[发明专利]一种基于深层特征融合模型的商品信息分类方法

说明书

本发明提供了一种基于深层特征融合模型的商品信息分类方法，该方法使用字嵌入和词嵌入两种文本信息嵌入方式，获取更多商品文本标题的浅层特征信息；联合了自注意力机制、卷积神经网络和通道注意力对文本浅层特征进行增强和获得深层增强特征；最后将两种嵌入方法提取到的深层增强特征进行融合，通过多分类逻辑回归方法softmax确定商品类别。本发明使用两种嵌入方式对商品文本标题进行映射，在不损失原有信息的基础上，获取更多的信息；使用卷积神经网络对商品信息特征进行提取，通过两种注意力机制分别对浅层特征和深层特征进了增强，提升分类的准确率；解决了传统专家规则分类方法中仍然需要人工设置规则的问题，提高了分类结果的准确率。

技术领域

本发明属于深度学习和文本分类技术领域，尤其是涉及一种基于深层特征融合模型的商品信息分类方法。

背景技术

随着电商平台的迅速崛起，网络零售逐渐成为当下热门的商品交易方式之一，而商品分类是准确定位商品最为便捷的方式。早期的工作中使用简单的词袋分类器，通过专家规则(Pattern)进行分类，但局限性很强，不仅效率和准确率低而且覆盖的范围也非常有限，很难应用于复杂多变的网络环境。深度神经网络能够通过深层次网络结构自动挖掘数据细粒度特征，在自然语言处理、语音和视觉识别任务中优于其他机器学习方法。在深度学习的方法中，对于相关问题，一些学者提出利用CNN/RNN等网络结构自动获取特征表达能力，代替繁杂的人工特征工程，端到端的解决问题，可以解决传统方法中的问题。但是对于短文本分类任务，仍然存在问题：词向量获取信息不够全面，信息源单一；结合了循环神经网络(RNN)的网络结构在短文本方面分类时序信息较少，且时间复杂度较高。

发明内容

有鉴于此，本发明旨在提出一种基于深层特征融合模型的商品信息分类方法，以解决上述背景技术中提到的问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于深层特征融合模型的商品信息分类方法，包括如下步骤：

(1)对商品文本数据进行预处理；

(2)建立深层特征融合模型，利用深层特征融合模型对商品进行自动分类；

(3)对模型进行训练和测试，验证数据分类的有效性。

进一步的，所述步骤(1)中，通过将文本标题信息清洗、分词，利用Word2vec模型获得商品文本标题的字向量及词向量表示，具体包括如下步骤：

(1.1)将商品信息进行清洗，删除无意义字符和停用词；

(1.2)对经过(1.1)处理后的信息进行分字处理和分词处理；

(1.3)使用上一步处理得到的信息训练字向量模型和词向量模型，从而获得品文本标题的字向量及词向量表示；

进一步的，所述步骤(1)具体实施过程包括：

定义Texts为单个商品信息集，text为单个商品信息，label为单个文本的标签，并且满足关系Texts＝{text，label}。然后对数据集进行数据清洗以及分字和分词，得到字序列W＝{w₁,w₂,…,w_p}和词序列C＝{c₁,c₂,…,c_q},其中p和q分别为文本的字和词语序列的固定长度。接着使用gensim机器学习库中的Word2vec方法训练W和C，得到字向量E_xw和词向量E_xc。

进一步的，所述深层特征融合模型包括嵌入输入层、卷积采样层、特征增强层和融合输出层，所述步骤(2)实现过程如下：