文本分类方法和装置
技术领域
本发明涉及计算机技术领域,尤其涉及一种文本分类方法和装置。
背景技术
目前,业内主要采用机器学习和深度学习两种方法对文本分类问题进行处理。机器学习方法主要依靠诸如逻辑回归(LR)、支持向量机(SVM)或朴素贝叶斯分类器等模型,具体实现时可通过提取底层数据特征、基于词频-逆文档词频(TF-IDF)等对特征进行挖掘、加入线性变换函数和激活函数等操作进行文本分类。深度学习方法主要依靠诸如卷积神经网络模型(CNN)或递归神经网络模型(RNN)等神经网络模型,在具体实现时通过卷积、池化、全连接或长短时记忆等操作进行文本分类。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:第一、传统机器学习算法都是在基于TF-IDF进行特征挖掘的基础之上进行算法拟合。由于TF-IDF没有考虑词序,在进行独热编码(One-Hot编码)时会将每个词单独记为一个特征,导致文本丧失了语序,所以文本分类效果往往不理想。第二、当语料质量欠佳、存在严重样本分布不均衡问题时(例如,两个类别的句子数量的比值大于20),深度学习算法在语料数量大的类别上具有较好地识别效果,但是在语料数量少的类别上会出现特征学习不足、无法正确区分小语料特征、学习效果极差等问题,进而导致小语料的类别几乎难以被正确识别、分类效果极差、召回率极低。即使采用样本增强、添加噪音、平衡样本等方法,也难以达到比较好的效果。
发明内容
有鉴于此,本发明提供一种文本分类方法和装置,能够在保证分类结果总体准确率的情况下,提高语料较小的类别的召回率,尤其适用于样本数量较小或者样本不均衡问题严重的文本分类场景。
为实现上述目的,根据本发明的一个方面,提供了一种文本分类方法。
本发明的文本分类方法包括将待分类文本切分为多个语义单元,然后基于所述多个语义单元构建第一词序树;其中,所述第一词序树包括多个分支,每个分支存储有一个语义单元组合,并且所述语义单元组合中的各个语义单元按照其在待分类文本中出现的先后顺序进行排列;将第一词序树与分类语料库中已知类别的文本对应的第二词序树进行对比,然后根据对比结果确定所述待分类文本与所述已知类别的文本的相似度;根据所述待分类文本与所述已知类别的文本的相似度确定所述待分类文本的类别。
可选地,所述基于所述多个语义单元构建第一词序树的步骤包括:基于所述多个语义单元构建多个语义单元组合,并且确定所述语义单元组合中的各个语义单元的层次号;所述层次号是通过对同一语义单元组合中的语义单元按照其在待分类文本中出现的先后顺序进行排序得到的;按照所述层次号将所述多个语义单元组合中的语义单元存储至多叉树中对应层次的节点中,并令同一语义单元组合中的各个语义单元位于多叉树的同一分支中,以得到所述第一词序树。
可选地,所述对比结果包括:第二词序树中存在的与第一词序树匹配的语义单元组合;所述将第一词序树与分类语料库中已知类别的文本对应的第二词序树进行对比的步骤包括:从第一词序树中获取所有的语义单元组合,然后根据获取的每个语义单元组合对所述已知类别的文本对应的第二词序树进行遍历、比对,以确定第二词序树中存在的与第一词序树匹配的语义单元组合。
可选地,所述根据对比结果确定所述待分类文本与所述已知类别的文本的相似度的步骤包括:确定第二词序树中存在的与第一词序树匹配的语义单元组合的最大长度,然后根据所述最大长度以及所述已知类别的文本的长度计算所述待分类文本与所述已知类别的文本的相似度。
可选地,所述根据所述待分类文本与所述已知类别的文本的相似度确定所述待分类文本的类别的步骤包括:根据所述待分类文本与同一已知类别下的各个文本的相似度确定待分类文本属于该已知类别的第一权重值和第二权重值;其中,第一权重值为所述待分类文本与同一已知类别下的各个文本的相似度的最大值,第二权重值为所述待分类文本与同一已知类别下的各个文本的相似度的均值;在满足一个已知类别的第一权重值大于第一阈值的情况下,将该已知类别作为所述待分类文本的类别;否则,对所有已知类别的第二权重值由大到小排序,并将排序结果中的前N位已知类别作为所述待分类文本的类别;其中,N为大于等于1的整数。
为实现上述目的,根据本发明的另一方面,提供了一种文本分类装置。
本发明的文本分类装置包括:构建模块,用于将待分类文本切分为多个语义单元,然后基于所述多个语义单元构建第一词序树;其中,所述第一词序树包括多个分支,每个分支存储有一个语义单元组合,并且所述语义单元组合中的各个语义单元按照其在待分类文本中出现的先后顺序进行排列;确定模块,用于将第一词序树与分类语料库中已知类别的文本对应的第二词序树进行对比,然后根据对比结果确定所述待分类文本与所述已知类别的文本的相似度;分类模块,用于根据所述待分类文本与所述已知类别的文本的相似度确定所述待分类文本的类别。
可选地,所述构建模块基于所述多个语义单元构建第一词序树包括:所述构建模块基于所述多个语义单元构建多个语义单元组合,并且确定所述语义单元组合中的各个语义单元的层次号;所述层次号是通过对同一语义单元组合中的语义单元按照其在待分类文本中出现的先后顺序进行排序得到的;所述构建模块按照所述层次号将所述多个语义单元组合中的语义单元存储至多叉树中对应层次的节点中,并令同一语义单元组合中的各个语义单元位于多叉树的同一分支中,以得到所述第一词序树。
可选地,所述对比结果包括:第二词序树中存在的与第一词序树匹配的语义单元组合;所述确定模块将第一词序树与分类语料库中已知类别的文本对应的第二词序树进行对比包括:所述确定模块从第一词序树中获取所有的语义单元组合,然后根据获取的每个语义单元组合对所述已知类别的文本对应的第二词序树进行遍历、比对,以确定第二词序树中存在的与第一词序树匹配的语义单元组合。
可选地,所述确定模块根据对比结果确定所述待分类文本与所述已知类别的文本的相似度包括:所述确定模块确定第二词序树中存在的与第一词序树匹配的语义单元组合的最大长度,然后根据所述最大长度以及所述已知类别的文本的长度计算所述待分类文本与所述已知类别的文本的相似度。
可选地,所述分类模块根据所述待分类文本与所述已知类别的文本的相似度确定所述待分类文本的类别包括:所述分类模块根据所述待分类文本与同一已知类别下的各个文本的相似度确定待分类文本属于该已知类别的第一权重值和第二权重值;其中,第一权重值为所述待分类文本与同一已知类别下的各个文本的相似度的最大值,第二权重值为所述待分类文本与同一已知类别下的各个文本的相似度的均值;所述分类模块在满足一个已知类别的第一权重值大于第一阈值的情况下,将该已知类别作为所述待分类文本的类别;否则,所述分类模块对所有已知类别的第二权重值由大到小排序,并将排序结果中的前N位已知类别作为所述待分类文本的类别;其中,N为大于等于的整数。
为实现上述目的,根据本发明的再一个方面,提供了一种电子设备。
本发明的电子设备,包括:一个或多个处理器;以及,存储装置,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明的文本分类方法。
为实现上述目的,根据本发明的又一个方面,提供了一种计算机可读介质。
本发明的计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明的文本分类方法。
上述发明中的一个实施例具有如下优点或有益效果:通过将待分类文本切分为多个语义单元,然后基于所述多个语义单元构建第一词序树,将第一词序树与分类语料库中已知类别的文本对应的第二词序树进行对比,然后根据对比结果确定所述待分类文本与所述已知类别的文本的相似度,再根据所述待分类文本与所述已知类别的文本的相似度确定所述待分类文本的类别,能够在保证分类结果总体准确率的情况下,提高语料较小的类别的召回率,尤其适用于样本数量较小或者样本不均衡问题严重的文本分类场景。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明一个实施例的文本分类方法的主要流程示意图;
图2是根据本发明另一个实施例的文本分类方法的主要流程示意图;
图3是根据本发明实施例中的词序树的可选结构示意图;
图4是根据本发明实施例中的词序树的可选结构示意图;
图5是根据本发明一个实施例的文本分类装置的主要模块示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7是适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明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,而不会背离本发明的范围和精神。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。
需要指出的是,在不冲突的情况下,本发明中的实施例以及实施例中的特征可以相互组合。
图1是根据本发明一个实施例的文本分类方法的主要流程示意图。如图1所示,本发明实施例的文本分类方法包括:
步骤S101、将待分类文本切分为多个语义单元,然后基于所述多个语义单元构建第一词序树。
其中,待分类文本可以为用户输入的一句话,比如“我想去吃饭”、“保险有哪些种类”、“有哪些千元智能手机”等等。在该步骤中,在对待分类文本进行切分时,如果以词为单元进行切分,则语义单元为切分后的词,如果以字为单位进行切分,则语义单元为切分后的字。例如,假设待分类文本为“我想去吃饭”,如果借助结巴分词等分词工具对其进行切分,则语义单元为切分后的词,比如“我”、“想去”、“吃饭”;如果按字进行切分,则语义单元为切分后的字,比如“我”、“想”、“去”、“吃”、“饭”。例如,假设待分类文本为“保险有哪些种类”,如果借助结巴分词等分词工具对其进行切分,则语义单元为切分后的词,比如“保险”、“有”、“哪些”、“种类”;如果按字进行切分,则语义单元为切分后的字,比如“保”、“险”、“有”、“哪”、“些”、“种”、“类”。
在切分得到多个语义单元之后,可基于所述多个语义单元构建第一词序树。其中,所述第一词序树包括多个分支,每个分支存储有一个语义单元组合,并且所述语义单元组合中的各个语义单元按照其在待分类文本中出现的先后顺序进行排列。例如,假设待分类文本为“保险有哪些种类”,第一词序树上某个分支存储的语义单元组合为[保险,有,种类],则该分支由上至下的三个节点可依次存储“保险”、“有”、“种类”。
在本发明实施例中,通过该步骤构建的第一词序树保留了待分类文本的语序特征,有助于提高后续文本分类的准确性。
步骤S102、将第一词序树与分类语料库中已知类别的文本对应的第二词序树进行对比,然后根据对比结果确定所述待分类文本与所述已知类别的文本的相似度。
例如,假设分类语料库中有两个已知类别的文本集,分别为:类别1:保险购买前咨询;类别1下的文本集[怎么买保险,保险有哪些险种,保险每年需要投保多少钱];类别2:保险购买后咨询;类别2下的文本集[怎么理赔,被车撞了可以保吗,保险处理打哪个电话]。则可通过步骤S102计算待分类文本与分类语料库中各个已知类别的文本的相似度,即待分类文本与类别1的文本“怎么买保险”的相似度、待分类文本与类别1的文本“保险有哪些险种”的相似度、待分类文本与类别1的文本“保险每年需要投保多少钱”的相似度、待分类文本与类别2的文本“怎么理赔”的相似度、待分类文本与类别2的文本“被车撞了可以保吗”的相似度、待分类文本与类别2的文本“保险处理打哪个电话”的相似度。
步骤S103、根据所述待分类文本与所述已知类别的文本的相似度确定所述待分类文本的类别。
在一个可选实施方式中,步骤S103包括:根据所述待分类文本与同一已知类别下的各个文本的相似度确定待分类文本属于该已知类别的第一权重值和第二权重值;其中,第一权重值为所述待分类文本与同一已知类别下的各个文本的相似度的最大值,第二权重值为所述待分类文本与同一已知类别下的各个文本的相似度的均值;在满足一个已知类别的第一权重值大于第一阈值的情况下,将该已知类别作为所述待分类文本的类别;否则,对所有已知类别的第二权重值由大到小排序,并将排序结果中的前N位已知类别作为所述待分类文本的类别;其中,N为大于等于1的整数。
在另一个可选实施方式中,步骤S103包括:根据所述待分类文本与同一已知类别下的各个文本的相似度确定该已知类别的第二权重值;其中,第二权重值为所述待分类文本与同一已知类别下的各个文本的相似度的均值;对所有已知类别的第二权重值由大到小排序,并将排序结果中的前N位已知类别作为所述待分类文本的类别;其中,N为大于等于1的整数。
在本发明实施例中,通过以上步骤能够在保证分类结果总体准确率的情况下,提高语料较小的类别的召回率,尤其适用于样本数量较小或者样本不均衡问题严重的文本分类场景。
图2是根据本发明另一个实施例的文本分类方法的主要流程示意图。如图2所示,本发明实施例的文本分类方法包括:
步骤S201、将待分类文本切分为多个语义单元。
其中,待分类文本可以为用户输入的一句话,比如“我想去吃饭”、“保险有哪些种类”、“有哪些千元智能手机”等等。在该步骤中,在对待分类文本进行切分时,如果以词为单元进行切分,则语义单元为切分后的词,如果以字为单位进行切分,则语义单元为切分后的字。
例如,假设待分类文本为“我想去吃饭”,如果借助结巴分词等分词工具对其进行切分,则语义单元为切分后的词,比如“我”、“想去”、“吃饭”;如果按字进行切分,则语义单元为切分后的字,比如“我”、“想”、“去”、“吃”、“饭”。例如,假设待分类文本为“保险有哪些种类”,如果借助结巴分词等分词工具对其进行切分,则语义单元为切分后的词,比如“保险”、“有”、“哪些”、“种类”;如果按字进行切分,则语义单元为切分后的字,比如“保”、“险”、“有”、“哪”、“些”、“种”、“类”。
步骤S202、基于所述多个语义单元构建多个语义单元组合,并且确定所述语义单元组合中的各个语义单元的层次号。
在一个可选实施方式中,可根据广度搜索方式顺序地递归遍历所述多个语义单元,以得到所述多个语义单元组合。例如,假设待分类文本为“我想去吃饭”,通过步骤S201处理得到的所述多个语义单元为[我,想,去,吃,返],语义单元组合的长度为1至5,则可根据广度搜索方式穷举出各长度下的所有语义单元组合,比如语义单元组合[我,想,去,吃,饭]、语义单元组合[我,想,吃,饭]、语义单元组合[去,吃,饭]、语义单元组合[吃,饭]等等。
在构建多个语义单元组合的同时,还可对同一语义单元组合中的语义单元按照其在待分类文本中出现的先后顺序进行排序,以得到所述语义单元组合中的各个语义单元的层次号。例如,在语义单元组合[我,想,去,吃,饭]中,共有5个语义单元,按照各个语义单元在待分类文本中出现的先后顺序进行排序后可得到如下结果:[(我,1),(想,2)、(去,3),(吃,4),(饭,5)](该结果表示在该语义单元组合中,“我”的层次号为1,“想”的层次号为2,“去”的层次号为3,“吃”的层次号为4,“饭”的层次号为5);在语义单元组合[去,吃,饭]中,共有3个语义单元,按照各个语义单元在待分类文本中出现的先后顺序进行排序后可得到如下结果:[(去,1),(吃,2),(饭,3)](该结果表示在该语义单元组合中,“去”的层次号为1,“吃”的层次号为2,“饭”的层次号为3)。
步骤S203、按照所述层次号将所述多个语义单元组合中的语义单元存储至多叉树中对应层次的节点中,并令同一语义单元组合中的各个语义单元位于多叉树的同一分支中,以得到第一词序树。
示例性地,假设待分类文本为“我想去吃饭”,通过步骤S202得到的一个语义单元组合满足:[(我,1),(想,2)、(去,3),(吃,4),(饭,5)],则可根据层次号的大小,依次将“我”填充至一个分支中的第一层节点(根节点的儿子节点)、将“想”填充至该分支中的第二层节点,将“去”填充至该分支中的第三层节点,将“吃”填充至该分支中的第四层节点,将“饭”填充至该分支中的第五层节点;通过步骤S202得到的另一个语义单元组合满足:[(去,1),(吃,2),(饭,3)],则可根据层次号的大小,依次将“去”填充至另一分支中的第一层节点,将“吃”填充至该另一分支中的第二层节点,将“饭”填充至另一分支中的第三层节点;对于通过步骤S202得到的每一个语义单元组合迭代执行上述填充步骤,即可得到第一词序树。
在本发明实施例中,通过该步骤构建的第一词序树保留了待分类文本的语序特征,有助于提高后续文本分类的准确性。
步骤S204、从第一词序树中获取所有的语义单元组合,然后根据获取的每个语义单元组合对所述已知类别的文本对应的第二词序树进行遍历、比对,以确定第二词序树中存在的与第一词序树匹配的语义单元组合。
在一个可选实施方式中,步骤S204具体包括:A、对于从第一词序树获取的每个语义单元组合来说,根据当前语义单元的层次号L,查找出所述已知类别的文本对应的第二词序树中L层的所有节点;B、如果当前语义单元存在于第二词序树L层的节点中,则视为匹配到一个节点,进而根据下一语义单元的层次号L+1,查找L层中匹配节点的所有子节点;如果当前语义单元不存在于第二词序树L层的节点中,则该条语义单元组合匹配失败;C、如果下一语义单元存在于L层中匹配节点的子节点中,则视为又匹配到一个节点;D、如果该语义单元组合中所有的语义单元都在第二词序树中存在匹配节点,则认为第二词序树存在与之匹配的语义单元组合;E、在将第一词序树中的所有语义单元组合都按照步骤A至D对第二词序树进行遍历、比对后,可得到第二词序树中存在的与第一词序树匹配的所有语义单元组合。
在本发明实施例中,基于第一词序树存储待分类文本的语义单元组合,并基于第一词序树和第二词序树确定匹配的语义单元组合,能够减少空间的使用率,加快匹配查询的速度。
具体实施时,在步骤S204之前,本发明实施例的方法还可包括以下步骤:为分类语料库中各个已知类别的文本构建对应的第二词序树。例如,分类语料库中有两个已知类别的文本集,分别为:类别1:保险购买前咨询;类别1下的文本集[怎么买保险,保险有哪些险种,保险每年需要投保多少钱];类别2:保险购买后咨询;类别2下的文本集[怎么理赔,被车撞了可以保吗,保险处理打哪个电话],则可为这六个已知类别的文本分别构建对应的第二词序树。第二词序树包括多个分支,每个分支存储有一个语义单元组合,并且所述语义单元组合中的各个语义单元按照其在已知类别的文本中出现的先后顺序进行排列;
步骤S205、确定第二词序树中存在的与第一词序树匹配的语义单元组合的最大长度,然后根据所述最大长度以及所述已知类别的文本的长度计算所述待分类文本与所述已知类别的文本的相似度。
其中,语义单元组合的长度可定义为语义单元组合所包含的字的总个数。例如,假设第二词序树中存在的与第一词序树匹配的语义单元组合为[我,想,吃,饭]、[想,吃,饭]和[吃,饭],则这三个匹配的语义单元组合的长度分别为4、3、2,这三个匹配的语义单元组合中的最大长度为4。
进一步,可根据如下公式计算所述待分类文本与所述已知类别的文本的相似度:
其中,Cj-i表示待分类文本与所述已知类别的文本的相似度,Li-i,max表示第二词序树中存在的与第一词序树匹配的语义单元组合的最大长度,Li表示已知类别的文本的长度。
例如,假设分类语料库中有两个已知类别的文本集,分别为:类别1:保险购买前咨询;类别1下的文本集[怎么买保险,保险有哪些险种,保险每年需要投保多少钱];类别2:保险购买后咨询;类别2下的文本集[怎么理赔,被车撞了可以保吗,保险处理打哪个电话]。则可通过步骤S205计算待分类文本与分类语料库中各个已知类别的文本的相似度,即待分类文本与类别1的文本“怎么买保险”的相似度、待分类文本与类别1的文本“保险有哪些险种”的相似度、待分类文本与类别1的文本“保险每年需要投保多少钱”的相似度、待分类文本与类别2的文本“怎么理赔”的相似度、待分类文本与类别2的文本“被车撞了可以保吗”的相似度、待分类文本与类别2的文本“保险处理打哪个电话”的相似度。
步骤S206、根据所述待分类文本与所述已知类别的文本的相似度确定所述待分类文本的类别。
在一个可选实施方式中,步骤S206包括:根据所述待分类文本与同一已知类别下的各个文本的相似度确定待分类文本属于该已知类别的第一权重值和第二权重值;其中,第一权重值为所述待分类文本与同一已知类别下的各个文本的相似度的最大值,第二权重值为所述待分类文本与同一已知类别下的各个文本的相似度的均值;在满足一个已知类别的第一权重值大于第一阈值的情况下,将该已知类别作为所述待分类文本的类别;否则,对所有已知类别的第二权重值由大到小排序,并将排序结果中的前N位已知类别作为所述待分类文本的类别;其中,N为大于等于1的整数。
例如,假设将第一阈值设为1、将N设为1,通过步骤S205计算得到的待处理文本与类别1下的各个文本的相似度分别为0.8、0.4、0.6,待处理文本与类别2下的各个文本的相似度分别为0.6,0.4,0.6,0.2,则类别1的第一权重值为0.8,类别1的第二权重值为0.6,类别2的第一权重值为0.6,类别2的第二权重值为0.45。由于类别1的第一权重值和类别2的第一权重值都小于第一阈值,且类别1的第二权重值大于类别2的第二权重值,因此将第二类别作为待处理文本的类别。
在本发明实施例中,通过以上步骤能够确定待分类文本与每种已知类别下的文本的相似度,并基于所述相似度计算得到待分类文本属于各已知类别的权重值,从而准确确定待分类文本所属的类别。与现有技术相比,本发明通过以上步骤能够在保证分类结果总体准确率的情况下,提高语料较小的类别的召回率,尤其适用于样本数量较小或者样本不均衡问题严重的文本分类场景。
图3是根据本发明实施例中的词序树的可选结构示意图。在图3中,是以文本“我想去吃饭”为例构建的词序树。如果文本“我想去吃饭”为待分类文本,则图3所示的词序树为第一词序树;如果文本“我想去吃饭”为已知类别的文本,则图3所示的词序树为第二词序树。如图3所示,其包括从根节点(即图中的root节点)至叶子节点的多条分支,每条分支存储一个语义单元组合,并且该语义单元组合中的各个语义单元按照层次号填充在该分支对应层次的节点中。例如,在图3中最左侧分支存储的语义单元组合[(我,1),(想,2)、(去,3),(吃,4),(饭,5)]中,语义单元“我”填充在第一层的节点,语义单元“想”填充在该分支中的第二层节点,语义单元“去”填充在该分支中的第三层节点,语义单元“吃”填充在该分支中的第四层节点,语义单元“饭”填充在该分支中的第五层节点。
图4是根据本发明实施例中的词序树的可选结构示意图。在图4中,是以文本“一起去兰州吃拉面”为例构建的词序树。如果文本“一起去兰州吃拉面”为待分类文本,则图4所示的词序树为第一词序树;如果文本“一起去兰州吃拉面”为已知类别的文本,则图4所示的词序树为第二词序树。如图4所示,其包括从根节点(即图中的root节点)至叶子节点的多条分支,每条分支存储一个语义单元组合,并且该语义单元组合中的各个语义单元按照层次号填充在该分支对应层次的节点中。例如,在图4中最左侧分支存储的语义单元组合[(一起,1),(去,2)、(兰州,3),(吃,4),(拉面,5)]中,语义单元“一起”填充在第一层的节点,语义单元“去”填充在该分支中的第二层节点,语义单元“兰州”填充在该分支中的第三层节点,语义单元“吃”填充在该分支中的第四层节点,语义单元“拉面”填充在该分支中的第五层节点。
图5是根据本发明一个实施例的文本分类装置的主要模块示意图。如图5所示,本发明实施例的文本分类装置500包括:构建模块501、确定模块502、分类模块503。
构建模块501,用于将待分类文本切分为多个语义单元,然后基于所述多个语义单元构建第一词序树。其中,所述第一词序树包括多个分支,每个分支存储有一个语义单元组合,并且所述语义单元组合中的各个语义单元按照其在待分类文本中出现的先后顺序进行排列。
其中,待分类文本可以为用户输入的一句话,比如“我想去吃饭”、“保险有哪些种类”、“有哪些千元智能手机”等等。具体来说,构建模块501在对待分类文本进行切分时,如果以词为单元进行切分,则语义单元为切分后的词,如果以字为单位进行切分,则语义单元为切分后的字。例如,假设待分类文本为“我想去吃饭”,如果借助结巴分词等分词工具对其进行切分,则语义单元为切分后的词,比如“我”、“想去”、“吃饭”;如果按字进行切分,则语义单元为切分后的字,比如“我”、“想”、“去”、“吃”、“饭”。例如,假设待分类文本为“保险有哪些种类”,如果借助结巴分词等分词工具对其进行切分,则语义单元为切分后的词,比如“保险”、“有”、“哪些”、“种类”;如果按字进行切分,则语义单元为切分后的字,比如“保”、“险”、“有”、“哪”、“些”、“种”、“类”。
进一步,在切分得到多个语义单元之后,构建模块501可基于如下方式构建第一词序树:构建模块501基于所述多个语义单元构建多个语义单元组合,并且确定所述语义单元组合中的各个语义单元的层次号;所述层次号是通过对同一语义单元组合中的语义单元按照其在待分类文本中出现的先后顺序进行排序得到的;构建模块501按照所述层次号将所述多个语义单元组合中的语义单元存储至多叉树中对应层次的节点中,并令同一语义单元组合中的各个语义单元位于多叉树的同一分支中,以得到所述第一词序树。
在本发明实施例中,通过构建模块构建的第一词序树保留了待分类文本的语序特征,有助于提高后续文本分类的准确性。
确定模块502,用于将第一词序树与分类语料库中已知类别的文本对应的第二词序树进行对比,然后根据对比结果确定所述待分类文本与所述已知类别的文本的相似度。
示例性地,所述对比结果包括:第二词序树中存在的与第一词序树匹配的语义单元组合。在该示例中,确定模块502将第一词序树与分类语料库中已知类别的文本对应的第二词序树进行对比可具体包括:确定模块502从第一词序树中获取所有的语义单元组合,然后根据获取的每个语义单元组合对所述已知类别的文本对应的第二词序树进行遍历、比对,以确定第二词序树中存在的与第一词序树匹配的语义单元组合。
在本发明实施例中,基于第一词序树存储待分类文本的语义单元组合,并基于第一词序树和第二词序树确定匹配的语义单元组合,能够减少空间的使用率,加快匹配查询的速度。
进一步,在该示例中,确定模块502根据对比结果确定所述待分类文本与所述已知类别的文本的相似度可具体包括:确定模块502确定第二词序树中存在的与第一词序树匹配的语义单元组合的最大长度,然后根据所述最大长度以及所述已知类别的文本的长度计算所述待分类文本与所述已知类别的文本的相似度。
其中,语义单元组合的长度可定义为语义单元组合所包含的字的总个数。例如,假设第二词序树中存在的与第一词序树匹配的语义单元组合为[我,想,吃,饭]、[想,吃,饭]和[吃,饭],则这三个匹配的语义单元组合的长度分别为4、3、2,这三个匹配的语义单元组合中的最大长度为4。进一步,确定模块502可根据如下公式计算所述待分类文本与所述已知类别的文本的相似度:
其中,Cj-i表示待分类文本与所述已知类别的文本的相似度,Li-i,max表示第二词序树中存在的与第一词序树匹配的语义单元组合的最大长度,Li表示已知类别的文本的长度。
例如,假设分类语料库中有两个已知类别的文本集,分别为:类别1:保险购买前咨询;类别1下的文本集[怎么买保险,保险有哪些险种,保险每年需要投保多少钱];类别2:保险购买后咨询;类别2下的文本集[怎么理赔,被车撞了可以保吗,保险处理打哪个电话]。则可通过步骤S205计算待分类文本与分类语料库中各个已知类别的文本的相似度,即待分类文本与类别1的文本“怎么买保险”的相似度、待分类文本与类别1的文本“保险有哪些险种”的相似度、待分类文本与类别1的文本“保险每年需要投保多少钱”的相似度、待分类文本与类别2的文本“怎么理赔”的相似度、待分类文本与类别2的文本“被车撞了可以保吗”的相似度、待分类文本与类别2的文本“保险处理打哪个电话”的相似度。
分类模块503,用于根据所述待分类文本与所述已知类别的文本的相似度确定所述待分类文本的类别。
在一个可选实施方式中,分类模块503根据所述待分类文本与所述已知类别的文本的相似度确定所述待分类文本的类别具体包括:分类模块503根据所述待分类文本与同一已知类别下的各个文本的相似度确定待分类文本属于该已知类别的第一权重值和第二权重值;其中,第一权重值为所述待分类文本与同一已知类别下的各个文本的相似度的最大值,第二权重值为所述待分类文本与同一已知类别下的各个文本的相似度的均值;在满足一个已知类别的第一权重值大于第一阈值的情况下,分类模块503将该已知类别作为所述待分类文本的类别;否则,分类模块503对所有已知类别的第二权重值由大到小排序,并将排序结果中的前N位已知类别作为所述待分类文本的类别;其中,N为大于等于1的整数。
在另一个可选实施方式中,分类模块503根据所述待分类文本与所述已知类别的文本的相似度确定所述待分类文本的类别具体包括:分类模块503根据所述待分类文本与同一已知类别下的各个文本的相似度确定该已知类别的第二权重值;其中,第二权重值为所述待分类文本与同一已知类别下的各个文本的相似度的均值;分类模块503对所有已知类别的第二权重值由大到小排序,并将排序结果中的前N位已知类别作为所述待分类文本的类别;其中,N为大于等于1的整数。
在本发明实施例中,通过以上装置能够在保证分类结果总体准确率的情况下,提高语料较小的类别的召回率,尤其适用于样本数量较小或者样本不均衡问题严重的文本分类场景。
图6示出了可以应用本发明实施例的文本分类方法或文本分类装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604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601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的输入问题进行文本分类等意图识别处理、然后生成匹配回复,并将处理结果(例如生成的匹配回复)反馈给终端设备。
需要说明的是,本发明实施例所提供的文本分类方法一般由服务器605执行,相应地,文本分类装置一般设置于服务器605中。
应该理解,图6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。
下面参考图7,其示出了适于用来实现本发明实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括构建模块、确定模块和分类模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,构建模块还可以被描述为“为待分类文本构建与之对应的第一词序树的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备执行以下流程:将待分类文本切分为多个语义单元,然后基于所述多个语义单元构建第一词序树;其中,所述第一词序树包括多个分支,每个分支存储有一个语义单元组合,并且所述语义单元组合中的各个语义单元按照其在待分类文本中出现的先后顺序进行排列;将第一词序树与分类语料库中已知类别的文本对应的第二词序树进行对比,然后根据对比结果确定所述待分类文本与所述已知类别的文本的相似度;根据所述待分类文本与所述已知类别的文本的相似度确定所述待分类文本的类别。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。