CN107832298A - 用于输出信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于输出信息的方法和装置。该方法的一具体实施方式包括：接收测试文本；将测试文本进行分词得到测试词语，并生成至少一个包含测试词语的测试词语组；针对至少一个测试词语组中的每个测试词语组，将该测试词语组输入预先训练的主题模型中，得到该测试词语组所属的主题以及主题的概率分布，其中，主题模型用于表征词语组与词语组所属的主题以及主题的概率分布的对应关系；基于每个测试词语组所属的主题以及主题的概率分布，确定测试文本所属的主题以及主题的概率分布，并输出包含测试文本所属的主题以及主题的概率分布的信息。该实施方式提高了信息输出的准确性。

Description

用于输出信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及自然语言处理技术领域，尤其涉及用于输出信息的方法和装置。

背景技术

主题模型是对文字隐含主题进行建模的方法，它克服了传统信息检索中文档相似度计算方法的缺点，并且能够在海量数据中自动寻找文字间的语义主题。由于主题模型可以广泛应用于文本搜索、广告推荐等领域，因此，近些年来各大互联网公司开始对主题模型相关内容进行探索与研究。

发明内容

本申请实施例提出了一种用于输出信息的方法和装置。

第一方面，本申请实施例提供了一种用于输出信息的方法，该方法包括：接收测试文本；将测试文本进行分词得到测试词语，并生成至少一个包含测试词语的测试词语组；针对至少一个测试词语组中的每个测试词语组，将该测试词语组输入预先训练的主题模型中，得到该测试词语组所属的主题以及主题的概率分布，其中，主题模型用于表征词语组与词语组所属的主题以及主题的概率分布的对应关系；基于每个测试词语组所属的主题以及主题的概率分布，确定测试文本所属的主题以及主题的概率分布，并输出包含测试文本所属的主题以及主题的概率分布的信息。

在一些实施例中，主题模型是通过如下步骤训练得到：获取训练文本和训练信息，其中，训练信息包括训练时所用词语组中所包含的词语的数量；对训练文本进行分词得到至少一个训练词语，并生成至少一个包含数量个训练词语的训练词语组；对于至少一个训练词语中每个训练词语，获取该训练词语所属的主题以及主题的概率分布；针对生成的每个训练词语组，基于该训练词语组所包含的至少一个训练词语中的每个训练词语所属的主题以及主题的概率分布，确定该训练词语组所属的主题以及主题的概率分布；利用机器学习方法，将至少一个训练词语组作为输入，将至少一个训练词语组中每个训练词语组所属的主题以及主题的概率分布作为输出，训练得到主题模型。

在一些实施例中，获取该训练词语所属的主题以及主题的概率分布，包括：向目标参数服务器发送获取该训练词语所属的主题以及主题的概率分布的请求，其中，目标参数服务器中存储有词语与词语所属的主题以及主题的概率分布的对应关系；接收目标参数服务器返回的该训练词语所属的主题以及主题的概率分布。

在一些实施例中，该方法还包括：针对至少一个测试词语组中的每个测试词语组，基于该测试词语组所属的主题以及主题的概率分布，对该测试词语组所包含的每个测试词语所属的主题以及主题的概率分布进行更新；向目标参数服务器发送更新后的每个测试词语所属的主题以及主题的概率分布，以供目标参数服务器对更新后的每个测试词语所属的主题以及主题的概率分布进行存储。

在一些实施例中，确定测试文本所属的主题以及主题的概率分布，包括：针对至少一个测试词语组中的每个测试词语组，将该测试词语组所属的主题确定为测试文本所属的主题；针对测试文本所属的每个主题，将至少一个测试词语组属于该主题的概率相加，并将相加得到的和除以至少一个测试词语组中测试词语组的数量的商确定为测试文本属于该主题的概率。

第二方面，本申请实施例提供了一种用于输出信息的装置，该装置包括：接收单元，配置用于接收测试文本；生成单元，配置用于将测试文本进行分词得到测试词语，并生成至少一个包含测试词语的测试词语组；输入单元，配置用于针对至少一个测试词语组中的每个测试词语组，将该测试词语组输入预先训练的主题模型中，得到该测试词语组所属的主题以及主题的概率分布，其中，主题模型用于表征词语组与词语组所属的主题以及主题的概率分布的对应关系；输出单元，配置用于基于每个测试词语组所属的主题以及主题的概率分布，确定测试文本所属的主题以及主题的概率分布，并输出包含测试文本所属的主题以及主题的概率分布的信息。

在一些实施例中，该装置还包括用于训练主题模型的训练单元，该训练单元配置用于：获取训练文本和训练信息，其中，训练信息包括训练时所用词语组中所包含的词语的数量；对训练文本进行分词得到至少一个训练词语，并生成至少一个包含数量个训练词语的训练词语组；对于至少一个训练词语中每个训练词语，获取该训练词语所属的主题以及主题的概率分布；针对生成的每个训练词语组，基于该训练词语组所包含的至少一个训练词语中的每个训练词语所属的主题以及主题的概率分布，确定该训练词语组所属的主题以及主题的概率分布；利用机器学习方法，将至少一个训练词语组作为输入，将至少一个训练词语组中每个训练词语组所属的主题以及主题的概率分布作为输出，训练得到主题模型。

在一些实施例中，第二获取模块包括：发送子模块，配置用于向目标参数服务器发送获取该训练词语所属的主题以及主题的概率分布的请求，其中，目标参数服务器中存储有词语与词语所属的主题以及主题的概率分布的对应关系；接收子模块，配置用于接收目标参数服务器返回的该训练词语所属的主题以及主题的概率分布。

在一些实施例中，该装置还包括：更新单元，配置用于针对至少一个测试词语组中的每个训练词语组，基于该训练词语组所属的主题以及主题的概率分布，对该训练词语组所包含的每个训练词语所属的主题以及主题的概率分布进行更新；发送单元，配置用于向目标参数服务器发送更新后的每个训练词语所属的主题以及主题的概率分布，以供目标参数服务器对更新后的每个训练词语所属的主题以及主题的概率分布进行存储。

在一些实施例中，输出单元包括：第一确定模块，配置用于针对至少一个测试词语组中的每个测试词语组，将该测试词语组所属的主题确定为测试文本所属的主题；第二确定模块，配置用于针对测试文本所属的每个主题，将至少一个测试词语组属于该主题的概率相加，并将相加得到的和除以至少一个测试词语组中测试词语组的数量的商确定为测试文本属于该主题的概率。

第三方面，本申请实施例还提供了一种电子设备，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，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现本申请提供的用于输出信息的方法。

第四方面，本申请实施例还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本申请提供的用于输出信息的方法。

本申请实施例提供的用于输出信息的方法和装置，通过将接收到的测试文本进行分词得到测试词语，并生成包含上述测试词语的至少一个测试词语组，而后针对至少一个测试词语组中的每个测试词语组，将该测试词语组输入预先训练的主题模型中，得到该测试词语组所属的主题以及主题的概率分布，最后基于得到的每个测试词语组所属的主题以及主题的概率分布来确定上述测试文本所属的主题以及主题的概率分布，并输出包含上述测试文本所属的主题以及主题的概率分布的信息，从而利用由测试词语所组成的测试词语组来确定测试文本所属的主题以及主题的概率分布，提高了信息输出的准确性。

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输出信息的方法的一个实施例的流程图；

图3是根据本申请的用于输出信息的方法的应用场景的一个示意图；

图4是根据本申请的用于输出信息的装置的一个实施例的结构示意图；

图5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输出信息的方法或用于输出信息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可以包括用户终端1011、1012、1013，服务器102，输出终端1031、1032、1033，网络1041、1042和信息显示装置105。网络1041用以在用户终端1011、1012、1013和服务器102之间提供通信链路的介质。网络1042用以在输出终端1031、1032、1033和服务器102之间提供通信链路的介质。网络1041、1042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。

用户可以使用用户终端1011、1012、1013通过网络1041与服务器102交互，以供服务器102接收测试文本等。用户终端1011、1012、1013上可以安装有各种通讯客户端应用，例如搜索类应用、浏览器类应用等。

输出终端1031、1032、1033通过网络1042与服务器102交互，以接收服务器102输出的包含测试文本所属的主题以及主题的概率分布的信息等。输出终端1031、1032、1033上可以安装有各种通讯客户端应用，例如浏览器类应用、即时通信软件、邮箱类应用等。

用户终端1011、1012、1013与输出终端1031、1032、1033可以是具有显示屏并且支持信息交互的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。

服务器102可以是提供各种服务的服务器，例如对从用户终端1011、1012、1013接收到的测试文本提供支持的后台服务器。后台服务器可以对接收到的测试文本等数据进行分析等处理，并将处理结果(例如包含测试文本所属的主题以及主题的概率分布的信息)发送给输出终端1031、1032、1033。例如，后台服务器可以对从用户终端1011、1012、1013接收到的测试文本进行分词得到测试词语，并生成至少一个包含上述测试词语的测试词语组；之后，针对每个测试词语组，后台服务器可以将该测试词语组输入预先训练的主题模型中，得到该测试词语组所属的主题以及主题的概率分布；最后，可以基于每个测试词语组所属的主题以及主题的概率分布，确定上述测试文本所属的主题以及主题的概率分布，并通过输出终端1031、1032、1033或者信息显示装置105输出包含上述测试文本所属的主题以及主题的概率分布的信息。

需要说明的是，本申请实施例所提供的用于输出信息的方法一般由服务器102执行，相应地，用于输出信息的装置一般设置于服务器102中。

应该理解，图1中的用户终端、服务器、输出终端、网络和信息显示装置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用户终端、服务器、输出终端、网络和信息显示装置。

继续参考图2，示出了根据本申请的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法，包括以下步骤：

步骤201，接收测试文本。

在本实施例中，用于输出信息的方法运行于其上的电子设备(例如图1所示的服务器)可以首先接收测试文本。上述测试文本可以包含一篇或者多篇文档，上述文档可以主要用于记载或存储文字信息。响应于用户利用搜索文本进行搜索，可以将上述搜索文本作为测试文本；响应于用户对广告文本进行点击，可以将所点击的广告文本作为测试文本；响应于用户对文档进行分类，可以将待分类的文档作为测试文本。

步骤202，将测试文本进行分词得到测试词语，并生成至少一个包含测试词语的测试词语组。

在本实施例中，上述电子设备在步骤201中接收到测试文本之后，可以将上述测试文本进行分词得到测试词语，并生成至少一个包含上述测试词语的测试词语组。当上述测试文本是中文时，上述电子设备可以采用中文分词(Chinese Word Segmentation)的方法将上述测试文本进行分词，中文分词是指将一个汉字序列切分成一个一个单独的词。分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。当上述测试文本是英文时，上述电子设备可以以空格作为自然分界符，或者可以提取存在于预先建立的短语库中的短语作为测试词语。上述电子设备在得到测试词语之后，可以生成至少一个测试词语组，其中，每个测试词语组中可以包含至少一个测试词语，每个测试词语组中所包含的测试词语的数量可以相同，也可以不相同。

在本实施例中，上述电子设备在进行分词之后，可以删除得到的测试词语中的停用词(Stop Words)，上述停用词是指在处理自然语言数据(或文本)之前或之后会自动过滤掉的某些字或词。这些停用词可以是人工输入、非自动化生成的，生成后的停用词会形成一个停用词表。停用词可以包括语气助词、副词、介词、连接词等等，例如，“啊”、“的”、“是”、“然后”、“啦”等等。

步骤203，针对至少一个测试词语组中的每个测试词语组，将该测试词语组输入预先训练的主题模型中，得到该测试词语组所属的主题以及主题的概率分布。

在本实施例中，针对步骤202中生成的至少一个测试词语组中的每个测试词语组，上述电子设备可以将该测试词语组输入预先训练的主题模型中，得到该测试词语组所属的主题以及该测试词语组所属的主题的概率分布。需要说明的是，主题模型可以用于表征词语组与词语组所属的主题以及词语组所属的主题的概率分布的对应关系。作为示例，主题模型可以是技术人员基于对大量的词语组和词语组所属的主题以及词语组所属的主题的概率分布的统计而预先制定的、存储有多个词语组与词语组所属的主题以及词语组所属的主题的概率分布的对应关系的对应关系表。上述主题模型可以是上述电子设备从其他服务器中获取到的，也可以是上述电子设备预先训练得到的。

作为示例，测试词语组A中包含词语“苹果”、“乔布斯”，将测试词语组A输入到上述主题模型中，可以得到测试词语组A所属的主题为“公司”和“水果”，测试词语组A属于主题“公司”的概率为90％，属于主题“水果”的概率为10％；测试词语组B中包含词语“苹果”、“水果”，将测试词语组B输入到上述主题模型中，可以得到测试词语组B所属的主题为“水果”和“公司”，测试词语组B属于主题“水果”的概率为95％，属于主题“公司”的概率为5％。

在本实施例的一些可选的实现方式中，上述主题模型可以通过如下步骤训练得到：

首先，上述电子设备可以获取训练文本和训练信息，其中，上述训练信息可以包括训练时所用词语组中所包含的词语的数量。上述数量可以是人工定制的，例如，当上述数量为3时，则训练主题模型时所用的每个词语组中包含3个词语；当上述数量为2和4时，则训练主题模型时所用的每个词语组中可以包含2个词语或者包含4个词语。上述训练文本可以包含一篇或者多篇文档，上述文档可以主要用于记载或存储文字信息。

之后，上述电子设备可以对上述训练文本进行分词得到至少一个训练词语，并可以生成至少一个包含上述数量个训练词语的训练词语组。当上述训练文本是中文时，上述电子设备可以采用中文分词的方法将上述训练文本进行分词，中文分词是指将一个汉字序列切分成一个一个单独的词。分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。当上述训练文本是英文时，上述电子设备可以以空格作为自然分界符，或者可以提取存在于预先建立的短语库中的短语作为训练词语。作为示例，当上述数量为3时，上述电子设备可以选取分词得到的训练词语中的任意3个训练词语组成训练词语组。

然后，对于上述至少一个训练词语中的每个训练词语，上述电子设备可以获取该训练词语所属的主题以及该训练词语所属的主题的概率分布。上述电子设备可以为训练服务器，上述电子设备可以存在于主体模型训练系统中，上述主体模型训练系统可以利用预设数目个训练服务器训练得到主题模型，可以将上述训练文本划分成上述数目份，并将训练文本划分之后的任一个训练子文本分配给上述电子设备。上述电子设备的本地可以存储有该训练词语所属的主题以及该训练词语所属的主题的概率分布的对应关系表。

在本实施例的一些可选的实现方式中，上述电子设备可以向目标参数服务器发送获取该训练词语所属的主题以及该训练词语所属的主题的概率分布的请求，其中，上述目标参数服务器中可以存储有词语与词语所属的主题以及词语所属的主题的概率分布的对应关系；之后，上述电子设备可以接收上述目标参数服务器返回的所获取到的该训练词语所属的主题以及该训练词语所属的主题的概率分布。

而后，针对生成的至少一个训练词语组中的每个训练词语组，上述电子设备可以基于该训练词语组中的每个训练词语所属的主题以及每个训练词语所属的主题的概率分布，确定该训练词语组所属的主题以及该训练词语组所属的主题的概率分布。具体地，上述电子设备可以首先获取该训练词语组的随机初始化的初始主题，并可以将上述初始主题作为目标主题，上述电子设备可以在该训练词语组所包含的至少一个训练词语中选取任一训练词语，并执行如下主题确定步骤：利用预设的主题转移公式，确定利用选取出的训练词语所属的主题取代上述目标主题的接受概率，并确定上述接受概率是否大于预设的概率阈值，若上述接受概率大于上述概率阈值，则利用选取出的训练词语所属的主题取代上述目标主题，判断该训练词语组所包含的至少一个训练词语中是否存在未被选取过的训练词语，若不存在未被选取过的训练词语，则将取代之后的主题作为该训练词语组所属的主题，并将该训练词语组属于被取代的目标主题的概率作为该训练词语组属于取代之后的主题的概率；若存在未被选取过的训练词语，则将取代之后的主题作为目标主题，并在该训练词语组所包含的至少一个训练词语中选取未被选取过的训练词语，并继续执行上述主题确定步骤。若上述接受概率等于上述概率阈值，则保留上述目标主题与选取出的训练词语所属的主题，并将该训练词语组属于上述目标主题的概率平分，将平分之后的结果设置为该训练词语组属于上述目标主题的概率以及该训练词语组属于选取出的训练词语所属的主题的概率。

上述主题转移公式(1)如下：

其中，i和j为两个不同的主题，α(i,j)为由主题i转移到主题j的接受概率，也可以称为利用主题i取代主题j的接受概率，p(j)为主题j的概率，q(j,i)为从主题j转移到主题i的概率，p(i)为主题i的概率，q(i,j)为从主题i转移到主题j的概率。

作为示例，若该训练词语组的初始主题为主题A和主题B，且该训练词语组属于主题A和主题B的概率均为50％，该训练词语组包含训练词语a和训练词语b，训练词语a属于主题A和主题C，且训练词语a属于主题A的概率为30％，训练词语a属于主题C的概率为70％，训练词语b属于主题D和主题E，且训练词语b属于主题D的概率为60％，训练词语b属于主题E的概率为40％。上述电子设备可以首先确定训练词语a所属的主题A是否能取代初始主题B，可以利用上述主题转移公式，确定利用训练词语a所属的主题A取代初始主题B的接受概率为0.5，接受概率0.5小于预设的概率阈值0.65，则主题A不能取代初始主题B；之后，可以确定利用训练词语a所属的主题C取代初始主题A的接受概率为0.7，接受概率0.7大于上述概率阈值0.65，则主题C可以取代初始主题A，并可以将该训练词语组属于主题A的概率50％设置为该训练词语组属于主题C的概率，而利用主题C取代初始主题B的接受概率为0.45，接受概率0.45小于上述概率阈值0.65，则主题C不能取代初始主题B，此时，该训练词语组所属的主题为主题C和主题B，且属于主题C和主题B的概率均为50％；而后，可以确定利用训练词语b所属的主题D取代主题C的接受概率为0.58，接受概率0.58小于上述概率阈值0.65，则主题D不能取代主题C，并确定利用训练词语b所属的主题D取代主题B的接受概率为0.65，接受概率0.65等于上述概率阈值0.65，则可以保留主题D和主题B，并平分该训练词语组属于主题B的概率50％，并将平分后的概率25％设置为该训练词语组属于主题B的概率与该训练词语组属于主题D的概率，此时，该训练词语组所属的主题为主题C、主题B和主题D，且属于主题C的概率为50％、属于主题B的概率为25％、属于主题D的概率为25％；然后，可以确定利用训练词语b所属的主题E取代主题C、主题B和主题D的接受概率分别为0.55、0.3和0.64，因此，主题E不能取代主题C、主题B和主题D中的任一项；最后，可以确定该训练词语组属于主题C、主题B和主题D，且属于主题C的概率为50％、属于主题B的概率为25％、属于主题D的概率为25％。

上述电子设备可以采用基于马尔可夫链蒙特卡罗(Markov Chain Monte Carlo,MCMC)的采样算法，对每个训练词语所属的主题以及主题的概率分布进行采样，以确定该训练词语组所属的主题以及主题的概率分布。在马尔可夫链蒙特卡罗的采样算法中，为了在一个指定的分布上采样，根据马尔可夫过程，首先从任一状态出发，模拟马尔可夫过程，不断进行状态转移，最终收敛到平稳分布。吉布斯采样(Gibbs Sampling)和Metropolis-Hastings采样是马尔可夫链蒙特卡罗的采样算法中使用较为广泛的两种形式，吉布斯采样是马尔可夫链蒙特卡罗理论中用来获取一系列近似等于指定多维概率分布(比如2个或者多个随机变量的联合概率分布)观察样本的算法。在Metropolis-Hastings采样算法的过程中，首先初始化状态值，然后利用已知的分布生成新的候选状态值，之后根据一定的概率(例如，用上述公式(1)确定出的接受概率)选择接受或拒绝这个新的候选状态值，重复这个过程直到采样过程收敛，从而得到由初始化状态值与生成的各个候选状态值所组成的目标样本。上述电子设备可以通过混合采样机制来确定该训练词语组所属的主题以及主题的概率分布，上述混合采样机制可以是采用吉布斯采样与Metropolis-Hastings采样交替进行采样的方式，上述电子设备可以首先采用Metropolis-Hastings采样算法迭代预设的第一次数(如，10次)，再采用吉布斯采样算法迭代预设的第二次数(如，5次)，持续这种交替采样方法直到采样过程收敛。由于Metropolis-Hastings采样算法的采样效率更高，而吉布斯采样的收敛性更好从而可以提高模型的质量，因此，采用上述混合采样机制即可以提高采样效率，又可以训练出质量更高的模型。

最后，上述电子设备可以利用机器学习方法，将上述至少一个训练词语组作为输入，将上述至少一个训练词语组中每个训练词语组所属的主题以及主题的概率分布作为输出，训练得到主题模型。具体的，上述电子设备可以使用随机森林(Random Forest)或朴素贝叶斯模型(Naive Bayesian Model，NBM)或深度神经网络(Deep Neural Network，DNN)等模型，将上述至少一个训练词语组中每个训练词语组作为输入，将每个训练词语组所属的主题以及主题的概率分布作为对应的模型输出，利用机器学习方法，对该模型进行训练，得到主题模型。

步骤204，基于每个测试词语组所属的主题以及主题的概率分布，确定测试文本所属的主题以及主题的概率分布，并输出包含测试文本所属的主题以及主题的概率分布的信息。

在本实施例中，基于每个测试词语组所属的主题以及每个测试词语组所属的主题中每个主题的概率分布，上述电子设备可以确定上述测试文本所属的主题以及上述测试文本所属的主题中每个主题的概率分布，并可以输出包含上述测试文本所属的主题以及上述测试文本所属的主题中每个主题的概率分布的信息。上述电子设备可以向测试人员或者用户的终端推送上述信息，也可以将上述信息进行存储。

在本实施例中，上述电子设备可以将上述生成的测试词语组中的每个测试词语组所属的主题划分到主题集合中，针对上述主题集合中的每个主题，上述电子设备可以统计在生成的测试词语组中属于该主题的测试词语组的个数；之后，可以按照个数由大到小的顺序选取预设数目个主题，并可以将选取出的主题确定为上述测试文本所属的主题。若上述属于该主题的测试词语组的个数相同，则可以在上述主题集合中任意选取上述数目个主题，并可以将选取出的主题确定为上述测试文本所属的主题。对于上述测试文本所属的主题中的每个主题，上述电子设备可以将各个测试词语组属于该主题的概率相加得到该主题的概率和，并将上述测试文本所属的各个主题的概率和相加得到上述测试文本所属的主题的概率总和，可以将该主题的概率和除以上述概率总和的商确定为上述测试文本属于该主题的概率。

在本实施例的一些可选的实现方式中，针对至少一个测试词语组中的每个测试词语组，上述电子设备可以将该测试词语组所属的主题确定为上述测试文本所属的主题，例如，若该测试词语组属于主题A，则上述测试文本也可以属于主题A。在确定出上述测试文本所属的主题之后，针对上述测试文本所属的每个主题，上述电子设备可以将该主题属于上述至少一个测试词语组的概率相加，再将相加得到的和除以至少一个测试词语组中测试词语组的数量的商确定为上述测试文本属于该主题的概率。作为示例，若针对上述测试文本，生成的4个测试词语组分别为：测试词语组a、测试词语组b、测试词语组c和测试词语组d，上述电子设备可以通过步骤203得到测试词语组a属于主题A的概率为0.1，属于主题B的概率为0.9；测试词语组b属于主题B的概率为0.2，属于主题C的概率为0.8；测试词语组c属于主题B的概率为0.5，属于主题D的概率为0.5；测试词语组d属于主题C的概率为0.7，属于主题D的概率为0.3。之后，上述电子设备可以确定上述测试文本属于主题A、主题B、主题C以及主题D；对于主题A，上述电子设备可以将测试词语组a属于主题A的概率0.1除以生成的测试词语的数量4，将得到的商0.025确定为上述测试文本属于主题A的概率；对于主题B，上述电子设备可以将测试词语组a属于主题B的概率0.9、测试词语组b属于主题B的概率0.2与测试词语组c属于主题B的概率0.5相加，将相加得到的和1.6除以生成的测试词语的数量4的商0.4确定为上述测试文本属于主题B的概率；按照上述方法可以确定上述测试文本属于主题C的概率为0.375以及属于主题D的概率为0.2。

在本实施例中，在确定出每个主题属于上述测试文本的概率之后，针对每个主题，上述电子设备可以确定该主题属于上述测试文本的概率是否小于预设的概率阈值，若是，则可以在上述测试文本所属的主题中删除该主题，并重新确定剩余的主题中每个主题属于上述测试文本的概率。作为示例，若上述概率阈值为0.3，则上述测试文本属于主题A的概率0.025小于上述概率阈值0.3，上述测试文本属于主题D的概率0.2也小于上述概率阈值0.3，之后，在上述测试文本所属的主题中删除主题A和主题D，并重新确定主题B属于上述测试文本的概率为0.516，主题C属于上述测试文本的概率为0.484。

在本实施例的一些可选的实现方式中，针对上述至少一个测试词语组中的每个测试词语组，上述电子设备可以基于该测试词语组所属的主题以及该测试词语组所属的主题的概率分布，对该测试词语组所包含的每个测试词语所属的主题以及每个测试词语所属的主题的概率分布进行更新。具体的，针对该测试词语组所包含的每个测试词语，当该测试词语属于至少两个主题时，若该测试词语组所属的主题中包含该测试词语所属的主题中的部分主题，则增加该测试词语属于上述部分主题的概率，并减少该测试词语属于非部分主题的概率，上述非部分主题为该测试词语所属的主题中除上述部分主题之外的主题。上述电子设备可以将该测试词语属于非部分主题中的每个非部分主题的概率减少预设第一数值，上述第一数值可以是基于该测试词语属于上述非部分主题的概率中的最小概率所确定的，例如，可以是上述最小概率的预设倍数。上述电子设备可以利用减少的数值之和除以上述部分主题的数量，将所得的商确定为针对该测试词语时上述部分主题中的每个部分主题所需增加的概率。若该测试词语组所属的主题中包含该测试词语所属的主题中的全部主题，则可以基于该测试词语组属于上述全部主题中的每个主题的概率，调整该测试词语所属的主题中每个主题的概率。之后，上述电子设备可以将更新后的每个训练词语所属的主题以及每个训练词语所属的主题的概率分布发送到上述目标参数服务器上，以供上述目标参数服务器对更新后的每个训练词语所属的主题以及每个训练词语所属的主题的概率分布进行存储。

继续参见图3，图3是根据本实施例的用于输出信息的方法的应用场景的一个示意图。在图3的应用场景中，服务器301首先接收测试文本303；之后，服务器301对测试文本303进行分词得到测试词语304，测试词语304包括测试词语1、测试词语2、测试词语3、测试词语4和测试词语5，并生成包含测试词语304的至少一个测试词语组305，测试词语组305包括测试词语组A、测试词语组B和测试词语组C，其中，测试词语组A包括测试词语1、测试词语2和测试词语4，测试词语组B包括测试词语2、测试词语3和测试词语5，测试词语组C包括测试词语1、测试词语4和测试词语5；然后，针对至少一个测试词语组305中的每个测试词语组，例如，测试词语组A，服务器301将测试词语组A输入到预先训练的主题模型306中，得到测试词语组A所属的主题以及主题的概率分布307，测试词语组A属于主题a和主题b，属于主题a的概率为0.6，属于主题b的概率为0.4；最后，基于测试词语组A属于主题a的概率为0.5、属于主题b的概率为0.5，测试词语组B属于主题b的概率为0.2、属于主题c的概率为0.8，测试词语组C属于主题c的概率为0.7、属于主题d的概率为0.3，服务器301确定测试文本303所属的主题以及主题的概率分布308，服务器301可以将主题a、主题b、主题c和主题d确定为测试文本所属的主题，可以确定测试文本303属于主题a的概率为0.2、属于主题b的概率为0.2、属于主题c的概率为0.5、属于主题d的概率为0.1，并可以输出包含上述测试文本303所属的主题以及主题的概率分布308的信息。

本申请的上述实施例提供的方法通过由测试词语所组成的测试词语组所属的主题以及主题的概率分布来确定测试文本所属的主题以及主题的概率分布，提高了信息输出的准确性。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于输出信息的装置一个实施例，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4所示，本实施例的用于输出信息的装置400包括：接收单元401、生成单元402、输入单元403和输出单元404。其中，接收单元401配置用于接收测试文本；生成单元402配置用于将所述测试文本进行分词得到测试词语，并生成至少一个包含测试词语的测试词语组；输入单元403配置用于针对至少一个测试词语组中的每个测试词语组，将该测试词语组输入预先训练的主题模型中，得到该测试词语组所属的主题以及主题的概率分布，其中，所述主题模型用于表征词语组与词语组所属的主题以及主题的概率分布的对应关系；输出单元404配置用于基于所述每个测试词语组所属的主题以及主题的概率分布，确定所述测试文本所属的主题以及主题的概率分布，并输出包含所述测试文本所属的主题以及主题的概率分布的信息。

在本实施例的一些可选的实现方式中，上述用于输出信息的装置400可以包括用于训练上述主题模型的训练单元405，上述训练单元405可以通过如下步骤训练上述主题模型：

首先，上述训练单元405可以获取训练文本和训练信息，其中，上述训练信息可以包括训练时所用词语组中所包含的词语的数量。

之后，上述训练单元405可以对上述训练文本进行分词得到至少一个训练词语，并可以生成至少一个包含上述数量个训练词语的训练词语组。当上述训练文本是中文时，上述训练单元405可以采用中文分词的方法将上述训练文本进行分词，中文分词是指将一个汉字序列切分成一个一个单独的词。分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。当上述训练文本是英文时，上述训练单元405可以以空格作为自然分界符，或者可以提取存在于预先建立的短语库中的短语作为训练词语。

然后，对于上述至少一个训练词语中的每个训练词语，上述训练单元405可以获取该训练词语所属的主题以及该训练词语所属的主题的概率分布。

而后，针对生成的至少一个训练词语组中的每个训练词语组，上述训练单元405可以基于该训练词语组中的每个训练词语所属的主题以及每个训练词语所属的主题的概率分布，确定该训练词语组所属的主题以及该训练词语组所属的主题的概率分布。具体地，上述训练单元405可以首先获取该训练词语组的随机初始化的初始主题，并可以将上述初始主题作为目标主题，上述训练单元405可以在该训练词语组所包含的至少一个训练词语中选取任一训练词语，并执行如下主题确定步骤：利用预设的主题转移公式，确定利用选取出的训练词语所属的主题取代上述目标主题的接受概率，并确定上述接受概率是否大于预设的概率阈值，若上述接受概率大于上述概率阈值，则利用选取出的训练词语所属的主题取代上述目标主题，判断该训练词语组所包含的至少一个训练词语中是否存在未被选取过的训练词语，若不存在未被选取过的训练词语，则将取代之后的主题作为该训练词语组所属的主题，并将该训练词语组属于被取代的目标主题的概率作为该训练词语组属于取代之后的主题的概率；若存在未被选取过的训练词语，则将取代之后的主题作为目标主题，并在该训练词语组所包含的至少一个训练词语中选取未被选取过的训练词语，并继续执行上述主题确定步骤。若上述接受概率等于上述概率阈值，则保留上述目标主题与选取出的训练词语所属的主题，并将该训练词语组属于上述目标主题的概率平分，将平分之后的结果设置为该训练词语组属于上述目标主题的概率以及该训练词语组属于选取出的训练词语所属的主题的概率。

上述主题转移公式(1)如下：

其中，i和j为两个不同的主题，α(i,j)为由主题i转移到主题j的接受概率，也可以称为利用主题i取代主题j的接受概率，p(j)为主题j的概率，q(j,i)为从主题j转移到主题i的概率，p(i)为主题i的概率，q(i,j)为从主题i转移到主题j的概率。

最后，上述训练单元405可以利用机器学习方法，将上述至少一个训练词语组作为输入，将上述至少一个训练词语组中每个训练词语组所属的主题以及主题的概率分布作为输出，训练得到主题模型。具体的，上述电子设备可以使用随机森林或朴素贝叶斯模型或深度神经网络等模型，将上述至少一个训练词语组中每个训练词语组作为输入，将每个训练词语组所属的主题以及主题的概率分布作为对应的模型输出，利用机器学习方法，对该模型进行训练，得到主题模型。

在本实施例的一些可选的实现方式中，上述第二获取模块4053可以包括发送子模块40531和接收子模块40532。上述发送子模块40531可以向目标参数服务器发送获取该训练词语所属的主题以及该训练词语所属的主题的概率分布的请求，其中，上述目标参数服务器中可以存储有词语与词语所属的主题以及词语所属的主题的概率分布的对应关系；之后，上述接收子模块40532可以接收上述目标参数服务器返回的所获取到的该训练词语所属的主题以及该训练词语所属的主题的概率分布。

在本实施例的一些可选的实现方式中，上述用于输出信息的装置400还可以包括更新单元406和发送单元407。针对上述至少一个测试词语组中的每个测试词语组，上述更新单元406可以基于该测试词语组所属的主题以及该测试词语组所属的主题的概率分布，对该测试词语组所包含的每个测试词语所属的主题以及每个测试词语所属的主题的概率分布进行更新。具体的，针对该测试词语组所包含的每个测试词语，当该测试词语属于至少两个主题时，若该测试词语组所属的主题中包含该测试词语所属的主题中的部分主题，则增加该测试词语属于上述部分主题的概率，并减少该测试词语属于非部分主题的概率，上述非部分主题为该测试词语所属的主题中除上述部分主题之外的主题。上述更新单元406可以将该测试词语属于非部分主题中的每个非部分主题的概率减少预设第一数值，上述第一数值可以是基于该测试词语属于上述非部分主题的概率中的最小概率所确定的，例如，可以是上述最小概率的预设倍数。上述更新单元406可以利用减少的数值之和除以上述部分主题的数量，将所得的商确定为针对该测试词语时上述部分主题中的每个部分主题所需增加的概率。若该测试词语组所属的主题中包含该测试词语所属的主题中的全部主题，则可以基于该测试词语组属于上述全部主题中的每个主题的概率，调整该测试词语所属的主题中每个主题的概率。之后，上述发送单元407可以将更新后的每个训练词语所属的主题以及每个训练词语所属的主题的概率分布发送到上述目标参数服务器上，以供上述目标参数服务器对更新后的每个训练词语所属的主题以及每个训练词语所属的主题的概率分布进行存储。

在本实施例的一些可选的实现方式中，上述输出单元404可以包括第一确定模块4041和第二确定模块4042。针对至少一个测试词语组中的每个测试词语组，上述第一确定模块4041可以将该测试词语组所属的主题确定为上述测试文本所属的主题，例如，若该测试词语组属于主题A，则上述测试文本也可以属于主题A。在确定出上述测试文本所属的主题之后，针对上述测试文本所属的每个主题，上述第二确定模块4042可以将该主题属于上述至少一个测试词语组的概率相加，再将相加得到的和除以至少一个测试词语组中测试词语组的数量的商确定为上述测试文本属于该主题的概率。

下面参考图5，其示出了适于用来实现本发明实施例的服务器的计算机系统500的结构示意图。图5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5所示，计算机系统500包括中央处理单元(CPU)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部分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，还存储有系统500操作所需的各种程序和数据。CPU 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。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如液晶显示器(LCD)以及扬声器等的输出部分507；包括硬盘等的存储部分508；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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，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510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508。

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509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501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，图示了按照本发明各种实施例的系统、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。

描述于本发明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：一种处理器包括接收单元、生成单元、输入单元和输出单元。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，接收单元还可以被描述为“接收测试文本的单元”。

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：接收测试文本；将测试文本进行分词得到测试词语，并生成至少一个包含测试词语的测试词语组；针对至少一个测试词语组中的每个测试词语组，将该测试词语组输入预先训练的主题模型中，得到该测试词语组所属的主题以及主题的概率分布，其中，主题模型用于表征词语组与词语组所属的主题以及主题的概率分布的对应关系；基于每个测试词语组所属的主题以及主题的概率分布，确定测试文本所属的主题以及主题的概率分布，并输出包含测试文本所属的主题以及主题的概率分布的信息。

以上描述仅为本发明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，本发明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。例如上述特征与本发明中公开的(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)

1.一种用于输出信息的方法，其特征在于，所述方法包括：

接收测试文本；

将所述测试文本进行分词得到测试词语，并生成至少一个包含测试词语的测试词语组；

针对至少一个测试词语组中的每个测试词语组，将该测试词语组输入预先训练的主题模型中，得到该测试词语组所属的主题以及主题的概率分布，其中，所述主题模型用于表征词语组与词语组所属的主题以及主题的概率分布的对应关系；

基于所述每个测试词语组所属的主题以及主题的概率分布，确定所述测试文本所属的主题以及主题的概率分布，并输出包含所述测试文本所属的主题以及主题的概率分布的信息。

2.根据权利要求1所述的方法，其特征在于，所述主题模型是通过如下步骤训练得到：

获取训练文本和训练信息，其中，所述训练信息包括训练时所用词语组中所包含的词语的数量；

对所述训练文本进行分词得到至少一个训练词语，并生成至少一个包含所述数量个训练词语的训练词语组；

对于所述至少一个训练词语中每个训练词语，获取该训练词语所属的主题以及主题的概率分布；

针对生成的每个训练词语组，基于该训练词语组所包含的至少一个训练词语中的每个训练词语所属的主题以及主题的概率分布，确定该训练词语组所属的主题以及主题的概率分布；

利用机器学习方法，将所述至少一个训练词语组作为输入，将至少一个训练词语组中每个训练词语组所属的主题以及主题的概率分布作为输出，训练得到主题模型。

3.根据权利要求2所述的方法，其特征在于，所述获取该训练词语所属的主题以及主题的概率分布，包括：

向目标参数服务器发送获取该训练词语所属的主题以及主题的概率分布的请求，其中，所述目标参数服务器中存储有词语与词语所属的主题以及主题的概率分布的对应关系；

接收所述目标参数服务器返回的该训练词语所属的主题以及主题的概率分布。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

针对所述至少一个测试词语组中的每个测试词语组，基于该测试词语组所属的主题以及主题的概率分布，对该测试词语组所包含的每个测试词语所属的主题以及主题的概率分布进行更新；

向所述目标参数服务器发送更新后的每个测试词语所属的主题以及主题的概率分布，以供所述目标参数服务器对更新后的每个测试词语所属的主题以及主题的概率分布进行存储。

5.根据权利要求1-4之一所述的方法，其特征在于，所述确定所述测试文本所属的主题以及主题的概率分布，包括：

针对所述至少一个测试词语组中的每个测试词语组，将该测试词语组所属的主题确定为所述测试文本所属的主题；

针对所述测试文本所属的每个主题，将所述至少一个测试词语组属于该主题的概率相加，并将相加得到的和除以所述至少一个测试词语组中测试词语组的数量的商确定为所述测试文本属于该主题的概率。

6.一种用于输出信息的装置，其特征在于，所述装置包括：

接收单元，配置用于接收测试文本；

生成单元，配置用于将所述测试文本进行分词得到测试词语，并生成至少一个包含测试词语的测试词语组；

输入单元，配置用于针对至少一个测试词语组中的每个测试词语组，将该测试词语组输入预先训练的主题模型中，得到该测试词语组所属的主题以及主题的概率分布，其中，所述主题模型用于表征词语组与词语组所属的主题以及主题的概率分布的对应关系；

输出单元，配置用于基于所述每个测试词语组所属的主题以及主题的概率分布，确定所述测试文本所属的主题以及主题的概率分布，并输出包含所述测试文本所属的主题以及主题的概率分布的信息。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括用于训练主题模型的训练单元，所述训练单元配置用于：

获取训练文本和训练信息，其中，所述训练信息包括训练时所用词语组中所包含的词语的数量；

对所述训练文本进行分词得到至少一个训练词语，并生成至少一个包含所述数量个训练词语的训练词语组；

对于所述至少一个训练词语中每个训练词语，获取该训练词语所属的主题以及主题的概率分布；

针对生成的每个训练词语组，基于该训练词语组所包含的至少一个训练词语中的每个训练词语所属的主题以及主题的概率分布，确定该训练词语组所属的主题以及主题的概率分布；

利用机器学习方法，将所述至少一个训练词语组作为输入，将至少一个训练词语组中每个训练词语组所属的主题以及主题的概率分布作为输出，训练得到主题模型。

8.根据权利要求7所述的装置，其特征在于，所述第二获取模块包括：

发送子模块，配置用于向目标参数服务器发送获取该训练词语所属的主题以及主题的概率分布的请求，其中，所述目标参数服务器中存储有词语与词语所属的主题以及主题的概率分布的对应关系；

接收子模块，配置用于接收所述目标参数服务器返回的该训练词语所属的主题以及主题的概率分布。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

更新单元，配置用于针对所述至少一个测试词语组中的每个训练词语组，基于该训练词语组所属的主题以及主题的概率分布，对该训练词语组所包含的每个训练词语所属的主题以及主题的概率分布进行更新；

发送单元，配置用于向所述目标参数服务器发送更新后的每个训练词语所属的主题以及主题的概率分布，以供所述目标参数服务器对更新后的每个训练词语所属的主题以及主题的概率分布进行存储。

10.根据权利要求6-9之一所述的装置，其特征在于，所述输出单元包括：

第一确定模块，配置用于针对所述至少一个测试词语组中的每个测试词语组，将该测试词语组所属的主题确定为所述测试文本所属的主题；

第二确定模块，配置用于针对所述测试文本所属的每个主题，将所述至少一个测试词语组属于该主题的概率相加，并将相加得到的和除以所述至少一个测试词语组中测试词语组的数量的商确定为所述测试文本属于该主题的概率。

11.一种电子设备，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时，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，该计算机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。