本公開(kāi)涉及數(shù)據(jù)處理領(lǐng)域，具體地，涉及一種文本分類的方法和裝置。

背景技術(shù)：

隨著互聯(lián)網(wǎng)的發(fā)展，新聞聚合類網(wǎng)站能夠?qū)υ诨ヂ?lián)網(wǎng)上傳輸?shù)拇罅啃侣勑畔⑦M(jìn)行分類，例如將信息分為社會(huì)類、體育類以及娛樂(lè)類等類型的信息，從而方便用戶查看。

現(xiàn)有的新聞聚合類網(wǎng)站大多會(huì)從其他網(wǎng)站中抓取新聞信息，并根據(jù)新聞信息中記載的文本內(nèi)容通過(guò)特定的分類算法對(duì)新聞信息進(jìn)行分類，一種常見(jiàn)的分類方法是樸素貝葉斯分類，但是這種方法有一個(gè)假設(shè)，就是各個(gè)詞之間彼此是相互獨(dú)立的，但是在實(shí)際情況中一個(gè)句子中前后的詞語(yǔ)可能并不獨(dú)立，因此，現(xiàn)有的分類方法無(wú)法準(zhǔn)確對(duì)文本進(jìn)行分類。

技術(shù)實(shí)現(xiàn)要素：

本公開(kāi)的目的是提供一種文本分類的方法和裝置，以至少解決現(xiàn)有技術(shù)中文本分類不準(zhǔn)確的技術(shù)問(wèn)題。

為了實(shí)現(xiàn)上述目的，本公開(kāi)提供一種文本分類的方法，包括：獲取多個(gè)樣本文本；對(duì)每個(gè)樣本文本進(jìn)行分詞處理得到多個(gè)詞語(yǔ)，并獲取每個(gè)所述詞語(yǔ)的詞性信息；根據(jù)所述多個(gè)詞語(yǔ)和每個(gè)詞語(yǔ)對(duì)應(yīng)的詞性信息建立神經(jīng)網(wǎng)絡(luò)分類模型；將待分類的文本作為所述神經(jīng)網(wǎng)絡(luò)分類模型的輸入，得到所述待分類的文本的類型。

可選地，所述根據(jù)所述多個(gè)詞語(yǔ)和每個(gè)詞語(yǔ)對(duì)應(yīng)的詞性信息建立神經(jīng)網(wǎng)絡(luò)分類模型包括：按照預(yù)設(shè)處理方式對(duì)所述分類樣本集中的每個(gè)樣本文本進(jìn)行處理得到所述每個(gè)樣本文本的文本向量；根據(jù)每個(gè)樣本文本的文本向量建立神經(jīng)網(wǎng)絡(luò)分類模型；其中，所述預(yù)設(shè)處理方式包括：根據(jù)目標(biāo)樣本文本的每個(gè)詞語(yǔ)和對(duì)應(yīng)的詞性信息生成所述目標(biāo)樣本文本的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量；其中，所述目標(biāo)樣本文本為所述分類樣本集中的任一樣本文本；根據(jù)所述每個(gè)詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量生成所述目標(biāo)樣本文本對(duì)應(yīng)的二叉樹(shù)；其中，所述二叉樹(shù)的葉節(jié)點(diǎn)分別對(duì)應(yīng)所述每個(gè)詞語(yǔ)向量，所述二叉樹(shù)的根節(jié)點(diǎn)對(duì)應(yīng)所述目標(biāo)文本的文本向量；根據(jù)所述詞語(yǔ)向量通過(guò)所述二叉樹(shù)獲取所述目標(biāo)樣本文本的文本向量。

可選地，所述根據(jù)所述每個(gè)詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量生成所述目標(biāo)樣本文本對(duì)應(yīng)的二叉樹(shù)包括：獲取每個(gè)詞語(yǔ)在所述目標(biāo)文本中的詞語(yǔ)順序；根據(jù)所述詞語(yǔ)順序確定所述目標(biāo)文本中第一個(gè)詞語(yǔ)對(duì)應(yīng)的第一節(jié)點(diǎn)和第二個(gè)詞語(yǔ)對(duì)應(yīng)的第二節(jié)點(diǎn)，并建立所述第一節(jié)點(diǎn)和所述第二節(jié)點(diǎn)的第一父節(jié)點(diǎn)；確定第三個(gè)詞語(yǔ)對(duì)應(yīng)的第三節(jié)點(diǎn)，并建立所述第三節(jié)點(diǎn)與所述第一父節(jié)點(diǎn)的第二父節(jié)點(diǎn)，繼續(xù)按照所述詞語(yǔ)順序確定第四個(gè)詞語(yǔ)對(duì)應(yīng)的第四節(jié)點(diǎn)，并建立所述第四節(jié)點(diǎn)與所述第二父節(jié)點(diǎn)的第三父節(jié)點(diǎn)，直至按照所述詞語(yǔ)順序確定出最后一個(gè)詞語(yǔ)對(duì)應(yīng)的節(jié)點(diǎn)的父節(jié)點(diǎn)，得到所述二叉樹(shù)。

可選地，所述根據(jù)所述詞語(yǔ)向量通過(guò)所述二叉樹(shù)獲取所述目標(biāo)樣本文本的文本向量包括：根據(jù)每個(gè)詞語(yǔ)的詞性確定所述二叉樹(shù)中每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的組合詞性；獲取每個(gè)組合詞性對(duì)應(yīng)的第一分類權(quán)重，并將所述第一分類權(quán)重中相同詞性的組合詞性對(duì)應(yīng)的第一分類權(quán)重相加，得到第二分類權(quán)重；根據(jù)所述詞語(yǔ)向量和所述每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的組合詞性以及所述第二分類權(quán)重，從所述二叉樹(shù)的最底層依次向上計(jì)算所述二叉樹(shù)每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的組合向量，直至得到所述根節(jié)點(diǎn)對(duì)應(yīng)的文本向量。

可選地，所述獲取每個(gè)組合詞性對(duì)應(yīng)的第一分類權(quán)重包括：

獲取每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的誤差值；

根據(jù)所述誤差值按照以下公式計(jì)算得到所述每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的第一分類權(quán)重：

其中，wi為第i個(gè)父節(jié)點(diǎn)的第一分類權(quán)重，e(θ)為預(yù)設(shè)目標(biāo)函數(shù)，m為第i個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的一個(gè)子節(jié)點(diǎn)和第i個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的另一個(gè)子節(jié)點(diǎn)的詞語(yǔ)向量組合得到的詞組向量，δⁱ為第i個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的誤差值，θ為該目標(biāo)樣本文本中每個(gè)組合詞性對(duì)應(yīng)的第一分類權(quán)重。

本公開(kāi)還提供一種文本分類的裝置，包括：獲取模塊，用于獲取多個(gè)樣本文本；處理模塊，用于對(duì)每個(gè)樣本文本進(jìn)行分詞處理得到多個(gè)詞語(yǔ)，并獲取每個(gè)所述詞語(yǔ)的詞性信息；模型建立模塊，用于根據(jù)所述多個(gè)詞語(yǔ)和每個(gè)詞語(yǔ)對(duì)應(yīng)的詞性信息建立神經(jīng)網(wǎng)絡(luò)分類模型；分類模塊，用于將待分類的文本作為所述神經(jīng)網(wǎng)絡(luò)分類模型的輸入，得到所述待分類的文本的類型。

可選地，所述模型建立模塊，包括：處理子模塊，用于按照預(yù)設(shè)處理方式對(duì)所述分類樣本集中的每個(gè)樣本文本進(jìn)行處理得到所述每個(gè)樣本文本的文本向量；模型建立子模塊，用于根據(jù)每個(gè)樣本文本的文本向量建立神經(jīng)網(wǎng)絡(luò)分類模型；其中，所述預(yù)設(shè)處理方式包括：根據(jù)目標(biāo)樣本文本的每個(gè)詞語(yǔ)和對(duì)應(yīng)的詞性信息生成所述目標(biāo)樣本文本的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量；其中，所述目標(biāo)樣本文本為所述分類樣本集中的任一樣本文本；根據(jù)所述每個(gè)詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量生成所述目標(biāo)樣本文本對(duì)應(yīng)的二叉樹(shù)；其中，所述二叉樹(shù)的葉節(jié)點(diǎn)分別對(duì)應(yīng)所述每個(gè)詞語(yǔ)向量，所述二叉樹(shù)的根節(jié)點(diǎn)對(duì)應(yīng)所述目標(biāo)文本的文本向量；根據(jù)所述詞語(yǔ)向量通過(guò)所述二叉樹(shù)獲取所述目標(biāo)樣本文本的文本向量。

可選地，所述處理子模塊，用于所述處理子模塊，用于獲取每個(gè)詞語(yǔ)在所述目標(biāo)文本中的詞語(yǔ)順序；根據(jù)所述詞語(yǔ)順序確定所述目標(biāo)文本中第一個(gè)詞語(yǔ)對(duì)應(yīng)的第一節(jié)點(diǎn)和第二個(gè)詞語(yǔ)對(duì)應(yīng)的第二節(jié)點(diǎn)，并建立所述第一節(jié)點(diǎn)和所述第二節(jié)點(diǎn)的第一父節(jié)點(diǎn)；確定第三個(gè)詞語(yǔ)對(duì)應(yīng)的第三節(jié)點(diǎn)，并建立所述第三節(jié)點(diǎn)與所述第一父節(jié)點(diǎn)的第二父節(jié)點(diǎn)，繼續(xù)按照所述詞語(yǔ)順序確定第四個(gè)詞語(yǔ)對(duì)應(yīng)的第四節(jié)點(diǎn)，并建立所述第四節(jié)點(diǎn)與所述第二父節(jié)點(diǎn)的第三父節(jié)點(diǎn)，直至按照所述詞語(yǔ)順序確定出最后一個(gè)詞語(yǔ)對(duì)應(yīng)的節(jié)點(diǎn)的父節(jié)點(diǎn)，得到所述二叉樹(shù)。

可選地，所述處理子模塊，用于根據(jù)每個(gè)詞語(yǔ)的詞性確定所述二叉樹(shù)中每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的組合詞性；獲取每個(gè)組合詞性對(duì)應(yīng)的第一分類權(quán)重，并將所述第一分類權(quán)重中相同詞性的組合詞性對(duì)應(yīng)的第一分類權(quán)重相加，得到第二分類權(quán)重；根據(jù)所述詞語(yǔ)向量和所述每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的組合詞性以及所述第二分類權(quán)重，從所述二叉樹(shù)的最底層依次向上計(jì)算所述二叉樹(shù)每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的組合向量，直至得到所述根節(jié)點(diǎn)對(duì)應(yīng)的文本向量。

可選地，所述處理子模塊，用于確定每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的誤差值，并根據(jù)所述誤差值按照以下公式計(jì)算得到每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的第一分類權(quán)重：

其中，wi為第i個(gè)父節(jié)點(diǎn)的第一分類權(quán)重，e(θ)為預(yù)設(shè)目標(biāo)函數(shù)，m為第i個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的一個(gè)子節(jié)點(diǎn)和第i個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的另一個(gè)子節(jié)點(diǎn)的詞語(yǔ)向量組合得到的詞組向量，δⁱ為第i個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的誤差值，θ為該目標(biāo)樣本文本中每個(gè)組合詞性對(duì)應(yīng)的第一分類權(quán)重。

通過(guò)上述技術(shù)方案，獲取分類樣本集，該分類樣本集包括多個(gè)樣本文本；對(duì)每個(gè)樣本文本進(jìn)行分詞處理得到多個(gè)詞語(yǔ)，并獲取該每個(gè)詞語(yǔ)的詞性信息；根據(jù)該多個(gè)詞語(yǔ)和每個(gè)詞語(yǔ)對(duì)應(yīng)的詞性信息建立神經(jīng)網(wǎng)絡(luò)分類模型；將待分類的文本作為該神經(jīng)網(wǎng)絡(luò)分類模型的輸入，得到該待分類的文本的類型。這樣，在樣本文本原有詞語(yǔ)的基礎(chǔ)上進(jìn)一步考慮詞語(yǔ)的詞性信息，將詞性信息融入神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練中得到神經(jīng)網(wǎng)絡(luò)分類模型，并通過(guò)得到的神經(jīng)網(wǎng)絡(luò)分類模型對(duì)待分類的文本進(jìn)行分類，從而在后續(xù)對(duì)待分類的文本進(jìn)行分類時(shí)，能夠得到準(zhǔn)確的分類結(jié)果。

本公開(kāi)的其他特征和優(yōu)點(diǎn)將在隨后的具體實(shí)施方式部分予以詳細(xì)說(shuō)明。

附圖說(shuō)明

附圖是用來(lái)提供對(duì)本公開(kāi)的進(jìn)一步理解，并且構(gòu)成說(shuō)明書(shū)的一部分，與下面的具體實(shí)施方式一起用于解釋本公開(kāi)，但并不構(gòu)成對(duì)本公開(kāi)的限制。在附圖中：

圖1是本發(fā)明實(shí)施例提供的一種文本分類的方法的流程示意圖；

圖2是本發(fā)明實(shí)施例提供的一種二叉樹(shù)的示意圖；

圖3是本發(fā)明實(shí)施例提供的一種文本分類的裝置的結(jié)構(gòu)示意圖；

圖4是本發(fā)明實(shí)施例提供的另一種文本分類的裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

以下結(jié)合附圖對(duì)本公開(kāi)的具體實(shí)施方式進(jìn)行詳細(xì)說(shuō)明。應(yīng)當(dāng)理解的是，此處所描述的具體實(shí)施方式僅用于說(shuō)明和解釋本公開(kāi)，并不用于限制本公開(kāi)。

本發(fā)明公開(kāi)了一種文本分類的方法和裝置，該方法在樣本文本原有詞語(yǔ)的基礎(chǔ)上進(jìn)一步考慮詞語(yǔ)的詞性信息，將詞性信息融入神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練中得到神經(jīng)網(wǎng)絡(luò)分類模型，并通過(guò)得到的神經(jīng)網(wǎng)絡(luò)分類模型對(duì)待分類的文本進(jìn)行分類，從而在后續(xù)對(duì)待分類的文本進(jìn)行分類時(shí)，能夠得到準(zhǔn)確的分類結(jié)果。

下面結(jié)合具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。

圖1為本發(fā)明實(shí)施例提供的一種文本分類的方法，如圖1所示，包括：

s101、獲取多個(gè)樣本文本。

s102、對(duì)每個(gè)樣本文本進(jìn)行分詞處理得到多個(gè)詞語(yǔ)，并獲取每個(gè)詞語(yǔ)的詞性信息。

其中，該詞性信息可以包括名詞、動(dòng)詞或者助詞等詞性信息。

在本步驟中，分詞處理可以包括多種方法，如字符匹配的方法，這種方法又叫做機(jī)械分詞方法，它是按照預(yù)設(shè)策略將待分析的文本與一個(gè)預(yù)設(shè)詞典中的詞條進(jìn)行匹配，若在詞典中找到某個(gè)詞條，則匹配成功，從而識(shí)別出一個(gè)詞語(yǔ)。

需要說(shuō)明的是，由于一些詞語(yǔ)如“啊”“噢”“嘛”“的”等停用詞，并無(wú)實(shí)際的意義，只是表示語(yǔ)氣，如果將這些詞也加入到后續(xù)的模型訓(xùn)練中，會(huì)造成計(jì)算復(fù)雜度過(guò)大的問(wèn)題，從而占用較多的數(shù)據(jù)處理資源。因此，為了解決該問(wèn)題，在本發(fā)明另一實(shí)施例中，在對(duì)每個(gè)樣本文本進(jìn)行分詞處理得到多個(gè)詞語(yǔ)后，可以將停用詞去除，在一種可能的實(shí)現(xiàn)方式中，在得到分詞處理后的詞語(yǔ)后，可以確定預(yù)設(shè)停用詞詞典中是否包括得到的詞語(yǔ)，若包括該詞語(yǔ)，則去掉該詞語(yǔ)。這樣，能夠?qū)](méi)有實(shí)際意義的詞語(yǔ)去掉，從而在保證分類結(jié)果準(zhǔn)確性的情況下，減少后續(xù)模型訓(xùn)練過(guò)程中的計(jì)算復(fù)雜度。

在得到該多個(gè)詞語(yǔ)后，即可根據(jù)預(yù)設(shè)的詞性數(shù)據(jù)庫(kù)確定該多個(gè)詞語(yǔ)的詞性信息，該詞性數(shù)據(jù)庫(kù)包括預(yù)先建立的詞語(yǔ)與詞性的對(duì)應(yīng)關(guān)系。

s103、根據(jù)該多個(gè)詞語(yǔ)和每個(gè)詞語(yǔ)對(duì)應(yīng)的詞性信息建立神經(jīng)網(wǎng)絡(luò)分類模型。

在一種可能的實(shí)現(xiàn)方式中，本步驟可以按照預(yù)設(shè)處理方式對(duì)該分類樣本集中的每個(gè)樣本文本進(jìn)行處理得到該每個(gè)樣本文本的文本向量，并根據(jù)每個(gè)樣本文本的文本向量建立神經(jīng)網(wǎng)絡(luò)分類模型。

示例地，該預(yù)設(shè)處理方式可以包括以下步驟：

s1、根據(jù)目標(biāo)樣本文本的每個(gè)詞語(yǔ)和對(duì)應(yīng)的詞性信息生成該目標(biāo)樣本文本的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量。

其中，該目標(biāo)樣本文本為該多個(gè)樣本文本中的任一樣本文本。

在本步驟中，可以將詞語(yǔ)的詞性向量追加在該詞語(yǔ)的詞向量的后面得到詞語(yǔ)向量。

s2、根據(jù)該每個(gè)詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量生成該目標(biāo)樣本文本對(duì)應(yīng)的二叉樹(shù)。

其中，該二叉樹(shù)的葉節(jié)點(diǎn)分別對(duì)應(yīng)該每個(gè)詞語(yǔ)向量，該二叉樹(shù)的根節(jié)點(diǎn)對(duì)應(yīng)該目標(biāo)文本的文本向量。

在本步驟中，可以獲取每個(gè)詞語(yǔ)在該目標(biāo)文本中的詞語(yǔ)順序，并根據(jù)該詞語(yǔ)順序確定該目標(biāo)文本中第一個(gè)詞語(yǔ)對(duì)應(yīng)的第一節(jié)點(diǎn)和第二個(gè)詞語(yǔ)對(duì)應(yīng)的第二節(jié)點(diǎn)，并建立該第一節(jié)點(diǎn)和該第二節(jié)點(diǎn)的第一父節(jié)點(diǎn)；確定第三個(gè)詞語(yǔ)對(duì)應(yīng)的第三節(jié)點(diǎn)，并建立該第三節(jié)點(diǎn)與該第一父節(jié)點(diǎn)的第二父節(jié)點(diǎn)，繼續(xù)按照該詞語(yǔ)順序確定第四個(gè)詞語(yǔ)對(duì)應(yīng)的第四節(jié)點(diǎn)，并建立該第四節(jié)點(diǎn)與該第二父節(jié)點(diǎn)的第三父節(jié)點(diǎn)，直至按照該詞語(yǔ)順序確定出最后一個(gè)詞語(yǔ)對(duì)應(yīng)的節(jié)點(diǎn)的父節(jié)點(diǎn)，得到該二叉樹(shù)。

示例地，結(jié)合圖2對(duì)該二叉樹(shù)的建立進(jìn)行說(shuō)明，如圖2所示，以目標(biāo)樣本文本“經(jīng)典哲學(xué)有嗎”為例進(jìn)行說(shuō)明，若該目標(biāo)樣本文本經(jīng)過(guò)步驟s102中的分詞處理后得到的分詞結(jié)果為“經(jīng)典”、“哲學(xué)”、“有”、“嗎”四個(gè)詞語(yǔ)，則將這四個(gè)詞語(yǔ)依次作為二叉樹(shù)的葉節(jié)點(diǎn)，如圖2中的葉節(jié)點(diǎn)分別從左至右依次對(duì)應(yīng)“經(jīng)典”、“哲學(xué)”、“有”、“嗎”，并建立詞語(yǔ)“經(jīng)典”對(duì)應(yīng)的節(jié)點(diǎn)和詞語(yǔ)“哲學(xué)”對(duì)應(yīng)的節(jié)點(diǎn)的第一父節(jié)點(diǎn)，建立第一父節(jié)點(diǎn)和詞語(yǔ)“有”對(duì)應(yīng)的節(jié)點(diǎn)的第二父節(jié)點(diǎn)，并繼續(xù)建立第二父節(jié)點(diǎn)和詞語(yǔ)“嗎”對(duì)應(yīng)的節(jié)點(diǎn)的第三父節(jié)點(diǎn)，則該第三父節(jié)點(diǎn)即為該二叉樹(shù)的根節(jié)點(diǎn)，從而得到該二叉樹(shù)。

s3、根據(jù)該詞語(yǔ)向量通過(guò)該二叉樹(shù)獲取該目標(biāo)樣本文本的文本向量。

在本步驟中，可以通過(guò)以下方式得到該目標(biāo)樣本文本的文本向量：

首先，根據(jù)每個(gè)詞語(yǔ)的詞性確定該二叉樹(shù)中每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的組合詞性。

其中，每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的詞組的詞性信息可以與該詞組最后一個(gè)詞語(yǔ)的詞性信息相同，因此，根據(jù)詞語(yǔ)的詞性即可得到每個(gè)父節(jié)點(diǎn)的組合詞性。

示例地，繼續(xù)以圖2為例進(jìn)行說(shuō)明，“經(jīng)典”、“哲學(xué)”、“有”、“嗎”四個(gè)詞語(yǔ)的詞性信息分別為：“經(jīng)典”為名詞(n)，“哲學(xué)”為名詞，“有”為動(dòng)詞(v)，“嗎”為助詞(w)，則第一父節(jié)點(diǎn)相當(dāng)于對(duì)應(yīng)詞組“經(jīng)典哲學(xué)”，且該詞組的組合詞性與詞語(yǔ)“哲學(xué)”的詞性信息相同，為名詞；該第二父節(jié)點(diǎn)相當(dāng)于對(duì)應(yīng)詞組“經(jīng)典哲學(xué)有”，且該詞組的組合詞性與詞語(yǔ)“有”的詞性信息相同，為動(dòng)詞；該根節(jié)點(diǎn)相當(dāng)于對(duì)應(yīng)詞組“經(jīng)典哲學(xué)有嗎”，且該詞組的組合詞性與詞語(yǔ)“嗎”的詞性信息相同，為助詞，從而得到每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的組合詞性。

其次，獲取每個(gè)組合詞性對(duì)應(yīng)的第一分類權(quán)重，并將該第一分類權(quán)重中相同詞性的組合詞性對(duì)應(yīng)的第一分類權(quán)重相加，得到第二分類權(quán)重。

在一種可能的實(shí)現(xiàn)方式中，可以通過(guò)以下方式獲取該第一分類權(quán)重：

獲取每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的誤差值，并根據(jù)該誤差值按照以下公式計(jì)算得到該每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的第一分類權(quán)重：

其中，wi為第i個(gè)父節(jié)點(diǎn)的分類權(quán)重，e(θ)為預(yù)設(shè)目標(biāo)函數(shù)，m為第i個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的一個(gè)子節(jié)點(diǎn)和第i個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的另一個(gè)子節(jié)點(diǎn)的詞語(yǔ)向量組合得到的詞組向量，δⁱ為第i個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的誤差值，θ為該目標(biāo)樣本文本中每個(gè)組合詞性對(duì)應(yīng)的第一分類權(quán)重。

這里，可以計(jì)算根節(jié)點(diǎn)的誤差值，以及下傳至該根節(jié)點(diǎn)的子節(jié)點(diǎn)的下傳誤差，并根據(jù)該下傳誤差得到該根節(jié)點(diǎn)的每個(gè)子節(jié)點(diǎn)對(duì)應(yīng)的誤差值，以此類推，從根節(jié)點(diǎn)開(kāi)始，沿著生成的二叉樹(shù)依次遍歷各個(gè)節(jié)點(diǎn)，即可得到每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的誤差值，由于每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的誤差值的計(jì)算與現(xiàn)有技術(shù)中相同，因此，此處不再贅述。

下面，繼續(xù)以圖2所示的二叉樹(shù)為例對(duì)第一分類權(quán)重的計(jì)算進(jìn)行說(shuō)明，為了方便說(shuō)明，可以將“經(jīng)典”對(duì)應(yīng)的詞語(yǔ)向量記為a，將“哲學(xué)”對(duì)應(yīng)的詞語(yǔ)向量記為b，將“有”對(duì)應(yīng)的詞語(yǔ)向量記為c，將“嗎”對(duì)應(yīng)的詞語(yǔ)向量記為d，則第一父節(jié)點(diǎn)對(duì)應(yīng)的詞語(yǔ)向量為a和b組合后的詞組向量m1，第二父節(jié)點(diǎn)對(duì)應(yīng)的詞語(yǔ)向量為m1和c組合后的詞組向量m2，根節(jié)點(diǎn)對(duì)應(yīng)的詞語(yǔ)向量為m2和d組合后的詞組向量ms。

其中，上述組合的詞組向量可以采用多種方式進(jìn)行組合，如將兩個(gè)詞組向量相加，或者按照詞語(yǔ)在目標(biāo)文本樣本中的順序，將順序靠后的詞語(yǔ)的詞向量追加在前一詞語(yǔ)或者詞組的向量的后面，以m1為例，若a為(10000)，b為(01000)，則可以將a和b相加得到m1(11000)，也可以將b追加至a的后面得到m1(1000001000)，當(dāng)然，還可以是其他組合方式，這里只是舉例說(shuō)明，本發(fā)明對(duì)此不作限定，m2和ms可以參照m1的組合方式，不再贅述，但是對(duì)于同一次計(jì)算，m1、m2和ms應(yīng)采用相同的組合方式。

對(duì)于圖2所示的二叉樹(shù)，在得到組合的詞組向量后，可以通過(guò)以下公式計(jì)算第一父節(jié)點(diǎn)對(duì)應(yīng)的第一分類權(quán)重，

其中，為第一父節(jié)點(diǎn)對(duì)應(yīng)的第一分類權(quán)重，e(θ)為預(yù)設(shè)目標(biāo)函數(shù)，m1為a和b組合得到的詞組向量，δ¹為第一父節(jié)點(diǎn)對(duì)應(yīng)的誤差值。

通過(guò)以下公式計(jì)算第二父節(jié)點(diǎn)對(duì)應(yīng)的第一分類權(quán)重，

其中，為第二父節(jié)點(diǎn)對(duì)應(yīng)的第一分類權(quán)重，e(θ)為預(yù)設(shè)目標(biāo)函數(shù)，m2為m1和c組合得到的詞組向量，δ²為第二父節(jié)點(diǎn)對(duì)應(yīng)的誤差值。

通過(guò)以下公式計(jì)算根節(jié)點(diǎn)對(duì)應(yīng)的第一分類權(quán)重，

其中，為根節(jié)點(diǎn)對(duì)應(yīng)的第一分類權(quán)重，e(θ)為預(yù)設(shè)目標(biāo)函數(shù)，ms為m2和d組合得到的詞組向量，δ³為根節(jié)點(diǎn)對(duì)應(yīng)的誤差值。

在一種可能的實(shí)現(xiàn)方式中，上述預(yù)設(shè)目標(biāo)函數(shù)e(θ)可以是：

其中，j表示多個(gè)樣本文本中的第j個(gè)樣本文本(在本實(shí)施例中可以為目標(biāo)樣本文本)，num為多個(gè)樣本文本的數(shù)量，t^r表示該第j個(gè)樣本文本的類型，y^r表示該第j個(gè)樣本文本的預(yù)測(cè)類型，該預(yù)測(cè)類型為根據(jù)每個(gè)父節(jié)點(diǎn)預(yù)設(shè)的初始權(quán)重得到的樣本文本的類型，該初始權(quán)重可以是一個(gè)非0的隨機(jī)數(shù)，γ為預(yù)設(shè)參數(shù)，θ表示第j個(gè)樣本文本中每個(gè)組合詞性對(duì)應(yīng)的第一分類權(quán)重。

這里，該預(yù)設(shè)目標(biāo)函數(shù)可以是通過(guò)樣本文本對(duì)該預(yù)設(shè)目標(biāo)函數(shù)訓(xùn)練后的函數(shù)，在訓(xùn)練過(guò)程中，使得該預(yù)測(cè)類型不斷趨于樣本文本的類型，預(yù)測(cè)類型越接近樣本文本的類型，對(duì)應(yīng)的第一分類權(quán)重越準(zhǔn)確。

在得到第一分類權(quán)重后，可以將相同詞性的組合詞性對(duì)應(yīng)的第一分類權(quán)重相加得到第二分類權(quán)重，從而得到不同組合詞性對(duì)應(yīng)的分類權(quán)重。

最后，根據(jù)該詞語(yǔ)向量和該每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的組合詞性以及該第二分類權(quán)重，從該二叉樹(shù)的最底層依次向上計(jì)算該二叉樹(shù)每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的組合向量，直至得到該根節(jié)點(diǎn)對(duì)應(yīng)的文本向量。

其中，在獲取到第二分類權(quán)重后，可以通過(guò)以下公式從該二叉樹(shù)的最底層依次向上計(jì)算組合向量p：

p＝f(w²m)

其中，w²為待計(jì)算的父節(jié)點(diǎn)對(duì)應(yīng)的第二分類權(quán)重，m為待計(jì)算的父節(jié)點(diǎn)對(duì)應(yīng)的詞組向量，f表示的函數(shù)可以是非線性函數(shù)，例如，f表示的函數(shù)可以為tanh。

示例地，對(duì)于圖2所示的二叉樹(shù)來(lái)說(shuō)，首先，通過(guò)以下公式得到第一父節(jié)點(diǎn)對(duì)應(yīng)的組合向量p1：

這里，由于m1的詞性為名詞，則即為名詞對(duì)應(yīng)的第二分類權(quán)重。

其次，通過(guò)以下公式得到第二父節(jié)點(diǎn)對(duì)應(yīng)的組合向量p2：

這里，由于m2的詞性為動(dòng)詞，則即為動(dòng)詞對(duì)應(yīng)的第二分類權(quán)重。

最后，通過(guò)以下公式得到根節(jié)點(diǎn)對(duì)應(yīng)的組合向量s(即文本向量)：

這里，由于ms的詞性為助詞，則即為助詞對(duì)應(yīng)的第二分類權(quán)重。

這樣，通過(guò)上述步驟s1至步驟s3即可得到獲取的每個(gè)樣本文本的文本向量，在得到每個(gè)樣本文本的文本向量后，可以根據(jù)得到的文本向量通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到神經(jīng)網(wǎng)絡(luò)分類模型，在一種可能的實(shí)現(xiàn)方式中，可以獲取預(yù)設(shè)分類權(quán)重矩陣，并根據(jù)該預(yù)設(shè)分類權(quán)重矩陣通過(guò)softmax函數(shù)得到該神經(jīng)網(wǎng)絡(luò)分類模型。

例如，通過(guò)以下函數(shù)得到該神經(jīng)網(wǎng)絡(luò)分類模型y：

y＝softmax(w^ss)

其中，s為文本樣本對(duì)應(yīng)的文本向量，w^s為該預(yù)設(shè)分類權(quán)重矩陣。該預(yù)設(shè)分類權(quán)重矩陣包括不同詞組和詞性屬于每個(gè)類別的概率。

s104、將待分類的文本作為該神經(jīng)網(wǎng)絡(luò)分類模型的輸入，得到該待分類的文本的類型。

在本步驟中，在得到該待分類的文本后，可以通過(guò)上述步驟s1至步驟s3獲取該待分類文本的文本向量，并將該文本向量作為上述神經(jīng)網(wǎng)絡(luò)分類模型的輸入，從而得到該待分類的文本的類型。

示例地，在對(duì)一則新聞進(jìn)行分類時(shí)，可以通過(guò)上述步驟s1至步驟s3獲取該新聞中的每句話(相當(dāng)于待分類的文本)的文本向量，并將該文本向量作為該神經(jīng)網(wǎng)絡(luò)分類模型的輸入，并確定每個(gè)文本對(duì)應(yīng)的類型，并確定數(shù)量最多的類型為該新聞的類型，例如，若該新聞數(shù)量最多的文本的類型為社會(huì)類，則確定該新聞的類型為社會(huì)類，若該新聞數(shù)量最多的文本的類型為娛樂(lè)類，則確定該新聞的類型為娛樂(lè)類，若該新聞數(shù)量最多的文本的類型為體育類，則確定該新聞的類型為體育類。

采用上述方法，在樣本文本原有詞語(yǔ)的基礎(chǔ)上進(jìn)一步考慮詞語(yǔ)的詞性信息，將詞性信息融入神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練中得到神經(jīng)網(wǎng)絡(luò)分類模型，并通過(guò)得到的神經(jīng)網(wǎng)絡(luò)分類模型對(duì)待分類的文本進(jìn)行分類，從而在后續(xù)對(duì)待分類的文本進(jìn)行分類時(shí)，能夠得到準(zhǔn)確的分類結(jié)果。

圖3為本發(fā)明實(shí)施例提供的一種文本分類的裝置，如圖3所示，包括：

獲取模塊301，用于獲取多個(gè)樣本文本；

處理模塊302，用于對(duì)每個(gè)樣本文本進(jìn)行分詞處理得到多個(gè)詞語(yǔ)，并獲取每個(gè)該詞語(yǔ)的詞性信息；

模型建立模塊303，用于根據(jù)該多個(gè)詞語(yǔ)和每個(gè)詞語(yǔ)對(duì)應(yīng)的詞性信息建立神經(jīng)網(wǎng)絡(luò)分類模型；

分類模塊304，用于將待分類的文本作為該神經(jīng)網(wǎng)絡(luò)分類模型的輸入，得到該待分類的文本的類型。

可選地，如圖4所示，該模型建立模塊303，包括：

處理子模塊3031，用于按照預(yù)設(shè)處理方式對(duì)該分類樣本集中的每個(gè)樣本文本進(jìn)行處理得到該每個(gè)樣本文本的文本向量；

模型建立子模塊3032，用于根據(jù)每個(gè)樣本文本的文本向量建立神經(jīng)網(wǎng)絡(luò)分類模型；

其中，該預(yù)設(shè)處理方式包括：

根據(jù)目標(biāo)樣本文本的每個(gè)詞語(yǔ)和對(duì)應(yīng)的詞性信息生成該目標(biāo)樣本文本的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量；其中，該目標(biāo)樣本文本為該分類樣本集中的任一樣本文本；

根據(jù)該每個(gè)詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量生成該目標(biāo)樣本文本對(duì)應(yīng)的二叉樹(shù)；其中，該二叉樹(shù)的葉節(jié)點(diǎn)分別對(duì)應(yīng)該每個(gè)詞語(yǔ)向量，該二叉樹(shù)的根節(jié)點(diǎn)對(duì)應(yīng)該目標(biāo)文本的文本向量；

根據(jù)該詞語(yǔ)向量通過(guò)該二叉樹(shù)獲取該目標(biāo)樣本文本的文本向量。

可選地，該處理子模塊3031，用于獲取每個(gè)詞語(yǔ)在該目標(biāo)文本中的詞語(yǔ)順序；根據(jù)該詞語(yǔ)順序確定該目標(biāo)文本中第一個(gè)詞語(yǔ)對(duì)應(yīng)的第一節(jié)點(diǎn)和第二個(gè)詞語(yǔ)對(duì)應(yīng)的第二節(jié)點(diǎn)，并建立該第一節(jié)點(diǎn)和該第二節(jié)點(diǎn)的第一父節(jié)點(diǎn)；確定第三個(gè)詞語(yǔ)對(duì)應(yīng)的第三節(jié)點(diǎn)，并建立該第三節(jié)點(diǎn)與該第一父節(jié)點(diǎn)的第二父節(jié)點(diǎn)，繼續(xù)按照該詞語(yǔ)順序確定第四個(gè)詞語(yǔ)對(duì)應(yīng)的第四節(jié)點(diǎn)，并建立該第四節(jié)點(diǎn)與該第二父節(jié)點(diǎn)的第三父節(jié)點(diǎn)，直至按照該詞語(yǔ)順序確定出最后一個(gè)詞語(yǔ)對(duì)應(yīng)的節(jié)點(diǎn)的父節(jié)點(diǎn)，得到該二叉樹(shù)。

可選地，該處理子模塊3031，用于根據(jù)每個(gè)詞語(yǔ)的詞性確定該二叉樹(shù)中每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的組合詞性；獲取每個(gè)組合詞性對(duì)應(yīng)的第一分類權(quán)重，并將該第一分類權(quán)重中相同詞性的組合詞性對(duì)應(yīng)的第一分類權(quán)重相加，得到第二分類權(quán)重；根據(jù)該詞語(yǔ)向量和該每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的組合詞性以及該第二分類權(quán)重，從該二叉樹(shù)的最底層依次向上計(jì)算該二叉樹(shù)每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的組合向量，直至得到該根節(jié)點(diǎn)對(duì)應(yīng)的文本向量。

可選地，該處理子模塊3031，用于確定每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的誤差值，并根據(jù)該誤差值按照以下公式計(jì)算得到每個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的第一分類權(quán)重：

其中，wi為第i個(gè)父節(jié)點(diǎn)的第一分類權(quán)重，e(θ)為預(yù)設(shè)目標(biāo)函數(shù)，m為第i個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的一個(gè)子節(jié)點(diǎn)和第i個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的另一個(gè)子節(jié)點(diǎn)的詞語(yǔ)向量組合得到的詞組向量，δⁱ為第i個(gè)父節(jié)點(diǎn)對(duì)應(yīng)的誤差值，θ為該目標(biāo)樣本文本中每個(gè)組合詞性對(duì)應(yīng)的第一分類權(quán)重。

需要說(shuō)明的是，所屬本領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡(jiǎn)潔，上述描述的系統(tǒng)，裝置和單元的具體工作過(guò)程和描述，可以參考前述方法實(shí)施例中的對(duì)應(yīng)過(guò)程，在此不再贅述。

采用上述裝置，在樣本文本原有詞語(yǔ)的基礎(chǔ)上進(jìn)一步考慮詞語(yǔ)的詞性信息，將詞性信息融入神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練中得到神經(jīng)網(wǎng)絡(luò)分類模型，并通過(guò)得到的神經(jīng)網(wǎng)絡(luò)分類模型對(duì)待分類的文本進(jìn)行分類，從而在后續(xù)對(duì)待分類的文本進(jìn)行分類時(shí)，能夠得到準(zhǔn)確的分類結(jié)果。

以上結(jié)合附圖詳細(xì)描述了本公開(kāi)的優(yōu)選實(shí)施方式，但是，本公開(kāi)并不限于上述實(shí)施方式中的具體細(xì)節(jié)，在本公開(kāi)的技術(shù)構(gòu)思范圍內(nèi)，可以對(duì)本公開(kāi)的技術(shù)方案進(jìn)行多種簡(jiǎn)單變型，這些簡(jiǎn)單變型均屬于本公開(kāi)的保護(hù)范圍。

另外需要說(shuō)明的是，在上述具體實(shí)施方式中所描述的各個(gè)具體技術(shù)特征，在不矛盾的情況下，可以通過(guò)任何合適的方式進(jìn)行組合，為了避免不必要的重復(fù)，本公開(kāi)對(duì)各種可能的組合方式不再另行說(shuō)明。

此外，本公開(kāi)的各種不同的實(shí)施方式之間也可以進(jìn)行任意組合，只要其不違背本公開(kāi)的思想，其同樣應(yīng)當(dāng)視為本公開(kāi)所公開(kāi)的內(nèi)容。