[发明专利]文本分类模型的训练方法及其设备、存储介质

说明书

本申请公开了一种文本分类模型的训练方法及其设备、存储介质。其中，文本分类模型的训练方法包括：获取正文本样本和与正文本样本对应的至少一个负文本样本，其中，正文本样本与对应的负文本样本属于不同的分类类型；利用正文本样本与至少一个负文本样本之间的第一语义差异，干预文本分类模型对正文本样本进行分类，得到正文本样本的预测类型；基于正文本样本的预测类型和实际类型，调整文本分类模型的网络参数。上述方案，文本分类模型在训练过程中，基于正文本样本和负文本样本之间的语义差异，干预文本分类模型的分类工作，使得训练得到的文本分类模型的分类更加准确。

技术领域

本申请涉及文本分类技术领域，特别是涉及一种文本分类模型的训练方法及其设备、存储介质。

背景技术

随着自然语言处理技术的发展，文本分类技术已经广泛应用于生产生活的各个领域，文本分类的效果好坏，直接影响到用户的交互体验。当前，文本分类模型可以应用于文本分类任务，但是文本分类模型在文本分类任务中，常常因为个别字或词直接左右分类结果。例如，文本分类模型对“我想要刘德华的影片”和“我想要阿司匹林片”两个文本进行分类时，将“我想要刘德华的影片”分类为影视类别，但也将“我想要阿司匹林片”也误判为影视分类，原因是“片”字所占的权重过大，文本分类模型无法对两个文本进行有效的区分。

发明内容

本申请主要解决的技术问题是提供一种文本分类模型的训练方法及其设备、存储介质，能够提高文本分类模型的分类准确性。

为了解决上述问题，本申请第一方面提供了一种文本分类模型的训练方法，包括：获取正文本样本和与所述正文本样本对应的至少一个负文本样本，其中，所述正文本样本与对应的所述负文本样本属于不同的分类类型；利用所述正文本样本与所述至少一个负文本样本之间的第一语义差异，干预文本分类模型对所述正文本样本进行分类，得到所述正文本样本的预测类型；基于所述正文本样本的预测类型和实际类型，调整所述文本分类模型的网络参数。

其中，所述正文本样本与所述至少一个负文本样本之间的第一语义差异包括所述正文本样本与所述至少一个负文本样本之间在至少一个维度上的第二语义差异；所述利用所述正文本样本与所述至少一个负文本样本之间的第一语义差异，干预文本分类模型对所述正文本样本进行分类，得到所述正文本样本的预测类型，包括：基于每个所述维度的所述第二语义差异，确定所述文本分类模型的分类器中对应所述维度的神经元的停止工作概率；利用不同维度所述神经元的所述停止工作概率经所述确定后的所述分类器，对所述正文本样本的待分类语义向量进行分类，得到所述正文本样本的预测类型。

其中，所述维度的第二语义差异与所述维度对应的停止工作概率为负相关关系。

其中，所述正文本样本与所述至少一个负文本样本之间的第一语义差异包括所述正文本样本与所述至少一个负文本样本之间在至少一个维度上的第二语义差异；在所述利用所述正文本样本与所述至少一个负文本样本之间的第一语义差异，干预文本分类模型对所述正文本样本进行分类，得到所述正文本样本的预测类型之前，所述方法还包括：获取所述正文本样本的待分类语义向量和所述负文本样本的初始语义向量；基于每个所述负文本样本的初始语义向量，得到所述至少一个负文本样本的综合语义向量；获取所述待分类语义向量与所述综合语义向量之间在至少一个维度上的第二语义差异，以得到所述第一语义差异。

其中，所述基于每个所述负文本样本的初始语义向量，得到所述至少一个负文本样本的综合语义向量，包括：获取每个所述负文本样本的初始语义向量分别与所述待分类语义向量之间的语义相似度；选择若干个所述负文本样本作为融合文本样本；基于每个所述融合文本样本对应的所述语义相似度，得到所述融合文本样本的融合权重，其中，所述语义相似度与所述融合权重为正相关关系；利用所述融合权重，对若干个所述融合文本样本的初始语义向量进行加权处理，得到所述综合语义向量。