[发明专利]一种基于图张量卷积的中文文本分拣系统

权利要求书

1.一种基于图张量卷积的中文文本分拣系统，其特征在于：包括依次相连的中文文本获取模块、基于图张量卷积的中文文本分类系统、中文文本分类显示模块，其中，基于图张量卷积的中文文本分类系统包括中文文本数据库、文本预处理模块、中文文本建模模块、中文文本分类模块和分类结果输出模块。

2.根据权利要求1所述基于图张量卷积的中文文本分类系统，其特征在于：中文文本数据库用以存储现有的中文文本和文本对应的类别，中文文本建模模块基于中文文本数据库中的数据建模，并且能够实时更新该数据库，从而实时地更新中文文本分类模型。

3.根据权利要求1所述基于图张量卷积的中文文本分类系统，其特征在于：文本预处理模块用以清洗中文文本，再利用清洗后的中文文本构建三种异构图，三种异构图分别为基于语义的图、基于句法的图和基于序列的图，三种图的节点相同，但边不同，三种异构图构成图张量。采用如下过程完成：

3.1)首先对中文文本进行分词，删除中文文本中的标点符号，删除无具体内容的介词、连词。得到清洗后的中文文本：

S＝{w₁,w₂,...,w_k,...,w_N} (1)

其中S表示清洗后的中文文本，w_k表示清洗后的中文文本中第k个词，N表示清洗后的中文文本中词的数量。

根据该分类任务训练长短期记忆网络，从训练得到的长短期记忆的输出中获得每个词w_i的语义特征嵌入

其中f_i^d表示第i个词的第d维的嵌入值，D表示每个词的嵌入维度。

则三种异构图的节点由每个词的语义特征嵌入构成：

3.2)构建基于语义的图。中文文本中第i个词w_i和第j个词w_j语义相似度sim_i,j为：

中文文本中第i个词w_i对应图中第i个节点，第j个词w_j对应图中第j个节点，即中文文本中第i个词w_i的语义特征嵌入作为第i个节点的嵌入向量，第j个词w_j的语义特征嵌入作为第j个节点的嵌入向量。

设定一个阈值ρ_sim，则第i个节点和第j个节点间语义图的边权重为：

为语义图的邻接矩阵添加自连接，则语义图的邻接矩阵A^semantic表示为：

基于语义的图G_semantic可表示为：

G_semantic＝(B,A^semantic) (7)

根据3.3)构建基于句法的图，利用解析器提取每个中文文本中各词间的依赖关系，将这种依赖关系视为无向关系。统计所有中文文本中具有句法依赖关系的每对词的次数，中文文本中第i个词w_i对应图中第i个节点，第j个词w_j对应图中第j个节点，则第i个节点和第j个节点间句法图的边权重为：

其中表示第i个词w_i和第j个词w_i在所有中文文本数据库中具有句法依赖关系的次数，表示第i个词w_i和第j个词w_i在所有中文文本数据库中出现在同一条文本中的次数。

为句法图的邻接矩阵添加自连接，则句法图的邻接矩阵A^synatic表示为：

基于句法的图G_syntactic可表示为：

G_syntactic＝(B,A^syntactic) (10)

3.4)构建基于序列的图。统计两个词在同一个滑动窗口下的出现的概率，概率越大则两个词间的权重也就越大。中文文本中第i个词w_i对应图中第i个节点，第j个词w_j对应图中第j个节点，则第i个节点和第j个节点间的序列关系L_ij为：

其中I_λ(i,j)表示在滑动窗口大小为λ下第i个词和第j个词同时出现的次数，I_λ(i)表示在滑动窗口大小为λ下第i个词出现的次数，I_λ(j)表示在滑动窗口大小为λ下第j个词出现的次数，I_λ表示在滑动窗口大小为λ下遍历的次数，p_λ(i,j)表示在滑动窗口大小为λ下第i个词和第j个词同时出现的概率，p_λ(i)表示在滑动窗口大小为λ下第i个词出现的概率，p_λ(j)表示在滑动窗口大小为λ下第j个词出现的概率。

若L_ij＞0表示两词相关，值越大，则相关性越强，若L_ij＝0表示两词是独立统计的，若L_ij＜0表示两词互斥。只保留L_ij＞0的序列关系。则第i个节点和第j个节点间序列图的边权重为：

为序列图的邻接矩阵添加自连接，则序列图的邻接矩阵A^sequential表示为：

基于序列的图G_sequential可表示为：

G_sequential＝(B,A^sequential) (17)

3.5)将三种异构图G_semantic、G_syntactic、G_sequential组成图张量其中节点特征张量邻接张量

3.6)选取中文文本数据库中数据的60％作为训练集，剩余的40％作为验证集。训练集用于中文文本建模模块的模型训练，验证集用于验证模型的分类效果。