[发明专利]文本自动分类方法、设备及存储介质

说明书

本申请实施例提供一种文本自动分类方法、设备及存储介质，该方法包括：获取待分类文本；基于文本分类模型，得到所述待分类文本的文本类别，所述文本分类模型是以文本样本集合及其文本类别为样本采用LSTM长短时记忆人工神经网络训练获得的。本实施例提供的方法能够解决对文本进行分类时，存在分类速度慢，准确性低的问题。

技术领域

本申请实施例涉及数据处理技术领域，尤其涉及一种文本自动分类方法、设备及存储介质。

背景技术

近几年，汽车行业飞速发展，人们在享受汽车带来的便利的同时，针对汽车使用或故障问题也日渐增做。

当客户对汽车使用或故障问题进行咨询或投诉时，在解答过程中，工作人员首先需要对汽车使用或故障问题的文本进行分类，而现有对客户咨询或投诉具体分类以人工处理，存在分类速度慢，准确性低的问题。

发明内容

本申请实施例提供一种文本自动分类方法、设备及存储介质，以克服对文本进行分类时，存在分类速度慢，准确性低的问题。

第一方面，本申请实施例提供一种文本自动分类方法，包括：

获取待分类文本；

基于文本分类模型，得到所述待分类文本的文本类别，所述文本分类模型是以文本样本集合及其文本类别为样本采用LSTM长短时记忆人工神经网络训练获得的。

在一种可能的设计中，所述方法还包括：

获取文本样本集合及其文本类别，所述文本样本集合包括不同文本类别的文本样本；

根据所述文本样本集合及其文本类别，采用LSTM长短时记忆人工神经网络进行训练，得到所述文本分类模型。

在一种可能的设计中，所述获取文本样本集合及其文本类别，包括：

获取多个历史文本，并将所述多个历史文本作为所述文本样本集合；

根据所述多个历史文本的关键词，确定所述多个历史文本的文本类别。

在一种可能的设计中，所述根据所述文本样本集合及其文本类别，采用LSTM长短时记忆人工神经网络进行训练，得到所述文本分类模型，包括：

提取所述文本样本集合中每个文本样本的语句特征向量，并将每个文本样本的语句特征向量作为训练集的特征向量；

将所述训练集的特征向量作为LSTM长短时记忆人工神经网络的第一层输入量，得到训练集的特征向量在邻域内特征点的平均值；

将所述训练集的特征向量在邻域内特征点的平均值作为LSTM长短时记忆人工神经网络的第二层输入量，得到文本样本的分布概率函数；

将所述分布概率函数作为所述文本分类模型，其中，所述文本分类模型的输出是所述文本样本的文本类别及对应的概率。

在一种可能的设计中，所述基于文本分类模型，得到所述待分类文本的文本类别，包括：

提取所述待分类文本的语句特征向量；

将所述待分类文本的语句特征向量作为所述文本分类模型的输入量，得到所述待分类文本的文本类别及对应的概率；

将概率最大的文本类别作为所述待分类文本的文本类别。

在一种可能的设计中，所述方法还包括：

获取测试样本集合，所述测试样本集合包括多个测试样本文本及其标准文本类别；

基于所述文本分类模型，得到所述多个测试样本文本的实际文本类别，并对应添加至所述测试样本集合中；