[发明专利]基于卷积神经网络的多标签文本分类方法

权利要求书

1.一种基于卷积神经网络的多标签文本分类方法，其特征在于，包括以下步骤：

步骤1，文本预处理，训练词嵌入模型，过程如下：

给定一个训练样本集合T；对集合中的每个文本去除其中的停止词、数字以及标签符号，得到处理过的训练样本集合T′，使用Word2Vec方法训练得到词嵌入模型；获得词嵌入矩阵M；

步骤2，训练卷积神经网络模型，过程如下：

该网络模型由嵌入层、卷积层、池化层、瓶颈层以及输出层组成；使用词嵌入矩阵M初始化嵌入层参数，根据样本集合T中的样本长度分布情况对每个样本进行截取或填充作为神经网络的输入；通过多轮训练优化网络参数，最后得到卷积神经网络模型Model；

步骤3，训练阈值线性分类器，过程如下：

将每个训练样本重新输入到训练好的模型Model中得到输出向量集合Outputs，结合每个训练样本的真实标签得到阈值集合Thre；再求训练样本的one-hot编码向量集合V，使用Thre和V训练线性分类器S；

步骤4，预测未知样本关联标签集合，过程如下：

求得未知样本的one-hot编码向量作为线性回归分类器S的输入预测出未知样本的阈值；将未知样本作为网络模型Model的输入得到预测向量；结合阈值与预测向量得到未知样本的标签集合。

2.根据权利要求1所述的基于卷积神经网络的多标签文本分类方法，其特征在于步骤1文本预处理，训练词嵌入模型的具体步骤如下：

步骤1.1，给定一个包含多个文本文件训练集合T＝{text₁，text₂，…，text_n}，以及每个文本对应的真实标签集合Y_set＝{Y₁，Y₂，…，Y_n}，Y_i表示text_i的关联标签集合；

步骤1.2，首先删除文本中的换行符、跳格符、回车符；利用token化工具将文本分词，再对单词进行词形还原；借助nltk工具包中的停止词集合，删除文本中的停止词，最后再利用正则表达式去除文本中的标签符号和数字，得到处理过的训练集合T′＝{text′₁，text′₂，…，text′_n}；

步骤1.3，将T′作为输入，使用Word2Vec方法训练词嵌入模型emdModel；利用sklearn工具获得T′的词汇表voc，对于voc中的每个单词通过emdModel求得词向量组成词向量矩阵M∈R^v×d，其中v为词汇表大小，d为emdModel输出的词向量长度。