1.一种面向客服在线质检的文本分类方法，其特征在于，所述方法包括下列步骤步骤1.数据准备及预处理，过程如下：

1.1语音转文本

需要分类的数据来自在线客服与客户的交流，将语音数据转译成文本数据；

1.2数据标注

1.3数据预处理

步骤2.特征表示，采用两种可选择的特征表示方案，如下：

2.1 one‑hot或word2vec+位置编码得到词对应的one‑hot特征向量wi之后，将wi加上对应位置的位置编码向量pi得到新的词向量w′i，位置编码向量的计算采用正余弦位置编码公式计算：

2i/d

PE(pos,2i)＝sin(pos/10000 )

2i/d

PE(pos,2i+1)＝cos(pos/10000 )为了使得位置编码向量与one‑hot编码的词向量相加，两者的维度必须相同，并且不能直接将w′i相加得到对应的文本向量，使用嵌入的方式得到对应的句向量，只需要在对应的分类模型中的输入层加上一层嵌入层即可；

若应用场景下的数据量足够多，使用word2vec训练得到词向量来取代简单的one‑hot表示；

2.2 n‑gram

采用累加的方式得到对应的文本向量，不需要训练额外的嵌入层，但是其能够考虑的顺序关系距离受n限制，而且n的取值越大会使得到的特征向量越稀疏；

步骤3.分类模型，结合选用的特征表示方法构建不同的分类模型，过程如下：

3.1 one‑hot或word2vec+位置编码+starspace；

S1)输入层：输入层有两个通道，分别对应文本实体的嵌入和类别实体的嵌入，结合特征表示阶段构建的结合了位置编码的词向量，在经过一层嵌入层之后，得到对应文本的特征向量作为文本实体通道的输入，将所有的类别实体用one‑hot表示，每一维对应一个类别，从而得到相应的实体向量表示作为实体嵌入通道的输入；

S2)隐藏层：两层简单的神经网络层，参数根据具体应用调节；

S3)输出层：输出文本实体的嵌入向量和类别实体的嵌入向量；

3.2 n‑gram+CNN，构建步骤如下：S1)构建n‑gram特征向量，向量的每一维对应一个n元词组，S2)对每一条文本，即n元词组序列，其文本的特征矩阵作为CNN模型的输入，每一个n元词组对应一个向量；

S3)设置响应的卷积核大小和数量，每个卷积核在文本特征矩阵上单方向移动，每次移动都通过矩阵计算得到对应位置的特征，直至提取完整条文本的特征，最后得到对应的特征向量；

S4)抛弃池化过程，因为在池化过程中会丢失一些位置信息，直接经过softmax层输出分类结果。

2.如权利要求1所述的一种面向客服在线质检的文本分类方法，其特征在于，所述1.3中，数据预处理的步骤如下：

S1)计算tf，统计每条文本中出现的词以及对应的词频；

S2)计算idf，统计所有语料中出现的词，对于每一个词，计算其出现过的文本数；

S3)对于每条文本，计算改文本中出现词的tf‑idf＝tf*idf；

S4)对于每条文本，去除掉tf‑idf低于阈值k的词，k作为超参数其值的选取可根据具体任务调节。