CN106776503A - 文本语义相似度的确定方法及装置 - Google Patents

Abstract

本发明公开了一种文本语义相似度的确定方法及装置，涉及自然语言处理技术领域，解决了现有文本相似度计算方法无法实现文本语义上的相似度的计算的问题。本发明的方法包括：获取第一文本以及第二文本，第一文本和第二文本是需要进行语义相似度计算的任意两个文本；根据预设标签主题Label LDA模型将第一文本以及第二文本分别转换为第一主题标签向量和第二主题标签向量，第一主题标签向量和第二主题标签向量中每个维度对应一个预设主题标签；根据向量相似度算法对第一主题标签向量和第二主题标签向量进行相似度计算，得到第一文本与第二文本之间的语义相似度值。本发明应用于文本相似度计算的过程中。

Description

文本语义相似度的确定方法及装置

技术领域

本发明涉及自然语言处理技术领域，尤其涉及一种文本语义相似度的确定方法及装置。

背景技术

在移动互联时代的背景下，信息的产生和流通是朝着更加智能化，更加海量化去发展，在这些庞大的信息海洋中，有很大一部分是文本信息。在日常生活中，我们每天都会从门户网站、社交网站接触到大量的新文本内容，如何将这些文本信息进行合理的归类并将其推送给合适的人群，就成为了人工智能领域的一重大课题。在对这些庞大的文本信息进行归类处理时，通常用到的技术是对文本的聚类。文本聚类是将一些有共同属性的文本聚合到一块，并形成一个类簇。目前，关于聚类的方法已经有很多种，不同的聚类方法在不同的场景中表现能力也是各有长短。然而，所有的聚类算法的一个共性就是需要比较样本之间的相似度，而这个相似度在文本聚类过程中显得尤为重要。

在具体实施的过程中，由于文本在计算机内部是以字符串形式来表示的，而相似度则是通过数值之间的关系来计算的。因此，在计算文本之间的相似度之前，必须要将文本进行向量化处理，然后将文本之间的相似度计算转换为两个向量之间的相似度计算。

目前对于文本向量化的方法主要有两种：一种是用词表词频的方式来对文本进行向量化处理，具体是将文本中的每一个不重复的词的身份标识作为文本对应的向量的一个维度，并将每个词出现的次数作为对应该维度的值，该种文本向量化的方式在计算的过程中会产生由于向量的维度过大而影响计算的效率，而且每个维度之间是相互独立的，无法体现词与词之间的语义关系，因此无法从整体上实现文本语义的相似度计算。另一种是基于词表权重选取方法的向量化处理，具体是通过计算文本中每个词在该文本中的权重，然后按照权重由大到小的顺序挑选出TOP N的词以及对应的权重作为该文本的向量，权重的计算方法目前比较流行的是一种加权技术(term frequency–inverse documentfrequency，TF-IDF)算法，这种向量化处理方法虽然在一定程度上能够过滤掉一些对文本贡献很小的词，但也不能表示词与词之间的语义关联性，因此，也无法在整体上实现文本语义的相似度计算。

发明内容

鉴于上述问题，本发明提供一种文本语义相似度的确定方法及装置，用以解决现有的文本相似度计算方法无法实现文本语义上的相似度的计算问题。

为解决上述技术问题，第一方面，本发明提供了一种文本语义相似度的确定方法，所述方法包括：

获取第一文本以及第二文本，所述第一文本和所述第二文本是需要进行语义相似度计算的任意两个文本；

根据预设标签主题Label LDA模型将所述第一文本以及所述第二文本分别转换为第一主题标签向量和第二主题标签向量，所述第一主题标签向量和所述第二主题标签向量中每个维度对应一个预设主题标签，每个维度对应的维度值表示每个预设主题标签的权重值，所述预设主题标签为表示文本语义的单个主题词；

根据向量相似度算法对所述第一主题标签向量和所述第二主题标签向量进行相似度计算，得到所述第一文本与所述第二文本之间的语义相似度值。

第二方面，本发明提供了一种文本语义相似度的确定装置，所述装置包括：

文本获取单元，用于获取第一文本以及第二文本，所述第一文本和所述第二文本是需要进行语义相似度计算的任意两个文本；

转换单元，用于根据预设标签主题Label LDA模型将所述第一文本以及所述第二文本分别转换为第一主题标签向量和第二主题标签向量，所述第一主题标签向量和所述第二主题标签向量中每个维度对应一个预设主题标签，每个维度对应的维度值表示每个预设主题标签的权重值，所述预设主题标签为表示文本语义的单个主题词；

计算单元，用于根据向量相似度算法对所述第一主题标签向量和所述第二主题标签向量进行相似度计算，得到所述第一文本与所述第二文本之间的语义相似度值。

借由上述技术方案，本发明提供的文本语义相似度的确定方法及装置，与现有技术相比，第一文本以及第二文本转换为的第一主题标签向量以及第二主题标签向量中的维度是能够表示文本语义的主题词(预设主题标签)，因此，对第一文本和第二文本的向量化是基于文本语义层面进行的，进而将第一主题标签向量以及第二主题标签向量进行相似度计算得到的文本之间的相似度值为能够在语义层面体现的相似度。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的一种文本语义相似度的确定方法的流程图；

图2示出了本发明实施例提供的另一种文本语义相似度的确定方法的流程图；

图3示出了本发明实施例提供的一种文本语义相似度的确定装置的组成框图；

图4示出了本发明实施例提供的另一种文本语义相似度的确定装置的组成框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

为解决文本相似度计算方法无法实现文本语义上的相似度的计算的问题，本发明实施例提供了一种文本语义相似度的确定方法，如图1所示，该方法包括：

101、获取第一文本以及第二文本。

其中第一文本和第二文本是需要进行文本语义相似度计算的任意两个文本。需要说明的是第一文本和第二文本的方式和来源不作限定，可以是从直接从线下的文本语料库中的获取到的文本，也可以是从互联网中通过爬虫等工具爬取到的文本等。具体的第一文本和第二文本的获取的来源和方式根据实际的需求确定。

102、根据预设标签主题Label LDA模型将第一文本以及第二文本分别转换为第一主题标签向量和第二主题标签向量。

第一主题标签向量和第二主题标签向量中每个维度对应一个预设主题标签，每个维度对应的维度值表示每个预设主题标签的权重值，预设主题标签为表示文本语义的单个主题词。

通常直接获取到的第一文本和第二文本在根据预设标签主题(Label latentdirichlet allocation，Label LDA)模型转换为主题标签向量之前，需要进行文本的预处理。具体的预处理过程包括：首先，将第一文本和第二文本进行分词处理，得到一个个单独的词。分词的方式可以是基于字符串匹配的分词方法、基于理解的分词方法以及基于统计的分词方法等。然后，对第一文本和第二文本分词后得到的分词结果进行停用词过滤，停用词主要包括没有实际功能意义的词，比如语气助词、介词等。

将预处理后的第一文本和第二文本中的词分别输入到预设标签主题Label LDA模型中，分别得到对应的第一主题标签向量和第二主题标签向量，其中第一主题标签向量和第二主题标签向量中每个维度对应一个预设主题标签，第一主题标签向量和第二主题标签向量的维度数等于预设主题标签的个数，第一主题标签向量和第二主题标签向量中每个维度上的维度值表示每个预设主题标签的权重值。第一主题标签向量中所有的维度对应的维度值的和为1，同样第二主题标签向量中所有的维度对应的维度值的和为1。需要说明的是预设标签主题Label LDA模型是根据大量的训练样本训练生成的模型，预设标签主题LabelLDA模型是将经过预处理的文本转换为能够反映文本语义的预设主题标签所组成向量，其中预设主题标签是提前设置好的，包括能够反映常用的所有不同主题类型文本的所能涉及到的主题词。比如预设主题标签可以为：新闻、资讯、体育、赛事、娱乐、八卦、天气、心理测试等等。

103、根据向量相似度算法对第一主题标签向量和第二主题标签向量进行相似度计算，得到第一文本与第二文本之间的语义相似度值。

其中，向量相似度算法可以为任意一种可以计算向量之间相似度值的算法，比如欧式距离相似度计算、余弦相似度计算等等。本实施例对具体的向量相似度算法不作限定，具体在实际应用中可以根据实际的需求选择合适的算法。

本发明实施例提供的文本语义相似度的确定方法，与现有技术相比，第一文本以及第二文本转换为的第一主题标签向量以及第二主题标签向量中的维度是能够表示文本语义的主题词(预设主题标签)，因此，对第一文本和第二文本的向量化是基于文本语义层面进行的，进而将第一主题标签向量以及第二主题标签向量进行相似度计算得到的文本之间的相似度值为能够在语义层面体现的相似度。

对图1所示方法的细化及扩展，本实施例还提供了一种文本语义相似度的确定方法，如图2所示：

201、根据训练样本以及训练样本对应的预设主题标签训练得到预设标签主题Label LDA模型。

具体的得到标签主题Label LDA模型的过程包括：

首先，获取训练样本。

训练样本包括不同类型的文本数据。训练样本的获取是根据不同的需求通过不同的途径获取的，比如对于网站推送文本的需求，通常是从互联网中抓取文本数据，具体从互联网中抓取文本数据可以通过网络爬虫爬取。具体的，不同类型的文本数据包括新闻类、体育类、娱乐类、戏曲类等等。在获取训练样本时，获取的训练样本的类型可以根据实际的需求只获取需要的文本类型。

其次，根据预设主题标签对训练样本进行标注。

具体的是根据训练样本中具体的内容进行标注。预设主题标签是用户提前设置好的，对训练样本进行标注即为训练样本中的每个文本数据选择对应的预设主题标签。本实施例中通过人工阅览的方式为训练样本进行标注，人工标注的方式更加的准确。在实际的应用中，也可以使用自动化的方式进行标注。

第三，对训练样本中的每一个文本数据进行预处理，包括分词处理和停用词过滤。具体的对训练样本中的文本数据进行预处理的方式与图1步骤102中对第一文本和第二文本进行预处理的方式相同，此处不再赘述。

第四、将预处理后的训练样本以及训练样本中文本数据对应的预设主题标签进行训练得到预设标签主题Label LDA模型。该预设标签主题Label LDA模型是学习到词与预设主题标签之间的关系。因此，将训练样本文本数据分词后得到的所有词作为预设标签主题Label LDA模型训练的输入，由预设主题标签对应的维度组成的主题标签向量作为期望输出进行训练，最终得到预设标签主题Label LDA模型。最后得到的预设标签主题Label LDA模型的输入为文本中的词，输出为文本对应的主题标签向量。主题标签向量中的维度与预设主题标签一一对应。主题标签向量中每个维度对应的值表示该维度对应的预设主题标签的权重值。

202、获取第一文本以及第二文本。

该步骤的实现方式与图1步骤101中的实现方式相同，此处不再赘述。

203、根据预设标签主题Label LDA模型将第一文本以及第二文本分别转换为第一主题标签向量和第二主题标签向量。

该步骤的实现方式与图1步骤102中的实现方式相同，此处不再赘述。

204、根据截取阈值分别对第一主题标签向量和第二主题标签向量进行截取。

现有技术中，通常在得到第一文本和第二文本对应的向量之后就可以直接对得到的向量进行相似度计算。但是在实际应用中，通常一篇文本并不能够在所有预设标签主题上都存在实际的意义，也就是说在得到的主题标签向量中，有一部分维度并不能反映文本真实的语义内容。如果在向量相似计算过程中使用所有的维度对应的维度值参与运算，这样导致的结果就会放大那些无实际意义的维度对相似度结果的影响。所以，为了克服无意义的预设标签主题对相似度结果的影响，我们采用向量截取方法，将得到的第一主题标签向量和第二主题标签向量中相对无实际意义的维度删除，保留对反映文本真实语义有实际意义的维度。

对第一主题标签向量和第二主题标签向量进行截取的过程如下：

首先，在对第一主题标签向量和第二主题标签向量进行截取之前，需要计算截取阈值，其中截取阈值按照下述公式进行计算：

θ＝1/K，其中θ为截取阈值，K为预设主题标签的个数。

然后，删除第一主题标签向量以及第二主题标签向量中维度值小于等于截取阈值的维度值对应的维度，得到截取后的第一主题标签向量以及截取后的第二主题标签向量。具体的进行删除的过程可以根据下述公式进行：

其中t_i表示第一主题标签向量或者第二主题标签向量中第i个维度对应的维度值，当t_i大于截取阈值时，对应t_i保持不变，当t_i小于等于截取阈值时，对应t_i变为零，然后将变为0的t_i以及t_i对应的维度删除。其中，T_i为t_i经过上述公式变换后的值。

205、对截取后的第一主题标签向量和截取后的第二主题标签向量分别进行归一化处理，得到第一有效主题标签向量以及第二有效主题标签向量。

由于第一主题标签向量以及第二主题标签向量中所有的维度值的和为1，在经过步骤204进行截取后，删除了一些维度值，因此为了继续保证第一主题标签向量以及第二主题标签向量中所有的维度值的和为1，则需要对截取后的第一主题标签向量和截取后的第二主题标签向量分别进行归一化处理，得到第一有效主题标签向量和第二有效主题标签向量。归一化处理是为了将第一主题标签向量和第一主题标签向量截取后保留下来的预设主题标签对应的权重值按比例进行重新调整。

通过具体的示例对截取后的第一主题标签向量进行归一化处理进行说明：假设第一主题标签向量经过步骤204中公式变换后保留下来的维度对应的维度值分别为T₁、T₂、T₃、T₄、T₅、T₆，则对应的归一化处理后对应的维度值分别为NT₁、NT₂、NT₃、NT₄、NT₅、NT₆。NT₁、NT₂、NT₃、NT₄、NT₅、NT₆组成第一有效主题标签向量。具体的归一化处理的计算公式如下所示：

需要说明的是，对截取后的第二主题标签向量进行归一化处理的方式与对截取后的第一主题标签向量进行归一化处理的方式是相同的。

第一有效主题标签向量中的维度值对应的预设主题标签即对表示第一文本语义有意义的词；同样第二有效主题标签向量中的维度值对应的预设主题标签即对表示第二文本语义有意义的词。第一有效主题标签向量中的维度值以及第二有效主题标签向量中的维度值为该维度对应的预设主题标签的权重值。

206、根据最大标签相似度算法计算第一有效主题标签向量和第二有效主题标签向量之间的相似度值，得到第一文本与第二文本之间的语义相似度值。

具体的，计算第一有效主题标签向量和第二有效主题标签向量之间的相似度值的过程如下：

首先，根据余弦相似度算法计算第一有效主题标签向量对应的每一个预设主题标签分别与第二有效主题标签向量对应的每一个预设主题标签之间的主题标签相似度值。

具体的按照下述公式计算第一有效主题标签向量对应的每一个预设主题标签分别与第二有效主题标签向量对应的每一个预设主题标签之间的主题标签相似度值P：

其中L1_i表示第一有效主题标签向量对应的第i个预设主题标签，L2_j表示第二有效主题标签向量对应的第j个预设主题标签。表示L1_i对应的词向量，表示L2_j对应的词向量。

需要说明的是以及是将对应的L1_i以及L2_j所表示的预设主题标签通过词向量转换工具word2vec转换得到的词向量，通过word2vec得到的词向量是语义层面的词向量，也进一步体现了最终得到的文本之间的语义层面的相似度。

其次，根据最大标签相似度算法计算第一有效主题标签向量和第二有效主题标签向量之间的相似度值。

具体的，按照下述公式，计算第一有效主题标签向量和第二有效主题标签向量之间的相似度值：

其中，SIM为第一有效主题标签向量和第二有效主题标签向量之间的相似度值，K_i为第一有效主题标签向量的维度数，K_j为第二有效主题标签向量的维度数，NT_i为第一有效主题标签向量中第i个维度对应的维度值，NT_j为第二有效主题标签向量中第j个维度对应的维度值；P(L1_i，L2_j)为第一有效主题标签向量中第i个维度值对应的预设主题标签与第二有效主题标签向量中第j个维度值对应的预设主题标签之间的主题标签相似度值。

计算得到的第一有效主题标签向量和第二有效主题标签向量之间的相似度值即为第一文本与第二文本之间的语义相似度值。

从上述计算第一有效主题标签向量和第二有效主题标签向量之间的相似度值的公式可以看出，在计算相似度时不仅依据两个向量本身的对应的维度值，而且还将两个向量中每个维度对应的预设主题标签之间的相似度加以考虑。这种相似度计算方法充分考虑了向量相似度计算时维度之间的相关性(即文本转换为的有效主题标签向量中预设主题标签之间的相关性)，克服了现有的文本对应的向量相似度计算过程中不考虑维度对应的实际的词之间的语义相关性的缺失。

进一步的，作为对上述各实施例的实现，本发明实施例的另一实施例还提供了一种文本语义相似度的确定装置，用于实现上述图1以及图2所述的方法。如图3所示，该装置包括：文本获取单元31、转换单元32以及计算单元33。

文本获取单元31，用于获取第一文本以及第二文本，第一文本和第二文本是需要进行语义相似度计算的任意两个文本；

其中第一文本和第二文本是需要进行文本语义相似度计算的任意两个文本。需要说明的是第一文本和第二文本的方式和来源不作限定，可以是从直接从线下的文本语料库中的获取到的文本，也可以是从互联网中通过爬虫等工具爬取到的文本等。具体的第一文本和第二文本的获取的来源和方式根据实际的需求确定。

转换单元32，用于根据预设标签主题Label LDA模型将第一文本以及第二文本分别转换为第一主题标签向量和第二主题标签向量，第一主题标签向量和第二主题标签向量中每个维度对应一个预设主题标签，每个维度对应的维度值表示每个预设主题标签的权重值，预设主题标签为表示文本语义的单个主题词；

通常直接获取到的第一文本和第二文本在根据预设标签主题(Label latentdirichlet allocation，Label LDA)模型转换为主题标签向量之前，需要进行文本的预处理。具体的预处理过程包括：首先，将第一文本和第二文本进行分词处理，得到一个个单独的词。分词的方式可以是基于字符串匹配的分词方法、基于理解的分词方法以及基于统计的分词方法等。然后，对第一文本和第二文本分词后得到的分词结果进行停用词过滤，停用词主要包括没有实际功能意义的词，比如语气助词、介词等。

将预处理后的第一文本和第二文本中的词分别输入到预设标签主题Label LDA模型中，分别得到对应的第一主题标签向量和第二主题标签向量，其中第一主题标签向量和第二主题标签向量中每个维度对应一个预设主题标签，第一主题标签向量和第二主题标签向量的维度数等于预设主题标签的个数，第一主题标签向量和第二主题标签向量中每个维度上的维度值表示每个预设主题标签的权重值。第一主题标签向量中所有的维度对应的维度值的和为1，同样第二主题标签向量中所有的维度对应的维度值的和为1。需要说明的是预设标签主题Label LDA模型是根据大量的训练样本训练生成的模型，预设标签主题LabelLDA模型是将经过预处理的文本转换为能够反映文本语义的预设主题标签所组成向量，其中预设主题标签是提前设置好的，包括能够反映常用的所有不同主题类型文本的所能涉及到的主题词。比如预设主题标签可以为：新闻、资讯、体育、赛事、娱乐、八卦、天气、心理测试等等。

计算单元33，用于根据向量相似度算法对第一主题标签向量和第二主题标签向量进行相似度计算，得到第一文本与第二文本之间的语义相似度值。

其中，向量相似度算法可以为任意一种可以计算向量之间相似度值的算法，比如欧式距离相似度计算、余弦相似度计算等等。本实施例对具体的向量相似度算法不作限定，具体在实际应用中可以根据实际的需求选择合适的算法。

如图4所示，装置还包括：

样本获取单元34，用于获取训练样本，训练样本包含大量的不同类型的文本数据；

训练样本包括不同类型的文本数据。训练样本的获取是根据不同的需求通过不同的途径获取的，比如对于网站推送文本的需求，通常是从互联网中抓取文本数据，具体从互联网中抓取文本数据可以通过网络爬虫爬取。具体的，不同类型的文本数据包括新闻类、体育类、娱乐类、戏曲类等等。在获取训练样本时，获取的训练样本的类型可以根据实际的需求只获取需要的文本类型。

标注单元35，用于根据预设主题标签对训练样本进行标注，训练样本中的每个文本至少对应一个预设主题标签；

具体的是根据训练样本中具体的内容进行标注。预设主题标签是用户提前设置好的，对训练样本进行标注即为训练样本中的每个文本数据选择对应的预设主题标签。本实施例中通过人工阅览的方式为训练样本进行标注，人工标注的方式更加的准确。在实际的应用中，也可以使用自动化的方式进行标注。

训练单元36，用于根据标签主题Label LDA算法对训练样本以及训练样本对应的预设主题标签进行训练，得到预设标签主题Label LDA模型。

首先，对训练样本中的每一个文本数据进行预处理，包括分词处理和停用词过滤。具体的对训练样本中的文本数据进行预处理的方式与转换单元32中对第一文本和第二文本进行预处理的方式相同，此处不再赘述。

其次，将预处理后的训练样本以及训练样本中文本数据对应的预设主题标签进行训练得到预设标签主题Label LDA模型。该预设标签主题Label LDA模型是学习到词与预设主题标签之间的关系。因此，将训练样本文本数据分词后得到的所有词作为预设标签主题Label LDA模型训练的输入，由预设主题标签对应的维度组成的主题标签向量作为期望输出进行训练，最终得到预设标签主题Label LDA模型。最后得到的预设标签主题Label LDA模型的输入为文本中的词，输出为文本对应的主题标签向量。主题标签向量中的维度与预设主题标签一一对应。主题标签向量中每个维度对应的值表示该维度对应的预设主题标签的权重值。

如图4所示，计算单元33包括：

截取模块331，用于分别对第一主题标签向量和第二主题标签向量进行截取，保留第一主题标签向量和第二主题标签向量中小于等于截取阈值的维度值以及小于等于截取阈值的维度值对应的维度，截取阈值为预设主题标签的倒数；

现有技术中，通常在得到第一文本和第二文本对应的向量之后就可以直接对得到的向量进行相似度计算。但是在实际应用中，通常一篇文本并不能够在所有预设标签主题上都存在实际的意义，也就是说在得到的主题标签向量中，有一部分维度并不能反映文本真实的语义内容。如果在向量相似计算过程中使用所有的维度对应的维度值参与运算，这样导致的结果就会放大那些无实际意义的维度对相似度结果的影响。所以，为了克服无意义的预设标签主题对相似度结果的影响，我们采用向量截取方法，将得到的第一主题标签向量和第二主题标签向量中相对无实际意义的维度删除，保留对反映文本真实语义有实际意义的维度。

对第一主题标签向量和第二主题标签向量进行截取的过程如下：

首先，在对第一主题标签向量和第二主题标签向量进行截取之前，需要计算截取阈值，其中截取阈值按照下述公式进行计算：

θ＝1/K，其中θ为截取阈值，K为预设主题标签的个数。

然后，删除第一主题标签向量以及第二主题标签向量中维度值小于等于截取阈值的维度值对应的维度，得到截取后的第一主题标签向量以及截取后的第二主题标签向量。具体的进行删除的过程可以根据下述公式进行：

其中t_i表示第一主题标签向量或者第二主题标签向量中第i个维度对应的维度值，当t_i大于截取阈值时，对应t_i保持不变，当t_i小于等于截取阈值时，对应t_i变为零，然后将变为0的t_i以及t_i对应的维度删除。其中，T_i为t_i经过上述公式变换后的值。

归一化模块332，用于对截取后的第一主题标签向量和截取后的第二主题标签向量分别进行归一化处理，得到第一有效主题标签向量和第二有效主题标签向量；

由于第一主题标签向量以及第二主题标签向量中所有的维度值的和为1，在经过截取模块331进行截取后，删除了一些维度值，因此为了继续保证第一主题标签向量以及第二主题标签向量中所有的维度值的和为1，则需要对截取后的第一主题标签向量和截取后的第二主题标签向量分别进行归一化处理，得到第一有效主题标签向量和第二有效主题标签向量。归一化处理是为了将第一主题标签向量和第一主题标签向量截取后保留下来的预设主题标签对应的权重值按比例进行重新调整。

通过具体的示例对截取后的第一主题标签向量进行归一化处理进行说明：假设第一主题标签向量经过截取模块331中公式变换后保留下来的维度对应的维度值分别为T₁、T₂、T₃、T₄、T₅、T₆，则对应的归一化处理后对应的的维度值分别为NT₁、NT₂、NT₃、NT₄、NT₅、NT₆。NT₁、NT₂、NT₃、NT₄、NT₅、NT₆组成第一有效主题标签向量。具体的归一化处理的计算公式如下所示：

需要说明的是，对截取后的第二主题标签向量进行归一化处理的方式与对截取后的第一主题标签向量进行归一化处理的方式是相同的。

第一有效主题标签向量中的维度值对应的预设主题标签即对表示第一文本语义有意义的词；同样第二有效主题标签向量中的维度值对应的预设主题标签即对表示第二文本语义有意义的词。第一有效主题标签向量中的维度值以及第二有效主题标签向量中的维度值为该维度对应的预设主题标签的权重值。

计算模块333，用于根据最大标签相似度算法计算第一有效主题标签向量和第二有效主题标签向量之间的相似度值。

计算模块333，用于：

根据余弦相似度算法计算第一有效主题标签向量对应的每一个预设主题标签分别与第二有效主题标签向量对应的每一个预设主题标签之间的主题标签相似度值；

具体的按照下述公式计算第一有效主题标签向量对应的每一个预设主题标签分别与第二有效主题标签向量对应的每一个预设主题标签之间的主题标签相似度值P：

其中L1_i表示第一有效主题标签向量对应的第i个预设主题标签，L2_j表示第二有效主题标签向量对应的第j个预设主题标签。表示L1_i对应的词向量，表示L2_j对应的词向量。

需要说明的是以及是将对应的L1_i以及L2_j所表示的预设主题标签通过词向量转换工具word2vec转换得到的词向量，通过word2vec得到的词向量是语义层面的词向量，也进一步体现了最终得到的文本之间的语义层面的相似度。

按照下述公式，计算第一有效主题标签向量和第二有效主题标签向量之间的相似度值：

其中，SIM为第一有效主题标签向量和第二有效主题标签向量之间的相似度值，K_i为第一有效主题标签向量的维度数，K_j为第二有效主题标签向量的维度数，NT_i为第一有效主题标签向量中第i个维度对应的维度值,NT_j为第二有效主题标签向量中第j个维度对应的维度值；P(L1_i，L2_j)为第一有效主题标签向量中第i个维度值对应的预设主题标签与第二有效主题标签向量中第j个维度值对应的预设主题标签之间的主题标签相似度值。

计算得到的第一有效主题标签向量和第二有效主题标签向量之间的相似度值即为第一文本与第二文本之间的语义相似度值。

从上述计算第一有效主题标签向量和第二有效主题标签向量之间的相似度值的公式可以看出，在计算相似度时不仅依据两个向量本身的对应的维度值，而且还将两个向量中每个维度对应的预设主题标签之间的相似度加以考虑。这种相似度计算方法充分考虑了向量相似度计算时维度之间的相关性(即文本转换为的有效主题标签向量中预设主题标签之间的相关性)，克服了现有的文本对应的向量相似度计算过程中不考虑维度对应的实际的词之间的语义相关性的缺失。

文本获取单元31用于：

从互联网中爬取第一文本以及第二文本。

本发明实施例提供的文本语义相似度的确定装置，与现有技术相比，第一文本以及第二文本转换为的第一主题标签向量以及第二主题标签向量中的维度是能够表示文本语义的主题词(预设主题标签)，因此，对第一文本和第二文本的向量化是基于文本语义层面进行的，进而将第一主题标签向量以及第二主题标签向量进行相似度计算得到的文本之间的相似度值为能够在语义层面体现的相似度。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的发明名称(如文本语义相似度的确定装置)中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种文本语义相似度的确定方法，其特征在于，所述方法包括：

获取第一文本以及第二文本，所述第一文本和所述第二文本是需要进行语义相似度计算的任意两个文本；

根据预设标签主题Label LDA模型将所述第一文本以及所述第二文本分别转换为第一主题标签向量和第二主题标签向量，所述第一主题标签向量和所述第二主题标签向量中每个维度对应一个预设主题标签，每个维度对应的维度值表示每个预设主题标签的权重值，所述预设主题标签为表示文本语义的单个主题词；

根据向量相似度算法对所述第一主题标签向量和所述第二主题标签向量进行相似度计算，得到所述第一文本与所述第二文本之间的语义相似度值。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取训练样本，所述训练样本包含大量的不同类型的文本数据；

根据预设主题标签对所述训练样本进行标注，训练样本中的每个文本至少对应一个预设主题标签；

根据标签主题Label LDA算法对所述训练样本以及所述训练样本对应的预设主题标签进行训练，得到所述预设标签主题Label LDA模型。

3.根据权利要求1或2所述的方法，其特征在于，所述根据向量相似度算法对所述第一主题标签向量和所述第二主题标签向量进行相似度计算，包括：

分别对所述第一主题标签向量和所述第二主题标签向量进行截取，保留所述第一主题标签向量和所述第二主题标签向量中小于等于截取阈值的维度值以及小于等于所述截取阈值的维度值对应的维度，所述截取阈值为预设主题标签的倒数；

对截取后的第一主题标签向量和截取后的第二主题标签向量分别进行归一化处理，得到第一有效主题标签向量和第二有效主题标签向量；

根据最大标签相似度算法计算所述第一有效主题标签向量和所述第二有效主题标签向量之间的相似度值。

4.根据权利要求3所述的方法，其特征在于，所述根据最大标签相似度算法计算第一有效主题标签向量和第二有效主题标签向量之间的相似度值，包括：

根据余弦相似度算法计算所述第一有效主题标签向量对应的每一个预设主题标签分别与所述第二有效主题标签向量对应的每一个预设主题标签之间的主题标签相似度值；

按照下述公式，计算所述第一有效主题标签向量和所述第二有效主题标签向量之间的相似度值：

$SIM=\frac{{\Σ}_{i=0}^{K_i}{\mathrm{NT}}_i\left(\max \right(p_{j=0}^{K_j}\left(L{1}_i,L{2}_j\right)\left)\right)+{\Σ}_{j=0}^{Kj}{\mathrm{NT}}_j\left(\max \right(p_{i=0}^{K_i}\left(L{1}_i,L{2}_j\right)\left)\right)}{2}$

其中，SIM为所述第一有效主题标签向量和所述第二有效主题标签向量之间的相似度值，K_i为所述第一有效主题标签向量的维度数，K_j为第二有效主题标签向量的维度数，NT_i为第一有效主题标签向量中第i个维度对应的维度值,NT_j为第二有效主题标签向量中第j个维度对应的维度值；P(L1_i,L2_j)为第一有效主题标签向量中第i个维度值对应的预设主题标签与第二有效主题标签向量中第j个维度值对应的预设主题标签之间的主题标签相似度值。

5.根据权利要求4所述的方法，其特征在于，所述获取第一文本以及第二文本，包括：

从互联网中爬取所述第一文本以及所述第二文本。

6.一种文本语义相似度的确定装置，其特征在于，所述装置包括：

文本获取单元，用于获取第一文本以及第二文本，所述第一文本和所述第二文本是需要进行语义相似度计算的任意两个文本；

转换单元，用于根据预设标签主题Label LDA模型将所述第一文本以及所述第二文本分别转换为第一主题标签向量和第二主题标签向量，所述第一主题标签向量和所述第二主题标签向量中每个维度对应一个预设主题标签，每个维度对应的维度值表示每个预设主题标签的权重值，所述预设主题标签为表示文本语义的单个主题词；

计算单元，用于根据向量相似度算法对所述第一主题标签向量和所述第二主题标签向量进行相似度计算，得到所述第一文本与所述第二文本之间的语义相似度值。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

样本获取单元，用于获取训练样本，所述训练样本包含大量的不同类型的文本数据；

标注单元，用于根据预设主题标签对所述训练样本进行标注，训练样本中的每个文本至少对应一个预设主题标签；

训练单元，用于根据标签主题Label LDA算法对所述训练样本以及所述训练样本对应的预设主题标签进行训练，得到所述预设标签主题Label LDA模型。

8.根据权利要求6或7所述的装置，其特征在于，所述计算单元包括：

截取模块，用于分别对所述第一主题标签向量和所述第二主题标签向量进行截取，保留所述第一主题标签向量和所述第二主题标签向量中小于等于截取阈值的维度值以及小于等于所述截取阈值的维度值对应的维度，所述截取阈值为预设主题标签的倒数；

归一化模块，用于对截取后的第一主题标签向量和截取后的第二主题标签向量分别进行归一化处理，得到第一有效主题标签向量和第二有效主题标签向量；

计算模块，用于根据最大标签相似度算法计算所述第一有效主题标签向量和所述第二有效主题标签向量之间的相似度值。

9.根据权利要求8所述的装置，其特征在于，所述计算模块，用于：

根据余弦相似度算法计算所述第一有效主题标签向量对应的每一个预设主题标签分别与所述第二有效主题标签向量对应的每一个预设主题标签之间的主题标签相似度值；

按照下述公式，计算所述第一有效主题标签向量和所述第二有效主题标签向量之间的相似度值：

$SIM=\frac{{\mathrm{\Σ}}_{i=0}^{K_i}{\mathrm{NT}}_i\left(max\right(p_{j=0}^{K_j}(L{1}_i,L{2}_j)\left)\right)+{\mathrm{\Σ}}_{j=0}^{Kj}{\mathrm{NT}}_j\left(max\right(p_{i=0}^{K_i}(L{1}_i,L{2}_j)\left)\right)}{2}$

其中，SIM为所述第一有效主题标签向量和所述第二有效主题标签向量之间的相似度值，K_i为所述第一有效主题标签向量的维度数，K_j为第二有效主题标签向量的维度数，NT_i为第一有效主题标签向量中第i个维度对应的维度值,NT_j为第二有效主题标签向量中第j个维度对应的维度值；P(L1_i,L2_j)为第一有效主题标签向量中第i个维度值对应的预设主题标签与第二有效主题标签向量中第j个维度值对应的预设主题标签之间的主题标签相似度值。

10.根据权利要求9所述的装置，其特征在于，所述文本获取单元用于：

从互联网中爬取所述第一文本以及所述第二文本。