[发明专利]基于强化学习的文本去噪方法及装置

权利要求书

1.一种基于强化学习的文本去噪方法，其特征在于，包括：

通过文本特征训练第一预设网络模型；

输入待处理文本至所述第一预设网络模型，并判断所述待处理文本中的噪声词语；以及

将去噪结果输入第二预设分类模型，得到文本分类结果；

其中，所述第二预设分类模型作为分类器，对去噪结果进行分类，所述分类器是与不同使用场景相对应的；

通过文本特征训练第一预设网络模型包括：

将作为训练集的待分类文本输入强化学习特征提取网络，得到文本特征；

通过将所述文本特征作为策略网络的输入，以使所述策略网络获取得到待分类文本中的全集信息；

通过文本特征训练得到所述策略网络；

将待分类的请求输入预设神经网络模型中，提取出所述文本中的词向量特征；

将所述词向量特征作为基于强化学习的策略网络模型的输入，并输出对所述词向量特征的执行动作；

输出对所述词 向量特征的执行动作之后，还包括：

将满足预设执行动作结果的词保留，并重新加入到所述基于强化学习的策略网络模型中，得到去噪后的待分类的请求特征；

将所述去噪后的待分类的请求特征作为预设分类模型的输入，输出分类结果。

2.根据权利要求1所述的文本去噪方法，其特征在于，将去噪结果输入第二预设分类模型，得到文本分类结果之后，还包括：

判断对文本分类结果是否正确；

如果判断对文本分类结果正确，则在基于强化学习的第一预设网络模型的反馈累计增加；

如果判断对文本分类结果不正确，则在基于强化学习的第一预设网络模型的反馈累计减少。

3.一种基于强化学习的文本去噪装置，其特征在于，包括：

训练模块，用于通过文本特征训练基于强化学习的第一预设网络模型；

去噪模块，用于输入待处理文本至预设网络模型，并判断所述待处理文本中的噪声词语；

分类模块，用于将去噪结果输入第二预设分类模型，得到文本分类结果；

其中，分类模块，包括：

所述第二预设分类模型作为分类器，对去噪结果进行分类，所述分类器是与不同使用场景相对应的；

训练模块：用于通过文本特征训练基于强化学习的预设网络模型，包括：

文本特征单元，用于将作为训练集的待分类文本输入强化学习特征提取网络，得到文本特征；

策略单元，用于通过将所述文本特征作为策略网络的输入，以使所述策略网络获取得到待分类文本中的全集信息；

训练单元，用于通过文本特征训练得到所述策略网络；

特征提取单元，用于将待分类的请求输入预设神经网络模型中，提取出所述文本中的词向量特征；

动作输出单元，用于将所述词向量特征作为基于强化学习的策略网络模型的输入，并输出对所述词向量特征的执行动作；

处理模块，用于将满足预设执行动作结果的词保留，并重新加入到所述基于强化学习的策略网络模型中，得到去噪后的待分类的请求特征；将所述去噪后的待分类的请求特征作为预设分类模型的输入，输出分类结果。

4.根据权利要求3所述的文本去噪装置，其特征在于，还包括：反馈模块，所述反馈模块包括：

判断单元，用于判断对文本分类结果是否正确；

增加单元，用于在判断对文本分类结果正确，则在基于强化学习的第一预设网络模型的反馈累计增加；

减少单元，用于在判断对文本分类结果不正确，则在基于强化学习的第一预设网络模型的反馈累计减少。