申请/专利权人:河南财经政法大学
申请日:2021-05-26
公开(公告)日:2022-11-29
公开(公告)号:CN115408515A
主分类号:G06F16/35
分类号:G06F16/35;G06F40/289;G06F40/284;G06F40/30;G06N3/04;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2023.01.13#实质审查的生效;2022.11.29#公开
摘要:本发明涉及一种针对在线协作讨论交互文本的自动分类方法,该方法包括:收集若干条在线协作讨论交互文本,对文本进行文本分词处理,将分词后的文本转换成为词向量形式;采用非对称Bi‑LSTM网络提取文本的上下文语义特征,利用全局注意力机制模型,从局部角度提取重点关注文本中和任务相关的关键特征并赋予权重,得到加权后的输出特征;利用条件随机场模型对加权后的输出特征进行解码,获取文本序列的最优标签;使用Softmax函数对在线协作讨论交互文本进行分类。本发明采用非对称Bi‑LSTM网络,通过自适应权值对前后向输出特征进行处理,获得全局上下文信息的基础上,有效增强了对在线协作讨论交互文本特征的获取能力,提高了在线协作讨论交互文本的分类精度。
主权项:1.一种针对在线协作讨论交互文本的自动分类方法,其特征在于,包括以下步骤:1收集若干条在线协作讨论交互文本,对文本进行文本分词处理,将原始文本分割成多个词汇的形式,得到分词后的文本;2将分词后的文本转换成为词向量形式;3采用非对称Bi-LSTM网络提取文本的上下文语义特征,结合上下文语义特征获取文本中的特征信息,即输出特征;所述的非对称Bi-LSTM网络为:通过在传统Bi-LSTM网络的前后向两侧的每个LSTM神经元进行循环,从全局角度按前向权重值α、后向权重值1-α提取上下文语义特征,分别对前后两层网络的特征进行自适应权值的加权,然后以相加的形式合并前后两层网络的特征,得到输出特征;4利用全局注意力机制模型,从局部角度提取重点关注文本中和任务相关的关键特征并赋予权重,对双向编码进行加权学习,得到加权后的输出特征;5利用条件随机场模型对加权后的输出特征进行解码,获取文本序列的最优标签;6采用全连接层对带有最优标签的文本序列进行处理,全连接层的输出特征作为Softmax函数的输入,使用Softmax函数对在线协作讨论交互文本进行分类,输出每个在线协作讨论交互文本在不同类别上的分布概率,将在线讨论交互文本进行分类。
全文数据:
权利要求:
百度查询: 河南财经政法大学 一种针对在线协作讨论交互文本的自动分类方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。