[发明专利]一种基于卷积神经网络短文本分类方法在审
| 申请号： | 201910821957.5 | 申请日： | 2019-09-02 |
| 公开（公告）号： | CN110532392A | 公开（公告）日： | 2019-12-03 |
| 发明（设计）人： | 王海涛;常春勤;曾艳阳;张霄宏 | 申请（专利权）人： | 河南理工大学 |
| 主分类号： | G06F16/35 | 分类号： | G06F16/35;G06F17/27;G06N3/04 |
| 代理公司： | 11562 北京东方盛凡知识产权代理事务所(普通合伙) | 代理人： | 宋平<国际申请>=<国际公布>=<进入国 |
| 地址： | 454003 河南*** | 国省代码： | 河南;41 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开一种卷积神经网络的短文本分类方法，包括以下步骤文本表示、卷积处理、池化处理和特征组合；对短文本进行词向量训练，每个单词采用训练好的词向量表示，用词向量表示的单词进行级联能较好地表示出句子的语义特征，经过级联后每个短文本转换成矩阵，作为卷积神经网络的输入来提取短文本的特征值；本发明分类效果好、准确率高，耗时短的优点，具有较高的召回率和F1值。 | ||
| 搜索关键词： | 词向量 短文本 卷积神经网络 级联 单词 矩阵 短文本分类 分类效果 卷积处理 特征组合 文本表示 语义特征 准确率 池化 句子 耗时 转换 | ||
【主权项】：
1.一种卷积神经网络的短文本分类方法，其特征在于，包括如下步骤：/n步骤一、文本表示：采用Word2vec模型对短文本进行词向量训练，每个单词采用训练好的词向量表示，所述词向量表示的单词进行级联能够表示出句子的语义特征，经过级联后每个短文本转换成矩阵，作为卷积神经网络的输入来提取短文本的特征值；/n步骤二、卷积处理：对短文本中每个窗口中的单词序列进行卷积操作得到一个特征图，短文本经过一个卷积核形成的特征图，不同的卷积核从不同的角度提取出短文本的特征，通过设置不同的卷积核的个数进而得到多个不同的特征图；/n步骤三、池化处理：以池化区域大小为步长来进行扫描采样，而不是连续采样，先将输入的特征图划分为若干个w×h大小的子区域，每个子区域经过池化之后，输出相应池化操作后的值，并取出特征图中每个池化区域中最大特征值；/n步骤四、特征组合：通过设置卷积核的个数核池化区域大小，从原始文本中提取包含更多语义信息和位置信息的特征值，然后把所有提取的特征值拼接到一起，形成一个向量，所述向量就是经过卷积神经网络处理后对应于短文本的特征向量；/n步骤五、将步骤四中的特征值组成n维向量，将所述n维向量输入到制定分类器中进行分类。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于河南理工大学，未经河南理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910821957.5/，转载请声明来源钻瓜专利网。
- 上一篇：一种文本词性标注的方法及装置
- 下一篇：文本处理方法、装置及其智能电子设备
