[发明专利]基于TextCNN模型的心力衰竭文本分类方法、系统及存储介质在审
| 申请号： | 202111133708.0 | 申请日： | 2021-09-27 |
| 公开（公告）号： | CN113849642A | 公开（公告）日： | 2021-12-28 |
| 发明（设计）人： | 李灯熬 | 申请（专利权）人： | 太原理工大学 |
| 主分类号： | G06F16/35 | 分类号： | G06F16/35;G06K9/62;G06N3/04;G06N3/08;G16H10/60 |
| 代理公司： | 北京一品慧诚知识产权代理有限公司 11762 | 代理人： | 张宇 |
| 地址： | 030600 山西省*** | 国省代码： | 山西;14 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 基于 textcnn 模型 心力衰竭 文本 分类 方法 系统 存储 介质 | ||
1.一种基于TextCNN模型的心力衰竭文本分类方法，其特征在于：包括：
S1：收集医学文本数据；
S2：对医学文本数据进行预处理；
S3：将预处理后的文本数据通过Word2vec模型和LDA模型再次进行处理，获取词向量并进行拼接；
S4：将S3中拼接完的词向量放入卷积神经网络TextCNN模型中训练；
S5：输出训练结果。
2.根据权利要求1所述的一种基于TextCNN模型的心力衰竭文本分类方法，其特征在于：所述S2的预处理包括：对文本数据去除标点符号、去除非法字符、去除数字及将所有的文本数据进行截断处理，使文本长度保持在256。
3.根据权利要求1所述的一种基于TextCNN模型的心力衰竭文本分类方法，其特征在于：所述S3中Word2vec模型通过词的上、下文得到词的向量化表示。
4.根据权利要求3所述的一种基于TextCNN模型的心力衰竭文本分类方法，其特征在于：所述Word2vec模型根据CBOW、Skip-gram两种方式获取词的向量化表示。
5.根据权利要求1所述的一种基于TextCNN模型的心力衰竭文本分类方法，其特征在于：所述S3通过LDA模型采用词袋模型得到主题词向量集。
6.根据权利要求5所述的一种基于TextCNN模型的心力衰竭文本分类方法，其特征在于：所述词袋模型为三层贝叶斯概率模型，包括词、主题和文档三层结构，所述文档到主题、所述主题到词都服从多项式分布。
7.根据权利要求所述6的一种基于TextCNN模型的心力衰竭文本分类方法，其特征在于：所述LDA模型的生成过程包括：
对每一篇文档，从主题分布中抽取一个主题；
从被抽到的一个主题中所对应的单词分布中抽取一个单词；
重复抽取一个主题及一个主题中的一个单词，直至遍历文档中的每一个单词。
8.根据权利要求1所述的一种基于TextCNN模型的心力衰竭文本分类方法，其特征在于：所述S4的卷积神经网络TextCNN模型包括：输入层、卷积层、池化层与全连接层。
9.一种基于TextCNN模型的心力衰竭文本分类系统，其特征在于：所述基于TextCNN模型的心力衰竭文本分类系统包括：
存储器，用于存储可执行指令；
处理器，用于运行所述存储器存储的可执行指令时，实现上述权利要求1-8任一项所述的基于TextCNN模型的心力衰竭文本分类方法。
10.一种计算机可读存储介质，存储有可执行指令，其特征在于：所述可执行指令被处理器执行时实现上述权利要求9的基于TextCNN模型的心力衰竭文本分类方法。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于太原理工大学，未经太原理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202111133708.0/1.html，转载请声明来源钻瓜专利网。
- 上一篇：一种茶叶加工用智能摊晾装置
- 下一篇：一种低轨卫星系统星间切换方法
