[发明专利]基于神经网络对金融网站进行分类的方法及装置

权利要求书

1.一种基于神经网络对金融网站进行分类的方法，其特征在于，所述方法包括：

获取多个金融网站的文本数据，并根据各个金融网站的网站类别对各个金融网站设置对应的标记，根据所述多个金融网站的文本数据以及标记得到多组训练数据；

通过所述多组训练数据对预置卷积神经网络模型进行迭代训练，得到目标卷积神经网络模型；

将待识别金融网站的文本数据转化为待识别词向量，将所述待识别词向量输入所述目标卷积神经网络模型，得到所述待识别金融网站的类别预测结果。

2.如权利要求1所述的方法，其特征在于，所述根据所述多个金融网站的文本数据以及标记得到多组训练数据，包括：

将每个金融网站的文本数据转化为词向量；

将每个金融网站对应的词向量以及标记作为一组训练数据，得到多组训练数据。

3.如权利要求2所述的方法，其特征在于，所述将每个金融网站的文本数据转化为词向量，包括：

剔除每个文本数据中的无效信息；

对每个剔除了无效信息的文本数据进行分词处理，得到每个金融网站对应的词组信息；

通过Word2Vec工具中的skip-gram算法，对每个金融网站对应的词组信息进行词汇模型训练，生成每个金融网站对应的词向量。

4.如权利要求3所述的方法，其特征在于，所述通过所述多组训练数据对预置卷积神经网络模型进行迭代训练，得到目标卷积神经网络模型，包括：

将每个金融网站对应的词向量输入预置卷积神经网络模型，并获取所述预置卷积神经网络模型基于所述每个金融网站对应的词向量输出的每个金融网站的类别预测结果；

比对将所述每个金融网站的类别预测结果与各自对应的标记是否一致，得到比对结果；

根据所述比对结果计算得到map值；

检测所述map值是否满足精度需求；

若所述map值满足精度需求，则以所述预置卷积神经网络模型作为目标卷积神经网络模型；

若所述map值不满足精度需求，则对所述预置卷积神经网络模型进行参数调整，得到新的卷积神经网络模型；

将所述新的卷积神经网络模型作为预置卷积网络模型，并执行所述将每个金融网站对应的词向量输入预置卷积神经网络的步骤。

5.如权利要求1至4中任一项所述的方法，其特征在于，在所述得到所述待识别金融网站的类别预测结果之后，还包括：

为所述待识别金融网站设置所述类别预测结果对应的目标标记。

6.一种基于神经网络对金融网站进行分类的装置，其特征在于，所述装置包括：

训练数据准备模块，用于获取多个金融网站的文本数据，并根据各个金融网站的网站类别对各个金融网站设置对应的标记，根据所述多个金融网站的文本数据以及标记得到多组训练数据；

训练模块，用于通过所述多组训练数据对预置卷积神经网络模型进行迭代训练，得到目标卷积神经网络模型；

分类模块，用于将待识别金融网站的文本数据转化为待识别词向量，将所述待识别词向量输入所述目标卷积神经网络模型，得到所述待识别金融网站的类别预测结果。

7.如权利要求6所述的装置，其特征在于，所述训练数据准备模块，用于：

将每个金融网站的文本数据转化为词向量；

将每个金融网站对应的词向量以及标记作为一组训练数据，得到多组训练数据。

8.如权利要求7所述的装置，其特征在于，所述训练数据准备模块，用于：

剔除每个文本数据中的无效信息；

对每个剔除了无效信息的文本数据进行分词处理，得到每个金融网站对应的词组信息；

通过Word2Vec工具中的skip-gram算法，对每个金融网站对应的词组信息进行词汇模型训练，生成每个金融网站对应的词向量。