CN113111181B - 文本数据处理方法、装置、电子设备及存储介质 - Google Patents
文本数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113111181B CN113111181B CN202110376739.2A CN202110376739A CN113111181B CN 113111181 B CN113111181 B CN 113111181B CN 202110376739 A CN202110376739 A CN 202110376739A CN 113111181 B CN113111181 B CN 113111181B
- Authority
- CN
- China
- Prior art keywords
- text data
- data
- processed
- feature vector
- trunk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本公开提供一种文本数据处理方法、装置、电子设备及存储介质,通过基于与待处理文本数据类型相对应的目标文本结构将所述待处理文本数据转换为结构化文本数据;对所述结构化文本数据进行增广;用增广后的所述结构化文本数据中每个句子数据对应的特征向量生成特征向量数据集合;基于对应所述待处理文本数据类型的预设分类器对所述特征向量数据集合进行分类处理,得到处理结果;实现了文本数据的自动化分析处理,提高处理效率,降低人力成本。
Description
技术领域
本申请涉及自然语言处理技术领域,尤其涉及一种文本数据处理方法、装置、电子设备及存储介质。
背景技术
金融是一个被强监管的领域,合规审计是审计机构和审计人员依据国家法律、法规和财经制度对被审计单位的生产经营管理活动及其有关资料是否合规所进行的一种经济监督活动,是整个金融行业管理业务的重要手段。
目前市场上做智能审计合规的手段多为自动化流程管控,这种手段的前提是监管条款已经提取之后,将该监管条款抽象成技术手段,进行技术的流程管控。但是这并不能解决如何帮助减少监管条款和案件分析的人工成本,目前这一块还是纯人工的手段在进行,效率低,影响金融行业的数字化转型。
发明内容
本公开的实施例提出了文本数据处理方法、装置、电子设备和存储介质。
第一方面,本公开的实施例提供了一种文本数据处理方法,该方法包括:基于与待处理文本数据类型相对应的目标文本结构将所述待处理文本数据转换为结构化文本数据;对所述结构化文本数据进行增广;用增广后的所述结构化文本数据中每个句子数据对应的特征向量生成特征向量数据集合;基于对应所述待处理文本数据类型的预设分类器对所述特征向量数据集合进行分类处理,得到处理结果。
在一些可选的实施方式中,所述对所述结构化文本数据进行增广前,上述方法还包括:
基于所述结构化文本数据进行主干分析,提取主干文本数据;
将所述主干文本数据中每个句子映射到对应的特征向量生成主干特征向量集合;
基于所述主干特征向量集合进行聚类,得到至少一个主干特征向量子集合;
保留表征所述至少一个主干特征向量子集合的所述结构化文本数据。
在一些可选的实施方式中,上述方法还包括:
接收到所述待处理文本数据,根据所述待处理文本数据类型获取与所述数据类型相对应的所述目标文本结构。
在一些可选的实施方式中,上述方法还包括:
基于所述处理结果对所述待处理文本数据进行标注。
在一些可选的实施方式中,所述基于所述结构化文本数据进行主干分析,提取主干文本数据,包括:
删除所述目标文本结构中预设无用章节对应的文本数据内容;
提取剩余所述结构化文本数据中每个句子的主干内容,得到所述主干文本数据。
第二方面,本公开的实施例提供了一种文本数据处理装置,该装置包括:结构化单元,被配置成基于与待处理文本数据类型相对应的目标文本结构将所述待处理文本数据转换为结构化文本数据;增广单元,被配置成对所述结构化文本数据进行增广;向量生成单元,被配置成用增广后的所述结构化文本数据中每个句子数据对应的特征向量生成特征向量数据集合;处理结果提取单元,基于对应所述待处理文本数据类型的预设分类器对所述特征向量数据集合进行分类处理,得到处理结果。
在一些可选的实施方式中,上述装置还包括:
主干提取单元,被配置成基于所述结构化文本数据进行主干分析,提取主干文本数据;
所述向量生成单元,被配置成将所述主干文本数据中每个句子映射到对应的特征向量生成主干特征向量集合;
聚类单元,被配置成基于所述主干特征向量集合进行聚类,得到至少一个主干特征向量子集合;
所述结构化单元,被配置成保留表征所述至少一个主干特征向量子集合的所述结构化文本数据。
在一些可选的实施方式中,上述装置还包括:
结构获取单元,被配置成接收到所述待处理文本数据,根据所述待处理文本数据类型获取与所述数据类型相对应的所述目标文本结构。
在一些可选的实施方式中,上述装置还包括:
标注单元,被配置成基于所述处理结果对所述待处理文本数据进行标注。
在一些可选的实施方式中,所述主干提取单元被具体配置成:
删除所述目标文本结构中预设无用章节对应的文本数据内容;
提取剩余所述结构化文本数据中每个句子的主干内容,得到所述主干文本数据。
第三方面,本公开的实施例提供了一种电子设备,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,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述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存储介质,其上存储有计算机程序,其中,所述计算机程序被一个或多个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。
本公开提供一种文本数据处理方法、装置、电子设备及存储介质,通过基于与待处理文本数据类型相对应的目标文本结构将所述待处理文本数据转换为结构化文本数据;对所述结构化文本数据进行增广;用增广后的所述结构化文本数据中每个句子数据对应的特征向量生成特征向量数据集合;基于对应所述待处理文本数据类型的预设分类器对所述特征向量数据集合进行分类处理,得到处理结果;实现了文本数据的自动化分析处理,提高处理效率,降低人力成本。
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。附图仅用于示出具体实施方式的目的,而并不认为是对本发明的限制。在附图中:
图1为本公开的一个实施例可以应用于其中的示例性系统架构示意图;
图2为根据本公开的文本数据处理方法的一个实施例的流程示意图;
图3为根据本公开的文本数据处理方法的又一实施例的流程示意图;
图4为根据本公开的文本数据处理装置的一个实施例的结构示意图;
图5为适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。
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文本数据处理方法、装置、电子设备和存储介质的实施例的示例性系统架构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。
用户可以使用终端设备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,例如文本处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
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、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、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终端设备中。其可以实现成多个软件或软件模块(例如用来提供文本数据处理服务),也可以实现成单个软件或软件模块。在此不做具体限定。
在一些情况下,本公开所提供的文本数据处理方法可以由终端设备101、102、103执行,相应地,文本数据处理装置可以设置于终端设备101、102、103中。这时,系统架构100也可以不包括服务器105。
在一些情况下,本公开所提供的文本数据处理方法可以由终端设备101、102、103和服务器105共同执行,例如,“用增广后的结构化文本数据中每个句子数据对应的特征向量生成待提取特征向量数据集合”等步骤可以由终端设备101、102、103执行,“基于对应待处理文本数据类型的预设分类器提取特征向量数据集合的处理结果”等步骤可以由服务器105执行。本公开对此不做限定。相应地,文本数据处理装置也可以分别设置于终端设备101、102、103和服务器105中。
在一些情况下,本公开所提供的文本数据处理方法可以由服务器105执行,相应地,文本数据处理装置也可以设置于服务器105中,这时,系统架构100也可以不包括终端设备101、102、103。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105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105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),也可以实现成单个软件或软件模块。在此不做具体限定。
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。
图2为根据本公开的文本数据处理方法的一个实施例的流程示意图,其示出了根据本公开的文本数据处理方法的一个实施例的流程200,该文本数据处理方法包括以下步骤:
步骤201,基于与待处理文本数据类型相对应的目标文本结构将待处理文本数据转换为结构化文本数据。
在本实施例中,文本数据处理方法的执行主体(例如图1所示的终端设备101、102、103)可以首先本地或者远程地从与上述执行主体网络连接的其他电子设备(例如,图1所示的服务器105)获取待处理文本数据。
这里,待处理文本数据可以是各种类型、各种业务场景中的文本数据。本公开对此不做具体限定。例如,待处理文本数据可以是金融业务场景中所涉及的审计案件文件或合规案件文件。
审计案件文件可包括审计文书或审计相关的其它文件,其中,审计文书可包括审计通知、审计管理文书、审计报告或审计结论文书;合规案件文件可包括监管处罚条款,具体地,监管处罚条款的内容可包括案件信息、案件触发的不合规项以及法律法规的依据等。
在一些可选的实施方式中,上述执行主体在接收到待处理文本数据后,可根据待处理文本数据类型获取与数据类型相对应的目标文本结构。
示例地,在一些实施例中,上述执行主体可根据银保监会的通用文章结构,对相关制度进行文章结构的学习,将非结构化数据转化为结构化数据。如总则,章节,子章节,段落,句子,把所有的文章结构拆解打平;或者,可将待处理文本数据转化成表头为案件、案件标签以及条款依据的数据结构。
步骤202,对结构化文本数据进行增广。
文本类数据实际上是一个非均匀的数据分布,因此需要进行增广处理,将文本数据由非均匀分布转化为均匀分布;本公开对于增广的具体方法不做限定,可以根据实际需要对增广的工具或算法进行选择,示例地,在一些实施例中,上述执行主体可对结构化文本数据通过使用文本数据扩增包textda进行增广。
步骤203,用增广后的结构化文本数据中每个句子数据对应的特征向量生成特征向量数据集合。
需要说明的是,如何生成句子对应的特征向量是本领域广泛研究和应用的现有技术,本公开对此不做具体限定。
例如,可以采用如下方式生成结构化文本数据对应的特征向量:
首先,将结构化文本数据进行句子的识别得到相应的句子数据序列。
需要说明的是,如何对文本句子的识别是本领域广泛研究和应用的现有技术,在此不再赘述。例如,可以以段落、标点的断句规律来识别句子数据等等。
然后,基于所得到的句子数据序列选用embedding嵌入方式生成相应的特征向量。
需要说明的是,embedding是本领域广泛研究和应用的现有技术,本公开对此不做具体限定,上述执行主体在进行特征向量的生成时可选择embedding的表征模型包括潜在狄利克雷分布(Latent Dirichlet distribution,LDIA)表征模型,BERT(BidirectionalEncoder Representation from Transformer)表征模型,ELMO(Embedding from languageModel)表征模型等等。
步骤204,基于对应待处理文本数据类型的预设分类器对特征向量数据集合进行分类处理,得到处理结果。
处理结果可包括对文本数据的关键点提取结果,示例地,例如审计案件文件的关键内容,或者,合规案件文件对应是否合规的结果。
在一些可选的实施方式中,上述方法还包括:在得到处理结果后,上述执行主体可基于处理结果对待处理文本数据进行标注。
可以理解的是,对待处理文本数据的分析和处理,是为了便于得到对待处理文本的分析结果;因此,在一些应用场景中,可用处理结果对应标注待处理文本数据,以便于用户根据处理结果对待处理文件进行处理;例如,若处理结果表示合规案件文件是合规的结果,则用户可选择不去阅读该合规文件。
图3为根据本公开的文本数据处理方法的又一实施例的流程示意图,其示出了根据本公开的文本数据处理方法的一个实施例的流程300,该文本数据处理方法包括以下步骤:
步骤301,基于与待处理文本数据类型相对应的目标文本结构将待处理文本数据转换为结构化文本数据。
在本实施例中,文本数据处理方法的执行主体(例如图1所示的终端设备101、102、103)可以首先本地或者远程地从与上述执行主体网络连接的其他电子设备(例如,图1所示的服务器105)获取待处理文本数据。
这里,待处理文本数据可以是各种类型、各种业务场景中的文本数据。本公开对此不做具体限定。例如,待处理文本数据可以是金融业务场景中所涉及的审计案件文件或合规案件文件。
在一些可选的实施方式中,上述执行主体在接收到待处理文本数据后,可根据待处理文本数据类型获取与数据类型相对应的目标文本结构。
示例地,在一些实施例中,上述执行主体可根据银保监会的通用文章结构,对相关制度进行文章结构的学习,将非结构化数据转化为结构化数据。如总则,章节,子章节,段落,句子,把所有的文章结构拆解打平;或者,可将待处理文本数据转化成表头为案件、案件标签以及条款依据的数据结构。
步骤302,基于结构化文本数据进行主干分析,提取主干文本数据。
可以理解的是,在一些实施例中,文本数据可以是篇幅较长的具有一定形式的文件,例如审计文本等,其中会涵盖大量的无用章节及非主干的文本内容,例如总则等形式章节,以及对段落首句标题等主干内容进行展开描述的解释性文本等。
在一些可选的实施方式中,基于结构化文本数据进行主干分析,提取主干文本数据,包括:
删除目标文本结构中预设无用章节对应的文本数据内容,提取剩余结构化文本数据中每个句子的主干内容,得到主干文本数据。
这里对无用章节不做具体限定,可以根据目标文本结构进行预设,例如:总则、致谢、引用等章节可以预设为无用章节。
在一些可选的实施方式中,上述基于结构化文本数据进行主干分析,提取主干文本数据,还可以包括:
提取剩余结构化文本数据中每个段落的各句子的主干内容,得到主干文本数据。
可以理解的是,在一些文本数据中心,通常会在一个段落中对于同一个主体内容进行详细的展开描述,因此,可选地,将句子以段落为单位进行主干文本提取,可以有效提高对长文本的主干文本数据提取效率。
在一些可选的实施方式中,待处理文本数据中包含段落的摘要内容,上述执行主体还可以根据段落的摘要内容对主干文本数据进行补充;可以理解的是,段落的摘要内容通常包括对段落主要内容的提炼,是文本在撰写的过程中由编辑者主动完成的,通常对文本的主要内容具有一定的代表性,因此可以用于对主干文本数据的补充。
步骤303,将主干文本数据中每个句子映射到对应的特征向量生成主干特征向量集合。
需要说明的是,如何生成句子对应的特征向量是本领域广泛研究和应用的现有技术,本公开对此不做具体限定。
步骤304,基于主干特征向量集合进行聚类,得到至少一个主干特征向量子集合。
在本实施例中,上述执行主体可以采用各种现在已知或者未来开发的聚类方法,对步骤303得到的主干特征向量集合中各主干特征向量进行聚类操作,得到至少一个主干特征向量子集合。例如,可以采用K-Means(K均值)聚类、均值漂移聚类、基于密度的聚类、用高斯混合模型(GMM,Gaussian Mixed Model)的最大期望(EM,Expectation-Maximization)聚类、凝聚层次聚类、图团体检测(Graph Community Detection)等。
步骤305,保留表征至少一个主干特征向量子集合的结构化文本数据。
可以理解的是,通过主干文本数据的提取、特征向量转化和聚合后所得到的主干特征向量子集合,所对应的结构化文本数据的文本内容,能够表征待处理文本数据的主干文本数据。
步骤306,对结构化文本数据进行增广。
文本类数据实际上是一个非均匀的数据分布,因此需要进行增广处理,将文本数据由非均匀分布转化为均匀分布;本公开对于增广的具体方法不做限定,可以根据实际需要对增广的工具或算法进行选择,示例地,在一些实施例中,上述执行主体可对结构化文本数据通过使用文本数据(textda)进行增广。
步骤307,用增广后的结构化文本数据中每个句子数据对应的特征向量生成特征向量数据集合。
在本实施例中,步骤307的具体操作及其所产生的技术效果与图2所示的实施例中步骤203的操作及效果基本相同,在此不再赘述。
步骤308,基于对应待处理文本数据类型的预设分类器对特征向量数据集合进行分类处理,得到处理结果。
处理结果可包括对文本数据的关键点提取结果,示例地,例如审计案件文件的关键内容,或者,合规案件文件对应是否合规的结果。
在一些可选的实施方式中,上述方法还包括:在得到处理结果后,上述执行主体可基于处理结果对待处理文本数据进行标注。
可以理解的是,对待处理文本数据的分析和处理,是为了便于得到对待处理文本的分析结果;因此,在一些应用场景中,可用处理结果对应标注待处理文本数据,以便于用户根据处理结果对待处理文件进行处理;例如,处理结果包括对审计案件文件的主要内容分析,则用户直接阅读分析的内容即可获知审计案件文件的主要内容。
从图3中可以看出,与图2对应的实施例相比,本实施例中的文本数据处理方法的流程300多出了对结构化文本数据进行主干提取的步骤。由此,本实施例描述的方法可以对文本数据进行主干的提取,缩减所需处理的文本数据的篇幅或文字量,从而减少对文本数据处理的工作量,提高文本数据的处理效率,并能够有效提高对长文本(例如审计案件文件)的处理效率。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种文本数据处理装置的一个实施例,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。
本公开的实施例提供了一种文本数据处理装置400,该装置包括:结构化单元401,被配置成基于与待处理文本数据类型相对应的目标文本结构将待处理文本数据转换为结构化文本数据;增广单元402,被配置成对结构化文本数据进行增广;向量生成单元403,被配置成用增广后的结构化文本数据中每个句子数据对应的特征向量生成特征向量数据集合;处理结果提取单元404,基于对应待处理文本数据类型的预设分类器对特征向量数据集合进行分类处理,得到处理结果。
在本实施例中,文本数据处理装置400的结构化单元401、增广单元402、向量生成单元403和处理结果提取单元404的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在一些可选的实施方式中,上述装置还包括:
主干提取单元(未示出),被配置成基于结构化文本数据进行主干分析,提取主干文本数据;
向量生成单元403,被配置成将主干文本数据中每个句子映射到对应的特征向量生成主干特征向量集合;
聚类单元(未示出),被配置成基于主干特征向量集合进行聚类,得到至少一个主干特征向量子集合;
结构化单元401,被配置成保留表征至少一个主干特征向量子集合的结构化文本数据。
在一些可选的实施方式中,上述装置还包括:
结构获取单元(未示出),被配置成接收到待处理文本数据,根据待处理文本数据类型获取与数据类型相对应的目标文本结构。
在一些可选的实施方式中,上述装置还包括:
标注单元(未示出),被配置成基于处理结果对待处理文本数据进行标注。
在一些可选的实施方式中,主干提取单元(未示出)被具体配置成:
删除目标文本结构中预设无用章节对应的文本数据内容;
提取剩余结构化文本数据中每个句子的主干内容,得到主干文本数据。
需要说明的是,本公开的实施例提供的文本数据标注装置中各单元的实现细节和技术效果可以参考本公开中其它实施例的说明,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的电子设备的计算机系统500的结构示意图。图5示出的计算机系统500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5所示,计算机系统500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有计算机系统500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505: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506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许计算机系统500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备的计算机系统500,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。
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509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM502被安装。在该计算机程序被处理装置501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,本公开上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(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电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
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该电子设备执行时,使得该电子设备实现如图2所示的实施例及其可选实施方式示出的文本数据处理方法,和/或,如图3所示的实施例及其可选实施方式示出的文本数据处理方法。
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操作的计算机程序代码,上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。其中,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,向量生成单元还可以被描述为“用待处理文本数据集合中每个待处理文本数据对应的文本特征向量生成待分类特征向量集合的单元”。
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,本公开中所涉及的公开范围,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公开构思的情况下,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。
Claims (8)
1.一种文本数据处理方法,包括:
基于与待处理文本数据类型相对应的目标文本结构将所述待处理文本数据转换为结构化文本数据;
对所述结构化文本数据进行增广;
用增广后的所述结构化文本数据中每个句子数据对应的特征向量生成特征向量数据集合;
基于对应所述待处理文本数据类型的预设分类器对所述特征向量数据集合进行分类处理,得到处理结果;
所述对所述结构化文本数据进行增广前,还包括:
基于所述结构化文本数据进行主干分析,提取主干文本数据;
将所述主干文本数据中每个句子映射到对应的特征向量生成主干特征向量集合;
基于所述主干特征向量集合进行聚类,得到至少一个主干特征向量子集合;
保留表征所述至少一个主干特征向量子集合的所述结构化文本数据。
2.根据权利要求1所述的方法,还包括:
接收到所述待处理文本数据,根据所述待处理文本数据类型获取与所述数据类型相对应的所述目标文本结构。
3.根据权利要求1所述的方法,还包括:
基于所述处理结果对所述待处理文本数据进行标注。
4.根据权利要求1所述的方法,所述基于所述结构化文本数据进行主干分析,提取主干文本数据,包括:
删除所述目标文本结构中预设无用章节对应的文本数据内容;
提取剩余所述结构化文本数据中每个句子的主干内容,得到所述主干文本数据。
5.一种文本数据处理装置,包括:
结构化单元,被配置成基于与待处理文本数据类型相对应的目标文本结构将所述待处理文本数据转换为结构化文本数据;
增广单元,被配置成对所述结构化文本数据进行增广;
向量生成单元,被配置成用增广后的所述结构化文本数据中每个句子数据对应的特征向量生成特征向量数据集合;
处理结果提取单元,基于对应所述待处理文本数据类型的预设分类器对所述特征向量数据集合进行分类处理,得到处理结果;
所述装置还包括:
主干提取单元,被配置成基于所述结构化文本数据进行主干分析,提取主干文本数据;
所述向量生成单元,被配置成将所述主干文本数据中每个句子映射到对应的特征向量生成主干特征向量集合;
聚类单元,被配置成基于所述主干特征向量集合进行聚类,得到至少一个主干特征向量子集合;
所述结构化单元,被配置成保留表征所述至少一个主干特征向量子集合的所述结构化文本数据。
6.根据权利要求5所述的装置,还包括:
结构获取单元,被配置成接收到所述待处理文本数据,根据所述待处理文本数据类型获取与所述数据类型相对应的所述目标文本结构。
7.一种电子设备,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,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被一个或多个处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110376739.2A CN113111181B (zh) | 2021-04-07 | 2021-04-07 | 文本数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110376739.2A CN113111181B (zh) | 2021-04-07 | 2021-04-07 | 文本数据处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111181A CN113111181A (zh) | 2021-07-13 |
CN113111181B true CN113111181B (zh) | 2023-10-20 |
Family
ID=76714792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110376739.2A Active CN113111181B (zh) | 2021-04-07 | 2021-04-07 | 文本数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111181B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017201195A1 (en) * | 2016-05-17 | 2017-11-23 | Maluuba Inc. | Machine comprehension of unstructured text |
CN110209806A (zh) * | 2018-06-05 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 文本分类方法、文本分类装置及计算机可读存储介质 |
CN110888927A (zh) * | 2019-11-14 | 2020-03-17 | 东莞理工学院 | 简历信息抽取方法及系统 |
CN111797239A (zh) * | 2020-09-08 | 2020-10-20 | 中山大学深圳研究院 | 应用程序的分类方法、装置及终端设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7890539B2 (en) * | 2007-10-10 | 2011-02-15 | Raytheon Bbn Technologies Corp. | Semantic matching using predicate-argument structure |
US11055327B2 (en) * | 2018-07-01 | 2021-07-06 | Quadient Technologies France | Unstructured data parsing for structured information |
US11182416B2 (en) * | 2018-10-24 | 2021-11-23 | International Business Machines Corporation | Augmentation of a text representation model |
-
2021
- 2021-04-07 CN CN202110376739.2A patent/CN113111181B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017201195A1 (en) * | 2016-05-17 | 2017-11-23 | Maluuba Inc. | Machine comprehension of unstructured text |
CN110209806A (zh) * | 2018-06-05 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 文本分类方法、文本分类装置及计算机可读存储介质 |
CN110888927A (zh) * | 2019-11-14 | 2020-03-17 | 东莞理工学院 | 简历信息抽取方法及系统 |
CN111797239A (zh) * | 2020-09-08 | 2020-10-20 | 中山大学深圳研究院 | 应用程序的分类方法、装置及终端设备 |
Non-Patent Citations (3)
Title |
---|
Boosting Text Classification Performance on Sexist Tweets;Sima Sharifirad等;Proceedings of the 2nd Workshop on Abusive Language Online (ALW2);全文 * |
一种面向结构化文本图像识别的深度学习模型;唐三立;程战战;钮毅;雷鸣;;杭州电子科技大学学报(自然科学版)(02);全文 * |
国际贸易中银行保函业务的审核;陈菲,吴雨霏;商(第44期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113111181A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112685565B (zh) | 基于多模态信息融合的文本分类方法、及其相关设备 | |
US20180053097A1 (en) | Method and system for multi-label prediction | |
CN108121699B (zh) | 用于输出信息的方法和装置 | |
CN111666416B (zh) | 用于生成语义匹配模型的方法和装置 | |
CN111382228B (zh) | 用于输出信息的方法和装置 | |
US20230206670A1 (en) | Semantic representation of text in document | |
CN109190123B (zh) | 用于输出信息的方法和装置 | |
CN111563163A (zh) | 文本分类模型的生成方法和装置、数据标准化方法和装置 | |
CN111915086A (zh) | 异常用户预测方法和设备 | |
CN113657113A (zh) | 文本处理方法、装置和电子设备 | |
CN111414471B (zh) | 用于输出信息的方法和装置 | |
CN115801980A (zh) | 视频生成方法和装置 | |
CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
US20210349920A1 (en) | Method and apparatus for outputting information | |
CN111460288B (zh) | 用于检测新闻事件的方法和装置 | |
KR20220115482A (ko) | 딥러닝 기반 특허 잠재가치 평가 장치 및 그 방법 | |
CN112669850A (zh) | 语音质量检测方法、装置、计算机设备及存储介质 | |
CN113111167A (zh) | 基于深度学习模型的接处警文本车辆型号提取方法和装置 | |
CN108664610B (zh) | 用于处理数据的方法和装置 | |
CN113111181B (zh) | 文本数据处理方法、装置、电子设备及存储介质 | |
CN114066603A (zh) | 贷后风险预警方法、装置、电子设备和计算机可读介质 | |
CN109857838B (zh) | 用于生成信息的方法和装置 | |
CN113111177B (zh) | 文本数据标注方法、装置、电子设备和存储介质 | |
CN113255819A (zh) | 用于识别信息的方法和装置 | |
CN113761931A (zh) | 信息处理方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |