[发明专利]一种科技信息文本分类方法

权利要求书

1.一种科技信息文本分类方法，其特征在于，包括：

基于每个待分类的科技信息文本的文本特征，对该科技信息文本进行粗粒度弱分类，若分类结果不准确，对该科技信息文本进行粗粒度强分类，最终得到该科技信息文本的粗粒度类别；

对该科技信息文本抽取高层语义信息特征，采用所述粗粒度类别辅助所述粗粒度类别对应的细粒度分类器来基于所述高层语义信息特征对该科技信息文本进行细粒度弱分类，若分类结果不准确，采用细粒度强分类器，最终得到该科技信息文本的细粒度类别，其中所述细粒度强分类器为采用科技文本数据微调已在海量文本数据中训练的深度神经网络模型所得。

2.根据权利要求1所述的一种科技信息文本分类方法，其特征在于，所述粗粒度弱分类具体采用基于决策树规则的文本分类方法，所述粗粒度强分类具体采用fastText方法。

3.根据权利要求1所述的一种科技信息文本分类方法，其特征在于，在进行所述粗粒度弱分类时，首先对待分类的科技信息文本预处理，并使用预训练的BiLSTM CRF模型对预处理后的文本进行实体抽取，其中，预处理包括去噪、分词和过滤停词；采用预训练的Word2Vec模型将抽取出的每个实体表达为多维向量，并对所有该多维向量取均值，作为文本实体属性集特征表达；基于该文本实体属性集特征表达进行粗粒度弱分类。

4.根据权利要求1所述的一种科技信息文本分类方法，其特征在于，在进行所述粗粒度强分类时，首先对待分类的科技信息文本进行预处理，将预处理后的文本中的词表达为词向量，并结合词与词之间的N-Gram特征进行拼接输入到fastText的隐藏层中处理，最后由softmax分类层进行分类，输出一个粗粒度类别向量，将该粗粒度类别向量中概率最大对应的类别作为粗粒度类别，其中，所述预处理包括去噪、分词和过滤停词。

5.根据权利要求1至4任一项所述的一种科技信息文本分类方法，其特征在于，所述粗粒度弱分类的分类结果准确与否的判断方法为：

根据所述粗粒度弱分类的分类器所输出的由各粗粒度类别下的概率数值所构成的粗粒度类别向量，确定在粗粒度类别向量中前两大的概率数值之间的差值是否大于阈值，若是，则判断所述粗粒度弱分类的分类结果准确，否则，判断为不准确。

6.根据权利要求1所述的一种科技信息文本分类方法，其特征在于，所述细粒度弱分类的实现方式为：

对待分类的科技信息文本进行所述预处理，将预处理后的文本输入到TextCNN模型中，经过预训练好的Word2Vec模型将文本表达为词向量矩阵，由TextCNN特征提取层进行特征提取，获得文本特征向量，作为高层语义信息特征；

将所述文本特征向量与由最终得到的粗粒度类别向量经编码所得的向量进行拼接，构成文本融合特征向量并输入到所述粗粒度类别所对应的Softmax分类器进行分类，其输出为一个细粒度类别向量，将该细粒度类别向量中概率最大对应的类别作为细粒度类别。

7.根据权利要求1所述的一种科技信息文本分类方法，其特征在于，所述细粒度弱分类的分类结果准确与否的判断方法为：

根据所述细粒度弱分类的分类器所输出的由各细粒度类别下的概率数值所构成的细粒度类别向量，确定在细粒度类别向量中前两大的概率数值之间的差值是否大于阈值，若是，则判断所述细粒度弱分类的分类结果准确，否则，判断为不准确。

8.根据权利要求7所述的一种科技信息文本分类方法，其特征在于，所述方法还包括：

根据所述判断方法，判断所述细粒度强分类器所得分类结果是否准确，若不准确，确定与所述粗粒度类别的欧式距离在预设范围的相邻多个粗粒度类别；

按照所述欧式距离由近及远的顺序，依次采用相邻的各粗粒度类别对应的所述细粒度强分类器进行细粒度强分类，直至分类结果根据所述判断方法判断为准确，并将该准确的分类结果作为最终的待分类科技信息文本的细粒度类别。