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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD