CN111767729B - 文本分类方法、装置、设备以及存储介质 - Google Patents
文本分类方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN111767729B CN111767729B CN202010608375.1A CN202010608375A CN111767729B CN 111767729 B CN111767729 B CN 111767729B CN 202010608375 A CN202010608375 A CN 202010608375A CN 111767729 B CN111767729 B CN 111767729B
- Authority
- CN
- China
- Prior art keywords
- vector
- capsule
- matrix
- vectors
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 323
- 239000002775 capsule Substances 0.000 claims abstract description 184
- 239000011159 matrix material Substances 0.000 claims abstract description 119
- 230000005012 migration Effects 0.000 claims description 22
- 238000013508 migration Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 18
- 238000013519 translation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了文本分类方法、装置、设备以及存储介质，涉及自然语言处理、深度学习技术、人工智能领域。具体实现方案为：获取目标文本；确定目标文本的向量矩阵；根据向量矩阵，确定胶囊向量矩阵，其中，胶囊向量矩阵中的每个胶囊向量包括至少两个值；根据胶囊向量矩阵中的各胶囊向量，确定目标文本的句向量；根据句向量以及预设的至少两个类别向量，确定目标文本的类别。本实现方式可以利用胶囊网络来准确地提取目标文本的语义信息，从而能够实现更准确的分类，能够实现对用户态度的识别，为提升人机对话系统的质量提供基础。
Description
技术领域
本申请涉及计算机技术领域，具体涉及自然语言处理、深度学习技术、人工智能领域，尤其涉及文本分类方法、装置、设备以及存储介质。
背景技术
态度识别是个人对某一对象(人、物、观点、事件等)的心理位置。主要用于自动检测出对话过程中话者表述中对其他话者或某一主题等所表明的态度。
态度识别和意图识别的区别在于：态度识别和意图识别所需要识别的是两种不同属性的信息。意图识别主要针对意图实体内容进行识别，主要的识别方法是判断相关意图识别是否存在或相近。态度识别则是针对极性进行判断，极性识别需要考虑极性标识和对立关系识别。
实际产品中由于对用户态度无法检测，导致在关键选择上的判断失败，会造成严重的用户体现下滑。
发明内容
提供了一种文本分类方法、装置、设备以及存储介质。
根据第一方面，提供了一种文本分类方法，包括：获取目标文本；确定目标文本的向量矩阵；根据向量矩阵，确定胶囊向量矩阵，其中，胶囊向量矩阵中的每个胶囊向量包括至少两个值；根据胶囊向量矩阵中的各胶囊向量，确定目标文本的句向量；根据句向量以及预设的至少两个类别向量，确定目标文本的类别。
根据第二方面，提供了一种文本分类装置，包括：目标文本获取单元，被配置成获取目标文本；第一矩阵确定单元，被配置成确定目标文本的向量矩阵；第二矩阵确定单元，被配置成根据向量矩阵，确定胶囊向量矩阵，其中，胶囊向量矩阵中的每个胶囊向量包括至少两个值；句向量确定单元，被配置成根据胶囊向量矩阵中的各胶囊向量，确定目标文本的句向量；目标文本分类单元，被配置成根据句向量以及预设的至少两个类别向量，确定目标文本的类别。
根据第三方面，提供了一种文本分类电子设备，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，存储器存储有可被至少一个处理器执行的指令，所述指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面所描述的方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，上述计算机指令用于使计算机执行如第一方面所描述的方法。
根据第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被计算单元执行时实现如第一方面所描述的方法。
根据本申请的技术解决了现有的应用程序无法检测用户态度的技术问题，可以利用胶囊网络来准确地提取目标文本的语义信息，从而能够实现更准确的分类，能够实现对用户态度的识别，为提升人机对话系统的质量提供基础。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
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是本申请的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的文本分类方法的一个实施例的流程图；
图3是根据本申请的文本分类方法的一个应用场景的示意图；
图4是根据本申请的文本分类方法的另一个实施例的流程图；
图5是实现图4所示实施例的胶囊网络的结构示意图；
图6是根据本申请的文本分类装置的一个实施例的结构示意图；
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。
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示出了可以应用本申请的文本分类方法或文本分类装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如语音识别类应用、社交类应用、购物类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能机器人、智能手机、平板电脑、电子书阅读器、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的目标文本进行态度识别的后台服务器。后台服务器可以接收目标文本，并识别出目标文本反映的态度，并将态度反馈给终端设备101、102、103。
需要说明的是，服务器105可以是硬件，也可以是软件。服务器105可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算、云服务、云数据库、云存储等基础云计算服务的云服务器。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的文本分类方法可以由终端设备101、102、103执行，也可以由服务器105执行。相应地，文本分类装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的文本分类方法的一个实施例的流程200。本实施例的文本分类方法，包括以下步骤：
步骤201，获取目标文本。
本实施例中，文本分类方法的执行主体(例如图1中所示的终端设备101、102、103或服务器105)可以通过各种方式获取目标文本。例如，可以通过语音识别的方式获取目标文本、通过接收请求的方式获取目标文本。上述目标文本可以是用户通过社交网络发表的一段文字，也可以是对话过程中某个说话者发表的意见或评论。
步骤202，确定目标文本的向量矩阵。
执行主体可以确定目标文本的向量矩阵。具体的，可以首先对目标文本进行分词，确定各词语的向量。执行主体可以通过现有的词向量确定算法(例如Word2vec)确定各词语的词向量。然后根据得到的词向量，确定目标文本的向量矩阵。例如，将词向量拼接得到向量矩阵，或者将词向量输入语言模型得到向量矩阵。
步骤203，根据向量矩阵，确定胶囊向量矩阵。
在确定目标文本的向量矩阵后，可以对向量矩阵进行划分，得到胶囊向量矩阵。具体的，执行主体可以将向量矩阵中每行的元素划分到不同的胶囊中，得到多个胶囊向量。胶囊向量按照向量矩阵中各元素的位置排列，得到胶囊向量矩阵。本实施例中，胶囊向量矩阵中的每个胶囊向量包括至少两个值。并且，每个胶囊向量中包括的值的个数相同。
步骤204，根据胶囊向量矩阵中的各胶囊向量，确定目标文本的句向量。
本实施例中，在确定胶囊向量矩阵后，可以根据各胶囊向量，确定目标文本的句向量。例如，可以将各胶囊向量按预设顺序排列相加，将得到的向量作为目标文本的句向量。或者，可以选取部分胶囊向量进行相加，得到句向量。
步骤205，根据句向量以及预设的至少两个类别向量，确定目标文本的类别。
在得到句向量后，可以根据句向量以及预设的至少两个类别向量，确定目标文本的类别。这里，类别向量表示不同类别的向量，这些类别可以表示态度，也可以表示情绪等。这些类别都预先设置了对应的类别向量。这些类别向量可以通过训练得到。执行主体可以计算句向量与各类别向量之间的距离，作为目标文本与各类别的相似度。然后，将相似度最大的类别作为目标文本的类别。
继续参见图3，其示出了根据本申请的文本分类方法的一个应用场景的示意图。在图3的应用场景中，用户通过终端301对某文档进行审核，在审核完毕后输入“可以的，就这样吧”。服务器302将上述文本作为目标文本，经步骤202～205的处理后，识别用户的态度为“肯定”，则服务器302可以直接将上述文档打印出来，以用于后续处理。
本申请的上述实施例提供的文本分类方法，可以利用胶囊网络来准确地提取目标文本的语义信息，从而能够实现更准确的分类，能够实现对用户态度的识别，为提升人机对话系统的质量提供基础。
继续参见图4，其示出了根据本申请的文本分类方法的另一个实施例的流程400。如图4所示，本实施例的文本分类方法，可以包括以下步骤：
步骤401，获取目标文本。
本实施例中，执行主体可以通过各种方式获取目标文本。
步骤402，确定目标文本的向量矩阵。
执行主体可以确定目标文本的向量矩阵。具体的，执行主体可以首先去除目标文本中的停用词等文本。然后，对目标文本进行分词，得到多个词语。利用word2vec算法计算出词向量。然后将上述词向量输入嵌入(Embedding)层，得到目标文本和向量的一一映射关系，将目标文本转化为向量矩阵。
步骤403，对向量矩阵进行至少一次降维，得到降维矩阵。
本实施例中，执行主体可以对向量矩阵进行至少一次降维，得到降维矩阵。具体的，可以通过卷积和/或池化操作来实现对向量矩阵的降维。在一些具体的实现方式中，可以通过设置至少两个卷积层来实现上述至少一次降维。
本实施例中，通过对向量矩阵进行降维，可以减少后续的计算量，同时能够提取目标文本的语义特征。
步骤404，将降维矩阵中的各值划分为多个胶囊向量，得到胶囊向量矩阵。
本实施例中，在得到降维矩阵后，可以将各值划分为多个胶囊向量，得到胶囊向量矩阵。具体的，执行主体可以将降维矩阵中的每行，按照从左到右的顺序，依次将两个值划分为一个胶囊向量，则可以得到多个胶囊向量。可以理解的是，胶囊向量中包括的值的数量可以根据实际应用场景来设定。
步骤405，调整胶囊向量矩阵中各胶囊向量的位置。
在得到胶囊向量矩阵后，执行主体可以调整胶囊向量矩阵中各胶囊向量的位置。例如，执行主体可以随机打乱胶囊向量矩阵中各胶囊向量的位置，或者，将第m行与第n行(m、n均为自然数)的胶囊向量进行交换等等。
本实施例中，通过调整胶囊向量的位置实现了对目标文本词向量的编码，方便后续的处理。
在本实施例的一些可选的实现方式中，执行主体可以通过以下步骤来调整胶囊向量矩阵中各胶囊向量的位置：
步骤4051，将胶囊向量矩阵中的各胶囊向量按照预设排列顺序进行排列。
本实现方式中，执行主体可以首先将胶囊向量矩阵中的各胶囊向量按照预设排列顺序进行排列。上述预设排列顺序可以通过平铺展开来实现，即先将第1行的各胶囊向量按照由左到右的顺序展开，然后将第2行的各胶囊向量按照左到右的顺序展开，并且第2行的各胶囊向量的位置位于第1行的各胶囊向量的位置之后或之下。依次将各行的胶囊向量展开后，得到一列胶囊向量。
在得到上述胶囊向量后，可以通过预设的迁移矩阵，实现各胶囊向量的位置迁移。这里，迁移矩阵的作用是指将各胶囊向量投影到新的空间中。迁移矩阵可以由以为卷积运算来实现，迁移矩阵中的各参数可以为卷积层中的各参数。
在上述实现方式的另一些实现中，还可以对得到的一列胶囊向量进行步骤4052的处理。
步骤4052，根据具有预设窗口长度的窗口按照预设的步长对排列后的各胶囊向量进行平移截取，得到新的胶囊向量。
本实现方式中，执行主体还可以利用具有预设窗口长度的窗口按照预设的步长对排列后的各胶囊向量进行平移截取，得到新的胶囊向量。通过该操作，新的胶囊向量中可以包含更广泛的上下文信息。本步骤可以通过全连接层来实现，即将一列胶囊向量输入聚合层，按照一定的步长和窗长对胶囊向量进行平移截取，得到新的胶囊向量。
步骤4053，根据预设的迁移矩阵对新的胶囊向量进行位置迁移。
然后，利用迁移矩阵对新的胶囊向量进行位置迁移。
步骤406，根据位置调整后的各胶囊向量，确定句向量。
本实施例中，通过对各胶囊向量进行位置调整后，可以根据上述各胶囊向量，确定句向量。例如，执行主体可以将上述各胶囊向量按照权重相加，将得到的和向量作为句向量。
在本实施例的一些可选的实现方式中，执行主体可以通过以下步骤来确定句向量。
步骤4061，确定各胶囊向量对应的初始权重。
执行主体可以首先确定各胶囊向量的初始权重。本实现方式中，每个胶囊向量可以对应一个初始权重。通过对该初始权重进行调整，得到每个胶囊向量的更新权重。在进行多次调整后，利用更新权重和各胶囊向量来确定句向量。这里，初始权重可以为一个预设的权重值，并且各胶囊向量对应的初始权重值可以相同，也可以不同。
步骤4062，基于初始权重，多次执行以下权重更新步骤：将各胶囊向量按照对应的权重相加，得到和向量；确定和向量与各胶囊向量之间的距离；根据得到的各距离调整各胶囊向量的初始权重，得到更新权重。
在得到各胶囊向量的初始权重后，可以将各胶囊向量按照对应的权重相加，得到和向量。然后，计算和向量与各胶囊向量之间的距离。如果距离越小，说明胶囊向量与和向量越相似。如果距离越大，说明胶囊向量与和向量相似性越小。然后，可以根据得到的各距离，调整各胶囊向量的初始权重，得到更新权重。具体的，可以将增大距离较小的胶囊向量的权重，减小距离较大的胶囊向量的权重。即，权重与距离成反比，距离越小，权重越大。
通过多次调整后，可以得到更新权重。
步骤4063，根据各胶囊向量对应的更新权重，确定句向量。
最后，可以根据各胶囊向量对应的更新权重，确定句向量。即将各胶囊向量与对应的权重相乘后相加，将得到的向量作为句向量。
步骤407，分别确定句向量与至少两个类别向量之间的距离。
在得到句向量后，执行主体可以分别确定句向量与至少两个类别向量之间的距离。距离越小，相似度越大。
步骤408，将与句向量距离最近的类别向量指示的类别作为目标文本的类别。
最后，执行主体可以将与句向量距离最近的类别向量指示的类别作为目标文本的类别。例如，句向量与“肯定”态度的向量的距离最近，则认为目标文本对应的态度为“肯定”。
本申请的上述实施例可以通过图5中所示的胶囊网络来实现。下面结合图5，进一步对上述步骤401～408进行说明。
图5中，输入的目标文本501为“可以的，就这样吧”。首先通过word2vec等词向量算法计算出词向量。
然后，利用嵌入层(Embedding)511加载上述词向量，得到目标文本和向量的一一映射关系，将字符串格式的目标文本501转化为向量矩阵502。
然后，设计卷积层(ConvLayer)512对向量矩阵502进行第一道编码，将高维的向量矩阵压缩至一个低维表示。卷积层512通过二维卷积运算(conv2d)和relu激活函数(relu)实现。通过卷积层512后，得到降维矩阵503。
得到第一道编码的降维矩阵503之后，我们再通过第二道压缩编码，将降维矩阵503输入原生层(Primary layer)513进一步压缩为更低维的矩阵，本次压缩仅采用二维卷积运算(conv2d)得到，并通过重塑(reshape)操作，在不改变矩阵中数据排列的情况下，将低维的矩阵拆解成多个二维的胶囊形式，即胶囊向量矩阵504。每个胶囊都代表一个胶囊向量。
得到胶囊向量矩阵504之后，将所有胶囊向量进行平铺展开，得到一列胶囊向量505。即将胶囊向量矩阵504输入平铺层(Flatten)514。
然后，将一列胶囊向量505输入全连接层(CapsFCLayer)515，全连接层515主要实现句子的编码。
全连接层515可以进一步包括聚合层(gather)，按照一定的步长和窗口长度对胶囊节点进行平移截取，得到新的胶囊节点，该节点中将包含更广泛的上下文信息。
全连接层515可以进一步包括迁移层(transform)。对新的胶囊向量进行迁移操作，即将新的胶囊向量输入迁移层。迁移操作通过一维卷积运算(conv1d)完成，该操作实现对各个胶囊节点的迁移操作。具体可以理解为乘以迁移矩阵，将胶囊节点表示投影到新的极性空间中，得到新的胶囊向量506。
全连接层515可以进一步包括路由层(routing)和激活层(ruler)。利用路由层和激活层对新的胶囊向量506进行多次自动路由和激活，最终得到各胶囊向量对应的更新权重。并根据这些更新权重得到句向量507。
得到句向量507之后，将其作为输出层516的输入。分类器为一个两层的全连接网络(包括mlp层和增强层(dense))，并在第mlp层前增加relu层和dropout层，以增加非线性表述能力和抗过拟合现象。最终输出通过softmax层得到类别的概率分数表示。
在训练上述胶囊网络时，通过利用标注类别的文本作为输入，将标注的类别作为期望输出，在梯度计算过程中，采用交叉熵损失函数(cross_entropy)对最终的输出层516计算交叉熵损失，同时联合计算最终的句向量507和类别向量的余弦距离(cosine_distance)来优化极性空间的表示。
在上述胶囊网络中，通过嵌入层(Embedding)511、卷积层(ConvLayer)512、原生层(Primary layer)513实现了对目标文本501中词向量的编码。通过平铺层(Flatten)514、全连接层(CapsFCLayer)515实现了对句向量的编码。通过输出层516实现了对目标文本501的分类。
通过图5所示的胶囊网络，可以更准确地提取目标文本的含义，使得得到的句向量更加准确，从而提高了文本分类的准确率。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种文本分类装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的输出信息装置600包括：目标文本获取单元601、第一矩阵确定单元602、第二矩阵确定单元603、句向量确定单元604和目标文本分类单元605。
目标文本获取单元601，被配置成获取目标文本。
第一矩阵确定单元602，被配置成确定所述目标文本的向量矩阵。
第二矩阵确定单元603，被配置成根据所述向量矩阵，确定胶囊向量矩阵。其中，所述胶囊向量矩阵中的每个胶囊向量包括至少两个值。
句向量确定单元604，被配置成根据所述胶囊向量矩阵中的各胶囊向量，确定所述目标文本的句向量。
目标文本分类单元605，被配置成根据所述句向量以及预设的至少两个类别向量，确定所述目标文本的类别。
在本实施例的一些可选的实现方式中，第二矩阵确定单元603可以进一步被配置成：对所述向量矩阵进行至少一次降维，得到降维矩阵；将所述降维矩阵中的各值划分为多个胶囊向量，得到所述胶囊向量矩阵。
在本实施例的一些可选的实现方式中，句向量确定单元604可以进一步包括图6中未示出的：位置调整模块和句向量确定模块。
位置调整模块，被配置成调整所述胶囊向量矩阵中各胶囊向量的位置。
句向量确定模块，被配置成根据位置调整后的各胶囊向量，确定所述句向量。
在本实施例的一些可选的实现方式中，位置调整模块可以进一步被配置成：将所述胶囊向量矩阵中的各胶囊向量按照预设排列顺序进行排列；根据预设的迁移矩阵对排列后的各胶囊向量进行位置迁移，以调整所述胶囊向量矩阵中各胶囊向量的位置。
在本实施例的一些可选的实现方式中，位置调整模块进一步被配置成：根据具有预设窗口长度的窗口按照预设的步长对排列后的各胶囊向量进行平移截取，得到新的胶囊向量；根据预设的迁移矩阵对新的胶囊向量进行位置迁移。
在本实施例的一些可选的实现方式中，句向量确定模块进一步被配置成：确定各胶囊向量对应的初始权重；基于所述初始权重，多次执行以下权重更新步骤：将各胶囊向量按照对应的权重相加，得到和向量；确定所述和向量与各胶囊向量之间的距离；根据得到的各距离调整各胶囊向量的初始权重，得到更新权重；根据各胶囊向量对应的更新权重，确定所述句向量。
在本实施例的一些可选的实现方式中，目标文本分类单元605可以进一步被配置成：分别确定所述句向量与所述至少两个类别向量之间的距离；将与所述句向量距离最近的类别向量指示的类别作为所述目标文本的类别。
应当理解，文本分类装置600中记载的单元601至单元605分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对文本分类方法描述的操作和特征同样适用于装置600及其中包含的单元，在此不再赘述。
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执行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701、存储器702，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701为例。
存储器702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执行文本分类方法。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执行文本分类方法。
存储器702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执行文本分类方法对应的程序指令/模块(例如，附图6所示的目标文本获取单元601、第一矩阵确定单元602、第二矩阵确定单元603、句向量确定单元604和目标文本分类单元605)。处理器701通过运行存储在存储器702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执行文本分类方法。
存储器702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执行文本分类电子设备的使用所创建的数据等。此外，存储器702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702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至执行文本分类电子设备。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。
执行文本分类方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704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703可接收输入的数字或字符信息，以及产生与执行文本分类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704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。上述计算机程序产品在被处理器执行时可以实现上述方法实施例对应的流程。
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。
根据本申请实施例的技术方案，可以利用胶囊网络来准确地提取目标文本的语义信息，从而能够实现更准确的分类，能够实现对用户态度的识别，为提升人机对话系统的质量提供基础。
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 (10)
1.一种文本分类方法，包括：
获取目标文本；
确定所述目标文本的向量矩阵；
根据所述向量矩阵，确定胶囊向量矩阵，其中，所述胶囊向量矩阵中的每个胶囊向量包括至少两个值；
将所述胶囊向量矩阵中的各胶囊向量按照预设排列顺序进行排列；
根据具有预设窗口长度的窗口按照预设的步长对排列后的各胶囊向量进行平移截取，得到新的胶囊向量；
根据预设的迁移矩阵对新的胶囊向量进行位置迁移，以调整所述胶囊向量矩阵中各胶囊向量的位置；
根据位置调整后的各胶囊向量，确定所述目标文本的句向量；
根据所述句向量以及预设的至少两个类别向量，确定所述目标文本的类别。
2.根据权利要求1所述的方法，其中，所述根据所述向量矩阵，确定胶囊向量矩阵，包括：
对所述向量矩阵进行至少一次降维，得到降维矩阵；
将所述降维矩阵中的各值划分为多个胶囊向量，得到所述胶囊向量矩阵。
3.根据权利要求1所述的方法，其中，所述根据位置调整后的各胶囊向量，确定所述句向量，包括：
确定各胶囊向量对应的初始权重；
基于所述初始权重，多次执行以下权重更新步骤：将各胶囊向量按照对应的权重相加，得到和向量；确定所述和向量与各胶囊向量之间的距离；根据得到的各距离调整各胶囊向量的初始权重，得到更新权重；
根据各胶囊向量对应的更新权重，确定所述句向量。
4.根据权利要求1所述的方法，其中，所述根据所述句向量以及预设的至少两个类别向量，确定所述目标文本的类别，包括：
分别确定所述句向量与所述至少两个类别向量之间的距离；
将与所述句向量距离最近的类别向量指示的类别作为所述目标文本的类别。
5.一种文本分类装置，包括：
目标文本获取单元，被配置成获取目标文本；
第一矩阵确定单元，被配置成确定所述目标文本的向量矩阵；
第二矩阵确定单元，被配置成根据所述向量矩阵，确定胶囊向量矩阵，其中，所述胶囊向量矩阵中的每个胶囊向量包括至少两个值；
句向量确定单元，所述句向量确定单元包括：位置调整模块，被配置成将所述胶囊向量矩阵中的各胶囊向量按照预设排列顺序进行排列；根据具有预设窗口长度的窗口按照预设的步长对排列后的各胶囊向量进行平移截取，得到新的胶囊向量；根据预设的迁移矩阵对新的胶囊向量进行位置迁移，以调整所述胶囊向量矩阵中各胶囊向量的位置；句向量确定模块，被配置成根据位置调整后的各胶囊向量，确定所述目标文本的句向量；
目标文本分类单元，被配置成根据所述句向量以及预设的至少两个类别向量，确定所述目标文本的类别。
6.根据权利要求5所述的装置，其中，所述第二矩阵确定单元进一步被配置成：
对所述向量矩阵进行至少一次降维，得到降维矩阵；
将所述降维矩阵中的各值划分为多个胶囊向量，得到所述胶囊向量矩阵。
7.根据权利要求5所述的装置，其中，所述句向量确定模块进一步被配置成：
确定各胶囊向量对应的初始权重；
基于所述初始权重，多次执行以下权重更新步骤：将各胶囊向量按照对应的权重相加，得到和向量；确定所述和向量与各胶囊向量之间的距离；根据得到的各距离调整各胶囊向量的初始权重，得到更新权重；
根据各胶囊向量对应的更新权重，确定所述句向量。
8.根据权利要求5所述的装置，其中，所述目标文本分类单元进一步被配置成：
分别确定所述句向量与所述至少两个类别向量之间的距离；
将与所述句向量距离最近的类别向量指示的类别作为所述目标文本的类别。
9.一种文本分类电子设备，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，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010608375.1A CN111767729B (zh) | 2020-06-30 | 2020-06-30 | 文本分类方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010608375.1A CN111767729B (zh) | 2020-06-30 | 2020-06-30 | 文本分类方法、装置、设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111767729A CN111767729A (zh) | 2020-10-13 |
| CN111767729B true CN111767729B (zh) | 2024-01-09 |
Family
ID=72724247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010608375.1A Active CN111767729B (zh) | 2020-06-30 | 2020-06-30 | 文本分类方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111767729B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112989037B (zh) * | 2021-02-05 | 2023-05-23 | 浙江连信科技有限公司 | 用于识别职业压力源的信息处理方法及装置 |
| CN113177118A (zh) * | 2021-04-29 | 2021-07-27 | 中国邮政储蓄银行股份有限公司 | 文本分类模型、文本分类的方法以及装置 |
| CN113158679B (zh) * | 2021-05-20 | 2023-07-04 | 广东工业大学 | 基于多特征叠加胶囊网络的海洋产业实体识别方法及装置 |
| CN113268994B (zh) * | 2021-07-16 | 2021-10-01 | 中国平安人寿保险股份有限公司 | 基于胶囊网络的意图识别方法及装置 |
| CN114238579B (zh) * | 2021-12-20 | 2023-02-10 | 北京聆心智能科技有限公司 | 文本分析方法、装置、介质和计算设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109241283A (zh) * | 2018-08-08 | 2019-01-18 | 广东工业大学 | 一种基于多角度胶囊网络的文本分类方法 |
| WO2019083553A1 (en) * | 2017-10-27 | 2019-05-02 | Google Llc | NEURONAL NETWORKS IN CAPSULE |
| CN110046249A (zh) * | 2019-03-11 | 2019-07-23 | 中国科学院深圳先进技术研究院 | 胶囊网络的训练方法、分类方法、系统、设备及存储介质 |
| CN110046671A (zh) * | 2019-04-24 | 2019-07-23 | 吉林大学 | 一种基于胶囊网络的文本分类方法 |
| WO2020024951A1 (zh) * | 2018-08-01 | 2020-02-06 | 北京三快在线科技有限公司 | 多义词词义学习以及搜索结果显示 |
| CN110826336A (zh) * | 2019-09-18 | 2020-02-21 | 华南师范大学 | 一种情感分类方法、系统、存储介质及设备 |
-
2020
- 2020-06-30 CN CN202010608375.1A patent/CN111767729B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019083553A1 (en) * | 2017-10-27 | 2019-05-02 | Google Llc | NEURONAL NETWORKS IN CAPSULE |
| WO2020024951A1 (zh) * | 2018-08-01 | 2020-02-06 | 北京三快在线科技有限公司 | 多义词词义学习以及搜索结果显示 |
| CN109241283A (zh) * | 2018-08-08 | 2019-01-18 | 广东工业大学 | 一种基于多角度胶囊网络的文本分类方法 |
| CN110046249A (zh) * | 2019-03-11 | 2019-07-23 | 中国科学院深圳先进技术研究院 | 胶囊网络的训练方法、分类方法、系统、设备及存储介质 |
| CN110046671A (zh) * | 2019-04-24 | 2019-07-23 | 吉林大学 | 一种基于胶囊网络的文本分类方法 |
| CN110826336A (zh) * | 2019-09-18 | 2020-02-21 | 华南师范大学 | 一种情感分类方法、系统、存储介质及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 胶囊网络用于短文本多意图识别的研究;刘娇 等;计算机科学与探索;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111767729A (zh) | 2020-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111767729B (zh) | 文本分类方法、装置、设备以及存储介质 | |
| JP7166322B2 (ja) | モデルを訓練するための方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
| JP7230081B2 (ja) | 帳票画像認識方法および装置、電子機器、記憶媒体並びにコンピュータプログラム | |
| CN111259671B (zh) | 文本实体的语义描述处理方法、装置及设备 | |
| US20210312139A1 (en) | Method and apparatus of generating semantic feature, method and apparatus of training model, electronic device, and storage medium | |
| CN111667056B (zh) | 用于搜索模型结构的方法和装置 | |
| KR20220034069A (ko) | 모델 훈련 및 폰트 라이브러리 구축 방법, 장치, 설비 및 저장 매체 | |
| US20210200813A1 (en) | Human-machine interaction method, electronic device, and storage medium | |
| US20220148239A1 (en) | Model training method and apparatus, font library establishment method and apparatus, device and storage medium | |
| CN111563593B (zh) | 神经网络模型的训练方法和装置 | |
| CN111709252B (zh) | 基于预训练的语义模型的模型改进方法及装置 | |
| US11321370B2 (en) | Method for generating question answering robot and computer device | |
| CN112507702B (zh) | 文本信息的抽取方法、装置、电子设备及存储介质 | |
| CN111241838B (zh) | 文本实体的语义关系处理方法、装置及设备 | |
| US20210326538A1 (en) | Method, apparatus, electronic device for text translation and storage medium | |
| US20230115984A1 (en) | Method and apparatus for training model, method and apparatus for generating molecules | |
| CN112541052B (zh) | 确定问题的答案的方法、装置、设备及存储介质 | |
| CN112380855B (zh) | 确定语句通顺度的方法、确定概率预测模型的方法和装置 | |
| US20220398834A1 (en) | Method and apparatus for transfer learning | |
| CN111325000B (zh) | 语言生成方法、装置及电子设备 | |
| CN112529180A (zh) | 模型蒸馏的方法和装置 | |
| CN112101552A (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
| JP2024515199A (ja) | 要素テキスト処理方法、装置、電子機器及び記憶媒体 | |
| US12079215B2 (en) | Query rewriting method and apparatus, device and storage medium | |
| CN112329429B (zh) | 文本相似度学习方法、装置、设备以及存储介质 |
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 |