(12)發(fā)明專利(65)同一申請的已公布的文獻號(73)專利權人北京百度網(wǎng)訊科技有限公司百度大廈2層審查員喬帥劉彥江盧俊豪馮博豪秦文靜薛禮強羅小蘭(74)專利代理機構北京英賽嘉華知識產(chǎn)權代理有限責任公司11204專利代理師王達佐馬曉亞用于生成分類模型的方法和裝置本公開的實施例公開了用于生成分類模型的方法和裝置。該方法的一具體實施方式包括：獲取訓練樣本集合，其中，訓練樣本包括樣本文本和與樣本文本對應的樣本類別；確定訓練樣本集合的統(tǒng)計特征，其中，統(tǒng)計特征包括表征文本篇幅的形式特征；基于統(tǒng)計特征和對初始模型的于表征文本類別與文本之間的對應關系，初始模型從預設的預訓練模型集合中選取。該實施方式2獲取訓練樣本集合，訓練樣本包括樣本文本和與樣本文本對應的樣本類別；確定所述訓練樣本集合的統(tǒng)計特征，所述統(tǒng)計特征包括表征文本篇幅的形式特征；獲取與所述統(tǒng)計特征匹配的包括多個初始超參數(shù)組的初始超參數(shù)組集合；從所述初始超參數(shù)組集合中選取初始超參數(shù)組，并對選取出的初始超參數(shù)組執(zhí)行以下確定步驟：從預設的預訓練模型集合中選取與所述初始超參數(shù)組中的初始模型超參數(shù)匹配的預訓練模型作為初始模型；根據(jù)所述初始超參數(shù)組中的初始訓練超參數(shù)對所述初始模型進行訓練，生成準文本分類模型；基于驗證文本集合對所述準文本分類模型進行評測，生成評測結果；從滿足超參數(shù)組確定條件的評測結果對應的準文本分類模型中確定用于表征文本類別與文本之間對應關系的文本分類模型；響應于所生成的評測結果不滿足所述超參數(shù)組確定條件，對所述初始超參數(shù)組集合中的初始超參數(shù)組進行更新；從更新后的初始超參數(shù)組集合中選取初始超參數(shù)組，繼續(xù)執(zhí)行所述確定步驟。2.根據(jù)權利要求1所述的方法，其中，所述統(tǒng)計特征還包括表征文本內(nèi)容的內(nèi)容特征；以及所述從預設的預訓練模型集合中選取與所述初始超參數(shù)組中的初始模型超參數(shù)匹配從所述預訓練模型集合中選取與所述內(nèi)容特征和所述初始超參數(shù)組中的初始模型超參數(shù)匹配的預訓練模型作為初始模型，其中，預訓練模型與語義標簽對應。3.根據(jù)權利要求1所述的方法，其中，所述根據(jù)所述初始超參數(shù)組中的初始訓練超參數(shù)從所述訓練樣本集合中選取訓練樣本，以及執(zhí)行以下訓練步驟：將選取的訓練樣本的樣本文本輸入至所述初始模型，生成文本類別；根據(jù)所生成的文本類別與輸入的樣本文本對應的樣本類別，確定差異值；確定差異值是否滿足訓練完成條件，其中，所述差異值和訓練完成條件基于所選取的超參數(shù)組中的初始訓練超參數(shù)確定；響應于確定滿足所述訓練完成條件，將所述初始模型確定為所述準文本分類模型；響應于確定不滿足所述訓練完成條件，調(diào)整所述初始模型的相關參數(shù)，以及從所述訓練樣本集合中選取訓練樣本，使用調(diào)整后的初始模型作為所述初始模型，繼續(xù)執(zhí)行所述訓練步驟。接收用戶端發(fā)送的標注文本集合，其中，標注文本包括文本和與文本對應的文本類別標注信息；對所述標注文本集合進行劃分，生成所述訓練樣本集合和所述驗證文本集合，其中，訓練樣本包括作為樣本文本的文本和作為與樣本文本對應的樣本類別的文本類別標注信息。5.根據(jù)權利要求1-4之一所述的方法，其中，所述方法還包括：接收用戶端發(fā)送的待分類文本集合；將所述待分類文本集合輸入至所述文本分類模型，生成所述待分類文本集合中的待分類文本對應的類別信息，其中，類別信息用于表征待分類文本所屬的類別，類別信息與樣本類別相匹配；將所生成的類別信息與對應的待分類文本信息發(fā)送至所述用戶端，其中，待分類文本3信息用于標識所述待分類文本集合中的待分類文本。6.一種用于生成分類模型的裝置，包括：獲取單元，被配置成獲取訓練樣本集合，其中，訓練樣本包括樣本文本和與樣本文本對應的樣本類別；確定單元，被配置成確定所述訓練樣本集合的統(tǒng)計特征，其中，所述統(tǒng)計特征包括表征文本篇幅的形式特征；獲取模塊，被配置成獲取與所述統(tǒng)計特征匹配的包括多個初始超參數(shù)組的初始超參數(shù)組集合；確定模塊，被配置成從所述初始超參數(shù)組集合中選取初始超參數(shù)組，并對選取出的初始超參數(shù)組執(zhí)行以下確定步驟：從預設的預訓練模型集合中選取與所述初始超參數(shù)組中的初始模型超參數(shù)匹配的預訓練模型作為初始模型；根據(jù)所述初始超參數(shù)組中的初始訓練超參數(shù)對所述初始模型進行訓練，生成準文本分類模型；基于驗證文本集合對所述準文本分類模型進行評測，生成評測結果；從滿足超參數(shù)組確定條件的評測結果對應的準文本分類模型中確定用于表征文本類別與文本之間對應關系的文本分類模型；更新模塊，被配置成響應于所生成的評測結果不滿足所述超參數(shù)組確定條件，對所述初始超參數(shù)組集合中的初始超參數(shù)組進行更新；從更新后的初始超參數(shù)組集合中選取初始超參數(shù)組，繼續(xù)執(zhí)行所述確定步驟。7.根據(jù)權利要求6所述的裝置，其中，所述統(tǒng)計特征還包括表征文本內(nèi)容的內(nèi)容特征；所述確定模塊進一步被配置成：從預設的預訓練模型集合中選取與所述內(nèi)容特征和所選取的初始超參數(shù)組中的初始模型超參數(shù)匹配的預訓練模型作為初始模型，其中，預訓練模型與語義標簽對應。8.根據(jù)權利要求6所述的裝置，其中，所述確定模塊進一步包括：選取子模塊，被配置成從所述訓練樣本集合中選取訓練樣本，以及執(zhí)行以下訓練步驟：將選取的訓練樣本的樣本文本輸入至所選取的初始模型，生成文本類別；根據(jù)所生成的文本類別與輸入的樣本文本對應的樣本類別，確定差異值；確定差異值是否滿足訓練完成條件，其中，所述差異值和訓練完成條件基于所選取的超參數(shù)組中的初始訓練超參數(shù)確定；響應于確定滿足所述訓練完成條件，將所選取的初始模型確定為所選取的超參數(shù)組對應的準文本分類模型；調(diào)整子模塊，被配置成響應于確定不滿足所述訓練完成條件，調(diào)整所選取的初始模型的相關參數(shù)，以及從所述訓練樣本集合中選取訓練樣本，使用調(diào)整后的初始模型作為所選取的初始模型，繼續(xù)執(zhí)行所述訓練步驟。接收模塊，被配置成接收用戶端發(fā)送的標注文本集合，其中，標注文本包括文本和與文本對應的文本類別標注信息；第三生成模塊，被配置成對所述標注文本集合進行劃分，生成所述訓練樣本集合和所述驗證文本集合，其中，訓練樣本包括作為樣本文本的文本和作為與樣本文本對應的樣本類別的文本類別標注信息。10.根據(jù)權利要求6-9之一所述的裝置，其中，所述裝置還包括：接收單元，被配置成接收用戶端發(fā)送的待分類文本集合；4第二生成單元，被配置成將所述待分類文本集合輸入至所述文本分類模型，生成所述待分類文本集合中的待分類文本對應的類別信息，其中，類別信息用于表征待分類文本所屬的類別，類別信息與樣本類別相匹配；發(fā)送單元，被配置成將所生成的類別信息與對應的待分類文本信息發(fā)送至所述用戶端，其中，待分類文本信息用于標識所述待分類文本集合中的待分類文本。一個或多個處理器；存儲裝置，其上存儲有一個或多個程序；當所述一個或多個程序被所述一個或多個處理器執(zhí)行，使得所述一個或多個處理器實現(xiàn)如權利要求1-5中任一所述的方法。12.一種計算機可讀介質(zhì)，其上存儲有計算機程序，其中，該程序被處理器執(zhí)行時實現(xiàn)如權利要求1-5中任一所述的方法。5用于生成分類模型的方法和裝置技術領域[0001]本公開的實施例涉及計算機技術領域，具體涉及用于生成分類模型的方法和裝背景技術[0002]隨著人工智能技術(ArtificialIntelligence,AI)和互聯(lián)網(wǎng)技術的飛速發(fā)展，面對快速增長的海量文本信息，如何有效地對文本進行分類是后續(xù)查找內(nèi)容、提取信息價值的重要前提。[0003]相關的方式通常是有兩種：其一是利用特征工程技術提取文本特征，再根據(jù)提取的特征之間的相似程度對文本進行分類。其二是利用訓練好的自動化文本分類模型來對文本進行分類。發(fā)明內(nèi)容[0004]本公開的實施例提出了用于生成分類模型的方法和裝置。[0005]第一方面，本公開的實施例提供了一種用于生成分類模型的方法，該方法包括：獲取訓練樣本集合，其中，訓練樣本包括樣本文本和與樣本文本對應的樣本類別；確定訓練樣本集合的統(tǒng)計特征，其中，統(tǒng)計特征包括表征文本篇幅的形式特征；基于統(tǒng)計特征和對初始模型的訓練，生成文本分類模型，其中，文本分類模型用于表征文本類別與文本之間的對應關系，初始模型從預設的預訓練模型集合中選取。[0006]在一些實施例中，上述基于統(tǒng)計特征和初始模型，生成文本分類模型，包括：將形式特征輸入至預先訓練的超參數(shù)生成模型，得到與形式特征對應的超參數(shù)組，其中，超參數(shù)組中包括模型超參數(shù)和訓練超參數(shù)；從預訓練模型集合中選取與超參數(shù)組中的模型超參數(shù)匹配的預訓練模型作為初始模型；根據(jù)超參數(shù)組中的訓練超參數(shù)對初始模型進行訓練，生成文本分類模型。[0007]在一些實施例中，上述基于統(tǒng)計特征和初始模型，生成文本分類模型，包括：獲取初始超參數(shù)組集合，其中，初始超參數(shù)組中包括初始模型超參數(shù)和初始訓練超參數(shù)；從初始超參數(shù)組集合中選取初始超參數(shù)組，以及執(zhí)行以下確定步驟：從預訓練模型集合中選取與所選取的初始超參數(shù)組中的初始模型超參數(shù)匹配的預訓練模型作為初始模型；根據(jù)所選取的初始超參數(shù)組中的初始訓練超參數(shù)對所選取的初始模型進行訓練，生成初始超參數(shù)組對應的準文本分類模型；基于驗證文本集合對所生成的準文本分類模型進行評測，生成評測結果；響應于確定所生成的評測結果滿足超參數(shù)組確定條件，從滿足超參數(shù)組確定條件的評測結果對應的準文本分類模型中確定文本分類模型；響應于確定所生成的評測結果不滿足超參數(shù)組確定條件，對初始超參數(shù)組集合中的初始超參數(shù)組進行更新；從更新后的初始超參數(shù)組集合中選取初始超參數(shù)組，繼續(xù)執(zhí)行確定步驟。[0008]在一些實施例中，上述統(tǒng)計特征還包括表征文本內(nèi)容的內(nèi)容特征；以及上述從預訓練模型集合中選取與所選取的初始超參數(shù)組中的初始模型超參數(shù)匹配的預訓練模型作6為初始模型，包括：從預訓練模型集合中選取與內(nèi)容特征和所選取的初始超參數(shù)組中的初始模型超參數(shù)匹配的預訓練模型作為初始模型，其中，預訓練模型與語義標簽對應。[0009]在一些實施例中，上述根據(jù)所選取的初始超參數(shù)組中的初始訓練超參數(shù)對所選取的初始模型進行訓練，生成初始超參數(shù)組對應的準文本分類模型，包括：從訓練樣本集合中選取訓練樣本，以及執(zhí)行以下訓練步驟：將選取的訓練樣本的樣本文本輸入至所選取的初始模型，生成文本類別；根據(jù)所生成的文本類別與輸入的樣本文本對應的樣本類別，確定差異值；確定差異值是否滿足訓練完成條件，其中，差異值和訓練完成條件基于所選取的超參數(shù)組中的初始訓練超參數(shù)確定；響應于確定滿足訓練完成條件，將所選取的初始模型確定為所選取的超參數(shù)組對應的準文本分類模型；響應于確定不滿足訓練完成條件，調(diào)整所選取的初始模型的相關參數(shù)，以及從訓練樣本集合中選取訓練樣本，使用調(diào)整后的初始模型作為所選取的初始模型，繼續(xù)執(zhí)行訓練步驟。[0010]在一些實施例中，上述獲取訓練樣本集合，包括：接收用戶端發(fā)送的標注文本集合，其中，標注文本包括文本和與文本對應的文本類別標注信息；對標注文本集合進行劃分，生成訓練樣本集合和驗證文本集合，其中，訓練樣本包括作為樣本文本的文本和作為與樣本文本對應的樣本類別的文本類別標注信息。[0011]在一些實施例中，該方法還包括：接收用戶端發(fā)送的待分類文本集合；將待分類文本集合輸入至文本分類模型，生成待分類文本集合中的待分類文本對應的類別信息，其中，類別信息用于表征待分類文本所屬的類別，類別信息與樣本類別相匹配；將所生成的類別信息與對應的待分類文本信息發(fā)送至用戶端，其中，待分類文本信息用于標識待分類文本集合中的待分類文本。[0012]第二方面，本公開的實施例提供了一種用于生成分類模型的裝置，該裝置包括：獲取單元，被配置成獲取訓練樣本集合，其中，訓練樣本包括樣本文本和與樣本文本對應的樣本類別；確定單元，被配置成確定訓練樣本集合的統(tǒng)計特征，其中，統(tǒng)計特征包括表征文本篇幅的形式特征；第一生成單元，被配置成基于統(tǒng)計特征和對初始模型的訓練，生成文本分類模型，其中，文本分類模型用于表征文本類別與文本之間的對應關系，初始模型從預設的預訓練模型集合中選取。[0013]在一些實施例中，上述第一生成單元包括：第一生成模塊，被配置成將形式特征輸入至預先訓練的超參數(shù)生成模型，得到與形式特征對應的超參數(shù)組，其中，超參數(shù)組中包括模型超參數(shù)和訓練超參數(shù)；選取模塊，被配置成從預訓練模型集合中選取與超參數(shù)組中的模型超參數(shù)匹配的預訓練模型作為初始模型；第二生成模塊，被配置成根據(jù)超參數(shù)組中的訓練超參數(shù)對初始模型進行訓練，生成文本分類模型。[0014]在一些實施例中，上述第一生成單元包括：獲取模塊，被配置成獲取初始超參數(shù)組集合，其中，初始超參數(shù)組中包括初始模型超參數(shù)和初始訓練超參數(shù)；確定模塊，被配置成從初始超參數(shù)組集合中選取初始超參數(shù)組，以及執(zhí)行以下確定步驟：從預訓練模型集合中選取與所選取的初始超參數(shù)組中的初始模型超參數(shù)匹配的預訓練模型作為初始模型；根據(jù)所選取的初始超參數(shù)組中的初始訓練超參數(shù)對所選取的初始模型進行訓練，生成初始超參數(shù)組對應的準文本分類模型；基于驗證文本集合對所生成的準文本分類模型進行評測，生成評測結果；響應于確定所生成的評測結果滿足超參數(shù)組確定條件，從滿足超參數(shù)組確定條件的評測結果對應的準文本分類模型中確定文本分類模型；更新模塊，被配置成響應于7確定所生成的評測結果不滿足超參數(shù)組確定條件，對初始超參數(shù)組集合中的初始超參數(shù)組進行更新；從更新后的初始超參數(shù)組集合中選取初始超參數(shù)組，繼續(xù)執(zhí)行確定步驟。[0015]在一些實施例中，上述統(tǒng)計特征還包括表征文本內(nèi)容的內(nèi)容特征；確定模塊進一步被配置成：從預訓練模型集合中選取與內(nèi)容特征和所選取的初始超參數(shù)組中的初始模型超參數(shù)匹配的預訓練模型作為初始模型，其中，預訓練模型與語義標簽對應。[0016]在一些實施例中，上述確定模塊進一步包括：選取子模塊，被配置成從訓練樣本集合中選取訓練樣本，以及執(zhí)行以下訓練步驟：將選取的訓練樣本的樣本文本輸入至所選取的初始模型，生成文本類別；根據(jù)所生成的文本類別與輸入的樣本文本對應的樣本類別，確定差異值；確定差異值是否滿足訓練完成條件，其中，差異值和訓練完成條件基于所選取的超參數(shù)組中的初始訓練超參數(shù)確定；響應于確定滿足訓練完成條件，將所選取的初始模型確定為所選取的超參數(shù)組對應的準文本分類模型；調(diào)整子模塊，被配置成響應于確定不滿足訓練完成條件，調(diào)整所選取的初始模型的相關參數(shù)，以及從訓練樣本集合中選取訓練樣本，使用調(diào)整后的初始模型作為所選取的初始模型，繼續(xù)執(zhí)行訓練步驟。[0017]在一些實施例中，上述獲取單元包括：接收模塊，被配置成接收用戶端發(fā)送的標注文本集合，其中，標注文本包括文本和與文本對應的文本類別標注信息；第三生成模塊，被配置成對標注文本集合進行劃分，生成訓練樣本集合和驗證文本集合，其中，訓練樣本包括作為樣本文本的文本和作為與樣本文本對應的樣本類別的文本類別標注信息。[0018]在一些實施例中，該裝置還包括：接收單元，被配置成接收用戶端發(fā)送的待分類文本集合；第二生成單元，被配置成將待分類文本集合輸入至文本分類模型，生成待分類文本集合中的待分類文本對應的類別信息，其中，類別信息用于表征待分類文本所屬的類別，類別信息與樣本類別相匹配；發(fā)送單元，被配置成將所生成的類別信息與對應的待分類文本信息發(fā)送至用戶端，其中，待分類文本信息用于標識待分類文本集合中的待分類文本。[0019]第三方面，本公開的實施例提供了一種服務器，該服務器包括：一個或多個處理器；存儲裝置，其上存儲有一個或多個程序；當一個或多個程序被一個或多個處理器執(zhí)行，使得一個或多個處理器實現(xiàn)如第一方面中任一實現(xiàn)方式描述的方法。[0020]第四方面，本公開的實施例提供了一種計算機可讀介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)如第一方面中任一實現(xiàn)方式描述的方法。[0021]本公開的實施例提供的用于生成分類模型的方法和裝置，首先獲取訓練樣本集合。其中，訓練樣本包括樣本文本和與樣本文本對應的樣本類別。而后，確定訓練樣本集合的統(tǒng)計特征。其中，統(tǒng)計特征包括表征文本篇幅的形式特征。之后，基于統(tǒng)計特征和對初始模型的訓練，生成文本分類模型。其中，文本分類模型用于表征文本類別與文本之間的對應關系。上述初始模型從預設的預訓練模型集合中選取。從而無需手動調(diào)參即可實現(xiàn)文本分類模型的自動生成。附圖說明[0022]通過閱讀參照以下附圖所作的對非限制性實施例所作的詳細描述，本公開的其它特征、目的和優(yōu)點將會變得更明顯：[0023]圖1是本公開的一個實施例可以應用于其中的示例性系統(tǒng)架構圖；[0024]圖2是根據(jù)本公開的用于生成分類模型的方法的一個實施例的流程圖；8[0025]圖3是根據(jù)本公開的實施例的用于生成分類模型的方法的一個應用場景的示意[0026]圖4是根據(jù)本公開的用于生成分類模型的方法的又一個實施例的流程圖；[0027]圖5是根據(jù)本公開的用于生成分類模型的裝置的一個實施例的結構示意圖；[0028]圖6是適于用來實現(xiàn)本公開的實施例的電子設備的結構示意圖。具體實施方式[0029]下面結合附圖和實施例對本公開作進一步的詳細說明?？梢岳斫獾氖牵颂幩枋龅木唧w實施例僅僅用于解釋相關發(fā)明，而非對該發(fā)明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與有關發(fā)明相關的部分。[0030]需要說明的是，在不沖突的情況下，本公開中的實施例及實施例中的特征可以相互組合。下面將參考附圖并結合實施例來詳細說明本公開。[0031]圖1示出了可以應用本公開的用于生成分類模型的方法或用于生成分類模型的裝置的示例性架構100。[0032]如圖1所示，系統(tǒng)架構100可以包括終端設備101、102、103,網(wǎng)絡104和服務器105。網(wǎng)絡104用以在終端設備101、102、103和服務器105之間提供通信鏈路的介質(zhì)。網(wǎng)絡104可以包括各種連接類型，例如有線、無線通信鏈路或者光纖電纜等等。設備101、102、103上可以安裝有各種通訊客戶端應用，例如網(wǎng)頁瀏覽器應用、搜索類應用、件時，可以是具有顯示屏并且支持文本顯示的各種電子設備，包括但不限于智能手機、平板電腦、電子書閱讀器、膝上型便攜計算機和臺式計算機等等。當終端設備101、102件時，可以安裝在上述所列舉的電子設備中。其可以實現(xiàn)成多個軟件或軟件模塊(例如用來提供分布式服務的軟件或軟件模塊),也可以實現(xiàn)成單個軟件或軟件模塊。在此不做具體限[0035]服務器105可以是提供各種服務的服務器，例如為終端設備101、102、103上的文本分類應用提供支持的后臺服務器?？蛇x地，服務器105也可以是云服務器。后臺服務器可以根據(jù)獲取的訓練樣本集合訓練得到文本分類模型，并可以對終端設備發(fā)送的文本進行分析等處理，并將處理結果(如文本類別信息)反饋給終端設備。[0036]需要說明的是，上述訓練樣本集合也可以直接存儲在服務器105的本地，服務器105可以直接提取本地所存儲的訓練樣本集合并進行模型訓練，此時，可以不存在終端設備[0037]需要說明的是，服務器可以是硬件，也可以是軟件。當服務器為硬件時，可以實現(xiàn)成多個服務器組成的分布式服務器集群，也可以實現(xiàn)成單個服務器。當服務器為軟件時，可以實現(xiàn)成多個軟件或軟件模塊(例如用來提供分布式服務的軟件或軟件模塊),也可以實現(xiàn)成單個軟件或軟件模塊。在此不做具體限定。[0038]需要說明的是，本公開的實施例所提供的用于生成分類模型的方法一般由服務器105執(zhí)行，相應地，用于生成分類模型的裝置一般設置于服務器105中。9[0039]應該理解，圖1中的終端設備、網(wǎng)絡和服務器的數(shù)目僅僅是示意性的。根據(jù)實現(xiàn)需[0040]繼續(xù)參考圖2,示出了根據(jù)本公開的用于生成分類模型的方法的一個實施例的流程200。該用于生成分類模型的方法包括以下步驟：[0041]步驟201,獲取訓練樣本集合。[0042]在本實施例中，用于生成分類模型的方法的執(zhí)行主體(如圖1所示的服務器105)可以通過有線連接方式或者無線連接方式獲取訓練樣本集合。其中，上述訓練樣本可以包括樣本文本和與樣本文本對應的樣本類別。具體地，上述執(zhí)行主體可以獲取預先存儲于本地的訓練樣本集合，也可以獲取與之通信連接的電子設備(例如圖1所示的終端設備)發(fā)送的訓練樣本集合。[0043]實踐中，上述訓練樣本可以通過多種方式得到。作為示例，可以由技術人員為所獲取的文本集合中的各文本進行類別標注。將文本與所標注的類別關聯(lián)存儲，最終得到訓練樣本。作為又一示例，可以對門戶網(wǎng)站上的信息資源進行加工。例如可以將網(wǎng)頁中的文章作為樣本文本，將文章所屬的欄目作為樣本類別，形成訓練樣本。通過大量的數(shù)據(jù)形成大量的[0044]在本實施例的一些可選的實現(xiàn)方式中，上述執(zhí)行主體還可以按照如下步驟獲取訓練樣本集合：[0045]第一步，接收用戶端發(fā)送的標注文本集合。[0046]在這些實現(xiàn)方式中，上述執(zhí)行主體可以接收用戶端(例如圖1所示的終端設備)上傳的標注文本集合。其中，上述標注文本可以包括文本和與文本對應的文本類別標注信息。[0047]第二步，對標注文本集合進行劃分，生成訓練樣本集合和驗證文本集合。[0048]在這些實現(xiàn)方式中，上述執(zhí)行主體可以按照一定的比例對上述第一步所接收的標注文本集合進行劃分，從而得到訓練樣本集合和驗證文本集合。其中，上述訓練樣本可以包括作為樣本文本的文本和作為與樣本文本對應的樣本類別的文本類別標注信息。通常，上述比例可以預先設定，例如8:2或7:3.可選地，上述比例也可以根據(jù)用戶的選擇而設定。[0049]步驟202,確定訓練樣本集合的統(tǒng)計特征。[0050]在本實施例中，上述執(zhí)行主體可以通過各種方式確定訓練樣本集合的統(tǒng)計特征。其中，上述統(tǒng)計特征可以包括表征文本篇幅的形式特征。上述統(tǒng)計特征可以包括但不限于[0051]在本實施例的一些可選的實現(xiàn)方式中，上述統(tǒng)計特征還可以包括表征文本內(nèi)容的內(nèi)容特征。上述統(tǒng)計特征可以包括但不限于以下至少一項：字頻向量，基于向量空間模型(vectorspacemodel,VSM)所確定的文本特征向量。[0052]步驟203,基于統(tǒng)計特征和對初始模型的訓練，生成文本分類模型。[0053]在本實施例中，基于統(tǒng)計特征和對初始模型的訓練，上述執(zhí)行主體可以通過各種方式生成文本分類模型。其中，上述文本分類模型可以用于表征文本類別與文本之間的對應關系。上述初始模型可以從預設的預訓練模型集合中選取。上述預訓練模型集合中的預訓練模型可以是包括基于不同領域(如金融、法律、科技、體育)的海量數(shù)據(jù)集而預先訓練的模型。上述預訓練模型可以用于表征文本類別與文本之間的對應關系。上述預訓練模型可以蘊含足夠的相關領域的基礎語義、推理等知識?？梢岳斫?，上述基于不同領域的海量數(shù)據(jù)集而生成的預訓練模型可以分別看作在不同領域下的元學習(model-agnosticmeta-learning,MAML)的初始表征(representation)。從而，上述預訓練模型經(jīng)過后續(xù)訓練對模型結果調(diào)整后可以用于上述海量數(shù)據(jù)集所屬領域的子領域的文本分類。[0054]在本實施例的一些可選的實現(xiàn)方式中，上述執(zhí)行主體可以按照如下步驟生成文本分類模型：[0055]第一步，將形式特征輸入至預先訓練的超參數(shù)(hyper-parameters)生成模型，得到與形式特征對應的超參數(shù)組。[0056]在這些可選的實現(xiàn)方式中，上述執(zhí)行主體可以將步驟202所確定的形式特征輸入至預先訓練的超參數(shù)生成模型，得到與形式特征對應的超參數(shù)組。其中，上述超參數(shù)組中可以包括模型超參數(shù)和訓練超參數(shù)。上述模型超參數(shù)可以用于表征模型自身的屬性。例如，上述模型超參數(shù)可以包括但不限于以下至少一項：神經(jīng)網(wǎng)絡的層數(shù)，隱層中每層的節(jié)點數(shù)，詞向量(embedding)的維度。上述訓練超參數(shù)可以用于指示模型的訓練過程。例如，上述訓練超參數(shù)可以包括但不限于以下至少一項：學習率(learningrate),批處理參數(shù)(batchsize),限制最大梯度(clipc),dropout值(例如0.5),L2正則值(例如1.0)。[0057]在這些可選的實現(xiàn)方式中，上述超參數(shù)生成模型可以用于表征超參數(shù)組與形式特征之間的對應關系。作為示例，上述超參數(shù)生成模型可以是技術人員基于對大量的形式特征和對應的訓練效果較好的超參數(shù)組的統(tǒng)計而預先指定的、存儲有多個形式特征與超參數(shù)組的對應關系的對應關系表。作為又一示例，上述超參數(shù)生成模型可以是基于大量的樣本，利用機器學習算法訓練生成的模型。其中，上述樣本可以由形式特征和對應的訓練效果較好的超參數(shù)組組成。[0058]第二步，從預訓練模型集合中選取與超參數(shù)組中的模型超參數(shù)匹配的預訓練模型作為初始模型。[0059]在這些實現(xiàn)方式中，上述執(zhí)行主體可以從預訓練模型集合中選取模型結構與上述第一步所得到的超參數(shù)組中的模型超參數(shù)匹配的預訓練模型作為初始模型。其中，上述匹配可以包括相同或相近。例如，上述模型超參數(shù)可以是隱層數(shù)為2,則上述初始模型可以是包括2層隱層的神經(jīng)網(wǎng)絡。[0060]第三步，根據(jù)超參數(shù)組中的訓練超參數(shù)對初始模型進行訓練，生成文本分類模型。[0061]在這些實現(xiàn)方式中，上述執(zhí)行主體可以根據(jù)上述第一步所得到的超參數(shù)組中的訓練超參數(shù)的指示，利用各種機器學習算法對上述第二步所選取的初始模型進行訓練，生成文本分類模型。[0062]在本實施例的一些可選的實現(xiàn)方式中，上述執(zhí)行主體還可以按照如下步驟生成文本分類模型：[0064]在這些實現(xiàn)方式中，上述執(zhí)行主體可以首先通過有線連接方式或者無線連接方式獲取初始超參數(shù)組集合。其中，上述初始超參數(shù)組中可以包括初始模型超參數(shù)和初始訓練超參數(shù)。上述初始超參數(shù)組中的初始模型超參數(shù)和初始訓練超參數(shù)的相關描述可以與前述超參數(shù)組中的模型超參數(shù)和訓練超參數(shù)一致，此處不再贅述。[0065]在這些實現(xiàn)方式中，上述執(zhí)行主體可以獲取預先存儲于本地的初始超參數(shù)組集合，也可以獲取與之通信連接的電子設備(例如數(shù)據(jù)服務器)發(fā)送的初始超參數(shù)組集合。可11選地，上述執(zhí)行主體還可以從本地或上述電子設備中獲取與統(tǒng)計特征匹配的初始超參數(shù)組集合。例如，統(tǒng)計特征中的平均文本長度與初始超參數(shù)組中的訓練次數(shù)閾值之間可以具有匹配關系?？蛇x地，上述執(zhí)行主體還可以隨機生成初始超參數(shù)組中各初始超參數(shù)組對應的[0066]第二步，從初始超參數(shù)組集合中選取初始超參數(shù)組，以及執(zhí)行以下確定步驟。上述確定步驟可以包括：[0067]S1、從預訓練模型集合中選取與所選取的初始超參數(shù)組中的初始模型超參數(shù)匹配的預訓練模型作為初始模型。[0068]在這些實現(xiàn)方式中，上述執(zhí)行主體可以從預訓練模型集合中選取與所選取的初始超參數(shù)組中的初始模型超參數(shù)匹配的一個或多個預訓練模型作為初始模型?？蛇x地，上述執(zhí)行主體還可以選取與統(tǒng)計特征匹配的一個或多個預訓練模型作為初始模型。例如，統(tǒng)計特征中的最大文本長度與初始超參數(shù)組中的隱層節(jié)點數(shù)之間可以具有匹配關系。[0069]可選地，基于上述統(tǒng)計特征中的內(nèi)容特征，上述執(zhí)行主體還可以從預訓練模型集合中選取與內(nèi)容特征和所選取的初始超參數(shù)組中的初始模型超參數(shù)匹配的一個或多個預訓練模型作為初始模型。其中，預訓練模型可以與語義標簽對應。通常，上述語義標簽可以與上述預訓練模型集合中的預訓練模型在預訓練過程中所依據(jù)的數(shù)據(jù)集的領域一致。上述執(zhí)行主體可以通過各種方式確定上述內(nèi)容特征與語義標簽之間的匹配程度。作為示例，上述執(zhí)行主體可以計算上述訓練樣本集合的字頻向量與上述語義標簽之間的相似度。[0070]S2、根據(jù)所選取的初始超參數(shù)組中的初始訓練超參數(shù)對所選取的初始模型進行訓練，生成初始超參數(shù)組對應的準文本分類模型。[0071]基于上述可選的實現(xiàn)方式，上述執(zhí)行主體可以根據(jù)上述第二步所選取的初始超參數(shù)組中的初始訓練超參數(shù)的指示，利用各種機器學習算法對上述步驟S1中所選取的初始模型進行訓練，生成所選取的初始超參數(shù)組對應的準文本分類模型。[0072]可選地，上述執(zhí)行主體還可以按照如下步驟生成所選取的初始超參數(shù)組對應的準文本分類模型：[0073]第1步，從訓練樣本集合中選取訓練樣本，以及執(zhí)行以下訓練步驟。上述訓練步驟可以包括：[0074]S21、將選取的訓練樣本的樣本文本輸入至所選取的初始模型，生成文本類別。[0075]S22、根據(jù)所生成的文本類別與輸入的樣本文本對應的樣本類別，確定差異值。[0077]基于上述可選的實現(xiàn)方式，上述差異值和訓練完成條件可以基于所選取的超參數(shù)組中的初始訓練超參數(shù)確定。作為示例，上述初始訓練超參數(shù)可以包括損失函數(shù)，訓練完成條件閾值。上述差異值可以根據(jù)損失函數(shù)而確定。上述訓練完成條件閾值可以包括但不限[0078]S24、響應于確定滿足訓練完成條件，將所選取的初始模型確定為所選取的超參數(shù)組對應的準文本分類模型。[0079]第2步，響應于確定不滿足訓練完成條件，調(diào)整所選取的初始模型的相關參數(shù)，以及從訓練樣本集合中選取訓練樣本，使用調(diào)整后的初始模型作為所選取的初始模型，繼續(xù)執(zhí)行上述訓練步驟。采用各種方法調(diào)整所選取的初始模型的相關參數(shù)，以及從訓練樣本集合中選取訓練樣本，descent,SGD)以及小批量梯度下降(mini-batchgradientdescent,MBGD)。[0084]基于上述可選的實現(xiàn)方式，響應于確定所生成的評測結果滿足超參數(shù)組確定條[0085]作為示例，上述執(zhí)行主體可以從初始超參數(shù)組集合中每次選取一個初始超參數(shù)組，那么,上述執(zhí)行主體可以將滿足超參數(shù)組確定條件的評測結果對應的準文本分類模型多個初始超參數(shù)組，那么,滿足超參數(shù)組確定條件的評測結果對應的準文本分類模型也可以有多個。上述執(zhí)行主體通常可以選取評測結果最優(yōu)的準文本分類模型作為文本分類模組集合中的超參數(shù)組進行更新；以及從更新后的初始超參數(shù)組集合中選取初始超參數(shù)組，以包括但不限于以下至少一項：遺傳算法(geneticalgorithm,GA),模擬退火算法(simulatedannealing,SA),蟻群算法(antcolonyalgorithm,ACA),貝葉斯優(yōu)化303上傳至后臺服務器304.后臺服務器304可以確定帶標注的投資類文本集合303的平均文本長度為3000字。而后，后臺服務器304可以根據(jù)所確定的平均文本長度生成對應的超參數(shù)組3031。接下來，后臺服務器304可以從預設的預訓練模型集合3032中選取基于金融領域數(shù)據(jù)集進行訓練的預訓練模型作為初始模型3033,根據(jù)所生成的超參數(shù)組3031對上述初始模型3033進行訓練，生成文本分類模型305?？蛇x地，后臺服務器304還可以向終端設備302發(fā)送表征模型訓練完成的提示信息306。[0091]目前，現(xiàn)有技術之一通常是通過復雜的特征工程技術獲取特征詞向量或根據(jù)預設的超參數(shù)對初始模型進行訓練。由于特征工程的設計和超參數(shù)的選擇往往需要用戶具有豐富的建模經(jīng)驗，導致訓練文本分類模型的技術門檻較高。而本公開的上述實施例提供的方法，通過確定訓練樣本集合的統(tǒng)計特征，根據(jù)統(tǒng)計特征進行預訓練模型的選取并按照與統(tǒng)計特征匹配的方式進行訓練。實現(xiàn)了通過預訓練模型和小規(guī)模樣本的微調(diào)生成文本分類模成本的投入下快速落地適合自身需求的文本分類應用。[0092]進一步參考圖4,其示出了用于生成分類模型的方法的又一個實施例的流程400。該用于生成分類模型的方法的流程400,包括以下步驟：[0093]步驟401,獲取訓練樣本集合。[0094]步驟402,確定訓練樣本集合的統(tǒng)計特征。[0095]步驟403,基于統(tǒng)計特征和對初始模型的訓練，生成文本分類模型。[0096]上述步驟401、步驟402、步驟403分別與前述實施例中的步驟201、步驟202、步驟203一致，上文針對步驟201、步驟202和步驟203的描述也適用于步驟401、步驟402和步驟403,此處不再贅述。[0097]步驟404,接收用戶端發(fā)送的待分類文本集合。[0098]在本實施例中，用于生成分類模型的方法的執(zhí)行主體(例如圖1所示的服務器105)可以通過有線連接方式或者無線連接方式接收用戶端(例如圖1所示的終端設備)發(fā)送的待分類文本集合。[0099]需要說明的是，上述步驟404和步驟401可以基本并行地執(zhí)行，也可以先執(zhí)行上述步驟404,再執(zhí)行上述步驟401。[0100]步驟405,將待分類文本集合輸入至文本分類模型，生成待分類文本集合中的待分類文本對應的類別信息。[0101]在本實施例中，上述執(zhí)行主體可以將步驟405所接收的待分類文本集合輸入至步驟403所生成的文本分類模型，生成待分類文本集合中的待分類文本對應的類別信息。其中，上述類別信息可以用于表征待分類文本所屬的類別?？梢岳斫猓捎谏鲜鑫谋痉诸惸Ｐ突谏鲜霾襟E401所獲取的訓練樣本集合訓練得到，因而所生成的待分類文本對應的類別信息可以與上述訓練樣本的樣本類別相匹配。[0102]步驟406,將所生成的類別信息與對應的待分類文本信息發(fā)送至用戶端。[0103]在本實施例中，上述執(zhí)行主體可以通過有線連接方式或者無線連接方式將所生成的類別信息與對應的待分類文本信息發(fā)送至用戶端。其中，上述待分類文本信息可以用于標識上述待分類文本集合中的待分類文本。[0104]從圖4中可以看出，本實施例中的用于生成分類模型的方法的流程400體現(xiàn)了利用所生成的文本分類模型對用戶上傳的待分類文本進行分類的步驟。由此，本實施例描述的方案可以通過用戶上傳的已標注文本訓練文本分類模型，進而使用訓練好的文本分類模型對上傳的未標注文本進行分類，從而實現(xiàn)了在無需人工調(diào)參的情況下，利用現(xiàn)有的樣本有針對性地訓練和應用所需要的文本分類模型。進而降低了文本分類模型的訓練和使用門檻。[0105]進一步參考圖5,作為對上述各圖所示方法的實現(xiàn)，本公開提供了用于生成分類模型的裝置的一個實施例，該裝置實施例與圖2所示的方法實施例相對應，該裝置具體可以應用于各種電子設備中。[0106]如圖5所示，本實施例提供的用于生成分類模型的裝置500包括獲取單元501、確定單元502和第一生成單元503。其中，獲取單元501,被配置成獲取訓練樣本集合，其中，訓練樣本包括樣本文本和與樣本文本對應的樣本類別；確定單元502,被配置成確定訓練樣本集合的統(tǒng)計特征，其中，統(tǒng)計特征包括表征文本篇幅的形式特征；第一生成單元503,被配置成基于統(tǒng)計特征和對初始模型的訓練，生成文本分類模型，其中，文本分類模型用于表征文本類別與文本之間的對應關系，初始模型從預設的預訓練模型集合中選取。[0107]在本實施例中，用于生成分類模型的裝置500中：獲取單元501、確定單元502和第一生成單元503的具體處理及其所帶來的技術效果可分別參考圖2對應實施例中的步驟[0108]在本實施例的一些可選的實現(xiàn)方式中，上述第一生成單元503可以包括第一生成模塊(圖中未示出)、選取模塊(圖中未示出)、第二生成模塊(圖中未示出)。其中，上述第一生成模塊，可以被配置成將形式特征輸入至預先訓練的超參數(shù)生成模型，得到與形式特征對應的超參數(shù)組。其中，上述超參數(shù)組中可以包括模型超參數(shù)和訓練超參數(shù)。上述選取模塊，可以被配置成從預訓練模型集合中選取與超參數(shù)組中的模型超參數(shù)匹配的預訓練模型作為初始模型。上述第二生成模塊，可以被配置成根據(jù)超參數(shù)組中的訓練超參數(shù)對初始模[0109]在本實施例的一些可選的實現(xiàn)方式中，上述第一生成單元503可以包括獲取模塊被配置成獲取初始超參數(shù)組集合。其中，上述初始超參數(shù)組中可以包括初始模型超參數(shù)和初始訓練超參數(shù)。上述確定模塊，可以被配置成從初始超參數(shù)組集合中選取初始超參數(shù)組，以及執(zhí)行以下確定步驟：從預訓練模型集合中選取與所選取的初始超參數(shù)組中的初始模型超參數(shù)匹配的預訓練模型作為初始模型；根據(jù)所選取的初始超參數(shù)組中的初始訓練超參數(shù)對所選取的初始模型進行訓練，生成初始超參數(shù)組對應的準文本分類模型；基于驗證文本集合對所生成的準文本分類模型進行評測，生成評測結果；響應于確定所生成的評測結果滿足超參數(shù)組確定條件，從滿足超參數(shù)組確定條件的評測結果對應的準文本分類模型中確定文本分類模型。上述更新模塊，可以被配置成響應于確定所生成的評測結果不滿足超參數(shù)組確定條件，對初始超參數(shù)組集合中的初始超參數(shù)組進行更新；從更新后的初始超參數(shù)組集合中選取初始超參數(shù)組，繼續(xù)執(zhí)行確定步驟。[0110]在本實施例的一些可選的實現(xiàn)方式中，上述統(tǒng)計特征還可以包括表征文本內(nèi)容的內(nèi)容特征。上述確定模塊可以進一步被配置成：從預訓練模型集合中選取與內(nèi)容特征和所選取的初始超參數(shù)組中的初始模型超參數(shù)匹配的預訓練模型作為初始模型。其中，上述預訓練模型可以與語義標簽對應。[0111]在本實施例的一些可選的實現(xiàn)方式中，上述確定模塊可以進一步包括：選取子模塊(圖中未示出)、調(diào)整子模塊(圖中未示出)。其中，上述選取子模塊，可以被配置成從訓練樣本集合中選取訓練樣本，以及執(zhí)行以下訓練步驟：將選取的訓練樣本的樣本文本輸入至所選取的初始模型，生成文本類別；根據(jù)所生成的文本類別與輸入的樣本文本對應的樣本類別，確定差異值；確定差異值是否滿足訓練完成條件，其中，差異值和訓練完成條件基于所選取的超參數(shù)組中的初始訓練超參數(shù)確定；響應于確定滿足訓練完成條件，將所選取的初始模型確定為所選取的超參數(shù)組對應的準文本分類模型。上述調(diào)整子模塊，可以被配置成響應于確定不滿足訓練完成條件，調(diào)整所選取的初始模型的相關參數(shù)，以及從訓練樣本集合中選取訓練樣本，使用調(diào)整后的初始模型作為所選取的初始模型，繼續(xù)執(zhí)行訓練步驟。[0112]在本實施例的一些可選的實現(xiàn)方式中，上述獲取單元501可以包括：接收模塊(圖送的標注文本集合。其中，上述標注文本可以包括文本和與文本對應的文本類別標注信息。上述生成模塊，可以被配置成對標注文本集合進行劃分，生成訓練樣本集合和驗證文本集合。其中，上述訓練樣本可以包括作為樣本文本的文本和作為與樣本文本對應的樣本類別的文本類別標注信息。[0113]在本實施例的一些可選的實現(xiàn)方式中，上述用于生成分類模型的裝置500可以包述接收單元，可以被配置成接收用戶端發(fā)送的待分類文本集合。上述第二生成單元，可以被配置成將待分類文本集合輸入至文本分類模型，生成待分類文本集合中的待分類文本對應的類別信息。其中，上述類別信息可以用于表征待分類文本所屬的類別。上述類別信息可以與樣本類別相匹配。上述發(fā)送單元，可以被配置成將所生成的類別信息與對應的待分類文本信息發(fā)送至用戶端。其中，上述待分類文本信息可以用于標識待分類文本集合中的待分[0114]本公開的上述實施例提供的裝置，通過獲取單元501獲取訓練樣本集合。其中，訓練樣本包括樣本文本和與樣本文本對應的樣本類別。而后，確定單元502確定訓練樣本集合計特征和對初始模型的訓練，生成文本分類模型。其中，文本分類模型用于表征文本類別與文本之間的對應關系。初始模型從預設的預訓練模型集合中選取。從而無需手動調(diào)參即可實現(xiàn)文本分類模型的自動生成。[0115]下面參考圖6,其示出了適于用來實現(xiàn)本公開的實施例的電子設備(例如圖1中的服務器)600的結構示意圖。圖6示出的服務器僅僅是一個示例，不應對本公開的實施例的功能和使用范圍帶來任何限制。[0116]如圖6所示，電子設備600可以包括處理裝置(例如中央處理器、圖形處理器等)601,其可以根據(jù)存儲在只讀存儲器(ROM)602中的程序或者從存儲裝置608加載到隨機訪問存儲器(RAM)603中的程序而執(zhí)行各種適當?shù)膭幼骱?00操作所需的各種程序和數(shù)據(jù)。處理裝置601、ROM602以及RAM603通過總線604彼此相連。輸入/輸出(I/0)接口605也連接至總線604。像頭、麥克風等的輸入裝置606;包括例如液晶顯示器(LCD,LiquidCrystalDisplay)、揚聲器、振動器等的輸出裝置607;包括例如磁帶、硬盤等的存儲裝置608;以及通信裝置609。通信裝置609可以允許電子設備600與其他設備進行無線或有線通信以交換數(shù)據(jù)。雖然圖6示出了具有各種裝置的電子設備600,但是應理解的是，并不要求實施或具備所有示出的裝置?？梢蕴娲貙嵤┗蚓邆涓嗷蚋俚难b置。圖6中示出的每個方框可以代表一個裝置，也可以根據(jù)需要代表多個裝置。[0118]特別地，根據(jù)本公開的實施例，上文參考流程圖描述的過程可以被實現(xiàn)為計算機軟件程序。例如，本公開的實施例包括一種計算機程序產(chǎn)品，其包括承載在計算機可讀介質(zhì)上的計算機程序，該計算機程序包含用于執(zhí)行流程圖所示的方法的程序代碼。在這樣的實施例中，該計算機程序可以通過通信裝置609從網(wǎng)絡上被下載和安裝，或者從存儲裝置608被安裝，或者從ROM602被安裝。在該計算機程序被處理裝置601執(zhí)行時，執(zhí)行本公開的例的方法中限定的上述功能。[0119]需要說明的是，本公開的實施例所述的計算機可讀介質(zhì)可以是計算機可讀信號介質(zhì)或者計算機可讀存儲介質(zhì)或者是上述兩者的任意組合。計算機可讀存儲介質(zhì)例如可以的組合。計算機可讀存儲介質(zhì)的更具體的例子可以包括但不限于：具有一個或多個導線的儲器件、或者上述的任意合適的組合。在本公開的實施例中，計算機可讀存儲介