文本分类及模型训练的方法、装置、设备以及存储介质与流程

1.本公开涉及计算机技术领域，尤其涉及智能搜索、大数据及深度学习等领域。


背景技术：

2.用户query(查询词)分类在搜索引擎和广告推荐等领域起着至关重要的作用。精准识别用户query类别，不仅能够更好地满足用户需求和体验，而且能够提升广告点击率与转化率等商业收益。


技术实现要素：

3.本公开提供了一种文本分类及模型训练的方法、装置、设备以及存储介质。
4.根据本公开的第一方面，提供了一种文本分类方法，包括：
5.获取待分类文本；
6.将所述待分类文本输入预先训练好的深度学习模型，通过所述深度学习模型得到所述待分类文本的分类结果，所述分类结果包括至少一个类别标签组成的序列，所述深度学习模型是基于多个训练样本分别对应的权重信息训练得到的，针对一训练样本，所述权重信息包括所述训练样本的多个样本标签之间的局部注意力权重和所述训练样本和各个样本标签的互注意力权重。
7.根据本公开的第二方面，提供了一种用于文本分类的深度学习模型的训练方法，包括：
8.获取多个训练文本和各个训练文本的样本标签；
9.针对各个训练文本，将所述训练文本和所述样本标签输入初始模型；
10.通过所述初始模型，确定所述训练样本的多个样本标签之间的局部注意力权重和所述训练样本和各个样本标签的互注意力权重；
11.基于各个训练样本的所述局部注意力权重和所述互注意力权重，训练所述初始模型，得到训练好的深度学习模型。
12.根据本公开的第三方面，提供了一种文本分类装置，包括：
13.第一获取模块，用于获取待分类文本；
14.第一输入模块，用于将所述待分类文本输入预先训练好的深度学习模型；
15.结果获取模块，用于通过所述深度学习模型得到所述待分类文本的分类结果，所述分类结果包括至少一个类别标签组成的序列，所述深度学习模型是基于多个训练样本分别对应的权重信息训练得到的，针对一训练样本，所述权重信息包括所述训练样本的多个样本标签之间的局部注意力权重和所述训练样本和各个样本标签的互注意力权重。
16.根据本公开的第四方面，提供了一种用于文本分类的深度学习模型的训练装置，包括：
17.第二获取模块，用于获取多个训练文本和各个训练文本的样本标签；
18.第二输入模块，用于针对各个训练文本，将所述训练文本和所述样本标签输入初
始模型；
19.确定模块，用于通过所述初始模型，确定所述训练样本的多个样本标签之间的局部注意力权重和所述训练样本和各个样本标签的互注意力权重；
20.训练模块，用于基于各个训练样本的所述局部注意力权重和所述互注意力权重，训练所述初始模型，得到训练好的深度学习模型。
21.根据本公开的第五方面，提供了一种电子设备，包括：
22.至少一个处理器；以及
23.与所述至少一个处理器通信连接的存储器；其中，
24.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第一方面所述的方法。
25.根据本公开的第六方面，提供了一种电子设备，包括：
26.至少一个处理器；以及
27.与所述至少一个处理器通信连接的存储器；其中，
28.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第二方面所述的方法。
29.根据本公开的第七方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据第一方面所述的方法。
30.根据本公开的第八方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据第二方面所述的方法。
31.根据本公开的第九方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据第一方面所述的方法。
32.根据本公开的第十方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据第一方面所述的方法。
33.本公开提供的文本分类及模型训练方法、装置、电子设备、可读存储介质和计算机程序产品，能够提升分类的精度。
34.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
35.附图用于更好地理解本方案，不构成对本公开的限定。其中：
36.图1是根据本公开第一实施例的文本分类方法的流程图；
37.图2是根据本公开第二实施例的文本分类方法的流程图；
38.图3是根据本公开第三实施例的训练用于文本分类的深度学习模型的流程图；
39.图4是根据本公开第四实施例的用于文本分类的深度学习模型的结构示意图；
40.图5是根据本公开第五实施例的文本分类装置的结构示意图；
41.图6是根据本公开第六实施例的用于文本分类的深度学习模型的训练装置的结构示意图；
42.图7是用来实现本公开实施例的文本分类方法的电子设备的框图；
43.图8是用来实现本公开实施例的用于文本分类的深度学习模型的训练方法的电子
设备的框图。
具体实施方式
44.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
45.不同于传统的二分类或多分类问题(即一条数据只有一个标签，但这个标签可能有两种或多种类别)，用户query分类是典型的多标签文本分类问题，即用户query分类的类别可以属于多个类别标签。多标签文本分类问题的难点在于：类别标签数量不确定，有些样本可能只有一个类标，有些样本的类标可能高达几十甚至上百个。此外，有些类标之间相互依赖，如何解决类标之间的依赖性问题也是一大难点。
46.多标签文本分类依据解决问题的角度，可以分为两大类：一是基于问题转化的方法，二是基于算法适用的方法。基于问题转化的方法是转化问题数据，使之使用已有算法；基于算法适用的方法是指针对某一特定的算法进行扩展，从而能够处理多标签数据。
47.(1)基于问题转化的方法：即将多标签问题转化为l个二分类问题。训练l个模型，每个模型处理一个类别，这样做的好处是可以并行训练l个模型，降低训练复杂度，而且可以方便的增删标签数量。最终只需要把结果合并成一个输出向量就可以了。
48.但是，这种方式的缺点是显而易见的，比如说需要同时维护l个模型；而且由于分开训练l个模型，所以忽视了类别标签之间的相关性。当数据集出现类别不均衡等现象时，效果也会变差。
49.(2)基于算法适用的方法：即改进算法来直接执行多标签分类。在传统机器学习模型中常见的多标签分类模型有：k近邻(k nearest neighbors，knn)多标签版本mlknn(多标记分类器)，支持向量机(support vector machine，svm)的多标签版本rank(排名)
‑
svm等，在深度学习中常常是修改多分类模型的输出层，使其适用于多标签的分类。
50.但这种方式大都是只用了深度学习模型的堆砌，比如说cnn，rnn然后再加上模型融合和数据增强的一些手段，很少考虑利用标签之间的关系等信息。
51.本公开实施例提供了一种新的基于深度学习模型的多标签query分类方法。将多标签query分类理解成序列生成任务，并提出transformer(变换)+seq2seq(sequence to sequence，序列转序列)+attention(注意力机制)结构完成多标签的生成。提出采用局部注意力机制(local attention)建模标签之间的相互关系和影响力，并提出互注意力机制(co
‑
attention)实现query文本和类别标签的信息交互。另外，在生成多标签输出序列时，提出diverse beam search提升生成标签的质量与多样性。本公开实施例提供的文本分类方法提升了多标签query分类的精度，可用于大规模多标签query分类，文本分类等工业界应用。
52.下面对本公开实施例提供的文本分类方法进行详细说明。
53.参照图1，本公开实施例提供了一种文本分类方法，可以包括：
54.s101，获取待分类文本。
55.s102，将待分类文本输入预先训练好的深度学习模型，通过深度学习模型得到待
分类文本的分类结果，分类结果包括至少一个类别标签组成的序列，深度学习模型是基于多个训练样本分别对应的权重信息训练得到的，针对一训练样本，权重信息包括训练样本的多个样本标签之间的局部注意力权重和训练样本和各个样本标签的互注意力权重。
56.在识别文本类别，如查询内容类别的过程中，考虑查询内容中不同类别标签之间的依赖性，能够提升分类的精度。具体地，预先训练模型，在模型训练过程中引入局部注意力机制建模类别标签之间的相互关系和影响力，引入互注意力机制实现query文本和类别标签的信息交互，即模型训练过程计算多个样本标签之间的局部注意力权重和训练样本和各个样本标签的互注意力权重，通过这些权重信息训练模型。如此，在深度学习模型训练好之后，将待分类文本输入该深度学习模型即可得到待分类文本的分类结果，因为该深度学习模型是考虑样本标签之间的局部注意力权重和训练样本和各个样本标签的互注意力权重而训练得到的，因此使用该深度学习模型输出待分类文本的分类结果过程中考虑类别标签之间的局部注意力权重和待分类文本和类别标签的互注意力权重，如此，能够提高输出的类别标签的精度。
57.参照图1，本公开实施提供的文本分类方法可以包括：
58.s101，获取待分类文本。
59.待分类文本可以包括用户query。
60.s102，将待分类文本输入预先训练好的深度学习模型，通过深度学习模型得到待分类文本的分类结果，分类结果包括至少一个类别标签组成的序列，深度学习模型是基于多个训练样本分别对应的权重信息训练得到的，针对一训练样本，权重信息包括训练样本的多个样本标签之间的局部注意力权重和训练样本和各个样本标签的互注意力权重。
61.如输入query x，label a和label b这两个标签组合在一起后的结果为ab，它可以被当成一个输出序列或句子，每一个token是一个类别标签，不同类别标签可以通过标点符号<sep>分割开，如输出(a，b)。可以将多标签query分类理解成标签生成任务或序列生成任务，每个类别标签理解为一个token，多个类别标签组合理解为一个输出序列或句子。
62.一种可实现方式中，当进行多标签生成时，进行softmax解码即可，即(下标t表示在t时刻)
63.p(y
t
|y
＜t
,x)＝softmax(y
＜t
,h
t
,c
it
,β
it
)
64.p(y
t
|y
＜t
,x)为给定x和<t时刻标签序列y
＜t
，生成t时刻标签序列y
t
的条件概率，c
it
表示多个标签序列之间的注意力权重；β
it
表示文本序列分别与标签序列的注意力权重，h
t
表示模型参数。
65.一种可选的实现方式中，s102：通过深度学习模型得到待分类文本的分类结果，如图2所示，可以包括：
66.s201，通过深度学习模型得到待分类文本的多个类别标签和各个类别标签的概率。
67.针对一类别标签，该类别标签的概率表示待分类文本生成该类别标签的概率。
68.s202，将多个类别标签划分组别。
69.s203，针对其中一个组别，以概率最大化为解码目标，确定一个组别中的目标类别标签。
70.例如，可以按照概率从高到低或者从低到高的顺序对该一个组别中的类别标签进
行排序，若按照概率从高到低的顺序进行排序，可以选择排序在前的预设个类别标签作为该组别的目标类别标签；若按照从低到高的顺讯进行排序，则可以选择排序在后的预设个类别标签作为该组别的目标类别标签。
71.s204，针对各个其他组别，计算其他组别中各个类别标签与除其他组别之外的组别中类别标签的相似度，选择其他类别中与除其他组别之外的组别中类别标签的小于预设相似度阈值的类别标签，作为其他组别的目标类别标签。
72.beam search的思路就是每次都选择概率最大的k个标签(beam size)作为输出，并在下一时刻传入长短期记忆网络(long short
‑
term memory，lstm)进行解码，以此类推。beam search是基于语言模型概率最大化的贪心搜索的剪枝优化算法，输出的多条结果是及其相似的，差异一般只出现在最后几个标签，甚至最后一个标签。
73.其中，计算其他组别中各个类别标签与目标类别标签的相似度，可以通过计算其他组别中各个类别标签与目标类别标签的汉明距离来实现。
74.汉明距离越小则说明越相似，计算该group，也即组别中每个类别标签与其它group中每个标签的平均值，取汉明距离最大的类别标签输出。
75.多个类别标签可以理解为beam size，将beam size划分为多个group，也即组别，每个group的大小(size)为beam size中类别标签的个数和group的个数的商，如beam_size(beam size中类别标签的个数)/group_num(group的个数)。第一个group采取通用beam search解码过程，即以条件概率最大化为解码目标。第2
‑
n个group，以该group的解码结果与前面所有group解码结果的多样性最大化为解码目标，如可以采用汉明距离来作为计算多样性的函数，因为汉明距离计算简单，不会大幅降低解码效率，同时在beam search算法中也可以比较好地评估多样性。
76.s205，输出一个组别中的目标类别标签和各个其他组别中的目标类别标签。
77.相比较于beam search，本公开实施例生成多标签输出的方式可以理解为diverse beam search，即将多个标签划分为多个组别(group)，一个group采取通用beam search解码过程，即以条件概率最大化为解码目标。其他group，以该group的解码结果与前面所有group解码结果的多样性最大化为解码目标。计算其他组别中各个类别标签与除其他组别之外的组别中类别标签的相似度，选择其他类别中与除其他组别之外的组别中类别标签的小于预设相似度阈值的类别标签，作为其他组别的目标类别标签。如此，可以提升生成类别标签的质量与多样性。
78.本公开实施例还一种用于文本分类的深度学习模型的训练方法，如图3所示，可以包括：
79.s301，获取多个训练文本和各个训练文本的样本标签；
80.s302，针对各个训练文本，将训练文本和样本标签输入初始模型；
81.s303，通过初始模型，确定训练样本的多个样本标签之间的局部注意力权重和训练样本和各个样本标签的互注意力权重；
82.s304，基于各个训练样本的局部注意力权重和互注意力权重，训练初始模型，得到训练好的深度学习模型。
83.本公开实施例中，预先训练模型，在模型训练过程中引入局部注意力机制建模类别标签之间的相互关系和影响力，引入互注意力机制实现query文本和类别标签的信息交
互，即模型训练过程计算多个样本标签之间的局部注意力权重和训练样本和各个样本标签的互注意力权重，通过这些权重信息训练模型。如此，在深度学习模型训练好之后，可以将待分类文本输入该深度学习模型即可得到待分类文本的分类结果，因为该深度学习模型是考虑样本标签之间的局部注意力权重和训练样本和各个样本标签的互注意力权重而训练得到的，因此使用该深度学习模型输出待分类文本的分类结果过程中考虑类别标签之间的局部注意力权重和待分类文本和类别标签的互注意力权重，如此，能够提高输出的类别标签的精度。
84.上述实施例中，s303，通过初始模型，确定训练样本的多个样本标签之间的局部注意力权重和训练样本和各个样本标签的互注意力权重。
85.例如，query文本和标签经过transformer特征抽取后得到的词向量序列分别为q＝(q1,q2,
…
q
m
)，h＝(h1,h2,
…
h
n
)，其中m,n分别是q,h的长度。首先将query文本和标签中的词进行对齐，然后分别计算query文本相对于标签，或标签相对于query文本的注意力权重，对齐是使用q,h分别作为矩阵的行和列，用序列中的词构成一个m*n的矩阵z
mn
，z
mn
＝q
t
h对齐矩阵中的元素z
ij
，最后进行注意力计算。通过z
ij
，分别计算出q相对于h的注意力权重β
i
，以及h相对于q的注意力权重α
j
如下：
86.z
mn
＝q
t
h
[0087][0088][0089]
s304，基于各个训练样本的局部注意力权重和互注意力权重，训练初始模型，得到训练好的深度学习模型。
[0090]
具体地，通过初始模型分别提取训练样本的特征信息和各个样本标签的特征信息；对训练样本的特征信息和各个样本标签的特征信息进行编码，得到编码后训练样本特征信息和各个编码后样本标签特征信息。
[0091]
特征信息可以通过特征向量来表示。
[0092]
编码后训练样本特征信息是编码后的训练样本的特征信息，编码后样本标签特征信息是编码后的样本标签的特征信息。
[0093]
确定各个编码后样本标签特征信息之间的局部注意力权重和编码后训练样本特征信息分别与各个编码后样本标签特征信息的互注意力权重；基于各个训练样本的局部注意力权重和互注意力权重，调节模型参数，当满足预设训练结束条件时的模型参数作为训练好的初始模型的模型参数。
[0094]
相比较于直接对训练样本和样本标签计算局部注意力权重和互注意力权重，先提取特征信息，然后对特征信息进行编码，基于编码后的特征信息，建立样本标签之间的局部注意力权重以及训练样本标签与样本标签之间的互注意力权重，能够降低计算复杂度。
[0095]
模型目标函数可以写成带优化参数w
c
和w
β
的函数f(w
c
,w
β
)，其中β
i
(训练样本与样本标签的互注意力权重)的计算与w
β
相关，c
i
(样本标签之间的局部注意力权重)的计算与w
c
相关。通过训练，得到优化的参数w
c
和w
β
。
[0096]
例如输入query文本序列为x，y为标签序列。可以采用local attention的机制计算c
it
，即计算多个标签序列之间的注意力权重；同时采用互注意力机制计算β
it
(在实际过程中使用β
it
即可)，即计算文本序列分别与标签序列的注意力权重，进行模型的训练优化参数。
[0097]
例如，可以基于权重信息确定各个类别标签的概率，并依据概率预测输出的类别标签，将预测的类别标签与样本标签进行比对，不断调整模型参数，直至预测的类别标签与样本标签的差值收敛；针对多个训练样本进行类似的处理以调整模型参数，直至达到预设迭代结束条件，如模型的精度达到预设至，如0.01,0.1，等等，或者，迭代处理次数达到预设迭代次数，预设迭代次数可以根据实际情况确定。
[0098]
预先训练模型，在模型训练过程中引入局部注意力机制建模类别标签之间的相互关系和影响力，引入互注意力机制实现query文本和类别标签的信息交互，即模型训练过程计算多个样本标签之间的局部注意力权重和训练样本和各个样本标签的互注意力权重，通过这些权重信息训练模型。如此，在深度学习模型训练好之后，将待分类文本输入该深度学习模型即可得到待分类文本的分类结果，因为该深度学习模型是考虑样本标签之间的局部注意力权重和训练样本和各个样本标签的互注意力权重而训练得到的，因此使用该深度学习模型输出待分类文本的分类结果过程中考虑类别标签之间的局部注意力权重和待分类文本和类别标签的互注意力权重，如此，能够提高输出的类别标签的精度。
[0099]
如图4所示，本公开实施例训练的模型包含三个部分：feature extraction(特征抽取)、encoder(编码器)以及decoder(解码器)。其中，feature extraction(特征抽取)部分由transformer(例如bert)组成，仅作为提取文本特征的工具，下游任务由两个部分组成，分别是encoder和decoder。框架encoder(编码器)和decoder(解码器)采用seq2seq+attention结构，完成多标签的生成；其中，encoder部分由多层双向lstm(bi
‑
directional long short
‑
term memory，bilstm)构成，decoder部分由多层bilstm的局部注意力机制(local attention)和互注意力机制(co
‑
attention)组成。
[0100]
本公开中采用局部注意力机制(local attention)建模标签之间的相互关系和影响力，并采用互注意力机制(co
‑
attention)对编码后的query文本和类别标签分别相互计算注意力，不同于自注意力与单注意力，其目的在于获得query文本和类别标签之间的交互信息。
[0101]
目前存在两种attention方式：soft attention和hard attention。global attention属于soft attention，这种方法的缺点是每次decode时都要计算所有的向量，导致计算复杂度较高，其实有些source跟本次decode根本没有任何关系，所以计算他们之间的相似度有些多余；除此之外，当source序列较长时，这种方法的效果也会有所下降。而hard attention，每次仅选择一个相关的source进行计算，这种方法的缺点是不可微，没有办法进行反向传播，只能借助强化学习等手段进行训练。所以为了融合两种方法，本公开实施例中采用local attention的机制，每次只选择一部分source进行计算。这样既可以减少计算量，又可微，效果也更好。
[0102]
另外，本公开实施例还通过互注意力机制(co
‑
attention)对编码后的query文本和类别标签分别相互计算注意力。互注意力机制实现query文本和类别标签的信息交互，其
特点在于每个query文本同时被当做查询q和键x，和标签进行计算。在多标签文本分类任务中，互注意力机制比单方向的注意力权重计算更合适，其query文本和标签相互进行注意力权重计算。互注意力机制的目的是通过query文本和标签互注意力的计算获得其交互信息。首先将query文本和标签中的词进行对齐，然后分别计算query文本相对于标签的注意力权重，最后进行注意力计算，分别计算出query文本相对于标签的注意力权重，以及标签相对于query文本的注意力权重，得到词或词，或query文本与标签之间关系更紧密的部分。由于使用互注意力机制，相对于query文本本身的自注意力计算得到更多的交互信息，有助于多标签分类。
[0103]
transformer+seq2seq+attention(注意力机制)结构完成多标签的生成。提出采用局部注意力机制(local attention)建模标签之间的相互关系和影响力，并提出互注意力机制(co
‑
attention)实现query文本和类别标签的信息交互。
[0104]
对应于上述实施例提供的文本分类方法，本公开实施例还提供了一种文本分类装置，如图5所示，可以包括：
[0105]
第一获取模块501，用于获取待分类文本；
[0106]
第一输入模块502，用于将待分类文本输入预先训练好的深度学习模型；
[0107]
结果获取模块503，用于通过深度学习模型得到待分类文本的分类结果，分类结果包括至少一个类别标签组成的序列，深度学习模型是基于多个训练样本分别对应的权重信息训练得到的，针对一训练样本，权重信息包括训练样本的多个样本标签之间的局部注意力权重和训练样本和各个样本标签的互注意力权重。
[0108]
可选的，结果获取模块503，具体用于：通过深度学习模型得到待分类文本的多个类别标签和各个类别标签的概率；将多个类别标签划分组别；针对其中一个组别，以概率最大化为解码目标，确定一个组别中的目标类别标签；针对各个其他组别，计算其他组别中各个类别标签与除其他组别之外的组别中类别标签的相似度，选择其他类别中与除其他组别之外的组别中类别标签的小于预设相似度阈值的类别标签，作为其他组别的目标类别标签；输出一个组别中的目标类别标签和各个其他组别中的目标类别标签。
[0109]
本公开实施例提供的文本分类装置是应用上述文本分类方法的装置，则上述文本分类方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。
[0110]
对应于上述用于文本分类的深度学习模型的训练方法，本公开实施例还提供了一种用于文本分类的深度学习模型的训练装置，如图6所示，可以包括：
[0111]
第二获取模块601，用于获取多个训练文本和各个训练文本的样本标签；
[0112]
第二输入模块602，用于针对各个训练文本，将训练文本和样本标签输入初始模型；
[0113]
确定模块603，用于通过初始模型，确定训练样本的多个样本标签之间的局部注意力权重和训练样本和各个样本标签的互注意力权重；
[0114]
训练模块604，用于基于各个训练样本的局部注意力权重和互注意力权重，训练初始模型，得到训练好的深度学习模型。
[0115]
可选的，确定模块603，具体用于：通过初始模型分别提取训练样本的特征信息和各个样本标签的特征信息；对训练样本的特征信息和各个样本标签的特征信息进行编码，得到编码后训练样本特征信息和各个编码后样本标签特征信息，编码后训练样本特征信息
是编码后的训练样本的特征信息和，编码后样本标签特征信息是编码后的样本标签的特征信息；确定各个编码后样本标签特征信息之间的局部注意力权重和编码后训练样本特征信息分别与各个编码后样本标签特征信息的互注意力权重；
[0116]
训练模604，具体用于：基于各个训练样本的局部注意力权重和互注意力权重，调节模型参数，当满足预设训练结束条件时的模型参数作为训练好的初始模型的模型参数。
[0117]
本公开实施例提供的用于文本分类的深度学习模型的训练装置是应用上述用于文本分类的深度学习模型的训练方法的装置，则上述用于文本分类的深度学习模型的训练方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。
[0118]
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0119]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0120]
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0121]
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
[0122]
设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0123]
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如文本分类方法。例如，在一些实施例中，文本分类方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的文本分类方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文本分类方法。
[0124]
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字
助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0125]
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(rom)802中的计算机程序或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序，来执行各种适当的动作和处理。在ram 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
[0126]
设备800中的多个部件连接至i/o接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0127]
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如用于文本分类的深度学习模型的训练方法。例如，在一些实施例中，用于文本分类的深度学习模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由rom 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到ram 803并由计算单元801执行时，可以执行上文描述的用于文本分类的深度学习模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于文本分类的深度学习模型的训练方法。
[0128]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0129]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0130]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可
读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd
‑
rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0131]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0132]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0133]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0134]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0135]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。