[发明专利]文本分类方法、装置、计算机设备及存储介质

权利要求书

1.一种文本分类方法，其特征在于，所述文本分类方法包括：

为待分类文本构建文本图；

将所述文本图输入预先训练好的文本分类模型中进行分类，其中，所述文本分类模型的训练过程包括：获取多个训练文本；识别每个训练文本的第一类别标识；为每个训练文本构建训练文本图；基于所述训练文本图及对应的第一类别标识构建多个训练样本对并输入所述多个训练样本对至图卷积神经网络中进行训练；采用后向传播算法来迭代更新所述图卷积神经网络中的参数信息得到文本分类模型；每次迭代时判断所述文本分类模型是否满足收敛条件；当所述文本分类模型满足收敛条件时结束迭代，将结束迭代时的文本分类模型作为最优文本分类模型；

获取所述文本分类模型输出的类别标识；

根据所输出的类别标识确定所述待分类文本的类别。

2.如权利要求1所述的文本分类方法，其特征在于，所述为每个训练文本构建训练文本图包括：

对每个训练文本进行分词，得到多个特征词；

将每个特征词作为文本图中的一个节点；

采用滑动窗口遍历所述训练文本，将在同一个滑动窗口中出现的两个特征词之间建立一条边；

计算两个特征词在同一个滑动窗口中共现的次数记为对应边的权重；

筛选出次数少于预设次数阈值对应的边作为候选边；

将所述候选边中两个相邻的滑动窗口对应的特征词之间建立一条公共边。

3.如权利要求2所述的文本分类方法，其特征在于，所述对每个训练文本进行分词，得到多个特征词包括：

对每个训练文本进行分词得到多个词；

识别所述训练文本为中文文本还是英文文本；

当所述训练文本为中文文本时，删除所述词中的无用词，将所述中文文本中删除无用词后的词作为特征词；

当所述训练文本为英文文本时，将所述英文文本中的多个词作为特征词。

4.如权利要求1所述的文本分类方法，其特征在于，所述识别每个训练文本的第一类别标识包括：

根据预设关键词库提取每个训练文本的多个关键词；

对所述多个关键词进行聚类；

计算每一类别中关键词的数量；

将关键词的数量最多的类别确定为目标类别；

根据所述目标类别确定所述训练文本的第一类别标识。

5.如权利要求1至4中任意一项所述的文本分类方法，其特征在于，所述判断所述文本分类模型是否满足收敛条件包括：

通过所述文本分类模型预测每个训练文本的第二类别标识；

计算所述第一类别标识及对应的第二类别标识的交叉熵损失值；

当交叉熵损失值小于或者等于所述预设阈值时，确定所述文本分类模型满足收敛条件。

6.如权利要求5所述的文本分类方法，其特征在于，所述为待分类文本构建文本图包括：

对所述待分类文本进行分词，得到多个特征词；

将每个特征词作为文本图中的一个节点；

采用滑动窗口遍历所述待分类文本，将在同一个滑动窗口中出现的两个特征词之间建立一条边；

计算两个特征词在同一个滑动窗口中共现的次数记为对应边的权重；

筛选出次数少于预设次数阈值对应的边作为候选边；

将所述候选边中两个相邻的滑动窗口对应的特征词之间建立一条公共边。

7.如权利要求5所述的文本分类方法，其特征在于，所述文本分类方法还包括：

基于所述待分类文本的文本图及对应的类别标识构建新的样本对；

将所述新的样本对添加到所述多个训练样本对中得到新的训练样本集；

基于所述新的训练样本集重新训练所述文本分类模型。