[发明专利]文本分类方法、装置、电子设备及存储介质

权利要求书

1.一种文本分类方法，其特征在于，包括：

确定待分类文本对应的词向量矩阵；所述词向量矩阵由至少两个词向量组成；所述至少两个词向量中的每个词向量对应所述待分类文本的分词结果中的一个分词；

确定所述词向量矩阵对应的特征向量；所述特征向量表征的特征包括：与所述待分类文本中的分词的词序相关的特征以及与所述待分类文本中的分词的语义相关的特征；

基于所述特征向量对所述待分类文本进行分类。

2.如权利要求1所述的方法，其特征在于，所述确定所述词向量矩阵对应的特征向量时，所述方法包括：

将词向量矩阵输入第一设定模型，得到至少一个第一特征；

将所述至少一个第一特征输入第二设定模型，得到所述特征向量。

3.如权利要求2所述的方法，其特征在于，所述第一特征用于表征与所述待分类文本中的分词的词序相关的特征，并且所述第一设定模型基于双向长短时记忆网络Bi-LSTM模型训练得到，所述第二设定模型基于胶囊网络CapsNet模型训练得到；或者，

所述第一特征用于表征与所述待分类文本中的分词的语义相关的特征，并且所述第一设定模型基于CapsNet模型训练得到，所述第二设定模型基于Bi-LSTM模型训练得到。

4.如权利要求1所述的方法，其特征在于，所述确定所述词向量矩阵对应的特征向量时，所述方法包括：

将词向量矩阵输入第一设定模型，得到至少一个第一特征；所述第一特征表征与所述待分类文本中的分词的词序相关的特征；

将词向量矩阵输入第三设定模型，得到至少一个第二特征；所述第二特征表征与所述待分类文本中的分词的语义相关的特征；

对所述至少一个第一特征和所述至少一个第二特征进行加权求和，得到词向量矩阵对应的特征向量。

5.如权利要求4所述的方法，其特征在于，所述第一设定模型基于Bi-LSTM模型训练得到，所述第三设定模型基于CapsNet模型训练得到。

6.如权利要求1所述的方法，其特征在于，所述确定待分类文本对应的词向量矩阵，包括：

对所述待分类文本进行分词，得到所述待分类文本的分词集合；

将所述分词集合输入第三模型，得到所述词向量矩阵；所述词向量矩阵中的词向量中包含了对应的分词的结构信息；所述结构信息表征与对应的分词在所述待分类文本中的文本位置相关的信息。

7.如权利要求1所述的方法，其特征在于，所述基于所述特征向量对所述待分类文本进行分类，包括：

将所述特征向量输入第四设定模型，得到第四设定模型输出的关于所述待分类文本的分类结果；所述第四模型用于基于输入的特征向量输出对应的文本的分类结果。

8.一种文本分类装置，其特征在于，包括：

第一确定模块，用于确定待分类文本对应的词向量矩阵；所述词向量矩阵由至少两个词向量组成；所述至少两个词向量中的每个词向量对应所述待分类文本的分词结果中的一个分词；

第二确定模块，用于确定所述词向量矩阵对应的特征向量；所述特征向量表征的特征包括：与所述待分类文本中的分词的词序相关的特征以及与所述待分类文本中的分词的语义相关的特征；

分类模块，用于基于所述特征向量对所述待分类文本进行分类。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的文本分类方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的文本分类方法。