基于深度学习的文本分类方法、装置、电子设备及介质与流程

技术特征：
1.一种基于深度学习的文本分类方法，其特征在于，所述方法包括：获取待分类文本集，对所述待分类文本集进行特征提取，得到特征向量集；利用预构建的朴素贝叶斯分类器对所述特征向量集进行第一分类，得到第一分类结果；构建所述特征向量集的多个超平面函数，利用拉格朗日数乘法确定多个所述超平面函数中的最优超平面，利用所述最优超平面对所述特征向量集进行第二分类，得到第二分类结果；判断所述第一分类结果与所述第二分类结果是否一致；若所述第一分类结果与所述第二分类结果不一致，调整所述朴素贝叶斯分类器的参数及所述最优超平面的选取，再次执行所述第一分类和所述第二分类；若所述第一分类结果与所述第二分类结果一致，将所述第一分类结果或所述第二分类结果作为所述待分类文本的分类结果。2.如权利要求1所述的基于深度学习的文本分类方法，其特征在于，所述构建所述特征向量集的多个超平面函数，包括：将所述特征向量集中的向量映射至平面坐标系中，得到多个平面法向量；根据多个所述平面法向量和预设的回归函数获取多个所述超平面函数。3.如权利要求1所述的基于深度学习的文本分类方法，其特征在于，所述利用拉格朗日数乘法确定多个所述超平面函数中的最优超平面，包括：利用预设的几何间隔确定多个所述超平面函数中的两个平行超平面函数，对所述两个平行超平面函数进行公式转换得到约束条件；利用所述拉格朗日数乘法将所述约束条件转化为无约束条件，对所述无约束条件进行运算得到所述两个平行超平面函数中的最优超平面。4.如权利要求1所述的基于深度学习的文本分类方法，其特征在于，所述利用预构建的朴素贝叶斯分类器对所述特征向量集进行第一分类，得到第一分类结果，包括：将所述特征向量集划分为第一训练集与第一验证集；利用预构建的朴素贝叶斯分类器对所述第一训练集进行分类，得到所述第一训练集的先验概率；根据所述先验概率对所述第一训练集中多个特征向量的文本类别进行预测，得到所述第一训练集的预测文本类别；将所述第一验证集输入所述朴素贝叶斯分类器中，得到所述第一验证集的预测文本类别；若所述第一验证集的预测文本类别与所述第一训练集的预测文本类别不一致，则调整所述朴素贝叶斯分类器的参数，再次执行所述朴素贝叶斯分类器对所述第一训练集进行分类的操作；若所述第一验证集的预测文本类别与所述第一训练集的预测文本类别一致，则将所述第一验证集的预测文本类别和/或所述第一训练集的预测文本类别作为第一分类结果。5.如权利要求1所述的基于深度学习的文本分类方法，其特征在于，所述利用所述最优超平面对所述特征向量集进行第二分类，得到第二分类结果，包括：将所述特征向量集划分为第二训练集与第二验证集；
获取所述最优超平面的函数，利用所述最优超平面的函数对所述第二训练集进行分类，得到所述第二训练集所属的文本类别；利用所述最优超平面的函数对所述第二验证集进行分类，得到所述第二验证集所属的文本类别；判断所述第二验证集所属的文本类别与所述第二训练集所属的文本类别是否一致；若所述第二验证集所属的文本类别与所述第二训练集的所属的文本类别不一致，则调整所述超平面函数的参数，再次执行所述利用所述最优超平面的函数对所述训练集进行分类的操作；若所述第二验证集所属的文本类别与所述第二训练集的所属的文本类别一致，则将所述第二验证集所属的文本类别和/或所述第二训练集所属的文本类别作为所述特征向量集的第二分类结果。6.如权利要求1至5中任一项所述的基于深度学习的文本分类方法，其特征在于，所述对所述待分类文本集进行特征提取，得到特征向量集，包括：利用预构建的词向量转化模型对所述待分类文本集执行向量化操作，生成多个单词向量；对多个所述单词向量进行预训练，得到多个预训练的词向量；将所述待分类文本集中与多个所述词向量进行匹配，得到匹配词向量，并将所述匹配词向量组成特征向量集。7.如权利要求6所述的基于深度学习的文本分类方法，其特征在于，所述将所述待分类文本集中与多个所述词向量进行匹配，得到匹配词向量，包括：将所述待分类文本集分别与多个所述词向量进行匹配；对所述待分类文本集中与多个所述词向量相匹配的文本转化为向量，得到匹配词向量。8.一种基于深度学习的文本分类装置，其特征在于，包括：文本特征提取模块，用于获取待分类文本集，对所述待分类文本集进行特征提取，得到特征向量集；朴素贝叶斯分类模块，用于利用预构建的朴素贝叶斯分类器对所述特征向量集进行第一分类，得到第一分类结果；最优超平面分类模块，用于构建所述特征向量集的多个超平面函数，利用拉格朗日数乘法确定多个所述超平面函数中的最优超平面，利用所述最优超平面对所述特征向量集进行第二分类，得到第二分类结果；文本最终分类模块，用于判断所述第一分类结果与所述第二分类结果是否一致，若所述第一分类结果与所述第二分类结果不一致，调整所述朴素贝叶斯分类器的参数及所述最优超平面的选取，再次执行所述第一分类和所述第二分类，若所述第一分类结果与所述第二分类结果一致，将所述第一分类结果或所述第二分类结果作为所述待分类文本的分类结果。9.一种电子设备，其特征在于，所述电子设备包括：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计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的基于深度学习的文本分类方法。10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于深度学习的文本分类方法。

技术总结
本发明涉及人工智能领域，揭露一种基于深度学习的文本分类方法，包括：对待分类文本集进行特征提取，得到特征向量集；利用预构建的朴素贝叶斯分类器对特征向量集进行第一分类，得到第一分类结果；构建多个超平面函数，利用拉格朗日数乘法确定最优超平面，利用最优超平面对特征向量集进行第二分类，得到第二分类结果；若第一分类结果与第二分类结果不一致，调整朴素贝叶斯分类器的参数及最优超平面的选取，再次执行第一分类和第二分类；若第一分类结果与第二分类结果一致，将第一分类结果或第二分类结果作为分类结果。本发明还提出一种基于深度学习的文本分类装置、电子设备以及存储介质。本发明可以提高基于深度学习的文本分类的准确率。的准确率。的准确率。


技术研发人员：李书涵
受保护的技术使用者：平安普惠企业管理有限公司
技术研发日：2021.08.31
技术公布日：2021/11/28