[发明专利]语料分类方法及装置

说明书

本发明是关于一种语料分类方法及装置，其中，方法包括：从语料数据库中提取出包含性别特证词的第一语料；将所述第一语料进行性别分类；根据接收到的分类标记命令，对所述语料数据库中的第二语料进行性别分类标记，其中，所述第二语料不同于所述第一语料；利用标记后的所述第二语料和libshortext)算法进行训练，得到性别分类模型；使用所述性别分类模型对所述语料数据库中除所述第一语料和所述第二语料之外的第三预料进行性别分类，以得到所述语料数据库对应的性别分类结果。通过该技术方案，可以在在保证语料分类的准确率的基础上，提高语料分类的效率，减少用户操作，从而提升用户的使用体验。

技术领域

本发明涉及语音分类技术领域，尤其涉及一种语料分类方法及装置。

背景技术

目前，如果需要对语料库中的语料进行分类，需要人工进行标注，这样，在语料库中的语料较多时，用户操作时间则会很久，用户体验不佳。

发明内容

本发明实施例提供一种语料分类方法及装置，用以实现在保证语料分类的准确率的基础上，提高语料分类的效率，减少用户操作，从而提升用户的使用体验。

根据本发明实施例的第一方面，提供一种语料分类方法，包括：

从语料数据库中提取出包含性别特证词的第一语料；

将所述第一语料进行性别分类；

根据接收到的分类标记命令，对所述语料数据库中的第二语料进行性别分类标记，其中，所述第二语料不同于所述第一语料；

利用标记后的所述第二语料和libshortext(支持向量机短分类)算法进行训练，得到性别分类模型；

使用所述性别分类模型对所述语料数据库中除所述第一语料和所述第二语料之外的第三预料进行性别分类，以得到所述语料数据库对应的性别分类结果。

在该实施例中，通过上述训练方法得到的性别分类模型，其特征词和分类算法的选择都与性别有关，具有性别的一致性，并且，通过这种方法对语料数据库进行性别分类，在保证语料分类的准确率的基础上，提高语料分类的效率，减少用户操作，从而提升用户的使用体验。

在一个实施例中，所述利用标记后的所述第二语料和libshortext算法进行训练，得到性别分类模型，包括：

根据文本向量化算法将所述第二语料中的每个语料数据进行向量转化，得到第一向量数据；

根据预设性别特征词将所述第二语料中的每个语料数据进行向量转化，得到第二向量数据；

根据PLDA(并行隐含狄利克雷分布)算法将所述第二语料中的每个语料数据进行向量转化，得到第三向量数据；

将所述第一向量数据、所述第二向量数据和所述第三向量数据进行拼接，得到第四向量数据；

将所述第四向量数据作为所述libshortext算法的输入向量，使用所述libshortext算法进行训练，得到所述性别分类模型。

在该实施例中，将第二语料分别采用文本向量化算法、按照预设性别特征词和采用PLDA算法模型进行向量转化，并将三个转化后得到的向量数据进行拼接，将拼接后得到的向量数据作为libshortext算法的输入向量，进而得到性别分类模型，这样，可以使得得到的性别分类模型在进行语料分类时，分类准确性较高。

在一个实施例中，所述将所述第一向量数据、所述第二向量数据和所述第三向量数据进行拼接，得到第四向量数据，包括：

分别将所述第一向量数据、所述第二向量数据和所述第三向量数据中同一语料数据对应的向量数据进行拼接，得到所述第四向量数据。