[发明专利]文本分类模型构建方法、装置、终端及存储介质

权利要求书

1.一种文本分类模型构建方法，其特征在于，包括：

利用pytorch框架搭建卷积神经网络模型；其中，所述卷积神经网络模型设置于嵌入层；

获取文本分类训练数据，利用Word2Vec算法将所述文本训练数据进行词向量训练，得到词向量；

将所述词向量输入卷积神经网络模型进行分类训练，直至收敛时，得到文本分类模型。

2.根据权利要求1所述的文本分类模型构建方法，其特征在于，所述利用Word2Vec算法将所述文本训练数据进行词向量训练之前，还包括：

根据正则表达式匹配规则去除文本训练数据的停用词和符号；

利用结巴分词库将去除停用词和符号的文本训练数据进行中文分词。

3.根据权利要求2所述的文本分类模型构建方法，其特征在于，所述利用结巴分词库将去除停用词和符号的文本训练数据进行中文分词的步骤，包括:

利用结巴分词库确定文本训练数据中汉字之间的相关度；

将相关度大于预设值的汉字组成分词，得到分词结果。

4.根据权利要求1所述的文本分类模型构建方法，其特征在于，所述将所述词向量输入卷积神经网络模型进行分类训练的步骤，包括：

根据所述词向量并通过交叉熵损失函数和ADAM优化算法对卷积神经网络模型进行分类训练。

5.根据权利要求1所述的文本分类模型构建方法，其特征在于，所述利用Word2Vec算法将所述文本训练数据进行词向量训练的步骤，包括：

利用Word2Vec算法对大型语料数据进行词向量训练，得到词向量字典；

根据所述词向量字典将文本训练数据转化为词向量。

6.根据权利要求1所述的文本分类模型构建方法，其特征在于，所述利用pytorch框架搭建卷积神经网络模型之后，还包括：

在所述卷积神经网络模型上建立位置注意力机制和通道注意力机制；其中，所述位置注意力机制和通道注意力机制的输入与卷积神经网络模型的激活层的输出连接，所述位置注意力机制和通道注意力机制的输出与卷积神经网络模型的全连接层的输入连接。

7.根据权利要求1所述的文本分类模型构建方法，其特征在于，所述将所述词向量输入卷积神经网络模型进行分类训练，直至收敛时，得到文本分类模型的步骤，包括：

根据分类训练结果计算卷积神经网络模型的分类准确率；

当分类准确率低于预设值时，调整卷积神经网络模型的参数，利用词向量对所述卷积神经网络模型重新训练，直至收敛时，得到文本分类模型。

8.一种文本分类模型构建装置，其特征在于，包括：

搭建模块，用于利用pytorch框架搭建卷积神经网络模型；其中，所述卷积神经网络模型设置于嵌入层；

获取模块，用于获取文本分类训练数据，利用Word2Vec算法将所述文本训练数据进行词向量训练，得到词向量；

训练模块，用于将所述词向量输入卷积神经网络模型进行分类训练，直至收敛时，得到文本分类模型。

9.一种终端，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的文本分类模型构建方法的步骤。

10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述的文本分类模型构建方法。