CN110543560B - 基于卷积神经网络的长文本分类识别方法、装置及介质 - Google Patents

基于卷积神经网络的长文本分类识别方法、装置及介质 Download PDF

Info

Publication number
CN110543560B
CN110543560B CN201910731678.XA CN201910731678A CN110543560B CN 110543560 B CN110543560 B CN 110543560B CN 201910731678 A CN201910731678 A CN 201910731678A CN 110543560 B CN110543560 B CN 110543560B
Authority
CN
China
Prior art keywords
layer
long text
neural network
full
convolutional neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910731678.XA
Other languages
English (en)
Other versions
CN110543560A (zh
Inventor
吴鸿伟
林修明
连志阳
林淑强
张永光
陈志飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Meiya Pico Information Co Ltd
Original Assignee
Xiamen Meiya Pico Information Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen Meiya Pico Information Co Ltd filed Critical Xiamen Meiya Pico Information Co Ltd
Priority to CN201910731678.XA priority Critical patent/CN110543560B/zh
Publication of CN110543560A publication Critical patent/CN110543560A/zh
Application granted granted Critical
Publication of CN110543560B publication Critical patent/CN110543560B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/355—Class or cluster creation or modification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Character Discrimination (AREA)

Abstract

本发明提供了一种基于多粒度卷积神经网络的长文本分类识别方法、装置及存储介质，该方法包括：将所述训练样本集中的长文本样本基于所述映射表转换为数字序列得到数字序列形式的训练样本集，使用所述数字序列形式的训练样本集训练多粒度卷积神经网络得到训练后的多粒度卷积神经网络，基于所述映射表将待分类识别的长文本转换为数字序列使用训练后的多粒度卷积神经网络进行分类识别得到分类识别结果。本发明将汉字文本转换为数字序列进行处理，提高了处理速度，且本发明的多粒度卷积神经网络结构，具有提取全局特征和局部特征的分支，由于采用多分支的结构，保留了长文本的整体语义信息及局部关键信息，有效提升长文本分类识别的准确率。

Description

基于卷积神经网络的长文本分类识别方法、装置及介质
技术领域
本发明涉及人工智能技术领域，特别是一种基于多粒度卷积神经网络的长文本分类识别方法、装置及存储介质。
背景技术
自然语言理解是当前人工智能发展的高地，也是通往通用人工智能的必经之路。文本分类是自然语言理解领域内的重要技术方向，而如何让机器去理解一段文本中的语义信息是对其进行正确分类的关键。人类语言的最小组织单位可定义为一个字符，如中文中的一个字，英文中的一个字母。对于人类来说，中文多个字组成的词汇(对应英文中多个字母组成的单词短语)才是人们日常生活表达的语言组织基本单位，故文本分类常常采用预训练的词向量来完成自然文本到数字特征的文本表示，再借助机器学习中的分类器完成这一分类任务。除此之外，另外一种违反人类直觉的基于字符级的分类方法被证明是行之有效的。如DeepMind成功将字符级模型应用于文本翻译领域。OpenAI证明字符级语言模型可以学会识别亚马逊网站购物评论中所带的情绪信息。
对于基于词向量的分类方法而言，往往需要海量的词汇库才能达到一个良好的效果，而对于某一特定领域的文本来说，比如医疗文本，包含了大量的专业词汇或者领域专家才能理解的俚语、缩写和行话等。对于此类文本来说，现有预训练的词向量往往难以奏效，或者需要耗时费力重新收集标记此类领域词汇以重新训练词向量。
可见，在目前的文本分类识别中，特别是长文本分类识别中，需要构建海量的词汇库，且针对一些特殊领域，现有的预训练的词向量往往难以奏效，影响了识别准确率及识别效率。
发明内容
本发明针对上述现有技术中的缺陷，提出了如下技术方案。
一种基于多粒度卷积神经网络的长文本分类识别方法，该方法包括：
数据预处理步骤，基于训练样本集构建字符表，所述字符表根据字符在样本集中的出现频率进行降序排序，得到每个汉字到数字编码的映射表，将所述训练样本集中的长文本样本基于所述映射表转换为数字序列得到数字序列形式的训练样本集；
多粒度卷积神经网络训练步骤，使用所述数字序列形式的训练样本集训练多粒度卷积神经网络得到训练后的多粒度卷积神经网络；
长文本分类识别步骤，基于所述映射表将待分类识别的长文本转换为数字序列形式的待分类识别的长文本，将数字序列形式的待分类识别的长文本使用训练后的多粒度卷积神经网络进行分类识别，得到分类识别结果。
更进一步地，所述长文本为字符数大于100的文本。
更进一步地，所述多粒度卷积神经网络用于提取数字序列形式的待分类识别的长文本的全局特征和局部特征。
更进一步地，所述多粒度卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、第一全连接层、第二全连接层、第三全连接层、第四全连接层和分类层，所述数字序列形式的待分类识别的长文本输入第一卷积层，第一卷积层对数字序列形式的待分类识别的长文本进行卷积操作后分别输出至第二卷积层和第三卷积层，第二卷积层进行处理后输出至第一全连接层，第三卷积层进行处理后分别输出至第二、三全连接层，第一全连接层输出待分类识别的长文本的全局特征至第四全连接层，第二、三全连接层输出待分类识别的长文本的局部特征至第四全连接层，第四全连接层将所述全局特征和局部特征进行融合输出至所述分类层进行分类识别。
更进一步地，所述第一卷积层的卷积核为3*3，步长为2；所述第二卷积层的卷积核为3*3，步长为2；所述第三卷积层的卷积核为3*3，步长为1；所述分类层采用SoftMax函数。
本发明还提出了一种基于多粒度卷积神经网络的长文本分类识别装置，该装置包括：
数据预处理单元，基于训练样本集构建字符表，所述字符表根据字符在样本集中的出现频率进行降序排序，得到每个汉字到数字编码的映射表，将所述训练样本集中的长文本样本基于所述映射表转换为数字序列得到数字序列形式的训练样本集；
多粒度卷积神经网络训练单元，使用所述数字序列形式的训练样本集训练多粒度卷积神经网络得到训练后的多粒度卷积神经网络；
长文本分类识别单元，基于所述映射表将待分类识别的长文本转换为数字序列形式的待分类识别的长文本，将数字序列形式的待分类识别的长文本使用训练后的多粒度卷积神经网络进行分类识别，得到分类识别结果。
更进一步地，所述长文本为字符数大于100的文本。
更进一步地，所述多粒度卷积神经网络用于提取数字序列形式的待分类识别的长文本的全局特征和局部特征。
更进一步地，所述多粒度卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、第一全连接层、第二全连接层、第三全连接层、第四全连接层和分类层，所述数字序列形式的待分类识别的长文本输入第一卷积层，第一卷积层对数字序列形式的待分类识别的长文本进行卷积操作后分别输出至第二卷积层和第三卷积层，第二卷积层进行处理后输出至第一全连接层，第三卷积层进行处理后分别输出至第二、三全连接层，第一全连接层输出待分类识别的长文本的全局特征至第四全连接层，第二、三全连接层输出待分类识别的长文本的局部特征至第四全连接层，第四全连接层将所述全局特征和局部特征进行融合输出至所述分类层进行分类识别。
更进一步地，所述第一卷积层的卷积核为3*3，步长为2；所述第二卷积层的卷积核为3*3，步长为2；所述第三卷积层的卷积核为3*3，步长为1；所述分类层采用SoftMax函数。
本发明还提出了一种计算机可读存储介质，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时执行上述之任一的方法。
本发明的技术效果在于：
本发明根据训练样本集构建字符表，基于字符出现的频率排序，得到单个汉字到数字编码的映射表，对于输入每段文本根据所述映射表对其进行编码(embedding层)得到数字序列形式的长文本，以便作为神经网络的输入，将汉字文本转换为数字序列进行处理，提高了处理速度，便于提取文本的特征。
本发明提出了多粒度卷积神经网络结构，具有提取全局特征和局部特征的分支，由于采用多分支的结构，保留了长文本的整体语义信息及局部关键信息，有效提升长文本分类识别的准确率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。
图1是根据本发明的实施例的一种基于多粒度卷积神经网络的长文本分类识别方法的流程图。
图2是多粒度卷积神经网络的结构图。
图3是根据本发明的实施例的一种基于多粒度卷积神经网络的长文本分类识别装置的结构图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本发明的一种基于多粒度卷积神经网络的长文本分类识别方法，该方法包括以下步骤。
数据预处理步骤S101，基于训练样本集构建字符表，所述字符表根据字符在样本集中的出现频率进行降序排序，得到每个汉字到数字编码的映射表，将所述训练样本集中的长文本样本基于所述映射表转换为数字序列得到数字序列形式的训练样本集。
本发明根据训练样本集构建字符表，基于字符出现的频率排序，得到单个汉字到数字编码的映射表，对于输入每段文本根据所述映射表对其进行编码(embedding层)得到数字序列形式的长文本，以便作为神经网络的输入，将汉字文本转换为数字序列进行处理，提高了处理速度，便于提取文本的特征，这是本发明的重要发明点之一。
多粒度卷积神经网络训练步骤S102，使用所述数字序列形式的训练样本集训练多粒度卷积神经网络得到训练后的多粒度卷积神经网络。在多粒度卷积神经网络训练时，可以采用相应的优化算法进行训练，以保证多粒度卷积神经网络尽快收敛，提高训练速度。
长文本分类识别步骤S103，基于所述映射表将待分类识别的长文本转换为数字序列形式的待分类识别的长文本，将数字序列形式的待分类识别的长文本使用训练后的多粒度卷积神经网络进行分类识别，得到分类识别结果。
在一个实施例中，所述长文本为字符数大于100的文本，经过仿真对比，针对该类长文本的识别效果较好。
在一个实施例中，所述多粒度卷积神经网络用于提取数字序列形式的待分类识别的长文本的全局特征和局部特征。
在一个实施例中，如图2所示，所述多粒度卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、第一全连接层、第二全连接层、第三全连接层、第四全连接层和分类层，所述数字序列形式的待分类识别的长文本输入第一卷积层，第一卷积层对数字序列形式的待分类识别的长文本进行卷积操作后分别输出至第二卷积层和第三卷积层，第二卷积层进行处理后输出至第一全连接层，第三卷积层进行处理后分别输出至第二、三全连接层，第一全连接层输出待分类识别的长文本的全局特征至第四全连接层，第二、三全连接层输出待分类识别的长文本的局部特征至第四全连接层，第四全连接层将所述全局特征和局部特征进行融合输出至所述分类层进行分类识别。
在一个实施例中，所述第一卷积层的卷积核为3*3，步长为2；所述第二卷积层的卷积核为3*3，步长为2；所述第三卷积层的卷积核为3*3，步长为1；所述分类层采用SoftMax函数。
即本发明设计了上述的多粒度卷积神经网络，多粒度卷积神经网络的全局语义提取由第一、二卷积层，第一全连接层构成，局部语义提取自第一卷积层后引出，但经过第三卷积层时去除原有的下采样操作，保留原来的特征图，再沿水平方向平均切分分别输入到下一步的第二、三全连接层中，从而尽可能多保留局部关键语义信息，然后将各个分支输入到最后的第四连接层完成特征融合。由于采用多分支的结构，保留了长文本的整体语义信息及局部关键信息，有效提升长文本分类识别的准确率，这是本发明另一个重要发明点。
进一步参考图3，作为对上述图1所示方法的实现，本申请提供了一种基于多粒度卷积神经网络的长文本分类识别装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以包含于各种电子设备或通过网络连接的多个电子设备中。
图3示出了本发明的图1示出了本发明的图1示出了本发明的一种基于多粒度卷积神经网络的长文本分类识别装置，该装置包括以下部分。
数据预处理单元301，基于训练样本集构建字符表，所述字符表根据字符在样本集中的出现频率进行降序排序，得到每个汉字到数字编码的映射表，将所述训练样本集中的长文本样本基于所述映射表转换为数字序列得到数字序列形式的训练样本集。
本发明根据训练样本集构建字符表，基于字符出现的频率排序，得到单个汉字到数字编码的映射表，对于输入每段文本根据所述映射表对其进行编码(embedding层)得到数字序列形式的长文本，以便作为神经网络的输入，将汉字文本转换为数字序列进行处理，提高了处理速度，便于提取文本的特征，这是本发明的重要发明点之一。
多粒度卷积神经网络训练单元302，使用所述数字序列形式的训练样本集训练多粒度卷积神经网络得到训练后的多粒度卷积神经网络。在多粒度卷积神经网络训练时，可以采用相应的优化算法进行训练，以保证多粒度卷积神经网络尽快收敛，提高训练速度。
长文本分类识别单元303，基于所述映射表将待分类识别的长文本转换为数字序列形式的待分类识别的长文本，将数字序列形式的待分类识别的长文本使用训练后的多粒度卷积神经网络进行分类识别，得到分类识别结果。
在一个实施例中，所述长文本为字符数大于100的文本，经过仿真对比，针对该类长文本的识别效果较好。
在一个实施例中，所述多粒度卷积神经网络用于提取数字序列形式的待分类识别的长文本的全局特征和局部特征。
在一个实施例中，如图2所示，所述多粒度卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、第一全连接层、第二全连接层、第三全连接层、第四全连接层和分类层，所述数字序列形式的待分类识别的长文本输入第一卷积层，第一卷积层对数字序列形式的待分类识别的长文本进行卷积操作后分别输出至第二卷积层和第三卷积层，第二卷积层进行处理后输出至第一全连接层，第三卷积层进行处理后分别输出至第二、三全连接层，第一全连接层输出待分类识别的长文本的全局特征至第四全连接层，第二、三全连接层输出待分类识别的长文本的局部特征至第四全连接层，第四全连接层将所述全局特征和局部特征进行融合输出至所述分类层进行分类识别。
在一个实施例中，所述第一卷积层的卷积核为3*3，步长为2；所述第二卷积层的卷积核为3*3，步长为2；所述第三卷积层的卷积核为3*3，步长为1；所述分类层采用SoftMax函数。
即本发明设计了上述的多粒度卷积神经网络，多粒度卷积神经网络的全局语义提取由第一、二卷积层，第一全连接层构成，局部语义提取自第一卷积层后引出，但经过第三卷积层时去除原有的下采样操作，保留原来的特征图，再沿水平方向平均切分分别输入到下一步的第二、三全连接层中，从而尽可能多保留局部关键语义信息，然后将各个分支输入到最后的第四连接层完成特征融合。由于采用多分支的结构，保留了长文本的整体语义信息及局部关键信息，有效提升长文本分类识别的准确率，这是本发明另一个重要发明点。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
最后所应说明的是：以上实施例仅以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于多粒度卷积神经网络的长文本分类识别方法，其特征在于，该方法包括：
数据预处理步骤，基于训练样本集构建字符表，所述字符表根据字符在样本集中的出现频率进行降序排序，得到每个汉字到数字编码的映射表，将所述训练样本集中的长文本样本基于所述映射表转换为数字序列得到数字序列形式的训练样本集；
多粒度卷积神经网络训练步骤，使用所述数字序列形式的训练样本集训练多粒度卷积神经网络得到训练后的多粒度卷积神经网络；
长文本分类识别步骤，基于所述映射表将待分类识别的长文本转换为数字序列形式的待分类识别的长文本，将数字序列形式的待分类识别的长文本使用训练后的多粒度卷积神经网络进行分类识别，得到分类识别结果；
其中，所述多粒度卷积神经网络用于提取数字序列形式的待分类识别的长文本的全局特征和局部特征；
其中，所述多粒度卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、第一全连接层、第二全连接层、第三全连接层、第四全连接层和分类层，所述数字序列形式的待分类识别的长文本输入第一卷积层，第一卷积层对数字序列形式的待分类识别的长文本进行卷积操作后分别输出至第二卷积层和第三卷积层，第二卷积层进行处理后输出至第一全连接层，第三卷积层进行处理后分别输出至第二、三全连接层，第一全连接层输出待分类识别的长文本的全局特征至第四全连接层，第二、三全连接层输出待分类识别的长文本的局部特征至第四全连接层，第四全连接层将所述全局特征和局部特征进行融合输出至所述分类层进行分类识别；其中，在多粒度卷积神经网络训练时，采用相应的优化算法进行训练，以保证多粒度卷积神经网络尽快收敛，提高训练速度；多粒度卷积神经网络采用多分支的结构，保留了长文本的整体语义信息及局部关键信息，有效提升长文本分类识别的准确率。
2.根据权利要求1所述的方法，其特征在于，所述长文本为字符数大于100的文本。
3.根据权利要求2所述的方法，其特征在于，所述第一卷积层的卷积核为3*3，步长为2；所述第二卷积层的卷积核为3*3，步长为2；所述第三卷积层的卷积核为3*3，步长为1；所述分类层采用SoftMax函数。
4.一种基于多粒度卷积神经网络的长文本分类识别装置，其特征在于，该装置包括：
数据预处理单元，基于训练样本集构建字符表，所述字符表根据字符在样本集中的出现频率进行降序排序，得到每个汉字到数字编码的映射表，将所述训练样本集中的长文本样本基于所述映射表转换为数字序列得到数字序列形式的训练样本集；
多粒度卷积神经网络训练单元，使用所述数字序列形式的训练样本集训练多粒度卷积神经网络得到训练后的多粒度卷积神经网络；
长文本分类识别单元，基于所述映射表将待分类识别的长文本转换为数字序列形式的待分类识别的长文本，将数字序列形式的待分类识别的长文本使用训练后的多粒度卷积神经网络进行分类识别，得到分类识别结果；
其中，所述多粒度卷积神经网络用于提取数字序列形式的待分类识别的长文本的全局特征和局部特征；
其中，所述多粒度卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、第一全连接层、第二全连接层、第三全连接层、第四全连接层和分类层，所述数字序列形式的待分类识别的长文本输入第一卷积层，第一卷积层对数字序列形式的待分类识别的长文本进行卷积操作后分别输出至第二卷积层和第三卷积层，第二卷积层进行处理后输出至第一全连接层，第三卷积层进行处理后分别输出至第二、三全连接层，第一全连接层输出待分类识别的长文本的全局特征至第四全连接层，第二、三全连接层输出待分类识别的长文本的局部特征至第四全连接层，第四全连接层将所述全局特征和局部特征进行融合输出至所述分类层进行分类识别；其中，在多粒度卷积神经网络训练时，采用相应的优化算法进行训练，以保证多粒度卷积神经网络尽快收敛，提高训练速度；多粒度卷积神经网络采用多分支的结构，保留了长文本的整体语义信息及局部关键信息，有效提升长文本分类识别的准确率。
5.根据权利要求4所述的装置，其特征在于，所述长文本为字符数大于100的文本。
6.根据权利要求5所述的装置，其特征在于，所述第一卷积层的卷积核为3*3，步长为2；所述第二卷积层的卷积核为3*3，步长为2；所述第三卷积层的卷积核为3*3，步长为1；所述分类层采用SoftMax函数。
7.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时执行权利要求1-3之任一的方法。
CN201910731678.XA 2019-08-08 2019-08-08 基于卷积神经网络的长文本分类识别方法、装置及介质 Active CN110543560B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910731678.XA CN110543560B (zh) 2019-08-08 2019-08-08 基于卷积神经网络的长文本分类识别方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910731678.XA CN110543560B (zh) 2019-08-08 2019-08-08 基于卷积神经网络的长文本分类识别方法、装置及介质

Publications (2)

Publication Number Publication Date
CN110543560A CN110543560A (zh) 2019-12-06
CN110543560B true CN110543560B (zh) 2022-10-11

Family

ID=68710515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910731678.XA Active CN110543560B (zh) 2019-08-08 2019-08-08 基于卷积神经网络的长文本分类识别方法、装置及介质

Country Status (1)

Country Link
CN (1) CN110543560B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298188A (zh) * 2021-06-28 2021-08-24 深圳市商汤科技有限公司 字符识别及神经网络训练方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107291822A (zh) * 2017-05-24 2017-10-24 北京邮电大学 基于深度学习的问题分类模型训练方法、分类方法及装置
CN109871444A (zh) * 2019-01-16 2019-06-11 北京邮电大学 一种文本分类方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1896923A (zh) * 2005-06-13 2007-01-17 余可立 英语巴蜀杆栏式汉字化词型翻译中间文本计算机输入方法
US10635949B2 (en) * 2015-07-07 2020-04-28 Xerox Corporation Latent embeddings for word images and their semantics
US10282462B2 (en) * 2016-10-31 2019-05-07 Walmart Apollo, Llc Systems, method, and non-transitory computer-readable storage media for multi-modal product classification
CN109299253A (zh) * 2018-09-03 2019-02-01 华南理工大学 一种基于深度融合神经网络的中文社交文本情绪识别模型构造方法
CN109492679A (zh) * 2018-10-24 2019-03-19 杭州电子科技大学 基于注意力机制与联结时间分类损失的文字识别方法
CN109508377A (zh) * 2018-11-26 2019-03-22 南京云思创智信息科技有限公司 基于融合模型的文本特征提取方法、装置、聊天机器人和存储介质
CN109858039B (zh) * 2019-03-01 2023-09-05 北京奇艺世纪科技有限公司 一种文本信息识别方法及识别装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107291822A (zh) * 2017-05-24 2017-10-24 北京邮电大学 基于深度学习的问题分类模型训练方法、分类方法及装置
CN109871444A (zh) * 2019-01-16 2019-06-11 北京邮电大学 一种文本分类方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CNN结合BLSTM的短文本情感倾向性分析;司新红等;《软件导刊》;20190731;第18卷(第11期);15-20 *
deep recursive neural networks for compositionality in language;IRSOY O等;《advances in neural information processing systems》;20141231;2096-2104 *

Also Published As

Publication number Publication date
CN110543560A (zh) 2019-12-06

Similar Documents

Publication Publication Date Title
CN108009148B (zh) 基于深度学习的文本情感分类表示方法
CN109753660B (zh) 一种基于lstm的中标网页命名实体抽取方法
CN107480688B (zh) 基于零样本学习的细粒度图像识别方法
CN111046656A (zh) 文本处理方法、装置、电子设备及可读存储介质
CN113704416B (zh) 词义消歧方法、装置、电子设备及计算机可读存储介质
CN115858758A (zh) 一种多非结构化数据识别的智慧客服知识图谱系统
CN112860896A (zh) 语料泛化方法及用于工业领域的人机对话情感分析方法
CN112434686B (zh) 针对ocr图片的端到端含错文本分类识别仪
CN107357895A (zh) 一种基于词袋模型的文本表示的处理方法
CN112528653A (zh) 短文本实体识别方法和系统
CN114564563A (zh) 一种基于关系分解的端到端实体关系联合抽取方法及系统
Niyozmatova et al. Classification based on decision trees and neural networks
CN116089610A (zh) 一种基于行业知识的标签识别方法及装置
CN115952292A (zh) 多标签分类方法、装置及计算机可读介质
CN110543560B (zh) 基于卷积神经网络的长文本分类识别方法、装置及介质
CN112541082A (zh) 一种文本情感分类方法及系统
CN115906835B (zh) 一种基于聚类和对比学习的中文问句文本表示学习的方法
Feild Improving text recognition in images of natural scenes
CN115827871A (zh) 互联网企业分类的方法、装置和系统
Choudhary et al. Offline handwritten mathematical expression evaluator using convolutional neural network
CN115952284A (zh) 一种融合密度聚类与ernie的医疗文本关系抽取方法
CN113626553B (zh) 一种基于预训练模型的级联二进制中文实体关系提取方法
CN115186670A (zh) 一种基于主动学习的领域命名实体识别方法及系统
Prasad et al. Bench-marking information extraction in semi-structured historical handwritten records
CN114818651A (zh) 文本相似度的确定方法、装置、存储介质及电子装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant