[发明专利]基于深度学习模型的文献分类方法、装置和计算机设备

说明书

本申请涉及医疗领域，揭示了基于深度学习模型的文献分类方法，深度学习模型包括第一BiLSTM层、衔接在第一BiLSTM层之后的Attention层、衔接在Attention层之后的第二BiLSTM层以及衔接在第二BiLSTM层之后的CRF层，方法包括：获取指定文献的摘要内容的每个分句，依次通过第一BiLSTM层和Attention层处理后分别对应的表征向量；按照各分句在指定文献的摘要内容的自然排布次序，依次排列各分句分别对应的表征向量，形成指定文献的摘要内容的表征向量序列；将表征向量序列输入至第二BiLSTM层，得到表征向量序列对应的第二隐藏向量序列；将第二隐藏向量序列经过CRF层，得到指定文献摘要内容的每个分句分别对应的预测标签序列；根据预测标签序列对指定文献进行分类，提高模型对文献筛选分类的精准效果。

技术领域

本申请涉及到医疗领域，特别是涉及到基于深度学习模型的文献分类方法、装置和计算机设备。

背景技术

医疗工作者在进行医学研究以及病例研究诊断时，会参考大量相关的医学文献，以辅助研究和诊断。医学工作者在搜索相关医学文献时，希望能快速、准确定位到与当前搜索条件最接近的文献，并快速了解文献的研究目的、研究方法、研究结果、研究结论等。但现有医学文献的标签数据集的数量非常少且质量不高，不利于文献筛选模型的训练。而且现有文献筛选模型结构简单，仅孤立地分析每一句话的向量特征，仅能通过浅层的句子表示进行分类识别，分类不精准，不能满足医学工作者快速、精准筛选到相关文献的要求。

发明内容

本申请的主要目的为提供基于深度学习模型的文献分类方法，旨在解决现有不能满足医学工作者快速、精准筛选到相关文献的要求的技术问题。

本申请提出一种基于深度学习模型的文献分类方法，所述深度学习模型包括第一BiLSTM层、衔接在所述第一BiLSTM层之后的Attention层、衔接在所述Attention层之后的第二BiLSTM层以及衔接在所述第二BiLSTM层之后的CRF层，方法包括：

获取指定文献的摘要内容的每个分句，依次通过所述第一BiLSTM层和所述Attention层处理后分别对应的表征向量；

按照各所述分句在所述指定文献的摘要内容的自然排布次序，依次排列各所述分句分别对应的表征向量，形成所述指定文献的摘要内容的表征向量序列；

将所述表征向量序列输入至第二BiLSTM层，得到所述表征向量序列对应的第二隐藏向量序列；

将所述第二隐藏向量序列经过CRF层，得到所述指定文献摘要内容的每个分句分别对应的预测标签序列；

根据所述预测标签序列对所述指定文献进行分类。

优选地，所述深度学习模型还包括衔接在所述第一BiLSTM层之前的TokenEmbedding层，所述获取指定文献的摘要内容的每个分句，依次通过所述第一BiLSTM层和所述Attention层处理后分别对应的表征向量的步骤，包括：

将第一分句进行分词处理，得到所述第一分句对应的分词序列，其中，所述第一分句包含于所述指定文献摘要内容的所有分句中；

将所述分词序列输入所述TokenEmbedding层，转化为各分词分别对应的词向量，并形成所述第一分句对应的词向量序列；

将所述第一分句对应的词向量序列输入所述第一BiLSTM层，得到所述词向量序列对应的第一隐藏向量序列，其中，所述第一隐藏向量序列中各隐藏向量的排布次序与所述第一分句各分词的排布次序相同，各隐藏向量携带句子信息，所述句子信息包括所述第一分句与第二分句的语义关联关系，第二分句为所述指定文献的摘要内容中与所述第一分句相邻排布的分句；

将所述第一隐藏向量序列输入所述Attention层进行Attention计算，得到所述第一分句对应的表征向量；