文本分类方法、文本分类装置、电子设备及存储介质

摘要

本申请实施例提供了一种文本分类方法、文本分类装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取待分类的原始文本；通过预设的主题词识别模型对原始文本进行主题词识别，得到实体主题词；对原始文本和实体主题词进行拼接处理，得到目标嵌入特征向量；通过预设的文本分类模型和参考分类标签对目标嵌入特征向量进行分类概率计算，得到每一参考分类标签对应的分类概率值；根据分类概率值对参考分类标签进行筛选处理，得到原始文本的目标分类标签。本申请实施例能够提高文本分类的准确性。

说明书

技术领域

本申请涉及人工智能技术领域，尤其涉及一种文本分类方法、文本分类装置、电子设备及存储介质。

背景技术

在常见的分类场景中，常常是采用人工判断的方式来对物料(例如、文本素材或者图像素材等等)进行分类处理，这一方式往往存在较大的人为主观性，会影响分类准确性，因此，如何提高文本分类的准确性，成为了亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种文本分类方法、文本分类装置、电子设备及存储介质，旨在提高文本分类的准确性。

为实现上述目的，本申请实施例的第一方面提出了一种文本分类方法，所述方法包括：

获取待分类的原始文本；

通过预设的主题词识别模型对所述原始文本进行主题词识别，得到实体主题词；

对所述原始文本和所述实体主题词进行拼接处理，得到目标嵌入特征向量；

通过预设的文本分类模型和参考分类标签对所述目标嵌入特征向量进行分类概率计算，得到每一所述参考分类标签对应的分类概率值；

根据所述分类概率值对所述参考分类标签进行筛选处理，得到所述原始文本的目标分类标签。

在一些实施例，所述通过预设的主题词识别模型对所述原始文本进行主题词识别，得到实体主题词的步骤，包括：

通过所述主题词识别模型对所述原始文本进行分词处理，得到目标文本词段；

根据预设的权重参数对所述目标文本词段进行关键词提取，得到文本关键词集合；

对所述文本关键词集合中的文本关键词进行组合处理，得到所述实体主题词。

在一些实施例，所述通过所述主题词识别模型对所述原始文本进行分词处理，得到目标文本词段的步骤，包括：

通过预设的分词器对所述原始文本进行词汇识别，得到词段实体特征；

根据所述词段实体特征对所述原始文本进行分词处理，得到初始文本词段；

对所述初始文本词段进行过滤处理，得到所述目标文本词段。

在一些实施例，所述根据预设的权重参数对所述目标文本词段进行关键词提取，得到文本关键词集合的步骤，包括：

对所述目标文本词段进行重要性排序，得到文本词段序列；

根据所述权重参数对所述文本词段序列进行权重分配，得到加权词段序列；

对所述加权词段序列进行词段筛选，得到所述文本关键词集合。

在一些实施例，所述对所述原始文本和所述实体主题词进行拼接处理，得到目标嵌入特征向量的步骤，包括：

对所述原始文本进行词嵌入处理，得到文本嵌入特征向量；

对所述实体主题词进行词嵌入处理，得到主题词嵌入特征向量；

根据预设的拼接顺序对所述文本嵌入特征向量和所述主题词嵌入特征向量进行拼接处理，得到所述目标嵌入特征向量。

在一些实施例，所述通过预设的文本分类模型和参考分类标签对所述目标嵌入特征向量进行分类概率计算，得到每一所述参考分类标签对应的分类概率值的步骤，包括：

获取所述参考分类标签；

对所述参考分类标签进行词嵌入处理，得到参考分类标签向量；

通过所述文本分类模型对所述参考分类标签向量和所述目标嵌入特征向量进行向量相似度计算，得到所述分类概率值。

在一些实施例，所述通过预设的文本分类模型和参考分类标签对所述目标嵌入特征向量进行分类概率计算，得到每一所述参考分类标签对应的分类概率值的步骤之前，所述方法包括预先训练所述文本分类模型，具体包括：

获取标签文本和参考分类标签；

对所述标签文本进行主题词识别，得到样本主题词；

对所述标签文本和所述样本主题词进行拼接处理，得到样本嵌入特征向量；

通过所述文本分类模型和所述参考分类标签对所述样本嵌入特征向量进行分类概率计算，得到样本分类预测值；

通过所述文本分类模型的损失函数和所述样本分类预测值进行损失值计算，得到模型损失值；

根据所述模型损失值对所述文本分类模型进行网格化调参，以优化所述文本分类模型。

为实现上述目的，本申请实施例的第二方面提出了一种文本分类装置，所述装置包括：

所述装置包括：

文本获取模块，用于获取待分类的原始文本；

主题词识别模块，用于通过预设的主题词识别模型对所述原始文本进行主题词识别，得到实体主题词；

拼接模块，用于对所述原始文本和所述实体主题词进行拼接处理，得到目标嵌入特征向量；

概率计算模块，用于通过预设的文本分类模型和参考分类标签对所述目标嵌入特征向量进行分类概率计算，得到每一所述参考分类标签对应的分类概率值；

筛选模块，用于根据所述分类概率值对所述参考分类标签进行筛选处理，得到所述原始文本的目标分类标签。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。

本申请提出的文本分类方法、文本分类装置、电子设备及存储介质，其通过获取待分类的原始文本；并通过预设的主题词识别模型对原始文本进行主题词识别，得到实体主题词，能够较为方便地获取到能够代表原始文本的文本内容的实体主题词，通过实体主题词直观地反映出原始文本的主题内容。进一步地，对原始文本和实体主题词进行拼接处理，得到目标嵌入特征向量；通过预设的文本分类模型和参考分类标签对目标嵌入特征向量进行分类概率计算，得到每一参考分类标签对应的分类概率值，这一方式能够通过分类概率值来反映出目标嵌入特征向量与每一参考分类标签的相关程度，能够有利于确定目标嵌入特征向量的所属分类标签，因此，可以根据分类概率值对参考分类标签进行筛选处理，得到原始文本的目标分类标签，能够提高文本分类的准确性。

附图说明

图1是本申请实施例提供的文本分类方法的流程图；

图2是图1中的步骤S102的流程图；

图3是图2中的步骤S201的流程图；

图4是图2中的步骤S202的流程图；

图5是图1中的步骤S103的流程图；

图6是本申请实施例提供的文本分类方法的另一流程图；

图7是图1中的步骤S104的流程图；

图8是本申请实施例提供的文本分类装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

信息抽取(Information Extraction)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。

隐含狄利克雷分布(Latent Dirichlet Allocation，LDA)，是一种主题模型(topic model)，它可以将文档集中每篇文档的主题按照概率分布的形式给出。LDA是一种典型的词袋模型，即它认为一篇文档是由一组词构成的一个集合，词与词之间没有顺序以及先后的关系。一篇文档可以包含多个主题，文档中每一个词都由其中的一个主题生成。

Softmax函数：Softmax函数是归一化指数函数，能将一个含任意实数的K维向量z“压缩”到另一个K维实向量中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1，该函数常用于多分类问题中。

分词器：分词器接受一个字符串作为输入，将这个字符串拆分成独立的词或语汇单元(token)，然后输出一个语汇单元流(token stream)。

嵌入(embedding)：embedding是一种向量表征，是指用一个低维的向量表示一个物体，该物体可以是一个词，或是一个商品，或是一个电影等等；这个embedding向量的性质是能使距离相近的向量对应的物体有相近的含义，比如embedding(复仇者联盟)和embedding(钢铁侠)之间的距离就会很接近，但embedding(复仇者联盟)和embedding(乱世佳人)的距离就会远一些。embedding实质是一种映射，从语义空间到向量空间的映射，同时尽可能在向量空间保持原样本在语义空间的关系，如语义接近的两个词汇在向量空间中的位置也比较接近。embedding能够用低维向量对物体进行编码还能保留其含义，常应用于机器学习，在机器学习模型构建过程中，通过把物体编码为一个低维稠密向量再传给DNN，以提高效率。

BERT(Bidirectional Encoder Representation from Transformers)模型：BERT模型进一步增加词向量模型泛化能力，充分描述字符级、词级、句子级甚至句间关系特征，基于Transformer构建而成。BERT中有三种embedding，即Token Embedding，SegmentEmbedding，Position Embedding；其中Token Embeddings是词向量，第一个单词是CLS标志，可以用于之后的分类任务；Segment Embeddings用来区别两种句子，因为预训练不光做LM还要做以两个句子为输入的分类任务；Position Embeddings，这里的位置词向量不是transfor中的三角函数，而是BERT经过训练学到的。但BERT直接训练一个positionembedding来保留位置信息，每个位置随机初始化一个向量，加入模型训练，最后就得到一个包含位置信息的embedding，最后这个position embedding和word embedding的结合方式上，BERT选择直接拼接。

在常见的分类场景中，常常是采用人工判断的方式来对物料(例如、文本素材或者图像素材等等)进行分类处理，这一方式往往存在较大的人为主观性，会影响分类准确性，因此，如何提高文本分类的准确性，成为了亟待解决的技术问题。

基于此，本申请实施例提供了一种文本分类方法、文本分类装置、电子设备及存储介质，旨在提高文本分类的准确性。

本申请实施例提供的文本分类方法、文本分类装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的文本分类方法。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的文本分类方法，涉及人工智能技术领域。本申请实施例提供的文本分类方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现文本分类方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

图1是本申请实施例提供的文本分类方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S105。

步骤S101，获取待分类的原始文本；

步骤S102，通过预设的主题词识别模型对原始文本进行主题词识别，得到实体主题词；

步骤S103，对原始文本和实体主题词进行拼接处理，得到目标嵌入特征向量；

步骤S104，通过预设的文本分类模型和参考分类标签对目标嵌入特征向量进行分类概率计算，得到每一参考分类标签对应的分类概率值；

步骤S105，根据分类概率值对参考分类标签进行筛选处理，得到原始文本的目标分类标签。

本申请实施例所示意的步骤S101至步骤S105，其通过获取待分类的原始文本；并通过预设的主题词识别模型对原始文本进行主题词识别，得到实体主题词，能够较为方便地获取到能够代表原始文本的文本内容的实体主题词，通过实体主题词直观地反映出原始文本的主题内容。进一步地，对原始文本和实体主题词进行拼接处理，得到目标嵌入特征向量；通过预设的文本分类模型和参考分类标签对目标嵌入特征向量进行分类概率计算，得到每一参考分类标签对应的分类概率值，这一方式能够通过分类概率值来反映出目标嵌入特征向量与每一参考分类标签的相关程度，能够有利于确定目标嵌入特征向量的所属分类标签，因此，可以根据分类概率值对参考分类标签进行筛选处理，得到原始文本的目标分类标签，能够提高文本分类的准确性。

在一些实施例的步骤S101中，可以通过编写网络爬虫,设置好数据源之后进行有目标性地爬取数据，得到待分类的原始文本据。也可以通过其他方式获取待分类的原始文本，不限于此。其中，待分类的原始文本可以是商品描述文本、新闻文本或者其他类型的文本素材，不做限制。

请参阅图2，在一些实施例中，步骤S102可以包括但不限于包括步骤S201至步骤S203：

步骤S201，通过主题词识别模型对原始文本进行分词处理，得到目标文本词段；

步骤S202，根据预设的权重参数对目标文本词段进行关键词提取，得到文本关键词集合；

步骤S203，对文本关键词集合中的文本关键词进行组合处理，得到实体主题词。

在一些实施例的步骤S201中，主题词识别模型可以是基于LDA算法构建而成的。通过主题词识别模型的分词器和预设的词性类别对将原始文本划分为多个初始文本词段，再对初始文本词段进行筛选处理，得到目标文本词段，其中，预设的词性类别包括名词、动词、形容词、副词等。

在一些实施例的步骤S202中，权重参数可以根据实际业务需求设置，也可以根据目标文本词段的重要性进行设置，不做限制。在对目标文本词段进行关键词提取时，可以先根据目标文本词段的重要程度对这一系列的目标文本词段机芯排序，得到目标文本词段的重要性序列，从而将预设的权重参数按照从大到小的顺序赋予给重要性序列中的每一目标文本词段，从而得到文本关键词集合。

在一些实施例的步骤S203中，实体主题词可以由文本关键词集合中的一个或者多个文本关键词进行组合而成，当涉及到多个文本关键词组合时，可以根据业务需求进行随机组合，不做限制。例如，当涉及到多个文本关键词时，选取三个文本关键词进行组合，形成实体主题词。

请参阅图3，在一些实施例中，步骤S301可以包括但不限于包括步骤S301至步骤S303：

步骤S301，通过预设的分词器对原始文本进行词汇识别，得到词段实体特征；

步骤S302，根据词段实体特征对原始文本进行分词处理，得到初始文本词段；

步骤S303，对初始文本词段进行过滤处理，得到目标文本词段。

在一些实施例的步骤S301和步骤S302中，预设的分词器可以是Jieba分词器等等，不做限制。以Jieba分词器为例，通过Jieba分词器对原始文本进行词汇识别处理，具体地，首先加载Jieba分词器内的词典文件，获取Jieba分词器中每个词语和该词语出现的次数，进一步地，遍历词典文件，通过字符串匹配的凡是构建原始句子数据中的所有可能的分词情况的有向无环图，并对原始文本中的每个字符节点到语句结尾的所有路径中的最大概率进行计算，同时记录最大概率时在有向无环图中对应的字符词段的结束位置，将节点路径以及节点信息作为词段实体特征，根据节点路径对原始文本进行词段切分，得到初始文本词段。

在一些实施例的步骤S303中，可以根据初始文本词段的词段长度对初始文本词段进行过滤处理，剔除掉词段长度超出预设的词段长度阈值的初始文本词段，得到符合要求的目标文本词段。

通过上述步骤S301至步骤S303能够较为方便地将原始文本拆分为多个单独的目标文本词段，通过目标文本词段来表征原始文本的语义内容信息，从而提高文本分类的效率。

请参阅图4，在一些实施例中，步骤S302可以包括但不限于包括步骤S401至步骤S403：

步骤S401，对目标文本词段进行重要性排序，得到文本词段序列；

步骤S402，根据权重参数对文本词段序列进行权重分配，得到加权词段序列；

步骤S403，对加权词段序列进行词段筛选，得到文本关键词集合。

在一些实施例的步骤S401中，根据目标文本词段的词性类别以及业务场景需求对目标文本词段进行重要性排序，得到文本词段序列，例如，在某一些实施例的重要性排序的过程中，名词的重要性高于形容词，形容词的重要性高于动词，动词的重要性高于副词。

在一些实施例的步骤S402中，将预设的权重参数按照数值大小依次赋予给文本词段序列中的每一目标文本词段，得到加权词段序列，例如，文本词段序列的目标文本词段依次为“电吹风”、“家用”、“黑色”、“可折叠”，权重参数包括0.5、0.21、0.08、0.13，则将权重0.5匹配至目标文本词段“电吹风”，将权重0.21匹配至目标文本词段“家用”；将权重0.13匹配至目标文本词段“黑色”；将权重0.08匹配至目标文本词段“可折叠”。加权词段序列可以表示为“电吹风(0.5)”、“家用(0.21)”、“黑色(0.13)”、“可折叠(0.08)”。

在一些实施例的步骤S403中，根据目标文本词段的词性类别以及权重参数，对加权词段序列进行词段筛选，过滤掉词性类别不符合当前业务需求的目标文本词段以及权重参数小于或者等于预设阈值的目标文本词段，从而缩小目标文本词段的词段数量，并得到符合当前业务需求的文本关键词集合。

请参阅图5，在一些实施例中，步骤S103可以包括但不限于包括步骤S501至步骤S503：

步骤S501，对原始文本进行词嵌入处理，得到文本嵌入特征向量；

步骤S502，对实体主题词进行词嵌入处理，得到主题词嵌入特征向量；

步骤S503，根据预设的拼接顺序对文本嵌入特征向量和主题词嵌入特征向量进行拼接处理，得到目标嵌入特征向量。

在一些实施例的步骤S501中，通过BERT模型等对原始文本进行词嵌入处理，将原始文本从一个高维空间嵌入到一个低维的连续向量空间中，使得原始文本中的每个单词或词组被映射为实数域上的向量，得到文本嵌入特征向量。

在一些实施例的步骤S502中，通过BERT模型等对实体主题词进行词嵌入处理，将实体主题词从一个高维空间嵌入到一个低维的连续向量空间中，使得实体主题词中的每个单词或词组被映射为实数域上的向量，得到主题词嵌入特征向量。

在一些实施例的步骤S503中，为了体现原始文本的主题内容，预设的拼接顺序可以是主题词在前，原始文本在后，因此，在对文本嵌入特征向量和主题词嵌入特征向量进行拼接处理时，将主题词嵌入特征向量放在靠前的位置，将文本嵌入特征向量放在考后的位置，对主题词嵌入特征向量和文本嵌入特征向量进行向量相加，从而得到目标嵌入特征向量。

请参阅图6，在一些实施例的步骤S104之前，文本分类方法还包括预先训练文本分类模型，具体包括但不限于包括步骤S601至步骤S606：

步骤S601，获取标签文本和参考分类标签；

步骤S602，对标签文本进行主题词识别，得到样本主题词；

步骤S603，对标签文本和样本主题词进行拼接处理，得到样本嵌入特征向量；

步骤S604，通过文本分类模型和参考分类标签对样本嵌入特征向量进行分类概率计算，得到样本分类预测值；

步骤S605，通过文本分类模型的损失函数和样本分类预测值进行损失值计算，得到模型损失值；

步骤S606，根据模型损失值对文本分类模型进行网格化调参，以优化文本分类模型。

在一些实施例的步骤S601中，可以通过编写网络爬虫,设置好数据源之后进行有目标性地爬取数据，得到标签文本。也可以通过其他方式获取标签文本，不限于此。其中，标签文本可以是带有产品标签的商品描述文本、新闻文本或者其他类型的文本素材，不做限制；参考分类标签可以根据实际业务需求设置，该参考分类标签可以包括各种领域的具体产品，例如，扫地机、吸尘器、无人机等等，不做限制。

在一些实施例的步骤S602中，通过主题词识别模型对标签文本进行分词处理，得到标签文本词段；再根据预设的权重参数对标签文本进行关键词提取，得到样本关键词集合；最后，对样本关键词集合中的样本关键词进行组合处理，得到样本主题词。该过程与上述步骤S201至步骤S203基本一致，此处不再赘述。

在一些实施例的步骤S603中，对标签文本进行词嵌入处理，得到标签文本嵌入向量；对样本主题词进行词嵌入处理，得到样本主题词嵌入向量；根据样本主题词嵌入向量在前，标签文本嵌入向量在后的顺序对样本主题词嵌入向量和标签文本嵌入向量进行拼接处理，得到样本嵌入特征向量。

在一些实施例的步骤S604中，通过文本分类模型的分类函数和参考分类标签对样本嵌入特征向量进行分类概率计算，其中，分类函数可以是softmax函数，通过softmax函数在每一参考分类标签上创建样本嵌入特征向量的概率分布情况，得到样本分类预测值，该样本分类预测值可以表征样本嵌入特征向量属于每一参考分类标签的可能性。

在一些实施例的步骤S605中，损失函数为最小化损失函数，用最小化损失函数可以反映文本分类模型的最优结果，最小化损失函数可以表示为Loss＝∑y

在一些实施例的步骤S606中，根据模型损失值对文本分类模型进行网格化调参时，包括对最大文本向量长度、训练速率、batch_size等的调节，根据预设值对文本分类模型进行训练和验证，找到最优结果的参数，其中，主要参数包括auc、percision、recall等指标。例如，在网格化调参的过程中，对不同的参数分别设置最大值和最小值，不断地循环调参，直至文本分类模型出现最优结果或者训练次数超过设定的阈值，停止调参，得到最终的文本分类模型。

通过上述步骤S601至步骤S606能够较为准确地对文本分类模型进行训练和优化，得到最优的文本分类模型，提高文本分类模型的训练效果和模型性能。

请参阅图7，在一些实施例中，步骤S104可以包括但不限于包括步骤S701至步骤S703：

步骤S701，获取参考分类标签；

步骤S702，对参考分类标签进行词嵌入处理，得到参考分类标签向量；

步骤S703，通过文本分类模型对参考分类标签向量和目标嵌入特征向量进行向量相似度计算，得到分类概率值。

在一些实施例的步骤S701中，参考分类标签可以根据实际业务需求设置，该参考分类标签可以包括各种领域的具体产品，例如，扫地机、吸尘器、无人机等等，不做限制。

在一些实施例的步骤S702中，对参考分类标签进行词嵌入处理，实现参考分类标签从语义空间到向量空间的映射，得到向量形式的分类标签，即参考分类标签向量。

在一些实施例的步骤S703中，通过文本分类模型对参考分类标签向量和目标嵌入特征向量进行向量相似度计算时，可以采用余弦相似度算法等协同过滤算法来对参考分类标签向量和目标嵌入特征向量进行相似度计算，将得到的相似度值作为分类概率值，该分类概率值能够表征参考分类标签向量和目标嵌入特征向量的相关程度与近似程度，通过分类概率值能够较为方便、直观地反映出目标嵌入特征向量接近每一参考分类标签向量的程度。

在一些实施例的步骤S105中，由于分类概率值的大小可以表征原始文本属于每一参考分类标签的可能性，分类概率值越大，说明原始文本属于该参考分类标签对应的类别的可能性越大，因此，在根据分类概率值对参考分类标签进行筛选处理时，选取分类概率值最大的参考分类标签作为原始文本的目标分类标签，该目标分类标签可以用来表征原始文本的所属类别。

在一个具体实施例中，原始文本1为新闻描述文本，其包括的文本内容为“扫地机器人市场蓬勃发展，家用领域扫地机已经被大家熟知，商用领域也在逐步推进。目前，广场上开始推广使用机器环卫工人，保持广场清洁。”；原始文本2为商品描述文本，其包括的文本内容为“某品牌的扫地机器人能够实现扫拖一体，具备2500Pa大吸力。”，通过本申请实施例的文本分类方法能够方便地提取原始文本1的实体主题词为“扫地、商用”，原始文本2的实体主题词为“扫地、吸力、家用”；因此，通过文本分类模型对上述原始文本1及其实体主题词进行分类处理，将原始文本1归类为“扫地机”这一参考分类标签，通过文本分类模型对上述原始文本2及其实体主题词进行分类处理，将原始文本2归类为“扫地机”这一参考分类标签，这一方式能够实现对同一类型产品的不同信息的归类，将同一类型产品的资讯、新闻、商品描述等放在同一类别，有效地实现混合品类的分类处理，提高对物料以及素材的分类准确性。

本申请实施例的文本分类方法，其通过获取待分类的原始文本；并通过预设的主题词识别模型对原始文本进行主题词识别，得到实体主题词，能够较为方便地获取到能够代表原始文本的文本内容的实体主题词，通过实体主题词直观地反映出原始文本的主题内容。进一步地，对原始文本和实体主题词进行拼接处理，得到目标嵌入特征向量；通过预设的文本分类模型和参考分类标签对目标嵌入特征向量进行分类概率计算，得到每一参考分类标签对应的分类概率值，这一方式能够通过分类概率值来反映出目标嵌入特征向量与每一参考分类标签的相关程度，能够有利于确定目标嵌入特征向量的所属分类标签，因此，可以根据分类概率值对参考分类标签进行筛选处理，得到原始文本的目标分类标签，能够提高文本分类的准确性。

请参阅图8，本申请实施例还提供一种文本分类装置，可以实现上述文本分类方法，该装置包括：

文本获取模块801，用于获取待分类的原始文本；

主题词识别模块802，用于通过预设的主题词识别模型对原始文本进行主题词识别，得到实体主题词；

拼接模块803，用于对原始文本和实体主题词进行拼接处理，得到目标嵌入特征向量；

概率计算模块804，用于通过预设的文本分类模型和参考分类标签对目标嵌入特征向量进行分类概率计算，得到每一参考分类标签对应的分类概率值；

筛选模块805，用于根据分类概率值对参考分类标签进行筛选处理，得到原始文本的目标分类标签。

在一些实施例中，主题词识别模块802包括：

分词单元，用于通过主题词识别模型对原始文本进行分词处理，得到目标文本词段；

关键词提取单元，用于根据预设的权重参数对目标文本词段进行关键词提取，得到文本关键词集合；

组合单元，用于对文本关键词集合中的文本关键词进行组合处理，得到实体主题词。

在一些实施例中，分词单元包括：

词汇识别子单元，用于通过预设的分词器对原始文本进行词汇识别，得到词段实体特征；

分词子单元，用于根据词段实体特征对原始文本进行分词处理，得到初始文本词段；

过滤子单元，用于对初始文本词段进行过滤处理，得到目标文本词段。

在一些实施例中，关键词提取单元包括：

排序子单元，用于对目标文本词段进行重要性排序，得到文本词段序列；

分配子单元，用于根据权重参数对文本词段序列进行权重分配，得到加权词段序列；

筛选子单元，用于对加权词段序列进行词段筛选，得到文本关键词集合。

在一些实施例中，拼接模块803包括：

第一词嵌入单元，用于对原始文本进行词嵌入处理，得到文本嵌入特征向量；

第二词嵌入单元，用于对实体主题词进行词嵌入处理，得到主题词嵌入特征向量；

第一拼接单元，用于根据预设的拼接顺序对文本嵌入特征向量和主题词嵌入特征向量进行拼接处理，得到目标嵌入特征向量。

在一些实施例中，概率计算模块804包括：

标签获取单元，用于获取参考分类标签；

第三词嵌入单元，用于对参考分类标签进行词嵌入处理，得到参考分类标签向量；

第一计算单元，用于通过文本分类模型对参考分类标签向量和目标嵌入特征向量进行向量相似度计算，得到分类概率值。

在一些实施例中，文本分类装置还包括模型训练模块，具体包括：

获取单元，用于获取标签文本和参考分类标签；

识别单元，用于对标签文本进行主题词识别，得到样本主题词；

第二拼接单元，用于对标签文本和样本主题词进行拼接处理，得到样本嵌入特征向量；

第二计算单元，用于通过文本分类模型和参考分类标签对样本嵌入特征向量进行分类概率计算，得到样本分类预测值；

第三计算单元，用于通过文本分类模型的损失函数和样本分类预测值进行损失值计算，得到模型损失值；

优化单元，用于根据模型损失值对文本分类模型进行网格化调参，以优化文本分类模型。

该文本分类装置的具体实施方式与上述文本分类方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述文本分类方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的文本分类方法；

输入/输出接口903，用于实现信息输入及输出；

通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；

其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述文本分类方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例提供的文本分类方法、文本分类装置、电子设备及存储介质，其通过获取待分类的原始文本；并通过预设的主题词识别模型对原始文本进行主题词识别，得到实体主题词，能够较为方便地获取到能够代表原始文本的文本内容的实体主题词，通过实体主题词直观地反映出原始文本的主题内容。进一步地，对原始文本和实体主题词进行拼接处理，得到目标嵌入特征向量；通过预设的文本分类模型和参考分类标签对目标嵌入特征向量进行分类概率计算，得到每一参考分类标签对应的分类概率值，这一方式能够通过分类概率值来反映出目标嵌入特征向量与每一参考分类标签的相关程度，能够有利于确定目标嵌入特征向量的所属分类标签，因此，可以根据分类概率值对参考分类标签进行筛选处理，得到原始文本的目标分类标签，能够提高文本分类的准确性。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。