[发明专利]文本数据处理方法及装置

说明书

本申请公开了一种文本数据处理方法及装置。该方法包括：获取文本数据对应的词向量表示；采用目标分类模型对词向量表示进行处理，得到文本数据所对应的分类结果，其中，目标分类模型包括卷积层、双向门控循环单元以及分类器，卷积层用于提取文本数据的第一特征序列，双向门控循环单元用于基于第一特征序列提取文本数据的第二特征序列，分类器用于基于目标权重对第二特征序列进行分类，得到分类结果，其中，目标权重由文本数据的第一特征序列和第二特征序列确定。通过本申请，解决了相关技术中对文本进行分类的时，难以高效准确的获取分类结果的问题。

技术领域

本申请涉及数据分析技术领域，具体而言，涉及一种文本数据处理方法及装置。

背景技术

情感分析主要是指分析情感的极性，例如正面、负面，或者极性更多，非常正面、正面、中性、负面、非常负面等，现有的对文本进行情感分析方法主要基于以下几类：

通过构建情感词典进行情感分析：情感词典包含情绪极性和情感强度，再计算文本对应的情绪分数，按照通用性有两类情感词典，一类是适用于所有领域的情感词典；一类是适用于特定领域的专业情感词典。但是，构建情感词典需要耗费大量的人力物力，针对一些专业性比较强的领域门槛比较高，而且情感词典的好坏对于最后模型结果影响较大。

通过传统的机器学习算法进行情感分析：从文本中挖掘结构化信息构建特征变量，包括N-gram、POS、TF-IDF等，再进行特征选择，最后运用SVM(Support Vectormachines，支持向量机)、朴素贝叶斯等机器学习算法进行分类。但是，传统的机器学习模型没有考虑词与词之间的相对关系和上下文语境，并且构建的特征变量比较稀疏，没有深层次挖掘语义间的关系。

通过深度学习算法进行情感分析：基于word2vec算法将文本转化为向量或者矩阵，再利CNN(convolutional neural network，卷积神经网络)、RNN(Recurrent NeuralNetwork，递归神经网络)等深度学习算法进行训练。但是，CNN模型缺乏学习上下文语义关系的能力，RNN模型能够学习上下文语义关系，但维数过高造成参数过多，训练难度增大，也容易造成梯度消失和梯度爆炸。

针对相关技术中对文本进行分类的时，难以高效准确的获取分类结果的问题，目前尚未提出有效的解决方案。

发明内容

本申请提供一种文本数据处理方法及装置，以解决相关技术中对文本进行分类的时，难以高效准确的获取分类结果的问题。

根据本申请的一个方面，提供了一种文本数据处理方法。该方法包括：获取文本数据对应的词向量表示；采用目标分类模型对词向量表示进行处理，得到文本数据所对应的分类结果，其中，目标分类模型包括卷积层、双向门控循环单元以及分类器，卷积层用于提取文本数据的第一特征序列，双向门控循环单元用于基于第一特征序列提取文本数据的第二特征序列，分类器用于基于目标权重对第二特征序列进行分类，得到分类结果，其中，目标权重由文本数据的第一特征序列和第二特征序列确定。

可选地，采用目标分类模型对词向量表示进行处理，得到文本数据所对应的分类结果包括：通过卷积层提取文本数据的第一特征序列；通过双向门控循环单元对第一特征序列进行处理，得到文本数据的第二特征序列；基于文本数据的第一特征序列以及第二特征序列确定目标权重；通过分类器基于目标权重对第二特征序列进行分类，得到分类结果。

可选地，文本数据对应的词向量表示为词矩阵，通过卷积层提取文本数据的第一特征序列包括：通过在词矩阵上移动滤波器对应的窗口，构造多个第一特征，其中，滤波器为卷积层中的滤波器；由多个第一特征构成第一特征序列。