CN107145485A - 用于压缩主题模型的方法和装置 - Google Patents

用于压缩主题模型的方法和装置 Download PDF

Info

Publication number
CN107145485A
CN107145485A CN201710331369.4A CN201710331369A CN107145485A CN 107145485 A CN107145485 A CN 107145485A CN 201710331369 A CN201710331369 A CN 201710331369A CN 107145485 A CN107145485 A CN 107145485A
Authority
CN
China
Prior art keywords
theme
word
model
topic model
topic
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.)
Granted
Application number
CN201710331369.4A
Other languages
English (en)
Other versions
CN107145485B (zh
Inventor
鲍思琪
陈泽裕
姜迪
何径舟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu International Technology Shenzhen Co Ltd
Original Assignee
Baidu International Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Baidu International Technology Shenzhen Co Ltd filed Critical Baidu International Technology Shenzhen Co Ltd
Priority to CN201710331369.4A priority Critical patent/CN107145485B/zh
Publication of CN107145485A publication Critical patent/CN107145485A/zh
Priority to US15/891,289 priority patent/US10579655B2/en
Application granted granted Critical
Publication of CN107145485B publication Critical patent/CN107145485B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G06F16/313—Selection or weighting of terms for indexing
    • 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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3334—Selection or weighting of terms from queries, including natural language queries
    • 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
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Abstract

本申请公开了用于压缩主题模型的方法和装置。该方法的一具体实施方式包括：获取待压缩的主题模型，该主题模型每一行代表一个单词在各个主题上的分布；将主题模型进行格式转换得到第一主题模型，第一主题模型的每一行代表一个主题在各个单词上的分布；从第一主题模型中选取任意两个主题组成主题对，并将至少一个主题对组成主题对集合，并确定主题对集合中每个主题对的两个主题之间的相似度；将相似度大于相似度阈值的主题对进行合并生成第二主题模型；将第二主题模型进行格式转换得到压缩后的主题模型使得每一行代表一个单词在各个主题上的分布。该实施方式实现了主题模型的快速高效压缩，降低主题模型的存储空间并且提高主题模型的计算效率。

Description

用于压缩主题模型的方法和装置
技术领域
本申请涉及计算机技术领域，具体涉及人工智能技术领域，尤其涉及用于压缩主题模型的方法和装置。
背景技术
人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
主题模型(topic modeling)是一种常见的机器学习应用，主要用于对文本进行分类。“隐含狄利克雷分布”(Latent Dirichlet Allocation，LDA)模型和“概率隐语义分析”(probabilistic Latent Semantic Analysis，pLSA)模型等重要的主题模型，广泛应用于文本搜索，广告推荐等领域。随着互联网的普及，主题模型的训练数据也从过去小规模的文档集，迁移到现今大规模的网络语料库。因此训练数据变得更加复杂，词表中单词数量大幅增加，导致需要更大容量的主题模型，设置更多的隐含主题来抓起长尾的语义信息。但随着主题数量的增加，也带来了一些问题：1.不同主题之间存在较大的重复，这种冗余让单个主题的可解释性变差，以及整体模型的使用效率降低；2.训练出来的模型参数过多，不仅带来存储上的困难，还使得主题模型的后续计算负担过于沉重。
发明内容
本申请的目的在于提出一种改进的用于压缩主题模型的方法和装置，来解决以上背景技术部分提到的技术问题。
第一方面，本申请实施例提供了一种用于压缩主题模型的方法，该方法包括：获取待压缩的主题模型，其中，主题模型的每一行代表一个单词在各个主题上的分布；将主题模型进行格式转换得到第一主题模型，其中，第一主题模型的每一行代表一个主题在各个单词上的分布，并且每一个主题上的单词按照单词在该主题上的数量由大到小的顺序排序；从第一主题模型中选取任意两个主题组成主题对，并将至少一个主题对组成主题对集合，并确定主题对集合中每个主题对的两个主题之间的相似度；将相似度大于相似度阈值的主题对进行合并生成第二主题模型；将第二主题模型进行格式转换得到压缩后的主题模型，其中，压缩后的主题模型的每一行代表一个单词在各个主题上的分布。
在一些实施例中，确定主题对集合中每个主题对的两个主题之间的相似度，包括：确定主题对集合中每个主题对的两个主题上的单词之间的杰卡德相似度。
在一些实施例中，确定主题对集合中每个主题对的两个主题之间的相似度，包括：根据主题对集合中每个主题对的两个主题上的单词之间重复的单词的概率确定相似度。
在一些实施例中，将相似度大于相似度阈值的主题对进行合并生成第二主题模型，包括：通过并查集算法确定非连接的主题集合；将非连接的主题集合内的主题进行合并生成第二主题模型。
在一些实施例中，在将第二主题模型进行格式转换得到压缩后的主题模型之前，该方法还包括：对于第二主题模型中的每个主题，确定每个单词在该主题下的概率分布；从第二主题模型中删除概率分布小于预定的概率阈值的单词。
第二方面，本申请实施例提供了一种用于压缩主题模型的装置，该装置包括：获取单元，用于获取待压缩的主题模型，其中，主题模型的每一行代表一个单词在各个主题上的分布；第一转换单元，用于将主题模型进行格式转换得到第一主题模型，其中，第一主题模型的每一行代表一个主题在各个单词上的分布，并且每一个主题上的单词按照单词在该主题上的数量由大到小的顺序排序；相似度确定单元，用于从第一主题模型中选取任意两个主题组成主题对，并将至少一个主题对组成主题对集合，并确定主题对集合中每个主题对的两个主题之间的相似度；合并单元，用于将相似度大于相似度阈值的主题对进行合并生成第二主题模型；第二转换单元，用于将第二主题模型进行格式转换得到压缩后的主题模型，其中，压缩后的主题模型的每一行代表一个单词在各个主题上的分布。
在一些实施例中，相似度确定单元进一步用于：确定主题对集合中每个主题对的两个主题上的单词之间的杰卡德相似度。
在一些实施例中，相似度确定单元进一步用于：根据主题对集合中每个主题对的两个主题上的单词之间重复的单词的概率确定相似度。
在一些实施例中，合并单元进一步用于：通过并查集算法确定非连接的主题集合；将非连接的主题集合内的主题进行合并生成第二主题模型。
在一些实施例中，该装置还包括删除单元，用于：在将第二主题模型进行格式转换得到压缩后的主题模型之前，对于第二主题模型中的每个主题，确定每个单词在该主题下的概率分布；从第二主题模型中删除概率分布小于预定的概率阈值的单词。
第三方面，本申请实施例提供了一种设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面中任一所述的方法。
第四方面，本申请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，该程序被处理器执行时实现如第一方面中任一所述的方法。
本申请实施例提供的用于压缩主题模型的方法和装置，通过将主题模型进行格式转换后，根据各主题之间的相似度将相似度大于相似度阈值的主题进行合并，再将合并后的主题模型转换成初始格式，生成了压缩后的主题模型。从而便于主题模型的存储并提高后续使用主题模型进行文档应用时的计算效率。
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，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的用于压缩主题模型的方法的一个实施例的流程图；
图3a是根据本申请的用于压缩主题模型的方法的待压缩的主题模型的样例；
图3b是根据本申请的用于压缩主题模型的方法的一个实施例应用效果图；
图4是根据本申请的用于压缩主题模型的方法的又一个实施例的流程图；
图5a、5b是根据本申请的用于压缩主题模型的方法的又一个实施例应用效果图；
图6是根据本申请的用于压缩主题模型的装置的一个实施例的结构示意图；
图7是适于用来实现本申请实施例的服务器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申请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，本申请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申请。
图1示出了可以应用本申请的用于压缩主题模型的方法或用于压缩主题模型的装置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可以是具有显示屏并且支持网页浏览的各种电子设备，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 ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts 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。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的网页提供支持的后台推荐服务器。后台推荐服务器可以对接收到的样本数据进行分析等处理生成主题模型，并可接收终端设置发送的关键词查询请求，并将处理结果(例如用户所偏好的与关键词有关的文章)反馈给终端设备。
需要说明的是，本申请实施例所提供的用于压缩主题模型的方法一般由服务器105执行，相应地，用于压缩主题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。也可以不需要终端设备，直接由服务器根据预存的主题模型进行压缩处理。
继续参考图2，示出了根据本申请的用于压缩主题模型的方法的一个实施例的流程200。该用于压缩主题模型的方法，包括以下步骤：
步骤201，获取待压缩的主题模型。
在本实施例中，用于压缩主题模型的方法运行于其上的电子设备(例如图1所示的服务器)可以通过第三方服务器获取已经训练好的待压缩的主题模型，也可以接收终端发送的样本数据训练出主题模型。该主题模型的每一行代表一个单词在各个主题上的分布。作为示例，一个训练好的主题模型，格式可以是{word_id topic_id:count topic_id:count...}，每一行代表一个单词在各主题上的分布。word_id表示单词的序号，topic_id表示主题的序号，count是该单词在相应主题下的数量。该主题模型的样例如图3a所示，方框301中的数值(1，2，3)是行号，仅为显示方便。方框302中为word_id(即，单词的序号)，方框303为topic_id:count(即，主题的序号：该单词在相应主题下的数量)。可选的，一个单词在各个主题上的分布还可以是一个单词在各个主题上的出现的概率。
步骤202，将主题模型进行格式转换得到第一主题模型。
在本实施例中，第一主题模型的每一行代表一个主题在各个单词上的分布，并且每一个主题上的单词按照单词在该主题上的数量由大到小的顺序排序。即将初始的单词-主题格式的主题模型转换为主题-单词格式。具体的主题-单词格式为{(word_id,topic_count),(word_id,topic_count),...}，即每一行代表一个主题在各个单词上的分布，word_id表示单词的序号，topic_count表示相应的单词在该主题上的数量，并按topic_count降序排列。
步骤203，从第一主题模型中选取任意两个主题组成主题对，并将至少一个主题对组成主题对集合，并确定主题对集合中每个主题对的两个主题之间的相似度。
在本实施例中，主题模型进行的是无监督的训练，在主题数量设置过大或者过小的情况下，都会出现多个主题间严重的冗余。对于任意两个主题，需要考虑其前K个单词(即，按单词在该主题上的数量由大到小的顺序取K个单词，K是预设的自然数，例如30)的分布，可通过杰卡德相似度(Jaccard Similarity)或加权杰卡德相似度(Weighted JaccardSimilarity)确定主题对集合中每个主题对的两个主题之间的相似度。
在本实施例的一些可选的实现方式中，确定主题对集合中每个主题对的两个主题之间的相似度，包括：确定主题对集合中每个主题对的两个主题上的单词之间的杰卡德相似度。对于任意两个主题，计算它们前K个单词的Jaccard Similarity，定义为：
J(A,B)＝(|A∩B|)/(|A∪B|)＝(|A∩B|)/(|A|+|B|-|A∩B|)(公式1)
进行计算的主题模型是主题-单词格式{(word_id,topic_count),(word_id,topic_count),...}，其中，J(A,B)为两个主题的相似度，A＝(a1，a2，…，aK)和B＝(b1，b2，…，bK)分别是两个主题提取前K个word_id组成的向量。分子上|A∩B|的物理含义为，重复出现在两个主题前K个单词中的单词数量；分母上|A∪B|的物理含义为两个主题前K个单词中所总共涵盖的单词数量。
在本实施例的一些可选的实现方式中，确定主题对集合中每个主题对的两个主题之间的相似度，包括：根据主题对集合中每个主题对的两个主题上的单词之间重复的单词的概率确定相似度。对于任意两个主题，计算它们前K个单词的Weighted JaccardSimilarity，定义为：
进行计算的主题模型是主题-单词格式{(word_id,topic_count),(word_id,topic_count),...}，为了进一步得到每个单词的概率分布，对每个主题下的单词topic_count进行统计，得到该主题下单词的总计数topic_sum，进行计算的主题模型的概率形式为{(word_id,topic_count/topic_sum),(word_id,topic_count/topic_sum),...}。在Weighted Jaccard Similarity计算中，，J(X,Y)为两个主题的相似度，X＝(x1，x2，…，xm，xm+1，…，xK)和Y＝(y1，y2，…，ym，ym+1，…，yK)分别是两个主题提取前K个单词对应的概率topic_count/topic_sum组成的向量。其中，0≤m≤K表示重复出现在两个主题前K个单词中的单词数量，即xi与yi在1≤i≤m范围内对应的单词word_id是一样的。分子上是对在两个主题中重复出现单词的较小概率进行加和，分母中是对在两个主题中重复出现单词的较大概率以及非重复单词的概率进行加和。
步骤204，将相似度大于相似度阈值的主题对进行合并生成第二主题模型。
在本实施例中，对主题模型中任意两个主题ti和tj(1≤i，j≤N，N是总共的主题数量)都会进行相似性估计。如果它们的相似性≥用户设定的相似度阈值，即认定这两个主题之间存在较大的冗余，对冗余的主题对(ti，tj)进行记录。所有冗余的主题对{(ti，tj)，…}被记录下来，进行冗余主题的合并，并去除所有的空行，得到去重后的主题-单词格式的第二主题模型。
在本实施例的一些可选的实现方式中，将相似度大于相似度阈值的主题对进行合并生成第二主题模型，包括：通过并查集算法确定非连接的主题集合；将非连接的主题集合内的主题进行合并生成第二主题模型。并查集(Union Find)是一种树型的数据结构，用于处理一些非连接集合(Disjoint Sets)的合并及查询问题。常常在使用中以森林来表示。集就是让每个元素构成一个单元素的集合，也就是按一定顺序将属于同一组的元素所在的集合合并。
并查集算法的输入是冗余的主题对，为了更好的解释并查集算法，我们使用一个简单的例子进行说明。假设当前输入为{(1,2),(2,3),(4,5),(6,7),(1,7)}，其中(1,2)表示主题1和主题2之间存在较大的冗余，(2,3)表示主题2和主题3之间存在较大的冗余，以此类推。并查集算法首先需要计算索引映射表(Indices Map)，即列出每个主题所在的输入主题对中的索引，得到的Indices Map为{1:[0,4],2:[0,1],3:[1],4:[2],5:[2],6:[3],7:[3,4]}，其中1:[0,4]表示主题1映射到输入的冗余主题对的第0和4个索引上。接着需要计算索引的非连接集合的非连接索引(Disjoint Indices)，每个集合代表其内部所索引的主题对是冗余的，得到的非连接冗余主题对的索引集合Disjoint Indices为{set(0,1,3,4),set(2)}，其中set(0,1,3,4)表示冗余主题对中的第0、1、3和4个索引上的主题对连接性冗余。最后基于Disjoint Indices，可从索引得到主题的集合，得到的非连接的主题集合Disjoint Set为{set(1,2,3,6,7),set(4,5)}，其中set(1,2,3,6,7)表示主题1、2、3、6和7连接性冗余。
经并查集算法得到的非连接的主题集合，在主题-单词格式的主题模型基础上，对于每一个集合，选取集合内第一个主题作为根主题，把集合内剩余主题合并到该根主题上，并在主题-单词格式的模型上删除该集合内剩余主题。继续使用以上的简单例子进行说明，经并查集算法得到的Disjoint Set为{set(1,2,3,6,7),set(4,5)}，其中set(1,2,3,6,7)表示主题1、2、3、6和7存在连接性冗余，选取主题1作为根主题，把主题2、3、6和7合并到主题1上，在主题-单词格式的模型上删除主题2、3、6和7所在行的内容，set(4,5)表示主题4和5存在连接性冗余，选取主题4作为根主题，把主题5合并到主题4上，在主题-单词格式的模型上删除主题5所在行的内容。对所有的非连接的主题集合进行合并后，去除所有的空行，得到去重后的主题-单词格式的主题模型。
步骤205，将第二主题模型进行格式转换得到压缩后的主题模型，其中，压缩后的主题模型的每一行代表一个单词在各个主题上的分布。
在本实施例中，合并后的主题模型是主题-单词格式，值得注意的是在主题融合过程中，冗余主题之间进行了合并，主题的总数量变少，且部分主题的序号也已经改变。因主题的序号并无具体的物理含义，只是为了区分主题，这种序号上的改变是可以接受的。考虑到初始输入的主题模型是单词-主题格式，为了与输入保持一致，经过格式转换把合并后的主题模型转换为单词-主题格式，进行输出。
继续参见图3b，图3b是根据本申请的用于压缩主题模型的方法的一个实施例应用效果图。预先基于2016年的新闻数据构造了一份新闻标签推断的数据库，对本申请提出的主题模型压缩技术进行验证。输入的模型是一个在海量网络语料上训练出来的主题模型，总共有5000个主题，分别使用Jaccard Similarity和Weighted Jaccard Similarity两种策略对主题之间的冗余性进行评估，K和相似度阈值分别设为30和0.4，得到了两个合并压缩后的主题模型，实验结果如图3b所示。初始的主题模型，有5000个主题，新闻标签推断的准确率为89.24％；使用Jaccard Similarity策略合并压缩后的主题模型有4798个主题，新闻标签推断的准确率为89.30％；使用Weighted Jaccard Similarity方法合并压缩后的主题模型有4537个主题，新闻标签推断的准确率为89.74％，相比初始模型准确率提升了0.50％。这些实验结果表明，使用主题模型合并压缩技术，不仅可以降低主题之间的冗余度，还可以进一步提升主题模型在一些任务上的性能。
本申请的上述实施例提供的方法通过将主题模型中相似度大于相似度阈值的主题进行合并，得到压缩后的主题模型，能够降低存储空间并提高了后续应用时的推断准确率。
进一步参考图4，其示出了用于压缩主题模型的方法的又一个实施例的流程400。该用于压缩主题模型的方法的流程400，包括以下步骤：
步骤401，获取待压缩的主题模型。
步骤402，将主题模型进行格式转换得到第一主题模型。
步骤403，从第一主题模型中选取任意两个主题组成主题对，并将至少一个主题对组成主题对集合，并确定主题对集合中每个主题对的两个主题之间的相似度。
步骤404，将相似度大于相似度阈值的主题对进行合并生成第二主题模型。
步骤401-404与步骤201-204基本相同，因此不再赘述。
步骤405，对于第二主题模型中的每个主题，确定每个单词在该主题下的概率分布。
在本实施例中，步骤404中的相似度阈值可以为100％，即，不使用合并压缩而直接用初始训练好的主题模型采用步骤406进行压缩。也可以在使用合并压缩后再采用步骤406进行进一步压缩。在步骤402中把初始的单词-主题格式的模型转换为主题-单词格式。作为示例，具体的主题-单词格式可以为{(word_id,topic_count),(word_id,topic_count),...}，word_id表示单词的序号，topic_count表示相应的单词在该主题的数量，即每一行代表一个主题在单词上的分布，并按topic_count降序排列。主题模型是主题-单词格式{(word_id,topic_count),(word_id,topic_count),...}，考虑到每个主题所包含的单词数以及每个单词的计数都不一样，为此对每个主题下的单词topic_count进行统计，得到该主题下单词的总计数topic_sum。可进一步得到每个单词在该主题下的概率分布{(word_id,topic_count/topic_sum),(word_id,topic_count/topic_sum),...}。
步骤406，从第二主题模型中删除概率分布小于预定的概率阈值的单词。
在本实施例中，因为初始的主题-单词格式中每个主题的分布已按topic_count降序排列，所以该主题的概率分布依然是按topic_count/topic_sum降序排列。因每个主题原则上在整个词表上的都有分布，在海量训练数据的情况下，主题中会包含很多低频单词，而这些低频词对整个主题表达的影响很小。为了存储和计算效率，需要从模型中删除这些影响力很小的低频词条目，对模型进行压缩。对每个主题，从末尾考虑每个单词的概率，如果所占比例小于预定的概率阈值，即删去该(word_id,topic_count)条目，按着从后(低频)往前(高频)的顺序，完成模型的压缩。
步骤407，将第二主题模型进行格式转换得到压缩后的主题模型，其中，压缩后的主题模型的每一行代表一个单词在各个主题上的分布。
步骤407与步骤205基本相同，因此不再赘述。
为了验证主题模型的压缩技术，也对初始的主题模型(有5000个主题)，以及去重后的主题模型(使用默认的Weighted Jaccard Similarity方法，有4537个主题)，在新闻标签推断数据集上进行了测试。概率阈值设为了0(即无压缩)，1e-7，1e-6，1e-5，1e-4，1e-3，1e-2，1e-1，实验结果如图5a及图5b所示。
图5a及图5b中显示了随着概率阈值的改变，压缩后主题模型中剩余的总条目相比初始模型的比例(柱状图)，以及相应的新闻标签推断的准确率(曲线)。实验结果显示，在仅剩余4％条目的情况下，压缩后的主题模型依然可以取得与原始模型相似的新闻标签推断准确率。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于压缩主题模型的方法的流程400突出了对低频词进行删除的步骤。由此，本实施例描述的方案不仅可以提升主题模型的存储效率，还可以在保证主题模型性能的前提下，进一步提升主题模型的后续计算效率。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于压缩主题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6所示，本实施例的用于压缩主题模型的装置600包括：获取单元601、第一转换单元602、相似度确定单元603、合并单元604和第二转换单元605。其中，获取单元601用于获取待压缩的主题模型，其中，主题模型的每一行代表一个单词在各个主题上的分布；第一转换单元602用于将主题模型进行格式转换得到第一主题模型，其中，第一主题模型的每一行代表一个主题在各个单词上的分布，并且每一个主题上的单词按照单词在该主题上的数量由大到小的顺序排序；相似度确定单元603用于从第一主题模型中选取任意两个主题组成主题对，并将至少一个主题对组成主题对集合，并确定主题对集合中每个主题对的两个主题之间的相似度；合并单元604用于将相似度大于相似度阈值的主题对进行合并生成第二主题模型；第二转换单元605用于将第二主题模型进行格式转换得到压缩后的主题模型，其中，压缩后的主题模型的每一行代表一个单词在各个主题上的分布。
在本实施例中，用于压缩主题模型的装置600的获取单元601、第一转换单元602、相似度确定单元603、合并单元604和第二转换单元605的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205。
在本实施例的一些可选的实现方式中，相似度确定单元603进一步用于：确定主题对集合中每个主题对的两个主题上的单词之间的杰卡德相似度。
在本实施例的一些可选的实现方式中，相似度确定单元603进一步用于：根据主题对集合中每个主题对的两个主题上的单词之间重复的单词的概率确定相似度。
在本实施例的一些可选的实现方式中，合并单元604进一步用于：通过并查集算法确定非连接的主题集合；将非连接的主题集合内的主题进行合并生成第二主题模型。
在本实施例的一些可选的实现方式中，装置600还包括删除单元，用于：在将第二主题模型进行格式转换得到压缩后的主题模型之前，对于第二主题模型中的每个主题，确定每个单词在该主题下的概率分布；从第二主题模型中删除概率分布小于预定的概率阈值的单词。
在本实施例中，下面参考图7，其示出了适于用来实现本申请实施例的服务器的计算机系统700的结构示意图。图7示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
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部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请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。在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。
描述于本申请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、第一转换单元、相似度确定单元、合并单元和第二转换单元。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“获取待压缩的主题模型的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：获取待压缩的主题模型，其中，主题模型的每一行代表一个单词在各个主题上的分布；将主题模型进行格式转换得到第一主题模型，其中，第一主题模型的每一行代表一个主题在各个单词上的分布，并且每一个主题上的单词按照单词在该主题上的数量由大到小的顺序排序；从第一主题模型中选取任意两个主题组成主题对，并将至少一个主题对组成主题对集合，并确定主题对集合中每个主题对的两个主题之间的相似度；将相似度大于相似度阈值的主题对进行合并生成第二主题模型；将第二主题模型进行格式转换得到压缩后的主题模型，其中，压缩后的主题模型的每一行代表一个单词在各个主题上的分布。
以上描述仅为本申请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，本申请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所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。例如上述特征与本申请中公开的(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 (12)

1.一种用于压缩主题模型的方法，其特征在于，所述方法包括：
获取待压缩的主题模型，其中，所述主题模型的每一行代表一个单词在各个主题上的分布；
将所述主题模型进行格式转换得到第一主题模型，其中，所述第一主题模型的每一行代表一个主题在各个单词上的分布，并且每一个主题上的单词按照单词在该主题上的数量由大到小的顺序排序；
从所述第一主题模型中选取任意两个主题组成主题对，并将至少一个主题对组成主题对集合，并确定所述主题对集合中每个主题对的两个主题之间的相似度；
将相似度大于相似度阈值的主题对进行合并生成第二主题模型；
将所述第二主题模型进行格式转换得到压缩后的主题模型，其中，所述压缩后的主题模型的每一行代表一个单词在各个主题上的分布。
2.根据权利要求1所述的方法，其特征在于，所述确定所述主题对集合中每个主题对的两个主题之间的相似度，包括：
确定所述主题对集合中每个主题对的两个主题上的单词之间的杰卡德相似度。
3.根据权利要求1所述的方法，其特征在于，所述确定所述主题对集合中每个主题对的两个主题之间的相似度，包括：
根据所述主题对集合中每个主题对的两个主题上的单词之间重复的单词的概率确定相似度。
4.根据权利要求1所述的方法，其特征在于，所述将相似度大于相似度阈值的主题对进行合并生成第二主题模型，包括：
通过并查集算法确定非连接的主题集合；
将所述非连接的主题集合内的主题进行合并生成第二主题模型。
5.根据权利要求1所述的方法，其特征在于，在所述将所述第二主题模型进行格式转换得到压缩后的主题模型之前，所述方法还包括：
对于所述第二主题模型中的每个主题，确定每个单词在该主题下的概率分布；
从所述第二主题模型中删除概率分布小于预定的概率阈值的单词。
6.一种用于压缩主题模型的装置，其特征在于，所述装置包括：
获取单元，用于获取待压缩的主题模型，其中，所述主题模型的每一行代表一个单词在各个主题上的分布；
第一转换单元，用于将所述主题模型进行格式转换得到第一主题模型，其中，所述第一主题模型的每一行代表一个主题在各个单词上的分布，并且每一个主题上的单词按照单词在该主题上的数量由大到小的顺序排序；
相似度确定单元，用于从所述第一主题模型中选取任意两个主题组成主题对，并将至少一个主题对组成主题对集合，并确定所述主题对集合中每个主题对的两个主题之间的相似度；
合并单元，用于将相似度大于相似度阈值的主题对进行合并生成第二主题模型；
第二转换单元，用于将所述第二主题模型进行格式转换得到压缩后的主题模型，其中，所述压缩后的主题模型的每一行代表一个单词在各个主题上的分布。
7.根据权利要求6所述的装置，其特征在于，所述相似度确定单元进一步用于：
确定所述主题对集合中每个主题对的两个主题上的单词之间的杰卡德相似度。
8.根据权利要求6所述的装置，其特征在于，所述相似度确定单元进一步用于：
根据所述主题对集合中每个主题对的两个主题上的单词之间重复的单词的概率确定相似度。
9.根据权利要求6所述的装置，其特征在于，所述合并单元进一步用于：
通过并查集算法确定非连接的主题集合；
将所述非连接的主题集合内的主题进行合并生成第二主题模型。
10.根据权利要求6所述的装置，其特征在于，所述装置还包括删除单元，用于：
在所述将所述第二主题模型进行格式转换得到压缩后的主题模型之前，对于所述第二主题模型中的每个主题，确定每个单词在该主题下的概率分布；从所述第二主题模型中删除概率分布小于预定的概率阈值的单词。
11.一种设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN201710331369.4A 2017-05-11 2017-05-11 用于压缩主题模型的方法和装置 Active CN107145485B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710331369.4A CN107145485B (zh) 2017-05-11 2017-05-11 用于压缩主题模型的方法和装置
US15/891,289 US10579655B2 (en) 2017-05-11 2018-02-07 Method and apparatus for compressing topic model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710331369.4A CN107145485B (zh) 2017-05-11 2017-05-11 用于压缩主题模型的方法和装置

Publications (2)

Publication Number Publication Date
CN107145485A true CN107145485A (zh) 2017-09-08
CN107145485B CN107145485B (zh) 2020-06-23

Family

ID=59776907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710331369.4A Active CN107145485B (zh) 2017-05-11 2017-05-11 用于压缩主题模型的方法和装置

Country Status (2)

Country Link
US (1) US10579655B2 (zh)
CN (1) CN107145485B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919427A (zh) * 2019-01-24 2019-06-21 平安科技（深圳）有限公司 模型议题去重评估方法、服务器及计算机可读存储介质
CN110442489A (zh) * 2018-05-02 2019-11-12 阿里巴巴集团控股有限公司 数据处理的方法和存储介质
CN113762175A (zh) * 2021-09-10 2021-12-07 复旦大学 一种基于图卷积网络的两阶段行为识别细分类方法
CN113762175B (zh) * 2021-09-10 2024-04-26 复旦大学 一种基于图卷积网络的两阶段行为识别细分类方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11640420B2 (en) * 2017-12-31 2023-05-02 Zignal Labs, Inc. System and method for automatic summarization of content with event based analysis
US11755915B2 (en) 2018-06-13 2023-09-12 Zignal Labs, Inc. System and method for quality assurance of media analysis
US11356476B2 (en) 2018-06-26 2022-06-07 Zignal Labs, Inc. System and method for social network analysis
US11521601B2 (en) 2019-10-18 2022-12-06 Invoca, Inc. Detecting extraneous topic information using artificial intelligence models
US11847669B2 (en) * 2020-01-30 2023-12-19 Walmart Apollo, Llc Systems and methods for keyword categorization
CN114938477A (zh) * 2022-06-23 2022-08-23 阿里巴巴（中国）有限公司 视频话题确定方法、装置及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8180777B2 (en) * 2007-01-17 2012-05-15 Aptima, Inc. Method and system to compare data objects
CN102929906A (zh) * 2012-08-10 2013-02-13 北京邮电大学 基于内容特征和主题特征的文本分组聚类方法
CN105183813A (zh) * 2015-08-26 2015-12-23 山东省计算中心（国家超级计算济南中心） 基于互信息的用于文档分类的并行特征选择方法
CN105574005A (zh) * 2014-10-10 2016-05-11 富士通株式会社 对包含多个文档的源数据进行聚类的装置和方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4955066A (en) * 1989-10-13 1990-09-04 Microsoft Corporation Compressing and decompressing text files
WO2015187126A1 (en) * 2014-06-02 2015-12-10 Hewlett-Packard Development Company, L.P. Identifying relevant topics for recommending a resource
US10242019B1 (en) * 2014-12-19 2019-03-26 Experian Information Solutions, Inc. User behavior segmentation using latent topic detection
CN105571005A (zh) 2016-02-03 2016-05-11 石狮市天域光电技术有限公司 一种负离子空气净化仪

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8180777B2 (en) * 2007-01-17 2012-05-15 Aptima, Inc. Method and system to compare data objects
CN102929906A (zh) * 2012-08-10 2013-02-13 北京邮电大学 基于内容特征和主题特征的文本分组聚类方法
CN105574005A (zh) * 2014-10-10 2016-05-11 富士通株式会社 对包含多个文档的源数据进行聚类的装置和方法
CN105183813A (zh) * 2015-08-26 2015-12-23 山东省计算中心（国家超级计算济南中心） 基于互信息的用于文档分类的并行特征选择方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110442489A (zh) * 2018-05-02 2019-11-12 阿里巴巴集团控股有限公司 数据处理的方法和存储介质
CN110442489B (zh) * 2018-05-02 2024-03-01 阿里巴巴集团控股有限公司 数据处理的方法和存储介质
CN109919427A (zh) * 2019-01-24 2019-06-21 平安科技（深圳）有限公司 模型议题去重评估方法、服务器及计算机可读存储介质
CN113762175A (zh) * 2021-09-10 2021-12-07 复旦大学 一种基于图卷积网络的两阶段行为识别细分类方法
CN113762175B (zh) * 2021-09-10 2024-04-26 复旦大学 一种基于图卷积网络的两阶段行为识别细分类方法

Also Published As

Publication number Publication date
CN107145485B (zh) 2020-06-23
US10579655B2 (en) 2020-03-03
US20180329985A1 (en) 2018-11-15

Similar Documents

Publication Publication Date Title
CN107145485A (zh) 用于压缩主题模型的方法和装置
CN108171276B (zh) 用于生成信息的方法和装置
CN108090162A (zh) 基于人工智能的信息推送方法和装置
CN105279146B (zh) 针对短不相关文本的检测的上下文感知方法
CN107491547A (zh) 基于人工智能的搜索方法和装置
CN107908789A (zh) 用于生成信息的方法和装置
US20200104409A1 (en) Method and system for extracting information from graphs
US20190392258A1 (en) Method and apparatus for generating information
CN108121800A (zh) 基于人工智能的信息生成方法和装置
CN106776503A (zh) 文本语义相似度的确定方法及装置
CN106484766B (zh) 基于人工智能的搜索方法和装置
CN107679217A (zh) 基于数据挖掘的关联内容提取方法和装置
CN113722438B (zh) 基于句向量模型的句向量生成方法、装置及计算机设备
CN105677931A (zh) 信息搜索方法和装置
CN107451832A (zh) 推送信息的方法和装置
CN109492160A (zh) 用于推送信息的方法和装置
CN107943895A (zh) 信息推送方法和装置
CN107861954A (zh) 基于人工智能的信息输出方法和装置
CN107885873A (zh) 用于输出信息的方法和装置
CN107463935A (zh) 应用分类方法和应用分类装置
CN108268450A (zh) 用于生成信息的方法和装置
CN108121699A (zh) 用于输出信息的方法和装置
CN112417121A (zh) 客户意图识别方法、装置、计算机设备及存储介质
CN107346344A (zh) 文本匹配的方法和装置
CN110516261A (zh) 简历评估方法、装置、电子设备及计算机存储介质

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