CN115687624A - 文本的分类方法、装置、电子设备和介质 - Google Patents

Abstract

本公开提供了一种文本的分类方法，可用于金融领域或其他领域。该文本的分类方法包括：获取待分类的文本；预处理所述文本，得到第一词向量集合；使用双向门控循环单元对所述第一词向量集合中的词向量进行编码，得到第二词向量集合；利用注意力模型计算所述第二词向量集合中的每一个隐层向量的权重；基于所述第二词向量集合和每一个隐层向量的权重，得到加权向量集合；利用卷积神经网络模型提取所述加权向量集合的局部特征；以及将所述局部特征输入二元分类模型，得到所述文本的多个分类标签，以确定所述待分类文本的类别。本公开还提供了一种文本的分类装置、设备、存储介质和程序产品。

Description

文本的分类方法、装置、电子设备和介质

技术领域

本公开涉及金融领域，具体地，涉及一种文本的分类方法、装置、设备、介质和程序产品。

背景技术

在金融领域，每天都会产生大量动态的舆情新闻和热点信息，对金融资产价格波动产生作用，从而影响我们的日常生活。金融舆情分析的价值体现在助力监管、企业决策、辅助投研等方方面面。金融舆情要素分析的重要前提是对金融舆情要素识别，确定其所属的类别及涉及的领域，这是开展其他研究的先决条件。由于金融舆情事件的描述文本中通常会涉及多个关键词，而每个词在不同的场景所表现的重要性有所不同，这将对最终的文本分类结果产生影响。

在实现本公开构思的过程中，发明人发现，目前对文本的分类方法，不能根据上下文信息确定关键词的重要性，进而进行分类，导致分类的速度慢，分类的准确性较低。

发明内容

鉴于上述问题，本公开提供了一种文本的分类方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种文本的分类方法，包括：获取待分类的文本；预处理所述文本，得到第一词向量集合，其中，所述第一词向量集合包括多个词向量，所述多个词向量中的每个词向量对应所述文本中的一个词语；使用双向门控循环单元对所述第一词向量集合中的词向量进行编码，得到第二词向量集合，其中，所述第二词向量集合包括多个隐层向量，所述第二词向量集合中的每个隐层向量对应所述第一词向量集合中的一个词向量，并包含所述词向量对应的词语的上下文信息；利用注意力模型计算所述第二词向量集合中的每一个隐层向量的权重，其中，所述权重用于表示所述每个隐层向量的语义重要性；基于所述第二词向量集合和每一个隐层向量的权重，得到加权向量集合，其中，所述加权向量集合包括多个加权向量；利用卷积神经网络模型提取所述加权向量集合的局部特征；以及将所述局部特征输入二元分类模型，得到所述文本的多个分类标签，以确定所述待分类文本的类别。

根据本公开的实施例，所述将所述局部特征输入二元分类模型，得到所述文本的多个分类标签的步骤包括：预设分类标签集合，所述分类标签集合包括多个分类标签；针对每个分类标签，将所述局部特征输入与所述分类标签对应的二元分类模型，得到所述分类标签的预测概率，所述预测概率用于表示所述待分类的文本是否具有所述分类标签；以及基于所述多个分类标签中每一个分类标签的预测概率，得到所述文本的多个分类标签。

根据本公开的实施例，所述基于所述多个分类标签中每一个分类标签的预测概率，得到所述文本的多个分类标签的步骤包括：预设概率阈值；和从所述多个分类标签中，选取预测概率大于所述概率阈值的分类标签，得到所述文本的多个分类标签。

根据本公开的实施例，所述预处理所述文本，得到第一词向量集合的步骤包括：对所述文本进行分词处理，得到所述文本的词集合，所述词集合包括多个词语；和对所述词集合中的词语进行编码，得到第一词向量集合。

根据本公开的实施例，所述对所述词集合中的词语进行编码的步骤包括采用word2vec算法对所述词集合中的词语进行编码。

根据本公开的实施例，所述使用双向门控循环单元对所述第一词向量集合中的词向量进行编码的步骤包括：使用双向门控循环单元对所述第一词向量集合中的词向量进行正向编码，得到正向隐层向量；使用双向门控循环单元对所述第一词向量集合中的词向量进行反向编码，得到反向隐层向量；以及融合所述正向隐层向量和反向隐层向量，得到隐层向量。

根据本公开的实施例，所述利用卷积神经网络模型提取所述加权向量集合的局部特征的步骤包括：将所述加权向量集合输入卷积神经网络模型，得到所述加权向量集合的特征图；和使用最大池化算法提取所述特征图中局部接收域中值最大的特征，得到局部特征。

根据本公开的实施例，所述利用注意力模型计算所述第二词向量集合中的每一个隐层向量的权重的步骤包括：使用多层感知机对所述隐层向量进行非线性变换，得到中间向量；获取权重参照向量；以及计算所述中间向量和所述参照向量的余弦相似度，得到所述隐层向量的权重。

根据本公开的实施例，所述获取权重参照向量的步骤包括：S1.获取训练样本集，所述训练样本集包括多个已有文本，所述多个已有文本包括各自的真实分类标签；S2.预设初始权重参照向量和损失函数阈值；S3.计算每一个已有文本的分类标签，作为预测分类标签；S4.基于所述预测分类标签，利用交叉熵损失函数计算每一个已有文本的真实分类标签的损失；S5.当所述损失大于所述损失函数阈值时，利用反向传播算法更新所述初始权重参照向量，得到更新后的权重参照向量；S6.将所述更新后的权重参照向量替换所述初始权重参照向量，返回执行S3-S5的步骤，直至所述损失小于等于所述损失函数阈值，将最终更新后的权重参照向量作为权重参照向量。

根据本公开的实施例，所述基于所述第二词向量集合和每一个隐层向量的权重，得到加权向量集合的步骤包括：将所述第二词向量集合中的每一个隐层向量和对应的权重相乘，得到加权向量；和拼接所述加权向量，形成加权向量集合。

本公开的第二方面提供了一种文本的分类装置，包括：第一获取模块，用于获取待分类的文本；预处理模块，用于预处理所述文本，得到第一词向量集合，其中，所述第一词向量集合包括多个词向量，所述多个词向量中的每个词向量对应所述文本中的一个词语；第一编码模块，用于使用双向门控循环单元对所述第一词向量集合中的词向量进行编码，得到第二词向量集合，其中，所述第二词向量集合包括多个隐层向量，所述第二词向量集合中的每个隐层向量对应所述第一词向量集合中的一个词向量，并包含所述词向量对应的词语的上下文信息；第一计算模块，用于利用注意力模型计算所述第二词向量集合中的每一个隐层向量的权重，其中，所述权重用于表示所述每个隐层向量的语义重要性；第二计算模块，用于基于所述第二词向量集合和每一个隐层向量的权重，得到加权向量集合，其中，所述加权向量集合包括多个加权向量；特征提取模块，用于利用卷积神经网络模型提取所述加权向量集合的局部特征；以及分类模块，用于将所述局部特征输入二元分类模型，得到所述文本的多个分类标签，以确定所述待分类文本的类别。

根据本公开的实施例，所述分类模块包括：预设单元，用于预设分类标签集合，所述分类标签集合包括多个分类标签；预测单元，用于针对每个分类标签，将所述局部特征输入与所述分类标签对应的二元分类模型，得到所述分类标签的预测概率，所述预测概率用于表示所述待分类的文本是否具有所述分类标签；以及分类标签生成单元，用于基于所述多个分类标签中每一个分类标签的预测概率，得到所述文本的多个分类标签。

根据本公开的实施例，所述分类标签生成单元包括：阈值预设子模块，用于预设概率阈值；和分类标签选取子模块，用于从所述多个分类标签中，选取预测概率大于所述概率阈值的分类标签，得到所述文本的多个分类标签。

根据本公开的实施例，所述预处理模块包括：分词单元，用于对所述文本进行分词处理，得到所述文本的词集合，所述词集合包括多个词语；和第一编码单元，用于对所述词集合中的词语进行编码，得到第一词向量集合。

根据本公开的实施例，所述第一编码单元采用word2vec算法对所述词集合中的词语进行编码。

根据本公开的实施例，所述第一编码模块包括：正向编码单元，用于使用双向门控循环单元对所述第一词向量集合中的词向量进行正向编码，得到正向隐层向量；反向编码单元，用于使用双向门控循环单元对所述第一词向量集合中的词向量进行反向编码，得到反向隐层向量；以及融合单元，用于融合所述正向隐层向量和反向隐层向量，得到隐层向量。

根据本公开的实施例，所述特征提取模块包括：输入单元，用于将所述加权向量集合输入卷积神经网络模型，得到所述加权向量集合的特征图；和局部特征提取单元，用于使用最大池化算法提取所述特征图中局部接收域中值最大的特征，得到局部特征。

根据本公开的实施例，所述第一计算模块包括：中间向量生成单元，用于使用多层感知机对所述隐层向量进行非线性变换，得到中间向量；第一获取单元，用于获取权重参照向量；以及第一计算单元，用于计算所述中间向量和所述参照向量的余弦相似度，得到所述隐层向量的权重。

根据本公开的实施例，所述第一获取单元获取权重参照向量的步骤包括：S1.获取训练样本集，所述训练样本集包括多个已有文本，所述多个已有文本包括各自的真实分类标签；S2.预设初始权重参照向量和损失函数阈值；S3.计算每一个已有文本的分类标签，作为预测分类标签；S4.基于所述预测分类标签，利用交叉熵损失函数计算每一个已有文本的真实分类标签的损失；S5.当所述损失大于所述损失函数阈值时，利用反向传播算法更新所述初始权重参照向量，得到更新后的权重参照向量；S6.将所述更新后的权重参照向量替换所述初始权重参照向量，返回执行S3-S5的步骤，直至所述损失小于等于所述损失函数阈值，将最终更新后的权重参照向量作为权重参照向量。

根据本公开的实施例，所述第二计算模块包括：第二计算单元，用于将所述第二词向量集合中的每一个隐层向量和对应的权重相乘，得到加权向量；和拼接单元，用于拼接所述加权向量，形成加权向量集合。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的文本的分类方法、装置、设备、介质和程序产品的应用场景图；

图2示意性示出了根据本公开实施例的文本的分类方法的流程图；

图3示意性示出了根据本公开实施例的得到文本的多个分类标签的流程图；

图4示意性示出了根据本公开实施例的使用双向门控循环单元对所述第一词向量集合中的词向量进行编码的流程图；

图5示意性示出了根据本公开实施例的利用注意力模型计算第二词向量集合中的每一个隐层向量的权重的流程图；

图6示意性示出了根据本公开实施例的得到加权向量集合的流程图；

图7示意性示出了根据本公开实施例的文本的分类模型示意图；

图8示意性示出了根据本公开实施例的文本的分类装置的结构框图；以及

图9示意性示出了根据本公开实施例的适于实现文本的分类方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。

随着信息技术与互联网技术的快速发展，新媒介的不断更新演变，信息资源呈现爆炸式增长，DT时代已经开启。在金融领域，每天都会产生大量动态的舆情新闻和热点信息，对金融资产价格波动产生作用，从而影响我们的日常生活。此外，舆情对经济运营和企业运营的影响日益受到各界关注，各类新媒体形式的出现，舆论信息的传播范围、速度日益提高，影响范围日益扩大，而金融业基于预期与信用的行业特征，更加容易受到舆情的影响。金融舆情分析的价值体现在助力监管、企业决策、辅助投研等方方面面。金融舆情要素分析的重要前提是对金融舆情要素识别，确定其所属的类别及涉及的领域，这是开展其他研究的先决条件。

金融舆情事件要素识别是金融舆情分析的核心任务，是指在给定事件描述的情况下，自动识别其涉及的核心要素。由于金融舆情事件的描述文本中通常会涉及多个关键词，而每个词在不同的场景所表现的重要性有所不同，这将对最终的文本分类结果产生影响。现有的要素识别方法主要通过文本分类框架实现，通过端到端的网络模型直接学习出原始舆情描述和到要素标签之间的映射，在预测性及鲁棒性上达到了较高的水平。但由于舆情工作具备亲历性、经验性、判断性及程序性等特征，深层语义推理依然难以实现，现有的识别方案仍处于模仿人类的执行流程的浅层阶段，缺乏要素识别本身任务特点，很少考虑不同舆情事件描述中，相同词语在不同上下文环境下的差异，不能根据上下文信息确定关键词的重要性，进而进行分类，导致分类的速度慢，分类的准确性较低。此外，舆情事件的描述文本中通常也会涉及多分类标签情况，现有的方法只能进行单标签分类。

鉴于上述问题，本公开的实施例提供了一种文本的分类方法，包括：获取待分类的文本；预处理所述文本，得到第一词向量集合，其中，所述第一词向量集合包括多个词向量，所述多个词向量中的每个词向量对应所述文本中的一个词语；使用双向门控循环单元对所述第一词向量集合中的词向量进行编码，得到第二词向量集合，其中，所述第二词向量集合包括多个隐层向量，所述第二词向量集合中的每个隐层向量对应所述第一词向量集合中的一个词向量，并包含所述词向量对应的词语的上下文信息；利用注意力模型计算所述第二词向量集合中的每一个隐层向量的权重，其中，所述权重用于表示所述每个隐层向量的语义重要性；基于所述第二词向量集合和每一个隐层向量的权重，得到加权向量集合，其中，所述加权向量集合包括多个加权向量；利用卷积神经网络模型提取所述加权向量集合的局部特征；以及将所述局部特征输入二元分类模型，得到所述文本的多个分类标签，以确定所述待分类文本的类别。

需要说明的是，本公开确定的方法和装置可用于金融领域的文本的分类，也可用于除金融领域之外的任意领域的文本的分类，本公开文本分类的方法和装置的应用领域不做限定。

图1示意性示出了根据本公开实施例的文本的分类方法、装置、设备、介质和程序产品的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、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(仅为示例)。

终端设备101、102、103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105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的文本的分类方法一般可以由服务器105执行。相应地，本公开实施例所提供的文本的分类装置一般可以设置于服务器105中。本公开实施例所提供的文本的分类方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的文本的分类装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的文本的分类方法的流程图。

如图2所示，该实施例的文本的分类方法包括操作S210～操作S270。

在操作S210，获取待分类的文本。示例性的，可以利用爬虫的方式从论坛或者网页上获取相关评论文本，也可以从数据库中提取相关评论文本。

在操作S220，预处理所述文本，得到第一词向量集合，其中，所述第一词向量集合包括多个词向量，所述多个词向量中的每个词向量对应所述文本中的一个词语。由于需要将文本转化为计算机能够处理的格式，需要对文本进行向量化，以加快计算机的处理速度。

根据本公开的实施例，所述预处理所述文本，得到第一词向量集合的步骤包括：对所述文本进行分词处理，得到所述文本的词集合，所述词集合包括多个词语；和对所述词集合中的词语进行编码，得到第一词向量集合。首先利用各种分词技术，例如自然语言处理技术，对文本进行分词，提取文本中的词语，形成词集合。凡是可以用于分词的技术都可以，本公开的实施例对此不做限定。然后利用编码技术对分词处理后得到的词向量进行编码。

根据本公开的实施例，所述对所述词集合中的词语进行编码的步骤包括采用word2vec算法对所述词集合中的词语进行编码。例如，使用word2vec算法将舆情描述词集合序列S＝{w₁，w₂...w_n}映射为低维连续词向量E＝[x₁，x₂...x_n]，其中，x_i∈R^e，E∈R^n×e。词集合中的每一个词都对应词向量集合中的一个编码。由于word2vec算法是利用一个词语和周围词之间的相似度进行编码，得到的词向量包含词义信息，即如果词义相近，那么词向量之间的距离相近，因此尤其适用于金融舆情文本这类格式相对统一、评论关键词相对一致的文本，此外，word2vec算法得到的编码结果相对集中，能够减少数据的存储量，提高整体计算速度。

在操作S230，使用双向门控循环单元对所述第一词向量集合中的词向量进行编码，得到第二词向量集合，其中，所述第二词向量集合包括多个隐层向量，所述第二词向量集合中的每个隐层向量对应所述第一词向量集合中的一个词向量，并包含所述词向量对应的词语的上下文信息。

图4示意性示出了根据本公开实施例的使用双向门控循环单元对所述第一词向量集合中的词向量进行编码的流程图。

如图4所示，该实施例的使用双向门控循环单元对所述第一词向量集合中的词向量进行编码的步骤包括操作S410～操作S430。

在操作S410，使用双向门控循环单元对所述第一词向量集合中的词向量进行正向编码，得到正向隐层向量。

在操作S420，使用双向门控循环单元对所述第一词向量集合中的词向量进行反向编码，得到反向隐层向量。

在操作S430，融合所述正向隐层向量和反向隐层向量，得到隐层向量。

示例性的，对输入词向量x_i进行正向、反向编码，具体如下述公式所示：

使用双向门控循环单元对所述第一词向量集合中的词向量进行正向编码，生成正向隐层向量

使用双向门控循环单元对所述第一词向量集合中的词向量进行反向编码，生成反向隐层向量

，拼接融合所述正向隐层向量和反向隐层向量，得到融合了上下文语义信息的隐层向量h_i，该隐层向量可视作舆情描述信息的总体概览。因为金融舆情描述文本一般为篇章级，且文本上下之间存在较强关联性，为了提升舆情描述编码后整体语义的准确性，利用双向门控循环单元进行编码，能够根据词语的上下文信息进行编码，在经过word2vec算法编码得到的词向量已经包含词义信息的基础上，实现了对输入序列上下文信息的语义合成，使得最终得到的第二词向量包含上下文的语义信息。

回到图2，在操作S240，利用注意力模型计算所述第二词向量集合中的每一个隐层向量的权重，其中，所述权重用于表示所述每个隐层向量的语义重要性，从而使得每个隐层向量能反映对应的词在不同的场景所表现的重要性。

图5示意性示出了根据本公开实施例的利用注意力模型计算第二词向量集合中的每一个隐层向量的权重的流程图。

如图5所示，该实施例的利用注意力模型计算所述第二词向量集合中的每一个隐层向量的权重的步骤包括操作S510～操作S530。

在操作S510，使用多层感知机对所述隐层向量进行非线性变换，得到中间向量。

在操作S520，获取权重参照向量。

在操作S530，计算所述中间向量和所述参照向量的余弦相似度，得到所述隐层向量的权重。

示例性的，对于舆情描述文本，除了需要考虑各词语之间的语义依赖，还要体现出各词语的语义重要性差异。对于包含舆情信息较为丰富的词语，在进行向量表示时，需要赋予较高的权重。由于隐层向量已经融合了上下文信息，此时需使用注意力机制获取更整体的语义表示，并得到不同词语的重要性差异。具体注意力机制实现方式如下：首先使用多层感知机对隐层向量h_j进行非线性变换，输出中间向量u_j，具体公式如下所示：

u_i＝tanh(W_ih_i+b_i)

式中，W是向量权重，b是偏置系数。

通过计算中间向量u_j和上下文向量u_c的余弦相似度得到不同词语的语义重要性程度，即权重α_j，具体公式如下所示：

式中，u_c是上下文向量，u_j是中间向量，α_j是权重。

其中，上下文向量u_c即权重参照向量，可视作当前舆情描述的抽象语义表示，其本质是一个可动态更新的模型参数，作用是为各词语语义重要性的计算提供参照。在文本分类模型的训练过程中，首先随机赋予权重参照向量初始值，通过α_j计算公式初步计算各词的注意力权重，然后通过分类器预测得到各类要素的概率，计算当前时刻的预测概率与实际概率的损失，若损失较大则代表当前参数不能准确表达舆情描述的语义，因此使用反向传播算法继续迭代更新权重参照向量参数直到损失值最小，此时的权重参照向量可认为是准确表示出了舆情描述全文信息。

可选的，所述获取权重参照向量的步骤包括：S1.获取训练样本集，所述训练样本集包括多个已有文本，所述多个已有文本包括各自的真实分类标签；S2.预设初始权重参照向量和损失函数阈值；S3.计算每一个已有文本的分类标签，作为预测分类标签；S4.基于所述预测分类标签，利用交叉熵损失函数计算每一个已有文本的真实分类标签的损失；S5.当所述损失大于所述损失函数阈值时，利用反向传播算法更新所述初始权重参照向量，得到更新后的权重参照向量；S6.将所述更新后的权重参照向量替换所述初始权重参照向量，返回执行S3-S5的步骤，直至所述损失小于等于所述损失函数阈值，将最终更新后的权重参照向量作为权重参照向量。

示例性的，可以使用Sigmoid交叉熵损失函数计算每一个已有文本的真实分类标签的损失，其输入为真实概率分布p(x_j)和预测概率分布(置信值)q(x_i)。p(x_i)使用one-hot映射方式得到，p(x_i)∈{0，1}；q(x_i)由Sigmoid函数对losits_i激活得到，q(x_i)∈{0，1}，具体计算公式如下：

q(x_i)＝sigmoid(logits_i)

其中，losits_j为未经归一化的预测“概率”，losits_i∈(-∞，+∞)，Sigmoid的作用是归一化losits_i，使其域值限定在(0，1)区间以便与p(x_i)计算。具体的损失计算过程如下：

对一个有多个分类标签的已有文本，其单个分类标签交叉熵损失loss的计算公式如下：

由于多个分类标签之间相互独立，则上述损失loss_i可简化为：

loss_i＝-p(x_i)log(q(x_i))-(1-p(x_i))log(1-q(x_i))

因此，一个已有文本的真实分类标签的损失如下所示：

loss_one＝loss₁+loss₁+...+loss_c

以p(x_ji)表示训练样本集中文本j的第i个分类标签的实际概率分布，q(x_ji)表示预测概率分布，则一个包含n个样本的训练样本集的批次损失如下所示：

根据实际情况预设损失函数阈值，当真实分类标签的损失大于预设损失函数阈值时，使用Adam优化函数优化loss_batch，利用利用反向传播算法迭代更新卷积核、初始权重参照向量等模型参数，直至所述损失小于等于所述损失函数阈值，将最终更新后的卷积核和权重参照向量作为最优的卷积核和权重参照向量，预测时基于最优的卷积核和权重参照向量等参数计算得到预测概率，以提高预测的准确性。

回到图2，在操作S250，基于所述第二词向量集合和每一个隐层向量的权重，得到加权向量集合，其中，所述加权向量集合包括多个加权向量。

图6示意性示出了根据本公开实施例的得到加权向量集合的流程图。

如图6所示，该实施例的基于所述第二词向量集合和每一个隐层向量的权重，得到加权向量集合的步骤包括操作S610～操作S620。

在操作S610，将所述第二词向量集合中的每一个隐层向量和对应的权重相乘，得到加权向量。

在操作S620，拼接所述加权向量，形成加权向量集合。

示例性的，加权向量

由每一个隐层向量h_i和对应的权重α_i相乘得到，

加权向量集合S^att是由多个加权向量

拼接形成的矩阵，S^att∈R^n×d，n为舆情描述中词语个数，d为隐层向量的维度，其中加权向量的计算公式为：

S^att的具体公式为：

回到图2，在操作S260，利用卷积神经网络模型提取所述加权向量集合的局部特征，利用最重要的局部特征进行分类，不仅能大大加快了多标签文本的分类速度，同时还提高了分类的准确性。

根据本公开的实施例，所述利用卷积神经网络模型提取所述加权向量集合的局部特征的步骤包括：将所述加权向量集合输入卷积神经网络模型，得到所述加权向量集合的特征图；和使用最大池化算法提取所述特征图中局部接收域中值最大的特征，得到局部特征。

示例性的，使用双向门控循环单元和注意力模型实现了文本中词向量上下文信息与词义权重的融入，得到的待分类文本的加权向量集合S^att，由于加权向量集合S^att维度较高且包含部分噪声，因此需要引入多核卷积神经网络对其优化表示。由于卷积神经网络可通过滑动窗口机制对同一区域内的所有特征进行卷积变换从而有效保留词语的局部特征。以加权向量集合S^att作为卷积层输入，使用大小为h的卷积核W∈R^h×d对其进行局部特征提取，具体公式如下所示：

C_i＝f(W·S_{att(i，i+h-1)}+b)

式中，f(·)为卷积操作，S_{att(i，i+h-1)}表示S^att第i行到第i+h-1行的局部特征。上下滑动卷积窗口得到加权向量集合的特征图M_i，具体表示如下：

M_i＝[C₁，C₂，...C_n-h+1]

使用最大池化算法Max Pooling，选取特征图局部最优特征，计算如下所示：

P＝MaxPooling(M_i)

在操作S270，将所述局部特征输入二元分类模型，得到所述文本的多个分类标签，以确定所述待分类文本的类别。

图3示意性示出了根据本公开实施例的得到文本的多个分类标签的流程图。

如图3所示，该实施例的将所述局部特征输入二元分类模型，得到所述文本的多个分类标签包括操作S310～操作S330。

在操作S310，预设分类标签集合，所述分类标签集合包括多个分类标签。示例性的，可以根据实际需要设置分类标签，如对金融舆情文本进行分类时，可以预先设置分类标签包含金融、保险、基金等。

在操作S320，针对每个分类标签，将所述局部特征输入与所述分类标签对应的二元分类模型，得到所述分类标签的预测概率，所述预测概率用于表示所述待分类的文本是否具有所述分类标签。对每个分类标签分别进行预测，将多标签的标签分类转化成单标签的文本分类，将多个标签的同时计算转化为单个标签的分别计算，简化了计算过程，提高了计算速度。示例性的，具体的分类过程为，首先基于二元关联BR转换策略完成多标签分类到多类别分类的转换，将多标签要素分解为多个独立的单标签要素，然后对每个要素进行0/1二元分类。BR转换策略机制为：首先将舆情描述对应的要素标签映射为列表[1₁，1₂，...1_c]，c为要素总数，1_i∈{0，1}，1_i＝1代表涉及该要素标签，1_i＝0则相反。通过BR标签转换策略将复杂的多标签分类转化成简单的0/1二元分类，针对每个分类标签，将局部特征输入与所述分类标签对应的二元分类模型，即可得到所述分类标签的预测概率。

在操作S330，基于所述多个分类标签中每一个分类标签的预测概率，得到所述文本的多个分类标签。

根据本公开的实施例，所述基于所述多个分类标签中每一个分类标签的预测概率，得到所述文本的多个分类标签的步骤包括：预设概率阈值；和从所述多个分类标签中，选取预测概率大于所述概率阈值的分类标签，得到所述文本的多个分类标签。示例性的，如针对保险标签来说，预设概率阈值为0.5，如果某个待分类文本关于保险标签的预测概率是0.6，由于预测概率0.6大于预设概率阈值0.5，则该文本具有保险标签。按照上述方式，比较该文本关于所有预设标签的预测概率和预设概率阈值的大小，选出预测概率大于概率阈值的分类标签，作为该文本最终的多分类标签，其中，对所有的分类标签可以设置统一的预设概率阈值，也可以根据不同的标签设置不同的预设概率阈值，具体预设概率阈值可以根据实际情况进行调整，本公开的实施例对此不做限定。

本公开实施例提供的文本的分类方法，通过将文本转化为加权向量集合，其中每个加权向量都包含上下文信息和语义重要性，利用卷积神经网络模型提取加权向量集合最重要的局部特征，然后将多标签的标签分类转化成单标签的文本分类，再基于最重要的局部特征进行二元分类，不仅大大加快了多标签文本的分类速度，还实现了文本的多标签同时分类，同时提高了分类的准确性。

图7示意性示出了根据本公开实施例的文本的分类模型示意图。

如图7所示，本公开实施例的文本的分类模型包括文本建模层和意图预测层。

在文本建模层主要完成待分类文本的建模与特征抽取，具体包括：首先将待分类的文本转化为第一词向量X_i，将第一词向量X_i作为分类模型输入，使用双向门控循环单元对所述第一词向量集合中的每一个词向量进行，得到正向隐层向量

和反向隐层向量

融合后生成隐层向量。然后利用权重参照向量u_c计算得到每一个隐层向量的权重α_i，获取表示待分类的文本上下文信息与词义权重的加权向量，作为卷积层的输入。在卷积层利用多核卷积神经网络优化输入的加权向量，提取其局部特征，然后在最大池化层选取局部最优特征。至此，完成对待分类文本的建模与特征抽取。

在意图预测层，将所述局部特征经全连接层映射输入分类层进行要素预测，分类层采用二元关联转换策略完成多标签分类到多类别分类的转换，将多标签要素分类分解为多个独立的单标签要素，然后对每个要素进行0/1二元分类，将完成待分类文本的建模与特征抽取的结果输入分类器进行要素识别，得到待分类样本的分类标签。

基于上述文本的分类方法，本公开还提供了一种文本的分类装置。以下将结合图8对该装置进行详细描述。

图8示意性示出了根据本公开实施例的文本的分类装置的结构框图。

如图8所示，该实施例的文本的分类装置800包括第一获取模块810、预处理模块820、第一编码模块830、第一计算模块840、第二计算模块850、特征提取模块860和分类模块870。

第一获取模块810，用于获取待分类的文本。在一实施例中，第一获取模块810可以用于执行前文描述的操作S210，在此不再赘述。

预处理模块820，用于预处理所述文本，得到第一词向量集合，其中，所述第一词向量集合包括多个词向量，所述多个词向量中的每个词向量对应所述文本中的一个词语。在一实施例中，预处理模块820可以用于执行前文描述的操作S220，在此不再赘述。

第一编码模块830，用于使用双向门控循环单元对所述第一词向量集合中的词向量进行编码，得到第二词向量集合，其中，所述第二词向量集合包括多个隐层向量，所述第二词向量集合中的每个隐层向量对应所述第一词向量集合中的一个词向量，并包含所述词向量对应的词语的上下文信息。在一实施例中，第一编码模块830可以用于执行前文描述的操作S230，在此不再赘述。

第一计算模块840，用于利用注意力模型计算所述第二词向量集合中的每一个隐层向量的权重，其中，所述权重用于表示所述每个隐层向量的语义重要性。在一实施例中，第一计算模块840可以用于执行前文描述的操作S240，在此不再赘述。

第二计算模块850，用于基于所述第二词向量集合和每一个隐层向量的权重，得到加权向量集合，其中，所述加权向量集合包括多个加权向量。在一实施例中，第二计算模块850可以用于执行前文描述的操作S250，在此不再赘述。

特征提取模块860，用于利用卷积神经网络模型提取所述加权向量集合的局部特征。在一实施例中，特征提取模块860可以用于执行前文描述的操作S260，在此不再赘述。

分类模块870，用于将所述局部特征输入二元分类模型，得到所述文本的多个分类标签，以确定所述待分类文本的类别。在一实施例中，分类模块870可以用于执行前文描述的操作S270，在此不再赘述。

根据本公开的实施例，所述分类模块包括：预设单元，用于预设分类标签集合，所述分类标签集合包括多个分类标签；预测单元，用于针对每个分类标签，将所述局部特征输入与所述分类标签对应的二元分类模型，得到所述分类标签的预测概率，所述预测概率用于表示所述待分类的文本是否具有所述分类标签；以及分类标签生成单元，用于基于所述多个分类标签中每一个分类标签的预测概率，得到所述文本的多个分类标签。

根据本公开的实施例，所述分类标签生成单元包括：阈值预设子模块，用于预设概率阈值；和分类标签选取子模块，用于从所述多个分类标签中，选取预测概率大于所述概率阈值的分类标签，得到所述文本的多个分类标签。

根据本公开的实施例，所述预处理模块包括：分词单元，用于对所述文本进行分词处理，得到所述文本的词集合，所述词集合包括多个词语；和第一编码单元，用于对所述词集合中的词语进行编码，得到第一词向量集合。

根据本公开的实施例，所述第一编码单元采用word2vec算法对所述词集合中的词语进行编码。

根据本公开的实施例，所述第一编码模块包括：正向编码单元，用于使用双向门控循环单元对所述第一词向量集合中的词向量进行正向编码，得到正向隐层向量；反向编码单元，用于使用双向门控循环单元对所述第一词向量集合中的词向量进行反向编码，得到反向隐层向量；以及融合单元，用于融合所述正向隐层向量和反向隐层向量，得到隐层向量。

根据本公开的实施例，所述特征提取模块包括：输入单元，用于将所述加权向量集合输入卷积神经网络模型，得到所述加权向量集合的特征图；和局部特征提取单元，用于使用最大池化算法提取所述特征图中局部接收域中值最大的特征，得到局部特征。

根据本公开的实施例，所述第一计算模块包括：中间向量生成单元，用于使用多层感知机对所述隐层向量进行非线性变换，得到中间向量；第一获取单元，用于获取权重参照向量；以及第一计算单元，用于计算所述中间向量和所述参照向量的余弦相似度，得到所述隐层向量的权重。

根据本公开的实施例，所述第一获取单元获取权重参照向量的步骤包括：S1.获取训练样本集，所述训练样本集包括多个已有文本，所述多个已有文本包括各自的真实分类标签；S2.预设初始权重参照向量和损失函数阈值；S3.计算每一个已有文本的分类标签，作为预测分类标签；S4.基于所述预测分类标签，利用交叉熵损失函数计算每一个已有文本的真实分类标签的损失；S5.当所述损失大于所述损失函数阈值时，利用反向传播算法更新所述初始权重参照向量，得到更新后的权重参照向量；S6.将所述更新后的权重参照向量替换所述初始权重参照向量，返回执行S3-S5的步骤，直至所述损失小于等于所述损失函数阈值，将最终更新后的权重参照向量作为权重参照向量。

根据本公开的实施例，所述第二计算模块包括：第二计算单元，用于将所述第二词向量集合中的每一个隐层向量和对应的权重相乘，得到加权向量；和拼接单元，用于拼接所述加权向量，形成加权向量集合。

根据本公开的实施例，第一获取模块810、预处理模块820、第一编码模块830、第一计算模块840、第二计算模块850、特征提取模块860和分类模块870中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一获取模块810、预处理模块820、第一编码模块830、第一计算模块840、第二计算模块850、特征提取模块860和分类模块870中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块810、预处理模块820、第一编码模块830、第一计算模块840、第二计算模块850、特征提取模块860和分类模块870中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图9示意性示出了根据本公开实施例的适于实现文本的分类方法的电子设备的方框图。

如图9所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；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907；包括硬盘等的存储部分908；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909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，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910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908。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储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执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：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)、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。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，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。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例的方法。

在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“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设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(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，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。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (14)

1.一种文本的分类方法，其特征在于，包括：

获取待分类的文本；

预处理所述文本，得到第一词向量集合，其中，所述第一词向量集合包括多个词向量，所述多个词向量中的每个词向量对应所述文本中的一个词语；

使用双向门控循环单元对所述第一词向量集合中的词向量进行编码，得到第二词向量集合，其中，所述第二词向量集合包括多个隐层向量，所述第二词向量集合中的每个隐层向量对应所述第一词向量集合中的一个词向量，并包含所述词向量对应的词语的上下文信息；

利用注意力模型计算所述第二词向量集合中的每一个隐层向量的权重，其中，所述权重用于表示所述每个隐层向量的语义重要性；

基于所述第二词向量集合和每一个隐层向量的权重，得到加权向量集合，其中，所述加权向量集合包括多个加权向量；

利用卷积神经网络模型提取所述加权向量集合的局部特征；以及

将所述局部特征输入二元分类模型，得到所述文本的多个分类标签，以确定所述待分类文本的类别。

2.根据权利要求1所述的方法，其特征在于，所述将所述局部特征输入二元分类模型，得到所述文本的多个分类标签的步骤包括：

预设分类标签集合，所述分类标签集合包括多个分类标签；

针对每个分类标签，将所述局部特征输入与所述分类标签对应的二元分类模型，得到所述分类标签的预测概率，所述预测概率用于表示所述待分类的文本是否具有所述分类标签；以及

基于所述多个分类标签中每一个分类标签的预测概率，得到所述文本的多个分类标签。

3.根据权利要求2所述的方法，其特征在于，所述基于所述多个分类标签中每一个分类标签的预测概率，得到所述文本的多个分类标签的步骤包括：

预设概率阈值；和

从所述多个分类标签中，选取预测概率大于所述概率阈值的分类标签，得到所述文本的多个分类标签。

4.根据权利要求1所述的方法，其特征在于，所述预处理所述文本，得到第一词向量集合的步骤包括：

对所述文本进行分词处理，得到所述文本的词集合，所述词集合包括多个词语；和

对所述词集合中的词语进行编码，得到第一词向量集合。

5.根据权利要求4所述的方法，其特征在于，所述对所述词集合中的词语进行编码的步骤包括采用word2vec算法对所述词集合中的词语进行编码。

6.根据权利要求1所述的方法，其特征在于，所述使用双向门控循环单元对所述第一词向量集合中的词向量进行编码的步骤包括：

使用双向门控循环单元对所述第一词向量集合中的词向量进行正向编码，得到正向隐层向量；

使用双向门控循环单元对所述第一词向量集合中的词向量进行反向编码，得到反向隐层向量；以及

融合所述正向隐层向量和反向隐层向量，得到隐层向量。

7.根据权利要求1所述的方法，其特征在于，所述利用卷积神经网络模型提取所述加权向量集合的局部特征的步骤包括：

将所述加权向量集合输入卷积神经网络模型，得到所述加权向量集合的特征图；和

使用最大池化算法提取所述特征图中局部接收域中值最大的特征，得到局部特征。

8.根据权利要求1所述的方法，其特征在于，所述利用注意力模型计算所述第二词向量集合中的每一个隐层向量的权重的步骤包括：

使用多层感知机对所述隐层向量进行非线性变换，得到中间向量；

获取权重参照向量；以及

计算所述中间向量和所述参照向量的余弦相似度，得到所述隐层向量的权重。

9.根据权利要求8所述的方法，其特征在于，所述获取权重参照向量的步骤包括：

S1.获取训练样本集，所述训练样本集包括多个已有文本，所述多个已有文本包括各自的真实分类标签；

S2.预设初始权重参照向量和损失函数阈值；

S3.计算每一个已有文本的分类标签，作为预测分类标签；

S4.基于所述预测分类标签，利用交叉熵损失函数计算每一个已有文本的真实分类标签的损失；

S5.当所述损失大于所述损失函数阈值时，利用反向传播算法更新所述初始权重参照向量，得到更新后的权重参照向量；

S6.将所述更新后的权重参照向量替换所述初始权重参照向量，返回执行S3-S5的步骤，直至所述损失小于等于所述损失函数阈值，将最终更新后的权重参照向量作为权重参照向量。

10.根据权利要求8所述的方法，其特征在于，所述基于所述第二词向量集合和每一个隐层向量的权重，得到加权向量集合的步骤包括：

将所述第二词向量集合中的每一个隐层向量和对应的权重相乘，得到加权向量；和

拼接所述加权向量，形成加权向量集合。

11.一种文本的分类装置，包括：

第一获取模块，用于获取待分类的文本；

预处理模块，用于预处理所述文本，得到第一词向量集合，其中，所述第一词向量集合包括多个词向量，所述多个词向量中的每个词向量对应所述文本中的一个词语；

第一编码模块，用于使用双向门控循环单元对所述第一词向量集合中的词向量进行编码，得到第二词向量集合，其中，所述第二词向量集合包括多个隐层向量，所述第二词向量集合中的每个隐层向量对应所述第一词向量集合中的一个词向量，并包含所述词向量对应的词语的上下文信息；

第一计算模块，用于利用注意力模型计算所述第二词向量集合中的每一个隐层向量的权重，其中，所述权重用于表示所述每个隐层向量的语义重要性；

第二计算模块，用于基于所述第二词向量集合和每一个隐层向量的权重，得到加权向量集合，其中，所述加权向量集合包括多个加权向量；

特征提取模块，用于利用卷积神经网络模型提取所述加权向量集合的局部特征；以及

分类模块，用于将所述局部特征输入二元分类模型，得到所述文本的多个分类标签，以确定所述待分类文本的类别。

12.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～10中任一项所述的方法。

13.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～10中任一项所述的方法。

14.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～10中任一项所述的方法。

Images