买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华南师范大学

摘要：本发明涉及一种融合主题信息和词向量提取文本特征的新闻分类方法。本发明所述的一种融合主题信息和词向量提取文本特征的新闻分类方法包括：使用Word2vec和LDA模型分别在语料库中训练词向量，word2vec经过TF‑IDF进行加权所得的词向量与LDA训练的特征扩展模型进行拼接得到短文本表示模型，将短文本表示模型输入到BIGRU中提取文本深层次信息的特征向量，最后使用softmax函数得到文本分类结果。本发明所述的一种融合主题信息和词向量提取文本特征的新闻分类方法，在提取过程中加入了文本的主题信息，将主题信息和文本的词向量进行融合，能够尽可能获得文本主题特征，具有分类准确率高的优点。

主权项：1.一种融合主题信息和词向量提取文本特征的新闻分类方法，其特征在于，包括如下步骤：获取语料库V；基于Word2vec模型训练语料库V，得到第一词向量集合D＝{Ct1,Ct2,...,Ctn}；其中，tn表示语料库V中第n个词，Ctn为tn的词向量表示；基于TF-IDF对所述词向量集合D进行特征权重计算，得到加权后的第二词向量集合D'＝Dtj＝Dt*TF-IDFj；其中Dt是词向量集合D词语t的词向量，Dtj是词语t在第j篇文本内加权后的词向量；通过LDA主题生成模型训练所述语料库V，获得LDA主题分布概率，输出主题-词分布矩阵φ和文本-主题分布矩阵θ；将所述第一词向量集合D中的每个词与所述主题-词分布矩阵φ相匹配，得到基于LDA的特征扩展模型D”＝{wm1,c11,c12,...c1r,...,wmn,cn1,cn2,...cnr}；其中，wmn为第m篇的第n个词，cnr为词向量，n为词的个数，r为扩展特征的个数；将所述第二词向量集合D'与所述特征扩展模型D”进行拼接，得到词向量与特征扩展模型结合的短文本表示模型D”'m＝{D'm；D”m}；其中，“；”表示向量顺序拼接操作，D”'m为训练集第m篇短文本的词向量与LDA结合的向量表示；针对所述短文本表示模型D”'m，采用BIGRU神经网络提取深层次的特征向量W；将特征向量W输入到softmax函数，得到文本分类结果；其中，所述将所述第一词向量集合D中的每个词与所述主题-词分布矩阵φ相匹配，得到基于LDA的特征扩展模型D”包括：将第一词向量集合D每个词与LDA模型的主题-词分布矩阵φ相匹配，选择每个词所属的最大概率主题zmax；将所属的最大概率主题zmax匹配LDA模型的主题文件，选择前r个词作为该词的扩展特征；计算基于LDA的扩展模型D”＝{wm1,c11,c12,...c1r,...,wmn,cn1,cn2,...cnr}；其中，wmn为第m篇的第n个词，cnr为词向量，n为词的个数，r为扩展特征的个数。

全文数据：

权利要求：

百度查询： 华南师范大学 一种融合主题信息和词向量提取文本特征的新闻分类方法