CN111241234A

CN111241234A - 文本分类方法及装置

Info

Publication number: CN111241234A
Application number: CN201911380470.4A
Authority: CN
Inventors: 高参; 刘昊; 何伯磊; 肖欣延
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2019-12-27
Filing date: 2019-12-27
Publication date: 2020-06-05
Anticipated expiration: 2039-12-27
Also published as: CN111241234B

Abstract

本申请公开了文本分类方法及装置，涉及文本处理技术领域。具体实现方案为：获取待进行分类的文本；将文本输入预设的长文本识别模型，获取文本对应的向量序列；长文本识别模型包括：向量化模型和动态自注意力模型；将文本对应的向量序列输入预设的向量拼接模型，获取文本对应的向量；将文本对应的向量输入预设的分类模型，获取文本对应的分类结果，从而能够对超过预设字数的长文本进行分类处理，避免文本信息的丢失，提高文本分类的准确度。

Description

文本分类方法及装置

技术领域

本申请涉及数据处理技术领域，具体涉及文本处理技术领域，尤其涉及文本分类方法及装置。

背景技术

目前，针对不同特征信息，例如标题以及正文的文本分类方法，主要是采用BERT模型等。BERT模型，由于GPU显存的限制，在预训练阶段和微调阶段通常会对输入文本超过512的字进行截断处理，对截断处理后的文本进行分类。

上述BERT模型会对文本超过512的字进行截断处理，丢失文本信息，从而降低了文本分类的准确度。

发明内容

本申请提出一种文本分类方法及装置，将待进行分类的文本输入预设的长文本识别模型，获取所述文本对应的向量序列；所述长文本识别模型包括：向量化模型和动态自注意力模型；将所述文本对应的向量序列输入依次连接的向量拼接模型和分类模型，获取分类结果，其中，动态自注意力模型能够从超过预设字数的文本中抽取预设字数，从而不需要对文本进行截断处理，避免丢失文本信息，提高文本分类的准确度。

本申请一方面实施例提出了一种文本分类方法，包括：

获取待进行分类的文本；

将所述文本输入预设的长文本识别模型，获取所述文本对应的向量序列；所述长文本识别模型包括：向量化模型和动态自注意力模型；

将所述文本对应的向量序列输入预设的向量拼接模型，获取所述文本对应的向量；

将所述文本对应的向量输入预设的分类模型，获取所述文本对应的分类结果。

在本申请一个实施例中，所述文本包括：标题以及正文；

所述向量拼接模型包括：依次连接的池化注意力模型和全连接层；

所述将所述文本对应的向量序列输入预设的向量拼接模型，获取所述文本对应的向量，包括：

获取所述向量序列中标题对应的向量序列以及正文对应的向量序列；

将标题对应的向量序列以及正文对应的向量序列输入依次连接的池化注意力模型和全连接层，获取所述文本对应的向量；所述文本对应的向量，根据标题对应的向量序列、标题对文本的重要性、正文对应的向量序列以及正文对文本的重要性确定。

在本申请一个实施例中，所述将所述文本输入预设的长文本识别模型，获取所述文本对应的向量序列之前，还包括：

获取预训练数据，所述预训练数据包括：大于预设数量的文本；

采用所述预训练数据对初始的长文本识别模型进行训练，得到经过预训练的长文本识别模型；

获取微调训练数据，所述微调训练数据包括：文本以及对应的分类；

采用所述微调训练数据，对所述经过预训练的长文本识别模型、初始的向量拼接模型以及初始的分类模型进行训练，得到所述预设的长文本识别模型、所述预设的向量拼接模型以及所述预设的分类模型。

在本申请一个实施例中，所述长文本识别模型为语义表示模型BERT。

本申请实施例的文本分类方法，通过获取待进行分类的文本；将文本输入预设的长文本识别模型，获取文本对应的向量序列；长文本识别模型包括：向量化模型和动态自注意力模型；将文本对应的向量序列输入预设的向量拼接模型，获取文本对应的向量；将文本对应的向量输入预设的分类模型，获取文本对应的分类结果，从而能够对超过预设字数的长文本进行分类处理，避免文本信息的丢失，提高文本分类的准确度。

本申请另一方面实施例提出了一种文本分类装置，包括：

获取模块，用于获取待进行分类的文本；

第一输入模块，用于将所述文本输入预设的长文本识别模型，获取所述文本对应的向量序列；所述长文本识别模型包括：向量化模型和动态自注意力模型；

第二输入模块，用于将所述文本对应的向量序列输入预设的向量拼接模型，获取所述文本对应的向量；

第三输入模块，用于将所述文本对应的向量输入预设的分类模型，获取所述文本对应的分类结果。

在本申请一个实施例中，所述文本包括：标题以及正文；

所述第二输入模块具体用于，

在本申请一个实施例中，所述的装置还包括：预训练模块和训练模块；

所述获取模块，还用于获取预训练数据，所述预训练数据包括：大于预设数量的文本；

所述预训练模块，用于采用所述预训练数据对初始的长文本识别模型进行训练，得到经过预训练的长文本识别模型；

所述获取模块，还用于获取微调训练数据，所述微调训练数据包括：文本以及对应的分类；

所述训练模块，用于采用所述微调训练数据，对所述经过预训练的长文本识别模型、初始的向量拼接模型以及初始的分类模型进行训练，得到所述预设的长文本识别模型、所述预设的向量拼接模型以及所述预设的分类模型。

本申请实施例的文本分类装置，通过获取待进行分类的文本；将文本输入预设的长文本识别模型，获取文本对应的向量序列；长文本识别模型包括：向量化模型和动态自注意力模型；将文本对应的向量序列输入预设的向量拼接模型，获取文本对应的向量；将文本对应的向量输入预设的分类模型，获取文本对应的分类结果，从而能够对超过预设字数的长文本进行分类处理，避免文本信息的丢失，提高文本分类的准确度。

本申请另一方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请实施例的文本分类方法。

本申请另一方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请实施例的文本分类方法。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的示意图；

图2是预训练的示意图；

图3是训练的示意图；

图4是根据本申请第二实施例的示意图；

图5是根据本申请第三实施例的示意图；

图6是根据本申请第四实施例的示意图；

图7是用来实现本申请实施例的文本分类方法的电子设备的框图；

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

下面参考附图描述本申请实施例的文本分类方法及装置。

图1是根据本申请第一实施例的示意图。其中，需要说明的是，本实施例提供的文本分类方法的执行主体为文本分类装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在终端设备或者服务器中，该实施例对此不作具体限定。

如图1所示，该文本分类方法可以包括：

步骤101，获取待进行分类的文本。

本申请中，待分类的文本例如可以为长文本或者短文本。长文本例如一则新闻、一篇文章等。短文本例如文章摘要、标题等。

步骤102，将文本输入预设的长文本识别模型，获取文本对应的向量序列；长文本识别模型包括：向量化模型和动态自注意力模型。

本申请中，向量化模型用于对文本进行向量化，例如，词袋模型等，用于获取文本中每个字的向量，进行拼接，得到向量序列。动态自注意力模型包括：门选择机制(gateactivation)、多头注意力机制(multi-head attention)以及前馈神经网络(feed-forwardnetwork)。其中门选择机制用于对输入的向量序列进行序列选择，例如输入的向量序列中包括一千多个向量，进行序列选择，挑出512个向量组成向量序列，然后将选择后的向量序列输入到多头注意力机制中。

多头注意力机制，通过不同的特征(head)关注不同层面的输入信息。前馈神经网络，用于提升向量序列表征。

本申请中，动态自注意力机制通过序列选择，减少向量序列中向量的数量，使得长文本识别模型能够处理超过预设字数的文本，避免截断处理。而之前的自注意力模型，在文本字数超过预设字数时，进行截断处理，只处理未超过预设字数的部分文本，丢弃超过预设字数的部分文本。因此，本申请中动态自注意力模型的使用，能够避免文本信息的丢失，提高文本分类的准确度。其中，长文本识别模型例如可以为语义表示模型BERT。

步骤103，将文本对应的向量序列输入预设的向量拼接模型，获取文本对应的向量。

本申请中，向量拼接模型用于对向量序列中的各个向量进行拼接处理，得到一个向量，作为文本对应的向量。

步骤104，将文本对应的向量输入预设的分类模型，获取文本对应的分类结果。

本申请中，文本对应的分类，例如文本所属的领域、文本中的主题、文本的质量等，可以根据需要进行设定。

本申请中，为了提高各个模型的准确度，步骤102之前，所述的方法还可以包括以下步骤：获取预训练数据，预训练数据包括：大于预设数量的文本；采用预训练数据对初始的长文本识别模型进行训练(pre-training)，得到经过预训练的长文本识别模型；获取微调训练数据，微调训练数据包括：文本以及对应的分类；采用微调训练数据，对经过预训练的长文本识别模型、初始的向量拼接模型以及初始的分类模型进行训练(fine-tuning)，得到预设的长文本识别模型、预设的向量拼接模型以及预设的分类模型。

本申请中，采用预训练数据对初始的长文本识别模型进行训练的示意图例如可以如图2所示，在图2中，长文本识别模型的训练目标主要有两个，一个是下个句子预测NSP(next sentence prediction)，对输入句子对，判断其是符合语法顺序的还是人工构造的。另一个是掩码语言模型MLM(mask language model)，将输入文本中的词随机替换为[MASK]词，然后目标是预测该词。此外为了让长文本识别模型适配训练目标，会对输入文本作增加[CLS]和[SEP]等特殊标记，分别用来作为特定任务的目标输入和切分句子对。具体过程如图2，其中Ti和Ei表示dynamic self-attention的输出向量表示和输入向量表示。

举例说明长文本识别模型训练时的前向传播过程，对于输入句子对s1＝[w1,w2,w3,w4]和s2＝[w5,w6,w7,w8]，先增加特殊标记符号为[[cls],w1,w2,w3,w4,[sep],w5,w6,w7,w8,[sep]]，然后对文本进行随机mask两个词作为输入样本x1＝[[cls],w1,[mask],w3,w4,[sep],[mask],w6,w7,w8,[sep]]，预测NSP目标为判断其是否是有序句对和MLM目标为预测被mask的词w2和w5。

本申请中，在向量拼接模型包括：依次连接的池化注意力模型和全连接层的情况下，采用微调训练数据，对经过预训练的长文本识别模型、初始的向量拼接模型以及初始的分类模型进行训练的示意图可以如图3所示，举例说明训练过程，对于输入句子s1＝[w1,w2,w3,w4]，通常先增加特殊标记符号为[[cls],w1,w2,w3,w4,[sep]]，然后输入到依次排列的经过预训练的长文本识别模型、初始的向量拼接模型以及初始的分类模型中，输出TC作为文本分类目标，判断输入句子类别。

如果文本分类有两个输入域，比如对标题和文本进行分类，将两个域s1＝[w1,w2,w3,w4]和s2＝[w5,w6,w7,w8]转化为长文本识别模型输入为[[cls],w1,w2,w3,w4,[sep],w5,w6,w7,w8]，然后结合[cls]对应输出表示[t1]做分类。

图4是根据本申请第二实施例的示意图。如图4所示，在图1所示实施例的基础上，为了在文本分类时考虑到标题以及正文对文本的重要性，提高文本分类效率，文本可以包括：标题以及正文；向量拼接模型包括：依次连接的池化注意力模型和全连接层；对应的，步骤103具体可以包括以下步骤：

步骤1031，获取向量序列中标题对应的向量序列以及正文对应的向量序列。

步骤1032，将标题对应的向量序列以及正文对应的向量序列输入依次连接的池化注意力模型和全连接层，获取文本对应的向量；文本对应的向量，根据标题对应的向量序列、标题对文本的重要性、正文对应的向量序列以及正文对文本的重要性确定。

本申请中，如图3所示，CLS为特定任务的目标输入，CLS对应的输出T1作为文本对应的向量部分，T2和T3为标题对应的向量序列，T5和T6为正文对应的向量序列；结合T1、T2和T3确定标题对文本的重要性，结合重要性确定H1作为标题对应的向量；结合T1、T5和T6确定正文对文本的重要性，结合重要性确定H2作为正文对应的向量；对H0、H1、H2以及H1和H2的乘积进行拼接，得到文本对应的向量F1；将F1输入分类模型，得到文本对应的分类结果。

本申请实施例的文本分类方法，通过获取待进行分类的文本；将文本输入预设的长文本识别模型，获取文本对应的向量序列；长文本识别模型包括：向量化模型和动态自注意力模型；获取向量序列中标题对应的向量序列以及正文对应的向量序列；将标题对应的向量序列以及正文对应的向量序列输入依次连接的池化注意力模型和全连接层，获取文本对应的向量；文本对应的向量，根据标题对应的向量序列、标题对文本的重要性、正文对应的向量序列以及正文对文本的重要性确定；将文本对应的向量输入预设的分类模型，获取文本对应的分类结果，从而能够对超过预设字数的长文本进行分类处理，避免文本信息的丢失，提高文本分类的准确度。

为了实现上述实施例，本申请实施例还提供一种文本分类装置。

图5是根据本申请第三实施例的示意图。如图5所示，该文本分类装置100包括：

获取模块110，用于获取待进行分类的文本；

第一输入模块120，用于将所述文本输入预设的长文本识别模型，获取所述文本对应的向量序列；所述长文本识别模型包括：向量化模型和动态自注意力模型；

第二输入模块130，用于将所述文本对应的向量序列输入预设的向量拼接模型，获取所述文本对应的向量；

第三输入模块140，用于将所述文本对应的向量输入预设的分类模型，获取所述文本对应的分类结果。

在本申请一个实施例中，所述文本包括：标题以及正文；

所述第二输入模块130具体用于，

在本申请一个实施例中，结合参考图6，所述的装置还可以包括：预训练模块150和训练模块160；

所述获取模块110，还用于获取预训练数据，所述预训练数据包括：大于预设数量的文本；

所述预训练模块150，用于采用所述预训练数据对初始的长文本识别模型进行训练，得到经过预训练的长文本识别模型；

所述获取模块110，还用于获取微调训练数据，所述微调训练数据包括：文本以及对应的分类；

所述训练模块160，用于采用所述微调训练数据，对所述经过预训练的长文本识别模型、初始的向量拼接模型以及初始的分类模型进行训练，得到所述预设的长文本识别模型、所述预设的向量拼接模型以及所述预设的分类模型。

其中，需要说明的是，前述对文本分类方法的解释说明也适用于本实施例的文本分类装置，此处不再赘述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图7所示，是根据本申请实施例的文本分类方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图7所示，该电子设备包括：一个或多个处理器301、存储器302，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器301为例。

存储器302即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的文本分类方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的文本分类方法。

存储器302作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的文本分类方法对应的程序指令/模块(例如，附图5所示的获取模块110、第一输入模块120、第二输入模块130、第三输入模块140，附图6所示的预训练模块150、训练模块160)。处理器301通过运行存储在存储器302中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的文本分类方法。

存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据文本分类的电子设备的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至文本分类的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

文本分类的方法的电子设备还可以包括：输入装置303和输出装置304。处理器301、存储器302、输入装置303和输出装置304可以通过总线或者其他方式连接，图7中以通过总线连接为例。

输入装置303可接收输入的数字或字符信息，以及产生与文本分类的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置304可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims

1.一种文本分类方法，其特征在于，包括：

获取待进行分类的文本；

2.根据权利要求1所述的方法，其特征在于，所述文本包括：标题以及正文；

3.根据权利要求1所述的方法，其特征在于，所述将所述文本输入预设的长文本识别模型，获取所述文本对应的向量序列之前，还包括：

4.根据权利要求1所述的方法，其特征在于，所述长文本识别模型为语义表示模型BERT。

5.一种文本分类装置，其特征在于，包括：

获取模块，用于获取待进行分类的文本；

6.根据权利要求5所述的装置，其特征在于，所述文本包括：标题以及正文；

所述第二输入模块具体用于，

7.根据权利要求5所述的装置，其特征在于，还包括：预训练模块和训练模块；

8.根据权利要求5所述的装置，其特征在于，所述长文本识别模型为语义表示模型BERT。

9.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1－4中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1－4中任一项所述的方法。