[发明专利]分类模型构建及文本语句分类方法、设备及存储介质

权利要求书

1.一种分类模型构建方法，其特征在于，包括：

获取样本数据，其中，所述样本数据包括正样本语句、所述正样本语句对应的标签、负样本语句和所述负样本语句对应的标签；

将所述样本数据输入至初始分类模型，通过所述初始分类模型分别提取所述正样本语句的特征和所述负样本语句的特征；

根据所述正样本语句的特征和所述负样本语句的特征，获取损失，其中，所述损失中包括相似度损失，所述相似度损失根据所述正样本语句的特征和所述负样本语句的特征之间的相似度获得；

根据所述损失，优化所述初始分类模型的参数后，返回执行所述将所述样本数据输入至初始分类模型的步骤，直至所述损失趋于稳定时，将所述初始分类模型作为最终的分类模型。

2.根据权利要求1所述的分类模型构建方法，其特征在于，所述负样本语句和所述正样本语句是从同一个样本语句集合中获取的，所述正样本语句对应着至少一个所述负样本语句。

3.根据权利要求2所述的分类模型构建方法，其特征在于，所述相似度损失的获得过程，包括：

获取所述正样本语句的特征和与所述正样本语句对应的每个所述负样本语句的特征之间的相似度；

分别对每个所述负样本语句，计算所述负样本语句对应的所述相似度加上预设值所得的中间量；

计算每个所述中间量的平均值，将所述平均值作为所述相似度损失。

4.根据权利要求1至3任一项所述的分类模型构建方法，其特征在于，所述特征包括语义特征和句法成分特征；

所述通过所述初始分类模型分别提取所述正样本语句的特征和所述负样本语句的特征，包括：

分别提取所述正样本语句的语义特征和句法成分特征，所述负样本语句的语义特征和句法成分特征；

将所述正样本语句的语义特征和所述正样本语句的句法成分特征整合，获得所述正样本语句的特征；

将所述负样本语句的语义特征和所述负样本语句的句法成分特征整合，获得所述负样本语句的特征。

5.根据权利要求4所述的分类模型构建方法，其特征在于，所述损失中包括标签平滑分类损失，其中，所述标签平滑分类损失，通过对所述正样本语句对应的标签和所述负样本语句对应的标签，进行标签平滑正则化获得。

6.一种文本语句分类方法，其特征在于，包括：

获取待分类文本语句；

将所述待分类文本语句输入至预先训练的分类模型，获得所述分类模型输出的所述待分类文本语句属于每个类别的概率；

根据所述待分类文本语句属于每个类别的概率，确定所述待分类文本语句所属的类别；

其中，所述分类模型的训练过程包括：

获取样本数据，其中，所述样本数据包括正样本语句、所述正样本语句对应的标签、负样本语句和所述负样本语句对应的标签；

将所述样本数据输入至初始分类模型，通过所述初始分类模型分别提取所述正样本语句的特征和所述负样本语句的特征；

根据所述正样本语句的特征和所述负样本语句的特征，获取损失，其中，所述损失中包括相似度损失，所述相似度损失根据所述正样本语句的特征和所述负样本语句的特征之间的相似度获得；

根据所述损失，优化所述初始分类模型的参数后，返回执行所述将所述样本数据输入至初始分类模型的步骤，直至所述损失趋于稳定时，将所述初始分类模型作为最终的分类模型。

7.根据权利要求6所述的文本语句分类方法，其特征在于，所述将所述待分类文本语句输入至预先训练的分类模型，获得所述分类模型输出的所述待分类文本语句属于每个类别的概率，包括：

将所述待分类文本语句输入至预先训练的分类模型；

通过所述分类模型提取所述待分类文本语句的语义特征，以及所述待分类文本语句的句法成分特征，根据所述待分类文本语句的语义特征以及所述句法成分特征，获得所述待分类文本语句属于每个类别的概率并输出。