[发明专利]一种基于深度学习的检修意见自动分类方法及系统

说明书

本发明公开了一种基于深度学习的检修意见自动分类方法，包括将待分类的检修意见进行按句拆分，并将拆分后的句子进行分词；根据分词结果，构建词向量模型，并将词向量模型和预设词列表库中的词关联；其中，词列表库基于电力专业词汇的释义构建；将分词结果和关联后的词向量模型输入预先训练的分类模型，获得分类结果。同时公开了相应的系统。本发明利用分类模型，实现检修意见的自动分类；同时本发明将检修意见的词向量模型和词列表库中的词关联，对词向量进行扩充，减少计算维度。

技术领域

本发明涉及一种基于深度学习的检修意见自动分类方法及系统，属于电网检修领域。

背景技术

检修意见对检修单的实施具有指导作用，为了防止在检修前、检修中、检修后出现问题，各部门对检修都会提出指导性的意见，意见的增加给实施人员增加了工作量，能够自动识别检修意见中意见种类，并在实施人员阅读时分别标记显示具有重要的意义。

当前调度、安自、自动化等各部门在编写检修单意见时，不会对输入内容进行按句分类标记。实施人员在进行检修意见的阅读过程中，采用无差别阅读，不能直观的获取当前检修意见中的重点、次重点等内容。如果强行要求各部门在编写意见时对意见进行分类，将增加意见编写人员的工作量，同时增加了系统使用的复杂度，易用性将受影响；所以实现检修意见的自动分类势在必行。

发明内容

本发明提供了一种基于深度学习的检修意见自动分类方法及系统，解决了背景技术中披露的问题。

为了解决上述技术问题，本发明所采用的技术方案是：

一种基于深度学习的检修意见自动分类方法，包括，

将待分类的检修意见进行按句拆分，并将拆分后的句子进行分词；

根据分词结果，构建词向量模型，并将词向量模型和预设词列表库中的词关联；其中，词列表库基于电力专业词汇的释义构建；

将分词结果和关联后的词向量模型输入预先训练的分类模型，获得分类结果。

将待分类的检修意见进行按句拆分，若拆分后的句子长度不小于阈值，则将该句子进行分词。

训练分类模型的过程为，

从历史检修单中获取检修意见，将其进行按句拆分；

对拆分后的句子进行标记，构建样本语料；

根据电力专业词汇表，从网络抓取电力专业词汇的释义，构建扩充语料；

对样本预料和扩充语料中的句子进行分词；

统计分词获得的词语，构建词列表库；

根据分词结果构建词向量模型，并将词向量模型和词列表库中的词关联；

将样本语料中训练语料的分词结果、关联后的词向量模型输入分类模型，进行训练。

标记包括0、1、2、3、4和5，其中，0代表“注意”，1表示“前置操作”，2表示“后置操作”，3表示“过程操作”，4表示“描述信息”，5表示“普通用语。

对样本预料和扩充语料中的句子进行分词，并去除停用词。

分类模型采用BI_LSTM模型。

一种基于深度学习的检修意见自动分类系统，包括，

拆分分词模块：将待分类的检修意见进行按句拆分，并将拆分后的句子进行分词；

词向量模型模块：根据分词结果，构建词向量模型，并将词向量模型和预设词列表库中的词关联；其中，词列表库基于电力专业词汇的释义构建；

分类模块：将分词结果和关联后的词向量模型输入预先训练的分类模型，获得分类结果。

还包括分类模型训练模块，分类模型训练模块包括，

拆分模块：从历史检修单中获取检修意见，将其进行按句拆分；

样本语料构建模块：对拆分后的句子进行标记，构建样本语料；