[发明专利]一种大规模类别层级文本分类方法

权利要求书

1.一种大规模类别层级文本分类方法，其特征在于，包括以下步骤：

S1：采集政府采购公示数据；

S2：利用机器学习的方式对步骤S1采集的数据进行分类；

S3：将步骤S2的分类结果作为基准，使用ARCNN模型对步骤S1采集的数据进行分类。

2.根据权利要求1所述的大规模类别层级文本分类方法，其特征在于，所述步骤S1的具体过程是：

收集政府采购公示数据，包括：成交公告以及竞标公告，对收集的政府采购公示数据进行预处理：

(1)将文本数据去除非法字符并将繁体字转成简体字；

(2)将中文分词，并去除停用词；

(3)训练词向量。

3.根据权利要求2所述的大规模类别层级文本分类方法，其特征在于，步骤S2中，使用层级分类问题的平面分类器方法进行分类，特征工程阶段，选择BOW和TF-IDF作为词语特征；分类器训练阶段，选择朴素贝叶斯分类器、Logistic回归分类器、支持向量机分类器、决策树分类器对实验数据进行分类；平面分类器不考虑层级结构，故本部分的损失函数仅考虑训练集的经验损失函数。

4.根据权利要求3所述的大规模类别层级文本分类方法，其特征在于，所述步骤S3中，对采集的政府采购公示数据进行中文文本分词，得到组词序列D＝[w₁；w₂；…；w_n]，令w表示网络结构中的参数集合，p(k|D，w)表示文本实例属于类别k的概率，将词序列D＝[w₁；w₂；…；w_n]经过Word Embedding映射到词向量空间中，得到词序列的向量表示：[e(w₁)；e(w₂)；…；e(w_n)]；

对输入的词序列，采用双向循环神经网络模型Bi-RNN分别学习当前词w_i的上下文信息，得到上文信息c_l(w_i)和下文信息c_r(w_i)，其中，e(w_i)为具有|e|个实值元素的非稀疏向量，c_l(w_i)、c_r(w_i)均为具有|c|个实值元素的非稀疏向量。