[发明专利]模型生成方法、文本分类方法、装置及计算机可读存储介质

权利要求书

1.一种模型生成方法，其特征在于，所述方法包括：

将样本文本输入第一文本分类模型；

根据所述样本文本包含的每个字的样本拼音向量及样本字向量，并利用所述第一文本分类模型，获取所述样本文本的预测类别值；

基于所述样本文本的预测类别值以及所述样本文本的真实类别值，获取所述第一文本分类模型的损失值；

若所述损失值在预设范围内，将所述第一文本分类模型作为目标文本分类模型。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

若所述损失值不在所述预设范围内，基于所述损失值表示的损失程度调整所述第一文本分类模型的参数，得到第二文本分类模型；

基于所述样本文本对所述第二文本分类模型继续训练，直至所述损失值在所述预设范围内，将所述第二文本分类模型作为目标文本分类模型。

3.根据权利要求2所述的方法，其特征在于，所述将样本文本输入第一文本分类模型之前，所述方法还包括：

对所述第一文本分类模型中各层的参数进行初始化；其中，所述第一文本分类模型包括向量embedding层、长短期记忆LSTM层以及软最大值softmax层；

所述embedding层中的参数至少包括：每个样本文本中每个字的字向量以及所有拼音字符的向量。

4.根据权利要求3所述的方法，其特征在于，所述根据所述样本文本包含的每个字的样本拼音向量及样本字向量，并利用所述第一文本分类模型，获取所述样本文本的预测类别，包括：

根据所述样本文本包含的每个字的样本拼音向量及样本字向量，确定每个字的样本最终向量；

基于每个字的样本最终向量，确定所述样本文本的文本向量；

基于所述样本文本的文本向量，确定所述样本文本的预测类别。

5.根据权利要求4所述的方法，其特征在于，所述根据所述样本文本包含的每个字的样本拼音向量及样本字向量，确定每个字的样本最终向量，包括：

确定每个字的样本字向量，以及根据每个字的拼音字符串确定每个字的样本拼音向量；

将每个字的样本字向量以及样本拼音向量进行拼接，得到每个字的样本最终向量。

6.根据权利要求4所述的方法，其特征在于，所述embedding层中的参数还包括：不同词性的词性向量；

所述根据所述样本文本包含的每个字的样本拼音向量及样本字向量，确定每个字的样本最终向量，包括：

基于领域词典对所述样本文本进行分词操作，得到所述样本文本包含的多个样本词语；

确定每个样本词语中包含的每个字以及每个字的拼音字符串，得到所述样本文本中包含的每个字以及每个字的拼音字符串；

确定每个字的样本字向量，以及根据每个字所属样本词语的词性，确定每个字的样本词性向量；

根据每个字的拼音字符串确定每个字的样本拼音向量；

将每个字的样本字向量、样本拼音向量以及样本词性向量进行拼接，得到每个字的样本最终向量。

7.根据权利要求5或6所述的方法，其特征在于，所述根据每个字的拼音字符串确定每个字的样本拼音向量，包括：

对于每个字，确定所述字的拼音字符串中每个拼音字符的向量；

根据每个拼音字符的向量，确定所述样本拼音向量。

8.一种文本分类方法，其特征在于，所述方法包括：

将待分类文本输入目标文本分类模型；

通过所述目标文本分类模型对所述待分类文本进行分类，得到所述待分类文本的类别；

其中，所述目标文本分类模型是利用权利要求1至7中任一项所述的方法生成的。