[发明专利]语句分类方法、系统、电子设备、冰箱及存储介质

权利要求书

1.一种语句分类方法，其特征在于，所述方法包括：

获取目标语句中各词语对应的词语向量，其中，所述词语向量中包括词义向量和词性向量，所述词语向量为在预存的各词语对应的关键词向量库中查找得到的与各词语对应的向量；

将所述目标语句中各词语对应的词语向量输入长短时记忆LSTM模型中，得到目标语句的状态矩阵，其中，所述状态矩阵中包括与所述目标语句对应的初始语义信息及语序信息；

将所述状态矩阵输入卷积神经网络CNN模型中，获取所述目标语句对应的特征量；

以及，根据所述目标语句的特征量对该目标语句进行分类；

所述将所述目标语句中各词语对应的词语向量输入LSTM模型中，得到目标语句的状态矩阵，包括：

将与目标语句中各词语对应的各所述词语向量依次按序输入到LSTM中，通过LSTM层后，获取包含所述目标语句对应的初始语义信息及语序信息的隐含状态；

以及，根据所述LSTM层的隐含状态，生成所述目标语句的状态矩阵。

2.根据权利要求1所述的方法，其特征在于，在所述获取目标语句中各词语对应的词语向量之前，所述方法还包括：

对获取的语句文本进行预处理，并获取预处理后的各语句中的各词语对应的词义向量；

此外充分利用各语句中的各词语对应的词性信息并构建词性向量；

以及，组合各词语对应的所述词义向量和词性向量，得到各词语对应的词语向量。

3.根据权利要求2所述的方法，其特征在于，在所述组合各词语对应的所述词义向量和词性向量，得到各词语对应的词语向量之后，所述方法还包括：

根据各词语对应的所述词语向量，生成关键词向量库，其中，所述关键词向量库中存储有各词语与其对应的词语向量间的一一映射关系；

相应的，所述获取目标语句中各词语对应的词语向量，包括：

根据所述目标语句在所述关键词向量库中查找得到该目标语句的全部词语对应的词语向量。

4.根据权利要求1所述的方法，其特征在于，所述将所述状态矩阵输入卷积神经网络CNN模型中，获取所述目标语句对应的特征量，包括：

将所述状态矩阵输入所述卷积神经网络CNN模型中的卷积层中，获取目标语句对应的抽象语义信息，且各所述抽象语义信息构成各卷积层的卷积结果；

以及，将所述卷积结果输入所述卷积神经网络CNN模型中的池化层中，得到所述目标语句的特征量。

5.根据权利要求4所述的方法，其特征在于，所述将所述卷积结果输入所述卷积神经网络CNN模型中的池化层中，得到所述目标语句的特征量，包括：

分别将各卷积层的卷积结果进行合并，得到合并后的卷积结果组；

以及，将所述卷积结果组输入所述卷积神经网络CNN模型中的池化层中，得到所述目标语句的特征量。

6.一种语句分类系统，其特征在于，所述系统包括：

词语向量获取模块，用于获取目标语句中各词语对应的词语向量，其中，所述词语向量中包括词义向量和词性向量，所述词语向量为在预存的各词语对应的关键词向量库中查找得到的与各词语对应的向量；

LSTM模型处理模块，用于将所述目标语句中各词语对应的词语向量输入长短时记忆LSTM模型中，得到目标语句的状态矩阵，其中，所述状态矩阵中包括与所述目标语句对应的初始语义信息及语序信息；

CNN模型处理模块，用于将所述状态矩阵输入卷积神经网络CNN模型中，获取所述目标语句对应的特征量；

语句分类模块，用于根据所述目标语句的特征量对该目标语句进行分类；

所述LSTM模型处理模块包括：

LSTM层处理单元，用于将与目标语句中各词语对应的各所述词语向量依次按序输入LSTM层中，获取包含所述目标语句对应的初始语义信息及语序信息的隐含状态；

状态矩阵生成单元，用于根据所述LSTM层的隐含状态，组合生成所述目标语句的状态矩阵。