[发明专利]一种文本数据分析方法、装置、服务器和存储介质

权利要求书

1.一种文本数据分析方法，其特征在于，包括：

基于语义对预先确定的主题词进行扩展，确定主题词向量；

根据所述主题词向量，确定已知分类主题的训练库中各文本的训练文本特征向量；

根据所述主题词向量，将待测试文本转换为测试文本特征向量；

根据所述训练文本特征向量和测试文本特征向量，对所述待测试文本进行分类；

其中，所述根据所述训练文本特征向量和测试文本特征向量，对所述待测试文本进行分类，包括：

分别计算所述训练库中各文本的训练文本特征向量与所述测试文本特征向量的文本相似度；

根据所述文本相似度，将所述训练库中各文本进行排序，获取所述训练库中预设阈值个较大的文本相似度对应的文本；

将所述训练库中预设阈值个文本对应的文本相似度按照各文本所属的主题词进行累加，得到各主题词对应的相似度累加和；

将最大的相似度累加和对应的主题词确定为所述待测试文本的类别。

2.根据权利要求1所述的方法，其特征在于，对预先确定的主题词进行扩展，确定主题词向量，包括：

通过语义分析将各主题词分别与预先设置的语料库中各词汇进行匹配；

将所述语料库中与各主题词匹配的词汇作为各主题词的扩展词汇；

根据所述主题词和与各主题词匹配的扩展词汇，构建主题词向量。

3.根据权利要求1所述的方法，其特征在于，根据所述主题词向量确定训练文本特征向量，包括：

根据预先确定的主题词，选取与各主题词相关的文本构建训练库；

提取所述训练库中各文本的特征词构建各文本的特征向量；

利用所述主题词向量对所述训练库中各文本的特征向量进行规范化处理，依据处理结果生成各文本的训练文本特征向量。

4.根据权利要求1所述的方法，其特征在于，将最大的相似度累加和对应的主题词确定为所述待测试文本的类别，包括：

若最大的相似度累加和对应的主题词包括至少两个主题词，则根据所述预设阈值个文本中属于所述至少两个主题词的各文本的文本相似度，分别计算所述至少两个主题词的相似度方差，选取最小的相似度方差对应的主题词确定为所述待测试文本的类别。

5.一种文本数据分析装置，其特征在于，包括：

主题词向量确定模块，用于基于语义对预先确定的主题词进行扩展，确定主题词向量；

训练文本特征向量确定模块，用于根据所述主题词向量，确定已知分类主题的训练库中各文本的训练文本特征向量；

测试文本特征向量确定模块，用于根据所述主题词向量，将待测试文本转换为测试文本特征向量；

分类模块，用于根据所述训练文本特征向量和测试文本特征向量，对所述待测试文本进行分类；

其中，所述分类模块包括：

文本相似度计算单元，用于分别计算所述训练库中各文本的训练文本特征向量与所述测试文本特征向量的文本相似度；

邻近文本获取单元，用于根据所述文本相似度，将所述训练库中各文本进行排序，获取所述训练库中预设阈值个较大的文本相似度对应的文本；

主题词相似度计算单元，用于将所述训练库中预设阈值个文本对应的文本相似度按照各文本所属的主题词进行累加，得到各主题词对应的相似度累加和；

文本分类单元，用于将最大的相似度累加和对应的主题词确定为所述待测试文本的类别。

6.根据权利要求5所述的装置，其特征在于，所述主题词向量确定模块，包括：

语义分析单元，用于通过语义分析将各主题词分别与预先设置的语料库中各词汇进行匹配；

扩展词汇选取单元，用于将所述语料库中与各主题词匹配的词汇作为各主题词的扩展词汇；

主题词向量构建单元，用于根据所述主题词和与各主题词匹配的扩展词汇，构建主题词向量。