的词向量模型，得到所述目标文本的词向量特征；

相似度值计算单元，用于计算所述目标文本的词向量特征，分别与预先设置的N级类目树中各级类目的词向量特征间的相似度值，N为正整数；

分类单元，用于将最大相似度值对应的类目确定为所述目标文本所属的类目。

可选地，所述装置还包括：