[发明专利]一种基于图卷积神经网络的文本分类方法及系统

说明书

本发明公开了一种基于图卷积神经网络的文本分类方法及系统。本方法为：1)对于目标领域的文本训练集中的每一已类别标注文本，根据该文本中词的词频、逆文档率生成该文本的文本特征向量；将各文本特征向量组合生成一文本特征矩阵，即TF‑IDF矩阵，并根据词的词向量相似度构建一该文本训练集的图结构；2)利用所述图结构及文本特征矩阵训练图卷积神经网络；3)对于该目标领域的一待分类文本a，将该文本a的文本特征向量输入训练后的图卷积神经网络，得到该文本a的类别。本发明不仅考虑到文本的语义结构信息，而且从另一个角度捕捉文本的隐藏特征，分类准确性高。

技术领域

本发明属于图数据挖掘和图分类领域，尤其涉及一种基于图卷积神经网络的文本分类方法及系统。

背景技术

随着大数据的到来，数据规模呈现爆炸性增长趋势，海量异构数据间关系逐渐紧密。图作为常用的表示事物之间的关系的一类抽象数据结构。实际生活中有紧密关联的数据元素，比如社交网络、学术网络等都能用图数据表示。实际问题可以转化为图的技术问题、数据挖掘。比如社交软件微信，将微信号作为节点，微信号间互相的“好友关系”、“点赞评论”等关系作为图的边，从而构建图结构数据。其实际问题可以转化为图的技术问题、数据挖掘，图数据分类是大规模数据处理中的研究重点。图分类，即将不同类型的图自动区分、分类，主要应用有暴恐行为识别、社交网络关系分类、化学分子分类等。

图分类可以为不同领域的数据分析和理解提供重要的技术手段，相关研究和应用方兴未艾。尽管图分类在社会各个领域都有着重要作用，但是图分类仍然面临着许多技术挑战。

图数据具有很强的局部耦合性，节点之间存在关系，因此图的表示需要包含图的结构信息和属性。现有的数据表示方式主要是针对序列化的文档、结构化的图像等，难以扩展到图的表示，因此图分类面临着严峻的挑战。

同时另一方面，图的特征表示，即通过结点间的连通关系计算结点的特征表示，与使用特征集训练分类器是两个独立的过程，每个过程都需要独立设计和优化，每个步骤即使最优，也难以保证得到整体效果最优的分类器。

上述可知，图分类在各领域有着重要地位，但同时存在着局部耦合性强、特征表示难等挑战。在图分类领域，有上述的化学分子分类、关系网络实体分类等，在本申请中，针对文本分类任务。文本分类，根据给定的带标签的文本内容，进行一定的数据预处理，使用一些算法或是模型对文本进行分类。文本分类方法主要有两大类：第一类是传统文本分类技术，由特征提取和使用分类器分类两部分组成。第二类是，使用深度学习方法，不用人工提取特征，通过深度学习模型学习文本中的特征、特有模式规律等，从而训练得到一个分类模型，然后利用该分类模型可以实现对文本的分类。常见的模型有LSTM、CNN、RNN、GRU等等。这些方法尽管有各自的优点，但难以保证得到整体效果最优的分类模型。

发明内容

本申请提出一种基于图卷积神经网络的文本分类方法及系统。本发明中的文本为自然语言文本，比如新闻的类别，娱乐新闻、财经新闻、军事新闻等文本。其基本思想是，将文本表示为图结构，兼顾文本语义结构关系以及文本的特征，构造图卷积神经网络实现图数据的端到端的分类，即直接将图结构的文本信息及文本特征作为输入，输出即为每个文本的类别，即“标签”。通过将文本表示为图结构，可以考虑到文本的语义结构信息，从另一个角度捕捉文本的隐藏特征，通过图卷积神经网络后在处理结果上能与主流文本分类方法抗衡。本发明的算法流程图如图1所示。

一种基于图卷积神经网络的文本分类方法，其步骤包括：

1)对文本进行分词、去掉无意义词、去掉标点符号，计算文本的TF-IDF矩阵等预处理；

2)对步骤1)得到的预处理后文本构建图结构，词作为图的节点，与一个节点最相似(计算两个词向量的余弦相似度)的若干个词(本申请选取8个词)作为该词的邻居节点；

3)图结构预处理，计算图的拉普拉斯矩阵等；