[发明专利]一种基于深度卷积的水稻知识文本分类方法

权利要求书

1.一种基于深度卷积的水稻知识文本分类方法，其特征在于，包括以下步骤：

S1.通过采用Python爬虫框架，爬取知网专家在线系统和种植问答网的关于水稻病虫害、草害药害以及栽培管理的中文文本问答数据；

S2.采用Word2Vec中的Skip-Gram模型对水稻知识文本进行向量化处理，词向量维度大小为100，训练窗口设置为5，同时与One-Hot、TF-IDF和Hashing向量化模型进行对比分析；

S3.构建文本特征提取网络；

S4.构建文本分类网络。

2.根据权利要求1所述的基于深度卷积的水稻知识文本分类方法，其特征在于，所述步骤S3包括步骤：

S31.面向卷积通道对ResNet的残差模块进行更改与设计：

首先将ResNet的单通道卷积组调整为多通道卷积组，用以减少文本特征的表征性瓶颈，即减少信息损失；

其次通过增加大小为1的卷积核对文本向量进行降维，并加入非线性，进而降低网络模型参数和提高网络的表达能力，共设计了4种残差模块结构；

S32.为对比残差模块结构对文本分类的影响，共配置了4种水稻知识文本分类网络，并通过后续试验分析，筛选分类性能较高的残差结构；

与此同时，在保持较优残差结构不变的前提下，通过增加残差模块数量探究网络层次对分类精度的影响。

3.根据权利要求2所述的基于深度卷积的水稻知识文本分类方法，其特征在于，所述4种残差模块结构的结构式分别为(1)(2)(3)(4)所示：

基于上述4种残差模块结构，配置了4种水稻知识文本分类网络结构，

残差模块结构(1)配置网络结构Embedding-A-Maxpool/2-FC/128-FC/4-softmax，

残差模块结构(2)配置网络结构Embedding-B-Maxpool/2-FC/128-FC/4-softmax，

残差模块结构(3)配置网络结构Embedding-C-Maxpool/2-FC/128-FC/4-softmax，

残差模块结构(4)配置网络结构Embedding-D-Maxpool/2-FC/128-FC/4-softmax。

4.根据权利要求3所述的基于深度卷积的水稻知识文本分类方法，其特征在于，所述步骤S4采用所述4种水稻知识文本分类网络结构，采用胶囊网络替代池化层，并结合所述4种残差模块结构，构建面向问答系统的水稻知识文本分类模型。