CN107797982B - 用于识别文本类型的方法、装置和设备 - Google Patents
用于识别文本类型的方法、装置和设备 Download PDFInfo
- Publication number
- CN107797982B CN107797982B CN201610798213.2A CN201610798213A CN107797982B CN 107797982 B CN107797982 B CN 107797982B CN 201610798213 A CN201610798213 A CN 201610798213A CN 107797982 B CN107797982 B CN 107797982B
- Authority
- CN
- China
- Prior art keywords
- text
- probability value
- occurrence probability
- keyword
- belongs
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- 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
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了用于识别文本类型的方法、装置和设备。所述方法的一具体实施方式包括:对预先获取的文本进行预处理得到所述文本的关键词集合;计算所述关键词集合中的每个关键词在所述文本中的出现概率值;对于所述关键词集合中的每个关键词,将该关键词和与该关键词对应的出现概率值导入预先建立的文档主题生成模型,确定所述文档主题生成模型中预先设置的各个主题在所述文本的出现概率值;根据所述各个主题在所述文本中的出现概率值,识别所述文本所属的类型。该实施方式提高了识别文本类型的准确率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及用于识别文本类型的方法、装置和设备。
背景技术
识别文本类型,也可以称为文本分类,是按照预先定义的类型,为文档确定一个类别。识别文本类型的应用领域十分广泛,例如,可以应用于为网页分类领域、需要识别用户的输入文本的搜索引擎领域、为用户的原创内容分类领域。
然而,现有的识别文本类型的方式,例如朴素贝叶斯法、支持向量机法等均是仅根据文本中的词语的意思推断文本的类型,在文本中词语可能存在的一词多义、异行同义的情况下,识别文本类型的准确率下降,从而,存在着识别文本类型的准确率较低的问题。
发明内容
本申请的目的在于提出一种改进的用于识别文本类型的方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请提供了一种用于识别文本类型的方法,所述方法包括:对预先获取的文本进行预处理得到所述文本的关键词集合;计算所述关键词集合中的每个关键词在所述文本中的出现概率值;对于所述关键词集合中的每个关键词,将该关键词和与该关键词对应的出现概率值导入预先建立的文档主题生成模型,确定所述文档主题生成模型中预先设置的各个主题在所述文本的出现概率值,其中,所述文档主题生成模型用于表征词语在文本中的出现概率值、所述词语在所述各个主题中预先得出的出现概率值这两者与所述各个主题在文本中的出现概率值之间的对应关系;根据所述各个主题在所述文本中的出现概率值,识别所述文本所属的类型。
第二方面,本申请提供了一种用于识别文本类型的装置,所述装置包括:预处理模块,配置用于对预先获取的文本进行预处理得到所述文本的关键词集合;计算模块,配置用于计算所述关键词集合中的每个关键词在所述文本中的出现概率值;确定模块,配置用于对于所述关键词集合中的每个关键词,将该关键词和与该关键词对应的出现概率值导入预先建立的文档主题生成模型,确定所述文档主题生成模型中预先设置的各个主题在所述文本的出现概率值,其中,所述文档主题生成模型用于表征词语在文本中的出现概率值、所述词语在所述各个主题中预先得出的出现概率值这两者与所述各个主题在文本中的出现概率值之间的对应关系;识别模块,配置用于根据所述各个主题在所述文本中的出现概率值,识别所述文本所属的类型。
第三方面,本发明提供了一种设备,包括:一个或多个处理器;存储设备,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上述方法。
本申请提供的用于识别文本类型的方法、装置和设备,通过首先提取文本的关键词集合,然后计算关键词集合中的每个关键词的出现概率值,然后利用预先建立的文档主题生成模型,由词语在文本中的出现概率值、上述词语在上述各个主题中预先得出的出现概率值这两者得出上述各个主题在文本中的出现概率值,最后根据各个主题在上述文本中的出现概率值,识别上述文本所属的类型,提高了识别文本类型的准确率。
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识别文本类型的方法的一个实施例的流程图;
图3是根据本申请的用于识别文本类型的方法的一个应用场景的示意图;
图4是根据本申请的用于识别文本类型的方法的又一个实施例的流程图;
图5是根据本申请的用于识别文本类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识别文本类型的方法或用于识别文本类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,例如点评类应用、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上显示的评论页面提供支持的后台服务器。后台服务器可以对接收到的文本等数据进行分析等处理,并将处理结果(例如文本所属的分类)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识别文本类型的方法一般由服务器105执行,相应地,用于识别文本类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,示出了根据本申请的用于识别文本类型的方法的一个实施例的流程200。上述的用于识别文本类型的方法,包括以下步骤:
步骤201,对预先获取的文本进行预处理得到文本的关键词集合。
在本实施例中,用于识别文本类型的方法运行于其上的电子设备(例如图1所示的服务器)可以首先从终端设备获取文本,然后对文本进行预处理,最后得到上述文本的关键词集合。在这里,上述电子设备还可以从预先存储有文本的存储设备中获取文本。
在本实施例的一些可选的实现方式中,上述文本可以是用户在搜索类应用的搜索框中输入的搜索文本,可以是用户在网页浏览类应用的新闻网页中发表的评论文本,可以是用户在购物类应用中对商品发表的评价文本,还可以是用户在点评类应用中对商家、网站、服务等发表的评论文本。
在本实施例的一些可选的实现方式中,对上述文本进行预处理可以包括以下步骤:去除上述文本中的特殊符号;对去除特殊符号后的文本进行切词得到词的集合;去除上述词的集合中的停用词得到上述关键词集合。在这里,文本中的特殊符号可以是标点符号、网址链接、数字等。在这里,对文本进行切词的粒度可以选用基本粒度,关于如何对文本进行切词是本领域的技术人员所公知的,在此不再赘述。在这里,停用词可以由人工定义并预先存储于停用词集合中,例如,可以将语气词、连接词等定义为停用词。
在本实施例的一些可选的实现方式中,对上述文本进行预处理可以包括一些步骤:计算去除上述文本中的特殊符号;对去除特殊符号后的文本进行切词得到词的集合;去除上述词的集合中的停用词得到上述初始关键词集合;计算初始关键词集合中每个初始关键词的词频-反转文件频率(TF-IDF,term frequency–inverse document frequency);选取词频-反转文件频率大于预定阈值的初始关键词作为上述文本的关键词,并生成关键词集合。
步骤202,计算关键词集合中每个关键词在文本中的出现概率值。
在本实施例中,上述电子设备可以计算上述关键词集合中的每个关键词在上述文本中的出现概率值。
在本实施例的一些可选的实现方式中,上述关键词的出现概率值可以是该关键词在上述文本中的出现次数与上述文本的总词语数的比值。
在本实施例的一些可选的实现方式中,上述关键词的出现概率值可以是该关键词在上述文本中的出现次数与上述文本的关键词集合中的关键词数目的比值。
步骤203,对于关键词集合中的每个关键词,将该关键词和与该关键词对应的出现概率值导入预先建立的文档主题生成模型,确定文档主题生成模型中预先设置的各个主题在文本中的出现概率值。
在本实施例中,上述电子设备可以对于关键词集合中的每个关键词,将该关键词和与该关键词对应的出现概率值导入预先建立的文档主题生成模型,确定上述文档主题生成模型中预先设置的各个主题在上述文本中的出现概率值。
在本实施例中,上述文档主题生成模型用于表征词语在文本中的出现概率值、词语在各个主题中预先得出的出现概率值这两者与上述各个主题在文本中的出现概率值之间的对应关系。
本领域技术人员可以理解的是,文档主题生成模型的原理可以用以下公式表示:
其中,x表示词语,yi表示第i个主题,z表示文档,p(x|z)表示文档中词语出现概率值,p(x|yi)表示词语在第i个主题中出现概率值,p(yi|z)表示文档中第i个主题的出现概率值,*表示乘号,n表示文档所包括的主题个数。
作为示例,在生成一篇文档时,选用词语A的概率可以通过以下过程得出:待生成的文档可能涉及三个主题,分别为主题甲、主题乙和主题丙;要生成这篇文章选取这三个主题的概率值分别为P(主题甲|文档)=50%,P(主题乙|文档)=30%,P(主题丙|文档)=20%;词语A在各个主题中的出现概率值分别为P(词语A|主题甲)=20%,P(词语A|主题乙)=10%,P(词语A|主题丙)=0%;可以得出词语A在这篇待生成文档中的出现概率值为(词语A|文档)=P(主题甲|文档)*P(词语A|主题甲)+P(主题乙|文档)*P(词语A|主题乙)+P(主题丙|文档)*P(词语A|主题丙)=50%*20%+30%*10%+20%*0%=0.13。
对任意一篇文档,p(x|z)是已知的,文档主题生成模型的建立过程是通过大量的文档,通过训练,推理出p(x|yi)和p(yi|z)。作为示例,上述文档主题生成模型的建立过程可以如下:首先,使用预先收集的大量文档作为训练集;然后,使用困惑度确定主题个数;对训练集中的文档进行训练,生成文档主题生成模型。本领域技术人员可以理解,可以利用概率潜语义分析(pLSA,Probabilistic Latent Semantic Analysis)或线性判别分析(LDA,Latent Dirichlet Allocation)对训练集中的文档进行训练建立文档主题生成模型。
在本实施例中,上述文本的p(x|z)通过步骤203得到,词语在各个主题中的出现概率值p(x|yi)预先训练得出,通过p(x|z)和p(x|yi)这两者即可确定各个主题在文本中的出现概率值p(yi|z)。
步骤204,根据各个主题在文本中的出现概率值,识别文本所属的类型。
在本实施例中,上述电子设备可以根据上述各个主题在上述文本中的出现概率值,识别上述文本所属的类型。
在本实施例的一些可选的实现方式中,文本的类型可以是多种类型,例如,第一分类、第二分类、第三分类。
在本实施例的一些可选的实现方式中,文本的类型可以是两种类型,例如正类和负类。
在本实施例的一些可选的实现方式中,可以预先为各个主题划分类型,其中,主题的类型与文本的类型对应一致;以及首先为各个主题在文本中的出现概率值由大到小排序,然后将出现概率值最大的主题的类型确定为上述文本所属的类型。
作为示例,如果文本的类型是多种类型,例如文艺类、体育类、财经类。可以预先为预设的十个主题划分类型为文艺类、体育类、财经类,在步骤203得出上述十个主题在上述文本中的出现概率值后,为得到的十个出现概率值由大到小排序,将出现概率值最大的主题类型确定为上述文本所属的类型,例如,出现概率值最大的主题的类型是体育类,那么将体育类确定为上述文本上述的类型,即上述文本为体育类。
作为示例,如果文本的类型是两种类型,例如正类和负类。可以预先为预设的十个主题划分类型为正类或者负类,在步骤203得出上述十个主题在上述文本中的出现概率值后,为得到的十个出现概率值由大到小排序,将出现概率值最大的主题类型确定为上述文本所属的类型,例如,出现概率值最大的主题的类型是正类,那么将正类确定为上述文本上述的类型,即上述文本为正类。
继续参见图3,图3是根据本实施例的用于识别文本类型的方法的应用场景的一个示意图。在图3的应用场景中,用户首先输入文本“手机减价,速来购买,网址xx”;之后,后台服务器可以后台获取上述文本,并对上述文本进行预处理得到关键词集合“手机、减价、购买、网址”;然后,上述后台服务器计算出各个关键词在文本中的出现概率值;然后,上述后台服务器可以将各个关键词与该关键词对应的出现概率值导入预先建立的文档主题生成模型,确定各个主题在文本中的出现概率值,作为示例,上述文本中手机主题的出现概率值是20%,广告主题的出现概率值是50%;最后,根据各个主题在上述文本中的出现概率值,识别上述文本所属的类型,作为示例,可以选取出现概率值最高的主题作为文本的类型,“手机减价,速来购买,网址xx”出现概率值最高的主题是广告主题,那么可以将“广告”作为上述文本所属的类型。
本申请的上述实施例提供的方法,通过首先提取文本的关键词集合,然后计算关键词集合中的每个关键词的出现概率值,然后利用预先建立的文档主题生成模型,由词语在文本中的出现概率值、上述词语在上述各个主题中预先得出的出现概率值这两者得出上述各个主题在文本中的出现概率值,最后根据各个主题在上述文本中的出现概率值,识别上述文本所属的类型,提高了识别文本类型的准确率。
进一步参考图4,其示出了用于识别文本类型的方法的又一个实施例的流程400。该用于识别文本类型的方法的流程400,包括以下步骤:
步骤401,对预先获取的文本进行预处理得到文本的关键词集合。
步骤402,计算关键词集合中每个关键词在文本中的出现概率值。
步骤403,对于关键词集合中的每个关键词,将该关键词和与该关键词对应的出现概率值导入预先建立的文档主题生成模型,确定文档主题生成模型中预先设置的各个主题在文本中的出现概率值。
上述步骤401-步骤403操作分别与步骤201-步骤203的操作基本相同,在此不再赘述。
步骤404,将各个主题在文本中的出现概率值导入预先建立的第一逻辑回归模型,得出文本属于正类的第一概率值。
在本实施例中,上述电子设备可以将各个主题在文本中的出现概率值导入预先建立的第一逻辑回归模型,得出文本属于正类的第一概率值。在这里,文本的类型可以包括正类和负类。
在本实施例中,上述第一逻辑回归模型用于表征上述各个主题在上述文本中的出现概率值与上述文本属于正类的第一概率值之间的对应关系。
本领域技术人员可以理解的是,第一逻辑回归模型所基于的逻辑回归算法是一种分类算法,在本申请中,第一逻辑回归模型也可以替换为基于其他分类算法的模型。
本申请中选用逻辑回归模型作为分类算法,利用逻辑回归算法的可以对各个主题在文本中的出现概率值整体进行分析,并且计算简单速度快,可以与步骤403通过文档主题生成模型得到的各个主题在文本中的出现概率值结合,以识别上述文本所属的分类,文档主题生成模型与第一逻辑回归模型的结合可以在对文本进行二分类时,提高分类的准确率同时提高分类效率。
在本实施例的一些可选的实现方式中,响应于上述第一概率值大于预设的第一阈值,确定上述文本属于正类。
在本实施例的一些可选的实现方式中,上述第一逻辑回归模型中预先为各个主题设置对应的第一回归参数值,其中,各个第一回归参数值用于表征各个主题属于上述正类的概率;首先计算各个主题在上述文本中出现的概率值与该主题对应的回归参数值的乘积值,然后将各个乘积值的和作为逻辑函数的自变量,得出逻辑函数的因变量作为文本属于正类的第一概率值。逻辑函数本身是本领域技术人员所公知的,在此不再赘述。
在本实施例的一些可选的实现方式中,可以根据上述第一概率值识别上述文本是否属于上述正类。作为示例,响应于上述第一概率值大于预设阈值,确定上述文本属于正类;响应于上述第一概率值小于预设阈值,确定上述文本属于负类。
步骤405,响应于第一概率值小于预设的第一阈值,将各个主题在文本中的出现概率值导入预先建立的第二逻辑回归模型,得出文本属于正类的第二概率值。
在本实施例中,上述电子设备可以响应于第一概率值小于预设的第一阈值,将各个主题在文本中的出现概率值导入预先建立的第二逻辑回归模型,得出上述文本属于正类的第二概率值。
在本实施例中,上述第二逻辑回归模型用于表征上述各个主题在上述文本中的出现概率值与上述文本属于上述正类的第二概率值之间的对应关系且上述第二逻辑回归模型的回归参数与上述第一逻辑回归模型的回归参数不同,其中,回归参数用于表征各个主题属于上述正类的概率。
在本实施例中,利用两个不同的逻辑回归模型,设置双层判断的机制,可以提高文本类别识别的准确率。
本领域技术人员可以理解的是,第二逻辑回归模型所基于的逻辑回归算法是一种分类算法,在本申请中,第二逻辑回归模型也可以替换为基于其他分类算法的模型。
在本实施例的一些可选的实现方式中,上述第二逻辑回归模型中预先为各个主题设置对应的第二回归参数值,其中,各个第二回归参数值用于表征各个主题属于上述正类的概率。
在本实施例的一些可选的实现方式中,首先计算各个主题在上述文本中出现的概率值与该主题对应的回归参数值的乘积值,然后将各个乘积值的和作为逻辑函数的自变量,得出逻辑函数的因变量作为文本属于正类的第二概率值。逻辑函数本身是本领域技术人员所公知的,在此不再赘述。
步骤406,响应于第二概率值大于预设的第二阈值,确定文本属于正类。
在本实施例中,上述电子设备可以响应于步骤405确定的第二概率值大于预设的第二阈值,确定上述文本属于上述正类。
在本实施例的一些可选的实现方式中,响应于上述第二概率值小于预设的第二阈值,确定上述文本属于上述负类。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于识别文本类型的方法的流程400突出了使用双层逻辑回归模型对各个主题在文本中的出现概率值进行操作的步骤,从而全面提高了文本类型识别的准确率和效率。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于识别文本类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,本实施例上述的用于识别文本类型的装置500包括:预处理模块501、计算模块502、确定模块503和识别模块504。其中,预处理模块501,配置用于对预先获取的文本进行预处理得到上述文本的关键词集合;计算模块502,配置用于计算上述关键词集合中的每个关键词在上述文本中的出现概率值;确定模块503,配置用于对于上述关键词集合中的每个关键词,将该关键词和与该关键词对应的出现概率值导入预先建立的文档主题生成模型,确定上述文档主题生成模型中预先设置的各个主题在上述文本的出现概率值,其中,上述文档主题生成模型用于表征词语在文本中的出现概率值、上述词语在上述各个主题中预先得出的出现概率值这两者与上述各个主题在文本中的出现概率值之间的对应关系;识别模块504,配置用于根据上述各个主题在上述文本中的出现概率值,识别上述文本所属的类型。
在本实施例中,用于识别文本类型的装置500的预处理模块501可以首先从终端设备获取文本,然后对文本进行预处理,最后得到上述文本的关键词集合。在这里,上述电子设备还可以从预先存储有文本的存储设备中获取文本。
在本实施例中,计算模块502计算上述关键词集合中的每个关键词在上述文本中的出现概率值。
在本实施例中,确定模块503可以对于关键词集合中的每个关键词,将该关键词和与该关键词对应的出现概率值导入预先建立的文档主题生成模型,确定上述文档主题生成模型中预先设置的各个主题在上述文本中的出现概率值。
在本实施例中,识别模块504根据上述各个主题在上述文本中的出现概率值,识别上述文本所属的类型。
在本实施例的一些可选的实现方式中,上述类型包括正类和负类;以及上述识别模块504,包括:确定单元5041,配置用于将上述各个主题在文本中的出现概率值导入预先建立的第一逻辑回归模型,得出上述文本属于上述正类的第一概率值,其中,上述第一逻辑回归模型用于表征上述各个主题在上述文本中的出现概率值与上述文本属于正类的第一概率值之间的对应关系;识别单元5042,配置用于根据上述第一概率值识别上述文本是否属于上述正类。
在本实施例的一些可选的实现方式中,上述识别单元,进一步配置用于:响应于上述第一概率值小于预设的第一阈值,将上述各个主题在文本中的出现概率值导入预先建立的第二逻辑回归模型,得出上述文本属于上述正类的第二概率值,其中,上述第二逻辑回归模型用于表征上述各个主题在上述文本中的出现概率值与上述文本属于上述正类的第二概率值之间的对应关系且上述第二逻辑回归模型的回归参数与上述第一逻辑回归模型的回归参数不同;响应于上述第二概率值大于预设的第二阈值,确定上述文本属于上述正类。
在本实施例的一些可选的实现方式中,上述识别模块,进一步配置用于:响应于上述第一概率值大于预设的第一阈值,确定上述文本属于上述正类。
在本实施例的一些可选的实现方式中,识别单元,进一步配置用于:响应于上述第二概率值小于预设的第二阈值,确定上述文本属于上述负类。
在本实施例的一些可选的实现方式中,上述预处理模块,进一步配置用于:去除上述文本中的特殊符号;对去除特殊符号后的文本进行切词得到词的集合;去除上述词的集合中的停用词得到上述关键词集合。
本申请的上述实施例提供的装置,通过预处理模块501首先提取文本的关键词集合,然后计算模块502计算关键词集合中的每个关键词的出现概率值,然后确定模块503利用预先建立的文档主题生成模型,由词语在文本中的出现概率值、上述词语在上述各个主题中预先得出的出现概率值这两者得出上述各个主题在文本中的出现概率值,最后识别模块504根据各个主题在上述文本中的出现概率值,识别上述文本所属的类型,提高了识别文本类型的准确率。
下面参考图6,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600的结构示意图。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的
程序或者从存储部分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RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603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。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;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607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
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,其包括有形地包含在机器可读介质上的计算机程序,上述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609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。
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,上述模块、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:一种处理器包括预处理模块、计算模块、确定模块和识别模块。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,预处理模块还可以被描述为“对预先获取的文本进行预处理得到上述文本的关键词集合的模块”。
作为另一方面,本申请还提供了一种非易失性计算机存储介质,该非易失性计算机存储介质可以是上述实施例中上述装置中所包含的非易失性计算机存储介质;也可以是单独存在,未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序,当上述一个或者多个程序被一个设备执行时,使得上述设备:对预先获取的文本进行预处理得到上述文本的关键词集合;计算上述关键词集合中的每个关键词在上述文本中的出现概率值;对于上述关键词集合中的每个关键词,将该关键词和与该关键词对应的出现概率值导入预先建立的文档主题生成模型,确定上述文档主题生成模型中预先设置的各个主题在上述文本的出现概率值;根据上述各个主题在上述文本中的出现概率值,识别上述文本所属的类型。
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 (11)
1.一种用于识别文本类型的方法,其特征在于,所述方法包括:
对预先获取的文本进行预处理得到所述文本的关键词集合;
计算所述关键词集合中的每个关键词在所述文本中的出现概率值;
对于所述关键词集合中的每个关键词,将该关键词和与该关键词对应的出现概率值导入预先建立的文档主题生成模型,确定所述文档主题生成模型中预先设置的各个主题在所述文本的出现概率值,其中,所述文档主题生成模型用于表征词语在文本中的出现概率值、所述词语在所述各个主题中预先得出的出现概率值这两者与所述各个主题在文本中的出现概率值之间的对应关系;
根据所述各个主题在所述文本中的出现概率值,识别所述文本所属的类型;
还包括:所述类型包括正类和负类;以及所述识别所述文本所属的类型,包括:
将所述各个主题在文本中的出现概率值导入预先建立的第一逻辑回归模型,得出所述文本属于所述正类的第一概率值,其中,所述第一逻辑回归模型用于表征所述各个主题在所述文本中的出现概率值与所述文本属于正类的第一概率值之间的对应关系;
根据所述第一概率值识别所述文本是否属于所述正类。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一概率值识别所述文本是否属于所述正类,包括:
响应于所述第一概率值小于预设的第一阈值,将所述各个主题在文本中的出现概率值导入预先建立的第二逻辑回归模型,得出所述文本属于所述正类的第二概率值,其中,所述第二逻辑回归模型用于表征所述各个主题在所述文本中的出现概率值与所述文本属于所述正类的第二概率值之间的对应关系且所述第二逻辑回归模型的回归参数与所述第一逻辑回归模型的回归参数不同,其中,回归参数用于表征各个主题属于所述正类的概率;
响应于所述第二概率值大于预设的第二阈值,确定所述文本属于所述正类。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一概率值识别所述文本是否属于所述正类,还包括:
响应于所述第一概率值大于预设的第一阈值,确定所述文本属于所述正类。
4.根据权利要求2所述的方法,其特征在于,所述根据所述第一概率值识别所述文本是否属于所述正类,还包括:
响应于所述第二概率值小于预设的第二阈值,确定所述文本属于所述负类。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述对预先获取的文本进行预处理得到所述文本的关键词集合,包括:
去除所述文本中的特殊符号;
对去除特殊符号后的文本进行切词得到词的集合;
去除所述词的集合中的停用词得到所述关键词集合。
6.一种用于识别文本类型的装置,其特征在于,所述装置包括:
预处理模块,配置用于对预先获取的文本进行预处理得到所述文本的关键词集合;
计算模块,配置用于计算所述关键词集合中的每个关键词在所述文本中的出现概率值;
确定模块,配置用于对于所述关键词集合中的每个关键词,将该关键词和与该关键词对应的出现概率值导入预先建立的文档主题生成模型,确定所述文档主题生成模型中预先设置的各个主题在所述文本的出现概率值,其中,所述文档主题生成模型用于表征词语在文本中的出现概率值、所述词语在所述各个主题中预先得出的出现概率值这两者与所述各个主题在文本中的出现概率值之间的对应关系;
识别模块,配置用于根据所述各个主题在所述文本中的出现概率值,识别所述文本所属的类型;
还包括:所述类型包括正类和负类;以及所述识别模块,包括:
确定单元,配置用于将所述各个主题在文本中的出现概率值导入预先建立的第一逻辑回归模型,得出所述文本属于所述正类的第一概率值,其中,所述第一逻辑回归模型用于表征所述各个主题在所述文本中的出现概率值与所述文本属于正类的第一概率值之间的对应关系;
识别单元,配置用于根据所述第一概率值识别所述文本是否属于所述正类。
7.根据权利要求6所述的装置,其特征在于,所述识别单元,进一步配置用于:
响应于所述第一概率值小于预设的第一阈值,将所述各个主题在文本中的出现概率值导入预先建立的第二逻辑回归模型,得出所述文本属于所述正类的第二概率值,其中,所述第二逻辑回归模型用于表征所述各个主题在所述文本中的出现概率值与所述文本属于所述正类的第二概率值之间的对应关系且所述第二逻辑回归模型的回归参数与所述第一逻辑回归模型的回归参数不同,其中,回归参数用于表征各个主题属于所述正类的概率;
响应于所述第二概率值大于预设的第二阈值,确定所述文本属于所述正类。
8.根据权利要求6所述的装置,其特征在于,所述识别模块,进一步配置用于:
响应于所述第一概率值大于预设的第一阈值,确定所述文本属于所述正类。
9.根据权利要求7所述的装置,其特征在于,所述识别单元,进一步配置用于:
响应于所述第二概率值小于预设的第二阈值,确定所述文本属于所述负类。
10.根据权利要求6-9中任一项所述的装置,其特征在于,所述预处理模块,进一步配置用于:
去除所述文本中的特殊符号;
对去除特殊符号后的文本进行切词得到词的集合;
去除所述词的集合中的停用词得到所述关键词集合。
11.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储设备,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。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610798213.2A CN107797982B (zh) | 2016-08-31 | 2016-08-31 | 用于识别文本类型的方法、装置和设备 |
JP2018553944A JP6661790B2 (ja) | 2016-08-31 | 2016-12-02 | テキストタイプを識別する方法、装置及びデバイス |
PCT/CN2016/108421 WO2018040343A1 (zh) | 2016-08-31 | 2016-12-02 | 用于识别文本类型的方法、装置和设备 |
US16/160,950 US11281860B2 (en) | 2016-08-31 | 2018-10-15 | Method, apparatus and device for recognizing text type |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610798213.2A CN107797982B (zh) | 2016-08-31 | 2016-08-31 | 用于识别文本类型的方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107797982A CN107797982A (zh) | 2018-03-13 |
CN107797982B true CN107797982B (zh) | 2021-05-07 |
Family
ID=61299880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610798213.2A Active CN107797982B (zh) | 2016-08-31 | 2016-08-31 | 用于识别文本类型的方法、装置和设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11281860B2 (zh) |
JP (1) | JP6661790B2 (zh) |
CN (1) | CN107797982B (zh) |
WO (1) | WO2018040343A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108717519B (zh) * | 2018-04-03 | 2021-02-19 | 北京捷通华声科技股份有限公司 | 一种文本分类方法及装置 |
JP6985687B2 (ja) * | 2018-04-27 | 2021-12-22 | アイポア株式会社 | Pu分類装置、pu分類方法、及びpu分類プログラム |
US11113466B1 (en) * | 2019-02-28 | 2021-09-07 | Intuit, Inc. | Generating sentiment analysis of content |
CN110728138A (zh) * | 2019-09-25 | 2020-01-24 | 杜泽壮 | 新闻文本识别的方法、装置以及存储介质 |
CN110717327B (zh) * | 2019-09-29 | 2023-12-29 | 北京百度网讯科技有限公司 | 标题生成方法、装置、电子设备和存储介质 |
CN111274798B (zh) * | 2020-01-06 | 2023-08-18 | 北京大米科技有限公司 | 一种文本主题词确定方法、装置、存储介质及终端 |
CN111414735B (zh) * | 2020-03-11 | 2024-03-22 | 北京明略软件系统有限公司 | 文本数据的生成方法和装置 |
CN113449511B (zh) * | 2020-03-24 | 2023-06-09 | 百度在线网络技术(北京)有限公司 | 文本处理的方法、装置、设备和存储介质 |
WO2022130597A1 (ja) * | 2020-12-18 | 2022-06-23 | 国立大学法人東北大学 | 推定装置、推定方法、推定プログラム、生成装置、及び、推定システム |
CN112668340B (zh) * | 2020-12-28 | 2024-07-12 | 北京捷通华声科技股份有限公司 | 一种信息处理方法及装置 |
CN113051369A (zh) * | 2021-03-31 | 2021-06-29 | 北京大米科技有限公司 | 文本内容识别的方法、装置、可读存储介质和电子设备 |
CN113191147A (zh) * | 2021-05-27 | 2021-07-30 | 中国人民解放军军事科学院评估论证研究中心 | 无监督的自动术语抽取方法、装置、设备和介质 |
CN113836261B (zh) * | 2021-08-27 | 2024-05-31 | 哈尔滨工业大学 | 一种专利文本新颖性和创造性预测方法及装置 |
US20230134796A1 (en) * | 2021-10-29 | 2023-05-04 | Glipped, Inc. | Named entity recognition system for sentiment labeling |
CN116361469B (zh) * | 2023-04-03 | 2024-07-19 | 北京中科闻歌科技股份有限公司 | 一种基于预训练模型的话题生成方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059796A (zh) * | 2006-04-19 | 2007-10-24 | 中国科学院自动化研究所 | 基于概率主题词的两级组合文本分类方法 |
CN103473309A (zh) * | 2013-09-10 | 2013-12-25 | 浙江大学 | 一种基于概率单词选择和监督主题模型的文本分类方法 |
US20150317303A1 (en) * | 2014-04-30 | 2015-11-05 | Linkedin Corporation | Topic mining using natural language processing techniques |
CN105893606A (zh) * | 2016-04-25 | 2016-08-24 | 深圳市永兴元科技有限公司 | 文本分类方法和装置 |
Family Cites Families (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7203909B1 (en) * | 2002-04-04 | 2007-04-10 | Microsoft Corporation | System and methods for constructing personalized context-sensitive portal pages or views by analyzing patterns of users' information access activities |
US7739286B2 (en) * | 2005-03-17 | 2010-06-15 | University Of Southern California | Topic specific language models built from large numbers of documents |
KR100756921B1 (ko) * | 2006-02-28 | 2007-09-07 | 한국과학기술원 | 문서 분류방법 및 그 문서 분류방법을 컴퓨터에서 실행시키기 위한 프로그램을 포함하는 컴퓨터로 읽을 수있는 기록매체. |
WO2009084554A1 (ja) * | 2007-12-27 | 2009-07-09 | Nec Corporation | テキスト分割装置とテキスト分割方法およびプログラム |
US20140108376A1 (en) * | 2008-11-26 | 2014-04-17 | Google Inc. | Enhanced detection of like resources |
WO2010150464A1 (ja) * | 2009-06-26 | 2010-12-29 | 日本電気株式会社 | 情報分析装置、情報分析方法、及びコンピュータ読み取り可能な記録媒体 |
JP2011175362A (ja) * | 2010-02-23 | 2011-09-08 | Sony Corp | 情報処理装置、重要度算出方法及びプログラム |
JP2012038239A (ja) * | 2010-08-11 | 2012-02-23 | Sony Corp | 情報処理装置、情報処理方法、及び、プログラム |
JP5691289B2 (ja) * | 2010-08-11 | 2015-04-01 | ソニー株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
US8892550B2 (en) * | 2010-09-24 | 2014-11-18 | International Business Machines Corporation | Source expansion for information retrieval and information extraction |
CN103430578A (zh) * | 2010-10-27 | 2013-12-04 | 诺基亚公司 | 用于标识多个字符串中的对话的方法和装置 |
US8484228B2 (en) * | 2011-03-17 | 2013-07-09 | Indian Institute Of Science | Extraction and grouping of feature words |
US8892555B2 (en) * | 2011-03-31 | 2014-11-18 | Samsung Electronics Co., Ltd. | Apparatus and method for generating story according to user information |
AU2012203348B2 (en) * | 2011-06-08 | 2013-11-07 | Accenture Global Services Limited | High-risk procurement analytics and scoring system |
US20130159254A1 (en) * | 2011-12-14 | 2013-06-20 | Yahoo! Inc. | System and methods for providing content via the internet |
US9355170B2 (en) * | 2012-11-27 | 2016-05-31 | Hewlett Packard Enterprise Development Lp | Causal topic miner |
US9378295B1 (en) * | 2012-12-26 | 2016-06-28 | Google Inc. | Clustering content based on anticipated content trend topics |
US10685181B2 (en) * | 2013-03-06 | 2020-06-16 | Northwestern University | Linguistic expression of preferences in social media for prediction and recommendation |
US10599697B2 (en) * | 2013-03-15 | 2020-03-24 | Uda, Llc | Automatic topic discovery in streams of unstructured data |
US10204026B2 (en) * | 2013-03-15 | 2019-02-12 | Uda, Llc | Realtime data stream cluster summarization and labeling system |
US20190129941A2 (en) * | 2013-05-21 | 2019-05-02 | Happify, Inc. | Systems and methods for dynamic user interaction for improving happiness |
US9928526B2 (en) * | 2013-12-26 | 2018-03-27 | Oracle America, Inc. | Methods and systems that predict future actions from instrumentation-generated events |
CN104834640A (zh) * | 2014-02-10 | 2015-08-12 | 腾讯科技(深圳)有限公司 | 网页的识别方法及装置 |
CN104915356B (zh) * | 2014-03-13 | 2018-12-07 | 中国移动通信集团上海有限公司 | 一种文本分类校正方法及装置 |
US20150286710A1 (en) * | 2014-04-03 | 2015-10-08 | Adobe Systems Incorporated | Contextualized sentiment text analysis vocabulary generation |
US10373067B1 (en) * | 2014-08-13 | 2019-08-06 | Intuit, Inc. | Domain-specific sentiment keyword extraction with weighted labels |
US9690772B2 (en) * | 2014-12-15 | 2017-06-27 | Xerox Corporation | Category and term polarity mutual annotation for aspect-based sentiment analysis |
US9881255B1 (en) * | 2014-12-17 | 2018-01-30 | Amazon Technologies, Inc. | Model based selection of network resources for which to accelerate delivery |
US9817904B2 (en) * | 2014-12-19 | 2017-11-14 | TCL Research America Inc. | Method and system for generating augmented product specifications |
JP2016126575A (ja) * | 2015-01-05 | 2016-07-11 | 富士通株式会社 | データ関連度算出プログラム、装置、および方法 |
WO2016179755A1 (en) * | 2015-05-08 | 2016-11-17 | Microsoft Technology Licensing, Llc. | Mixed proposal based model training system |
US10025773B2 (en) * | 2015-07-24 | 2018-07-17 | International Business Machines Corporation | System and method for natural language processing using synthetic text |
CN105187408A (zh) * | 2015-08-17 | 2015-12-23 | 北京神州绿盟信息安全科技股份有限公司 | 网络攻击检测方法和设备 |
US10482119B2 (en) * | 2015-09-14 | 2019-11-19 | Conduent Business Services, Llc | System and method for classification of microblog posts based on identification of topics |
US20170075978A1 (en) * | 2015-09-16 | 2017-03-16 | Linkedin Corporation | Model-based identification of relevant content |
CN105354184B (zh) * | 2015-10-28 | 2018-04-20 | 甘肃智呈网络科技有限公司 | 一种使用优化的向量空间模型实现文档自动分类的方法 |
US10606705B1 (en) * | 2015-11-30 | 2020-03-31 | Veritas Technologies Llc | Prioritizing backup operations using heuristic techniques |
US10289624B2 (en) * | 2016-03-09 | 2019-05-14 | Adobe Inc. | Topic and term search analytics |
US10275444B2 (en) * | 2016-07-15 | 2019-04-30 | At&T Intellectual Property I, L.P. | Data analytics system and methods for text data |
US11416680B2 (en) * | 2016-08-18 | 2022-08-16 | Sap Se | Classifying social media inputs via parts-of-speech filtering |
-
2016
- 2016-08-31 CN CN201610798213.2A patent/CN107797982B/zh active Active
- 2016-12-02 JP JP2018553944A patent/JP6661790B2/ja active Active
- 2016-12-02 WO PCT/CN2016/108421 patent/WO2018040343A1/zh active Application Filing
-
2018
- 2018-10-15 US US16/160,950 patent/US11281860B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059796A (zh) * | 2006-04-19 | 2007-10-24 | 中国科学院自动化研究所 | 基于概率主题词的两级组合文本分类方法 |
CN103473309A (zh) * | 2013-09-10 | 2013-12-25 | 浙江大学 | 一种基于概率单词选择和监督主题模型的文本分类方法 |
US20150317303A1 (en) * | 2014-04-30 | 2015-11-05 | Linkedin Corporation | Topic mining using natural language processing techniques |
CN105893606A (zh) * | 2016-04-25 | 2016-08-24 | 深圳市永兴元科技有限公司 | 文本分类方法和装置 |
Non-Patent Citations (2)
Title |
---|
A Note on Documents Classification using PLSI;Gendo Kumoi et al.;《IEICE Technical Report》;20101231;第110卷(第301期);第13-18页 * |
基于语景图的主题爬取器的初步设计;李道生 等;《计算机工程》;20060630;第32卷(第12期);第208-209页,第228页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2018040343A1 (zh) | 2018-03-08 |
JP6661790B2 (ja) | 2020-03-11 |
US11281860B2 (en) | 2022-03-22 |
US20190050396A1 (en) | 2019-02-14 |
CN107797982A (zh) | 2018-03-13 |
JP2019519019A (ja) | 2019-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107797982B (zh) | 用于识别文本类型的方法、装置和设备 | |
CN108153901B (zh) | 基于知识图谱的信息推送方法和装置 | |
CN106649890B (zh) | 数据存储方法和装置 | |
US20190163742A1 (en) | Method and apparatus for generating information | |
JP2019519019A5 (zh) | ||
CN112330455B (zh) | 用于推送信息的方法、装置、设备以及存储介质 | |
WO2017013667A1 (en) | Method for product search using the user-weighted, attribute-based, sort-ordering and system thereof | |
CN107526718B (zh) | 用于生成文本的方法和装置 | |
CN107885717B (zh) | 一种关键词提取方法及装置 | |
CN111159409B (zh) | 基于人工智能的文本分类方法、装置、设备、介质 | |
CN112733042A (zh) | 推荐信息的生成方法、相关装置及计算机程序产品 | |
CN106354856B (zh) | 基于人工智能的深度神经网络强化搜索方法和装置 | |
CN106126605B (zh) | 一种基于用户画像的短文本分类方法 | |
CN110084658B (zh) | 物品匹配的方法和装置 | |
US20190340176A1 (en) | System and method for data mining and similarity estimation | |
CN110427453B (zh) | 数据的相似度计算方法、装置、计算机设备及存储介质 | |
CN108512674B (zh) | 用于输出信息的方法、装置和设备 | |
CN113378015B (zh) | 搜索方法、装置、电子设备、存储介质和程序产品 | |
CN114445179A (zh) | 业务推荐方法、装置、电子设备和计算机可读介质 | |
Bhattacharyya et al. | An emoticon-based sentiment aggregation on metaverse related tweets | |
CN112926297B (zh) | 处理信息的方法、装置、设备和存储介质 | |
CN113742564A (zh) | 目标资源的推送方法和装置 | |
CN113722593B (zh) | 事件数据处理方法、装置、电子设备和介质 | |
CN110852078A (zh) | 生成标题的方法和装置 | |
CN113743973B (zh) | 分析市场热点趋势的方法和装置 |
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 |