CN116089886A - 信息处理方法、装置、设备及存储介质 - Google Patents

Abstract

本公开提供了一种信息处理方法、装置、设备及存储介质，可以应用于人工智能技术领域。该方法包括：将待处理的文本信息输入至文本分类模型的第一文本分类层，输出根分类标签；确定与根分类标签对应的分类标签结构树，其中，分类标签结构树包括具有第一层级属性的根分类标签，以及具有第i层级属性的叶子分类标签，i为大于1的正整数；将文本信息输入至文本分类模型的目标第i文本分类层，输出第i叶子分类标签；以及根据第i叶子分类标签，从分类标签结构树中确定文本信息的目标末端叶子分类标签。

Description

信息处理方法、装置、设备及存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及一种信息处理方法、装置、设备、介质和程序产品。

背景技术

随着金融科技的迅速发展，各种银行传统金融服务升级为数字金融服务，其中银行运营处理系统也实现了电子化和线上化，但是分派工单仍靠各领域专家人工完成。其中不同业务分支的问题将有各自负责的专家来处理。

经过研究发现，利用专家人工分派工单的处理方式占用大量人力成本。这样不仅会造成分派工单排队时间长，还会降低工单分派准确率低，让客户产生较差服务体验。此外，相关技术中能够实现自动分派工单的装置或方法存在工单分类准确性较差，分类效率较低等情况，难以满足实际的业务需求。

发明内容

鉴于上述问题，本公开提供了一种信息处理方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种信息处理方法，包括：

将待处理的文本信息输入至文本分类模型的第一文本分类层，输出根分类标签；

确定与上述根分类标签对应的分类标签结构树，其中，上述分类标签结构树包括具有第一层级属性的根分类标签，以及具有第i层级属性的叶子分类标签，i为大于1的正整数；

将上述文本信息输入至上述文本分类模型的目标第i文本分类层，输出第i叶子分类标签；以及

根据上述第i叶子分类标签，从上述分类标签结构树中确定上述文本信息的目标末端叶子分类标签。。

根据本公开的实施例，将上述文本信息输入至上述文本分类模型的目标第i文本分类层，输出第i叶子分类标签包括：在i等于2的情况下，根据上述根分类标签，从上述文本分类模型中确定目标第二文本分类层；将上述文本信息输入至上述目标第二文本分类层，输出具有第二层级属性的第2叶子分类标签。。

根据本公开的实施例，将上述文本信息输入至上述文本分类模型的目标第i文本分类层，输出第i叶子分类标签还包括：在i大于2的情况下，从上述文本分类模型中，确定与第i叶子分类标签对应的目标第i+1文本分类层；以及将上述文本信息输入至上述目标第i+1文本分类层，输出第i+1叶子分类标签。

根据本公开的实施例，根据上述第i叶子分类标签，从上述分类标签结构树中确定上述文本信息的目标末端叶子分类标签包括：在上述第i叶子分类标签，为上述分类标签结构树的末端叶子分类标签的情况下，将上述第i叶子分类标签确定为上述目标末端叶子分类标签。

根据本公开的实施例，上述方法还包括获取样本文本信息集，以及与上述样本文本信息集中的样本文本信息对应的样本分类标签；根据上述样本分类标签与上述样本文本信息的对应关系，统计与上述样本分类标签对应的样本文本信息数量；根据上述样本文本信息数量，确定上述样本分类标签的层级属性；以及根据上述样本分类标签各自的层级属性，构建上述分类标签结构树。

根据本公开的实施例，上述方法还包括：基于多层级分类网络算法处理样本文本信息集，得到上述分类标签结构树。

根据本公开的实施例，上述方法还包括：根据上述根分类标签和上述目标末端叶子分类标签，确定针对上述文本信息的分类结果。

根据本公开的实施例，还包括：基于预设规则构建业务词表；以及根据上述业务词表对初始文本信息进行分词操作，得到待处理的上述文本信息。

根据本公开的实施例，上述初始文本信息包括以下至少一项：工单文本信息、业务服务信息文本。

本公开的第二方面提供了一种信息处理装置，包括：

根分类标签输出模块，用于将待处理的文本信息输入至文本分类模型的第一文本分类层，输出根分类标签；

分类标签结构树确定模块，用于确定与上述根分类标签对应的分类标签结构树，其中，上述分类标签结构树包括具有第一层级属性的根分类标签，以及具有第i层级属性的叶子分类标签，i为大于1的正整数；

叶子分类标签输出模块，用于将上述文本信息输入至上述文本分类模型的目标第i文本分类层，输出第i叶子分类标签；以及

目标末端叶子分类标签确定模块，用于根据上述第i叶子分类标签，从上述分类标签结构树中确定上述文本信息的目标末端叶子分类标签。

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。

根据本公开提供的信息处理方法、装置、设备、介质和程序产品，通过确定文本信息的根分类标签，并基于根分类标签和对应的分类标签结构树，来确定适用于确定文本信息的第i叶子分类标签的目标第i文本分类层，可以在第i叶子分类标签对应的样本数量较少的情况下，训练得到预测精度较高的目标第i文本分类层，因此，至少部分的解决了人工进行工单分类的准确率低、效率低、人力成本高的技术问题，实现了自动化、高效率、高准确率以及低成本的工单派发。

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信息处理方法及装置的应用场景图；

图2示意性示出了根据本公开实施例的信息处理方法的流程图；

图3示意性示出了根据本公开另一实施例的信息处理方法的流程图；

图4示意性示出了根据本公开又一实施例的信息处理方法的流程图；

图5示意性示出了根据本公开实施例的文本分类层的网络结构图；

图6示意性示出了根据本公开实施例的文本分类模型的网络架构图；

图7示意性示出了根据本公开实施例的信息处理装置的结构框图；以及

图8示意性示出了根据本公开实施例的适于实现信息处理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)。

在本公开的技术方案中，所涉及的数据(如包括但不限于用户个人信息)的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在研究过程中发现，在目前银行分派工单的业务场景下，一般利用人工派发工单或者利用关键词匹配的方式进行工单派发，但是人工派发工单存在准确率低、效率低、人力成本高以及客户体验不好的缺陷，而关键词匹配派发工单的方式存在因为涉及业务种类繁多，问题描述口语化，描述语言上下文联系紧密，使得关键词不能进行完全匹配的缺陷。

并且，在目前的文本分类中，可能会存在由于样本文本信息的数量极端不均衡，导致分类结果更趋向于数量多样本文本信息，从而使得分类结果不准确的问题。例如：在目前的工单类型样本中，某些工单类型的样本数据量比较大，含有几百条甚至上千条，但是某些工单类型的样本数据量极少，可能每种样本仅含有几条，如果利用这样的样本库直接进行工单分类，可能会导致小数据量的工单类型样本难以被识别，进而导致分类结果过低。

有鉴于此，本公开的实施例提供了一种信息处理方法，将待处理的文本信息输入至文本分类模型的第一文本分类层，输出根分类标签；确定与根分类标签对应的分类标签结构树，其中，分类标签结构树包括具有第一层级属性的根分类标签，以及具有第i层级属性的叶子分类标签，i为大于1的正整数；将文本信息输入至文本分类模型的目标第i文本分类层，输出第i叶子分类标签；以及根据第i叶子分类标签，从分类标签结构树中确定文本信息的目标末端叶子分类标签。

图1示意性示出了根据本公开实施例的信息处理方法及装置的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104以及服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备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。

用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互，以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备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)。

第一终端设备101、第二终端设备102、第三终端设备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，例如对用户利用第一终端设备101、第二终端设备102、第三终端设备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信息处理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信息处理装置一般可以设置于服务器105中。本公开实施例所提供的信息处理方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备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信息处理装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备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。

以下将基于图1描述的场景，通过图2～图4对本公开实施例的信息处理方法进行详细描述。

图2示意性示出了根据本公开实施例的信息处理方法的流程图。

如图2所示，该实施例的信息处理方法包括操作S210～操作S240。

在操作S210，将待处理的文本信息输入至文本分类模型的第一文本分类层，输出根分类标签。

根据本公开的实施例，待处理的文本信息可以为待派发的工单任务文本，但不仅限于此，还可以包括其他的文本信息，例如业务需求描述文本、产品维护类文本等，本公开的实施例对待处理的文本信息的具体内容不做限定，本领域技术人员可以根据实际需求进行选择。

根据本公开的实施例，待处理的文本信息的数量可以是1句，或者还可以是多个句子构成的文本信息，本公开的实施例对待处理的文本信息中文本内容的数量不进行限定。

根据本公开的实施例，文本分类模型可以是基于神经网络算法构建得到的，例如可以为双向长短期记忆神经网络(Bi-directional Long Short-Term Memory，简称Bi-LSTM)或者循环神经网络(Recurrent Neural Network，简称RNN)等神经网络模型算法构建得到文本分类模型，或者还可以基于其他类型的算法构建得到文本分类模型，本公开的实施例对文本分类模型的具体实现方式不进行限定。

根据本公开的实施例，第一文本分类层对待处理的文本信息进行分类，属于对待处理的文本信息进行第一层分类的过程，确定正确的根分类标签有利于更准确的确定针对文本信息的分类结果。

在操作S220，确定与根分类标签对应的分类标签结构树，其中，分类标签结构树包括具有第一层级属性的根分类标签，以及具有第i层级属性的叶子分类标签，i为大于1的正整数。

根据本公开的实施例，分类标签结构树可以包括多个层级的分类标签，例如根分类标签可以是分类标签结构树的根节点，同时分类标签结构树的其他叶子节点可以分别表征对应层级属性的叶子分类标签。

根据本公开的实施例，在各层文本分类层进行分类时调用的分类标签结构树的数据大小不进行限定，例如，可以调用含有所有层级标签的分类标签结构树进行选用，也可以调用只包含对应的层级标签的分类标签结构树进行使用。

根据本公开的实施例，对文本分类层级数和分类标签结构树的层数不进行限定，可以根据具体情况进行具体设置，例如：需要对待处理的文本信息进行两级分类，则文本分类层级数为两级，分类标签结构树的层数同样为两层。

根据本公开的实施例，根据根分类标签确定对应的分类标签结构树，可以利用分类标签结构树，确定第i层级属性的叶子分类标签，进而更准确以及更高效的对文本信息进行分类。

在操作S230，将文本信息输入至文本分类模型的目标第i文本分类层，输出第i叶子分类标签。

根据本公开的实施例，目标第i文本分类层可以表征为第i文本分类层中将对待处理的文本信息进行分类的文本分类层。

根据本公开的实施例，通过对待处理的文本信息通过多级识别，细化了对待处理文本信息的分类过程，在一定程度上规避了因样本文本信息数量极端不均衡导致的分类结果不准确的问题。

在操作S240，根据第i叶子分类标签，从分类标签结构树中确定文本信息的目标末端叶子分类标签。

根据本公开的实施例，目标末端叶子分类标签为最后一个文本分类层得到的分类标签。

根据本公开提供的信息处理方法、装置、设备、介质和程序产品，通过确定文本信息的根分类标签，并基于根分类标签和对应的分类标签结构树，来确定适用于确定文本信息的第i叶子分类标签的目标第i文本分类层，可以在第i叶子分类标签对应的样本数量较少的情况下，训练得到预测精度较高的目标第i文本分类层，因此，至少部分的解决了人工进行工单分类的准确率低、效率低、人力成本高的技术问题，同时至少部分避免了相关自动分类方法中由于样本标签对应的样本数量较少导致文本信息分类精度较低的技术问题，实现了自动化、高效率、高准确率以及低成本的文本信息分类。

根据本公开的实施例，操作S230，将文本信息输入至文本分类模型的目标第i文本分类层，输出第i叶子分类标签可以包括如下操作。

在i等于2的情况下，根据根分类标签，从文本分类模型中确定目标第二文本分类层；将文本信息输入至目标第二文本分类层，输出具有第二层级属性的第2叶子分类标签。

根据本公开的实施例，操作S230，将文本信息输入至文本分类模型的目标第i文本分类层，输出第i叶子分类标签还可以包括如下操作。

在i大于2的情况下，从文本分类模型中，确定与第i叶子分类标签对应的目标第i+1文本分类层；以及将文本信息输入至目标第i+1文本分类层，输出第i+1叶子分类标签。

根据本公开的实施例，当i等于2时，根据根分类标签以及根分类标签对应的分类标签结构树，确定第二文本分类层，再利用第2文本分类层，根据分类标签结构树对文本信息进行分类。

根据本公开的实施例，当i大于2时，根据第i叶子分类标签以及根分类标签对应的分类标签结构树，从多个第i+1叶子分类层中确定与第i叶子分类标签对应的目标第i+1叶子分类层，再利用分类标签结构树以及第i+1叶子分类层对文本信息进行分类，从而迭代地得到第i+1叶子分类标签，直至得到待处理的文本信息的目标末端叶子分类标签。

需要说明的是，在待处理的文本信息为具有独立语义的多个文本信息的情况下，还需要根据根分类标签或第i叶子分类标签来表征多个文本信息各自的分类结果，且可以根据根分类标签或第i叶子分类标签，来确定与该根分类标签或第i叶子分类标签对应的目标第i文本分类层，以实现分类标签与目标第i文本分类层的对应关系，提升针对多个文本信息各自的分类准确率。

根据本公开的实施例，不论是进行几层文本信息分类都应该利用与根分类标签对应的分类标签结构树，来确定叶子分类标签，因此，每一层文本信息分类之间都存在一定联系，对待处理文本信息进行层层分类标签的识别，最终得到准确率更好的分类识别结果。根据本公开的实施例，每一个文本分类层都进行独自的训练，每一层使用的参数不进行限定，其中，使用的参数可以经过多次实验后选用的正确率最高结果。

根据本公开的实施例，根据第i叶子分类标签，从分类标签结构树中确定文本信息的目标末端叶子分类标签包括如下操作。

在第i叶子分类标签为分类标签结构树的末端叶子分类标签的情况下，将第i叶子分类标签确定为目标末端叶子分类标签。

根据本公开的实施例，如果的第i文本分类层得到的叶子分类标签为分类标签树中最底层的分类标签时，则将此文本分类层得到的叶子分类标签作为目标末端叶子分类标签即最后一个分类分类层的分类结果。

根据本公开的实施例，信息处理方法还可以包括如下操作。

根据根分类标签和目标末端叶子分类标签，确定针对文本信息的分类结果。

根据本公开的实施例，对文本分类模型输出的最终文本分类结果不进行限定，可以为将每级文本分类层的分类标签进行拼接后输出，例如：第一文本输出层的分类标签为业务类、第二文本输出层的分类标签为银行卡、第三文本输出层的分类标签为取款，则最终输出结果可以为业务类-银行卡-取款。

图3示意性示出了根据本公开另一实施例的信息处理方法的流程图。

如图3所示，该实施例的信息处理方法可以包括操作S310～操作S340。

在操作S310，获取样本文本信息集，以及与样本文本信息集中的样本文本信息对应的样本分类标签。

在操作S320，根据样本分类标签与样本文本信息的对应关系，统计与样本分类标签对应的样本文本信息数量。

在操作S330，根据样本文本信息数量，确定样本分类标签的层级属性。

在操作S340，根据样本分类标签各自的层级属性，构建分类标签结构树。

根据本公开的实施例，利用样本分类标签和样本文本信息的对应关系，统计每种样本分类标签对应的样本文本信息数量，如果某几种样本分类标签对应的样本文本信息数量过少，可以将该几种样本分类标签合并为一类样本分类标签，经过全局的统计与合并，最后可根据样本分类标签自带的层级属性，来构建分类标签结构树。

例如：样本分类标签a与样本分类标签b均仅含有少量样本，则将二者合并为样本分类标签1，则样本分类标签1为分类标签结构树中的根分类标签，样本分类标签a与样本分类标签b为样本分类标签1的叶子分类标签。

根据本公开的实施例，将样本文本信息数量过少的样本分类标签合并为一大类后建立分类标签结构树，再利用多个文本分类层分层进行分类的方式，可以从一定程度上避免样本文本信息数据不均衡导致的分类结果偏向样本本文信息数量多的分类标签的现象，提高了分类的准确度，同时提高了分类效率。

根据本公开的实施例，信息处理方法还可以包括如下操作。

基于多层级分类网络算法处理样本文本信息集，得到分类标签结构树。

根据本公开的实施例，对分层级分类网络算法的具体使用不进行限定，可以为多尺度特征抽取模(Multi-scale Feature Extraction Module，简称MSFEM)，也可以为多层级信息传播模块(Multi-layer Information Propagation Module，简称MLIPM)。

根据本公开的实施例，利用多层级分类网络算法处理样本文本信息集，自动生成分类标签结构树，至少部分的提高了分类标签结构树的构建效率及准确率。

图4示意性示出了根据本公开又一实施例的信息处理方法的流程图。

如图4所示，信息处理方法还可以包括操作S410～S420。

在操作S410，基于预设规则构建业务词表。

在操作S420，根据业务词表对初始文本信息进行分词操作，得到待处理的文本信息。

根据本公开的实施例，预设规则可以为根据具体实施场景制定的规则。例如：在对银行的工单进行分类的场景中，根据银行的专业用语制定规则，即如果专业用语为银行卡充值，那么按照惯例将被分割为银行卡、充值，但根据预定规则，可以将银行卡充值作为一个整体的词组加入业务词表中，其中，在应用于该场景时，构建业务词表的数据包括但不限于：网点名称、业务名称、项目名称及设备名称等。

根据本公开的实施例，在对业务词表中的句子进行分词时，可以按照词语的优先级进行，例如：先对专业用语进行分词，再对通用语言进行分词。

根据本公开的实施例，业务词表可以在结巴(jieba)分词库的基础上，根据具体应用场景进行构建。

根据本公开的实施例，分词操作可以为在结巴分词库的基础上利用分词函数lcut进行的分析操作。

根据本公开的实施例，初始文本信息包括以下至少一项：工单文本信息、业务服务信息文本。

根据本公开的实施例，利用预设规则构建业务词表，并利用业务词表对初始文本信息进行分词操作，有利于使得待处理文本信息更贴近业务词表中的用语，即在对待处理文本信息进行分类时，准确率将更高。

图5示意性示出了根据本公开实施例的文本分类层的网络结构图。

如图5所示，文本分类层的网络结构包括：输入层510、词嵌入层520、隐藏层530、全连接层540以及输出层550。

输入层510即InputLayer层将输入的序列编码成100维的向量，也代表输入神经网络的100个神经元。

词嵌入层520即Embedding层导入训练好的业务词表生成的100×64词向量大矩阵。

其中，业务词表的训练过程包括：通过Word2Vec模型来训练词向量，将业务词表里的词语作为输入，输出利用高维向量表示的业务词表里的词语即Word2Vec词向量。

具体为：创建一个业务词表词典，每个分词生成一个词向量(w,C(w))，词语w和它对应的词向量C(w)。若词语维度为64维，那么训练集形状为提取的词汇(W)×64的矩阵。例如一个词语‘服务态度’的向量化表达为1×64的一个向量。

接着，可以使用Keras框架训练分类器，其中，Keras是人工神经网络库。将上一步得到的Word2Vec词向量，变形为一个M×N的大‘矩阵’[word2vec_matrix]，M行是语料数量，每一行是一个工单分词得到的词汇，超出最大字数会被截取，不足的补零。N列是词向量维度，每一列是句子中词语的向量化表示，从Word2Vec的结果中可以获取到这个词语的向量化表达结果。在Keras模型嵌入层即Embedding层中使用预训练的Word2Vec词向量。将Word2Vec词向量转化为Keras模型Embedding层中可以使用的向量。Keras的Embedding层的输入是一个二维整数张量，形状为(samples，sequence_length)，即(样本数，序列长度)。Embedding层输出是(samples，sequence_length，Embedding_dimensionality)，即(样本数，序列长度，词向量维度)的三维浮点数张量。

在使用Keras的Embedding层时候，也可以不指定参数weights＝[word2vec_matrix]即可自动生成词向量。但是对比试验中，对于银行工单分类任务：直接使用Keras自带的Embedding层训练词向量得到0.82准确率；使用预训练Word2Vec词向量，在同样情况下可以达到0.86的分类准确率。

隐藏层530即HidenLayer层与Bi-LSTM层包装在一起。这样将在隐藏层创建两个副本，一个副本按原样适合输入序列，一个副本在输入序列的反向副本上。默认情况下，这些LSTM的输出值将被串联输出128个神经元。

全连接层540即Dense层设计为：输入为128个神经元，输出的维度为64个神经元。其中激活函数可以使用tanh(hyperbolic tangent function双曲正切)激活函数。

输出层550可以使用Softmax激活函数，输出结果根据具体情况进行设置，例如：将工单的初分类设定为4个，输出层有四个神经元，分别代表科技需求、设备故障、生产故障以及业务类，其中，业务类还可以细分为54种类别，具体设置再此处不再赘述。

影响Bi-LSTM模型准确率的因素非常多，其中就包含各种不同性质的超参数，比如损失函数、优化器种类、学习率的大小、激活函数的选取等。

Epoch训练轮数：

当前训练的数据量达上万条，所以需要将数据集分成多个小块，实验发现当训练轮数epoch达到30轮之前验证集损失率不断下降，测试集损失率不断下降，当轮数超过30轮时，验证集损失率与测试集损失率趋于稳定，所以epoch＝30为最优训练轮数。

损失函数Loss：

通过损失函数的连续变化，使预测数据的真实值和实际值的误差不断减少，这样就可以对给定的模型进行预测了，对于多分类来说，，常见的损失函数可以为categorical_crossentropy或mean square error。当选用的损失函数为mean square error时，测试集表现最佳。

激活函数：

激活函数可以将神经网络线性的输入转化到一定范围的非线性值，从而使神经网络表达能力更加强大，网络理论上可以逼近任意函数。在实验中选择了3种激活函数：tanh、relu、Softmax进行实验，在训练轮数、学习率、损失函数、优化器等参数确定的情况下，通过实验可以得出不同激活函数作用下测试集总体的准确率。从表1可以看出，当激活函数选择tanh时测试集的准确率最高。

表1

激活函数	Tanh	Relu	Softmax
				准确率	0.8228	0.8206	0.8187

Dropout方法：

为了防止过拟合，使用了Dropout方法，该方法是在训练过程中随机选出一定比例隐藏层的神经元，将其删除，被删除的神经元不再进行信号的传递，输出的神经元要乘上训练时的删除比例然后再输出。经过多次实验证明，dropout＝0.2时效果最好。

图6示意性示出了根据本公开实施例的文本分类模型的网络架构图。根据具体情况可以分为多个文本分类层进行文本信息分类，每一层的分类标签数根据具体情况进行设置，如图6所示，示例性设置有三层文本分类层，具体有：第一文本分类层610、第二文本分类层621、第二文本分类层622以及第三文本分类层630。其中，x₁，x₂，....，x_w为第一样本文本信息，Y₁、Y₂、Y₃、Y₄为待处理的文本信息通过第一文本分类层得到的根分类标签，X₁₁，x₁₂，....，x_1b第二文本分类层621的样本文本信息，x_m1，x_m2，....，x_mv为第二文本分类层622的样本文本信息，Y₁₁、Y₁₂、Y₁₃、Y₁₄、Y₁₅为与根分类标签Y₁对应的叶子分类标签，Y_m1、Y_m2、Y_m3为根分类标签Y₄对应的叶子分类标签，第三文本分类层633的输入输出信息与上同理。在运行时首先获取每一层所有样本文本信息的输入，经过不同的分类器后进行一级分类，输出根分类标签，在每一个文本分类层的中间设置数据转换层。该层的作用是利用分类标签结构树根据上一层得到的标签筛选下一文本分类层。例如：根据第一文本分类层的标签值Y_m获取所有一级分类为Y_m的样本作为L₂层的训练样本。例如，若L₁层输出为‘Y₄：业务类′，则L₂层将只获取所有一级分类为‘Y₄′对应的标签结构树进行下次层的分类，其余的不再分类。L₂层的分类器将继续进性业务细分，其他层的叶子分类标签获取方式同上，直至最终得到目标末端叶子分类标签为止。

基于上述信息处理方法，本公开还提供了一种信息处理装置。以下将结合图7对该装置进行详细描述。

图7示意性示出了根据本公开实施例的信息处理装置的结构框图。

如图7所示，该实施例的信息处理装置700包括根分类标签输出模块710、分类标签结构树确定模块720、叶子分类标签输出模块730以及目标末端叶子分类标签确定模块740。

根分类标签输出模块710，用于将待处理的文本信息输入至文本分类模型的第一文本分类层，输出根分类标签。

分类标签结构树确定模块720，用于确定与根分类标签对应的分类标签结构树，其中，分类标签结构树包括具有第一层级属性的根分类标签，以及具有第i层级属性的叶子分类标签，i为大于1的正整数。

叶子分类标签输出模块730用于将文本信息输入至文本分类模型的目标第i文本分类层，输出第i叶子分类标签。

目标末端叶子分类标签确定模块740，用于根据第i叶子分类标签，从分类标签结构树中确定文本信息的目标末端叶子分类标签。

根据本公开的实施例，叶子分类标签输出模块730包括：第二层确定子模块和第二标签确定子模块。

第二层确定子模块，用于在i等于2的情况下，根据根分类标签，从文本分类模型中确定目标第二文本分类层。

第二标签确定子模块，用于将文本信息输入至目标第二文本分类层，输出具有第二层级属性的第2叶子分类标签。

根据本公开的实施例，叶子分类标签输出模块730还包括：其他层确定子模块和其他标签确定子模块。

其他层确定子模块，用于在i大于2的情况下，从文本分类模型中，确定与第i叶子分类标签对应的目标第i+1文本分类层；以及

其他标签确定子模块，用于将文本信息输入至目标第i+1文本分类层，输出第i+1叶子分类标签。

根据本公开的实施例，目标末端叶子分类标签确定模块740包括：目标确定子模块。

目标确定子模块，用于在第i叶子分类标签，为分类标签结构树的末端叶子分类标签的情况下，将第i叶子分类标签确定为目标末端叶子分类标签。

根据本公开的实施例，信息处理装置700还包括：获取模块、数量确定模块、属性确定模块以及分类标签结构树构建模块。

获取模块，用于获取样本文本信息集，以及与样本文本信息集中的样本文本信息对应的样本分类标签。

数量确定模块，用于根据样本分类标签与样本文本信息的对应关系，统计与样本分类标签对应的样本文本信息数量。

属性确定模块，用于根据样本文本信息数量，确定样本分类标签的层级属性。

分类标签结构树构建模块，用于根据样本分类标签各自的层级属性，构建分类标签结构树。

根据本公开的实施例，信息处理装置700还包括：分类标签结构树确定模块。

分类标签结构树确定模块，用于多层级分类网络算法处理样本文本信息集，得到分类标签结构树。

根据本公开的实施例，信息处理装置700还包括：分类目标末端叶子分类标签确定模块。

分类目标末端叶子分类标签确定模块，用于根据根分类标签和目标末端叶子分类标签，确定针对文本信息的分类结果。

根据本公开的实施例，信息处理装置700还包括：词表构建模块和信息获取模块。

词表构建模块，用于基于预设规则构建业务词表。

信息获取模块，用于根据业务词表对初始文本信息进行分词操作，得到待处理的文本信息。

根据本公开的实施例，信息获取模块还包括：信息来源确定子模块。

信息来源确定子模块，用于初始文本信息包括以下至少一项：工单文本信息、业务服务信息文本。

根据本公开的实施例，根分类标签输出模块710、分类标签结构树确定模块720、叶子分类标签输出模块730以及目标末端叶子分类标签确定模块740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，根分类标签输出模块710、分类标签结构树确定模块720、叶子分类标签输出模块730以及目标末端叶子分类标签确定模块740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，根分类标签输出模块710、分类标签结构树确定模块720、叶子分类标签输出模块730以及目标末端叶子分类标签确定模块740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8示意性示出了根据本公开实施例的适于实现信息处理方法的电子设备的方框图。

如图8所示，根据本公开实施例的电子设备800包括处理器801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。处理器801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801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本公开实施例的信息处理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 803中，存储有电子设备800操作所需的各种程序和数据。处理器801、ROM802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本公开实施例的信息处理方法流程的各种操作。需要注意，程序也可以存储在除ROM 802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的信息处理方法流程的各种操作。

根据本公开的实施例，电子设备800还可以包括输入/输出(I/O)接口805，输入/输出(I/O)接口805也连接至总线804。电子设备800还可以包括连接至I/O接口805的以下部件中的一项或多项：包括键盘、鼠标等的输入部分806；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807；包括硬盘等的存储部分808；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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，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810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808。

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信息处理方法。

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 802和/或RAM 803和/或ROM 802和RAM 803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所提供的信息处理方法。

在该计算机程序被处理器801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809被下载和安装，和/或从可拆卸介质811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809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被处理器801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 (13)

1.一种信息处理方法，包括：

将待处理的文本信息输入至文本分类模型的第一文本分类层，输出根分类标签；

确定与所述根分类标签对应的分类标签结构树，其中，所述分类标签结构树包括具有第一层级属性的根分类标签，以及具有第i层级属性的叶子分类标签，i为大于1的正整数；

将所述文本信息输入至所述文本分类模型的目标第i文本分类层，输出第i叶子分类标签；以及

根据所述第i叶子分类标签，从所述分类标签结构树中确定所述文本信息的目标末端叶子分类标签。

2.根据权利要求1所述的方法，其中，将所述文本信息输入至所述文本分类模型的目标第i文本分类层，输出第i叶子分类标签包括：

在i等于2的情况下，根据所述根分类标签，从所述文本分类模型中确定目标第二文本分类层；

将所述文本信息输入至所述目标第二文本分类层，输出具有第二层级属性的第2叶子分类标签。

3.根据权利要求2所述的方法，其中，将所述文本信息输入至所述文本分类模型的目标第i文本分类层，输出第i叶子分类标签还包括：

在i大于2的情况下，从所述文本分类模型中，确定与第i叶子分类标签对应的目标第i+1文本分类层；以及

将所述文本信息输入至所述目标第i+1文本分类层，输出第i+1叶子分类标签。

4.根据权利要求1所述的方法，其中，根据所述第i叶子分类标签，从所述分类标签结构树中确定所述文本信息的目标末端叶子分类标签包括：

在所述第i叶子分类标签，为所述分类标签结构树的末端叶子分类标签的情况下，将所述第i叶子分类标签确定为所述目标末端叶子分类标签。

5.根据权利要求1所述的方法，还包括：

获取样本文本信息集，以及与所述样本文本信息集中的样本文本信息对应的样本分类标签；

根据所述样本分类标签与所述样本文本信息的对应关系，统计与所述样本分类标签对应的样本文本信息数量；

根据所述样本文本信息数量，确定所述样本分类标签的层级属性；以及

根据所述样本分类标签各自的层级属性，构建所述分类标签结构树。

6.根据权利要求1所述的方法，还包括：

基于多层级分类网络算法处理样本文本信息集，得到所述分类标签结构树。

7.根据权利要求1所述的方法，还包括：

根据所述根分类标签和所述目标末端叶子分类标签，确定针对所述文本信息的分类结果。

8.根据权利要求1至7中任一项所述的方法，还包括：

基于预设规则构建业务词表；以及

根据所述业务词表对初始文本信息进行分词操作，得到待处理的所述文本信息。

9.根据权利要求8所述的方法，其中，所述初始文本信息包括以下至少一项：

工单文本信息、业务服务信息文本。

10.一种信息处理装置，包括：

根分类标签输出模块，用于将待处理的文本信息输入至文本分类模型的第一文本分类层，输出根分类标签；

分类标签结构树确定模块，用于确定与所述根分类标签对应的分类标签结构树，其中，所述分类标签结构树包括具有第一层级属性的根分类标签，以及具有第i层级属性的叶子分类标签，i为大于1的正整数；

叶子分类标签输出模块，用于将所述文本信息输入至所述文本分类模型的目标第i文本分类层，输出第i叶子分类标签；以及

目标末端叶子分类标签确定模块，用于根据所述第i叶子分类标签，从所述分类标签结构树中确定所述文本信息的目标末端叶子分类标签。

11.一种电子设备，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1～9中任一项所述的方法。

12.一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1～9中任一项所述的方法。

13.一种计算机程序产品，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1～9中任一项所述的方法。

Images