用于生成分类模型的方法和装置与流程

本公开的实施例涉及计算机技术领域，具体涉及用于生成分类模型的方法和装置。

背景技术：

随着人工智能技术(artificialintelligence，ai)和互联网技术的飞速发展，面对快速增长的海量文本信息，如何有效地对文本进行分类是后续查找内容、提取信息价值的重要前提。

相关的方式通常是有两种：其一是利用特征工程技术提取文本特征，再根据提取的特征之间的相似程度对文本进行分类。其二是利用训练好的自动化文本分类模型来对文本进行分类。

技术实现要素：

本公开的实施例提出了用于生成分类模型的方法和装置。

第一方面，本公开的实施例提供了一种用于生成分类模型的方法，该方法包括：获取训练样本集合，其中，训练样本包括样本文本和与样本文本对应的样本类别；确定训练样本集合的统计特征，其中，统计特征包括表征文本篇幅的形式特征；基于统计特征和对初始模型的训练，生成文本分类模型，其中，文本分类模型用于表征文本类别与文本之间的对应关系，初始模型从预设的预训练模型集合中选取。

在一些实施例中，上述基于统计特征和初始模型，生成文本分类模型，包括：将形式特征输入至预先训练的超参数生成模型，得到与形式特征对应的超参数组，其中，超参数组中包括模型超参数和训练超参数；从预训练模型集合中选取与超参数组中的模型超参数匹配的预训练模型作为初始模型；根据超参数组中的训练超参数对初始模型进行训练，生成文本分类模型。

在一些实施例中，上述基于统计特征和初始模型，生成文本分类模型，包括：获取初始超参数组集合，其中，初始超参数组中包括初始模型超参数和初始训练超参数；从初始超参数组集合中选取初始超参数组，以及执行以下确定步骤：从预训练模型集合中选取与所选取的初始超参数组中的初始模型超参数匹配的预训练模型作为初始模型；根据所选取的初始超参数组中的初始训练超参数对所选取的初始模型进行训练，生成初始超参数组对应的准文本分类模型；基于验证文本集合对所生成的准文本分类模型进行评测，生成评测结果；响应于确定所生成的评测结果满足超参数组确定条件，从满足超参数组确定条件的评测结果对应的准文本分类模型中确定文本分类模型；响应于确定所生成的评测结果不满足超参数组确定条件，对初始超参数组集合中的初始超参数组进行更新；从更新后的初始超参数组集合中选取初始超参数组，继续执行确定步骤。

在一些实施例中，上述统计特征还包括表征文本内容的内容特征；以及上述从预训练模型集合中选取与所选取的初始超参数组中的初始模型超参数匹配的预训练模型作为初始模型，包括：从预训练模型集合中选取与内容特征和所选取的初始超参数组中的初始模型超参数匹配的预训练模型作为初始模型，其中，预训练模型与语义标签对应。

在一些实施例中，上述根据所选取的初始超参数组中的初始训练超参数对所选取的初始模型进行训练，生成初始超参数组对应的准文本分类模型，包括：从训练样本集合中选取训练样本，以及执行以下训练步骤：将选取的训练样本的样本文本输入至所选取的初始模型，生成文本类别；根据所生成的文本类别与输入的样本文本对应的样本类别，确定差异值；确定差异值是否满足训练完成条件，其中，差异值和训练完成条件基于所选取的超参数组中的初始训练超参数确定；响应于确定满足训练完成条件，将所选取的初始模型确定为所选取的超参数组对应的准文本分类模型；响应于确定不满足训练完成条件，调整所选取的初始模型的相关参数，以及从训练样本集合中选取训练样本，使用调整后的初始模型作为所选取的初始模型，继续执行训练步骤。

在一些实施例中，上述获取训练样本集合，包括：接收用户端发送的标注文本集合，其中，标注文本包括文本和与文本对应的文本类别标注信息；对标注文本集合进行划分，生成训练样本集合和验证文本集合，其中，训练样本包括作为样本文本的文本和作为与样本文本对应的样本类别的文本类别标注信息。

在一些实施例中，该方法还包括：接收用户端发送的待分类文本集合；将待分类文本集合输入至文本分类模型，生成待分类文本集合中的待分类文本对应的类别信息，其中，类别信息用于表征待分类文本所属的类别，类别信息与样本类别相匹配；将所生成的类别信息与对应的待分类文本信息发送至用户端，其中，待分类文本信息用于标识待分类文本集合中的待分类文本。

第二方面，本公开的实施例提供了一种用于生成分类模型的装置，该装置包括：获取单元，被配置成获取训练样本集合，其中，训练样本包括样本文本和与样本文本对应的样本类别；确定单元，被配置成确定训练样本集合的统计特征，其中，统计特征包括表征文本篇幅的形式特征；第一生成单元，被配置成基于统计特征和对初始模型的训练，生成文本分类模型，其中，文本分类模型用于表征文本类别与文本之间的对应关系，初始模型从预设的预训练模型集合中选取。

在一些实施例中，上述第一生成单元包括：第一生成模块，被配置成将形式特征输入至预先训练的超参数生成模型，得到与形式特征对应的超参数组，其中，超参数组中包括模型超参数和训练超参数；选取模块，被配置成从预训练模型集合中选取与超参数组中的模型超参数匹配的预训练模型作为初始模型；第二生成模块，被配置成根据超参数组中的训练超参数对初始模型进行训练，生成文本分类模型。

在一些实施例中，上述第一生成单元包括：获取模块，被配置成获取初始超参数组集合，其中，初始超参数组中包括初始模型超参数和初始训练超参数；确定模块，被配置成从初始超参数组集合中选取初始超参数组，以及执行以下确定步骤：从预训练模型集合中选取与所选取的初始超参数组中的初始模型超参数匹配的预训练模型作为初始模型；根据所选取的初始超参数组中的初始训练超参数对所选取的初始模型进行训练，生成初始超参数组对应的准文本分类模型；基于验证文本集合对所生成的准文本分类模型进行评测，生成评测结果；响应于确定所生成的评测结果满足超参数组确定条件，从满足超参数组确定条件的评测结果对应的准文本分类模型中确定文本分类模型；更新模块，被配置成响应于确定所生成的评测结果不满足超参数组确定条件，对初始超参数组集合中的初始超参数组进行更新；从更新后的初始超参数组集合中选取初始超参数组，继续执行确定步骤。

在一些实施例中，上述统计特征还包括表征文本内容的内容特征；确定模块进一步被配置成：从预训练模型集合中选取与内容特征和所选取的初始超参数组中的初始模型超参数匹配的预训练模型作为初始模型，其中，预训练模型与语义标签对应。

在一些实施例中，上述确定模块进一步包括：选取子模块，被配置成从训练样本集合中选取训练样本，以及执行以下训练步骤：将选取的训练样本的样本文本输入至所选取的初始模型，生成文本类别；根据所生成的文本类别与输入的样本文本对应的样本类别，确定差异值；确定差异值是否满足训练完成条件，其中，差异值和训练完成条件基于所选取的超参数组中的初始训练超参数确定；响应于确定满足训练完成条件，将所选取的初始模型确定为所选取的超参数组对应的准文本分类模型；调整子模块，被配置成响应于确定不满足训练完成条件，调整所选取的初始模型的相关参数，以及从训练样本集合中选取训练样本，使用调整后的初始模型作为所选取的初始模型，继续执行训练步骤。

在一些实施例中，上述获取单元包括：接收模块，被配置成接收用户端发送的标注文本集合，其中，标注文本包括文本和与文本对应的文本类别标注信息；第三生成模块，被配置成对标注文本集合进行划分，生成训练样本集合和验证文本集合，其中，训练样本包括作为样本文本的文本和作为与样本文本对应的样本类别的文本类别标注信息。

在一些实施例中，该装置还包括：接收单元，被配置成接收用户端发送的待分类文本集合；第二生成单元，被配置成将待分类文本集合输入至文本分类模型，生成待分类文本集合中的待分类文本对应的类别信息，其中，类别信息用于表征待分类文本所属的类别，类别信息与样本类别相匹配；发送单元，被配置成将所生成的类别信息与对应的待分类文本信息发送至用户端，其中，待分类文本信息用于标识待分类文本集合中的待分类文本。

第三方面，本公开的实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的实施例提供的用于生成分类模型的方法和装置，首先获取训练样本集合。其中，训练样本包括样本文本和与样本文本对应的样本类别。而后，确定训练样本集合的统计特征。其中，统计特征包括表征文本篇幅的形式特征。之后，基于统计特征和对初始模型的训练，生成文本分类模型。其中，文本分类模型用于表征文本类别与文本之间的对应关系。上述初始模型从预设的预训练模型集合中选取。从而无需手动调参即可实现文本分类模型的自动生成。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成分类模型的方法的一个实施例的流程图；

图3是根据本公开的实施例的用于生成分类模型的方法的一个应用场景的示意图；

图4是根据本公开的用于生成分类模型的方法的又一个实施例的流程图；

图5是根据本公开的用于生成分类模型的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的用于生成分类模型的方法或用于生成分类模型的装置的示例性架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。

终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件、文本编辑类应用、阅读类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持文本显示的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103上的文本分类应用提供支持的后台服务器。可选地，服务器105也可以是云服务器。后台服务器可以根据获取的训练样本集合训练得到文本分类模型，并可以对终端设备发送的文本进行分析等处理，并将处理结果(如文本类别信息)反馈给终端设备。

需要说明的是，上述训练样本集合也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的训练样本集合并进行模型训练，此时，可以不存在终端设备101、102、103和网络104。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开的实施例所提供的用于生成分类模型的方法一般由服务器105执行，相应地，用于生成分类模型的装置一般设置于服务器105中。

应该理解，图1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。

继续参考图2，示出了根据本公开的用于生成分类模型的方法的一个实施例的流程200。该用于生成分类模型的方法包括以下步骤：

步骤201，获取训练样本集合。

在本实施例中，用于生成分类模型的方法的执行主体(如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取训练样本集合。其中，上述训练样本可以包括样本文本和与样本文本对应的样本类别。具体地，上述执行主体可以获取预先存储于本地的训练样本集合，也可以获取与之通信连接的电子设备(例如图1所示的终端设备)发送的训练样本集合。

实践中，上述训练样本可以通过多种方式得到。作为示例，可以由技术人员为所获取的文本集合中的各文本进行类别标注。将文本与所标注的类别关联存储，最终得到训练样本。作为又一示例，可以对门户网站上的信息资源进行加工。例如可以将网页中的文章作为样本文本，将文章所属的栏目作为样本类别，形成训练样本。通过大量的数据形成大量的训练样本，进而组成训练样本集合。

在本实施例的一些可选的实现方式中，上述执行主体还可以按照如下步骤获取训练样本集合：

第一步，接收用户端发送的标注文本集合。

在这些实现方式中，上述执行主体可以接收用户端(例如图1所示的终端设备)上传的标注文本集合。其中，上述标注文本可以包括文本和与文本对应的文本类别标注信息。

第二步，对标注文本集合进行划分，生成训练样本集合和验证文本集合。

在这些实现方式中，上述执行主体可以按照一定的比例对上述第一步所接收的标注文本集合进行划分，从而得到训练样本集合和验证文本集合。其中，上述训练样本可以包括作为样本文本的文本和作为与样本文本对应的样本类别的文本类别标注信息。通常，上述比例可以预先设定，例如8:2或7:3。可选地，上述比例也可以根据用户的选择而设定。

步骤202，确定训练样本集合的统计特征。

在本实施例中，上述执行主体可以通过各种方式确定训练样本集合的统计特征。其中，上述统计特征可以包括表征文本篇幅的形式特征。上述统计特征可以包括但不限于以下至少一项：样本类别的类目数，最大文本长度，最小文本长度，平均文本长度。

在本实施例的一些可选的实现方式中，上述统计特征还可以包括表征文本内容的内容特征。上述统计特征可以包括但不限于以下至少一项：字频向量，基于向量空间模型(vectorspacemodel，vsm)所确定的文本特征向量。

步骤203，基于统计特征和对初始模型的训练，生成文本分类模型。

在本实施例中，基于统计特征和对初始模型的训练，上述执行主体可以通过各种方式生成文本分类模型。其中，上述文本分类模型可以用于表征文本类别与文本之间的对应关系。上述初始模型可以从预设的预训练模型集合中选取。上述预训练模型集合中的预训练模型可以是包括基于不同领域(如金融、法律、科技、体育)的海量数据集而预先训练的模型。上述预训练模型可以用于表征文本类别与文本之间的对应关系。上述预训练模型可以蕴含足够的相关领域的基础语义、推理等知识。可以理解，上述基于不同领域的海量数据集而生成的预训练模型可以分别看作在不同领域下的元学习(model-agnosticmeta-learning，maml)的初始表征(representation)。从而，上述预训练模型经过后续训练对模型结果调整后可以用于上述海量数据集所属领域的子领域的文本分类。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤生成文本分类模型：

第一步，将形式特征输入至预先训练的超参数(hyper-parameters)生成模型，得到与形式特征对应的超参数组。

在这些可选的实现方式中，上述执行主体可以将步骤202所确定的形式特征输入至预先训练的超参数生成模型，得到与形式特征对应的超参数组。其中，上述超参数组中可以包括模型超参数和训练超参数。上述模型超参数可以用于表征模型自身的属性。例如，上述模型超参数可以包括但不限于以下至少一项：神经网络的层数，隐层中每层的节点数，词向量(embedding)的维度。上述训练超参数可以用于指示模型的训练过程。例如，上述训练超参数可以包括但不限于以下至少一项：学习率(learningrate)，批处理参数(batchsize)，限制最大梯度(clipc)，dropout值(例如0.5)，l2正则值(例如1.0)。

在这些可选的实现方式中，上述超参数生成模型可以用于表征超参数组与形式特征之间的对应关系。作为示例，上述超参数生成模型可以是技术人员基于对大量的形式特征和对应的训练效果较好的超参数组的统计而预先指定的、存储有多个形式特征与超参数组的对应关系的对应关系表。作为又一示例，上述超参数生成模型可以是基于大量的样本，利用机器学习算法训练生成的模型。其中，上述样本可以由形式特征和对应的训练效果较好的超参数组组成。

第二步，从预训练模型集合中选取与超参数组中的模型超参数匹配的预训练模型作为初始模型。

在这些实现方式中，上述执行主体可以从预训练模型集合中选取模型结构与上述第一步所得到的超参数组中的模型超参数匹配的预训练模型作为初始模型。其中，上述匹配可以包括相同或相近。例如，上述模型超参数可以是隐层数为2，则上述初始模型可以是包括2层隐层的神经网络。

第三步，根据超参数组中的训练超参数对初始模型进行训练，生成文本分类模型。

在这些实现方式中，上述执行主体可以根据上述第一步所得到的超参数组中的训练超参数的指示，利用各种机器学习算法对上述第二步所选取的初始模型进行训练，生成文本分类模型。

在本实施例的一些可选的实现方式中，上述执行主体还可以按照如下步骤生成文本分类模型：

第一步，获取初始超参数组集合。

在这些实现方式中，上述执行主体可以首先通过有线连接方式或者无线连接方式获取初始超参数组集合。其中，上述初始超参数组中可以包括初始模型超参数和初始训练超参数。上述初始超参数组中的初始模型超参数和初始训练超参数的相关描述可以与前述超参数组中的模型超参数和训练超参数一致，此处不再赘述。

在这些实现方式中，上述执行主体可以获取预先存储于本地的初始超参数组集合，也可以获取与之通信连接的电子设备(例如数据服务器)发送的初始超参数组集合。可选地，上述执行主体还可以从本地或上述电子设备中获取与统计特征匹配的初始超参数组集合。例如，统计特征中的平均文本长度与初始超参数组中的训练次数阈值之间可以具有匹配关系。可选地，上述执行主体还可以随机生成初始超参数组中各初始超参数组对应的初始值，进而生成初始超参数组集合。

第二步，从初始超参数组集合中选取初始超参数组，以及执行以下确定步骤。上述确定步骤可以包括：

s1、从预训练模型集合中选取与所选取的初始超参数组中的初始模型超参数匹配的预训练模型作为初始模型。

在这些实现方式中，上述执行主体可以从预训练模型集合中选取与所选取的初始超参数组中的初始模型超参数匹配的一个或多个预训练模型作为初始模型。可选地，上述执行主体还可以选取与统计特征匹配的一个或多个预训练模型作为初始模型。例如，统计特征中的最大文本长度与初始超参数组中的隐层节点数之间可以具有匹配关系。

可选地，基于上述统计特征中的内容特征，上述执行主体还可以从预训练模型集合中选取与内容特征和所选取的初始超参数组中的初始模型超参数匹配的一个或多个预训练模型作为初始模型。其中，预训练模型可以与语义标签对应。通常，上述语义标签可以与上述预训练模型集合中的预训练模型在预训练过程中所依据的数据集的领域一致。上述执行主体可以通过各种方式确定上述内容特征与语义标签之间的匹配程度。作为示例，上述执行主体可以计算上述训练样本集合的字频向量与上述语义标签之间的相似度。

s2、根据所选取的初始超参数组中的初始训练超参数对所选取的初始模型进行训练，生成初始超参数组对应的准文本分类模型。

基于上述可选的实现方式，上述执行主体可以根据上述第二步所选取的初始超参数组中的初始训练超参数的指示，利用各种机器学习算法对上述步骤s1中所选取的初始模型进行训练，生成所选取的初始超参数组对应的准文本分类模型。

可选地，上述执行主体还可以按照如下步骤生成所选取的初始超参数组对应的准文本分类模型：

第1步，从训练样本集合中选取训练样本，以及执行以下训练步骤。上述训练步骤可以包括：

s21、将选取的训练样本的样本文本输入至所选取的初始模型，生成文本类别。

s22、根据所生成的文本类别与输入的样本文本对应的样本类别，确定差异值。

s23、确定差异值是否满足训练完成条件。

基于上述可选的实现方式，上述差异值和训练完成条件可以基于所选取的超参数组中的初始训练超参数确定。作为示例，上述初始训练超参数可以包括损失函数，训练完成条件阈值。上述差异值可以根据损失函数而确定。上述训练完成条件阈值可以包括但不限于以下至少一项：训练时长阈值，训练次数阈值，差异值阈值，验证文本集的准确率阈值。

s24、响应于确定满足训练完成条件，将所选取的初始模型确定为所选取的超参数组对应的准文本分类模型。

第2步，响应于确定不满足训练完成条件，调整所选取的初始模型的相关参数，以及从训练样本集合中选取训练样本，使用调整后的初始模型作为所选取的初始模型，继续执行上述训练步骤。

基于上述可选的实现方式，响应于确定不满足训练完成条件，上述执行主体可以采用各种方法调整所选取的初始模型的相关参数，以及从训练样本集合中选取训练样本，使用调整后的初始模型作为所选取的初始模型，继续执行上述训练步骤。需要说明的是，根据选取样本的数目为一个或多个，上述调整相关参数的方法可以包括但不限于以下至少一项：批量梯度下降(batchgradientdescent，bgd)、随机梯度下降(stochasticgradientdescent，sgd)以及小批量梯度下降(mini-batchgradientdescent，mbgd)。

s3、基于验证文本集合对所生成的准文本分类模型进行评测，生成评测结果。

基于上述可选的实现方式，上述执行主体可以利用验证文本集合对所生成的准文本分类模型进行评测，进而生成评测结果。其中，上述验证文本集合可以是预先设置的。上述验证文本可以包括文本和与文本对应的验证文本标注信息。可选地，上述验证文本集合还可以基于接收到的用户端发送的标注文本集合的划分而生成。

s4、响应于确定所生成的评测结果满足超参数组确定条件，从满足超参数组确定条件的评测结果对应的准文本分类模型中确定文本分类模型。

基于上述可选的实现方式，响应于确定所生成的评测结果满足超参数组确定条件，上述执行主体可以根据从初始超参数组集合中选取初始超参数组的方式，从满足超参数组确定条件的评测结果对应的准文本分类模型中确定文本分类模型。其中，上述超参数组确定条件可以包括但不限于以下至少一项：验证文本集合的准确率超过预设的准确率阈值，初始超参数组的迭代次数超过预设的次数阈值，相邻两次迭代的初始超参数组对应的验证文本集合的准确率之间的差值小于预设的差异阈值。

作为示例，上述执行主体可以从初始超参数组集合中每次选取一个初始超参数组，那么，上述执行主体可以将满足超参数组确定条件的评测结果对应的准文本分类模型确定为文本分类模型。作为又一示例，上述执行主体可以从初始超参数组集合中每次选取多个初始超参数组，那么，满足超参数组确定条件的评测结果对应的准文本分类模型也可以有多个。上述执行主体通常可以选取评测结果最优的准文本分类模型作为文本分类模型。例如，上述评测结果最优可以是验证文本集合上的准确率最高。

第三步，响应于确定所生成的评测结果不满足超参数组确定条件，对初始超参数组集合中的超参数组进行更新；以及从更新后的初始超参数组集合中选取初始超参数组，继续执行上述确定步骤。

在这些实现方式中，响应于确定所生成的评测结果不满足超参数组确定条件，上述执行主体可以利用各种方式对初始超参数组集合中的超参数组进行更新；以及上述执行主体还可以从更新后的初始超参数组集合中选取初始超参数组，继续执行上述确定步骤。

需要说明的是，根据选取初始超参数组的数目为一个或多个，上述更新的方法可以包括但不限于以下至少一项：遗传算法(geneticalgorithm，ga)，模拟退火算法(simulatedannealing，sa)，蚁群算法(antcolonyalgorithm，aca)，贝叶斯优化(bayesianoptimization)。

在本实施例的一些可选的实现方式中，上述执行主体还可以向目标终端发送表征文本分类模型训练完成的信息。

继续参见图3，图3是根据本公开的实施例的用于生成分类模型的方法的应用场景的一个示意图。在图3的应用场景中，用户301使用终端设备302将带标注的投资类文本集合303上传至后台服务器304。后台服务器304可以确定带标注的投资类文本集合303的平均文本长度为3000字。而后，后台服务器304可以根据所确定的平均文本长度生成对应的超参数组3031。接下来，后台服务器304可以从预设的预训练模型集合3032中选取基于金融领域数据集进行训练的预训练模型作为初始模型3033，根据所生成的超参数组3031对上述初始模型3033进行训练，生成文本分类模型305。可选地，后台服务器304还可以向终端设备302发送表征模型训练完成的提示信息306。

目前，现有技术之一通常是通过复杂的特征工程技术获取特征词向量或根据预设的超参数对初始模型进行训练。由于特征工程的设计和超参数的选择往往需要用户具有丰富的建模经验，导致训练文本分类模型的技术门槛较高。而本公开的上述实施例提供的方法，通过确定训练样本集合的统计特征，根据统计特征进行预训练模型的选取并按照与统计特征匹配的方式进行训练。实现了通过预训练模型和小规模样本的微调生成文本分类模型。而且，在训练过程中无需人工调参，大幅降低了用户的使用门槛。进而，可以使用户在低成本的投入下快速落地适合自身需求的文本分类应用。

进一步参考图4，其示出了用于生成分类模型的方法的又一个实施例的流程400。该用于生成分类模型的方法的流程400，包括以下步骤：

步骤401，获取训练样本集合。

步骤402，确定训练样本集合的统计特征。

步骤403，基于统计特征和对初始模型的训练，生成文本分类模型。

上述步骤401、步骤402、步骤403分别与前述实施例中的步骤201、步骤202、步骤203一致，上文针对步骤201、步骤202和步骤203的描述也适用于步骤401、步骤402和步骤403，此处不再赘述。

步骤404，接收用户端发送的待分类文本集合。

在本实施例中，用于生成分类模型的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式接收用户端(例如图1所示的终端设备)发送的待分类文本集合。

需要说明的是，上述步骤404和步骤401可以基本并行地执行，也可以先执行上述步骤404，再执行上述步骤401。

步骤405，将待分类文本集合输入至文本分类模型，生成待分类文本集合中的待分类文本对应的类别信息。

在本实施例中，上述执行主体可以将步骤405所接收的待分类文本集合输入至步骤403所生成的文本分类模型，生成待分类文本集合中的待分类文本对应的类别信息。其中，上述类别信息可以用于表征待分类文本所属的类别。可以理解，由于上述文本分类模型基于上述步骤401所获取的训练样本集合训练得到，因而所生成的待分类文本对应的类别信息可以与上述训练样本的样本类别相匹配。

步骤406，将所生成的类别信息与对应的待分类文本信息发送至用户端。

在本实施例中，上述执行主体可以通过有线连接方式或者无线连接方式将所生成的类别信息与对应的待分类文本信息发送至用户端。其中，上述待分类文本信息可以用于标识上述待分类文本集合中的待分类文本。

从图4中可以看出，本实施例中的用于生成分类模型的方法的流程400体现了利用所生成的文本分类模型对用户上传的待分类文本进行分类的步骤。由此，本实施例描述的方案可以通过用户上传的已标注文本训练文本分类模型，进而使用训练好的文本分类模型对上传的未标注文本进行分类，从而实现了在无需人工调参的情况下，利用现有的样本有针对性地训练和应用所需要的文本分类模型。进而降低了文本分类模型的训练和使用门槛。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了用于生成分类模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例提供的用于生成分类模型的装置500包括获取单元501、确定单元502和第一生成单元503。其中，获取单元501，被配置成获取训练样本集合，其中，训练样本包括样本文本和与样本文本对应的样本类别；确定单元502，被配置成确定训练样本集合的统计特征，其中，统计特征包括表征文本篇幅的形式特征；第一生成单元503，被配置成基于统计特征和对初始模型的训练，生成文本分类模型，其中，文本分类模型用于表征文本类别与文本之间的对应关系，初始模型从预设的预训练模型集合中选取。

在本实施例中，用于生成分类模型的装置500中：获取单元501、确定单元502和第一生成单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述第一生成单元503可以包括第一生成模块(图中未示出)、选取模块(图中未示出)、第二生成模块(图中未示出)。其中，上述第一生成模块，可以被配置成将形式特征输入至预先训练的超参数生成模型，得到与形式特征对应的超参数组。其中，上述超参数组中可以包括模型超参数和训练超参数。上述选取模块，可以被配置成从预训练模型集合中选取与超参数组中的模型超参数匹配的预训练模型作为初始模型。上述第二生成模块，可以被配置成根据超参数组中的训练超参数对初始模型进行训练，生成文本分类模型。

在本实施例的一些可选的实现方式中，上述第一生成单元503可以包括获取模块(图中未示出)、确定模块(图中未示出)、更新模块(图中未示出)。其中，上述获取模块，可以被配置成获取初始超参数组集合。其中，上述初始超参数组中可以包括初始模型超参数和初始训练超参数。上述确定模块，可以被配置成从初始超参数组集合中选取初始超参数组，以及执行以下确定步骤：从预训练模型集合中选取与所选取的初始超参数组中的初始模型超参数匹配的预训练模型作为初始模型；根据所选取的初始超参数组中的初始训练超参数对所选取的初始模型进行训练，生成初始超参数组对应的准文本分类模型；基于验证文本集合对所生成的准文本分类模型进行评测，生成评测结果；响应于确定所生成的评测结果满足超参数组确定条件，从满足超参数组确定条件的评测结果对应的准文本分类模型中确定文本分类模型。上述更新模块，可以被配置成响应于确定所生成的评测结果不满足超参数组确定条件，对初始超参数组集合中的初始超参数组进行更新；从更新后的初始超参数组集合中选取初始超参数组，继续执行确定步骤。

在本实施例的一些可选的实现方式中，上述统计特征还可以包括表征文本内容的内容特征。上述确定模块可以进一步被配置成：从预训练模型集合中选取与内容特征和所选取的初始超参数组中的初始模型超参数匹配的预训练模型作为初始模型。其中，上述预训练模型可以与语义标签对应。

在本实施例的一些可选的实现方式中，上述确定模块可以进一步包括：选取子模块(图中未示出)、调整子模块(图中未示出)。其中，上述选取子模块，可以被配置成从训练样本集合中选取训练样本，以及执行以下训练步骤：将选取的训练样本的样本文本输入至所选取的初始模型，生成文本类别；根据所生成的文本类别与输入的样本文本对应的样本类别，确定差异值；确定差异值是否满足训练完成条件，其中，差异值和训练完成条件基于所选取的超参数组中的初始训练超参数确定；响应于确定满足训练完成条件，将所选取的初始模型确定为所选取的超参数组对应的准文本分类模型。上述调整子模块，可以被配置成响应于确定不满足训练完成条件，调整所选取的初始模型的相关参数，以及从训练样本集合中选取训练样本，使用调整后的初始模型作为所选取的初始模型，继续执行训练步骤。

在本实施例的一些可选的实现方式中，上述获取单元501可以包括：接收模块(图中未示出)、第三生成模块(图中未示出)。其中，上述接收模块，可以被配置成接收用户端发送的标注文本集合。其中，上述标注文本可以包括文本和与文本对应的文本类别标注信息。上述生成模块，可以被配置成对标注文本集合进行划分，生成训练样本集合和验证文本集合。其中，上述训练样本可以包括作为样本文本的文本和作为与样本文本对应的样本类别的文本类别标注信息。

在本实施例的一些可选的实现方式中，上述用于生成分类模型的装置500可以包括：接收单元(图中未示出)、第二生成单元(图中未示出)、发送单元(图中未示出)。其中，上述接收单元，可以被配置成接收用户端发送的待分类文本集合。上述第二生成单元，可以被配置成将待分类文本集合输入至文本分类模型，生成待分类文本集合中的待分类文本对应的类别信息。其中，上述类别信息可以用于表征待分类文本所属的类别。上述类别信息可以与样本类别相匹配。上述发送单元，可以被配置成将所生成的类别信息与对应的待分类文本信息发送至用户端。其中，上述待分类文本信息可以用于标识待分类文本集合中的待分类文本。

本公开的上述实施例提供的装置，通过获取单元501获取训练样本集合。其中，训练样本包括样本文本和与样本文本对应的样本类别。而后，确定单元502确定训练样本集合的统计特征。其中，统计特征包括表征文本篇幅的形式特征。之后，第一生成单元503基于统计特征和对初始模型的训练，生成文本分类模型。其中，文本分类模型用于表征文本类别与文本之间的对应关系。初始模型从预设的预训练模型集合中选取。从而无需手动调参即可实现文本分类模型的自动生成。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风等的输入装置606；包括例如液晶显示器(lcd，liquidcrystaldisplay)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例所述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。在本公开的实施例中，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。而在本公开的实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、rf(radiofrequency，射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述服务器中所包含的；也可以是单独存在，而未装配入该服务器中。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该服务器执行时，使得该服务器：获取训练样本集合，其中，训练样本包括样本文本和与样本文本对应的样本类别；确定训练样本集合的统计特征，其中，统计特征包括表征文本篇幅的形式特征；基于统计特征和对初始模型的训练，生成文本分类模型，其中，文本分类模型用于表征文本类别与文本之间的对应关系，初始模型从预设的预训练模型集合中选取。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开的各种实施例的系统、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括获取单元、确定单元和第一生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取训练样本集合的单元，其中，训练样本包括样本文本和与样本文本对应的样本类别”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。