[发明专利]识别社交短文本类别的方法、分类模型训练方法及装置

权利要求书

1.一种用于识别社交短文本的类别的方法，其特征在于，所述方法包括：

获取社交短文本数据；

从所述社交短文本数据提取文本特征数据；

以所述文本特征数据作为输入，从经训练的至少两个短文本分类模型分别获取所述社交短文本数据的第一类别信息；

根据获取的所述社交短文本数据的第一类别信息确定所述社交短文本数据的第二类别信息。

2.根据权利要求1所述的方法，其特征在于，所述文本特征数据包括以下至少一种：纯文本特征数据、撰写习惯特征数据、社交特征数据和用户特征数据。

3.根据权利要求2所述的方法，其特征在于，

所述纯文本特征数据包括从所述社交短文本数据切出的字的重要性指数的数据，

所述撰写习惯特征数据包括预定的表情符号在所述社交短文本数据中出现的频率的数据，

所述社交特征数据包括以下至少一种反馈的数量：转发、评论、点赞、回复、跟踪、顶和踩，

所述用户特征数据包括以下至少一种关联用户的数量：粉丝、关注、朋友、互粉、发布短文本和发表评论。

4.根据权利要求3所述的方法，其特征在于，所述多个短文本分类模型基于至少两个以下分类模型：支持向量机分类模型、逻辑斯蒂回归分类模型和随机森林分类模型。

5.根据权利要求1～4中任一项所述的方法，其特征在于，所述第二类别信息是新闻事件类、广告类、非商业分享类或私人对话类。

6.根据权利要求5所述的方法，其特征在于，所述第一类别信息包括所述社交短文本数据为各个所述第二类别信息的置信度值，

所述根据获取的所述社交短文本数据的第一类别信息确定所述社交短文本数据的第二类别信息的处理包括：

分别计算每个所述第二类别信息对应于从各个所述短文本分类模型获取的置信度值的平均值，并将平均值中的最大值对应的第二类别信息作为所述社交短文本数据的第二类别信息。

7.根据权利要求6所述的方法，其特征在于，所述从所述社交短文本数据提取文本特征数据的处理包括：

对所述社交短文本数据进行切字，并根据词频逆向文件频率(TF-IDF)算法分别计算切出的字的TF-IDF值作为所述社交短文本数据的纯文本特征数据。

8.一种短文本分类模型的训练方法，其特征在于，所述方法包括：

获取多个标注的样本数据，每个所述标注的样本数据包括社交短文本数据、标注的文本特征数据及类别信息；

利用所述多个标注的样本数据对短文本分类模型进行训练，以学习社交短文本数据的类别信息。

9.根据权利要求8所述的方法，其特征在于，所述文本特征数据包括以下至少一种：纯文本特征数据、撰写习惯特征数据、社交特征数据和用户特征数据。

10.根据权利要求9所述的方法，其特征在于，所述类别信息是新闻事件类、广告类、非商业分享类或私人对话类。

11.根据权利要求10所述的方法，其特征在于，所述短文本分类模型是支持向量机分类模型、逻辑斯蒂回归分类模型或随机森林分类模型。

12.一种用于识别社交短文本的类别的装置，其特征在于，所述装置包括：

文本数据获取模块，用于获取社交短文本数据；

特征数据提取模块，用于从所述社交短文本数据提取文本特征数据；

类别信息获取模块，用于以所述文本特征数据作为输入，从经训练的至少两个短文本分类模型分别获取所述社交短文本数据的第一类别信息；

类别信息确定模块，用于根据获取的所述社交短文本数据的第一类别信息确定所述社交短文本数据的第二类别信息。

13.根据权利要求12所述的装置，其特征在于，所述文本特征数据包括以下至少一种：纯文本特征数据、撰写习惯特征数据、社交特征数据和用户特征数据，

所述第二类别信息是新闻事件类、广告类、非商业分享类或私人对话类。