[发明专利]一种文本分类方法及系统

权利要求书

1.一种文本分类方法，其特征在于，包括：

获取待分类的文本；

将所述待分类的文本输入至文本分类模型中，根据所述文本分类模型的输出结果，获取所述待分类的文本的类别；

其中，所述文本分类模型基于若干个卷积神经网络和若干个循环神经网络构成，并基于样本文本以及预先确定的文本类别标签进行训练后得到。

2.根据权利要求1所述的方法，其特征在于，将所述待分类的文本输入至文本分类模型中，根据所述文本分类模型的输出结果，获取所述待分类的文本的类别，包括：

将所述待分类的文本输入至所述文本分类模型的输入层，获取所述输入层输出的所述待分类的文本以词向量表示的输入序列；

将所述输入序列输入至所述文本分类模型的隐藏层，获取所述隐藏层输出的所述输入序列的融合特征向量对应的各文本类别标签的预测得分；

将所述融合特征向量对应的各文本类别标签的预测得分输入至所述文本分类模型的输出层，获取所述输出层输出的所述融合特征向量对应的各文本类别标签的预测概率，并将预测概率最大的文本类别标签对应的类别作为所述待分类的文本的类别。

3.根据权利要求2所述的方法，其特征在于，所述隐藏层包括若干个卷积神经网络和若干个循环神经网络；相应地，

将所述输入序列输入至所述文本分类模型的隐藏层，获取所述隐藏层输出的所述输入序列的融合特征向量对应的各文本类别标签的预测得分，包括：

将所述输入序列输入至每一所述卷积神经网络和每一所述循环神经网络，获取每一所述卷积神经网络提取到的所述输入序列的第一特征向量和每一所述循环神经网络提取到的所述输入序列的第二特征向量；

将所有第一特征向量和所有第二特征向量进行拼接，将拼接得到的向量作为所述输入序列的融合特征向量，并获取所述融合特征向量对应的各文本类别标签的预测得分。

4.根据权利要求1所述的方法，其特征在于，所述文本分类模型包括输入层、隐藏层和输出层，其中，所述隐藏层包括若干个卷积神经网络和若干个循环神经网络；相应地，

所述文本分类模型的训练步骤，包括：

将所述样本文本输入至所述文本分类模型的输入层，获取所述输入层输出的所述样本文本以词向量表示的输入序列；

将所述输入序列输入至所述文本分类模型的隐藏层，获取所述隐藏层中每一所述卷积神经网络输出的所述输入序列的第一特征向量对应的各文本类别标签的预测得分、每一所述循环神经网络输出的所述输入序列的第二特征向量对应的各文本类别标签的预测得分以及所述输入序列的融合特征向量对应的各文本类别标签的预测得分；其中，所述融合特征向量为将所有第一特征向量和所有第二特征向量进行拼接得到；

将每一第一特征向量对应的各文本类别标签的预测得分、每一第二特征向量对应的各文本类别标签的预测得分以及所述融合特征向量对应的各文本类别标签的预测得分输入至所述文本分类模型的输出层，获取所述输出层输出的每一第一特征向量对应的各文本类别标签的预测概率、每一第二特征向量对应的各文本类别标签的预测概率以及所述融合特征向量对应的各文本类别标签的预测概率；

基于每一第一特征向量对应的各文本类别标签的预测概率、每一第二特征向量对应的各文本类别标签的预测概率以及所述融合特征向量对应的各文本类别标签的预测概率，对所述文本分类模型进行训练。