[发明专利]文本分类的方法、装置以及计算机可读介质

说明书

本申请提供了一种文本分类的方法、装置以及计算机可读介质，通过获取输入的文本；根据输入的文本，计算得到文本的特征矩阵；根据文本的特征矩阵，计算得到文本的第一关联特征矩阵；文本的第一关联特征矩阵包括文本中每一个句子的第一关联特征向量；第一关联特征向量用于说明每一个句子与文本中的其他句子间的关联性；根据文本的第一关联特征矩阵，计算得到文本的分类预测矩阵；其中，文本的分类预测矩阵包括文本中每一个句子的分类预测向量；分类预测向量用于说明每一个句子属于每一个预设标签的权重值。由于本申请在计算文本的分类预测矩阵时，考虑到文本中的每一个句子与文本中其他句子的关联性，因此提高了文本预测分类的准确度。

技术领域

本发明涉及分类预测技术领域，尤其涉及一种文本分类的方法、装置以及计算机可读介质。

背景技术

文本分类是一种按照预定义的标签，对文本中的语句进行自动分类的技术，广泛应用于涉及自然语言处理的领域中。现有的文本分类的方法大多采用朴素贝叶斯、支持向量机、非线性深度神经网络等模型进行文本分类。

然而，文本中的句子通常都具有一定的顺序，每一个句子与周围句子间也具有相关特性。而现有的文本分类方法中，只考虑了对每一个句子单独进行特征提取，没有考虑到每一个句子与周围句子的相关性特征，造成预测分类的准确度并不高。

发明内容

鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的文本分类的方法、装置以及计算机可读介质，以通过提取每一个句子的特征向量与其他句子的特征向量间的关联特征，提高文本预测分类的准确度。

本发明第一方面公开了一种文本分类的方法，包括：

获取输入的文本；其中，所述文本由多个句子按照特定的顺序排列构成；

根据所述输入的文本，计算得到文本的特征矩阵；其中，所述文本的特征矩阵包括所述文本中每一个句子的特征向量；

根据所述文本的特征矩阵，计算得到所述文本的第一关联特征矩阵；其中，所述文本的第一关联特征矩阵包括所述文本中每一个句子的第一关联特征向量；所述每一个句子的第一关联特征向量用于说明所述每一个句子与所述文本中的其他句子间的关联性；

根据所述文本的第一关联特征矩阵，计算得到所述文本的分类预测矩阵；其中，所述文本的分类预测矩阵包括所述文本中每一个句子的分类预测向量；所述每一个句子的分类预测向量用于说明所述每一个句子属于每一个预设标签的权重值。

可选地，在上述文本分类的方法中，所述根据所述文本的特征矩阵，计算得到所述文本的第一关联特征矩阵，包括：

基于双向循环神经网络模型，根据所述文本的特征矩阵，计算得到所述文本的第一关联特征矩阵。

可选地，在上述文本分类的方法中，所述根据所述文本的第一关联特征矩阵，计算得到所述文本的分类预测矩阵，包括：

基于卷积神经网络模型，根据所述文本的第一关联特征矩阵，计算得到所述文本的分类预测矩阵。

可选地，在上述文本分类的方法中，所述根据所述输入的文本，计算得到文本的特征矩阵，包括：

根据嵌入矩阵，将所述文本中的每一个句子中的单词转换成相对应的单词向量，得到所述文本中的每一个句子的原始矩阵；其中，所述每一个句子的原始矩阵包括所述每一个句子中的单词对应的单词向量；

基于双向循环神经网络模型，根据所述文本中的每一个句子的原始矩阵，计算得到所述文本中的每一个句子的第二关联特征矩阵；其中，所述每一个句子的第二关联特征矩阵包括所述每一个句子中的单词对应的第二关联特征向量；每一个单词对应的第二关联特征向量用于说明所述每一个单词与句子中的其他单词的关联性；