CN115577106A - 基于人工智能的文本分类方法、装置、设备和介质 - Google Patents
基于人工智能的文本分类方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN115577106A CN115577106A CN202211262187.3A CN202211262187A CN115577106A CN 115577106 A CN115577106 A CN 115577106A CN 202211262187 A CN202211262187 A CN 202211262187A CN 115577106 A CN115577106 A CN 115577106A
- Authority
- CN
- China
- Prior art keywords
- text
- training
- prediction
- features
- fusion
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 421
- 230000004927 fusion Effects 0.000 claims abstract description 281
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 238000013145 classification model Methods 0.000 claims description 117
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 24
- 238000012545 processing Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000008451 emotion Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
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
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- 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)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种基于人工智能的文本分类及其模型训练方法、装置、设备和介质,涉及人工智能领域,具体涉及自然语言处理、深度学习技术,可应用在智慧城市、智慧政务场景下。具体实现方案为:获取待预测语句;待预测语句包括待预测文本和待预测文本的层级预测模板;层级预测模板包括依次排列的不同标签层级下的待预测类别的字符占位符;对待预测语句进行特征提取,得到待预测文本的文本预测特征和各字符占位符的表意预测特征;对文本预测特征和各表意预测特征,按照标签层级进行特征融合,得到不同标签层级的融合预测特征;根据各融合预测特征,确定待预测文本在不同标签层级下的待预测类别。根据本公开的技术,提高了文本分类结果的准确度。
Description
技术领域
本公开涉及人工智能领域,具体涉及自然语言处理、深度学习技术,可应用在智慧城市、智慧政务场景下。
背景技术
文本分类又称自动文本分类,是指计算机将载有信息的文本,指按照一定的分类体系或规则,映射到预先给定的某一类别或某几类别主题的过程,可用于情感分析、新闻分类和意图识别等诸多场景。
发明内容
本公开提供了一种准确度更高的文本分类及其模型训练方法、装置、设备和介质。
根据本公开的一方面,提供了一种基于人工智能的文本分类方法,包括:
获取待预测语句;其中,所述待预测语句包括待预测文本和所述待预测文本的层级预测模板;所述层级预测模板包括依次排列的不同标签层级下的待预测类别的字符占位符;
对所述待预测语句进行特征提取,得到所述待预测文本的文本预测特征和各所述字符占位符的表意预测特征;
对所述文本预测特征和各所述表意预测特征,按照标签层级进行特征融合,得到不同标签层级的融合预测特征;
根据各所述融合预测特征,确定所述待预测文本在不同标签层级下的待预测类别。
根据本公开的另一方面,还提供了一种文本分类模型训练方法,包括:
获取待训练语句;其中,所述待训练语句包括待训练文本和所述待训练文本的层级训练模板;所述层级训练模板包括依次排列的不同标签层级下的待训练类别的字符占位符;
通过文本分类模型中的预训练网络,对所述待训练语句进行特征提取,得到所述待训练文本的文本训练特征和各所述字符占位符的表意训练特征;
通过所述文本分类模型中的特征融合网络,将所述文本训练特征和各所述表意训练特征,按照标签层级进行特征融合,得到不同标签层级的融合训练特征;
通过所述文本分类模型中的分类网络根据各所述融合训练特征,确定所述待训练文本在不同标签层级下的待训练类别;
根据所述待训练类别和所述待训练类别的标签类别,调整所述文本分类模型的网络参数。
根据本公开的另一方面,还提供了一种电子设备,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公开实施例提供的任意一种基于人工智能的文本分类方法,和/或本公开实施例提供的任意一种文本分类模型训练方法。
根据本公开的另一方面,还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,其中,所述计算机指令用于使计算机执行根据本公开实施例提供的任意一种基于人工智能的文本分类方法,和/或本公开实施例提供的任意一种文本分类模型训练方法。
根据本公开的技术,提高了文本分类结果的准确度。
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,不构成对本公开的限定。其中:
图1是本公开实施例提供的一种基于人工智能的文本分类方法的流程图;
图2是本公开实施例提供的另一种基于人工智能的文本分类方法的流程图;
图3A是本公开实施例提供的一种文本分类模型的结构图;
图3B是本公开实施例提供的一种文本分类模型训练方法的流程图;
图4A是本公开实施例提供的另一种文本分类模型的结构图;
图4B是本公开实施例提供的另一种文本分类模型训练方法的流程图;
图5是本公开实施例提供的另一种文本分类模型的结构图;
图6是本公开实施例提供的一种文本分类装置的结构图;
图7是本公开实施例提供的一种文本分类模型训练装置的结构图;
图8是用来实现本公开实施例的基于人工智能的文本分类方法和/或文本分类模型训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
本公开实施例所提供的基于人工智能的文本分类方法,可适用于对文本进行多标签类别分类的场景。该方法可以由文本分类装置执行,该装置可以采用软件和/或硬件实现,并具体配置于电子设备中。该电子设备可以是终端设备或服务器等,本公开对此不作任何限定。
参见图1所示的一种基于人工智能的文本分类方法,包括:
S101、获取待预测语句;其中,待预测语句包括待预测文本和待预测文本的层级预测模板;层级预测模板包括依次排列的不同标签层级下的待预测类别的字符占位符。
其中,待预测文本可以是新闻分类场景下的新闻内容、情感分析场景下的情感语句对应文本、或意图识别场景下的问询语句对应文本等。其中,待预测文本的层级预测模板,用于表征待预测文本在不同标签层级下需要预测的字符占位符的数量和位置关系。
示例性的,层级预测模板可以根据预先设定的标签层级数量,以及各标签层级对应的字符数量进行确定。其中,不同标签层级对应的字符数量可以相同或不同,本公开对此不作任何限定。为了提高文本分类过程的通用性,通常将不同标签层级对应的字符数量设置为相同。
其中,字符占位符用于容纳待预测类别在相应字符位置的字符预测结果。字符占位符可以是预设标识符,本公开对字符占位符的具体呈现方式不作任何限定。
举例说明,若标签层级数量为2,各标签层级对应的字符数量为3,字符占位符为[MASK],相应的,层级预测模板可以是:“[MASK][MASK][MASK][MASK][MASK][MASK]”其中,前3个[MASK]对应第一标签层级的待预测类别,后3个[MASK]对应第二标签层级的待预测类别。
示例性的,可以预先获取待预测文本;构建待预测文本的层级预测模板;将待预测文本和层级预测模板顺序拼接,得到待预测语句。相应的,在需要对待预测文本进行文本分类时,进行待预测语句的获取。需要说明的是,生成待预测语句的执行设备与进行待预测语句获取的执行设备,也即执行文本分类的执行设备,两者可以相同或不同。
S102、对待预测语句进行特征提取,得到待预测文本的文本预测特征和各字符占位符的表意预测特征。
其中,文本预测特征中携带有待预测文本的文本自身特征;表意预测特征中携带有待预测文本在进行多标签层级分类的情况下,各标签层级对应的待预测类别的字符语义信息。
示例性的,基于预先训练好的深度学习模型,对待预测语句进行特征提取,得到待预测文本的文本预测特征和各字符占位符的表意预测特征。其中,深度学习模型可以采用现有技术中的至少一种神经网络模型加以实现。在一个具体实现方式中,深度学习模型可以是遮蔽语言模型(Masked Language Model,MLM)。
S103、对文本预测特征和各表意预测特征,按照标签层级进行特征融合,得到不同标签层级的融合预测特征。
示例性的,可以确定文本预测特征和表意预测特征在不同标签层级对应的层级文本预测特征和层级表意预测特征;按照标签层级维度,将相同标签层级的层级文本预测特征和层级表意预测特征进行融合,得到相应标签层级的融合预测特征。
可以理解的是,由于融合预测特征为相同标签层级下的文本预测特征和表意预测特征的特征融合结果,因此,提高了相同标签层级下融合预测特征中所携带的特征信息的丰富性和多样性。而仅对相同标签层级下进行文本预测特征和表意预测特征进行特征融合,禁止对不同标签层级间的文本预测特征和表意预测特征进行特征融合,避免了不同标签层级间的特征融合带来信息的干扰或遗失,从而提高了融合预测特征的准确度和合理性。
S104、根据各融合预测特征,确定待预测文本在不同标签层级下的待预测类别。
可选的,可以根据不同标签层级的融合预测特征,分别确定相应标签层级下的待预测类别的类别预测结果,并将不同标签层级的待预测类别的类别预测结果,按照层级预测模板中不同标签层级下的待预测类别的排列顺序进行拼接,得到待预测文本在不同标签层级下的待预测类别。
或者可选的,对不同标签层级的融合预测特征进行特征融合,得到目标融合预测特征;根据目标融合预测特征,确定层级预测模板的模板类别;其中,模板类别包括不同标签层级下的待预测类别的预测结果。
由于,目标融合预测特征中携带有不同标签层级下的文本预测特征和表意预测特征,提高了目标融合预测特征的丰富性和多样性,因此基于目标融合预测特征进行多标签层级的类别预测,预测结果准确度更好。
示例性的,可以将目标融合预测特征映射到概率空间,得到层级预测模板在不同候选模板类别的预测概率;选取预测概率较高(例如最高)的候选目标类别,作为层级预测模板的模板类别。其中,候选模板类别中携带有依标签层级排列的不同标签层级下的候选预测类别。其中,候选模板类别可以由技术人员根据需要进行设定或调整。
可以理解的是,直接进行目标类别的整体预测,能够避免单标签层级预测时,出现不同标签层级的候选预测类别隶属于不同分类体系,也即不同标签层级的待预测类别搭配混淆的情况发生,提高了多标签层级类别预测的准确度。
在待预测类别的字符占位符中进行相应字符的预测时,存在预测字符的数量小于相应待预测类别的字符占位符数量的情况,此时,可以将超出所预测字符的数量部分的字符占位符,采用默认填充标识加以替代,用于指示对全部字符占位符预测完毕,避免出现字符遗漏情况。其中,默认填充标识可以由技术人员根据需要或经验值进行设置或调整,例如可以是“pad”值等。
本公开通过对包括待预测文本和相应层级预测模板的待预测语句进行特征提取,得到待预测文本的文本预测特征和层级预测模板中不同标签层级下的待预测类别的字符占位符的表意预测特征,并通过将文本预测特征和表意预测特征,按照标签层级维度进行特征融合,得到不同标签层级的融合预测特征,提高了融合预测特征所携带信息的丰富性和多样性,从而在基于融合预测特征进行多标签层级的文本分类时,提高了文本分类结果的准确度。
在上述各技术方案的基础上,本公开还提供了一个可选实施例。在该可选实施例中,对融合预测特征的生成机制进行了优化改进。需要说明的是,在本公开实施例中未详述部分,可参见其他实施例的相关表述。
参见图2所示的一种基于人工智能的文本分类方法,包括:
S201、获取待预测语句;其中,待预测语句包括待预测文本和待预测文本的层级预测模板;层级预测模板包括依次排列的不同标签层级下的待预测类别的字符占位符。
S202、对待预测语句进行特征提取,得到待预测文本的文本预测特征和各字符占位符的表意预测特征。
S203、确定文本预测特征在不同标签层级下的层级文本预测特征。
示例性的,可以根据文本预测特征,确定待预测文本的全局文本预测特征;提取全局文本预测特征在不同标签层级下的特征,得到相应标签层级下的层级文本预测特征。
其中,全局文本预测特征用于表征待预测文本在文本整体维度所携带的,有助于进行类别预测的有效信息。相应的,通过对全局文本预测特征进行不同标签层级下的特征提取,使得所得的各层级文本预测特征,能够携带有助于相应标签层级下的待预测类别的文本特征信息。
在一个可选实施例中,文本预测特征可以是待预测文本中各文本字符对应的局部文本预测特征;相应的,根据文本预测特征,确定待预测文本的全局文本预测特征,可以是对不同文本字符的局部文本预测特征进行特征融合,得到待预测文本的全局文本预测特征。
示例性的,可以对不同文本字符的局部文本预测特征进行拼接融合,并将拼接融合结果作为待预测文本的全局文本预测特征。
由于待预测文本中文本字符的数量较多,通过拼接融合的方式会导致全局文本预测特征的特征维度较多,增大了文本分类过程的数据运算量。为了避免上述情况发生,可选的,可以确定不同文本字符的局部文本预测特征的特征均值,并将特征均值结果,作为相应待预测文本的全局文本预测特征。
可以理解的是,由于特征均值结果的特征维度远小于拼接融合结果的特征维度,因此能够显著减少全局文本预测特征的数据量,从而减少了后续进行文本分类的数据运算量,进而降低了对文本分类的执行设备的算力要求,同时提高了运算效率。
在另一可选实施例中,文本预测特征可以是表征待预测文本在文本整体维度的有效信息的全局文本预测特征;相应的,可以直接提取文本预测特征在不同标签层级下的层级特征,得到相应标签层级下的层级文本预测特征。
在又一可选实施例中,文本预测特征可以包括待预测文本的全局文本预测特征,以及待预测文本中各文本字符的局部文本预测特征;相应的,还可以将不同文本字符的局部文本预测特征进行特征融合,并将特征融合结果与全局文本预测特征进行二次融合,以更新全局文本预测特征。其中,特征融合可以采用拼接融合或像素均值融合的方式,本公开对此不作任何限定。
需要说明的是,通过根据文本预测特征,进行待预测文本的全局文本预测特征的确定,使得所确定的全局文本预测特征,能够携带有待预测文本中各文本字符对应的局部有效信息,提高了全局文本预测特征中所携带信息的丰富性,进而通过提取全局文本预测特征在不同标签层级下的层级特征,得到相应标签层级下的层级文本预测特征,提高了各标签层级的层级文本预测特征的丰富性和全面性。
S204、根据各表意预测特征,确定不同标签层级下的待预测类别的层级表意预测特征。
由于层级预测模板中标签层级的数量为至少一个,且各标签层级对应有待预测类别,各待预测类别由至少一个字符组成,也即待预测类别的字符占位符的数量为至少一个,因此,相同标签层级下的表意预测特征与相应标签层级下的待预测类别的字符占位符的数量相对应,同样为至少一个。
示例性的,可以将相同标签层级下各字符占位符的表意预测特征进行特征融合,得到相应标签层级下的层级表意预测特征。
在一个具体实现方式中,可以将相同标签层级下各字符占位符的表意预测特征,进行拼接融合,并将拼接融合结果作为相应标签层级下的层级表意预测特征。
在同一标签层级下的字符占位符的数量较多的情况下,通过拼接融合的方式所确定的层级表意预测特征,特征维度较多,在后续进行文本分类的过程中,将会带来运算量的增加,影响运算效率。为了避免上述情况发生,在另一具体实现方式中,可以确定相同标签层级下的字符占位符的表意预测特征的特征均值,并将特征均值结果,作为相应标签层级下的层级表意预测特征。
可以理解的是,由于特征均值结果的特征维度远小于拼接融合结果的特征维度,因此能够显著减少层级表意预测特征的数据量,从而降低了后续进行文本分类的数据运算量,进而降低了对文本分类的执行设备的算力要求,同时提高了运算效率。
上述技术方案通过对相同标签层级下的字符占位符的表意预测特征进行特征融合,使得所得的层级表意预测特征,能够携带相应标签层级下更加丰富的文本语义信息,避免了重要语义信息的丢失。同时,能够将不同标签层级的层级表意预测特征加以区分,避免出现不同标签层级的文本语义信息语义混淆或相互抵消的情况发生,提高了各层级表意预测特征的合理性和准确性,从而提高了后续所确定的不同标签层级下的融合预测特征的准确度,进而有助于提高对不同标签层级的待预测类别的预测结果的准确度。
S205、对相同标签层级下的层级文本预测特征和层级表意预测特征进行特征融合,得到相应标签层级下的融合预测特征。
示例性的,可以针对各标签层级下的层级文本预测特征和层级表意预测特征,将该标签层级下的层级文本预测特征和层级表意预测特征进行特征融合,得到该标签层级下的融合预测特征。
可选的,可以确定该标签层级下的层级文本预测特征和层级表意预测特征的特征均值,并将特征均值结果作为该标签层级下的融合预测特征。
由于层级文本预测特征用于表征相应标签层级下的文本自身有效信息,层级表意预测特征用于表征相应标签层级下的文本语义有效信息,因此两者所携带的层级特征的维度不同。将不同维度的层级特征通过特征均值的方式进行特征融合,将会由于导致部分特征信息的丢失。为了避免上述情况发生,可以将该标签层级下的层级文本预测特征和层级表意预测特征进行拼接融合,并将拼接融合结果作为该标签层级下的融合预测特征。
S206、根据各融合预测特征,确定待预测文本在不同标签层级下的待预测类别。
本公开实施例通过确定文本预测特征在不同标签层级下的层级文本预测特征,并根据表意预测特征,确定不同标签层级下的待预测类别的层级表意预测特征,将层级文本预测特征和层级表意预测特征,作为依标签层级进行层级特征融合的基础,得到相应标签层级下的融合预测特征,提高了各标签层级下的融合预测特征中,所携带相应标签层级的有效信息的丰富性和全面性,同时避免了不同标签层级之间的融合预测特征的干扰,从而提高了融合预测特征的合理性和准确性,进而有助于提高在不同标签层级下的待预测类别的类别预测结果的准确度。
需要说明的是,为了提高上述基于人工智能的文本分类方法的通用性和可移植性,可以将上述基于人工智能的文本分类方法中对待预测语句的处理过程,集成设置为一个文本分类模型,从而通过将待预测语句输入至文本分类模型中,即可得到该待预测语句中待预测文本在不同标签层级下的待预测类别的类别预测结果。其中,文本分类模型基于至少一个深度学习模型加以实现。
采用深度学习模型的方式进行文本分类,提高了文本分类的便捷性。其文本分类结果与文本分类模型的训练情况强关联。为了便于理解,以下将对文本分类模型训练过程进行详细说明。
本公开实施例所提供的各文本分类模型训练方法,适用于对具备文本多标签类别分类能力的文本分类模型进行训练的场景。该方法可以由文本分类模型训练装置执行,该装置可以采用软件和/或硬件实现,并具体配置于电子设备中。该电子设备可以是终端设备或服务器等,本公开对此不作任何限定。需要说明的是,执行文本分类模型训练的执行设备,与前述执行文本分类的执行设备,两者可以相同或不同,本公开对此不作任何限定。
参见图3A所示的文本分类模型的结构图,该文本分类模型包括预训练网络、特征融合网络和分类网络。以下将结合图3A所示的文本分类模型,对模型训练过程进行详细说明。
参见图3B所示的文本分类模型训练方法,包括:
S301、获取待训练语句;其中,待训练语句包括待训练文本和待训练文本的层级训练模板;层级训练模板包括依次排列的不同标签层级下的待训练类别的字符占位符。
其中,待训练语句可以是新闻分类场景下的新闻内容、情感分析场景下的情感语句对应文本、或意图识别场景下的问询语句对应文本等。其中,待训练文本的层级训练模板,用于表征待训练文本在不同标签层级下需要预测的字符占位符的数量和位置关系。
示例性的,层级训练模板可以根据预先设定的标签层级数量,以及各标签层级对应的字符数量进行确定。其中,不同标签层级对应的字符数量可以相同或不同,本公开对此不作任何限定。为了提高所训练分类模型的通用性,通常,将不同标签层级对应的字符数量设置为相同。
其中,字符占位符用于容纳待训练类别在相应字符位置的字符预测结果。字符占位符可以是预设标识符,本公开对字符占位符的具体呈现方式不作任何限定。
举例说明,若标签层级数量为2,各标签层级对应的字符数量为3,字符占位符为[MASK],相应的,层级训练模板可以是:“[MASK][MASK][MASK][MASK][MASK][MASK]”其中,前3个[MASK]对应第一标签层级的待训练类别,后3个[MASK]对应第二标签层级的待训练类别。
示例性的,可以预先获取待训练文本;构建待训练文本的层级训练模板;将待训练文本和层级训练模板顺序拼接,得到待训练语句。相应的,在需要进行文本分类模型训练时,进行待训练语句的获取。需要说明的是,生成待训练语句的执行设备与进行待训练语句获取的设备,也即执行文本分类模型训练的执行设备,两者可以相同或不同。
S302、通过预训练网络,对待训练语句进行特征提取,得到待训练文本的文本训练特征和各字符占位符的表意训练特征。
其中,文本训练特征中携带有待训练文本的文本自身特征;表意训练特征中携带有待训练文本在进行多标签层级分类的情况下,各标签层级对应待训练类别的字符语音信息。
其中,预训练网络可以基于至少一种深度学习模型加以实现。在一个可选实施例中,预训练网络可以是MLM模型。
S303、通过特征融合网络,将文本训练特征和各表意训练特征,按照标签层级进行特征融合,得到不同标签层级的融合训练特征。
其中,特征融合网络用于对预训练网络所输出的文本训练特征和各表意训练特征,依标签层级维度进行特征融合。
示例性的,可以确定文本训练特征和表意训练特征在不同标签层级对应的层级文本训练特征和层级表意训练特征;按照标签层级维度,将相同标签层级的层级文本训练特征和层级表意训练特征进行融合,得到相应标签层级的融合训练特征。
可以理解的是,由于融合训练特征为相同标签层级下的文本训练特征和表意训练特征的特征融合结果,因此,提高了相同标签层级下融合训练特征中所携带特征信息的丰富性和多样性。仅对相同标签层级下进行文本训练特征和表意训练特征进行特征融合,禁止对不同标签层级件的文本训练特征和表意训练特征进行特征融合,避免了不同标签层级件的特征融合带来信息的干扰或遗失,从而提高了融合训练特征的准确度和合理性。
S304、通过分类网络,根据各融合训练特征,确定待训练文本在不同标签层级下的待训练类别。
S305、根据待训练类别和待训练类别的标签类别,调整文本分类模型的网络参数。
可选的,可以根据不同标签层级的融合训练特征,分别确定相应标签层级下的待训练类别的类别预测结果;根据不同标签层级的待训练类别的类别预测结果和相应标签类别,调整文本分类模型的网络参数。
具体的,可以引入第一预设损失函数,确定不同标签层级的待训练标签类别的类别预测结果和相应标签类别之间的第一损失,并根据第一损失,优化文本分类模型的网络参数。其中,第一预设损失函数可以由技术人员根据需要或经验进行设置或调整,或通过大量试验加以设定。
可以理解的是,采用上述方案分标签层级进行待训练类别的类别预测结果确定,进而根据单一待训练类别的类别预测结果,调整文本分类模型的网络参数,使得所训练的文本分类模型逐渐学习到单标签层级类别下的分类能力,提高了文本分类模型的单标签层级分类结果的准确度。
或者可选的,可以对不同标签层级的融合训练特征进行特征融合,得到目标融合训练特征;根据目标融合训练特征,确定层级训练模板的模板类别;其中,模板类别包括不同标签层级下的待训练类别的类别预测结果;根据模板类别和层级训练模板对应的标准模板类别,调整文本分类模型的网络参数;其中,标准模板类别为依次排列的不同标签层级下待训练类别的标签类别。
具体的,可以引入第二预设损失函数,确定模板类别和标准模板类别之间的第二损失,并根据第二损失,优化文本分类模型的网络参数。其中,第二预设损失函数可以由技术人员根据需要或经验进行设置或调整,或通过大量试验加以设定。其中,第一预设损失函数和第二预设损失函数两者可以相同或不同,本公开对此不作任何限定。
需要说明的是,采用上述方案,通过对不同标签层级的融合训练特征融合所得的目标融合训练特征,进行多标签层级类别的联合预测,进而根据联合预测所得的模板类别,调整文本分类模型的网络参数,使得所训练的文本分类模型逐渐学习到多标签层级类别下的分类能力,避免了不同标签层级的待训练类别隶属于不同分类体系,也即不同标签层级的待训练类别搭配混乱的情况发生,提高了文本分类模型的多标签层级的联合分类结果的准确度。
在待训练类别的字符占位符中进行相应字符的预测时,存在预测字符的数量小于相应待训练类别的字符占位符数量的情况,此时,可以将超出所预测字符的数量部分的字符占位符,采用默认标识加以替代,用于指示对全部字符占位符预测完毕,避免出现字符遗漏的情况。其中,默认填充标识可以由技术人员根据需要或经验值进行设置或调整,例如可以是“pad”值等。
本公开通过采用包括待训练文本和相应层级训练模板的待训练语句,输入至文本分类模型中,通过文本分类模型中的预训练网络进行待训练文本的文本训练特征,以及层级训练模板中各字符占位符的表意训练特征的提取,通过文本分类模型中的特征融合网络,将文本训练特征和各表意训练特征,依标签层级维度进行特征融合,得到不同标签层级的融合训练特征,提高了融合训练特征所携带信息的丰富性和多样性,从而在通过文本分类模型中的分类网络基于融合训练特征进行多标签层级的文本分类,并根据相应标签类别调整文本分类模型的网络参数,使得所训练的文本分类模型逐渐学习到多标签层级分类能力,提高了文本分类结果的准确度。
在上述各技术方案的基础上,本公开还提供了一个可选实施例。在该可选实施例中,对图3A中的特征融合网络进一步细化。
参见图4A所示的文本分类模型,包括预训练网络、特征融合网络和分类网络。其中,特征融合网络包括层级文本特征提取网络、层级表意特征提取网络和文本交叉融合模块。进一步的,特征融合网络还可以包括表意交叉融合模块。
本公开还提供了一个可选实施例,对融合训练特征的生成机制进行了优化改进。以下将结合图4A所示的文本分类模型,对模型训练过程进行详细说明。
参见图4B所示的一种文本分类模型训练方法,包括:
S401、获取待训练语句;其中,待训练语句包括待训练文本和待训练文本的层级训练模板;层级训练模板包括依次排列的不同标签层级下的待训练类别的字符占位符。
S402、通过预训练网络,对待训练语句进行特征提取,得到待训练文本的文本训练特征和各字符占位符的表意训练特征。
S403、通过层级文本特征提取模块,确定文本训练特征在不同标签层级下的层级文本训练特征。
示例性的,可以根据文本训练特征,确定待训练文本的全局文本训练特征;提权全局文本训练特征在不同标签层级下的特征,得到相应标签层级下的层级文本训练特征。
其中,全局文本训练特征用于表征待训练文本在文本整体网络所携带的,有助于进行类别预测的有效信息。相应的,通过对全局文本训练特征进行不同标签层级下的特征提取,使得所得的各层级文本训练特征,能够携带有助于相应标签层级下的待训练类别的文本特征信息。
在一个可选实施例中,文本训练特征可以是待训练文本中各文本字符对应的局部文本训练特征;相应的,根据文本训练特征,确定待训练文本的全局文本训练特征,可以是对不同文本字符的局部文本训练特征进行特征融合,得到待训练文本的全局文本训练特征。
示例性的,可以对不同文本字符的局部文件训练特征进行拼接融合,并将拼接融合结果作为待训练文本的全局文件训练特征。
由于待训练文本中文本字符的数量较多,通过拼接融合的方式会导致全局文本训练特征的特征维度较多,增大了模型训练过程的数据运算量。为了避免上述情况发生,可选的,可以确定不同文本字符的局部文本训练核增的特征均值,并将特征均值结果,作为相应待训练文本的全局文本训练特征。
可以理解的是,由于特征均值结果的特征维度远小于拼接融合结果的特征维度,因此能够显著减少全局训练特征的数据量,从而减少了后续进行模型训练的数据运算量,进而降低了对模型训练的执行设备的算力要求,同时提高了模型训练效率,缩短了模型训练周期。
在另一可选实施例中,文本训练特征可以是表征待训练文本在文本整体维度的有效信息的全局文本训练特征;相应的,可以直接提取文本训练特征在不同标签层级下的层级特征,得到相应标签层级下的层级文本训练特。
在又一可选实施例中,文本训练特征可以包括待训练文本的全局文本训练特征,以及待训练文本中各文本字符的局部文本训练特征;相应的,还可以将不同文本字符的局部文本训练特征进行特征融合,并将特征融合结果与全局文本训练特征进行二次融合,以更新全局文本训练特征。其中,特征融合可以采用拼接融合或像素均值融合的方式,本公开对此不作任何限定。
需要说明的是,通过根据文本新版了正,进行待训练文本的全局文本训练特征的确定,使得所确定的全局文本训练特征,能够携带有待训练文本中各文本字符对应的局部有效信息,提高了全局文本训练特征中所携带信息的丰富性,进而通过提取全局文本训练特征在不同标签层级下的层级特征,得到相应标签层级下的层级文本训练特征,提高了各标签层级的层级文本训练特征的丰富性和全面性,进而为文本分类模型的分类结果准确度的提高,奠定了基础。
S404、通过层级表意特征提取模块,根据各表意训练特征,确定不同标签层级下的待训练类别的层级表意训练特征。
由于层级训练模板中标签层级的数量为至少一个,且标签层级对应有待训练类别,各待训练类别由至少一个字符组成,也即待训练类别的字符占位符的数量为至少一个,因此,相同标签层级下的表意训练特征与相应标签层级下的待训练类别的字符占位符的数量相对应,同样为至少一个。
示例性的,可以将相同标签层级下各字符占位符的表意训练特征进行特征融合,得到相应标签层级下的层级表意训练特征。
在一个具体实现方式中,可以将相同标签层级下各字符占位符的表意训练特征,进行拼接融合,并将拼接融合结果作为相应标签层级下的层级表意训练特征。
在同一标签层级下的字符占位符的数量较多的情况下,通过拼接融合的方式所确定的层级表意训练特征,特征维度较多,在后续模型训练过程中,将会带来运算量的增加,影响运算效率,进而影响模型训练效率。为了表面上述情况发生,在另一具体实现方式中,可以确定相同标签层级下的字符占位符的表意训练特征的特征均值,并将特征均值结果,作为相应标签层级下的层级表意训练特征。
可以理解的是,由于特征均值结果的特征维度远小于拼接融合结果的特征维度,因此能够显著减少层级表意训练特征的数据量,从而降低了后续模型训练的数据运算量,进而降低了对模型训练的执行设备的算力要求,同时提高了运算效率,缩短了模型训练周期。
上述技术方案通过对相同标签层级下的字符占位符的表意训练特征进行特征融合,使得所得的层级表意训练特征,能够携带相应标签层级下更加丰富的文本语音信息,避免了重要语义信息的丢失。同时,能够将不同标签层级的层级表意训练特征加以区分,避免出现不同标签层级的文本语义信息语义混淆或相互抵消的情况发生,提高了各层级表意训练特征的合理性和准确性,从而提高了后续所确定的不同标签层级下的融合训练特征的准确度,进而有助于提高所训练模型的预测结果准确度。
S405、通过文本交叉融合模块,对相同标签层级下的层级文本训练特征和层级表意训练特征进行特征融合,得到相应标签层级下的文本融合训练特征;其中,融合训练特征包括文本融合训练特征。
其中,文本融合训练特征用于表征在待训练文本的文本自身层面的融合训练特征。
示例性的,可以针对各标签层级下的层级文本训练特征和层级表意训练特征,将该标签层级下的层级文本训练特征和层级表意训练特征进行特征融合,得到该标签层级下的文本融合训练特征。
可选的,可以确定该标签层级下的层级文本训练特征和层级表意训练特征的特征均值,并将特征均值结果作为该标签层级下的文本融合训练特征。
由于层级文本训练特征用于表征相应标签层级下的文本自身有效信息,层级表意训练特征用于表征相应标签层级下的文本语义有效信息,因此,两者所携带的层级特征的维度不同。将不同维度的层级特征通过特征均值的方式进行特征融合,将会导致部分特征信息的丢失。为了避免上述情况发生,可以将该标签层级下的层级文本训练特征和层级表意训练特征进行拼接融合,并将拼接融合记过作为该标签层级下的文本融合训练特征。
可选的,融合训练特征还可以包括表意融合训练特征,用于表征在待训练文本的文本语义层面的融合训练特征。
示例性的,通过表意交叉融合模块,对各表意训练特征分别与相同标签层级下的文本训练特征进行特征融合,得到表意融合训练特征。
具体的,针对各字符占位符,确定该字符占位符所属的标签层级,并将该字符占位符所属标签层级的层级文本训练特征,与该字符占位符的表意训练特征,进行特征融合,得到该字符占位符的表意融合训练特征。
可选的,可以确定该字符占位符所属标签层级的层级文本训练特征,与该字符占位符的表意训练特征的特征均值,并将特征均值结果作为该字符占位符的表意融合训练特征。
由于层级文本训练特征和层级表意训练特征所携带的层级特征额度维度不同,将不同维度的层级特征通过特征均值方式进行特征融合,将会导致部分特征信息的丢失。为了避免上述情况发生,可以将该字符占位符所属标签层级的层级文本训练特征,与该字符占位符的表意训练特征进行拼接融合,并将拼接融合结果作为该标签层级下的表意融合训练特征。
上述技术方案通过引入表意交叉融合模块,对各表意训练特征分别与相同标签层级下的文本训练特征进行特征融合,使得所得的表意融合训练特征,提高了各字符占位符的表意融合训练特征所携带有效信息的丰富性和全面性,从而为文本分类模型的准确度的提高,奠定了基础。
S406、通过分类网络,根据各融合训练特征,确定待训练文本在不同标签层级下的待训练类别。
S407、根据待训练类别和待训练类别的标签类别,调整文本分类模型的网络参数。
在一个可选实施例中,可以根据不同标签层级的文本融合训练特征,分别确定相应标签层级下的待训练类别的类别预测结果;根据不同标签层级的待训练类别的类别预测结果和相应标签类别,调整文本分类模型的网络参数。
具体的,可以引入第一预设损失函数,确定不同标签层级的待训练标签类别的类别预测结果和相应标签类别之间的第一损失,并根据第一损失,优化文本分类模型的网络参数。其中,第一预设损失函数可以由技术人员根据需要或经验进行设置或调整,或通过大量试验加以设定。
可以理解的是,采用上述方案分标签层级进行待训练类别的类别预测结果确定,进而根据单一待训练类别的类别预测结果,调整文本分类模型的网络参数,使得所训练的文本分类模型逐渐学习到单标签层级类别下的分类能力,提高了文本分类模型的单标签层级分类结果的准确度。
在另一可选实施例中,可以对不同标签层级的文本融合训练特征进行特征融合,得到目标融合训练特征;根据目标融合训练特征,确定层级训练模板的模板类别;其中,模板类别包括不同标签层级下的待训练类别的类别预测结果;根据模板类别和层级训练模板对应的标准模板类别,调整文本分类模型的网络参数;其中,标准模板类别为依次排列的不同标签层级下待训练类别的标签类别。
具体的,可以引入第二预设损失函数,确定模板类别和标准模板类别之间的第二损失,并根据第二损失,优化文本分类模型的网络参数。其中,第二预设损失函数可以由技术人员根据需要或经验进行设置或调整,或通过大量试验加以设定。其中,第一预设损失函数和第二预设损失函数两者可以相同或不同,本公开对此不作任何限定。
需要说明的是,采用上述方案,通过对不同标签层级的文本融合训练特征融合所得的目标融合训练特征,进行多标签层级类别的联合预测,进而根据联合预测所得的模板类别,调整文本分类模型的网络参数,使得所训练的文本分类模型逐渐学习到多标签层级类别下的分类能力,避免了不同标签层级的待训练类别隶属于不同分类体系,也即不同标签层级的待训练类别搭配混乱的情况发生,提高了文本分类模型的多标签层级的联合分类结果的准确度。
在又一可选实施例中,可以根据不同表意融合训练特征,确定相应字符占位符的字符预测结果;根据不同字符占位符的字符预测结果和相应标签类别中的标签字符,调整文本分类模型的网络参数。
具体的,可以引入第三预设损失函数,确定字符预测结果和相应标签类别中的标签字符之间的第三损失,并根据第三损失,优化文本分类模型的网络参数。其中,第三损失函数可以由技术人员根据需要或经验进行设置或调整,或通过大量试验加以设定。其中,第三预设损失函数与第一或第二预设损失函数可以相同或不同,本公开对此不作任何限定。
需要说明的是,上述技术方案通过分字符对不同字符占位符的字符预测结果确定,进而根据各字符预测结果与相应标签类别中的标签字符,调整文本分类模型的网络参数,使得所训练的文本分类模型逐渐学习到单标签层级分类情况下的单字符预测能力,提高了文本分类模型的单标签层级分类情况下对单字符预测结果的准确度,进而有助于提高文本分类模型的单标签分类结果的准确度。
本公开实施例通过确定文本训练特征在不同标签层级下的层级文本训练特征,以及根据各表意训练特征,确定不同标签层级下的待训练类别的层级表意训练特征,将层级文本训练特征和层级表意训练特征,作为依标签层级进行层级特征融合的基础,得到相应标签层级下的融合训练特征,提高了各标签层级下的融合训练特征中,所携带相应标签层级的有效信息的丰富性和全面性,同时避免了不同标签层级之间的融合训练特征的干扰,从而提高了融合训练特征的合理性和准确性,进而有助于提高所训练文本分类模型的待训练类别的类别预测结果的准确度。
在上述各技术方案的基础上,本公开还提供了一个优选实施例。在该实施例中,以标签层级数量为2,单标签层级字符占位符数量为3为例,对文本分类模型的训练和使用过程进行详细说明。
参见图5所示的文本分类模型,包括:预训练网络、特征融合网络和分类网络。
其中,特征融合网络包括层级文本特征提取模块(Li Hidden Layer)、层级表意特征提取模块(图中未示出)、文本交叉融合模块(图中未示出)和表意交叉融合模块(图中未示出)。其中,i表示标签层级的次序。
其中,分类网络包括层级类别预测模块(Li Output Layer)、表意字符预测模块(Token Output Layer)和模板类别预测模块(Output Layer)。
以下将按照待训练语句构建、类别预测和网络参数调整三个部分,对文本分类模型的训练过程进行详述。
1、待训练语句构建
根据标签层级数量和单标签层级字符数量,构建层级训练模板;将文本标识字符、待训练文本和层级训练模板进行拼接,得到待训练语句。
其中,文本标识字符可以由技术人员根据需要或经验预先设定,例如可以是[CLS]标识字符。
以标签层级数量为2,单标签层级字符数量为3为例,层级训练模板可以是“[MASK][MASK][MASK][MASK][MASK][MASK]”。若待训练文本为“货柜中丢了一台相机”,相应的,构建的待训练语句可以是“[CLS]货柜中丢了一台相机[MASK][MASK][MASK][MASK][MASK][MASK]”。
2、类别预测
1)待交叉特征
将待训练文本输入至预训练模型,得到待训练文本的全局文本训练特征(对应图中[TEXT])、局部文本训练特征(对应图中Text)和层级训练模板中各字符占位符的表意训练特征(对应图中tok_ij)。其中,i表示字符占位符在层级训练模型中所属标签层级的次序,j表示层级训练模板中字符占位符的次序。当然,可以将局部文本训练特征取特征均值后,替代全局文本训练特征,进行后续处理。
其中,预训练模型可以是BERT(Bidirectional Encoder Representation fromTransformers,基于Transform的双向编码器表示)模型。
通过层级文本特征提取模块,分别提取全局文本训练特征中各标签层级的文本训练特征(对应图中Li_Hidden)。
通过层级表意特征提取模块,分别确定各标签层级下的各表意训练特征的特征均值,作为相应标签层级的表意训练特征(对应图中tok_Li_avg)。
2)交叉后特征
文本交叉融合模块采用以下公式,确定待训练文本在各标签层级的文本融合训练特征:
Li_fusion=Concat(Li_Hidden,tok_Li_avg);
其中,Concat()为拼接融合函数,Li为第i标签层级,Li_Hidden为第i标签层级的文本训练特征,tok_Li_avg为第i标签层级的表意训练特征,Li_fusion为第i标签层级的文本融合训练特征。
表意交叉融合模块采用以下公式,确定层级训练模板中各字符占位符的表意融合训练特征:
tok_ij_fusion=Concat(Li_Hidden,tok_ij);
其中,Concat()为拼接融合函数,Li为第i标签层级,Li_Hidden为第i标签层级的文本训练特征,tok_ij为第i标签层级中第j个字符占位符的表意训练特征,tok_ij_fusion为第i标签层级中第j个字符占位符的表意融合训练特征。
3)类别预测
通过层级类别预测模块,将各标签层级的文本融合训练特征映射至概率空间,得到相应标签层级的层级类别预测结果(l_i);通过表意字符预测模块,将各字符占位符的表意融合训练特征映射至概率空间,得到相应字符占位符的字符预测结果(t_ij);通过模板类别预测模块,将不同标签层级的文本融合训练特征的拼接融合结果,映射至概率空间,得到层级训练模板的模板类别预测结果(l)。
延续前例,若待训练语句为“[CLS]货柜中丢了一台相机[MASK][MASK][MASK][MASK][MASK][MASK]”,相应的,l_1可以是第一标签层级的类别“安全”,l_2可以是第二标签层级的类别“盗窃”;t_11可以是第一标签层级第一字符“安”,t_12可以是第一标签层级第二字符“全”,t_13可以是第一标签层级第三字符“[pad]”;t_21可以是第二标签层级第一字符“盗”,t_22可以是第二标签层级第二字符“窃”,t_23可以是第二标签层级第三字符“[pad]”。其中,“[pad]”表示该字符为空。l可以是“安全-盗窃”。
3、网络参数调整
示例性的,可以根据前述不同类别预测结果结合标签类别,确定目标损失函数,并根据目标损失函数的损失值,优化文本分类模型的网络参数。
可选的,可以采用以下公式,确定目标损失函数L:
L=Lce-global+αLce-local+βLlm;
其中,α和β为损失系数,可以为经验值或试验值;Lce-local为层级类别预测结果对应的层级类别预测损失;Lim为字符预测结果对应的字符预测损失;Lce-global为模板类别预测结果对应的预测损失。
示例性的,针对各标签层级的层级类别预测结果,采用以下公式,确定层级类别预测损失Lce-local:
其中,ck为第k标签层级的标签空间,M为标签层级的总数量,yk为第k标签层级的标签类别概率(可以是0或1),xck为在第k标签层级的标签空间内的类别预测概率,xi为在第k标签层级的标签空间内第i个候选类别的预测概率。
示例性的,针对各字符占位符的字符预测结果,采用以下公式,确定字符预测损失Lim:
其中,N为字符占位符的总数量,pk为第k个字符占位符的字符预测结果,P(pk|p1,p2,…,pk-1,pk+1,…,pN)为结合pk上下文字符占位符的预测概率。
示例性的,针对各模板类别预测结果,采用以下公式,确定模板预测损失Lce-global:
其中,yc为模板类别的标签类别概率(可以是0或1),xc为层级训练模板的模板类别的预测概率,c为候选模板类别的集合,xi为第i个候选模板类别的预测概率。
相应的,在文本分类模型使用阶段,可以采用与构建待训练语句相同的方式,构建待预测文本的待预测语句,并将待预测语句输入至前述训练好的文本分类模型中,得到模板类别预测模块的模板预测结果。
作为上述各基于人工智能的文本分类方法的实现,本公开还提供了一种实施上述各基于人工智能的文本分类方法的执行装置的可选实施例。
参见图6所示的文本分类装置600,包括:待预测语句获取模块601、预测特征提取模块602、层级特征融合模块603和类别预测模块604。其中,
待预测语句获取模块601,用于获取待预测语句;其中,所述待预测语句包括待预测文本和所述待预测文本的层级预测模板;所述层级预测模板包括依次排列的不同标签层级下的待预测类别的字符占位符;
预测特征提取模块602,用于对所述待预测语句进行特征提取,得到所述待预测文本的文本预测特征和各所述字符占位符的表意预测特征;
层级特征融合模块603,用于对所述文本预测特征和各所述表意预测特征,按照标签层级进行特征融合,得到不同标签层级的融合预测特征;
类别预测模块604,用于根据各所述融合预测特征,确定所述待预测文本在不同标签层级下的待预测类别。
本公开通过对包括待预测文本和相应层级预测模板的待预测语句进行特征提取,得到待预测文本的文本预测特征和层级预测模板中不同标签层级下的待预测类别的字符占位符的表意预测特征,并通过将文本预测特征和表意预测特征,按照标签层级维度进行特征融合,得到不同标签层级的融合预测特征,提高了融合预测特征所携带信息的丰富性和多样性,从而在基于融合预测特征进行多标签层级的文本分类时,提高了文本分类结果的准确度。
在一个可选实施例中,所述层级特征融合模块603,包括:
层级文本预测特征确定单元,用于确定所述文本预测特征在不同标签层级下的层级文本预测特征;
层级表意预测特征确定单元,用于根据各所述表意预测特征,确定不同标签层级下的待预测类别的层级表意预测特征;
层级特征融合单元,用于对相同标签层级下的所述层级文本预测特征和所述层级表意预测特征进行特征融合,得到相应标签层级下的融合预测特征。
在一个可选实施例中,所述层级表意预测特征确定单元,具体用于:
对相同标签层级下的字符占位符的表意预测特征进行特征融合,得到相应标签层级下的待预测类别的层级表意预测特征。
在一个可选实施例中,所述层级文本预测特征确定单元,包括:
全局文本预测特征确定子单元,用于根据所述文本预测特征,确定所述待预测文本的全局文本预测特征;
层级文本预测特征确定子单元,用于提取所述全局文本预测特征在不同标签层级下的特征,得到相应标签层级下的层级文本预测特征。
在一个可选实施例中,若所述文本预测特征为所述待预测文本中各文本字符的局部文本预测特征,则所述全局文本预测特征确定子单元,具体用于:
对不同文本字符的局部文本预测特征进行特征融合,得到所述待预测文本的全局文本预测特征。
在一个可选实施例中,所述类别预测模块604,包括:
目标融合预测特征得到单元,用于对不同标签层级的融合预测特征进行特征融合,得到目标融合预测特征;
模板类别确定单元,用于根据所述目标融合预测特征,确定所述层级预测模板的模板类别;其中,所述模板类别包括不同标签层级下的待预测类别的预测结果。
上述文本分类装置可执行本公开任意实施例所提供的基于人工智能的文本分类方法,具备执行基于人工智能的文本分类方法相应的功能模块和有益效果。
作为上述各文本分类模型训练方法的实现,本公开还提供了一种实施上述各文本分类模型训练方法的执行装置的可选实施例。
参见图7所示的文本分类模型训练装置700,其中,文本分类模型包括预训练网络、特征融合网络和分类网络,该装置700包括:待训练语句获取模块701、预训练网络702、特征融合网络703、分类网络704和网络参数调整模块705。其中,
待训练语句获取模块701,用于获取待训练语句;其中,所述待训练语句包括待训练文本和所述待训练文本的层级训练模板;所述层级训练模板包括依次排列的不同标签层级下的待训练类别的字符占位符;
所述预训练网络702,用于对所述待训练语句进行特征提取,得到所述待训练文本的文本训练特征和各所述字符占位符的表意训练特征;
所述特征融合网络703,用于将所述文本训练特征和各所述表意训练特征,按照标签层级进行特征融合,得到不同标签层级的融合训练特征;
所述分类网络704,用于根据各所述融合训练特征,确定所述待训练文本在不同标签层级下的待训练类别;
网络参数调整模块705,用于根据所述待训练类别和所述待训练类别的标签类别,调整所述文本分类模型的网络参数。
本公开通过采用包括待训练文本和相应层级训练模板的待训练语句,输入至文本分类模型中,通过文本分类模型中的预训练网络进行待训练文本的文本训练特征,以及层级训练模板中各字符占位符的表意训练特征的提取,通过文本分类模型中的特征融合网络,将文本训练特征和各表意训练特征,依标签层级维度进行特征融合,得到不同标签层级的融合训练特征,提高了融合训练特征所携带信息的丰富性和多样性,从而在通过文本分类模型中的分类网络基于融合训练特征进行多标签层级的文本分类,并根据相应标签类别调整文本分类模型的网络参数,使得所训练的文本分类模型逐渐学习到多标签层级分类能力,提高了文本分类结果的准确度。
在一个可选实施例中,所述特征融合网络703,包括:
层级文本特征提取模块,用于确定所述文本训练特征在不同标签层级下的层级文本训练特征;
层级表意特征提取模块,用于根据各所述表意训练特征,确定不同标签层级下的待训练类别的层级表意训练特征;
文本交叉融合模块,用于对相同标签层级下的所述层级文本训练特征和所述层级表意训练特征进行特征融合,得到相应标签层级下的文本融合训练特征;
其中,所述融合训练特征包括所述文本融合训练特征。
在一个可选实施例中,所述层级表意特征提取模块,具体用于:
对相同标签层级下的字符占位符的表意训练特征进行特征融合,得到相应标签层级下的待训练类别的层级表意训练特征。
在一个可选实施例中,所述层级文本特征提取模块,包括:
全局文本训练特征确定单元,用于根据所述文本训练特征,确定所述待训练文本的全局文本训练特征;
层级文本特征提取单元,用于提取所述全局文本训练特征在不同标签层级下的特征,得到相应标签层级下的层级文本训练特征。
在一个可选实施例中,若所述文本训练特征为所述待训练文本中各文本字符的局部文本训练特征,则所述全局文本训练特征确定单元,具体用于:
对不同文本字符的局部文本训练特征进行特征融合,得到所述待训练文本的全局文本训练特征。
在一个可选实施例中,所述分类网络704,包括:
目标融合训练特征得到单元,用于对不同标签层级的文本融合训练特征进行特征融合,得到目标融合训练特征;
模板类别确定单元,用于根据所述目标融合训练特征,确定所述层级训练模板的模板类别;其中,所述模板类别包括不同标签层级下的待训练类别的类别预测结果;
其中,所述网络参数调整模块705,包括:
模板调参单元,用于根据所述模板类别和所述层级训练模板对应的标准模板类别,调整所述文本分类模型的网络参数;其中,所述标准模板类别为依次排列的不同标签层级下的待训练类别的标签类别。
在一个可选实施例中,所述分类网络704,包括:
单一类别确定单元,用于根据不同标签层级的文本融合训练特征,确定相应标签层级的待训练类别的类别预测结果;
其中,所述网络参数调整模块705,包括:
类别调参单元,用于根据不同标签层级的待训练类别的类别预测结果和相应标签类别,调整所述文本分类模型的网络参数。
在一个可选实施例中,所述特征融合网络703还包括表意交叉融合模块,具体用于:
对各所述表意训练特征分别与相同标签层级下的文本训练特征进行特征融合,得到表意融合训练特征;
其中,所述融合训练特征包括所述表意融合训练特征。
在一个可选实施例中,所述分类网络704,包括:
字符预测单元,用于根据不同所述表意融合训练特征,确定相应字符占位符的字符预测结果;
其中,所述网络参数调整模块705,包括:
字符调参单元,用于根据不同字符占位符的字符预测结果和相应标签类别中的标签字符,调整所述文本分类模型的网络参数。
上述文本分类模型训练装置可执行本公开任意实施例所提供的文本分类模型训练方法,具备执行文本分类模型训练方法相应的功能模块和有益效果。
本公开的技术方案中,所涉及的待训练文本和待预测文本的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。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/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如基于人工智能的文本分类方法和/或文本分类模型训练方法。例如,在一些实施例中,基于人工智能的文本分类方法和/或文本分类模型训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的基于人工智能的文本分类方法和/或文本分类模型训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于人工智能的文本分类方法和/或文本分类模型训练方法。
本文中以上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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用和存储设备等,并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
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,本公开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,只要能够实现本公开提供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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (33)
1.一种基于人工智能的文本分类方法,包括:
获取待预测语句;其中,所述待预测语句包括待预测文本和所述待预测文本的层级预测模板;所述层级预测模板包括依次排列的不同标签层级下的待预测类别的字符占位符;
对所述待预测语句进行特征提取,得到所述待预测文本的文本预测特征和各所述字符占位符的表意预测特征;
对所述文本预测特征和各所述表意预测特征,按照标签层级进行特征融合,得到不同标签层级的融合预测特征;
根据各所述融合预测特征,确定所述待预测文本在不同标签层级下的待预测类别。
2.根据权利要求1所述的方法,其中,所述对所述文本预测特征和各所述表意预测特征,按照标签层级进行特征融合,得到不同标签层级的融合预测特征,包括:
确定所述文本预测特征在不同标签层级下的层级文本预测特征;
根据各所述表意预测特征,确定不同标签层级下的待预测类别的层级表意预测特征;
对相同标签层级下的所述层级文本预测特征和所述层级表意预测特征进行特征融合,得到相应标签层级下的融合预测特征。
3.根据权利要求2所述的方法,其中,所述根据各所述表意预测特征,确定不同标签层级下的待预测类别的层级表意预测特征,包括:
对相同标签层级下的字符占位符的表意预测特征进行特征融合,得到相应标签层级下的待预测类别的层级表意预测特征。
4.根据权利要求2所述的方法,其中,所述确定所述文本预测特征在不同标签层级下的层级文本预测特征,包括:
根据所述文本预测特征,确定所述待预测文本的全局文本预测特征;
提取所述全局文本预测特征在不同标签层级下的特征,得到相应标签层级下的层级文本预测特征。
5.根据权利要求4所述的方法,若所述文本预测特征为所述待预测文本中各文本字符的局部文本预测特征,则所述根据所述文本预测特征,确定所述待预测文本的全局文本预测特征,包括:
对不同文本字符的局部文本预测特征进行特征融合,得到所述待预测文本的全局文本预测特征。
6.根据权利要求1-5任一项所述的方法,其中,所述根据各所述融合预测特征,确定所述待预测文本在不同标签层级下的待预测类别,包括:
对不同标签层级的融合预测特征进行特征融合,得到目标融合预测特征;
根据所述目标融合预测特征,确定所述层级预测模板的模板类别;其中,所述模板类别包括不同标签层级下的待预测类别的预测结果。
7.一种文本分类模型训练方法,包括:
获取待训练语句;其中,所述待训练语句包括待训练文本和所述待训练文本的层级训练模板;所述层级训练模板包括依次排列的不同标签层级下的待训练类别的字符占位符;
通过文本分类模型中的预训练网络,对所述待训练语句进行特征提取,得到所述待训练文本的文本训练特征和各所述字符占位符的表意训练特征;
通过所述文本分类模型中的特征融合网络,将所述文本训练特征和各所述表意训练特征,按照标签层级进行特征融合,得到不同标签层级的融合训练特征;
通过所述文本分类模型中的分类网络,根据各所述融合训练特征,确定所述待训练文本在不同标签层级下的待训练类别;
根据所述待训练类别和所述待训练类别的标签类别,调整所述文本分类模型的网络参数。
8.根据权利要求7所述的方法,其中,所述特征融合网络包括层级文本特征提取模块、层级表意特征提取模块和文本交叉融合模块;
所述通过所述文本分类模型中的特征融合网络,将所述文本训练特征和各所述表意训练特征,按照标签层级进行特征融合,得到不同标签层级的融合训练特征,包括:
通过所述层级文本特征提取模块,确定所述文本训练特征在不同标签层级下的层级文本训练特征;
通过所述层级表意特征提取模块,根据各所述表意训练特征,确定不同标签层级下的待训练类别的层级表意训练特征;
通过所述文本交叉融合模块,对相同标签层级下的所述层级文本训练特征和所述层级表意训练特征进行特征融合,得到相应标签层级下的文本融合训练特征;
其中,所述融合训练特征包括所述文本融合训练特征。
9.根据权利要求8所述的方法,其中,所述根据各所述表意训练特征,确定不同标签层级下的待训练类别的层级表意训练特征,包括:
对相同标签层级下的字符占位符的表意训练特征进行特征融合,得到相应标签层级下的待训练类别的层级表意训练特征。
10.根据权利要求8所述的方法,其中,所述确定所述文本训练特征在不同标签层级下的层级文本训练特征,包括:
根据所述文本训练特征,确定所述待训练文本的全局文本训练特征;
提取所述全局文本训练特征在不同标签层级下的特征,得到相应标签层级下的层级文本训练特征。
11.根据权利要求10所述的方法,其中,若所述文本训练特征为所述待训练文本中各文本字符的局部文本训练特征,则所述根据所述文本训练特征,确定所述待训练文本的全局文本训练特征,包括:
对不同文本字符的局部文本训练特征进行特征融合,得到所述待训练文本的全局文本训练特征。
12.根据权利要求8-11任一项所述的方法,其中,所述根据各所述融合训练特征,确定所述待训练文本在不同标签层级下的待训练类别,包括:
对不同标签层级的文本融合训练特征进行特征融合,得到目标融合训练特征;
根据所述目标融合训练特征,确定所述层级训练模板的模板类别;其中,所述模板类别包括不同标签层级下的待训练类别的类别预测结果;
其中,所述根据所述待训练类别和所述待训练类别的标签类别,调整所述文本分类模型的网络参数,包括:
根据所述模板类别和所述层级训练模板对应的标准模板类别,调整所述文本分类模型的网络参数;其中,所述标准模板类别为依次排列的不同标签层级下的待训练类别的标签类别。
13.根据权利要求8-12任一项所述的方法,其中,所述根据各所述融合训练特征,确定所述待训练文本在不同标签层级下的待训练类别,包括:
根据不同标签层级的文本融合训练特征,确定相应标签层级的待训练类别的类别预测结果;
其中,所述根据所述待训练类别和所述待训练类别的标签类别,调整所述文本分类模型的网络参数,包括:
根据不同标签层级的待训练类别的类别预测结果和相应标签类别,调整所述文本分类模型的网络参数。
14.根据权利要求8-13任一项所述的方法,其中,所述特征融合网络还包括表意交叉融合模块;所述方法还包括:
通过表意交叉融合模块,对各所述表意训练特征分别与相同标签层级下的文本训练特征进行特征融合,得到表意融合训练特征;
其中,所述融合训练特征包括所述表意融合训练特征。
15.根据权利要求14所述的方法,其中,所述根据各所述融合训练特征,确定所述待训练文本在不同标签层级下的待训练类别,包括:
根据不同所述表意融合训练特征,确定相应字符占位符的字符预测结果;
其中,所述根据所述待训练类别和所述待训练类别的标签类别,调整所述文本分类模型的网络参数,包括:
根据不同字符占位符的字符预测结果和相应标签类别中的标签字符,调整所述文本分类模型的网络参数。
16.一种基于人工智能的文本分类装置,包括:
待预测语句获取模块,用于获取待预测语句;其中,所述待预测语句包括待预测文本和所述待预测文本的层级预测模板;所述层级预测模板包括依次排列的不同标签层级下的待预测类别的字符占位符;
预测特征提取模块,用于对所述待预测语句进行特征提取,得到所述待预测文本的文本预测特征和各所述字符占位符的表意预测特征;
层级特征融合模块,用于对所述文本预测特征和各所述表意预测特征,按照标签层级进行特征融合,得到不同标签层级的融合预测特征;
类别预测模块,用于根据各所述融合预测特征,确定所述待预测文本在不同标签层级下的待预测类别。
17.根据权利要求16所述的装置,其中,所述层级特征融合模块,包括:
层级文本预测特征确定单元,用于确定所述文本预测特征在不同标签层级下的层级文本预测特征;
层级表意预测特征确定单元,用于根据各所述表意预测特征,确定不同标签层级下的待预测类别的层级表意预测特征;
层级特征融合单元,用于对相同标签层级下的所述层级文本预测特征和所述层级表意预测特征进行特征融合,得到相应标签层级下的融合预测特征。
18.根据权利要求17所述的装置,其中,所述层级表意预测特征确定单元,具体用于:
对相同标签层级下的字符占位符的表意预测特征进行特征融合,得到相应标签层级下的待预测类别的层级表意预测特征。
19.根据权利要求17所述的装置,其中,所述层级文本预测特征确定单元,包括:
全局文本预测特征确定子单元,用于根据所述文本预测特征,确定所述待预测文本的全局文本预测特征;
层级文本预测特征确定子单元,用于提取所述全局文本预测特征在不同标签层级下的特征,得到相应标签层级下的层级文本预测特征。
20.根据权利要求19所述的装置,若所述文本预测特征为所述待预测文本中各文本字符的局部文本预测特征,则所述全局文本预测特征确定子单元,具体用于:
对不同文本字符的局部文本预测特征进行特征融合,得到所述待预测文本的全局文本预测特征。
21.根据权利要求16-20任一项所述的装置,其中,所述类别预测模块,包括:
目标融合预测特征得到单元,用于对不同标签层级的融合预测特征进行特征融合,得到目标融合预测特征;
模板类别确定单元,用于根据所述目标融合预测特征,确定所述层级预测模板的模板类别;其中,所述模板类别包括不同标签层级下的待预测类别的预测结果。
22.一种文本分类模型训练装置,其中,文本分类模型包括预训练网络、特征融合网络和分类网络,所述装置包括:
待训练语句获取模块,用于获取待训练语句;其中,所述待训练语句包括待训练文本和所述待训练文本的层级训练模板;所述层级训练模板包括依次排列的不同标签层级下的待训练类别的字符占位符;
所述预训练网络,用于对所述待训练语句进行特征提取,得到所述待训练文本的文本训练特征和各所述字符占位符的表意训练特征;
所述特征融合网络,用于将所述文本训练特征和各所述表意训练特征,按照标签层级进行特征融合,得到不同标签层级的融合训练特征;
所述分类网络,用于根据各所述融合训练特征,确定所述待训练文本在不同标签层级下的待训练类别;
网络参数调整模块,用于根据所述待训练类别和所述待训练类别的标签类别,调整所述文本分类模型的网络参数。
23.根据权利要求22所述的装置,其中,所述特征融合网络,包括:
层级文本特征提取模块,用于确定所述文本训练特征在不同标签层级下的层级文本训练特征;
层级表意特征提取模块,用于根据各所述表意训练特征,确定不同标签层级下的待训练类别的层级表意训练特征;
文本交叉融合模块,用于对相同标签层级下的所述层级文本训练特征和所述层级表意训练特征进行特征融合,得到相应标签层级下的文本融合训练特征;
其中,所述融合训练特征包括所述文本融合训练特征。
24.根据权利要求23所述的装置,其中,所述层级表意特征提取模块,具体用于:
对相同标签层级下的字符占位符的表意训练特征进行特征融合,得到相应标签层级下的待训练类别的层级表意训练特征。
25.根据权利要求23所述的装置,其中,所述层级文本特征提取模块,包括:
全局文本训练特征确定单元,用于根据所述文本训练特征,确定所述待训练文本的全局文本训练特征;
层级文本特征提取单元,用于提取所述全局文本训练特征在不同标签层级下的特征,得到相应标签层级下的层级文本训练特征。
26.根据权利要求25所述的装置,其中,若所述文本训练特征为所述待训练文本中各文本字符的局部文本训练特征,则所述全局文本训练特征确定单元,具体用于:
对不同文本字符的局部文本训练特征进行特征融合,得到所述待训练文本的全局文本训练特征。
27.根据权利要求23-26任一项所述的装置,其中,所述分类网络,包括:
目标融合训练特征得到单元,用于对不同标签层级的文本融合训练特征进行特征融合,得到目标融合训练特征;
模板类别确定单元,用于根据所述目标融合训练特征,确定所述层级训练模板的模板类别;其中,所述模板类别包括不同标签层级下的待训练类别的类别预测结果;
其中,所述网络参数调整模块,包括:
模板调参单元,用于根据所述模板类别和所述层级训练模板对应的标准模板类别,调整所述文本分类模型的网络参数;其中,所述标准模板类别为依次排列的不同标签层级下的待训练类别的标签类别。
28.根据权利要求23-27任一项所述的装置,其中,所述分类网络,包括:
单一类别确定单元,用于根据不同标签层级的文本融合训练特征,确定相应标签层级的待训练类别的类别预测结果;
其中,所述网络参数调整模块,包括:
类别调参单元,用于根据不同标签层级的待训练类别的类别预测结果和相应标签类别,调整所述文本分类模型的网络参数。
29.根据权利要求23-27任一项所述的装置,其中,所述特征融合网络还包括表意交叉融合模块,具体用于:
对各所述表意训练特征分别与相同标签层级下的文本训练特征进行特征融合,得到表意融合训练特征;
其中,所述融合训练特征包括所述表意融合训练特征。
30.根据权利要求29所述的装置,其中,所述分类网络,包括:
字符预测单元,用于根据不同所述表意融合训练特征,确定相应字符占位符的字符预测结果;
其中,所述网络参数调整模块,包括:
字符调参单元,用于根据不同字符占位符的字符预测结果和相应标签类别中的标签字符,调整所述文本分类模型的网络参数。
31.一种电子设备,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权利要求1-6任一项所述的基于人工智能的文本分类方法,和/或权利要求7-15任一项所述的文本分类模型训练方法。
32.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-6任一项所述的基于人工智能的文本分类方法,和/或权利要求7-15任一项所述的文本分类模型训练方法。
33.一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现权利要求1-6任一项所述的基于人工智能的文本分类方法的步骤,和/或权利要求7-15任一项所述的文本分类模型训练方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211262187.3A CN115577106B (zh) | 2022-10-14 | 2022-10-14 | 基于人工智能的文本分类方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211262187.3A CN115577106B (zh) | 2022-10-14 | 2022-10-14 | 基于人工智能的文本分类方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115577106A true CN115577106A (zh) | 2023-01-06 |
CN115577106B CN115577106B (zh) | 2023-12-19 |
Family
ID=84585549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211262187.3A Active CN115577106B (zh) | 2022-10-14 | 2022-10-14 | 基于人工智能的文本分类方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115577106B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115878808A (zh) * | 2023-03-03 | 2023-03-31 | 有米科技股份有限公司 | 一种层级标签分类模型的训练方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978328A (zh) * | 2014-04-03 | 2015-10-14 | 北京奇虎科技有限公司 | 一种获取层级分类器以及文本分类的方法及装置 |
CN107168992A (zh) * | 2017-03-29 | 2017-09-15 | 北京百度网讯科技有限公司 | 基于人工智能的文章分类方法及装置、设备与可读介质 |
CN113010634A (zh) * | 2020-07-17 | 2021-06-22 | 华东师范大学 | 一种基于层级多标签分类的金融事件检测方法、设备 |
CN113688244A (zh) * | 2021-08-31 | 2021-11-23 | 中国平安人寿保险股份有限公司 | 基于神经网络的文本分类方法、系统、设备及存储介质 |
CN113837216A (zh) * | 2021-06-01 | 2021-12-24 | 腾讯科技(深圳)有限公司 | 数据分类方法、训练方法、装置、介质及电子设备 |
CN114912433A (zh) * | 2022-05-25 | 2022-08-16 | 亚信科技(中国)有限公司 | 文本层级多标签分类方法、装置、电子设备以及存储介质 |
-
2022
- 2022-10-14 CN CN202211262187.3A patent/CN115577106B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978328A (zh) * | 2014-04-03 | 2015-10-14 | 北京奇虎科技有限公司 | 一种获取层级分类器以及文本分类的方法及装置 |
CN107168992A (zh) * | 2017-03-29 | 2017-09-15 | 北京百度网讯科技有限公司 | 基于人工智能的文章分类方法及装置、设备与可读介质 |
CN113010634A (zh) * | 2020-07-17 | 2021-06-22 | 华东师范大学 | 一种基于层级多标签分类的金融事件检测方法、设备 |
CN113837216A (zh) * | 2021-06-01 | 2021-12-24 | 腾讯科技(深圳)有限公司 | 数据分类方法、训练方法、装置、介质及电子设备 |
CN113688244A (zh) * | 2021-08-31 | 2021-11-23 | 中国平安人寿保险股份有限公司 | 基于神经网络的文本分类方法、系统、设备及存储介质 |
CN114912433A (zh) * | 2022-05-25 | 2022-08-16 | 亚信科技(中国)有限公司 | 文本层级多标签分类方法、装置、电子设备以及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115878808A (zh) * | 2023-03-03 | 2023-03-31 | 有米科技股份有限公司 | 一种层级标签分类模型的训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115577106B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114942984B (zh) | 视觉场景文本融合模型的预训练和图文检索方法及装置 | |
CN113392253B (zh) | 视觉问答模型训练及视觉问答方法、装置、设备及介质 | |
EP4113357A1 (en) | Method and apparatus for recognizing entity, electronic device and storage medium | |
US20230073994A1 (en) | Method for extracting text information, electronic device and storage medium | |
CN113887627A (zh) | 噪音样本的识别方法、装置、电子设备以及存储介质 | |
CN114548110A (zh) | 语义理解方法、装置、电子设备及存储介质 | |
CN115640520B (zh) | 跨语言跨模态模型的预训练方法、设备和存储介质 | |
CN115062718A (zh) | 语言模型训练方法、装置、电子设备及存储介质 | |
CN116152833A (zh) | 基于图像的表格还原模型的训练方法及表格还原方法 | |
CN115577106B (zh) | 基于人工智能的文本分类方法、装置、设备和介质 | |
CN112507705B (zh) | 一种位置编码的生成方法、装置及电子设备 | |
CN114417879A (zh) | 跨语言文本语义模型的生成方法、装置及电子设备 | |
CN113553411A (zh) | 查询语句的生成方法、装置、电子设备和存储介质 | |
CN117688946A (zh) | 基于大模型的意图识别方法、装置、电子设备和存储介质 | |
CN112906368A (zh) | 行业文本增量方法、相关装置及计算机程序产品 | |
US20220382991A1 (en) | Training method and apparatus for document processing model, device, storage medium and program | |
CN114970666B (zh) | 一种口语处理方法、装置、电子设备及存储介质 | |
US20210342379A1 (en) | Method and device for processing sentence, and storage medium | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN114416941A (zh) | 融合知识图谱的对话知识点确定模型的生成方法及装置 | |
CN114239583A (zh) | 实体链指模型的训练及实体链指方法、装置、设备及介质 | |
CN113886543A (zh) | 生成意图识别模型的方法、装置、介质及程序产品 | |
CN113051926A (zh) | 文本抽取方法、设备和存储介质 | |
CN114722841B (zh) | 翻译方法、装置及计算机程序产品 | |
CN115168599B (zh) | 多三元组抽取方法、装置、设备、介质及产品 |
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 |