[发明专利]文本分类模型的训练方法及装置、文本分类方法及装置

说明书

本说明书实施例提供一种文本分类模型的训练方法，此方法包括：首先，获取N个原始文本和对应的N个文本类别标签，其中N为大于1的正整数；接着，对N个原始文本进行拼接，得到拼接文本；然后，分别对N个文本类别标签进行独热编码，得到N个类别标签向量；再接着，对N个类别标签向量进行平均处理，得到综合标签向量；再然后，将该拼接文本输入文本分类模型中，得到综合分类结果；再基于该综合分类结果和该综合标签向量，训练所述文本分类模型。此外，本说明书实施例还提供一种文本分类方法，此方法包括：获取待分类的目标文本，并对其复制得到N个目标文本，进行拼接后输入利用上述训练方法得到的文本分类模型中，得到目标文本的文本分类结果。

技术领域

本说明书一个或多个实施例涉及自然语言处理技术领域，尤其涉及一种文本分类模型的训练方法及装置，文本分类方法及装置。

背景技术

在很多场景下，都涉及到文本分类。比如说，在网络论坛中，需要对用户发表的帖子进行分类，以在对应类别（如家庭情感）的论坛版块中，对该帖子进行展示。随着机器学习的发展，训练机器学习模型用于对文本进行分类，成为研究热点。

然而，对于目前利用机器学习模型得到的文本分类结果，其准确度有限。因此，需要一种合理的方案，可以有效提高文本分类结果的准确度。

发明内容

本说明书一个或多个实施例描述了一种文本分类方法及装置，将应用于图片处理领域的mixup（一种数据增强方案）的思想，引入文本分类中，实现文本数据的增强，从而提高文本分类结果的准确度。

根据第一方面，提供一种文本分类模型的训练方法，包括：获取N个原始文本和对应的N个文本类别标签，其中N为大于1的正整数；对所述N个原始文本进行拼接，得到拼接文本；分别对所述N个文本类别标签进行独热编码，得到N个类别标签向量；对所述N个类别标签向量进行平均处理，得到综合标签向量；将所述拼接文本输入文本分类模型中，得到针对所述N个原始文本的综合分类结果；基于所述综合分类结果和所述综合标签向量，训练所述文本分类模型。

在一个实施例中，基于所述综合分类结果和所述综合标签向量，训练所述文本分类模型，包括：基于所述综合分类结果和所述综合标签向量，确定交叉熵损失；利用所述交叉熵损失，调整所述文本分类模型中的模型参数。

在一个实施例中，所述N个原始文本为客服场景下采集的历史用户会话文本，所述N个文本类别标签为标准问题类别或标准问题类别标识，所述文本分类模型为标问预测模型。

在一个实施例中，所述文本分类模型基于深度神经网络DNN，循环神经网络RNN，长短期记忆网络LSTM，Transformer模型或Bert模型。

根据第二方面，提供一种文本分类方法，包括：获取待分类的目标文本；对所述目标文本进行复制，得到N个目标文本；对N个所述目标文本进行拼接后，输入通过上述第一方面中提供的方法训练得到的文本分类模型，得到针对所述目标文本的文本分类结果。

根据第三方面，提供一种文本分类模型的训练装置，包括：获取单元，配置为获取N个原始文本和对应的N个文本类别标签，其中N为大于1的正整数；拼接单元，配置为对所述N个原始文本进行拼接，得到拼接文本；编码单元，配置为分别对所述N个文本类别标签进行独热编码，得到N个类别标签向量；平均单元，配置为对所述N个类别标签向量进行平均处理，得到综合标签向量；预测单元，配置为将所述拼接文本输入文本分类模型中，得到针对所述N个原始文本的综合分类结果；训练单元，配置为基于所述综合分类结果和所述综合标签向量，训练所述文本分类模型。

根据第四方面，提供一种文本分类装置，包括：获取单元，配置为获取待分类的目标文本；复制单元，配置为对所述目标文本进行复制，得到N个目标文本；预测单元，配置为对N个所述目标文本进行拼接后，输入通过第三方面所述的装置训练得到的文本分类模型，得到针对所述目标文本的文本分类结果。