[发明专利]一种基于TextRank和卷积神经网络的小学作文自动分类方法

权利要求书

1.一种基于TextRank和卷积神经网络的小学作文自动分类方法，其特征在于该方法包括以下步骤：

(1)分析小学作文常见的写人、叙事、写景、状物、读后感五类作文的特征，并以此为标准对数据集进行划分；

(2)使用基于TextRank的关键句提取模型为各类作文提取关键句来去除多余的语义信息并将其作为数据集；

(3)在卷积神经网络的第一层，随机初始化数据集中每个字的word embedding，将每条数据中的字映射到其对应的word embedding组成二维特征矩阵作为卷积神经网络的输入；

(4)在卷积神经网络的第二层，使用一维卷积核与输入文本的特征矩阵进行卷积运算，得到的结果经过非线性变换并加上偏置向后，最终生成和卷积核数量一致的文本的多层局部卷积特征图；

(5)在卷积神经网络第三层，使用max-pooling算法对多层局部卷积特征图进行采样，得到文本的局部最优特征图；

(6)在卷积神经网络的全连接层，将文本的局部最优特征图赋予全连接层，经过全连接层的计算后结果会赋予分类器，用于对文本的类型进行预测并输出最终的分类结果。

2.根据权利要求1所述的基于TextRank和卷积神经网络的小学作文自动分类方法，其特征在于：卷积神经网络的第一层为embedding层，在该层，数据集中出现的每一个字都会被随机初始化一个word embedding，每条数据中的字都会被映射到其对应的wordembedding从而组成二维特征矩阵T∈R^d*v作为卷积神经网络的输入，矩阵的行数d为文本的字数，列数v为word embedding的维度；在训练过程中，使用随机梯度下降方法对wordembedding进行更新。

3.根据权利要求1所述的基于TextRank和卷积神经网络的小学作文自动分类方法，其特征在于：卷积神经网络的第二层为卷积层，采用的是一维卷积操作，每个卷积核C∈R^h*v的行数为h，列数与文本特征矩阵T相同为v，每个卷积核会从上到下依次与h行v列的文本的特征矩阵块做卷积操作，每一次的输出r_i，i＝1，2……，d-h+1，如下式：

r_i＝C*T_i:i+h-1

接着输出结果r_i会被加上偏置项b，并使用激活函数进行非线性化处理，这里选择的激活函数为f(x)＝max(0，x)，即ReLu函数，得到结果s_i，i＝1，2……，d-h+1，如下式:

s_i＝max(0,r_i+b)

最终得到d-h+1个结果，这些结果就组成了一张局部卷积特征图S∈R^(d-h+1)*1，特征图的总数与卷积核的数量m一样，每张特征图S_j，j＝1，2……，m，如下式：

S_j＝[s₁,s₂,s₃......,s_d-h+1]。

4.根据权利要求1所述的基于TextRank和卷积神经网络的小学作文自动分类方法，其特征在于：卷积神经网络第三层为池化层，在该层，提取每张特征图中最大的元素，即max{S_j}并将其组成局部最优特征图P∈R^m*1。

5.根据权利要求1所述的基于TextRank和卷积神经网络的小学作文自动分类方法，其特征在于：卷积神经网络的第四层为全连接层，该层与池化层全连接，以最优特征图P为输入，采用softmax分类器对向量P进行分类，并输出最终的分类结果。