[发明专利]文本分类方法、装置、存储介质和计算机设备

权利要求书

1.一种文本分类方法，包括：

将待分类文本进行分词，得到词集合；

向量化所述词集合中的各词，得到各所述词各自对应的词向量；

根据对各词向量进行线性变化得到的第一特征向量，得到第一概率分布向量；所述第一概率分布向量表示待分类文本属于各分类类别的第一概率分布；

根据对各词向量进行非线性变化得到的第二特征向量，得到第二概率分布向量；所述第二概率分布向量表示待分类文本属于各分类类别的第二概率分布；

通过所述第一概率分布向量与所述第二概率分布向量，确定所述分类文本所属的分类类别。

2.根据权利要求1所述的方法，其特征在于，所述向量化所述词集合中的各词，得到各所述词各自对应的词向量，包括：

确定所述词集合中各词相应的文本特征和词性特征；

根据所述文本特征和所述词性特征向量化相应词，得到各所述词各自对应的词向量。

3.根据权利要求1所述的方法，其特征在于，所述根据对各词向量进行线性变化得到的第一特征向量，得到第一概率分布向量，包括：

将各所述词向量输入第一文本分类模型，在所述第一文本分类模型的隐层中，对各所述词向量进行线性变化得到第一特征向量；

通过所述第一文本分类模型的分类层对所述第一特征向量进行分类，输出与所述待分类文本所对应的第一概率分布向量。

4.根据权利要求3所述的方法，其特征在于，所述第一文本分类模型为快速文本分类模型；

所述将各所述词向量输入第一文本分类模型，在所述第一文本分类模型的隐层中，对各所述词向量进行线性变化得到第一特征向量，包括：

将各所述词向量输入快速文本分类模型，在所述快速文本分类模型的隐层中，对各所述词向量进行加权平均运算，得到第一特征向量。

5.根据权利要求1所述的方法，其特征在于，所述根据对各词向量进行非线性变化得到的第二特征向量，得到第二概率分布向量，包括：

将各所述词向量输入第二文本分类模型，在所述第二文本分类模型的隐层中，对各所述词向量进行非线性变化得到第二特征向量；

通过所述第二文本分类模型的分类层对所述第二特征向量进行分类，输出与所述待分类文本所对应的第二概率分布向量。

6.根据权利要求5所述的方法，其特征在于，所述第二文本分类模型为神经网络模型；

所述将各所述词向量输入第二文本分类模型，在所述第二文本分类模型的隐层中，对各所述词向量进行非线性变化得到第二特征向量，包括：

将各所述词向量输入神经网络模型，通过所述神经网络模型中卷积层的多个卷积核对各所述词向量进行卷积运算，得到每个卷积核输出的中间特征向量；

通过所述神经网络模型的池化层对各所述中间特征向量进行池化运算，得到每个中间特征向量所对应的特征标量，并将包括各所述特征标量的第二特征向量传输至所述神经网络模型的分类层。

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述待分类文本包括文本正文和文本标题；所述方法还包括：

获取各分类类别相应的关键词集合；

计算每个所述关键词集合中的关键词与文本标题所包括的词的相关度，得到相应分类类别所对应的相关度；

将每个分类类别所对应的相关度中的最大相关度，作为所述文本标题与该分类类别的类别相关度，并根据各所述类别相关度生成类别相关度向量；

所述通过所述第一概率分布向量与所述第二概率分布向量，确定所述分类文本所属的分类类别，包括：

通过所述第一概率分布向量、所述第二概率分布向量以及所述类别相关度向量，确定所述分类文本所属的分类类别。