用于确定文本的关键词的方法和装置
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于确定文本的关键词的方法和装置。
背景技术
为了了解用户对某类产品的看法,一般通过以下两种方式进行调查,进而得出结论。第一种,可以通过线下分发调查问卷或者线上发布调查问卷,然后,对用户返回的问卷进行统计,进而得到用户的观点。第二种,可以对来自某互联网平台的用户关于某类产品的评价进行统计,进而得到用户的观点。
发明内容
本申请实施例提出了用于确定文本的关键词方法和装置。
第一方面,本申请实施例提供了一种用于确定文本的关键词的方法,该方法包括:获取目标文本集合和与目标文本集合对应的主题词;确定与主题词关联的至少一个第一关键词;对于目标文本集合中的目标文本,响应于确定该目标文本包含第一关键词,对该目标文本进行词性标注;基于词性标注结果,确定该目标文本中与所包含的第一关键词关联的目标关键词。
在一些实施例中,目标文本集合通过如下步骤得到:获取第一文本集合;对于第一文本集合中的第一文本,将该第一文本输入至预先训练的分类模型,得到该第一文本的类别,其中,分类模型用于表征文本和文本的类别之间的对应关系,文本的类别包括目标类别;删除第一文本集合中属于目标类别的第一文本,得到目标文本集合。
在一些实施例中,分类模型包括奇数数目个分类器。
在一些实施例中,确定与主题词关联的至少一个第一关键词,包括:获取第二文本集合;对于第二文本集合中的第二文本,将该第二文本输入至预先训练的主题模型中,得到与该第二文本的主题关联的第二关键词集合,其中,主题模型用于表征文本和与文本的主题关联的关键词集合之间的对应关系;基于得到的至少一个第二关键词集合,确定与主题词关联的至少一个第一关键词。
在一些实施例中,主题模型通过如下步骤训练得到:获取样本文本集合;从样本文本集合中选取样本文本,以及执行如下训练步骤:将选取的样本文本输入至初始模型,得到与输入的样本文本的主题关联的关键词集合;基于得到的关键词集合,确定目标概率值;基于目标概率值和初始概率值,确定概率误差;基于概率误差,确定初始模型是否训练完成;响应于确定训练完成,将训练完成的初始模型确定为主题模型。
在一些实施例中,该方法还包括:响应于确定未训练完成,使用目标概率值作为初始概率值,从样本文本集合中选取未使用过的样本文本,继续执行训练步骤。
在一些实施例中,在确定与主题词关联的至少一个第一关键词之后,该方法还包括:获取第三文本;对第三文本进行切词,得到第三文本包含的词语;对于至少一个第一关键词中的第一关键词,确定该第一关键词与第三文本包含的词语的相似度;将相似度满足预设目标的词语确定为与该第一关键词关联的第三关键词;基于至少一个第一关键词和与至少一个第一关键词关联的第三关键词,生成第三关键词集合。
在一些实施例中,响应于确定该目标文本包含第一关键词,对该目标文本进行词性标注;基于词性标注结果,确定该目标文本中与所包含的第一关键词关联的目标关键词,包括:响应于确定该目标文本包含第三关键词集合中的第三关键词,对该目标文本进行词性标注;基于词性标注结果,确定该目标文本中与所包含的第三关键词关联的目标关键词。
第二方面,本申请实施例提供了一种用于确定文本的关键词的装置,该装置包括:获取单元,被配置成获取目标文本集合和与目标文本集合对应的主题词;第一关键词确定单元,被配置成确定与主题词关联的至少一个第一关键词;目标关键词确定单元,被配置成对于目标文本集合中的目标文本,响应于确定该目标文本包含第一关键词,对该目标文本进行词性标注;基于词性标注结果,确定该目标文本中与所包含的第一关键词关联的目标关键词。
在一些实施例中,该装置还包括目标文本集合生成单元,目标文本集合生成单元包括:第一文本集合获取模块,被配置成获取第一文本集合;类别确定模块,被配置成对于第一文本集合中的第一文本,将该第一文本输入至预先训练的分类模型,得到该第一文本的类别,其中,分类模型用于表征文本和文本的类别之间的对应关系,文本的类别包括目标类别;删除模块,被配置成删除第一文本集合中属于目标类别的第一文本,得到目标文本集合。
在一些实施例中,分类模型包括奇数数目个分类器。
在一些实施例中,第一关键词确定单元包括:第二文本集合获取模块,被配置成获取第二文本集合;第二关键词集合生成模块,被配置成对于第二文本集合中的第二文本,将该第二文本输入至预先训练的主题模型中,得到与该第二文本的主题关联的第二关键词集合,其中,主题模型用于表征文本和与文本的主题关联的关键词集合之间的对应关系;第一关键词确定模块,被配置成基于得到的至少一个第二关键词集合,确定与主题词关联的至少一个第一关键词。
在一些实施例中,该装置还包括主题模型训练单元,主题模型训练单元包括:样本文本集合获取模块,被配置成获取样本文本集合;训练模块,被配置成从样本文本集合中选取样本文本,以及执行如下训练步骤:将选取的样本文本输入至初始模型,得到与输入的样本文本的主题关联的关键词集合;基于得到的关键词集合,确定目标概率值;基于目标概率值和初始概率值,确定概率误差;基于概率误差,确定初始模型是否训练完成;响应于确定训练完成,将训练完成的初始模型确定为主题模型。
在一些实施例中,主题模型训练单元还包括:选取模块,被配置成响应于确定未训练完成,使用目标概率值作为初始概率值,从样本文本集合中选取未使用过的样本文本,继续执行训练步骤。
在一些实施例中,该装置还包括:第三文本获取单元,被配置成获取第三文本;切词单元,被配置成对第三文本进行切词,得到第三文本包含的词语;第三关键词确定单元,被配置成对于至少一个第一关键词中的第一关键词,确定该第一关键词与第三文本包含的词语的相似度;将相似度满足预设目标的词语确定为与该第一关键词关联的第三关键词;第三关键词集合生成单元,被配置基于至少一个第一关键词和与至少一个第一关键词关联的第三关键词,生成第三关键词集合。
在一些实施例中,目标关键词确定单元进一步被配置成:响应于确定该目标文本包含第三关键词集合中的第三关键词,对该目标文本进行词性标注;基于词性标注结果,确定该目标文本中与所包含的第三关键词关联的目标关键词。
第三方面,本申请实施例提供了一种服务器,该服务器包括: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确定文本的关键词的方法和装置,通过首先获取目标文本集合和与目标文本集合对应的主题词。然后确定与主题词关联的至少一个关键词。进而可以根据目标文本集合中的目标文本包含的第一关键词,确定目标文本集合中的目标文本中与第一关键词关联的目标关键词。从而丰富了确定文本的关键词的方法。
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是根据本申请的用于确定文本的关键词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确定文本的关键词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确定文本的关键词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确定文本的关键词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确定文本的关键词的方法或用于确定文本的关键词的装置的示例性架构100。
如图1所示,系统架构100可以包括终端设备101、102,网络103和服务器104。网络103用以在终端设备101、102和服务器104之间提供通信链路的介质。网络103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。
终端设备101、102通过网络103与服务器104交互,以接收或发送消息等。终端设备101、102上可以安装有各种通讯客户端应用,例如文本阅读类应用、文本分析类应用等。
终端设备101、102可以是硬件,也可以是软件。当终端设备101、102为硬件时,可以是具有显示屏并且支持文本分析功能的各种电子设备,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。当终端设备101、102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),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104可以是提供各种服务的服务器,例如为终端设备101、102上的文本分析类应用提供服务的后台服务器。作为示例,后台服务器可以对终端设备发送的待分析文本进行处理,而后将处理结果反馈给终端设备。
服务器104可以是硬件,也可以是软件。当服务器104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104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),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于确定文本的关键词的方法一般由服务器104执行,相应地,用于确定文本的关键词的装置一般设置于服务器104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确定文本的关键词的方法的一个实施例的流程200。该用于确定文本的关键词的方法包括以下步骤:
步骤201,获取目标文本集合和与目标文本集合对应的主题词。
在本实施例中,目标文本可以是关于某个品牌的产品的评论所形成的文本。实践中,用于确定文本的关键词的方法的执行主体(如图1所示的服务器104)可以通过各种方法获取目标文本集合和与目标文本集合对应的主题词。作为示例,上述执行主体可以从互联网上获取介绍某个品牌的产品的文章的评论,进而,将所获取的文章的评论形成的文本确定为目标文本集合。此处,一条评论所形成的文本可以看作是一个目标文本。从而,上述执行主体可以将获取的评论所评价的产品的品牌名或者产品的名称确定为与目标文本集合对应的主题词。例如,可以将“品牌A”确定为针对品牌A的手机的评论的主题词。例如,也可以将“手机”确定为针对品牌A的手机的评论的主题词。作为又一示例,上述执行主体还可以从互联网上获取介绍某个品牌的产品的视频的评论,进而得到目标文本集合和与目标文本集合对应的主题词。需要说明的是,与上述执行主体通信连接的数据库服务器可以预先存储有目标文本集合和与目标文本集合对应的主题词。由此,上述执行主体还可以从通信连接的数据库服务器获取目标文本集合和与目标文本集合对应的主题词。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下步骤得到目标文本集合。
步骤一,获取第一文本集合。此处,第一文本集合可以是上述执行主体从互联网上获取的评论形成的文本所组成的集合。
步骤二,对于第一文本集合中的第一文本,将该第一文本输入至预先训练的分类模型,得到该第一文本的类别。
在得到第一文本集合之后,上述执行主体可以将第一文本集合中的第一文本输入至预先训练的分类模型。进而,分别确定第一文本的类别。在这里,第一文本的类别可以包括目标类别。其中,目标类别用于表征第一文本的内容包含以下至少一项:辱骂性的词语、色情类的词语、低俗类的词语。另外,第一文本的类别还可以包括其他类别。例如,用于表征第一文本的内容包含一些正向的词语(“喜欢”、“好看”、“惊喜”)的类别。例如,用于表征第一文本的内容包含一些负向的词语(“失望”、“受骗”、“不好”)的类别。例如,用于表征第一文本的内容包含一些中性的词语(“一般”、“还行”、“凑合”)的类别。可以理解,上述执行主体可以使用预先存储的词库,确定第一文本的内容所包含的词语。
在这些实现方式中,分类模型可以用于表征文本和文本的类别之间的对应关系。例如,分类模型可以是技术人员经过大量的统计结果,所得到的文本和文本的类别之间的对应关系表。可选的,分类模型还可以由奇数数目个、用于文本分类的分类器作为初始模型训练得到。此处,用于文本分类的分类器可以是现有的任意分类器,例如支持向量机分类器、深度卷积神经网络、随机森林分类器、贝叶斯分类器、LR(Logistic Regression,逻辑回归)分类器。需要说明的是,当初始模型包括三个或者三个以上分类器时,此三个或者三个以上分类器可以组合训练得到上述分类模型,也可以单独训练得到上述分类模型。
需要指出的是,当分类模型包括三个或者三个以上分类器时,上述执行主体可以将第一文本集合中的第一文本分别输入此三个或者三个以上分类器。而后,此三个或者三个以上分类器可以分别得到第一文本集合中的第一文本的类别。由此,分类模型可以将个数占多数的类别输出。
步骤三,删除所述第一文本集合中属于目标类别的第一文本,得到所述目标文本集合。
在确定第一文本集合中的第一文本的类别之后,上述执行主体可以将第一文本集合中属于目标类别的第一文本进行删除,而后,得到目标文本集合。
步骤202,确定与主题词关联的至少一个第一关键词。
在本实施例中,与主题词关联的第一关键词通常是表征主题词所代表的产品的特征、结构、性能等的词。例如,与主题词“手机”关联的第一关键词可以是“屏幕”、“电池”等。例如,与主题词“汽车”关联的第一关键词可以是“外观”、“轮胎”等。
在本实施例中,上述执行主体可以通过各种方法确定与主题词关联的至少一个第一关键词。作为示例,上述执行主体可以从互联网上获取一定数量篇介绍某品牌的产品的文章。而后,对这些文章进行分析,分别标注出所涉及到的产品的特征、结构、性能等的词。然后,统计这些词出现的概率。进而,上述执行主体可以将出现概率大于预设概率值的词确定为第一关键词。作为示例,上述执行主体还可以从预先得到的一些与主题词相关的词中随机选取至少一个词作为第一关键词。
步骤203,对于目标文本集合中的目标文本,响应于确定该目标文本包含第一关键词,对该目标文本进行词性标注;基于词性标注结果,确定该目标文本中与所包含的第一关键词关联的目标关键词。
在本实施例中,对于目标文本集合中的目标文本,上述执行主体可以对目标文本进行分析,进而确定目标文本中是否包含第一关键词。若包含第一关键词,上述执行主体可以进一步对目标文本进行词性标注,即标注目标文本所包含的词语的词性(例如形容词、名词)。需要说明的是,对文本进行词性标注是目前广泛研究和应用的公知技术,在此不再赘述。
在本实施例中,对目标文本进行词性标注之后,上述执行主体可以进一步确定目标文本中的目标关键词。其中,目标关键词通常是用于对第一关键词进行限定的词。具体地,第一关键词通常是名词,而目标关键词通常是可以对名词进行限定的形容词。例如,若第一关键词为“电池”,那么与第一关键词关联的目标关键词可以是“耐用”、“充电快”等。由此,上述执行主体可以对目标文本进行语义分析,进一步确定出目标文本中用于限定第一关键词的目标关键词。
在本实施例的一些可选的实现方式中,在步骤202之后,上述执行主体可以执行如下步骤。
第一步,获取第三文本。此处,第三文本可以是与主题词相关的至少一篇文章所组成的文本。也可以是与主题词相关的至少一篇文章的评论所组成的文本。还可以是与主题词相关的至少一篇文章和这些文章的评论所组成的文本。实践中,上述执行主体可以从互联网上获取与主题词相关的文章,以及这些文章的评论。上述执行主体也可以从通信连接的数据库服务器获取与主题词相关的文章,以及这些文章的评论。
第二步,对第三文本进行切词,得到第三文本包含的词语。实践中,上述执行主体可以利用现有的各种文本切词工具,对第三文本进行切词。
第三步,对于至少一个第一关键词中的第一关键词,确定该第一关键词与第三文本包含的词语的相似度;将相似度满足预设目标的词语确定为与该第一关键词关联的第三关键词。
在对第三文本切词之后,上述执行主体可以对第一关键词分别确定与第三文本包含的词语的相似度。在这里,上述执行主体可以通过各种方法确定第一关键词与第三文本包含的词语的相似度。
具体地,上述执行主体可以利用现有的词向量生成工具,得到第三文本包含的词语的词向量和第一关键词的词向量。进而,上述执行主体可以通过计算第一关键词的词向量和第三文本包含的词语的词向量之间的距离,确定第一关键词与第三文本包含的词语的相似度。例如,上述执行主体可以计算第一关键词的词向量和第三文本包含的词语的词向量之间的余弦距离。例如,上述执行主体还可以计算第一关键词的词向量和第三文本包含的词语的词向量之间的欧氏距离。可以理解,第一关键词的词向量和第三文本包含的词语的词向量之间的距离越近,表示第一关键词和第三文本包含的词语之间的相似度越高。
进一步,上述执行主体可以将相似度满足预设目标的词语确定为与第一关键词关联的第三关键词。此处,预设目标可以是第一关键词的词向量和第三文本包含的词语的词向量之间的距离小于预设距离值(例如0.1)。
第四步,基于至少一个第一关键词和与至少一个第一关键词关联的第三关键词,生成第三关键词集合。在得到与第一关键词关联的第三关键词之后,上述执行主体可以将至少一个第一关键词和所得到的第三关键词确定为第三关键词集合。
在这些实现方式中,在得到第三关键词集合之后,上述执行主体可以通过如下步骤确定目标文本中的目标关键词:响应于确定目标文本包含第三关键词集合中的第三关键词,对目标文本进行词性标注;基于词性标注结果,确定目标文本中与所包含的第三关键词关联的目标关键词。
继续参见图3,图3是根据本实施例的用于确定文本的关键词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可以首先获取目标文本集合302和主题词303(“汽车”)。在这里,目标文本集合302包含目标文本3021(“这款汽车的外型太帅了”)和目标文本3022(“这款汽车的轮胎不耐用”)。然后,服务器301可以确定与主题词303关联的至少一个第一关键词。此处,以第一关键词304(“外型”)和第一关键词305(“轮胎”)为例。而后,服务器301可以确定目标文本是否包含第一关键词,若包含,则服务器301可以对目标文本进行词性标注,以及根据词性标注结果,确定目标文本中与所包含的第一关键词关联的目标关键词。作为示例,此处,以目标文本3022为例。具体地,若确定目标文本3022包含第一关键词305,服务器301可以对目标文本3022进行词性标注(例如将“轮胎”标注为名词,将“不耐用”标注为“形容词”)。词性标注之后,服务器301可以确定目标文本3022中用于形容第一关键词305的目标关键词306(“不耐用”)。
本申请的上述实施例提供的方法,首先获取目标文本集合和与目标文本集合对应的主题词。然后,确定与主题词关联的至少一个第一关键词。进一步,若确定目标文本集合中的目标文本包含第一关键词,可以对目标文本进行词性标注。从而,可以根据词性标注结果,确定目标文本中与所包含的第一关键词关联的目标关键词。丰富了确定目标文本的关键词的方法。
进一步参考图4,其示出了用于确定文本的关键词的方法的又一个实施例的流程400。该用于确定文本的关键词的方法的流程400,包括以下步骤:
步骤401,获取目标文本集合和与目标文本集合对应的主题词。
上述步骤401的具体处理及其所带来的技术效果可以参考图2对应的实施例中的步骤201,在此不再赘述。
步骤402,获取第二文本集合。
在本实施例中,第二文本可以是与主题词对应的文本。例如,主题词为“汽车”,第二文本可以是各种描述汽车的文章所形成的文本,也可以是这些文章的评论所形成的文本,还可以是介绍各种汽车的视频的评论所形成的文本。
在本实施例中,用于确定文本的关键词的方法的执行主体(如图1所示的服务器104)可以通过各种方法获取第二文本集合。作为示例,上述执行主体可以从互联网上获取标题包含主题词的文章,进而将获取的文章形成的文本确定为第二文本集合。作为示例,上述执行主体还可以获取这些文章的评论,进而将获取的评论形成的文本确定为第二文本集合。作为示例,上述执行主体还可以获取标题包含主题词的视频的评论,进而将获取的评论形成的文本确定为第二文本集合。
步骤403,对于第二文本集合中的第二文本,将该第二文本输入至预先训练的主题模型中,得到与该第二文本的主题关联的第二关键词集合。
在本实施例中,对于第二文本集合中的第二文本,上述执行主体可以将第二文本输入至预先训练的主题模型中,得到与第二文本的主题关联的第二关键词集合。其中,第二文本的主题通常是第二文本所描述的主题。可以理解,第二关键词可以是用于描述第二文本的主题的关键性的词。例如,第二文本是关于某个品牌的手机的一条评论“这款手机的电池很耐用,并且,价格很实惠”,那么,与第二文本的主题关联的第二关键词可以是“电池”、“价格”。
在本实施例中,主题模型可以用于表征文本和与文本的主题关联的关键词集合之间的对应关系。例如,主题模型可以是表征文本和与文本的主题关联的关键词集合之间的对应关系表。
在本实施例的一些可选的实现方式中,主题模型可以是利用机器学习方法训练得到的模型。需要说明的是,训练主题模型的执行主体与上述执行主体可以相同,也可以不同。
在这些实现方式中,训练主题模型的执行主体可以获取用于训练主题模型的样本文本集合。然后,从样本文本集合中选取样本,以及对选取的样本文本执行如下训练步骤。
步骤S1,将选取的样本文本输入至初始模型,得到与输入的样本文本的主题关联的关键词集合。其中,初始模型可以是现有的用于确定与文本的主题关联的关键词集合的模型。例如,初始模型可以是LDA(Latent Dirichlet Allocation,隐含狄利克雷分布)模型。例如,初始模型还可以是PLSA(Probabilistic Latent Semantic Analysis,概率隐含语义分析)模型。
步骤S2,基于得到的关键词集合,确定目标概率值。目标概率值通常是指训练主题模型的执行主体得到与输入的样本文本的主题关联的关键词集合的概率。实践中,训练主题模型的执行主体可以确定关键词集合中的每个关键词与样本的主题关联的概率。然后,使用各种算法对求得的每个关键词与样本的主题关联的概率进行处理,进而确定目标概率值。例如,训练主题模型的执行主体可以使用Gibbs Sampling(吉布斯采样)算法,确定目标概率值。例如,训练主题模型的执行主体还可以使用EM(Expectation Maximization,期望最大化)算法,确定目标概率值。
步骤S3,基于目标概率值和初始概率值,确定概率误差。其中,初始概率值是训练主题模型之前,技术人员预先设置的。训练主题模型的执行主体可以将目标概率值和初始概率值进行相减,而后,对二者相减所得到的值求绝对值,得到概率误差。
步骤S4,基于概率误差,确定初始模型是否训练完成。得到概率误差之后,训练主题模型的执行主体可以比较概率误差和预设误差。若概率误差小于或者等于预设误差,训练主题模型的执行主体可以确定初始模型训练完成。否则,可以确定初始模型未训练完成。
步骤S5,响应于确定训练完成,将训练完成的初始模型确定为主题模型。若可以确定初始模型训练完成,训练主题模型的执行主体可以将训练完成的初始模型确定为主题模型。
在这些实现方式中,若确定初始模型未训练完成,训练主题模型的执行主体可以使用目标概率值作为初始概率值,从样本文本集合中选取未使用过的样本文本,继续执行上述步骤S1-S5。当满足预设的训练结束条件时,训练主题模型的执行主体可以结束训练。其中,预设的训练结束条件除了包括步骤S4中提到的概率误差小于或者等于预设误差,还可以包括以下至少一项:训练时长达到预设时长;训练次数达到预设次数。
步骤404,基于得到的至少一个第二关键词集合,确定与主题词关联的至少一个第一关键词。
在本实施例中,在步骤403之后,可以得到至少一个第二关键词集合。由此,上述执行主体可以通过各种方法,确定与主题词关联的至少一个第一关键词。作为示例,上述执行主体可以随机选取一个第二关键词集合。而后,使用主题词到所选取的第二关键词集合中进行匹配。若所选取的第二关键词集合中包含主题词,那么上述执行主体可以将所选取的第二关键词集合中的、主题词之外的第二关键词确定为至少一个第一关键词。作为示例,上述执行主体还可以随机选取预设数量(大于等于2)个第二关键词集合。而后,使用主题词分别到所选取的第二关键词集合中进行匹配。若至少两个第二关键词集合中包含主题词,那么上述执行主体可以将该至少两个第二关键词集合中的、主题词之外的第二关键词确定为至少一个第一关键词。
步骤405,对于目标文本集合中的目标文本,响应于确定该目标文本包含第一关键词,对该目标文本进行词性标注;基于词性标注结果,确定该目标文本中与所包含的第一关键词关联的目标关键词。
上述步骤405的具体处理及其所带来的技术效果可以参考图2对应的实施例中的步骤203,在此不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于确定文本的关键词的方法的流程400体现了通过预先训练的主题模型确定至少一个第二关键词集合的步骤,以及通过第二关键词集合确定与主题词关联的至少一个第一关键词的步骤。由此,本实施例描述的方案可以通过预先训练的主题模型对大量的第二文本进行分析,得到大量的第二关键词集合,而后,可以通过得到的大量的第二关键词集合,确定与主题词关联的第一关键词。从而,提高了确定目标文本所包含的目标关键词的效率和准确性。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了用于确定文本的关键词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,本实施例提供的用于确定文本的关键词的装置500包括获取单元501、第一关键词确定单元502和目标关键词确定单元503。其中,获取单元501,被配置成获取目标文本集合和与目标文本集合对应的主题词;第一关键词确定单元502,被配置成确定与主题词关联的至少一个第一关键词;目标关键词确定单元503,被配置成对于目标文本集合中的目标文本,响应于确定该目标文本包含第一关键词,对该目标文本进行词性标注;基于词性标注结果,确定该目标文本中与所包含的第一关键词关联的目标关键词。
在本实施例中,用于确定文本的关键词的装置500中:获取单元501、第一关键词确定单元502和目标关键词确定单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述用于确定文本的关键词的装置500还可以包括目标文本集合生成单元(图中未示出)。目标文本集合生成单元可以包括第一文本集合获取模块(图中未示出)、类别确定模块(图中未示出)和删除模块(图中未示出)。其中,第一文本集合获取模块,可以被配置成获取第一文本集合;类别确定模块,可以被配置成对于第一文本集合中的第一文本,将该第一文本输入至预先训练的分类模型,得到该第一文本的类别,其中,分类模型用于表征文本和文本的类别之间的对应关系,文本的类别包括目标类别;删除模块,可以被配置成删除第一文本集合中属于目标类别的第一文本,得到目标文本集合。
在本实施例的一些可选的实现方式中,分类模型包括奇数数目个分类器。
在本实施例的一些可选的实现方式中,上述第一关键词确定单元502可以包括第二文本集合获取模块(图中未示出)、第二关键词集合生成模块(图中未示出)和第一关键词确定模块(图中未示出)。其中,第二文本集合获取模块,可以被配置成获取第二文本集合;第二关键词集合生成模块,可以被配置成对于第二文本集合中的第二文本,将该第二文本输入至预先训练的主题模型中,得到与该第二文本的主题关联的第二关键词集合,其中,主题模型用于表征文本和与文本的主题关联的关键词集合之间的对应关系;第一关键词确定模块,可以被配置成基于得到的至少一个第二关键词集合,确定与主题词关联的至少一个第一关键词。
在本实施例的一些可选的实现方式中,装置500还可以包括主题模型训练单元(图中未示出)。主题模型训练单元可以包括样本文本集合获取模块(图中未示出)和训练模块(图中未示出)。其中,样本文本集合获取模块,可以被配置成获取样本文本集合;训练模块,可以被配置成从样本文本集合中选取样本文本,以及执行如下训练步骤:将选取的样本文本输入至初始模型,得到与输入的样本文本的主题关联的关键词集合;基于得到的关键词集合,确定目标概率值;基于目标概率值和初始概率值,确定概率误差;基于概率误差,确定初始模型是否训练完成;响应于确定训练完成,将训练完成的初始模型确定为主题模型。
在本实施例的一些可选的实现方式中,上述主题模型训练单元还可以包括选取模块(图中未示出)。其中,选取模块可以被配置成响应于确定未训练完成,使用目标概率值作为初始概率值,从样本文本集合中选取未使用过的样本文本,继续执行训练步骤。
在本实施例的一些可选的实现方式中,装置500还可以包括第三文本获取单元(图中未示出)、切词单元(图中未示出)、第三关键词确定单元(图中未示出)和第三关键词集合生成单元(图中未示出)。其中,第三文本获取单元,可以被配置成获取第三文本;切词单元,可以被配置成对第三文本进行切词,得到第三文本包含的词语;第三关键词确定单元,可以被配置成对于至少一个第一关键词中的第一关键词,确定该第一关键词与第三文本包含的词语的相似度;将相似度满足预设目标的词语确定为与该第一关键词关联的第三关键词;第三关键词集合生成单元,可以被配置基于至少一个第一关键词和与至少一个第一关键词关联的第三关键词,生成第三关键词集合。
在本实施例的一些可选的实现方式中,目标关键词确定单元503,可以进一步被配置成响应于确定该目标文本包含第三关键词集合中的第三关键词,对该目标文本进行词性标注;基于词性标注结果,确定该目标文本中与所包含的第三关键词关联的目标关键词。
本申请的上述实施例提供的装置,首先通过获取单元501获取目标文本集合和与目标文本集合对应的主题词。然后通过第一关键词确定单元502确定与主题词关联的至少一个第一关键词。进而可以通过目标关键词确定单元503确定目标文本中与所包含的第一关键词关联的目标关键词。从而丰富了确定文本的关键词的方法。
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。图6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。
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,包括获取单元、第一关键词确定单元和目标关键词确定单元。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“获取目标文本集合和与目标文本集合对应的主题词的单元”。
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服务器中所包含的;也可以是单独存在,而未装配入该服务器中。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服务器执行时,使得该服务器:获取目标文本集合和与目标文本集合对应的主题词;确定与主题词关联的至少一个第一关键词;对于目标文本集合中的目标文本,响应于确定该目标文本包含第一关键词,对该目标文本进行词性标注;基于词性标注结果,确定该目标文本中与所包含的第一关键词关联的目标关键词。
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。