[发明专利]人格分类方法及装置

权利要求书

1.一种人格分类方法，其特征在于，应用于数据处理设备，所述数据处理设备预设有训练好的循环神经网络，所述训练好的循环神经网络包括特征提取层、分类层及记录有不同人格特质之间的预设相关程度的人格相关系数表，其中，所述不同人格特质之间的预设相关程度通过计算人格特质之间的皮尔逊相关获得，所述方法包括：

获取测试文本的词向量；

将所述词向量输入所述循环神经网络；

将所述循环神经网络中预设网络层输出的数据与所述人格相关系数表中的数据进行拼接，并输入所述分类层获得所述测试文本对应作者的人格类型；

所述方法还包括对所述循环神经网络的训练步骤：

获取训练文本对应的词向量，该训练文本的词向量标记有多个人格特质标签；

基于预设损失函数，将所述训练文本的词向量输入所述循环神经网络，通过反向传播算法对所述循环神经网络的权值进行迭代调整，直到所述损失函数的输出值小于预设阈值；

其中，所述预设损失函数E的表达式为：

式中，表征所述训练文本d_i的相关人格，是的补集，表征所述训练文本d_i的不相关人格；是所述训练文本d_i相关人格特质标签从第2k个神经元获得的输出概率，表示所述训练文本d_i不相关人格特质标签从第2j个神经元获得的输出概率，表示所述训练文本d_i相关人格特质标签从第2k个神经元获得的输出概率所对应的阈值，表示所述训练样本d_i不相关人格特质标签从第2j个神经元获得的输出概率所对应的阈值。

2.根据权利要求1所述的人格分类方法，其特征在于，所述循环神经网络为双向循环神经网络。

3.根据权利要求1所述的人格分类方法，其特征在于，所述预设网络层为最大池化层。

4.根据权利要求1所述的人格分类方法，其特征在于，所述获取测试文本的词向量之前还包括步骤：

对所述测试文本进行分词处理，获得对应的分词结果；

通过词向量转化工具对所述分词结果进行处理，获得所述词向量。

5.一种人格分类装置，其特征在于，应用于数据处理设备，所述数据处理设备预设有训练好的循环神经网络，所述训练好的循环神经网络包括特征提取层、分类层及记录有不同人格特质之间的预设相关程度的人格相关系数表，其中，所述不同人格特质之间的预设相关程度通过计算人格特质之间的皮尔逊相关获得，所述人格分类装置包括获取模块、输入模块和分类模块；

所述获取模块用于获取测试文本的词向量；

所述输入模块用于将所述词向量输入所述循环神经网络；

所述分类模块用于将所述循环神经网络中预设网络层输出的数据与所述人格相关系数表中的数据进行拼接，并输入所述分类层获得所述测试文本对应作者的人格类型；

所述人格分类装置还包括训练模块，所述训练模块通过以下方式对所述循环神经网络进行训练：

获取训练文本对应的词向量，该训练文本的词向量标记有多个人格特质标签；

基于预设损失函数，将所述训练文本的词向量输入所述循环神经网络，通过反向传播算法对所述循环神经网络的权值进行迭代调整，直到所述损失函数的输出值小于预设阈值；

其中，所述预设损失函数E的表达式为：

式中，表征所述训练文本d_i的相关人格，是的补集，表征所述训练文本d_i的不相关人格；是所述训练文本d_i相关人格特质标签从第2k个神经元获得的输出概率，表示所述训练文本d_i不相关人格特质标签从第2j个神经元获得的输出概率，表示所述训练文本d_i相关人格特质标签从第2k个神经元获得的输出概率所对应的阈值，表示所述训练样本d_i不相关人格特质标签从第2j个神经元获得的输出概率所对应的阈值。

6.根据权利要求5所述的人格分类装置，其特征在于，所述循环神经网络为双向循环神经网络。