[发明专利]一种基于句向量的多标签公司描述文本分类方法

权利要求书

1.一种基于句向量的多标签公司描述文本分类方法，其特征在于，所述方法包括以下步骤：

通过爬虫技术获取供应类公司、流通类公司、服务链类公司的公司官网描述，描述文字中只保留字母和英文字符，获取TXT格式文件；

对TXT格式文件依次进行词向量训练、句向量训练和PCA降维；

将处理后的特征向量和标签对应出来，得到数据集，将训练集输入，进行多标签朴素贝叶斯分类训练，获取训练模型；

将训练模型应用在测试数据集或未标注数据集上，实现对多标签公司的文本分类。

2.根据权利要求1所述的一种基于句向量的多标签公司描述文本分类方法，其特征在于，所述将处理后的特征向量和标签对应出来，得到数据集，将训练集输入，进行多标签朴素贝叶斯分类训练具体为：

通过句向量转化后的向量特征的先验信息和标签，通过目标函数，计算出在朴素贝叶斯条件下相应标签的分类。

3.根据权利要求1所述的一种基于句向量的多标签公司描述文本分类方法，其特征在于，所述目标函数具体为：

yt(l)=arg maxb∈{0,1}P(Hbl)P(t|Hbl)P(t)=arg maxb∈{0,1}P(Hbl)ΠK=1dP(tk|Hbl)]]>

其中，t是样本，l∈Y，Y是所有标签的集合，P(*)是概率函数，代表该样本是否属于第l个标签，当b为1时属于该标签，当b为0时不属于该标签，b为是否属于该标签的标记，P(t)为数据t出现的概率，t_k为第k个特征出现的概率，d为特征总数。

4.根据权利要求1所述的一种基于句向量的多标签公司描述文本分类方法，其特征在于，所述方法还包括：

采用Hamming loss的方式进行效果估计：

hloss(h)=1pΣi=1p1Q|h(xi)-Yi|]]>

其中，h()表示预测出的标签向量，x_i为该样本特征，Yi表示真实的标签向量，共有Q个标签，p个样本。