[发明专利]文本多分类模型的生成方法、文本处理方法、设备及介质

说明书

本申请涉及文本多分类模型的生成方法、文本处理方法、设备及介质；所述文本多分类模型的生成方法包括：获取训练数据，所述训练数据包括文本和真实标签，所述真实标签表示所述文本的分类；将文本输入文本分类模型，以得到预测标签，其中，所述预测标签表示所述文本的类别；根据所述文本、所述真实标签和所述预测标签调整所述文本分类模型的参数，并重新执行所述将所述文本输入文本分类模型的步骤，直至满足预设训练条件，以得到已训练的文本分类模型。通过本方法得到文本多分类模型，使得文本分类精度得到提高。

技术领域

本申请涉及文本分类技术领域，特别是涉及一种文本多分类模型的生成方法及文本处理方法。

背景技术

自然语言处理(Nature Language Processing，简称为NLP)是人工智能的一个子领域，通常分为四大类任务：序列标注，分类任务，关系判断，以及生成式任务，训练自然语言处理模型对提升自然语言处理的任务结果的精度有着重要作用，这是因为通过训练得到了合适的词向量，合适的词向量使自然语言处理的任务结果的精度得到改善。

传统的基于深度学习方法对多标签文本分类任务进行处理时，大部分是基于卷积神经网络(Convolutional Neural Networks，简称为CNN)或者循环神经网络(RecurrentNeural Network，简称为RNN)来对文本进行分类，或者基于非动态词向量或者词向量对文本进行分类，而词向量或者词向量并不能根据它的上下文去改变，信息比较单一，从而导致对文本分类精度不够高。

因此，现有技术有待改进。

发明内容

本发明要解决的技术问题是，提供一种文本多分类模型以及文本的处理方法，使得文本分类的精度提高。

第一方面，本发明实施例提供了一种文本多分类模型的生成方法，所述方法包括：

获取训练数据，所述训练数据包括文本和真实标签，所述真实标签表示所述文本的分类；

将文本输入文本分类模型，以得到预测标签，其中，所述预测标签表示所述文本的类别；

根据所述文本、所述真实标签和所述预测标签调整所述文本分类模型的参数，并重新执行所述将所述文本输入文本分类模型的步骤，直至满足预设训练条件，以得到已训练的文本分类模型。

所述文本分类模型包括：第一模块、第二模块、第三模块和第四模块；将文本输入文本分类模型，以得到预测标签包括：

将所述文本输入所述第一模块，得到所述文本的第一特征；

将所述第一特征分别输入所述第二模块和所述第三模块，得到所述第二输出和第三输出；

将所述第二输出和所述第三输出进行拼接，得到第四输出；

将所述第四输出输入所述第四模块，得到所述预测标签。

将所述文本输入所述第一模块，得到所述文本的特征，包括：

对所述文本进行预处理，其中，对小于预设长度的所述文本做补零处理，所述补零处理为在所述文本后将所述文本用零补充至第一预设长度；对大于预设长度的所述文本做切分处理，所述切分处理为将所述文本的长度剪切为第二预设长度。

所述第二模块，包括：第一卷积层、第一激活层、第一池化层、第二卷积层、第二激活层、第二池化层；将所述第一特征输入所述第二模块，得到所述第二输出，包括：

将所述第一特征输入第一个卷积层，得到第一卷积层输出；

将所述第一卷积层输出输入第一个激活层，得到第一激活层输出；

将所述第一激活层输出输入第一个池化层，得到第一个池化层输出；