[发明专利]文本分类模型的构建方法、系统以及计算机可读存储介质

权利要求书

1.一种文本分类模型的构建方法，其特征在于，包括：

采集至少三轮对话信息；

将所述至少三轮对话信息并行输入至卷积神经网络文本分类模型；

根据所述至少三轮对话信息对所述卷积神经网络文本分类模型进行训练，得到所述文本分类模型。

2.根据权利要求1所述的文本分类模型的构建方法，其特征在于，

所述至少三轮对话信息通过以下任意一种方式并行输入至卷积神经网络文本分类模型：

使用字向量映射的方式将所述至少三轮对话信息中每一轮对话信息逐字映射到向量空间，生成对应的第一图像，将所述至少三轮对话信息对应的第一图像并行输入至所述卷积神经网络文本分类模型；

将所述至少三轮对话信息通过独热编码编译成第二图像输入至所述卷积神经网络文本分类模型。

3.根据权利要求2所述的文本分类模型的构建方法，其特征在于，

所述根据所述至少三轮对话信息对所述卷积神经网络文本分类模型进行训练，得到所述文本分类模型，具体包括：

将所述第一图像或所述第二图像输入至卷积层进行卷积运算，并将运算结果输入池化层中使用预设方法进行降采样处理；

将降采样处理结果输入至全连接层，通过分类器进行分类，并将分类结果输入至优化器进行优化，得到所述文本分类模型。

4.根据权利要求3所述的文本分类模型的构建方法，其特征在于，所述预设方法为max-pooling。

5.根据权利要求3所述的文本分类模型的构建方法，其特征在于，所述将降采样处理结果输入至全连接层，通过分类器进行分类，并将分类结果输入至优化器进行优化具体包括：

将降采样处理结果输入至全连接层，通过sigmoid分类器进行分类，根据选定的sigmoid损失函数进行迭代运算，直至所述sigmoid损失函数的数值最小。

6.根据权利要求5所述的文本分类模型的构建方法，其特征在于，所述根据选定的sigmoid损失函数进行迭代运算，直至所述sigmoid损失函数的数值最小具体包括：

使用Adam改进后的随机梯度下降算法对选定的所述sigmoid损失函数进行迭代运算，直至所述sigmoid损失函数的数值最小。

7.根据权利要求2所述的文本分类模型的构建方法，其特征在于，所述字向量为采用中英文翻译训练改进的Cove预训练字向量。

8.根据权利要求2所述的文本分类模型的构建方法，其特征在于，

在所述将降采样处理结果输入至全连接层之后，在所述通过sigmoid分类器进行分类之前，还包括：

将所述将降采样处理结果依次输入dropout和relu激活。

9.根据权利要求1所述的文本分类模型的构建方法，其特征在于，在采集至少三轮对话信息之后，在所述将所述至少三轮对话信息并行输入至卷积神经网络文本分类模型之前，还包括：

对所述至少三轮对话信息进行数据清洗。

10.一种文本分类模型的构建系统，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以：

采集至少三轮对话信息；

将所述至少三轮对话信息并行输入至卷积神经网络文本分类模型；

根据所述至少三轮对话信息对所述卷积神经网络文本分类模型进行训练，得到所述文本分类模型。