[发明专利]一种故障文本的表示方法及装置

权利要求书

1.一种故障文本的表示方法，其特征在于，所述方法包括：

对故障文本进行词频统计，获得所述故障文本的词频统计结果，所述故障文本包括多条故障句；

通过主题建模模型对所述词频统计结果进行主题建模，获得第一主题概率分布结果；

根据所述第一主题概率分布结果，保留所述故障文本中预设数量的故障句；

通过向量表示方法对所述预设数量的故障句进行向量转换，获得所述故障文本对应的故障文本数据向量。

2.根据权利要求1所述的方法，其特征在于，所述通过主题建模模型对所述词频统计结果进行主题建模，获得第一主题概率分布结果，包括：

通过所述主题建模模型对所述词频统计结果进行主题建模，获得所述故障文本对应的多个主题；

根据所述多个主题对所述故障文本的主题概率进行计算，获得所述第一主题概率分布结果。

3.根据权利要求1所述的方法，其特征在于，所述第一主题概率分布结果包括所述故障文本对应的第二主题概率分布结果和所述多条故障句对应的多个第三主题概率分布结果；所述根据所述第一主题概率分布结果，保留所述故障文本中预设数量的故障句，包括：

根据所述第二主题概率分布结果，确定最大主题概率对应的目标主题；

根据所述多个第三主题概率分布结果，对所述多条故障句中的所述目标主题对应的概率进行排序，获得排序后的多条故障句；

保留所述排序后的多条故障句中所述预设数量的故障句。

4.根据权利要求1所述的方法，其特征在于，所述向量表示方法具体为词嵌入word2vec方法。

5.根据权利要求1所述的方法，其特征在于，所述主题建模模型具体为隐含狄利克雷分布LDA模型。

6.一种故障文本分类模型训练方法，其特征在于，所述方法包括：

获取故障文本数据向量，所述故障文本数据向量是根据权利要求1至5任一项所述的故障文本的表示方法得到的；

根据所述故障文本数据向量和所述故障文本数据向量对应的故障类别标签对预设分类模型进行训练，获得所述故障文本分类模型。

7.一种故障文本的表示装置，其特征在于，所述装置包括：

统计模块，用于对故障文本进行词频统计，获得所述故障文本的词频统计结果，所述故障文本包括多条故障句；

建模模块，用于通过主题建模模型对所述词频统计结果进行主题建模，获得第一主题概率分布结果；

保留模块，用于根据所述第一主题概率分布结果，保留所述故障文本中预设数量的故障句；

转换模块，用于通过向量表示方法对所述预设数量的故障句进行向量转换，获得所述故障文本对应的故障文本数据向量。

8.一种故障文本分类模型训练装置，其特征在于，所述装置包括：

获取模块，用于获取故障文本数据向量，所述故障文本数据向量样本是根据权利要求1至5任一项所述的故障文本的表示方法得到的；

训练模块，用于根据所述故障文本数据向量和所述故障文本数据向量对应的故障类别标签对预设分类模型进行训练，获得所述故障文本分类模型。

9.一种设备，其特征在于，所述设备包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序，以使所述设备执行如权利要求1-5任一项所述的故障文本的表示方法的步骤，或权利要求6所述的故障文本分类模型训练方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，当所述计算机程序被运行时，运行所述计算机程序的设备实现如权利要求1-5任一项所述的故障文本的表示方法的步骤，或权利要求6所述的故障文本分类模型训练方法的步骤。