CN109190123B - 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：获取预设的词语特征信息集合，其中，词语特征信息用于表征预设的词语集合中的词语；将词语特征信息集合中的词语特征信息进行两两组合，得到至少一个词语特征信息组合；对于至少一个词语特征信息组合中的词语特征信息组合，将该词语特征信息组合中的两个词语特征信息输入预先训练的重要度分析模型，输出用于比较输入的两个词语特征信息分别表征的词语的重要程度的比较结果。该实施方式提高了比较词语的重要程度的准确性。

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，具体涉及用于输出信息的方法和装置。

背景技术

随着互联网技术的普及，很多应用场景中，需要从文本中提取出比较重要的词语，也就是对文本内容的贡献程度高的词语。例如从对某文章进行分词后得到的词语集合中，提取出表征文章主要内容的词语。现有技术中，可以采用TF-IDF(Term Frequency-InverseDocument Frequency，词频-逆向文件频率)方法，并集合词性标注的方法等，从文本中提取出相对重要的词语。

发明内容

本申请实施例提出了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：获取预设的词语特征信息集合，其中，词语特征信息用于表征预设的词语集合中的词语；将词语特征信息集合中的词语特征信息进行两两组合，得到至少一个词语特征信息组合；对于至少一个词语特征信息组合中的词语特征信息组合，将该词语特征信息组合中的两个词语特征信息输入预先训练的重要度分析模型，输出用于比较输入的两个词语特征信息分别表征的词语的重要程度的比较结果，其中，重要度分析模型用于表征词语特征信息组合与比较结果的对应关系。

在一些实施例中，该方法还包括：获取词语集合；基于所输出的比较结果，对词语集合中的词语进行排序，以及输出排序后的词语集合。

在一些实施例中，词语集合预先通过如下步骤得到：获取待处理语句；对待处理语句进行切词，得到词语集合。

在一些实施例中，词语特征信息包括以下至少一种信息：词向量、词性信息、命名实体、词频。

在一些实施例中，重要度分析模型预先通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括两个样本词语特征信息，样本词语特征信息用于表征预设的样本词语，训练样本还包括用于比较两个样本词语特征信息分别表征的样本词语的重要程度的标注比较结果；利用机器学习方法，将训练样本集合中的训练样本包括的两个样本词语特征信息作为输入，将输入的两个样本词语特征信息对应的标注比较结果作为期望输出，训练得到重要度分析模型。

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：第一获取单元，被配置成获取预设的词语特征信息集合，其中，词语特征信息用于表征预设的词语集合中的词语；组合单元，被配置成将词语特征信息集合中的词语特征信息进行两两组合，得到至少一个词语特征信息组合；分析单元，被配置成对于至少一个词语特征信息组合中的词语特征信息组合，将该词语特征信息组合中的两个词语特征信息输入预先训练的重要度分析模型，输出用于比较输入的两个词语特征信息分别表征的词语的重要程度的比较结果，其中，重要度分析模型用于表征词语特征信息组合与比较结果的对应关系。

在一些实施例中，该装置还包括：第二获取单元，被配置成获取词语集合；输出单元，被配置成基于所输出的比较结果，对词语集合中的词语进行排序，以及输出排序后的词语集合。

在一些实施例中，词语集合预先通过如下步骤得到：获取待处理语句；对待处理语句进行切词，得到词语集合。

在一些实施例中，词语特征信息包括以下至少一种信息：词向量、词性信息、命名实体、词频。

在一些实施例中，重要度分析模型预先通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括两个样本词语特征信息，样本词语特征信息用于表征预设的样本词语，训练样本还包括用于比较两个样本词语特征信息分别表征的样本词语的重要程度的标注比较结果；利用机器学习方法，将训练样本集合中的训练样本包括的两个样本词语特征信息作为输入，将输入的两个样本词语特征信息对应的标注比较结果作为期望输出，训练得到重要度分析模型。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得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，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被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。

本申请实施例提供的用于输出信息的方法和装置，通过获取预设的词语特征信息集合，再将词语特征信息集合中的词语特征信息进行两两组合，得到至少一个词语特征信息组合，最后将至少一个词语特征信息组合中的词语特征信息组合输入预先训练的重要度分析模型，输出用于比较输入的两个词语特征信息分别表征的词语的重要程度的比较结果，从而有效地利用词语特征信息，比较两个词语的重要程度，提高了比较词语的重要程度的准确性。

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是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请实施例的用于输出信息的方法的一个实施例的流程图；

图3是根据本申请实施例的用于输出信息的方法的一个应用场景的示意图；

图4是根据本申请实施例的用于输出信息的方法的又一个实施例的流程图；

图5是根据本申请实施例的用于输出信息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实施例的用于输出信息的方法或用于输出信息的装置的示例性系统架构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，例如搜索类应用、网页浏览器应用、即时通信工具、邮箱客户端、购物类应用、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电子设备中。其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的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

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中的词语之间的重要程度进行分析的后台信息处理服务器。后台信息处理服务器可以对获取的词语特征信息进行分析等处理，并输出处理结果(例如用于比较两个词语特征信息分别表征的词语的重要程度的比较结果)。

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可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，用于输出信息的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，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的软件或软件模块)，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。在词语特征信息集合不需要从远程获取的情况下，上述系统架构可以不包括网络，而只需终端设备或服务器。

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，获取预设的词语特征信息集合。

在本实施例中，用于输出信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从远程获取预设的词语特征信息集合，或者从本地获取预设的词语特征信息集合。其中，词语特征信息用于表征预设的词语集合中的词语。词语集合可以由技术人员预先设置在上述执行主体或其他电子设备中。词语集合中的词语可以是基于各种方式获得的词语。例如，可以是技术人员预先输入的词语，或者是从预设的一个或多个文本中提取的词语。

在本实施例的一些可选的实现方式中，词语集合可以预先由上述执行主体或其他电子设备通过如下步骤得到：

首先，获取待处理语句。其中，待处理语句可以是待对其进行切词的语句。例如，待处理语句可以是上述执行主体或其他电子设备获取的、用户输入的诸如搜索语句、评论语句等，也可以是预设的文本(例如新闻、用户发表的文章等)中包括的语句。需要说明的是，待处理语句的数量可以是至少一个。

然后，对待处理语句进行切词，得到词语集合。具体地，上述执行主体或其他电子设备可以按照现有的对语句进行切词的方法(例如最大正向匹配法、N-gram模型方法、隐马尔科夫模型方法等)，对待处理语句进行切词，得到词语集合。

在本实施例中，词语特征信息的形式可以是向量，向量中的元素可以用于表征词语的某种特征。例如用预设的编号表征词语的词性。

在本实施例的一些可选的实现方式中，词语特征信息可以包括以下至少一种信息：词向量、词性信息、命名实体、词频等。

其中，词向量可以是上述执行主体或其他电子设备利用现有的词向量模型(例如word2vec、sense2vec等)所生成的、词语集合中的词语的词向量。

词性信息可以是利用现有的词性标注方法所得到的、用于表征词语集合中的词语的词性的信息。具体地，词性标注(Part-of-Speech tagging或POS tagging)，又称词类标注或者简称标注，是指为切词结果中的每个词标注一个正确的词性的方法，也即确定每个词是名词、动词、形容词或其他词性的过程。作为示例，词性标注方法可以包括但不限于以下至少一种：基于HMM(Hidden Markov Model，隐马尔可夫模型)的方法，基于N-gram模型(N元模型)的方法，基于神经网络的方法等。

命名实体可以是利用现有的命名实体识别(Named Entity Recognition，NER)方法得到的、用于表征词语集合中的词语的类型的信息。具体地，命名实体识别又称作“专名识别”，是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等。作为示例，命名实体识别方法可以包括但不限于以下至少一种：基于HMM的方法，基于CRF(Conditional Random Field，条件随机场)的方法等。

词频可以是预先对预设的文本集合(例如某网站、某电子设备上的文本的集合)中的文本包括的词语进行统计得到的、用于表征文本集合中的词语出现的频率的信息。例如，某词语的词频可以是统计出的该词语在预设的文本集合包括的文本中出现的次数与该文本集合包括的文本中的所有词语出现的次数的比值。

需要说明的是，上述词性标注方法、命名实体识别方法和生成词向量的方法是目前广泛研究和应用的公知技术，在此不再赘述。

步骤202，将词语特征信息集合中的词语特征信息进行两两组合，得到至少一个词语特征信息组合。

在本实施例中，基于步骤201中获取的词语特征信息集合，上述执行主体可以将词语特征信息集合中的词语特征信息进行两两组合，得到至少一个词语特征信息组合。作为示例，假设词语特征信息集合包括词语特征信息A、B、C，则两两组合后，可以得到的词语特征信息组合包括：AB、AC、BC。

步骤203，对于至少一个词语特征信息组合中的词语特征信息组合，将该词语特征信息组合中的两个词语特征信息输入预先训练的重要度分析模型，输出用于比较输入的两个词语特征信息分别表征的词语的重要程度的比较结果。

在本实施例中，对于至少一个词语特征信息组合中的词语特征信息组合，上述执行主体可以将该词语特征信息组合中的两个词语特征信息输入预先训练的重要度分析模型，输出用于比较输入的两个词语特征信息分别表征的词语的重要程度的比较结果。其中，重要度分析模型用于表征词语特征信息组合与比较结果的对应关系。比较结果可以是各种形式的信息，包括但不限于：数值、符号、文字等。作为示例，假设输入的两个词语特征信息分别为“A”和“B”，比较结果可以是数值，当数值大于0时，表示词语特征信息A表征的词语的重要程度大于词语特征信息B表征的词语。当数值小于0时，表示词语特征信息A表征的词语的重要程度小于词语特征信息B表征的词语。

具体地，作为示例，重要度分析模型可以包括对应关系表，该对应关系表可以是技术人员基于对大量的词语特征信息组合(包括两个词语特征信息)和用于比较词语特征信息组合对应的比较结果的统计而预先制定的，该对应关系表存储有多个词语特征信息组合和与词语特征信息组合对应的比较结果。这样，上述重要度分析模型可以将输入的词语特征信息组合与对应关系表中的多个词语特征信息组合依次进行比较，若对应关系表中的某一个词语特征信息组合与输入的词语特征信息组合相同或相似(例如相似度大于等于预设的相似度阈值)，则将对应关系表中的、该词语特征信息组合对应的比较结果作为用于比较输入的两个词语特征信息分别表征的词语的重要程度的比较结果。

在本实施例的一些可选的实现方式中，上述重要度分析模型可以是上述执行主体或者其他用于训练上述重要度分析模型的执行主体预先通过以下方式训练得到的：

首先，获取训练样本集合。其中，训练样本包括两个样本词语特征信息，样本词语特征信息用于表征预设的样本词语，训练样本还包括用于比较两个样本词语特征信息分别表征的样本词语的重要程度的标注比较结果。这里，标注比较结果可以为数值，作为示例，训练样本包括的两个样本词语特征信息分别为A和B，对应的标注比较结果可以是预设的正数(例如“1”，用于表征A表征的样本词语的重要程度大于B表征的样本词语的重要程度)，或者是预设的负数(例如“-1”，用于表征A表征的样本词语的重要程度小于B表征的样本词语的重要程度)。

然后，利用机器学习方法，将训练样本集合中的训练样本包括的两个样本词语特征信息作为输入，将输入的两个样本词语特征信息对应的标注比较结果作为期望输出，训练得到重要度分析模型。

具体地，用于训练重要度分析模型的执行主体可以将两个样本词语特征信息输入到初始模型(例如深度神经网络、卷积神经网络等)，对初始模型进行训练，得到重要度分析模型。

实践中，用于训练重要度分析模型的执行主体可以利用各种方式对初始模型进行训练，获得重要度分析模型。具体的，作为示例，重要度分析模型可以包括初始结果生成子模型和最终结果生成子模型，其中，初始结果生成子模型可以是神经网络模型，最终结果生成子模型可以是根据初始结果生成子模型生成的初始比较结果进行处理的数学模型。用于训练重要度分析模型的执行主体可以从训练样本中选取训练样本，并执行以下训练步骤：

步骤一，将所选取的训练样本包括的两个样本词语特征信息输入初始结果生成子模型，获得初始比较结果。其中，初始比较结果可以是数值。

步骤二，将所得到的初始比较结果与输入的两个样本词语特征信息对应的标注比较结果进行比较，以确定进行比较所得到的结果是否符合预设条件。作为示例，预设条件可以包括以下至少一项：初始比较结果与标注比较结果同时为正数或同时为负数，初始比较结果与标注比较结果之差的绝对值小于等于预设阈值。

步骤三，响应于确定进行比较所得到的结果符合预设条件，确定初始结果生成子模型训练完成，得到重要度分析模型。

在本示例中，还可以响应于确定进行比较所得到的结果不符合预设条件，调整初始结果生成子模型中的参数(例如可以采用反向传播算法(Back Propgation Algorithm，BP算法)和梯度下降法(例如随机梯度下降算法)对上述初始模型的参数进行调整)，以及从上述训练样本集合中重新选取训练样本，使用调整参数后的初始结果生成子模型和重新选取的训练样本继续执行上述训练步骤。

需要说明的是，上述重要度分析模型包括的信息生成子模型可以设置为根据初始比较结果生成最终的比较结果并输出。其中，最终的比较结果可以是各种形式的信息，例如文字、符号、数值等。作为示例，假设输入的两个词语特征信息的标识分别为“A”和“B”，如果按照上述步骤二所得到的初始比较结果为正数，表示词语特征信息“A”表征的词语的重要程度大于词语特征信息“B”表征的词语，则最终的比较结果可以是“A>B”。

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，电子设备301首先从本地获取词语特征信息集合302，其中，词语特征信息集合302包括词语特征信息A、B、C。然后，电子设备301将词语特征信息集合302中的词语特征信息进行两两组合，得到三个词语特征信息组合，分别为303(包括词语特征信息A和B)、304(包括词语特征信息A和C)、305(包括词语特征信息B和C)。最后，电子设备301将特征信息组合303、304、305依次输入预先训练的重要度分析模型306，输出用于比较输入的两个词语特征信息分别表征的词语的重要程度的比较结果307(例如“B<A”)、308(例如“A<C”)、309(例如“B<C”)。

本申请的上述实施例提供的方法，通过获取预设的词语特征信息集合，再将词语特征信息集合中的词语特征信息进行两两组合，得到至少一个词语特征信息组合，最后将至少一个词语特征信息组合中的词语特征信息组合输入预先训练的重要度分析模型，输出用于比较输入的两个词语特征信息分别表征的词语的重要程度的比较结果，从而有效地利用词语特征信息，比较两个词语的重要程度，提高了比较词语的重要程度的准确性。

进一步参考图4，其示出了用于输出信息的方法的又一个实施例的流程400。该用于输出信息的方法的流程400，包括以下步骤：

步骤401，获取预设的词语特征信息集合，其中，词语特征信息用于表征预设的词语集合中的词语。

在本实施例中，步骤401与图2对应实施例中的步骤201基本一致，这里不再赘述。

步骤402，将词语特征信息集合中的词语特征信息进行两两组合，得到至少一个词语特征信息组合。

在本实施例中，步骤402与图2对应实施例中的步骤202基本一致，这里不再赘述。

步骤403，对于至少一个词语特征信息组合中的词语特征信息组合，将该词语特征信息组合中的两个词语特征信息输入预先训练的重要度分析模型，输出用于比较输入的两个词语特征信息分别表征的词语的重要程度的比较结果。

在本实施例中，步骤403与图2对应实施例中的步骤203基本一致，这里不再赘述。

步骤404，获取词语集合。

在本实施例中，用于输出信息的方法的执行主体(例如图1所示的服务器)可以从远程或者从本地获取上述步骤401中描述的词语集合。

步骤405，基于所输出的比较结果，对词语集合中的词语进行排序，以及输出排序后的词语集合。

在本实施例中，上述执行主体可以基于上述重要度分析模型所输出的比较结果，对词语集合中的词语进行排序。作为示例，上述执行主体可以将各个比较结果分别对应的词语特征信息组合中的词语特征信息表征的词语，按照词语的重要程度由大到小或由小到大进行排序。例如，假设词语特征信息集合中的词语特征信息A、B、C分别表征词语集合中的词语“伟大”、“的”、“祖国”，输出的比较结果分别为：“A<C”、“B<A”、“B<C”，按照词语的重要程度由大到小的顺序排序，则排序后的词语集合为：“祖国”、“伟大”、“的”。

上述执行主体可以进一步按照各种方式输出排序后的词语集合。例如可以将排序后的词语集合显示在与上述执行主体连接的显示器上，或者可以将排序后的词语集合发送到与上述执行主体通信连接的终端设备上。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于输出信息的方法的流程400突出了对词语集合中的词语进行排序的步骤。由此，本实施例描述的方案可以更灵活地对词语集合中的词语进行排序，以及有助于提高展示词语集合中的词语的针对性。

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输出信息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，本实施例的用于输出信息的装置500包括：第一获取单元501，被配置成获取预设的词语特征信息集合，其中，词语特征信息用于表征预设的词语集合中的词语；组合单元502，被配置成将词语特征信息集合中的词语特征信息进行两两组合，得到至少一个词语特征信息组合；分析单元503，被配置成对于至少一个词语特征信息组合中的词语特征信息组合，将该词语特征信息组合中的两个词语特征信息输入预先训练的重要度分析模型，输出用于比较输入的两个词语特征信息分别表征的词语的重要程度的比较结果，其中，重要度分析模型用于表征词语特征信息组合与比较结果的对应关系。

在本实施例中，第一获取单元501可以通过有线连接方式或者无线连接方式从远程获取预设的词语特征信息集合，或者从本地获取预设的词语特征信息集合。其中，词语特征信息用于表征预设的词语集合中的词语。词语集合可以由技术人员预先设置在上述装置500中或其他电子设备中。词语集合中的词语可以是基于各种方式获得的词语。例如，可以是技术人员预先输入的词语，或者是从预设的一个或多个文本中提取的词语。

在本实施例中，词语特征信息的形式可以是向量，向量中的元素可以表征词语的某种特征。例如用预设的编号表征词语的词性。

在本实施例中，基于第一获取单元501获取的词语特征信息集合，上述组合单元502可以将词语特征信息集合中的词语特征信息进行两两组合，得到至少一个词语特征信息组合。作为示例，假设词语特征信息集合包括词语特征信息A、B、C，则两两组合后，可以得到的词语特征信息组合包括：AB、AC、BC。

在本实施例中，对于至少一个词语特征信息组合中的词语特征信息组合，上述分析单元503可以将该词语特征信息组合中的两个词语特征信息输入预先训练的重要度分析模型，输出用于比较输入的两个词语特征信息分别表征的词语的重要程度的比较结果。其中，重要度分析模型用于表征词语特征信息组合与比较结果的对应关系。比较结果可以是各种形式的信息，包括但不限于：数值、符号、文字等。作为示例，假设输入的两个词语特征信息分别为“A”和“B”，比较结果可以是数值，当数值大于0时，表示词语特征信息A表征的词语的重要程度大于词语特征信息B表征的词语。当数值小于0时，表示词语特征信息A表征的词语的重要程度小于词语特征信息B表征的词语。

在本实施例的一些可选的实现方式中，该装置500还可以包括：第二获取单元(图中未示出)，被配置成获取词语集合；输出单元(图中未示出)，被配置成基于所输出的比较结果，对词语集合中的词语进行排序，以及输出排序后的词语集合。

在本实施例的一些可选的实现方式中，词语集合预先通过如下步骤得到：获取待处理语句；对待处理语句进行切词，得到词语集合。

在本实施例的一些可选的实现方式中，词语特征信息包括以下至少一种信息：词向量、词性信息、命名实体、词频。

在本实施例的一些可选的实现方式中，重要度分析模型预先通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括两个样本词语特征信息，样本词语特征信息用于表征预设的样本词语，训练样本还包括用于比较两个样本词语特征信息分别表征的样本词语的重要程度的标注比较结果；利用机器学习方法，将训练样本集合中的训练样本包括的两个样本词语特征信息作为输入，将输入的两个样本词语特征信息对应的标注比较结果作为期望输出，训练得到重要度分析模型。

本申请的上述实施例提供的装置，通过获取预设的词语特征信息集合，再将词语特征信息集合中的词语特征信息进行两两组合，得到至少一个词语特征信息组合，最后将至少一个词语特征信息组合中的词语特征信息组合输入预先训练的重要度分析模型，输出用于比较输入的两个词语特征信息分别表征的词语的重要程度的比较结果，从而有效地利用词语特征信息，比较两个词语的重要程度，提高了比较词语的重要程度的准确性。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，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。

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介质或者是上述两者的任意组合。计算机可读介质例如可以是——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。

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申请的操作的计算机程序代码，所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：一种处理器包括第一获取单元、组合单元、分析单元。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，第一获取单元还可以被描述为“获取预设的词语特征信息集合的单元”。

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，使得该电子设备获取预设的词语特征信息集合，其中，词语特征信息用于表征预设的词语集合中的词语；将词语特征信息集合中的词语特征信息进行两两组合，得到至少一个词语特征信息组合；对于至少一个词语特征信息组合中的词语特征信息组合，将该词语特征信息组合中的两个词语特征信息输入预先训练的重要度分析模型，输出用于比较输入的两个词语特征信息分别表征的词语的重要程度的比较结果，其中，重要度分析模型用于表征词语特征信息组合与比较结果的对应关系。

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 (12)

1.一种用于输出信息的方法，包括：

获取预设的词语特征信息集合，其中，词语特征信息用于表征预设的词语集合中的词语；

将所述词语特征信息集合中的词语特征信息进行两两组合，得到至少一个词语特征信息组合；

对于所述至少一个词语特征信息组合中的词语特征信息组合，将该词语特征信息组合中的两个词语特征信息输入预先训练的重要度分析模型，输出用于比较输入的两个词语特征信息分别表征的词语的重要程度的比较结果，其中，所述重要度分析模型用于表征词语特征信息组合与比较结果的对应关系，比较结果用于表征所输入的两个词语特征信息分别表征的两个词语的重要程度间的大小关系，所述重要度分析模型包括对应关系表，或者，所述重要度分析模型利用机器学习方法训练得到。

2.根据权利要求1所述的方法，其中，所述方法还包括：

获取所述词语集合；

基于所输出的比较结果，对所述词语集合中的词语进行排序，以及输出排序后的词语集合。

3.根据权利要求1所述的方法，其中，所述词语集合预先通过如下步骤得到：

获取待处理语句；

对所述待处理语句进行切词，得到词语集合。

4.根据权利要求1所述的方法，其中，词语特征信息包括以下至少一种信息：词向量、词性信息、命名实体、词频。

5.根据权利要求1-4之一所述的方法，其中，所述重要度分析模型预先通过如下步骤训练得到：

获取训练样本集合，其中，训练样本包括两个样本词语特征信息，样本词语特征信息用于表征预设的样本词语，训练样本还包括用于比较两个样本词语特征信息分别表征的样本词语的重要程度的标注比较结果；

利用机器学习方法，将所述训练样本集合中的训练样本包括的两个样本词语特征信息作为输入，将输入的两个样本词语特征信息对应的标注比较结果作为期望输出，训练得到重要度分析模型。

6.一种用于输出信息的装置，包括：

第一获取单元，被配置成获取预设的词语特征信息集合，其中，词语特征信息用于表征预设的词语集合中的词语；

组合单元，被配置成将所述词语特征信息集合中的词语特征信息进行两两组合，得到至少一个词语特征信息组合；

分析单元，被配置成对于所述至少一个词语特征信息组合中的词语特征信息组合，将该词语特征信息组合中的两个词语特征信息输入预先训练的重要度分析模型，输出用于比较输入的两个词语特征信息分别表征的词语的重要程度的比较结果，其中，所述重要度分析模型用于表征词语特征信息组合与比较结果的对应关系，比较结果用于表征所输入的两个词语特征信息分别表征的两个词语的重要程度间的大小关系，所述重要度分析模型包括对应关系表，或者，所述重要度分析模型利用机器学习方法训练得到。

7.根据权利要求6所述的装置，其中，所述装置还包括：

第二获取单元，被配置成获取所述词语集合；

输出单元，被配置成基于所输出的比较结果，对所述词语集合中的词语进行排序，以及输出排序后的词语集合。

8.根据权利要求6所述的装置，其中，所述词语集合预先通过如下步骤得到：

获取待处理语句；

对所述待处理语句进行切词，得到词语集合。

9.根据权利要求6所述的装置，其中，词语特征信息包括以下至少一种信息：词向量、词性信息、命名实体、词频。

10.根据权利要求6-9之一所述的装置，其中，所述重要度分析模型预先通过如下步骤训练得到：

获取训练样本集合，其中，训练样本包括两个样本词语特征信息，样本词语特征信息用于表征预设的样本词语，训练样本还包括用于比较两个样本词语特征信息分别表征的样本词语的重要程度的标注比较结果；

利用机器学习方法，将所述训练样本集合中的训练样本包括的两个样本词语特征信息作为输入，将输入的两个样本词语特征信息对应的标注比较结果作为期望输出，训练得到重要度分析模型。

11.一种电子设备，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，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。

12.一种计算机可读介质，其上存储有计算机程序，其中，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。

Images