[发明专利]基于上下文的对话文本分类方法、系统、设备及存储介质

权利要求书

1.一种基于上下文的对话文本分类方法，其特征在于，包括以下步骤：

S110、将待分类的对话文本按照对话轮次进行分割获得子语句；

S120、对所述子语句加入字段分离符，然后将所述子语句作为分词模型的输入，通过所述分词模型输出对所述子语句进行分词后的词序列；

S130、将每个所述子语句的所述词序列进行第一次语义特征提取，获得所述子语句的第一语义嵌入特征向量；

S140、拼合所述第一语义嵌入特征向量进行第二次语义特征提取，获得第二对话文本嵌入特征向量；

S150、根据所述第二对话文本嵌入特征向量对应替换每个所述第一语义嵌入特征向量中所述字段分离符对应的向量，替换后的所述第一语义嵌入特征向量进行第三次语义特征提取，获得第二语义嵌入特征向量；

S160、将所有所述第二语义嵌入特征向量进行动态池化，获得一对应所述待分类的对话文本的文本嵌入特征向量；以及

S170、基于所述文本嵌入特征向量进行文本分类。

2.根据权利要求1所述的基于上下文的对话文本分类方法，其特征在于，所述步骤S110包括：

S111、去掉所述待分类的对话文本中的预设无意义字符，并将所述待分类的对话文本中的句子拼接在一起，形成拼接文本，所述预设无意义字符至少包括标点符号和杂乱字符；

S112、判断当前句子的字数是否小于等于预设字数，若是，则执行步骤S113；若否，则执行步骤S114；

S113、将当前句子作为子语句，执行步骤S115；

S114、按照所述预设字数对所述当前句子进行分割，获得至少两子语句；

S115对于字数小于所述预设字数的所述子语句，则采用无效字符补齐到满足所述预设字数，所述无效字符为0。

3.根据权利要求1所述的基于上下文的对话文本分类方法，其特征在于，所述步骤S120包括：所述分词模型为word2vec词向量模型，通过所述word2vec词向量模型对所述子语句进行分词，并根据所述分词在所述子语句的顺序输出词序列。

4.根据权利要求1所述的基于上下文的对话文本分类方法，其特征在于，所述步骤S130包括：

将每个所述子语句的所述词序列作为双向门控循环GRU网络的输入进行第一次语义特征提取，获得所述子语句的第一语义嵌入特征向量。

5.根据权利要求1所述的基于上下文的对话文本分类方法，其特征在于，所述步骤S140包括：

S141、将所述子语句的第一语义嵌入特征向量按照对应的所述子语句的顺序拼合，获得一第一对话文本嵌入特征向量；以及

S142、将所述第一对话文本嵌入特征向量作为双向门控循环GRU网络的输入进行第二次语义特征提取，获得第二对话文本嵌入特征向量。

6.根据权利要求1所述的基于上下文的对话文本分类方法，其特征在于，所述步骤S150包括：

S151、将所述第二对话文本嵌入特征向量中每个时间步对应的向量分别替换所述时间步对应的每个所述第一语义嵌入特征向量中所述字段分离符对应的向量；

S152、将替换后的所述第一语义嵌入特征向量作为双向门控循环GRU网络的输入进行第三次语义特征提取，获得第二语义嵌入特征向量。

7.根据权利要求1所述的基于上下文的对话文本分类方法，其特征在于，所述步骤S160包括：

将所有所述第二语义嵌入特征向量进行超参数控制的可动态调整池化，获得一对应所述待分类的对话文本的文本嵌入特征向量。

8.根据权利要求1所述的基于上下文的对话文本分类方法，其特征在于，所述步骤S170包括：

通过一前馈神经网络获得所述文本嵌入特征向量与预设文本分类标签的概率，将概率最高的预设文本分类标签作为所述待分类的对话文本的文本分类标签。