CN112148841B - 一种对象分类以及分类模型构建方法和装置 - Google Patents

Abstract

本发明公开了一种对象分类以及分类模型构建方法和装置，涉及计算机技术领域。该对象分类方法的一具体实施方式包括：获取待分类对象的初始特征数据，所述初始特征数据中包括所述待分类对象的标识信息数据和属性信息数据；对所述标识信息数据和属性信息数据进行分词处理，得到特征词集合，所述特征词集合中包括至少一个特征词；将所述特征词集合中的特征词进行向量表示，以及基于训练的分类模型，确定所述待分类对象所属的目标类别。该对象分类的方法能够根据初始特征数据的特征词集合，以及特征词的向量表示，将词向量输入训练的分类模型，则可自动、快速、准确确定出待分类对象所属的目标类别。

Description

一种对象分类以及分类模型构建方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种对象分类以及分类模型构建方法和装置。

背景技术

在现实应用中，有很多需要进行信息分类的场景，例如企业会根据自身的经营范围可被划分为某种行业中。在现有技术中，一般是通过人工进行分类。而且由于企业特别是小微企业中的经营范围过于宽泛和冗余业务，会出现分类不明确甚至分类错误等情况出现，通过人工进行行业分类具有时间成本昂贵和效率低下等问题。

发明内容

有鉴于此，本发明实施例提供一种对象分类以及分类模型构建方法和装置，能够根据初始特征数据的特征词集合，以及特征词的向量表示，将词向量输入训练的分类模型，则可自动、快速、准确确定出待分类对象所属的目标类别。

为实现上述目的，根据本发明实施例的一个方面，提供了一种对象分类的方法。

本发明实施例的对象分类的方法包括：获取待分类对象的初始特征数据，所述初始特征数据中包括所述待分类对象的标识信息数据和属性信息数据；对所述标识信息数据和属性信息数据进行分词处理，得到特征词集合，所述特征词集合中包括至少一个特征词；将所述特征词集合中的特征词进行向量表示，以及基于训练的分类模型，确定所述待分类对象所属的目标类别。

可选地，对所述标识信息数据和属性信息数据进行分词处理，得到特征词集合的步骤，包括：对所述初始特征数据中的标识信息数据和属性信息数据进行分词处理，得到多个待清洗特征词；对所述多个待清洗特征词进行清洗处理，得到清洗后的特征词，所述清洗后的特征词组成特征词集合。

可选地，对所述多个待清洗特征词进行清洗处理，得到清洗后的特征词的步骤，包括：去除所述多个待清洗特征词中的无用词，得到第一处理后的特征词；其中，所述无用词至少包括以下一种：介词，副词，重复词，预指定词；和/或，根据所述多个待清洗特征词的历史词频，去除所述多个待清洗特征词中的特征信息含量低于阈值的词，得到第二处理后的特征词；所述清洗后的特征词包括所述第一处理后的特征词和/或第二处理后的特征词。

可选地，对所述初始特征数据中的标识信息数据和属性信息数据进行分词处理，得到多个待清洗特征词的步骤，包括：对所述初始特征数据中的标识信息数据和属性信息数据进行分词处理，得到多个初始特征词，以及每个初始特征词在其对应的标识信息数据或属性信息数据中的词序；根据所述词序对所述多个初始特征词进行组合，得到组合特征词；所述多个初始特征词和组合特征词组成所述多个待清洗特征词。

可选地，获取待分类对象的初始特征数据，所述初始特征数据中包括所述待分类对象的标识信息数据和属性信息数据的步骤包括：获取待分类对象的初始特征数据，其中，所述待分类对象为待分类企业，所述初始特征数据中包括指示所述待分类企业所属行业的信息数据；其中，指示所述待分类企业所属行业的信息数据例如可以是公司名称中表征行业的词语，如科技有限公司、智能信息等，或者是经营范围中的技术开发、销售等，即可进一步根据公司名称和经营范围确定该公司属于哪个行业的数据。

为实现上述目的，根据本发明实施例的另一个方面，提供了一种分类模型构建方法。

本发明实施例的分类模型构建方法包括：分别获取多个已标记所属类别的样本对象的样本特征数据，得到文本语料库；其中，所述样本特征数据中包括所述样本对象的标识信息数据和属性信息数据；对所述文本语料库中的样本特征数据进行分词处理，得到各个类别对应的特征词典；基于所述各个类别对应的特征词典以及分类算法，训练得到分类模型。

可选地，对所述文本语料库中的样本特征数据进行分词处理，得到各个类别对应的特征词典的步骤包括：对所述文本语料库中的样本特征数据进行分词处理，得到各个类别对应的多个待清洗样本特征词；去除所述多个待清洗样本特征词中的无用词，其中，所述无用词至少包括以下一种：介词，副词，重复词，预指定词；和/或，根据所述多个待清洗样本特征词的词频，去除所述待清洗样本特征词中的特征信息含量低于阈值的词；得到各个类别对应的清洗后的样本特征词，所述清洗后的样本特征词组成特征词典。

可选地，对所述文本语料库中的样本特征数据进行分词处理，得到各个类别对应的特征词典的步骤包括：对所述文本语料库中各个类别对应的样本特征数据进行分词处理，得到多个初始样本特征词，以及每个初始样本特征词在其对应的样本特征数据中的词序；根据所述词序对所述多个初始样本特征词进行组合，得到组合样本特征词；所述多个初始样本特征词和组合样本特征词组成所述特征词典。

可选地，根据所述词序对所述多个初始样本特征词进行组合，得到组合样本特征词的步骤，包括：针对各个类别，根据所述词序对该类别下多个样本对象的初始样本特征词进行组合，得到每个样本对象的词空间，所述词空间包括该样本对象在多粒度下的多个待筛选组合特征词；针对各个类别，计算多个样本对象的词空间之间的相似度，以及根据所述相似度从所述词空间中的多个待筛选组合特征词中筛选出组合样本特征词。

为实现上述目的，根据本发明实施例的再一个方面，提供了一种对象分类的装置。

本发明实施例的得到对象分类的装置包括：

初始特征数据获取模块，用于获取待分类对象的初始特征数据，所述初始特征数据中包括所述待分类对象的标识信息数据和属性信息数据；

特征词集合获取模块，用于对所述标识信息数据和属性信息数据进行分词处理，得到特征词集合，所述特征词集合中包括至少一个特征词；

目标列表确定模块，用于将所述特征词集合中的特征词进行向量表示，以及基于训练的分类模型，确定所述待分类对象所属的目标类别。

为实现上述目的，根据本发明实施例的再一个方面，提供了一种分类模型构建装置。

本发明实施例的分类模型构建方法装置包括：

文本语料库获取模块，用于分别获取多个已标记所属类别的样本对象的样本特征数据，得到文本语料库；其中，所述样本特征数据中包括所述样本对象的标识信息数据和属性信息数据；

特征词典确定模块，用于对所述文本语料库中的样本特征数据进行分词处理，得到各个类别对应的特征词典；

训练模块，用于基于所述各个类别对应的特征词典以及分类算法，训练得到分类模型。

为实现上述目的，根据本发明实施例的再一个方面，提供了一种电子设备。

本发明实施例的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一项的对象分类以及分类模型构建方法。

为实现上述目的，根据本发明实施例的再一个方面，提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现上述任一项的对象分类以及分类模型构建方法。

上述发明中的一个实施例具有如下优点或有益效果：根据获取的待分类对象的初始特征数据，进行分词处理后得到特征词集合，以及将特征词集合中的特征词进行向量表示，将词向量输入训练的分类模型，则可自动、快速、准确确定出待分类对象所属的目标类别，解决了现有技术中人工进行分类导致的时间成本昂贵和效率低下等问题。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的对象分类的方法的主要流程的示意图；

图2是根据本发明实施例的对象分类的方法的示意图；

图3是根据本发明实施例的确定企业所属行业类别的方法的示意图；

图4是根据本发明实施例的分类模型构建方法的主要流程的示意图；

图5是根据本发明实施例的分类模型构建方法的示意图；

图6是根据本发明实施例的对象分类的装置的主要模块的示意图；

图7是根据本发明实施例的分类模型构建装置的主要模块的示意图；

图8是本发明实施例可以应用于其中的示例性系统架构图；

图9是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明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，而不会背离本发明的范围和精神。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。

图1是根据本发明实施例的对象分类的方法的主要流程的示意图，如图1所示，本发明实施例的对象分类的方法主要包括：

步骤S101：获取待分类对象的初始特征数据，初始特征数据中包括待分类对象的标识信息数据和属性信息数据。

步骤S102：对标识信息数据和属性信息数据进行分词处理，得到特征词集合，特征词集合中包括至少一个特征词。

步骤S103：将特征词集合中的特征词进行向量表示，以及基于训练的分类模型，确定待分类对象所属的目标类别。

在本发明实施例中，待分类对象的初始特征数据中至少包括可表征该对象所属类别的信息数据。其中，初始特征数据中包括的待分类对象的标识信息数据是指用于标识该对象的信息数据，例如对象名称、对象地址或对象编码等，一般情况下，对象的标识信息数据也会对其所属类别具有指向性。属性信息数据可表征所属类别的特征的信息数据。将特征词集合中的特征词进行向量表示，是指将特征词集合中的每个特征映射为向量，即得到该特征词集合的向量空间。将特征词集合的向量空间中的向量输入训练的分类模型，即可自动获取到待分类对象所属的目标类别。可选地，训练的分类模型是基于fastText得到的，FastText文本分类算法是有Facebook AI Research提出的一种简单的模型。实验表明一般情况下，FastText算法能获得和深度模型相同的精度，但是计算时间却要远远小于深度学习模型。fastText可以作为一个文本分类的baseline模型。

根据本发明实施例，根据获取的待分类对象的初始特征数据，进行分词处理后得到特征词集合，以及将特征词集合中的特征词进行向量表示，将词向量输入训练的分类模型，则可自动、快速、准确确定出待分类对象所属的目标类别，解决了现有技术中人工进行分类导致的时间成本昂贵和效率低下等问题。

在本发明一实施例中，对标识信息数据和属性信息数据进行分词处理，得到特征词集合的过程中，对初始特征数据中的标识信息数据和属性信息数据进行分词处理，得到多个待清洗特征词。然后，对多个待清洗特征词进行清洗处理，得到清洗后的特征词，清洗后的特征词组成特征词集合。在分类过程中，可能一些词是无用的或者特征信息含量低等，及那个该类词语清洗掉之后不仅提高了分类识别的准确率，而且还能加快分类识别。更优地，在本发明一实施例中，对多个待清洗特征词进行清洗处理，得到清洗后的特征词的过程中，去除多个待清洗特征词中的无用词，得到第一处理后的特征词。其中，无用词至少包括以下一种：介词，副词，重复词，预指定词。预指定词是指预先指定的，例如在一些分类场景中，针对该场景有些词是无用的，则可将这些词指定为“预指定词”，然后再清洗过程时，将该类词去掉。或者，对多个待清洗特征词进行清洗处理，得到清洗后的特征词的过程中，根据多个待清洗特征词的历史词频，去除多个待清洗特征词中的特征信息含量低于阈值的词，得到第二处理后的特征词；清洗后的特征词包括第一处理后的特征词和/或第二处理后的特征词。其中，特征信息含量低于阈值的词是指包含分类特征信息比较低的词语，例如在某个分类中，出现在该分类历史词语中出现的次数比较少，即历史词频低，说明确定该词为特征信息含量低于阈值的词。以及，该阈值可动态调整或自行设置，具体可根据业务需求、历史数据等确定该阈值。进一步，信息特征含量是根据tf-idf等算法确定，具体是根据词在每个历史词语中出现的频率，如果都出现则表示在分类中没有区分度。

更优地，在本发明一实施例中，对初始特征数据中的标识信息数据和属性信息数据进行分词处理，得到多个待清洗特征词的过程中，对初始特征数据中的标识信息数据和属性信息数据进行分词处理，得到多个初始特征词，以及每个初始特征词在其对应的标识信息数据或属性信息数据中的词序。然后，根据词序对多个初始特征词进行组合，得到组合特征词；多个初始特征词和组合特征词组成多个待清洗特征词。比如说一个软件开发行业，里面包括的特征有计算机网络，一个零售行业，里面包括的特征词有计算机零售，如果切开的话，两个类别中的计算机就具有相似性，但是组合在一起的话，计算机网络就能代表软件开发行业的特征，计算机零售就能代表零售行业的特征。在相同类别中，组合词可以增加类内的相似，主要是说计算机网络，计算机网络开发，如果切开的话，就是计算机/网络，和计算机/网络/开发。

在本发明一实施例中，获取待分类对象的初始特征数据，初始特征数据中包括待分类对象的标识信息数据和属性信息数据的过程中，获取待分类对象的初始特征数据，其中，待分类对象为待分类企业，初始特征数据中包括指示待分类企业所属行业的信息数据。然后，提取初始特征数据中的标识信息数据和属性信息数据，标识信息数据为企业名称，属性信息数据为经营范围。在本发明实施例中，企业的初始特征数据包括很多，例如企业名称、经营范围、企业地址或者企业法人等，但其中一些对企业行业分类是没有影响的。在企业相关的数据中，名称和经营范围最能反应企业的所属行业特征，因此，在获取到企业的特征数据之后，提取出企业名称和经营范围。由于企业特别是小微企业中的经营范围过于宽泛和冗余业务，会出现分类不明确甚至分类错误等情况出现，现有技术通过人工进行行业分类，具有时间成本昂贵和效率低下等问题。通过本发明实施例，可根据企业名称和经营范围，即可确定企业所属的行业。

图2是根据本发明实施例的对象分类的方法的示意图；如图2所示，本发明实施例的对象分类的方法包括：

步骤S201：获取待分类对象的初始特征数据。

步骤S202：对初始特征数据中的标识信息数据和属性信息数据进行分词处理，得到多个待清洗特征词。

步骤S203：对多个待清洗特征词进行清洗处理，得到清洗后的特征词。

步骤S204：根据词序对清洗后的特征词进行组合，得到组合特征词。

步骤S205：将特征词集合中的特征词进行向量表示，以及基于训练的分类模型，确定待分类对象所属的目标类别。

根据本发明实施例中，根据获取的待分类对象的初始特征数据，进行分词处理后得到特征词集合，以及将特征词集合中的特征词进行向量表示，将词向量输入训练的分类模型，则可自动、快速、准确确定出待分类对象所属的目标类别，解决了现有技术中人工进行分类导致的时间成本昂贵和效率低下等问题。

图3是根据本发明实施例的确定企业所属行业类别的方法的示意图；如图3所示，本发明实施例的确定企业所属行业类别的方法包括：

步骤S301：获取待分类企业的初始特征数据。

步骤S302：提取初始特征数据中的企业名称和经营范围。

步骤S303：对企业名称和经营范围进行预处理，以及根据预处理结果得到词向量。预处理包括以下一种：分词处理、去除无用词、过滤特征信息含量低于阈值词。

步骤S304：根据词向量以及训练的行业分类模型，确定该待分类企业所属的行业类别。

根据本发明实施例中，根据获取的待分类对象的初始特征数据，进行分词处理后得到特征词集合，以及将特征词集合中的特征词进行向量表示，将词向量输入训练的分类模型，则可自动、快速、准确确定出待分类对象所属的目标类别，极大的提高了行业分类的准确率，降低了人工分类的成本。

图4是根据本发明实施例的分类模型构建方法的主要流程的示意图；如图4所示，本发明实施例的分类模型构建方法主要包括：

步骤S401：分别获取多个已标记所属类别的样本对象的样本特征数据，得到文本语料库；其中，样本特征数据中包括样本对象的标识信息数据和属性信息数据。

步骤S402：对文本语料库中的样本特征数据进行分词处理，得到各个类别对应的特征词典。

步骤S403：基于各个类别对应的特征词典以及分类算法，训练得到分类模型。

根据本发明实施例中，通过对获取包含标识信息数据和属性信息数据的样本特征数据，得到文本语料库。并且对文本语料库中的样本特征数据进行分词处理，得到各个类别对应的特征词典。进一步，基于各个类别对应的特征词典以及分类算法，训练得到分类模型，得到准确性高的分类模型。优选的，根据对语料的无用词、特征信息含量低于阈值的词的清洗的预处理，以及组合关键词组的建立，提升了训练分类模型的准确率。

在本发明一实施例，对文本语料库中的样本特征数据进行分词处理，得到各个类别对应的特征词典的过程中，对文本语料库中的样本特征数据进行分词处理，得到各个类别对应的多个待清洗样本特征词。然后，去除多个待清洗样本特征词中的无用词，其中，无用词至少包括以下一种：介词，副词，重复词，预指定词；和/或，根据多个待清洗样本特征词的词频，去除待清洗样本特征词中的特征信息含量低于阈值的词。得到各个类别对应的清洗后的样本特征词，清洗后的样本特征词组成特征词典。

在本发明一实施例，对文本语料库中的样本特征数据进行分词处理，得到各个类别对应的特征词典的过程中，对文本语料库中各个类别对应的样本特征数据进行分词处理，得到多个初始样本特征词，以及每个初始样本特征词在其对应的样本特征数据中的词序。然后，根据词序对多个初始样本特征词进行组合，得到组合样本特征词；多个初始样本特征词和组合样本特征词组成特征词典。假如行业类别A中的公司有A1、A2、A3，通过分别对三家公司的数据处理，得到A1、A2、A3的分词结果，三家公司的分词结果分别表示为词集B1，B2，B3；然后根据词序对词集B1中的词进行组合得到词空间C1，根据词序对词集B2中的词进行组合得到词空间C2，根据词序对词集B3中的词进行组合得到词空间C3；计算C1，C2，C3中词组的相似度(任意两两间词组的相似度)，将相似度高的词组确定为行业类别A对应的关键词。

在本发明一实施例，根据词序对多个初始样本特征词进行组合，得到组合样本特征词的过程中，针对各个类别，根据词序对该类别下多个样本对象的初始样本特征词进行组合，得到每个样本对象的词空间，词空间包括该样本对象在多粒度下的多个待筛选组合特征词。以及，针对各个类别，计算多个样本对象的词空间之间的相似度，以及根据相似度从词空间中的多个待筛选组合特征词中筛选出组合样本特征词。

图5是根据本发明实施例的分类模型构建方法的示意图；如图5所示，本发明实施例的分类模型构建方法包括：

步骤S501：采集样本企业的样本特征数据，包括企业名称和企业经营范围。在企业相关的数据中，企业名称和经营范围最能反应企业的所属行业特征，对多个样本企业的样本特征数据进行收集，组成文本语料库。在本发明实施例中，可从企业公开的信息中采集5千多万的企业名称和经营范围作为模型训练的数据来源。

步骤S502：对样本特征数据进行去除无用词的数据预处理。由于采集的企业样本特征数据(企业名称和经营范围)的信息中包含很多无关词和信息特征含量少的词语信息，比如企业名称中的“有限责任公司”、“集团”以及代表地域信息的词，比如“北京”等词，这些词本身不包含企业的行业特征信息，可作为无关词进行过滤，进而提高了训练的准确性。

步骤S503：对样本特征数据进行过滤特征信息含量低于阈值词的数据预处理。在经营范围中，由于很多企业的经营范围都会包含很多经营业务，这些业务可能会属于多个不同的行业领域，比如“销售”；也可能是相似行业，比如“零售和批发”；甚至相同的词语在不同的行业中都有体现，比如“服务”。这些词语在分类模型训练的过程中会带来较大干扰，会造成分类预测不明确，属于信息特征含量少的词语，在清洗中去除该类词语。

步骤S504：对数据预处理后的结果，进行中文分词的数据处理。在文本分类算法中需要对文本进行分词处理，使用jieba分词工具，使用不同模式和精度，对过滤后的数据进行分词，组成新的语料库。例如对“北京某某科技有限公司”的企业名称，通过分词可划分为“北京”、“某某”、“科技”、“有限公司”等词组。

步骤S505：根据数据处理后的结果，建立词向量模型。在本发明实施例中，使用文本分类算法fastText算法的词向量训练模式，通过训练语料的词向量，进行语料的特征抽取，使用fastText算法建立语料库的词向量模型，将文本和词语映射为向量模式，挖掘语料信息的行业特性。

步骤S506：根据建立的词向量模型，提取训练样本的特征信息。在本发明实施例中，在对词向量进行分析中，发现不同精度下的分词(即同一句子分成不同粒度的词语)，在相同行业中呈不同的相似关联度，例如“计算机网络”往往会被拆分成“计算机”和“网络”，通过词向量模型发现拆分成“计算机”和“网络”后比原始组合词的特征信息占比降低，相似度降低。

步骤S507：根据提取的训练样本的特征信息，建立关键字典库。基于以上结果，利用词向量模型的相似度量，组合单一关键词，建立具有更强行业特征信息区分度的组合关键词字典(而非单一关键词)，为模型训练提供更精准的行业特征信息。

步骤S508：基于建立的关键字典库以及分类算法，训练分类模型。分类算法可以是文本分类算法fastText，fastText具有速度快，准确率高的特点，使用fastText算法的监督模式，基于上述得到的特征信息和对应的行业标注信息训练行业分类模型。

图6是根据本发明实施例的对象分类的装置的主要模块的示意图；如图6所示，本发明实施例的对象分类的装置600包括初始特征数据获取模块601、特征词集合获取模块602和目标类别确定模块603。

初始特征数据获取模块601用于，获取待分类对象的初始特征数据，初始特征数据中包括待分类对象的标识信息数据和属性信息数据。

特征词集合获取模块602用于，对标识信息数据和属性信息数据进行分词处理，得到特征词集合，特征词集合中包括至少一个特征词。

目标类别确定模块603用于，将特征词集合中的特征词进行向量表示，以及基于训练的分类模型，确定待分类对象所属的目标类别。

根据本发明实施例，根据获取的待分类对象的初始特征数据，进行分词处理后得到特征词集合，以及将特征词集合中的特征词进行向量表示，将词向量输入训练的分类模型，则可自动、快速、准确确定出待分类对象所属的目标类别，解决了现有技术中人工进行分类导致的时间成本昂贵和效率低下等问题。

在本发明一实施例，特征词集合获取模块还用于，对初始特征数据中的标识信息数据和属性信息数据进行分词处理，得到多个待清洗特征词；对多个待清洗特征词进行清洗处理，得到清洗后的特征词，清洗后的特征词组成特征词集合。更优地，在本发明一实施例，特征词集合获取模块还用于，去除多个待清洗特征词中的无用词，得到第一处理后的特征词；其中，无用词至少包括以下一种：介词，副词，重复词，预指定词；和/或，根据多个待清洗特征词的历史词频，去除多个待清洗特征词中的特征信息含量低于阈值的词，得到第二处理后的特征词；清洗后的特征词包括第一处理后的特征词和/或第二处理后的特征词。更优地，在本发明一实施例，特征词集合获取模块还用于，对初始特征数据中的标识信息数据和属性信息数据进行分词处理，得到多个初始特征词，以及每个初始特征词在其对应的标识信息数据或属性信息数据中的词序；根据词序对多个初始特征词进行组合，得到组合特征词；多个初始特征词和组合特征词组成多个待清洗特征词。

在本发明一实施例，初始特征数据获取模块还用于，获取待分类对象的初始特征数据，其中，待分类对象为待分类企业，初始特征数据中包括指示待分类企业所属行业的信息数据；提取初始特征数据中的标识信息数据和属性信息数据，标识信息数据为企业名称，属性信息数据为经营范围。

图7是根据本发明实施例的分类模型构建装置的主要模块的示意图；如图7所示，本发明实施例的分类模型构建装置700包括文本语料库获取模块701、特征词典确定模块702和训练模块703。

文本语料库获取模块701用于，分别获取多个已标记所属类别的样本对象的样本特征数据，得到文本语料库；其中，样本特征数据中包括样本对象的标识信息数据和属性信息数据。

特征词典确定模块702用于，对文本语料库中的样本特征数据进行分词处理，得到各个类别对应的特征词典。

训练模块703用于，基于各个类别对应的特征词典以及分类算法，训练得到分类模型。

在本发明一实施例，特征词典确定模块还用于，对文本语料库中的样本特征数据进行分词处理，得到各个类别对应的多个待清洗样本特征词；去除多个待清洗样本特征词中的无用词，其中，无用词至少包括以下一种：介词，副词，重复词，预指定词；和/或，根据多个待清洗样本特征词的词频，去除待清洗样本特征词中的特征信息含量低于阈值的词；得到各个类别对应的清洗后的样本特征词，清洗后的样本特征词组成特征词典。更优地，在本发明一实施例，特征词典确定模块还用于，对文本语料库中各个类别对应的样本特征数据进行分词处理，得到多个初始样本特征词，以及每个初始样本特征词在其对应的样本特征数据中的词序；根据词序对多个初始样本特征词进行组合，得到组合样本特征词；多个初始样本特征词和组合样本特征词组成特征词典。在本发明一实施例，特征词典确定模块还用于，针对各个类别，根据词序对该类别下多个样本对象的初始样本特征词进行组合，得到每个样本对象的词空间，词空间包括该样本对象在多粒度下的多个待筛选组合特征词；针对各个类别，计算多个样本对象的词空间之间的相似度，以及根据相似度从词空间中的多个待筛选组合特征词中筛选出组合样本特征词。

图8示出了可以应用本发明实施例的对象分类以及分类模型构建方法或对象分类以及分类模型构建装置的示例性系统架构800。

如图8所示，系统架构800可以包括终端设备801、802、803，网络804和服务器805。网络804用以在终端设备801、802、803和服务器805之间提供通信链路的介质。网络804可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备801、802、803通过网络804与服务器805交互，以接收或发送消息等。终端设备801、802、803上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备801、802、803可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器805可以是提供各种服务的服务器，例如对用户利用终端设备801、802、803所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果反馈给终端设备。

需要说明的是，本发明实施例所提供的对象分类以及分类模型构建方法一般由服务器805执行，相应地，对象分类以及分类模型构建装置一般设置于服务器805中。

应该理解，图8中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图9，其示出了适于用来实现本发明实施例的终端设备的计算机系统900的结构示意图。图9示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图9所示，计算机系统900包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有系统900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取初始特征数据获取模块、特征词集合获取模块、目标类别确定模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，初始特征数据获取模块还可以被描述为“获取待分类对象的初始特征数据的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取待分类对象的初始特征数据，初始特征数据中包括待分类对象的标识信息数据和属性信息数据；对标识信息数据和属性信息数据进行分词处理，得到特征词集合，特征词集合中包括至少一个特征词；将特征词集合中的特征词进行向量表示，以及基于训练的分类模型，确定待分类对象所属的目标类别。

根据本发明实施例，根据获取的待分类对象的初始特征数据，进行分词处理后得到特征词集合，以及将特征词集合中的特征词进行向量表示，将词向量输入训练的分类模型，则可自动、快速、准确确定出待分类对象所属的目标类别，解决了现有技术中人工进行分类导致的时间成本昂贵和效率低下等问题。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (9)

1.一种对象分类的方法，其特征在于，包括：

获取待分类对象的初始特征数据，所述初始特征数据中包括所述待分类对象的标识信息数据和属性信息数据；

对所述标识信息数据和属性信息数据进行分词处理，得到特征词集合，所述特征词集合中包括至少一个特征词；

将所述特征词集合中的特征词进行向量表示，以及基于训练的分类模型，确定所述待分类对象所属的目标类别；

其中，对所述标识信息数据和属性信息数据进行分词处理，得到特征词集合的步骤，包括：

对所述初始特征数据中的标识信息数据和属性信息数据进行分词处理，得到多个待清洗特征词；

对所述多个待清洗特征词进行清洗处理，得到清洗后的特征词，所述清洗后的特征词组成特征词集合；

其中，对所述初始特征数据中的标识信息数据和属性信息数据进行分词处理，得到多个待清洗特征词的步骤，包括：

对所述初始特征数据中的标识信息数据和属性信息数据进行分词处理，得到多个初始特征词，以及每个初始特征词在其对应的标识信息数据或属性信息数据中的词序；

根据所述词序对所述多个初始特征词进行组合，得到组合特征词；所述多个初始特征词和组合特征词组成所述多个待清洗特征词。

2.根据权利要求1所述的方法，其特征在于，对所述多个待清洗特征词进行清洗处理，得到清洗后的特征词的步骤，包括：

去除所述多个待清洗特征词中的无用词，得到第一处理后的特征词；其中，所述无用词至少包括以下一种：介词，副词，重复词，预指定词；和/或

根据所述多个待清洗特征词的历史词频，去除所述多个待清洗特征词中的特征信息含量低于阈值的词，得到第二处理后的特征词；

所述清洗后的特征词包括所述第一处理后的特征词和/或第二处理后的特征词。

3.根据权利要求1所述的方法，其特征在于，获取待分类对象的初始特征数据，所述初始特征数据中包括所述待分类对象的标识信息数据和属性信息数据的步骤包括：

获取待分类对象的初始特征数据，其中，所述待分类对象为待分类企业，所述初始特征数据中包括指示所述待分类企业所属行业的信息数据；

提取所述初始特征数据中的标识信息数据和属性信息数据，所述标识信息数据为企业名称，所述属性信息数据为经营范围。

4.一种分类模型构建方法，其特征在于，包括：

分别获取多个已标记所属类别的样本对象的样本特征数据，得到文本语料库；其中，所述样本特征数据中包括所述样本对象的标识信息数据和属性信息数据；

对所述文本语料库中的样本特征数据进行分词处理，得到各个类别对应的特征词典；

基于所述各个类别对应的特征词典以及分类算法，训练得到分类模型；

其中，对所述文本语料库中的样本特征数据进行分词处理，得到各个类别对应的特征词典的步骤包括：

对所述文本语料库中各个类别对应的样本特征数据进行分词处理，得到多个初始样本特征词，以及每个初始样本特征词在其对应的样本特征数据中的词序；

根据所述词序对所述多个初始样本特征词进行组合，得到组合样本特征词；所述多个初始样本特征词和组合样本特征词组成所述特征词典；

其中，根据所述词序对所述多个初始样本特征词进行组合，得到组合样本特征词的步骤，包括：

针对各个类别，根据所述词序对该类别下多个样本对象的初始样本特征词进行组合，得到每个样本对象的词空间，所述词空间包括该样本对象在多粒度下的多个待筛选组合特征词；

针对各个类别，计算多个样本对象的词空间之间的相似度，以及根据所述相似度从所述词空间中的多个待筛选组合特征词中筛选出组合样本特征词。

5.根据权利要求4所述的方法，其特征在于，对所述文本语料库中的样本特征数据进行分词处理，得到各个类别对应的特征词典的步骤包括：

对所述文本语料库中的样本特征数据进行分词处理，得到各个类别对应的多个待清洗样本特征词；

去除所述多个待清洗样本特征词中的无用词，其中，所述无用词至少包括以下一种：介词，副词，重复词，预指定词；和/或，根据所述多个待清洗样本特征词的词频，去除所述待清洗样本特征词中的特征信息含量低于阈值的词；

得到各个类别对应的清洗后的样本特征词，所述清洗后的样本特征词组成特征词典。

6.一种对象分类的装置，其特征在于，包括：

初始特征数据获取模块，用于获取待分类对象的初始特征数据，所述初始特征数据中包括所述待分类对象的标识信息数据和属性信息数据；

特征词集合获取模块，用于对所述标识信息数据和属性信息数据进行分词处理，得到特征词集合，所述特征词集合中包括至少一个特征词；

目标类别确定模块，用于将所述特征词集合中的特征词进行向量表示，以及基于训练的分类模型，确定所述待分类对象所属的目标类别；

其中，所述特征词集合获取模块，还用于：

对所述初始特征数据中的标识信息数据和属性信息数据进行分词处理，得到多个待清洗特征词；

对所述多个待清洗特征词进行清洗处理，得到清洗后的特征词，所述清洗后的特征词组成特征词集合；

其中，对所述初始特征数据中的标识信息数据和属性信息数据进行分词处理，得到多个待清洗特征词的步骤，包括：

对所述初始特征数据中的标识信息数据和属性信息数据进行分词处理，得到多个初始特征词，以及每个初始特征词在其对应的标识信息数据或属性信息数据中的词序；

根据所述词序对所述多个初始特征词进行组合，得到组合特征词；所述多个初始特征词和组合特征词组成所述多个待清洗特征词。

7.一种分类模型构建装置，其特征在于，包括：

文本语料库获取模块，用于分别获取多个已标记所属类别的样本对象的样本特征数据，得到文本语料库；其中，所述样本特征数据中包括所述样本对象的标识信息数据和属性信息数据；

特征词典确定模块，用于对所述文本语料库中的样本特征数据进行分词处理，得到各个类别对应的特征词典；

训练模块，用于基于所述各个类别对应的特征词典以及分类算法，训练得到分类模型；

其中，所述特征词典确定模块，还用于：

对所述文本语料库中各个类别对应的样本特征数据进行分词处理，得到多个初始样本特征词，以及每个初始样本特征词在其对应的样本特征数据中的词序；

根据所述词序对所述多个初始样本特征词进行组合，得到组合样本特征词；所述多个初始样本特征词和组合样本特征词组成所述特征词典；

其中，根据所述词序对所述多个初始样本特征词进行组合，得到组合样本特征词的步骤，包括：

针对各个类别，根据所述词序对该类别下多个样本对象的初始样本特征词进行组合，得到每个样本对象的词空间，所述词空间包括该样本对象在多粒度下的多个待筛选组合特征词；

针对各个类别，计算多个样本对象的词空间之间的相似度，以及根据所述相似度从所述词空间中的多个待筛选组合特征词中筛选出组合样本特征词。

8.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3或者4-5中任一所述的方法。

9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-3或者4-5中任一所述的方法。