CN114996447A - 基于中心损失的文本层级分类方法及装置 - Google Patents
基于中心损失的文本层级分类方法及装置 Download PDFInfo
- Publication number
- CN114996447A CN114996447A CN202210545241.9A CN202210545241A CN114996447A CN 114996447 A CN114996447 A CN 114996447A CN 202210545241 A CN202210545241 A CN 202210545241A CN 114996447 A CN114996447 A CN 114996447A
- Authority
- CN
- China
- Prior art keywords
- text
- training
- category
- vector
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 167
- 239000013598 vector Substances 0.000 claims abstract description 113
- 238000012545 processing Methods 0.000 claims abstract description 68
- 238000003062 neural network model Methods 0.000 claims abstract description 47
- 238000012512 characterization method Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 103
- 238000004422 calculation algorithm Methods 0.000 abstract description 15
- 230000009286 beneficial effect Effects 0.000 abstract description 8
- 238000007635 classification algorithm Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于中心损失的文本层级分类方法及装置，该方法包括：确定欲分类的目标处理文本；将所述目标处理文本输入至训练好的层级分类神经网络模型，以输出得到所述目标处理文本对应的多个相互之间存在层级关系的类别；所述层级分类神经网络模型在训练中采用中心损失函数进行优化直至所述中心损失函数最小化；所述中心损失函数的值用于表征训练文本的文本向量与任一对应的训练输出类别的中心表征向量之间的训练向量距离。可见，本发明能够利用基于中心损失函数训练得到的层级分类算法模型对文本进行层级分类，以实现对文本的多层级分类，从而能够提高文本分类的精度和效率，有助于后续利用分类后的文本进行进一步的智能算法处理。
Description
技术领域
本发明涉及自然语言处理技术领域，尤其涉及一种基于中心损失的文本层级分类方法及装置。
背景技术
随着自然语言处理算法技术的发展，越来越多的企业开始利用算法来进行文本分类，并利用分类后的文本来实现各种算法效果，如自动生成文本或自动识别文本。但现有技术在进行文本分类时，没有考虑到文本在多个层级分类上的联系，也没有在算法层面思考如何训练出可以更高效实现这一效果的算法模型。可见，现有技术存在缺陷，亟待解决。
发明内容
本发明所要解决的技术问题在于，提供一种基于中心损失的文本层级分类确定方法及装置，能够提高文本分类的精度和效率，有助于后续利用分类后的文本进行进一步的智能算法处理。
为了解决上述技术问题，本发明第一方面公开了一种基于中心损失的文本层级分类方法，所述方法包括：
确定欲分类的目标处理文本；
将所述目标处理文本输入至训练好的层级分类神经网络模型，以输出得到所述目标处理文本对应的多个相互之间存在层级关系的类别；所述层级分类神经网络模型在训练中采用中心损失函数进行优化直至所述中心损失函数最小化；所述中心损失函数的值用于表征训练文本的文本向量与任一对应的训练输出类别的中心表征向量之间的训练向量距离。
作为一种可选的实施方式，在本发明第一方面中，所述中心损失函数的值用于表征所述训练文本的文本向量与每一对应的训练输出类别的中心表征向量之间的训练向量距离的总和。
作为一种可选的实施方式，在本发明第一方面中，所述多个相互之间存在层级关系的类别中，每一上级类别的中心表征向量与其直接下属的下级类别的中心表征向量之间的类别向量距离小于预设的类别距离阈值。
作为一种可选的实施方式，在本发明第一方面中，所述类别距离阈值与，所述上级类别和/或所述下级类别在所有类别中所属的层级次序，成反比。
作为一种可选的实施方式，在本发明第一方面中，所述中心损失函数的值还用于表征所述训练文本对应的所有所述训练输出类别中任一上级类别对应的距离差值和零之间的最大值；所述距离差值为所述上级类别对应的所述类别向量距离与所述类别距离阈值的差值。
作为一种可选的实施方式，在本发明第一方面中，所述中心损失函数的值还用于表征所述训练文本对应的所有所述训练输出类别中所有上级类别对应的距离差值和零之间的最大值的总和。
作为一种可选的实施方式，在本发明第一方面中，所述中心损失函数的值包括第一函数值和第二函数值之和；所述第一函数值包括所述训练文本的文本向量与每一对应的训练输出类别的中心表征向量之间的训练向量距离的总和；所述第二函数值包括所述训练文本对应的所有所述训练输出类别中所有上级类别对应的距离差值和零之间的最大值的总和；所述距离差值为所述上级类别的中心表征向量与其直接下属的下级类别的中心表征向量之间的类别向量距离，与类别距离阈值的差值。
作为一种可选的实施方式，在本发明第一方面中，所述层级分类神经网络模型通过以下步骤训练得到：
确定包括有多个训练文本的训练数据集；
将所述训练数据集输入至所述层级分类神经网络模型中进行重复训练直至所述中心损失函数的值最小化，以得到训练好的层级分类神经网络模型。
本发明第二方面公开了一种基于中心损失的文本层级分类装置，所述装置包括：
文本确定模块，用于确定欲分类的目标处理文本；
文本预测模块，用于将所述目标处理文本输入至训练好的层级分类神经网络模型，以输出得到所述目标处理文本对应的多个相互之间存在层级关系的类别；所述层级分类神经网络模型在训练中采用中心损失函数进行优化直至所述中心损失函数最小化；所述中心损失函数的值用于表征训练文本的文本向量与任一对应的训练输出类别的中心表征向量之间的训练向量距离。
作为一种可选的实施方式，在本发明第二方面中，所述中心损失函数的值用于表征所述训练文本的文本向量与每一对应的训练输出类别的中心表征向量之间的训练向量距离的总和。
作为一种可选的实施方式，在本发明第二方面中，所述多个相互之间存在层级关系的类别中，每一上级类别的中心表征向量与其直接下属的下级类别的中心表征向量之间的类别向量距离小于预设的类别距离阈值。
作为一种可选的实施方式，在本发明第二方面中，所述类别距离阈值与，所述上级类别和/或所述下级类别在所有类别中所属的层级次序，成反比。
作为一种可选的实施方式，在本发明第二方面中，所述中心损失函数的值还用于表征所述训练文本对应的所有所述训练输出类别中任一上级类别对应的距离差值和零之间的最大值；所述距离差值为所述上级类别对应的所述类别向量距离与所述类别距离阈值的差值。
作为一种可选的实施方式，在本发明第二方面中，所述中心损失函数的值还用于表征所述训练文本对应的所有所述训练输出类别中所有上级类别对应的距离差值和零之间的最大值的总和。
作为一种可选的实施方式，在本发明第二方面中，所述中心损失函数的值包括第一函数值和第二函数值之和；所述第一函数值包括所述训练文本的文本向量与每一对应的训练输出类别的中心表征向量之间的训练向量距离的总和；所述第二函数值包括所述训练文本对应的所有所述训练输出类别中所有上级类别对应的距离差值和零之间的最大值的总和；所述距离差值为所述上级类别的中心表征向量与其直接下属的下级类别的中心表征向量之间的类别向量距离，与类别距离阈值的差值。
作为一种可选的实施方式，在本发明第二方面中，所述装置还包括训练模块，用于执行以下步骤训练得到所述层级分类神经网络模型：
确定包括有多个训练文本的训练数据集；
将所述训练数据集输入至所述层级分类神经网络模型中进行重复训练直至所述中心损失函数的值最小化，以得到训练好的层级分类神经网络模型。
本发明第三方面公开了另一种基于中心损失的文本层级分类装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的基于中心损失的文本层级分类方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的基于中心损失的文本层级分类方法中的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，确定欲分类的目标处理文本；将所述目标处理文本输入至训练好的层级分类神经网络模型，以输出得到所述目标处理文本对应的多个相互之间存在层级关系的类别；所述层级分类神经网络模型在训练中采用中心损失函数进行优化直至所述中心损失函数最小化；所述中心损失函数的值用于表征训练文本的文本向量与任一对应的训练输出类别的中心表征向量之间的训练向量距离。可见，本发明能够利用基于中心损失函数训练得到的层级分类算法模型对文本进行层级分类，以实现对文本的多层级分类，从而能够提高文本分类的精度和效率，有助于后续利用分类后的文本进行进一步的智能算法处理。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于中心损失的文本层级分类方法的流程示意图；
图2是本发明实施例公开的另一种基于中心损失的文本层级分类方法的流程示意图；
图3是本发明实施例公开的一种基于中心损失的文本层级分类装置的结构示意图；
图4是本发明实施例公开的另一种基于中心损失的文本层级分类装置的结构示意图；
图5是本发明实施例公开的又一种基于中心损失的文本层级分类装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于中心损失的文本层级分类方法及装置，能够利用基于中心损失函数训练得到的层级分类算法模型对文本进行层级分类，以实现对文本的多层级分类，从而能够提高文本分类的精度和效率，有助于后续利用分类后的文本进行进一步的智能算法处理。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于中心损失的文本层级分类方法的流程示意图。其中，图1所描述的方法应用于文本处理装置中，该处理装置可以是相应的处理终端、处理设备或处理服务器，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图1所示，该基于中心损失的文本层级分类方法可以包括以下操作：
101、确定欲分类的目标处理文本。
可选的，目标处理文本的类型可以为任意文本类型，例如广告文本或文学作品文本，其文本的字符长度也不做限制，可以为仅具备一两个字符的词文本，也可以为大段的语句文本。可选的，目标处理文本的语言类型可以为中文、英文或其他具备成熟的语义分析可能性的语言类型，本发明不做限定。
可选的，目标处理文本可以通过预设的算法确定得到，也可为接收用户输入的文本来确定得到，本发明不做限定。
102、将目标处理文本输入至训练好的层级分类神经网络模型，以输出得到目标处理文本对应的多个相互之间存在层级关系的类别。
具体的，层级分类神经网络模型在训练中采用中心损失函数进行优化直至中心损失函数最小化，其中，中心损失函数的值用于表征训练文本的文本向量与任一对应的训练输出类别的中心表征向量之间的训练向量距离。
可选的，本发明中所述的向量距离，可以为L1距离或L2距离，或是其他可以用于衡量向量相似度的距离公式，本发明不做限定。
可选的，可以预设有多个相互之间存在层级关系的类别层级，每一类别层级中包括有多个类别，且每一类别均对应有一个中心表征向量，后续在训练或预测中，输出的预测类别从属于这些预设的类别层级。
可选的，中心表征向量可以由每一类别或训练输出类别对应的文本集确定得到，该文本集中可以包括有一个或多个文本，该文本可以用于表征该类别的特点，例如形容词类别可以对应有一个包括有多个形容词文本的文本集。可选的，可以将文本集中的文本转化为文本向量，并根据文本向量计算得到中心表征向量，例如可以计算多个文本向量的平均值或其他统计值，以得到中心表征向量。
可选的，层级分类神经网络模型可以包括有用于提取文本特征的特征提取网络和用于预测文本类别的分类网络，其中，优选的，特征提取网络可以采用Transformer网络架构，其对于文本特征的提取有优异的效果。可选的，层级分类神经网络模型在训练中针对任一训练文本均会输出多个相互之间存在层级关系的训练输出类别，并通过上述中心损失函数来计算损失函数值，在重复训练中采用梯度下降方法不断优化模型参数，直至该损失函数值最小化，得到训练好的层级分类神经网络模型。
可选的，在层级分类神经网络模型的具体的预测过程中，其可以先处理得到目标处理文本的文本特征，并依次，将目标处理文本的文本特征与预设的从高到低的多个层级的每一层级的每一类别的中心表征向量进行向量距离的计算，并将每一层级的所有类别中对应的向量距离最小的类别，确定为该目标处理文本对应的在该层级中的类别，以输出目标处理文本对应的多个相互之间存在层级关系的类别。
可见，实施本发明实施例所描述的方法能够利用基于中心损失函数训练得到的层级分类算法模型对文本进行层级分类，以实现对文本的多层级分类，从而能够提高文本分类的精度和效率，有助于后续利用分类后的文本进行进一步的智能算法处理。
作为一种可选的实施方式，中心损失函数的值用于表征训练文本的文本向量与每一对应的训练输出类别的中心表征向量之间的训练向量距离的总和。
具体的，层级分类神经网络模型在训练中针对任一训练文本均会输出多个相互之间存在层级关系的训练输出类别。
可见，本可选的实施方式通过计算训练文本的文本向量与每一对应的训练输出类别的中心表征向量之间的训练向量距离的总和，来衡量训练中的预测结果的准确性，从而可以更加准确地训练得到效果更好的层级分类神经网络模型。
作为一种可选的实施方式，上述目标处理文本对应的多个相互之间存在层级关系的类别中，每一上级类别的中心表征向量与其直接下属的下级类别的中心表征向量之间的类别向量距离小于预设的类别距离阈值，通过这样设置，可以设计得到相互之间联系更加紧密的上下级类别，有助于使得文本的层级分类更加精确。
可选的，类别距离阈值可以与，上级类别和/或下级类别在所有类别中所属的层级次序，成反比。例如，类别距离阈值可以为该层级次序的反比例值，比如类别距离阈值可以等于1或其他预设值与该层级次序的比值。又例如，类别距离阈值也可以为该层级次序的负数值，比如类别距离阈值可以等于1或其他预设值减去该层级次序的结果。
可见，本可选的实施方式通过设定类别距离阈值与层级次序成反比，来进一步限定上下级类别之间的联系，从而可以确定出相互之间联系更加紧密的上下级类别，提高文本分类的精确性。
作为一种可选的实施方式，中心损失函数的值还用于表征训练文本对应的所有训练输出类别中任一上级类别对应的距离差值和零之间的最大值。
具体的，距离差值为上级类别对应的类别向量距离与类别距离阈值的差值，其中，距离差值存在正负关系，其在类别向量距离小于类别距离阈值时为负数。
可见，本可选的实施方式通过设定中心损失函数的值还用于表征训练文本对应的所有训练输出类别中任一上级类别对应的距离差值和零之间的最大值，从而使得在使用中心损失函数训练分类网络模型时，可以进一步限定该模型输出的多个预测类别之间的层级联系，从而可以提高文本分类的精确性。
作为一种可选的实施方式，中心损失函数的值还用于表征训练文本对应的所有训练输出类别中所有上级类别对应的距离差值和零之间的最大值的总和。
可见，本可选的实施方式通过计算训练文本对应的所有训练输出类别中所有上级类别对应的距离差值和零之间的最大值的总和，来衡量训练中的多个预测类别之间的层级关系的准确性，从而可以更加准确地训练得到效果更好的层级分类神经网络模型。
作为一种可选的实施方式，中心损失函数的值包括第一函数值和第二函数值之和。其中，第一函数值包括训练文本的文本向量与每一对应的训练输出类别的中心表征向量之间的训练向量距离的总和，而第二函数值包括训练文本对应的所有训练输出类别中所有上级类别对应的距离差值和零之间的最大值的总和。
优选的，中心损失函数的值可以为第一函数值与第一乘积值的和，其中第一乘积值为该第二函数值与权重参数的乘积。可选的，权重参数可以由操作人员根据经验值或实验值进行设定，并在后续根据实际效果进行调整。
可见，通过实施该可选的实施方式，能够确定中心损失函数的具体架构，使得该中心损失函数可以充分表征目标的两个训练效果，即一方面需要使得输出的训练预测类别足够精确表征训练文本的特点，另一方面输出的多个训练预测类别之间要具备精确的层级关系，从而可以更加准确地训练得到效果更好的层级分类神经网络模型。
实施例二
请参阅图2，图2是本发明实施例公开的另一种基于中心损失的文本层级分类方法的流程示意图。其中，图2所描述的方法应用于文本处理装置中，该处理装置可以是相应的处理终端、处理设备或处理服务器，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图2所示，该基于中心损失的文本层级分类方法可以包括以下操作：
201、确定包括有多个训练文本的训练数据集。
202、将训练数据集输入至层级分类神经网络模型中进行重复训练直至中心损失函数的值最小化，以得到训练好的层级分类神经网络模型。
具体的，该中心损失函数的值可以参照实施例一中的表述，本实施例在此不做赘述。
203、确定欲分类的目标处理文本。
204、将目标处理文本输入至训练好的层级分类神经网络模型，以输出得到目标处理文本对应的多个相互之间存在层级关系的类别。
上述步骤203-204的具体的技术细节和技术名词解释，可以参照实施一中对步骤101-102的表述，在此不再赘述。
可见，实施本发明实施例所描述的方法能够利用基于中心损失函数训练得到的层级分类算法模型对文本进行层级分类，以实现对文本的多层级分类，从而能够提高文本分类的精度和效率，有助于后续利用分类后的文本进行进一步的智能算法处理。
实施例三
请参阅图3，图3是本发明实施例公开的一种基于中心损失的文本层级分类装置的结构示意图。其中，图3所描述的装置可以应用于相应的文本处理装置中，该处理装置可以是相应的处理终端、处理设备或处理服务器，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图3所示，该装置可以包括：
文本确定模块301，用于确定欲分类的目标处理文本。
可选的，目标处理文本的类型可以为任意文本类型，例如广告文本或文学作品文本，其文本的字符长度也不做限制，可以为仅具备一两个字符的词文本，也可以为大段的语句文本。可选的，目标处理文本的语言类型可以为中文、英文或其他具备成熟的语义分析可能性的语言类型，本发明不做限定。
可选的，目标处理文本可以通过预设的算法确定得到，也可为接收用户输入的文本来确定得到，本发明不做限定。
文本预测模块302，用于将目标处理文本输入至训练好的层级分类神经网络模型，以输出得到目标处理文本对应的多个相互之间存在层级关系的类别。
具体的，层级分类神经网络模型在训练中采用中心损失函数进行优化直至中心损失函数最小化，其中，中心损失函数的值用于表征训练文本的文本向量与任一对应的训练输出类别的中心表征向量之间的训练向量距离。
可选的，可以预设有多个相互之间存在层级关系的类别层级，每一类别层级中包括有多个类别，且每一类别均对应有一个中心表征向量，后续在训练或预测中，输出的预测类别从属于这些预设的类别层级。
可选的，中心表征向量可以由每一类别或训练输出类别对应的文本集确定得到，该文本集中可以包括有一个或多个文本，该文本可以用于表征该类别的特点，例如形容词类别可以对应有一个包括有多个形容词文本的文本集。可选的，可以将文本集中的文本转化为文本向量，并根据文本向量计算得到中心表征向量，例如可以计算多个文本向量的平均值或其他统计值，以得到中心表征向量。
可选的，层级分类神经网络模型可以包括有用于提取文本特征的特征提取网络和用于预测文本类别的分类网络，其中，优选的，特征提取网络可以采用Transformer网络架构，其对于文本特征的提取有优异的效果。可选的，层级分类神经网络模型在训练中针对任一训练文本均会输出多个相互之间存在层级关系的训练输出类别，并通过上述中心损失函数来计算损失函数值，在重复训练中采用梯度下降方法不断优化模型参数，直至该损失函数值最小化，得到训练好的层级分类神经网络模型。
可选的，在层级分类神经网络模型的具体的预测过程中，其可以先处理得到目标处理文本的文本特征，并依次，将目标处理文本的文本特征与预设的从高到低的多个层级的每一层级的每一类别的中心表征向量进行向量距离的计算，并将每一层级的所有类别中对应的向量距离最小的类别，确定为该目标处理文本对应的在该层级中的类别，以输出目标处理文本对应的多个相互之间存在层级关系的类别。
可见，实施本发明实施例所描述的方法能够利用基于中心损失函数训练得到的层级分类算法模型对文本进行层级分类，以实现对文本的多层级分类，从而能够提高文本分类的精度和效率，有助于后续利用分类后的文本进行进一步的智能算法处理。
作为一种可选的实施方式，中心损失函数的值用于表征训练文本的文本向量与每一对应的训练输出类别的中心表征向量之间的训练向量距离的总和。
具体的，层级分类神经网络模型在训练中针对任一训练文本均会输出多个相互之间存在层级关系的训练输出类别。
可见，本可选的实施方式通过计算训练文本的文本向量与每一对应的训练输出类别的中心表征向量之间的训练向量距离的总和，来衡量训练中的预测结果的准确性，从而可以更加准确地训练得到效果更好的层级分类神经网络模型。
作为一种可选的实施方式，上述目标处理文本对应的多个相互之间存在层级关系的类别中，每一上级类别的中心表征向量与其直接下属的下级类别的中心表征向量之间的类别向量距离小于预设的类别距离阈值，通过这样设置，可以设计得到相互之间联系更加紧密的上下级类别，有助于使得文本的层级分类更加精确。
可选的，类别距离阈值可以与，上级类别和/或下级类别在所有类别中所属的层级次序，成反比。例如，类别距离阈值可以为该层级次序的反比例值，比如类别距离阈值可以等于1或其他预设值与该层级次序的比值。又例如，类别距离阈值也可以为该层级次序的负数值，比如类别距离阈值可以等于1或其他预设值减去该层级次序的结果。
可见，本可选的实施方式通过设定类别距离阈值与层级次序成反比，来进一步限定上下级类别之间的联系，从而可以确定出相互之间联系更加紧密的上下级类别，提高文本分类的精确性。
作为一种可选的实施方式，中心损失函数的值还用于表征训练文本对应的所有训练输出类别中任一上级类别对应的距离差值和零之间的最大值。
具体的，距离差值为上级类别对应的类别向量距离与类别距离阈值的差值，其中，距离差值存在正负关系，其在类别向量距离小于类别距离阈值时为负数。
可见，本可选的实施方式通过设定中心损失函数的值还用于表征训练文本对应的所有训练输出类别中任一上级类别对应的距离差值和零之间的最大值，从而使得在使用中心损失函数训练分类网络模型时，可以进一步限定该模型输出的多个预测类别之间的层级联系，从而可以提高文本分类的精确性。
作为一种可选的实施方式，中心损失函数的值还用于表征训练文本对应的所有训练输出类别中所有上级类别对应的距离差值和零之间的最大值的总和。
可见，本可选的实施方式通过计算训练文本对应的所有训练输出类别中所有上级类别对应的距离差值和零之间的最大值的总和，来衡量训练中的多个预测类别之间的层级关系的准确性，从而可以更加准确地训练得到效果更好的层级分类神经网络模型。
作为一种可选的实施方式，中心损失函数的值包括第一函数值和第二函数值之和。其中，第一函数值包括训练文本的文本向量与每一对应的训练输出类别的中心表征向量之间的训练向量距离的总和，而第二函数值包括训练文本对应的所有训练输出类别中所有上级类别对应的距离差值和零之间的最大值的总和。
优选的，中心损失函数的值可以为第一函数值与第一乘积值的和，其中第一乘积值为该第二函数值与权重参数的乘积。可选的，权重参数可以由操作人员根据经验值或实验值进行设定，并在后续根据实际效果进行调整。
可见，通过实施该可选的实施方式，能够确定中心损失函数的具体架构，使得该中心损失函数可以充分表征目标的两个训练效果，即一方面需要使得输出的训练预测类别足够精确表征训练文本的特点，另一方面输出的多个训练预测类别之间要具备精确的层级关系，从而可以更加准确地训练得到效果更好的层级分类神经网络模型。
作为一种可选的实施方式，如图4所示，该装置还包括训练模块303，用于执行以下步骤训练得到层级分类神经网络模型：
确定包括有多个训练文本的训练数据集；
将训练数据集输入至层级分类神经网络模型中进行重复训练直至中心损失函数的值最小化，以得到训练好的层级分类神经网络模型。
可见，通过实施该可选的实施方式，能够通过训练模块303基于中心损失函数训练得到层级分类算法模型，以实现对文本的多层级分类，从而能够提高文本分类的精度和效率，有助于后续利用分类后的文本进行进一步的智能算法处理。
实施例四
请参阅图5，图5是本发明实施例公开的又一种基于中心损失的文本层级分类装置的结构示意图。如图5所示，该装置可以包括：
存储有可执行程序代码的存储器401；
与存储器401耦合的处理器402；
处理器402调用存储器401中存储的可执行程序代码，执行本发明实施例一或实施例二公开的基于中心损失的文本层级分类方法中的部分或全部步骤。
实施例五
本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一或实施例二公开的基于中心损失的文本层级分类方法中的部分或全部步骤。
上述对本说明书特定实施例进行了描述，其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的，因此，装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera HardwareDescriptionLanguage)、Confluence、CUPL(Cornell University ProgrammingLanguage)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
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，在实施本说明书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。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
最后应说明的是：本发明实施例公开的一种基于中心损失的文本层级分类方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于中心损失的文本层级分类方法，其特征在于，所述方法包括：
确定欲分类的目标处理文本；
将所述目标处理文本输入至训练好的层级分类神经网络模型，以输出得到所述目标处理文本对应的多个相互之间存在层级关系的类别；所述层级分类神经网络模型在训练中采用中心损失函数进行优化直至所述中心损失函数最小化；所述中心损失函数的值用于表征训练文本的文本向量与任一对应的训练输出类别的中心表征向量之间的训练向量距离。
2.根据权利要求1所述的基于中心损失的文本层级分类方法，其特征在于，所述中心损失函数的值用于表征所述训练文本的文本向量与每一对应的训练输出类别的中心表征向量之间的训练向量距离的总和。
3.根据权利要求1所述的基于中心损失的文本层级分类方法，其特征在于，所述多个相互之间存在层级关系的类别中，每一上级类别的中心表征向量与其直接下属的下级类别的中心表征向量之间的类别向量距离小于预设的类别距离阈值。
4.根据权利要求3所述的基于中心损失的文本层级分类方法，其特征在于，所述类别距离阈值与，所述上级类别和/或所述下级类别在所有类别中所属的层级次序，成反比。
5.根据权利要求4所述的基于中心损失的文本层级分类方法，其特征在于，所述中心损失函数的值还用于表征所述训练文本对应的所有所述训练输出类别中任一上级类别对应的距离差值和零之间的最大值；所述距离差值为所述上级类别对应的所述类别向量距离与所述类别距离阈值的差值。
6.根据权利要求5所述的基于中心损失的文本层级分类方法，其特征在于，所述中心损失函数的值还用于表征所述训练文本对应的所有所述训练输出类别中所有上级类别对应的距离差值和零之间的最大值的总和。
7.根据权利要求1所述的基于中心损失的文本层级分类方法，其特征在于，所述中心损失函数的值包括第一函数值和第二函数值之和；所述第一函数值包括所述训练文本的文本向量与每一对应的训练输出类别的中心表征向量之间的训练向量距离的总和；所述第二函数值包括所述训练文本对应的所有所述训练输出类别中所有上级类别对应的距离差值和零之间的最大值的总和；所述距离差值为所述上级类别的中心表征向量与其直接下属的下级类别的中心表征向量之间的类别向量距离，与类别距离阈值的差值。
8.根据权利要求1-7任一项所述的基于中心损失的文本层级分类方法，其特征在于，所述层级分类神经网络模型通过以下步骤训练得到：
确定包括有多个训练文本的训练数据集；
将所述训练数据集输入至所述层级分类神经网络模型中进行重复训练直至所述中心损失函数的值最小化，以得到训练好的层级分类神经网络模型。
9.一种基于中心损失的文本层级分类装置，其特征在于，所述装置包括：
文本确定模块，用于确定欲分类的目标处理文本；
文本预测模块，用于将所述目标处理文本输入至训练好的层级分类神经网络模型，以输出得到所述目标处理文本对应的多个相互之间存在层级关系的类别；所述层级分类神经网络模型在训练中采用中心损失函数进行优化直至所述中心损失函数最小化；所述中心损失函数的值用于表征训练文本的文本向量与任一对应的训练输出类别的中心表征向量之间的训练向量距离。
10.一种基于中心损失的文本层级分类装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-8任一项所述的基于中心损失的文本层级分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210545241.9A CN114996447A (zh) | 2022-05-19 | 2022-05-19 | 基于中心损失的文本层级分类方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210545241.9A CN114996447A (zh) | 2022-05-19 | 2022-05-19 | 基于中心损失的文本层级分类方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114996447A true CN114996447A (zh) | 2022-09-02 |
Family
ID=83027752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210545241.9A Pending CN114996447A (zh) | 2022-05-19 | 2022-05-19 | 基于中心损失的文本层级分类方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114996447A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111553399A (zh) * | 2020-04-21 | 2020-08-18 | 佳都新太科技股份有限公司 | 特征模型训练方法、装置、设备及存储介质 |
| CN112069321A (zh) * | 2020-11-11 | 2020-12-11 | 震坤行网络技术(南京)有限公司 | 用于文本层级分类的方法、电子设备和存储介质 |
| CN112528658A (zh) * | 2020-12-24 | 2021-03-19 | 北京百度网讯科技有限公司 | 层次化分类方法、装置、电子设备和存储介质 |
| CN112818119A (zh) * | 2021-01-26 | 2021-05-18 | 支付宝(杭州)信息技术有限公司 | 一种信息的处理方法、装置及设备 |
-
2022
- 2022-05-19 CN CN202210545241.9A patent/CN114996447A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111553399A (zh) * | 2020-04-21 | 2020-08-18 | 佳都新太科技股份有限公司 | 特征模型训练方法、装置、设备及存储介质 |
| CN112069321A (zh) * | 2020-11-11 | 2020-12-11 | 震坤行网络技术(南京)有限公司 | 用于文本层级分类的方法、电子设备和存储介质 |
| CN112528658A (zh) * | 2020-12-24 | 2021-03-19 | 北京百度网讯科技有限公司 | 层次化分类方法、装置、电子设备和存储介质 |
| CN112818119A (zh) * | 2021-01-26 | 2021-05-18 | 支付宝(杭州)信息技术有限公司 | 一种信息的处理方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111881973A (zh) | 一种样本选择方法、装置、存储介质及电子设备 | |
| CN111401062B (zh) | 文本的风险识别方法、装置及设备 | |
| CN117076650B (zh) | 一种基于大语言模型的智能对话方法、装置、介质及设备 | |
| CN112417093B (zh) | 一种模型训练的方法及装置 | |
| CN107402945A (zh) | 词库生成方法及装置、短文本检测方法及装置 | |
| CN109299276B (zh) | 一种将文本转化为词嵌入、文本分类方法和装置 | |
| CN108229564B (zh) | 一种数据的处理方法、装置及设备 | |
| TWI713019B (zh) | 資料標籤產生、模型訓練、事件識別方法和裝置 | |
| CN113887206B (zh) | 一种模型训练及关键词提取方法及装置 | |
| CN117456028A (zh) | 基于文本进行图像生成的方法及装置 | |
| CN116630480B (zh) | 一种交互式文本驱动图像编辑的方法、装置和电子设备 | |
| CN117216271A (zh) | 一种文章文本处理方法、装置以及设备 | |
| CN117113174A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
| CN114996447A (zh) | 基于中心损失的文本层级分类方法及装置 | |
| CN111242195B (zh) | 模型、保险风控模型训练方法、装置及电子设备 | |
| CN114511376A (zh) | 基于多模型的信用数据处理方法及装置 | |
| CN117992600B (zh) | 一种业务执行方法、装置、存储介质以及电子设备 | |
| CN114817469B (zh) | 文本增强方法、文本增强模型的训练方法及装置 | |
| CN115423485B (zh) | 数据处理方法、装置及设备 | |
| CN118210980A (zh) | 一种基于基层治理的资源匹配方法、设备及介质 | |
| CN117456026A (zh) | 图像处理方法及装置 | |
| CN117762806A (zh) | 代码检测处理方法及装置 | |
| CN116089577A (zh) | 一种关键词的标注方法、装置、存储介质及电子设备 | |
| CN118569392A (zh) | 用于解释模型的方法、装置、存储介质及电子设备 |
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 |