[发明专利]一种基于神经网络的数据分类方法、系统及存储介质

说明书

本发明公开的一种基于神经网络的数据分类方法、系统及存储介质，涉及数据处理领域。其中的数据分类方法包括：获取待分类数据，将所述待分类数据通过预处理，获取数据的特征项，建立特征表达模型，将所述特征项进行转换，生成特征项向量表达，基于所述特征项向量表达及神经网络建立数据分类模型，将向量化的特征项导入所述数据分类模型，通过所述数据分类模型中的分类模块进行结果预测，根据投票得分方式得到预测分类结果，提升了数据分类的准确性。

技术领域

本发明涉及数据处理领域，更具体的，涉及一种基于神经网络的数据分类方法、系统及存储介质。

背景技术

随着互联网技术的高速发展,海量的信息通过互联网发布,同时也在系统中进行数字化存储。信息量的不断增加提升了信息检索的难度,也对信息的有序管理提出更高的挑战。这就需要更加有效的方法和工具以高效地、自动地完成海量信息的组织、理解、检索,提高信息的利用效率和精准度,减少信息利用难度。数据分类是数据挖掘和自然语言处理领域中的一个重要处理步骤,是许多应用技术实现的前提，同时能够提高信息的处理效率,节约人工处理成本,改善用户使用体验,近年来已得到了广泛的关注,已成为信息检索与数据挖掘研究领域的热点方向。

为了能够对数据信息实现精准的分类，需要开发一款系统与之进行匹配，该系统通过对待分类数据通过预处理进行分词，获取数据的特征项，建立特征表达模型，将所述特征项进行转换，生成特征项向量表达，基于所述特征项向量表达及神经网络建立数据分类模型，将向量化的特征项导入所述数据分类模型，通过所述数据分类模型中的分类模块进行结果预测，根据投票得分方式得到预测分类结果。在系统的实现过程中，如何将数据特征项进行向量化表达以及如何通过数据分类模型实现待分类数据的精确分类都是亟不可待需要解决的问题。

发明内容

为了解决上述至少一个技术问题，本发明提出了一种基于神经网络的数据分类方法、系统及存储介质。

本发明第一方面提供了一种基于神经网络的数据分类方法，包括：

获取待分类数据，将所述待分类数据通过预处理，获取数据的特征项；

基于神经网络建立特征表达模型；

通过上下文获取目标数据特征项的领域半径内的特征项，得到获取训练数据特征项的序列；

利用输入层向量和数据特征项矩阵进行相乘，将相乘后所得矩阵映射到输出层，得到特征项向量；

对训练序列中的全部特征项向量进行平均化处理，得到特征项的平均向量，生成特征项向量表达；

基于所述特征项向量表达及神经网络建立数据分类模型，将向量化的特征项导入所述数据分类模型；

通过所述数据分类模型中的分类模块进行结果预测，根据投票得分方式得到预测分类结果。

本方案中，所述平均化处理的计算公式，具体为：

其中，表示特征项的平均向量，表示特征项项数，表示第个特征项的特征项向量，表示误差常数。

本方案中，所述的基于所述特征项向量表达及神经网络建立数据分类模型，具体为：

基于所述特征项向量及神经网络建立数据分类模型，将所述数据分类模型中的分类模块进行初始化训练；

获取训练样本，将训练样本进行分类生成训练集，采集所述训练集的特征，进行随机合并生成新训练样本特征；

通过所述训练集及所述新训练样本特征随机导入所述分类模块进行训练；

生成训练后数据分类模型，将所述特征项向量导入训练后数据分类模型，对待分类数据进行分类预测。

本方案中，所述通过所述训练集及所述新训练样本特征随机导入所述分类模块进行训练，具体为：

根据随机抽样算法将原始的训练样本分类生成若干训练集；

在所述训练集中，基于特征项向量表达随机生成数据特征，将所述数据特征生成新训练样本特征子集；