CN114564581A - 基于深度学习的文本分类展示方法、装置、设备和介质 - Google Patents
基于深度学习的文本分类展示方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN114564581A CN114564581A CN202210163711.5A CN202210163711A CN114564581A CN 114564581 A CN114564581 A CN 114564581A CN 202210163711 A CN202210163711 A CN 202210163711A CN 114564581 A CN114564581 A CN 114564581A
- Authority
- CN
- China
- Prior art keywords
- text
- text classification
- classification
- input
- response
- 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.)
- Pending
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
- 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
- G06F16/34—Browsing; Visualisation therefor
-
- 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
-
- 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
Abstract
本公开的实施例公开了基于深度学习的文本分类展示方法、装置、设备和介质。该方法的一具体实施方式包括:响应于检测到用户作用于文本分类确认控件的选择操作,确定目标显示界面中的文本输入框对应的输入文本是否满足文本分类条件;响应于确定输入文本满足文本分类条件,将输入文本确定为初始文本;确定是否存在用户作用于向量分类方式选择控件的操作信息记录;响应于确定存在操作信息记录,根据操作信息记录,将初始文本输入至预先训练的文本分类模型,得到文本分类结果;在目标显示界面中的可视化展示区域对文本分类结果进行可视化展示。该实施方式可以提高文本分类时的分类效率和分类准确率。
Description
技术领域
本公开的实施例涉及自然语言处理技术领域,具体涉及基于深度学习的文本分类展示方法、装置、设备和介质。
背景技术
随着互联网的飞速发展,网络中信息泛滥的弊端日渐明显,因而如何有效地挖掘有用的信息是极具价值的研究,而文本分类则是挖掘文字信息的关键技术之一。目前,在进行文本分类时,可以采用BERT-TECNN模型。
然而,当采用上述方式进行文本分类时,经常会存在如下技术问题:
第一,BERT-TECNN模型的分类效率和分类准确率较低;
第二,BERT-TECNN模型仅支持字向量分类,不支持词向量分类,采用字向量分类导致无法缩短文本分类过程中产生的序列,进而无法提高文本分类的处理速度;
第三,不能同时支持字向量分类和词向量分类,导致文本分类模型缺乏灵活性,无法实现基于字向量分类和词向量分类的多环境应用;
第四,目前,通常基于浏览量为用户推送文本,未基于文本分类结果为用户推送文本,导致基于浏览量为用户推送的文本对于用户的针对性较低。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了基于深度学习的文本分类展示方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种文本分类展示方法,该方法包括:响应于检测到用户作用于文本分类确认控件的选择操作,确定目标显示界面中的文本输入框对应的输入文本是否满足文本分类条件;响应于确定上述输入文本满足上述文本分类条件,将上述输入文本确定为初始文本;确定是否存在用户作用于向量分类方式选择控件的操作信息记录;响应于确定存在操作信息记录,根据上述操作信息记录,将上述初始文本输入至预先训练的文本分类模型,得到文本分类结果;在上述目标显示界面中的可视化展示区域对上述文本分类结果进行可视化展示。
第二方面,本公开的一些实施例提供了一种文本分类展示装置,装置包括:第一确定单元,被配置成响应于检测到用户作用于文本分类确认控件的选择操作,确定目标显示界面中的文本输入框对应的输入文本是否满足文本分类条件;第二确定单元,被配置成响应于确定上述输入文本满足上述文本分类条件,将上述输入文本确定为初始文本;第三确定单元,被配置成确定是否存在用户作用于向量分类方式选择控件的操作信息记录;输入单元,被配置成响应于确定存在操作信息记录,根据上述操作信息记录,将上述初始文本输入至预先训练的文本分类模型,得到文本分类结果;展示单元,被配置成在上述目标显示界面中的可视化展示区域对上述文本分类结果进行可视化展示。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的文本分类展示方法,可以提高文本分类的分类效率和分类准确率。具体来说,造成文本分类的分类准确率较低的原因在于:BERT-TECNN模型的分类效率和分类准确率较低。基于此,本公开的一些实施例的文本分类展示方法,首先,响应于检测到用户作用于文本分类确认控件的选择操作,确定目标显示界面中的文本输入框对应的输入文本是否满足文本分类条件。由此,可以根据是否满足文本分类条件,从而确定是否开始进行文本分类任务。然后,响应于确定上述输入文本满足上述文本分类条件,将上述输入文本确定为初始文本。由此,可以得到用于进行文本分类的初始文本。其次,确定是否存在用户作用于向量分类方式选择控件的操作信息记录。由此,可以通过是否存在操作信息记录确定是否存在用户作用于向量分类方式选择控件的操作。然后,响应于确定存在操作信息记录,根据上述操作信息记录,将上述初始文本输入至预先训练的文本分类模型,得到文本分类结果,其中,上述文本分类模型为基于双向编码的文本分类模型。由此,实现了对于文本的分类并得到了文本分类结果。最后,在上述目标显示界面中的可视化展示区域对上述文本分类结果进行可视化展示。由此,可以完成对于文本分类结果的可视化展示。因为本公开的文本分类模型为基于双向编码的文本分类模型,采用双向编码的方式增强了文本的上下文记忆,从而提高了文本分类时的分类效率和分类准确率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的文本分类展示方法的一个应用场景的示意图;
图2是根据本公开的文本分类展示方法的一些实施例的流程图;
图3是根据本公开的文本分类展示方法的一些实施例的文本分类模型的结构示意图;
图4是根据本公开的文本分类展示方法的又一些实施例的流程图;
图5是根据本公开的文本分类展示装置的一些实施例的结构示意图;
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
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。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的文本分类展示方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以响应于检测到用户作用于文本分类确认控件102的选择操作,确定目标显示界面103中的文本输入框104对应的输入文本105是否满足文本分类条件。例如,上述输入文本105可以为:“12月27日,玛纳斯县“迎冬奥·爱冰雪”迷你马拉松比赛在玛纳斯葡萄酒公园开赛,吸引了800多名选手参加,营造了全民运动迎冬奥的热烈气氛。起跑线上,参赛选手们蓄势待发,随着裁判一声令下,比赛正式开始,选手们奋勇争先冲出起跑线,一路你追我赶,奋勇争先,奔向自的地,尽情体验冰雪马拉松的乐趣。”。然后,计算设备101可以响应于确定上述输入文本105满足上述文本分类条件,将上述输入文本105确定为初始文本。之后,计算设备101可以确定是否存在用户作用于向量分类方式选择控件106的操作信息记录。可选地,上述向量分类方式选择控件106可以包括字向量分类控件1061和词向量分类控件1062。然后,计算设备101可以响应于确定存在操作信息记录,根据上述操作信息记录,将上述初始文本输入至预先训练的文本分类模型,得到文本分类结果107。最后,计算设备101可以在上述目标显示界面103中的可视化展示区域108对上述文本分类结果107进行可视化展示。可选地,计算设备101可以将得到上述文本分类结果107的时间和预设识别成功语料组合为文本识别成功日志109。然后,计算设备101可以在上述目标显示界面103中的日志展示区域110对上述文本识别成功日志109进行展示。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备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计算设备。
继续参考图2,示出了根据本公开的文本分类展示方法的一些实施例的流程200。该文本分类展示方法,包括以下步骤:
步骤201,响应于检测到用户作用于文本分类确认控件的选择操作,确定目标显示界面中的文本输入框对应的输入文本是否满足文本分类条件。
在一些实施例中,文本分类展示方法的执行主体(如图1所示的计算设备101)可以响应于检测到用户作用于文本分类确认控件的选择操作,确定目标显示界面中的文本输入框对应的输入文本是否满足文本分类条件。其中,上述文本分类确认控件可以为用于确认开始进行文本分类的控件。上述目标显示界面可以为当前显示的界面。上述文本输入框可以为上述目标显示界面中用于供用户输入文本的输入框。上述输入文本可以为用户输入的用于进行文本分类的文字。上述文本分类条件可以由相关工作人员进行设定。例如,上述文本分类条件可以为上述输入文本不为空。当文本分类展示方法应用于长文本时,上述文本分类条件可以为上述输入文本的字数大于预设字数。由此,可以根据是否满足文本分类条件,从而确定是否开始进行文本分类任务。
在一些实施例的一些可选的实现方式中,在步骤201之后,上述执行主体可以响应于确定上述输入文本不满足上述文本分类条件,在上述目标显示界面中展示文本输入提示弹窗。当上述文本分类条件为上述输入文本不为空时,上述文本输入提示弹窗可以为用于提示用户输入文本的弹窗。当上述文本分类条件为上述输入文本的字数大于预设字数时,上述文本输入提示弹窗可以为用于提示用户重新输入文本的弹窗。由此,当输入文本不满足文本分类条件时,可以提示用户输入文本。
步骤202,响应于确定输入文本满足文本分类条件,将输入文本确定为初始文本。
在一些实施例中,上述执行主体可以响应于确定上述输入文本满足上述文本分类条件,将上述输入文本确定为初始文本。由此,可以得到用于进行文本分类的初始文本。
步骤203,确定是否存在用户作用于向量分类方式选择控件的操作信息记录。
在一些实施例中,上述执行主体可以确定是否存在用户作用于向量分类方式选择控件的操作信息记录。其中,上述向量分类方式选择控件可以为用户对于初始文本映射为向量的方式进行选择的控件。例如,当上述向量分类方式选择控件为下拉框时,上述向量分类方式选择控件可以包括词向量分类控件和字向量分类控件。上述操作信息记录可以为记录用户针对向量分类方式选择控件进行选择的信息记录。例如,当上述操作信息记录为“1”时,可以表征存在用户作用于向量分类方式选择控件包括的词向量分类控件的选择操作。当上述操作信息记录为“2”时,可以表征存在用户作用于向量分类方式选择控件包括的字向量分类控件的选择操作。由此,可以通过是否存在操作信息记录确定是否存在用户作用于向量分类方式选择控件的操作。
步骤204,响应于确定存在操作信息记录,根据操作信息记录,将初始文本输入至预先训练的文本分类模型,得到文本分类结果。
在一些实施例中,上述执行主体可以响应于确定存在操作信息记录,根据上述操作信息记录,将上述初始文本输入至预先训练的文本分类模型,得到文本分类结果。其中,上述文本分类模型可以为基于双向编码的文本分类模型。例如,上述文本分类模型可以为基于BERT(Bidirectional Encoder Representations from Transformer)的文本分类模型。又如,上述文本分类模型可以为基于Bi-LSTM(双向长短时记忆网络)的文本分类模型。上述文本分类模型可以为预先训练的、以初始文本为输入数据,以文本分类结果为输出数据的神经网络模型。由此,实现了对于文本的分类并得到了文本分类结果。
在一些实施例的一些可选的实现方式中,上述文本分类模型可以通过以下方式训练得到的:
第一步,获取样本集合。其中,上述样本集合中的样本包括样本文本,以及与上述样本文本对应的样本文本分类结果。上述样本集合可以为用于进行模型训练的样本集合。上述样本文本可以为用于对文本分类模型进行训练的初始文本。上述样本文本分类结果可以为用于对文本分类模型进行训练的文本分类结果。
第二步,基于样本集合执行以下训练步骤:
第一子步骤,将样本集合中的至少一个样本包括的样本文本分别输入至初始神经网络,得到上述至少一个样本中的每个样本对应的文本分类结果。其中,上述初始神经网络可以是能够根据初始文本得到文本分类结果的各种神经网络,例如,卷积神经网络、深度神经网络等等。
第二子步骤,将上述至少一个样本中的每个样本对应的文本分类结果与对应的样本文本分类结果进行比较。
第三子步骤,根据比较结果确定初始神经网络是否达到预设的优化目标。作为示例,当一个样本对应的文本分类结果与对应的样本文本分类结果之间的差异小于预设差异阈值时,认为上述文本分类结果达到预设的优化目标。此时,上述优化目标可以是指上述初始神经网络生成的文本分类结果的准确率大于预设的准确率阈值。
第四子步骤,响应于确定初始神经网络达到上述优化目标,将初始神经网络确定为训练完成的文本分类模型。
可选地,训练得到上述文本分类模型的步骤还可以包括以下步骤:
第三步,响应于确定初始神经网络未达到上述优化目标,调整初始神经网络的网络参数,以及使用未用过的样本组成样本集合,使用调整后的初始神经网络作为初始神经网络,再次执行上述训练步骤。作为示例,可以采用反向传播算法(Back PropgationAlgorithm,BP算法)和梯度下降法(例如小批量梯度下降算法)对上述初始神经网络的网络参数进行调整。
在一些实施例的一些可选的实现方式中,如图3所示,上述文本分类模型可以包括文本预处理层、特征提取层、降维层、隐藏层、注意力层和输出层。上述文本预处理层可以用于对上述初始文本进行文本预处理。上述文本预处理的具体操作步骤可以由相关工作人员设定。例如,上述文本预处理可以为对上述初始文本进行去停用词操作。上述特征提取层可以用于对上述文本预处理层的输出进行特征提取。如图3所示,上述文本预处理层的输出可以为“一场马拉松”。例如,上述特征提取层可以采用BERT模型对上述文本预处理层的输出进行特征提取,得到文本向量(如图3所示的“X0”、“X1”、“X2”、“X3”、“X4”)。上述降维层可以用于对上述文本向量进行降维处理,得到降维处理后的文本向量作为降维向量。例如,上述降维层可以对上述文本向量先进行卷积处理(如图3所示的Conv),再进行池化处理(如图3所示的Max Pooling)。上述隐藏层可以用于对上述降维向量进行特征识别,得到隐藏层状态向量(如图3所示的“Y0”、“Y1”、“Y2”、“Y3”、“Y4”)。例如,上述隐藏层可以利用长短时记忆网络(如图3所示的LSTM)对上述降维向量进行特征识别。又如,上述隐藏层还可以利用双向长短时记忆网络对上述降维向量进行特征识别。可选地,上述隐藏层可以结合dropout策略。由此,可以抑制过拟合。上述注意力层用于对上述隐藏层状态向量进行加权变换,得到待分类特征序列。例如,上述注意力层可以采用注意力机制(如图3所示的Attention)对上述隐藏层状态向量进行加权变换。上述输出层用于输出文本分类结果。例如,上述输出层可以采用Softmax分类器对上述待分类特征序列进行处理,从而得到文本分类结果(如图3所示的“label1”、“label2”、“label3”、“label4”、“label5”)并输出。由此,可以实现对于文本分类模型的搭建。
可选地,第一步,上述执行主体可以响应于确定上述操作信息记录表征用户选择了上述向量分类方式选择控件对应的词向量分类控件,将上述初始文本输入至上述文本预处理层,得到待分类文本。其中,当上述向量分类方式选择控件为下拉框时,上述向量分类方式选择控件可以包括上述词向量分类控件。上述词向量分类控件可以为表征对上述初始文本进行词向量分类的控件。例如,当上述操作信息记录为“1”时,可以表征用户选择了上述向量分类方式选择控件对应的词向量分类控件。实践中,上述执行主体可以响应于确定上述操作信息记录表征用户选择了上述向量分类方式选择控件对应的词向量分类控件,将上述初始文本输入至上述文本预处理层,使得上述文本预处理层对上述初始文本进行分词处理,再进行去停用词处理,得到待分类文本。
第二步,可以将上述待分类文本输入至上述特征提取层,得到文本向量。实践中,上述执行主体可以将上述待分类文本输入至上述特征提取层,使得上述特征提取层采用WoBERT(Word-based BERT)模型对上述待分类文本进行特征提取,得到文本向量。其中,得到的文本向量为词向量。由此,采用WoBERT模型可以深层次理解上下文信息,捕捉到待分类文本的结构特点和位置信息。
第三步,可以将上述文本向量输入至上述降维层,得到降维处理后的文本向量作为降维向量。实践中,上述执行主体可以将上述文本向量输入至上述降维层,使得上述降维层对上述文本向量进行卷积处理,再进行池化处理,以完成对于上述文本向量的降维处理,得到降维处理后的文本向量作为降维向量。由此,可以更好的降低文本向量的维度,提高运行效率。
第四步,可以将上述降维向量输入至上述隐藏层,得到隐藏层状态向量。实践中,上述执行主体可以将上述降维向量输入至上述隐藏层,使得上述隐藏层采用双向长短时记忆网络对上述降维向量进行处理,得到隐藏层状态向量。
第五步,可以将上述隐藏层状态向量输入至上述注意力层,得到待分类特征序列。实践中,上述执行主体可以将上述隐藏层状态向量输入至上述注意力层,使得上述注意力层采用注意力机制对上述隐藏层状态向量进行处理,得到待分类特征序列。由此,可以提高得到的待分类特征序列的准确性。此外,当用户想要进行长文本分类,并将上述文本分类条件设置为上述输入文本的字数大于预设字数时,在上述注意力层采用注意力机制还可以避免长文本中存在的长序列前端语义稀释问题。
第六步,可以将上述待分类特征序列输入至上述输出层,得到文本分类结果。实践中,上述执行主体可以将上述待分类特征序列输入至上述输出层,使得上述输出层采用Softmax分类器对上述待分类特征序列输进行处理,得到文本分类结果。由此,完成对于初始文本的文本分类。
上述内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“BERT-TECNN模型仅支持字向量分类,不支持词向量分类,采用字向量分类导致无法缩短文本分类过程中产生的序列,进而无法提高文本分类的处理速度”。导致无法提高文本分类的处理速度的因素如下:仅支持字向量分类。如果解决了上述因素,就能达到缩短文本分类过程中产生的序列,进而提高文本分类的处理速度的效果。为了达到这一效果,本公开引入了词向量分类控件,在进行特征提取前,先在文本预处理层对初始文本进行了分词和去停用词处理,得到待分类文本,并且在特征提取层使用WoBERT模型对待分类文本进行特征提取,从而得到的文本向量为词向量,使得文本分类模型支持词向量分类。因此,采用词向量分类后,可以缩短文本分类过程中产生的序列,进而提高文本分类的处理速度。
可选地,第一步,上述执行主体可以响应于确定上述操作信息记录表征用户选择了上述向量分类方式选择控件对应的字向量分类控件,将上述初始文本确定为待分类文本。其中,当上述向量分类方式选择控件为下拉框时,上述向量分类方式选择控件可以包括上述字向量分类控件。上述字向量分类控件可以为表征对上述初始文本进行字向量分类的控件。例如,当上述操作信息记录为“2”时,可以表征用户选择了上述向量分类方式选择控件对应的字向量分类控件。实践中,上述执行主体可以响应于确定上述操作信息记录表征用户选择了上述向量分类方式选择控件对应的字向量分类控件,将上述初始文本确定为待分类文本。由此,可以直接对上述初始文本进行文本分类。
第二步,可以将上述待分类文本输入至上述特征提取层,得到文本向量。实践中,上述执行主体可以将上述待分类文本输入至上述特征提取层,使得上述特征提取层采用WoBERT模型对上述待分类文本进行特征提取,得到文本向量。其中,得到的文本向量为字向量。由此,可以将初始文本映射为字向量。
第三步,可以将上述文本向量输入至上述降维层,得到降维处理后的文本向量作为降维向量。
第四步,可以将上述降维向量输入至上述隐藏层,得到隐藏层状态向量。
第五步,可以将上述隐藏层状态向量输入至上述注意力层,得到待分类特征序列。
第六步,可以将上述待分类特征序列输入至上述输出层,得到文本分类结果。
上述内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题三“不能同时支持字向量分类和词向量分类,导致文本分类模型缺乏灵活性,无法实现基于字向量分类和词向量分类的多环境应用”。导致文本分类模型缺乏灵活性,无法实现基于字向量分类和词向量分类的多环境应用的因素如下:不能同时支持字向量分类和词向量分类。如果解决了上述因素,就能达到提升文本分类模型的灵活性,进而实现基于字向量分类和词向量分类的多环境应用的效果。为了达到这一效果,本公开在引入了词向量分类控件的基础上保留了字向量分类,同时引入字向量分类控件,可以根据用户的操作,从而得到为字向量的文本向量,或是为词向量的文本向量。因此,实现了文本分类模型同时支持字向量分类和词向量分类,从而提升了文本分类模型的灵活性,进而实现了基于字向量分类和词向量分类的多环境应用。
步骤205,在目标显示界面中的可视化展示区域对文本分类结果进行可视化展示。
在一些实施例中,上述执行主体可以在上述目标显示界面中的可视化展示区域对上述文本分类结果进行可视化展示。其中,上述可视化展示区域可以为用于对上述文本分类结果进行可视化展示的区域。例如,当上述文本分类结果为“Sports”时,可以在上述可视化展示区域展示“Sports”。由此,可以完成对于文本分类结果的可视化展示。
可选地,上述执行主体可以响应于确定不存在操作信息记录,根据默认文本向量分类方式,将上述初始文本输入至预先训练的文本分类模型,得到文本分类结果。上述默认文本向量分类方式可以为默认的文本向量分类方式。例如,上述默认文本向量分类方式可以为词向量分类方式。由此,当用户在未选择文本向量分类方式时进行文本分类,通过设置默认文本向量分类方式可以使得文本分类顺利进行。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的文本分类展示方法,可以提高文本分类的分类效率和分类准确率。具体来说,造成文本分类的分类准确率较低的原因在于:BERT-TECNN模型的分类效率和分类准确率较低。基于此,本公开的一些实施例的文本分类展示方法,首先,响应于检测到用户作用于文本分类确认控件的选择操作,确定目标显示界面中的文本输入框对应的输入文本是否满足文本分类条件。由此,可以根据是否满足文本分类条件,从而确定是否开始进行文本分类任务。然后,响应于确定上述输入文本满足上述文本分类条件,将上述输入文本确定为初始文本。由此,可以得到用于进行文本分类的初始文本。其次,确定是否存在用户作用于向量分类方式选择控件的操作信息记录。由此,可以通过是否存在操作信息记录确定是否存在用户作用于向量分类方式选择控件的操作。然后,响应于确定存在操作信息记录,根据上述操作信息记录,将上述初始文本输入至预先训练的文本分类模型,得到文本分类结果,其中,上述文本分类模型为基于双向编码的文本分类模型。由此,实现了对于文本的分类并得到了文本分类结果。最后,在上述目标显示界面中的可视化展示区域对上述文本分类结果进行可视化展示。由此,可以完成对于文本分类结果的可视化展示。因为本公开的文本分类模型为基于双向编码的文本分类模型,采用双向编码的方式增强了文本的上下文记忆,从而提高了文本分类时的分类效率和分类准确率。
进一步参考图4,其示出了文本分类展示方法的另一些实施例的流程400。该文本分类展示方法的流程400,包括以下步骤:
步骤401,响应于检测到用户作用于文本分类确认控件的选择操作,确定目标显示界面中的文本输入框对应的输入文本是否满足文本分类条件。
步骤402,响应于确定输入文本满足文本分类条件,将输入文本确定为初始文本。
步骤403,确定是否存在用户作用于向量分类方式选择控件的操作信息记录。
步骤404,响应于确定存在操作信息记录,根据操作信息记录,将初始文本输入至预先训练的文本分类模型,得到文本分类结果。
步骤405,在目标显示界面中的可视化展示区域对文本分类结果进行可视化展示。
在一些实施例中,步骤401-405的具体实现及其带来的技术效果可以参考图2对应的那些实施例中的步骤201-205,在此不再赘述。
步骤406,将得到文本分类结果的时间和预设识别成功语料组合为文本识别成功日志。
在一些实施例中,上述执行主体可以将得到上述文本分类结果的时间和预设识别成功语料组合为文本识别成功日志。上述预设识别成功语料可以为预先设定的表征文本分类成功的语料。例如,上述预设识别成功语料可以为“INFO:文本类别识别成功”。由此,可以得到文本识别成功日志。
步骤407,在目标显示界面中的日志展示区域对文本识别成功日志进行展示。
在一些实施例中,上述执行主体可以在上述目标显示界面中的日志展示区域对上述文本识别成功日志进行展示。由此,可以通过展示上述文本识别成功日志记录用户的文本分类行为,并提示用户本次文本分类成功。
可选地,第一步,上述执行主体可以将上述文本分类结果确定为上述初始文本对应的类别标签。第二步,可以从文本数据库中选择类别标签与上述初始文本对应的类别标签相同,且存储时间满足预设时间条件的文本作为目标文本。上述文本数据库可以为用于存储文本的数据库。上述预设时间条件可以为各个存储时间中时间最晚的存储时间。第三步,可以将上述初始文本作为文本存储至上述文本数据库中。第四步,可以在上述目标显示界面中的文本推送区域对上述目标文本进行展示。上述文本推送区域可以为上述目标显示界面中对上述目标文本进行展示的区域。
上述内容及其相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题四“目前,通常基于浏览量为用户推送文本,未基于文本分类结果为用户推送文本,导致基于浏览量为用户推送的文本对于用户的针对性较低”。导致基于浏览量为用户推送的文本对于用户的针对性较低的因素如下:未基于文本分类结果为用户推送文本。如果解决了上述因素,就能达到提高推送的文本对于用户的针对性的效果。为了达到这一效果,本公开实现了将文本分类结果确定为初始文本对应的类别标签,并根据初始文本对应的类别标签来选取目标文本,以及将目标文本进行展示。因此,可以基于文本分类结果为用户推送文本,进而提高了所推送的文本对于用户的针对性。
从图4中可以看出,与图2对应的一些实施例的描述相比,图4对应的一些实施例中的文本分类展示方法的流程400体现了对组合得到文本识别成功日志,并对文本识别成功日志进行展示的扩展步骤。由此,这些实施例描述的方案可以将得到文本分类结果的时间和预设识别成功语料组合为文本识别成功日志,并在目标显示界面中的日志展示区域对文本识别成功日志进行展示,进而可以通过展示上述文本识别成功日志记录用户的文本分类行为,并提示用户本次文本分类成功。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种文本分类展示装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,一些实施例的文本分类展示装置500包括:第一确定单元501、第二确定单元502、第三确定单元503、输入单元504和展示单元505。其中,第一确定单元501被配置成响应于检测到用户作用于文本分类确认控件的选择操作,确定目标显示界面中的文本输入框对应的输入文本是否满足文本分类条件;第二确定单元502被配置成响应于确定上述输入文本满足上述文本分类条件,将上述输入文本确定为初始文本;第三确定单元503被配置成确定是否存在用户作用于向量分类方式选择控件的操作信息记录;输入单元504被配置成响应于确定存在操作信息记录,根据上述操作信息记录,将上述初始文本输入至预先训练的文本分类模型,得到文本分类结果;展示单元505被配置成在上述目标显示界面中的可视化展示区域对上述文本分类结果进行可视化展示。
可以理解的是,该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开的一些实施例的电子设备(如图1所示的计算设备101)500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备6600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,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,本公开的一些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。在这样的一些实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载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。在本公开的一些实施例中,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。而在本公开的一些实施例中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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该电子设备执行时,使得该电子设备:响应于检测到用户作用于文本分类确认控件的选择操作,确定目标显示界面中的文本输入框对应的输入文本是否满足文本分类条件;响应于确定上述输入文本满足上述文本分类条件,将上述输入文本确定为初始文本;确定是否存在用户作用于向量分类方式选择控件的操作信息记录;响应于确定存在操作信息记录,根据上述操作信息记录,将上述初始文本输入至预先训练的文本分类模型,得到文本分类结果;在上述目标显示界面中的可视化展示区域对上述文本分类结果进行可视化展示。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,该模块、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,框图和/或流程图中的每个方框、以及框图和/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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一确定单元、第二确定单元、第三确定单元、输入单元和展示单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,展示单元还可以被描述为“在目标显示界面中的可视化展示区域对文本分类结果进行可视化展示的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种文本分类展示方法,包括:
响应于检测到用户作用于文本分类确认控件的选择操作,确定目标显示界面中的文本输入框对应的输入文本是否满足文本分类条件;
响应于确定所述输入文本满足所述文本分类条件,将所述输入文本确定为初始文本;
确定是否存在用户作用于向量分类方式选择控件的操作信息记录;
响应于确定存在操作信息记录,根据所述操作信息记录,将所述初始文本输入至预先训练的文本分类模型,得到文本分类结果,其中,所述文本分类模型为基于双向编码的文本分类模型;
在所述目标显示界面中的可视化展示区域对所述文本分类结果进行可视化展示。
2.根据权利要求1所述的方法,其中,所述文本分类模型包括文本预处理层、特征提取层、降维层、隐藏层、注意力层和输出层。
3.根据权利要求1所述的方法,其中,所述文本分类模型是通过以下方式训练得到的:
获取样本集合,其中,所述样本集合中的样本包括样本文本,以及与所述样本文本对应的样本文本分类结果;
基于样本集合执行以下训练步骤:
将样本集合中的至少一个样本包括的样本文本分别输入至初始神经网络,得到所述至少一个样本中的每个样本对应的文本分类结果;
将所述至少一个样本中的每个样本对应的文本分类结果与对应的样本文本分类结果进行比较;
根据比较结果确定初始神经网络是否达到预设的优化目标;
响应于确定初始神经网络达到所述优化目标,将初始神经网络确定为训练完成的文本分类模型。
4.根据权利要求3所述的方法,其中,训练得到所述文本分类模型的步骤还包括:
响应于确定初始神经网络未达到所述优化目标,调整初始神经网络的参数,以及使用未用过的样本组成样本集合,使用调整后的初始神经网络作为初始神经网络,再次执行所述训练步骤。
5.根据权利要求1所述的方法,其中,所述方法还包括:
将得到所述文本分类结果的时间和预设识别成功语料组合为文本识别成功日志;
在所述目标显示界面中的日志展示区域对所述文本识别成功日志进行展示。
6.根据权利要求1所述的方法,其中,在所述确定目标显示界面中的文本输入框对应的输入文本是否满足文本分类条件之后,所述方法还包括:
响应于确定所述输入文本不满足所述文本分类条件,在所述目标显示界面中展示文本输入提示弹窗。
7.根据权利要求1-6之一所述的方法,其中,所述方法还包括:
响应于确定不存在操作信息记录,根据默认文本向量分类方式,将所述初始文本输入至预先训练的文本分类模型,得到文本分类结果。
8.一种文本分类展示装置,包括:
第一确定单元,被配置成响应于检测到用户作用于文本分类确认控件的选择操作,确定目标显示界面中的文本输入框对应的输入文本是否满足文本分类条件;
第二确定单元,被配置成响应于确定所述输入文本满足所述文本分类条件,将所述输入文本确定为初始文本;
第三确定单元,被配置成确定是否存在用户作用于向量分类方式选择控件的操作信息记录;
输入单元,被配置成响应于确定存在操作信息记录,根据所述操作信息记录,将所述初始文本输入至预先训练的文本分类模型,得到文本分类结果;
展示单元,被配置成在所述目标显示界面中的可视化展示区域对所述文本分类结果进行可视化展示。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
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如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210163711.5A CN114564581A (zh) | 2022-02-22 | 2022-02-22 | 基于深度学习的文本分类展示方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210163711.5A CN114564581A (zh) | 2022-02-22 | 2022-02-22 | 基于深度学习的文本分类展示方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114564581A true CN114564581A (zh) | 2022-05-31 |
Family
ID=81714372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210163711.5A Pending CN114564581A (zh) | 2022-02-22 | 2022-02-22 | 基于深度学习的文本分类展示方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114564581A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116127078A (zh) * | 2023-04-19 | 2023-05-16 | 吉林大学 | 一种大规模极弱监督多标签政策分类方法及系统 |
-
2022
- 2022-02-22 CN CN202210163711.5A patent/CN114564581A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116127078A (zh) * | 2023-04-19 | 2023-05-16 | 吉林大学 | 一种大规模极弱监督多标签政策分类方法及系统 |
CN116127078B (zh) * | 2023-04-19 | 2023-07-21 | 吉林大学 | 一种大规模极弱监督多标签政策分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962315B (zh) | 模型预训练方法、装置、设备、存储介质以及程序产品 | |
CN108989882B (zh) | 用于输出视频中的音乐片段的方法和装置 | |
CN111428010B (zh) | 人机智能问答的方法和装置 | |
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
CN111081280B (zh) | 与文本无关的语音情感识别方法及装置、用于识别情感的算法模型的生成方法 | |
JP7394809B2 (ja) | ビデオを処理するための方法、装置、電子機器、媒体及びコンピュータプログラム | |
US11511200B2 (en) | Game playing method and system based on a multimedia file | |
CN109582825B (zh) | 用于生成信息的方法和装置 | |
WO2020182123A1 (zh) | 用于推送语句的方法和装置 | |
CN110381352B (zh) | 虚拟礼物的显示方法、装置、电子设备及可读介质 | |
CN113627536B (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
US20230029687A1 (en) | Dialog method and system, electronic device and storage medium | |
CN111625645A (zh) | 文本生成模型的训练方法、装置和电子设备 | |
CN111897950A (zh) | 用于生成信息的方法和装置 | |
CN114299194B (zh) | 图像生成模型的训练方法、图像生成方法及装置 | |
CN112182255A (zh) | 用于存储媒体文件和用于检索媒体文件的方法和装置 | |
CN114817478A (zh) | 基于文本的问答方法、装置、计算机设备及存储介质 | |
CN112182281A (zh) | 一种音频推荐方法、装置及存储介质 | |
CN114564581A (zh) | 基于深度学习的文本分类展示方法、装置、设备和介质 | |
CN111859970B (zh) | 用于处理信息的方法、装置、设备和介质 | |
CN112633004A (zh) | 文本标点符号删除方法、装置、电子设备和存储介质 | |
CN109710939B (zh) | 用于确定主题的方法和装置 | |
CN111858916A (zh) | 用于聚类句子的方法和装置 | |
CN112685996B (zh) | 文本标点预测方法、装置、可读介质和电子设备 | |
CN111899747B (zh) | 用于合成音频的方法和装置 |
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 |