本申请提供的一种分类模型确定方法、装置、设备及存储介质，通过获取至少两个类别以及类别下的文本数据信息，得到原始训练集文本数据信息；对原始训练集文本数据信息进行特征处理，得到待添加的特征向量；其中，待添加的特征向量表征原始训练集文本数据信息的特征；将待添加的特征向量添加至基准分类模型中，得到校准分类模型；其中，基准分类模型是由原始训练集文本数据信息训练得到的。采用本技术方案，能够提升文本分类的精准度。能够提升文本分类的精准度。能够提升文本分类的精准度。
【技术实现步骤摘要】
分类模型确定方法、装置、设备及存储介质
[0001]本申请涉及机器学习
，尤其涉及一种分类模型确定方法、装置、设备及存储介质。
技术介绍
[0002]文本分类是指对给出的文本给出一个或者多个类别标号，对文本进行比较准确或者高效地分类，文本分类常用于数据管理任务中，对于文本进行分类，可以使用户方便地浏览文本，并且可以通过文本类别来查询所需的文本。
[0003]但是，目前的文本分类采用的算法会出现分类精准度比较低的情况，因此，亟需一种文本分类算法，能够提升文本分类的精准度。
技术实现思路
[0004]本申请提供一种分类模型确定方法、装置、设备及存储介质，能够提升文本分类的精准度。
[0005]第一方面，本申请提供一种分类模型确定方法，包括：
[0006]获取至少两个类别以及所述类别下的文本数据信息，得到原始训练集文本数据信息；
[0007]对所述原始训练集文本数据信息进行特征处理，得到待添加的特征向量；其中，所述待添加的特征向量表征所述原始训练集文本数据信息的特征；
[0008]将所述待添加的特征向量添加至基准分类模型中，得到校准分类模型；其中，所述基准分类模型是由所述原始训练集文本数据信息训练得到的。
[0009]在一个示例中，对所述原始训练集文本数据信息进行特征处理，得到待添加的特征向量；其中，所述待添加的特征向量表征所述原始训练集文本数据信息的特征，包括：
[0010]对所述原始训练集文本数据信息进行文本预处理，得到文本预处理后的文本数据信息；
[0011]将文本预处理后的文本数据信息，提取至少两个特征向量，并将提取到的所述至少两个特征向量进行维度归一化处理，得到所述待添加的特征向量。
[0012]在一个示例中，将提取到的所述至少两个特征向量进行维度归一化处理，得到所述待添加的特征向量，包括：
[0013]将提取到的所述至少两个特征向量输入至前馈层，通过所述前馈层对所述至少两个特征向量进行维度归一化处理，得到所述待添加的特征向量。
[0014]在一个示例中，所述方法还包括：
[0015]将所述原始训练集文本数据信息输入至所述校准分类模型中，通过所述分类校准模型输出每一个类别的调和平均值；
[0016]根据所述每一个类别的调和平均值，确定调和平均值的均值；其中，所述调和平均值的均值用于表征所述校准分类模型的准确度。
[0017]在一个示例中，通过所述分类校准模型输出每一个类别的调和平均值，包括：
[0018]通过所述分类校准模型输出每一个类别下的统计值；
[0019]根据所述统计值，确定每一个类别下的查准率和召回率；
[0020]根据所述查准率和所述召回率，确定每一个类别的调和平均值。
[0021]第二方面，本申请提供一种分类模型确定装置，包括：
[0022]获取单元，用于获取至少两个类别以及所述类别下的文本数据信息，得到原始训练集文本数据信息；
[0023]处理单元，用于对所述原始训练集文本数据信息进行特征处理，得到待添加的特征向量；其中，所述待添加的特征向量表征所述原始训练集文本数据信息的特征；
[0024]添加单元，用于将所述待添加的特征向量添加至基准分类模型中，得到校准分类模型；其中，所述基准分类模型是由所述原始训练集文本数据信息训练得到的。
[0025]在一个示例中，所述处理单元，包括：
[0026]文本预处理模块，用于对所述原始训练集文本数据信息进行文本预处理，得到文本预处理后的文本数据信息；
[0027]提取模块，用于将文本预处理后的文本数据信息，提取至少两个特征向量，并将提取到的所述至少两个特征向量进行维度归一化处理，得到所述待添加的特征向量。
[0028]在一个示例中，所述提取模块，包括：
[0029]将提取到的所述至少两个特征向量输入至前馈层，通过所述前馈层对所述至少两个特征向量进行维度归一化处理，得到所述待添加的特征向量。
[0030]在一个示例中，所述装置还包括：
[0031]输出单元，用于将所述原始训练集文本数据信息输入至所述校准分类模型中，通过所述分类校准模型输出每一个类别的调和平均值；
[0032]确定单元，用于根据所述每一个类别的调和平均值，确定调和平均值的均值；其中，所述调和平均值的均值用于表征所述校准分类模型的准确度。
[0033]在一个示例中，所述输出单元，包括：
[0034]输出模块，用于通过所述分类校准模型输出每一个类别下的统计值；
[0035]第一确定模块，用于根据所述统计值，确定每一个类别下的查准率和召回率；
[0036]第二确定模块，用于根据所述查准率和所述召回率，确定每一个类别的调和平均值。
[0037]第三方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
[0038]所述存储器存储计算机执行指令；
[0039]所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面所述的方法。
[0040]第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的方法。
[0041]第五方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如第一方面所述的方法。
[0042]本申请提供的一种分类模型确定方法，通过获取至少两个类别以及所述类别下的文本数据信息，得到原始训练集文本数据信息；对所述原始训练集文本数据信息进行特征处理，得到待添加的特征向量；其中，所述待添加的特征向量表征所述原始训练集文本数据信息的特征；将所述待添加的特征向量添加至基准分类模型中，得到校准分类模型；其中，所述基准分类模型是由所述原始训练集文本数据信息训练得到的。采用本技术方案，能够提升文本分类的精准度。
附图说明
[0043]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0044]图1是根据本申请实施例一提供的一种分类模型确定方法的流程示意图；
[0045]图2是根据本申请实施例二提供的一种分类模型确定方法的流程示意图；
[0046]图3是根据本申请实施例三提供的一种分类模型确定装置的示意图；
[0047]图4是根据本申请实施例四提供的一种分类模型确定装置的示意图；
[0048]图5是根据一示例性实施例示出的一种终端设备的框图。
[0049]通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
[0050]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种分类模型确定方法，其特征在于，所述方法包括：获取至少两个类别以及所述类别下的文本数据信息，得到原始训练集文本数据信息；对所述原始训练集文本数据信息进行特征处理，得到待添加的特征向量；其中，所述待添加的特征向量表征所述原始训练集文本数据信息的特征；将所述待添加的特征向量添加至基准分类模型中，得到校准分类模型；其中，所述基准分类模型是由所述原始训练集文本数据信息训练得到的。2.根据权利要求1所述的方法，其特征在于，对所述原始训练集文本数据信息进行特征处理，得到待添加的特征向量；其中，所述待添加的特征向量表征所述原始训练集文本数据信息的特征，包括：对所述原始训练集文本数据信息进行文本预处理，得到文本预处理后的文本数据信息；将文本预处理后的文本数据信息，提取至少两个特征向量，并将提取到的所述至少两个特征向量进行维度归一化处理，得到所述待添加的特征向量。3.根据权利要求2所述的方法，其特征在于，将提取到的所述至少两个特征向量进行维度归一化处理，得到所述待添加的特征向量，包括：将提取到的所述至少两个特征向量输入至前馈层，通过所述前馈层对所述至少两个特征向量进行维度归一化处理，得到所述待添加的特征向量。4.根据权利要求1
‑
3中任一项所述的方法，其特征在于，所述方法还包括：将所述原始训练集文本数据信息输入至所述校准分类模型中，通过所述分类校准模型输出每一个类别的调和平均值；根据所述每一个类别的调和平均值，确定调和平均值的均值；其中，所述调和平均值的均值用于表征所述校准分类模型的准确度。5.根据权利要求4所述的方法，其特征在于，通过所述分类校准模型输出每一个类别的调和平均值，包括：通过所述分类校准模型输...
【专利技术属性】
技术研发人员：刘建国，王迪，朱毅，
申请(专利权)人：海尔智家股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。