基于语义分析和图神经网络相结合的文档分类方法与流程

本申请涉及文档管理，尤其涉及一种基于语义分析和图神经网络相结合的文档分类方法。

背景技术：

1、随着企业信息化程度提高，企业办公过程中涉及的文档数量与种类急剧增加，这使得企业对文档的分类需求也相应增加。

2、在相关技术中，一般会基于文件的基本属性关键词等表层内容划分文档所属的业务类型，这样往往只能捕捉文档表面的文字信息，而无法有效识别文档内容中与业务分类有关的深层特征，导致文档分类结果不准确。

3、因此，如何提升文档分类的准确性，成为目前亟待解决的技术问题。

技术实现思路

1、本申请实施例提供了一种基于语义分析和图神经网络相结合的文档分类方法，旨在解决相关技术中企业内部的文档分类方式难以捕捉文档深层特征导致分类结果不准确的技术问题。

2、第一方面，本申请实施例提供了一种基于语义分析和图神经网络相结合的文档分类方法，包括：

3、通过预定的信息提取方式提取待分类文档的文档基础信息，其中，所述文档基础信息用于反映所述待分类文档的展示格式和展示内容；

4、基于所述文档基础信息，确定所述待分类文档的文档挖掘信息，其中，所述文档挖掘信息为所述展示格式和所述展示内容所反映的深层文档特征；

5、基于预定的语义分析模型和所述文档挖掘信息，识别所述待分类文档的实体集合；

6、通过图神经网络为所述实体集合构建实体关系网络；

7、基于所述实体关系网络，确定所述待分类文档的文档图向量；

8、以所述文档图向量作为预定的业务分类模型的输入信息，通过所述业务分类模型输出所述待分类文档所属的业务类型，其中，所述业务分类模型用于反映文档的文档图向量与文档所属业务类型的关联关系。

9、在本申请的一个实施例中，可选地，所述通过预定的信息提取方式提取待分类文档的文档基础信息，包括：

10、利用pypdf2库的pdffilereader类读取pdf文件，提取所述pdf文件的文档内容、页面数量和文档标题；

11、使用python-docx库的document类读取word文件，提取所述word文件的文本内容、段落格式和样式信息；

12、利用pandas库与openpyxl库协同读取excel文件，提取所述excel文件的表格数据、工作表名称和单元格格式。

13、在本申请的一个实施例中，可选地，所述文档挖掘信息包括：分词、句结构、文档内容类型和文本层次关系，则所述基于所述文档基础信息，确定所述待分类文档的文档挖掘信息，包括：

14、对所述文档基础信息进行词法分析处理和句法分析处理，得到分词、句结构和文档内容类型；

15、基于所述文档基础信息内的格式信息，确定所述待分类文档的文本层次关系。

16、在本申请的一个实施例中，可选地，所述基于预定的语义分析模型和所述文档挖掘信息，识别所述待分类文档的实体集合，包括：

17、将所述文档挖掘信息中的分词、句结构、文档内容类型和文本层次关系作为输入信息提供给所述语义分析模型，利用所述语义分析模型中的自注意力机制，对所述输入信息进行上下文语义理解；

18、基于所述上下文语义理解的结果，识别所述待分类文档中包含的实体，形成所述实体集合，其中，所述实体集合包括：人员、物体、时间、事项和任务目标。

19、在本申请的一个实施例中，可选地，所述通过图神经网络为所述实体集合构建实体关系网络，包括：

20、将所述实体集合中的各个实体作为节点，以实体间的语义关联、时间顺序和因果关系中的至少一项作为边，构建初始实体关系图；

21、将所述初始实体关系图输入预训练的所述图神经网络，通过所述图神经网络对所述初始实体关系图中的节点和边进行迭代更新至指定次数，得到所述实体关系网络。

22、在本申请的一个实施例中，可选地，所述基于所述实体关系网络，确定所述待分类文档的文档图向量，包括：

23、将所述实体关系网络中所有节点的特征向量输入所述图神经网络的图池化层，通过所述图池化层对所有节点的特征向量进行下采样处理后再进行聚合处理，生成所述文档图向量。

24、在本申请的一个实施例中，可选地，所述基于所述实体关系网络，确定所述待分类文档的文档图向量，包括：

25、基于注意力机制和所述实体关系网络中所有节点的特征向量，计算每个所述节点对所述待分类文档的全局贡献权重；

26、基于所述全局贡献权重，对所有节点的特征向量进行加权求和，生成所述文档图向量。

27、在本申请的一个实施例中，可选地，所述基于所述实体关系网络，确定所述待分类文档的文档图向量，包括：

28、对所述实体关系网络中所有节点的特征向量进行聚合处理，生成初始图向量；

29、将多维元数据按照向量维度与所述初始图向量进行拼接，生成所述文档图向量，其中，所述多维元数据包括所述待分类文档的文档元数据和所述待分类文档所在系统的系统元数据。

30、第二方面，本申请实施例提供了一种计算机设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述第一方面所述的方法。

31、第三方面，本申请实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述第一方面所述的方法。

32、以上技术方案，针对相关技术中企业内部的文档分类方式难以捕捉文档深层特征导致分类结果不准确的技术问题，第一步先提取文档表层信息，第二步再挖掘文档的深层语义特征，第三步再基于深层语义特征构建实体关系图谱，并生成表征文档全局语义的向量，最终利用该向量和分类模型完成对文档的自动分类。由此，通过三步特征挖掘将待分类文档的最深层语义特征进行了深度挖掘，由这一最深层语义特征作为分类依据，实现了对待分类文档从表层内容到深层逻辑的逐层解析，从而能够更全面、更准确地捕捉待分类文档与业务类型的深度关联。由此，可提升多种格式的复杂文档的分类准确性，避免了相关技术中的分类过程因依赖文档表层特征进行分类而导致的分类不准确缺陷，可提升企业办公效率。

1.一种基于语义分析和图神经网络相结合的文档分类方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述通过预定的信息提取方式提取待分类文档的文档基础信息，包括：

3.根据权利要求2所述的方法，其特征在于，所述文档挖掘信息包括：分词、句结构、文档内容类型和文本层次关系，则所述基于所述文档基础信息，确定所述待分类文档的文档挖掘信息，包括：

4.根据权利要求3所述的方法，其特征在于，所述基于预定的语义分析模型和所述文档挖掘信息，识别所述待分类文档的实体集合，包括：

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述通过图神经网络为所述实体集合构建实体关系网络，包括：

6.根据权利要求5所述的方法，其特征在于，所述基于所述实体关系网络，确定所述待分类文档的文档图向量，包括：

7.根据权利要求5所述的方法，其特征在于，所述基于所述实体关系网络，确定所述待分类文档的文档图向量，包括：

8.根据权利要求5所述的方法，其特征在于，所述基于所述实体关系网络，确定所述待分类文档的文档图向量，包括：

9.一种计算机设备，其特征在于，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；

10.一种计算机可读存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令被配置为执行如权利要求1至8中任一项所述的方法。