[发明专利]文本分类方法、装置、电子设备及存储介质

说明书

本发明涉及人工智能领域，揭露一种文本分类方法，包括：对文本类别集及样本集执行编码处理，得到初始标签矩阵及样本集中每个样本的每个字符对应的第一向量；对第一向量及初始标签矩阵执行相关性分析，得到每个字符对应的第二向量，并确定样本集中每个样本对应的第三向量；对第三向量执行分类处理，得到每个样本在每个文本类别的预测概率值；将文本类别标签及对应预测概率值输入损失函数，得到损失值，通过最小化损失值，确定目标标签矩阵及训练好的文本分类模型；将待分类文本及目标标签矩阵输入训练好的文本分类模型，得到目标文本类别。本发明还提供一种文本分类装置、电子设备及存储介质。本发明提高了文本分类准确度。

技术领域

本发明涉及人工智能领域，尤其涉及一种文本分类方法、装置、电子设备及存储介质。

背景技术

文本分类在生活中的应用较为广泛，例如，新闻分类、邮件分类及意图分类等，如何准确地进行文本分类是人们的关注要点。

当前，通常采用有监督训练得到的文本分类模型进行文本分类，其通常通过增加样本数量提高文本分类准确性，然而这种方式未考虑样本中的字符与标签的相关性(例如，文本中的“导弹”与其标签“军事”具有较强的相关性)，从而文本分类准确性不高；且增加样本需要投入大量的人力标注成本。因此，亟需一种文本分类方法，以提高文本分类准确性，并节省人力成本。

发明内容

鉴于以上内容，有必要提供一种文本分类方法，旨在提高文本分类准确度。

本发明提供的文本分类方法，包括：

获取携带文本类别标签的样本集，基于所述文本类别标签确定所述样本集对应的文本类别集；

基于文本分类模型的编码网络，对所述文本类别集及所述样本集分别执行编码处理，得到初始标签矩阵及所述样本集中每个样本的每个字符对应的第一向量；

基于所述文本分类模型的相关性分析网络，对所述第一向量及所述初始标签矩阵执行相关性分析，得到每个所述字符对应的第二向量；

拼接每个样本中每个所述字符对应的第二向量，得到所述样本集中每个样本对应的第三向量；

基于所述文本分类模型的分类网络，对所述第三向量执行分类处理，得到所述样本集中每个样本在每个文本类别的预测概率值；

将所述文本类别标签及对应预测概率值输入预先确定的损失函数，得到损失值，通过最小化损失值，确定目标标签矩阵及所述文本分类模型的结构参数，基于所述结构参数得到训练好的文本分类模型；

将待分类文本及所述目标标签矩阵输入训练好的文本分类模型，得到目标文本类别。

可选的，所述对所述第一向量及所述初始标签矩阵执行相关性分析，得到每个所述字符对应的第二向量，包括：

基于所述第一向量执行字符之间的相关性分析，得到每个所述字符对应的第四向量；

基于所述第一向量及所述初始标签矩阵执行字符与文本类别之间的相关性分析，得到每个所述字符对应的第五向量；

加总所述第四向量及所述第五向量，得到每个所述字符对应的第二向量。

可选的，所述初始标签矩阵包括所述文本类别集中每个文本类别对应的初始标签向量，所述基于所述第一向量及所述初始标签矩阵执行字符与文本类别之间的相关性分析，得到每个所述字符对应的第五向量，包括：

基于所述第一向量及所述初始标签向量计算每个所述字符与所述文本类别集中每个文本类别的相关值；

基于所述相关值及所述初始标签向量计算每个所述字符对应的第五向量。

可选的，所述相关值的计算公式为：