CN110704617B - 新闻文本的分类方法、装置、电子设备和存储介质 - Google Patents

新闻文本的分类方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN110704617B
CN110704617B CN201910877094.3A CN201910877094A CN110704617B CN 110704617 B CN110704617 B CN 110704617B CN 201910877094 A CN201910877094 A CN 201910877094A CN 110704617 B CN110704617 B CN 110704617B
Authority
CN
China
Prior art keywords
news
segmentation
news text
website
uniform resource
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
Application number
CN201910877094.3A
Other languages
English (en)
Other versions
CN110704617A (zh
Inventor
钱柏丞
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910877094.3A priority Critical patent/CN110704617B/zh
Publication of CN110704617A publication Critical patent/CN110704617A/zh
Application granted granted Critical
Publication of CN110704617B publication Critical patent/CN110704617B/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
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明揭示了一种新闻文本的分类方法、装置、电子设备和存储介质，涉及数据处理技术领域，其中，新闻文本的分类方法包括获取待分类的新闻文本的统一资源定位符；对所述统一资源定位符中的网站名进行切分处理得到第一切分词，以及对所述统一资源定位符中的文件名、路径进行切分处理得到第二切分词；基于所述第一切分词、所述第二切分词，以及切分词和比例矩阵的对应关系，确定得到所述第一切分词相应的第一比例矩阵和所述第二切分词相应的第二比例矩阵。本发明提出的技术方案实现对待分类的新闻文本进行分类，该过程不需要进行复杂的样本训练处理，可以极大地减少进行复杂的样本训练所需要花费的时间。

Description

新闻文本的分类方法、装置、电子设备和存储介质
技术领域
本发明涉及数据处理技术领域，特别是涉及基于新闻文本的分类方法、装置、电子设备和存储介质。
背景技术
新闻网站作为用户阅览各种类型的新闻文本的工具，网站为了使得用户能更加便捷的对新闻网站内的新闻文本进行阅读，一般会根据新闻文本的内容对新闻文本进行分类。
现有的新闻文本的分类方法一般都是采用深度学习或机器学习的方法，提取新闻文本中的核心关键词，或卷积提取新闻文本的文本特征，并基于新闻文本中的核心关键词或卷积提取的新闻文本的文本特征对新闻文本进行分类。
现有的新闻文本的分类方法一般需要进行复杂的样本训练处理，因此需要花费大量的时间。
发明内容
基于此，为解决现有的新闻文本的分类方法需要进行复杂的样本训练处理，由此导致需要花费大量时间的技术问题，本发明提供了一种新闻文本的分类方法、装置、电子设备和存储介质。
第一方面，提供了一种新闻文本的分类方法，包括：
获取待分类的新闻文本的统一资源定位符；
对所述统一资源定位符中的网站名进行切分处理得到第一切分词，以及对所述统一资源定位符中的文件名、路径进行切分处理得到第二切分词；
基于所述第一切分词、所述第二切分词，以及切分词和比例矩阵的对应关系，确定得到所述第一切分词相应的第一比例矩阵和所述第二切分词相应的第二比例矩阵，其中，所述切分词和比例矩阵的对应关系为新闻网站内统一资源定位符中包含切分词的每个新闻文本类型的新闻文本数除以新闻网站内统一资源定位符中包含切分词的所有新闻文本数；
基于所述第一切分词相应的第一比例矩阵、所述第二切分词相应的第二比例矩阵，以及新闻网站中每个新闻文本类型的新闻文本的比例，确定所述待分类的新闻文本与新闻网站中每个新闻文本类型的关联度，其中，所述新闻网站中每个新闻文本类型的新闻文本的比例为新闻网站中每个新闻文本类型的新闻文本数除以新闻网站中所有新闻文本数；
选取所述关联度最高的新闻文本类型作为所述待分类的新闻文本的新闻文本类型。
第二方面，提供了一种新闻文本的分类装置，包括：
获取单元，用于获取待分类的新闻文本的统一资源定位符；
切分单元，用于对所述统一资源定位符中的网站名进行切分处理得到第一切分词，以及对所述统一资源定位符中的文件名、路径进行切分处理得到第二切分词；
第一执行单元，用于基于所述第一切分词、所述第二切分词，以及切分词和比例矩阵的对应关系，确定得到所述第一切分词相应的第一比例矩阵和所述第二切分词相应的第二比例矩阵，其中，所述切分词和比例矩阵的对应关系为新闻网站内统一资源定位符中包含切分词的每个新闻文本类型的新闻文本数除以新闻网站内统一资源定位符中包含切分词的所有新闻文本数；
第二执行单元，用于基于所述第一切分词相应的第一比例矩阵、所述第二切分词相应的第二比例矩阵，以及新闻网站中每个新闻文本类型的新闻文本的比例，确定所述待分类的新闻文本与新闻网站中每个新闻文本类型的关联度，其中，所述新闻网站中每个新闻文本类型的新闻文本的比例为新闻网站中每个新闻文本类型的新闻文本数除以新闻网站中所有新闻文本数；
分类单元，用于选取所述关联度最高的新闻文本类型作为所述待分类的新闻文本的新闻文本类型。
第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述新闻文本的分类方法的步骤。
第四方面，提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述新闻文本的分类方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：
在需要待分类的新闻文本进行分类时，只需要获取待分类的新闻文本的统一资源定位符；并对统一资源定位符中的网站名进行切分处理得到第一切分词，以及对统一资源定位符中的文件名、路径进行切分处理得到第二切分词；并通过第一切分词、第二切分词，以及切分词和比例矩阵的对应关系，确定得到第一切分词相应的第一比例矩阵和第二切分词相应的第二比例矩阵；根据第一切分词相应的第一比例矩阵、第二切分词相应的第二比例矩阵，以及新闻网站中每个新闻文本类型的新闻文本的比例，确定待分类的新闻文本与新闻网站中每个新闻文本类型的关联度；当待分类的新闻文本与新闻网站中某个新闻文本类型的关联度越大，则待分类的新闻文本的统一资源定位符相应的第一切分词在新闻网站中该类型的新闻文本类型的出现的比例最大，则待分类的新闻文本为该新闻文本类型的可能性最大，选取关联度最高的新闻文本类型作为待分类的新闻文本的新闻文本类型，通过以上方法实现对待分类的新闻文本进行分类，该过程不需要进行复杂的样本训练处理，可以极大地减少进行复杂的样本训练所需要花费的时间。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
图1是本发明一示例性实施例示出的一种新闻文本的分类方法的流程图。
图2是本发明另一示例性实施例示出的一种新闻文本的分类方法的流程图。
图3是本发明另一示例性实施例示出的一种新闻文本的分类方法的流程图。
图4是本发明一示例性实施例示出的一种新闻文本的分类装置的框图。
图5是本发明一示例性实施例示出的一种用于实现上述新闻文本的分类方法的电子设备示例框图。
图6是本发明一示例性实施例示出的一种用于实现上述新闻文本的分类方法的计算机可读指令的存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
参考图1，图1本发明一示例性实施例示出的新闻文本的分类方法的流程图，本实施例中的新闻文本的分类方法的执行主体为服务器，该服务器具体可以为新闻网站相应的后台服务器，如图1所示的新闻文本的分类方法可包括如下步骤S110至步骤S150，详细说明如下：
步骤S110，获取待分类的新闻文本的统一资源定位符。
步骤S120，对所述统一资源定位符中的网站名进行切分处理得到第一切分词，以及对所述统一资源定位符中的文件名、路径进行切分处理得到第二切分词。
步骤S130，基于所述第一切分词、所述第二切分词，以及切分词和比例矩阵的对应关系，确定得到所述第一切分词相应的第一比例矩阵和所述第二切分词相应的第二比例矩阵，其中，所述切分词和比例矩阵的对应关系为新闻网站内统一资源定位符中包含切分词的每个新闻文本类型的新闻文本数除以新闻网站内统一资源定位符中包含切分词的所有新闻文本数。
步骤S140，基于所述第一切分词相应的第一比例矩阵、所述第二切分词相应的第二比例矩阵，以及新闻网站中每个新闻文本类型的新闻文本的比例，确定所述待分类的新闻文本与新闻网站中每个新闻文本类型的关联度，其中，所述新闻网站中每个新闻文本类型的新闻文本的比例为新闻网站中每个新闻文本类型的新闻文本数除以新闻网站中所有新闻文本数。
步骤S150，选取所述关联度最高的新闻文本类型作为所述待分类的新闻文本的新闻文本类型。
在步骤S110中，新闻文本指的是存在于新闻网站中的新闻作品或新闻报道，用户通过新闻网站来浏览新闻文本中的内容。对于每个新闻文本在上传至新闻网站相应的服务器时，该新闻文本会被服务器分配一个统一资源定位符(URL，Uniform ResourceLocator)，统一资源定位符作为一种互联网上标准资源的地址信息，用于标识该资源的位置以及提供给浏览器如何访问该资源的访问方法，统一资源定位符为由多个字符所组成的字符集。服务器在对所上传的待分类的新闻文本的进行分类时，由于同一个新闻文本类型的新闻文本的统一资源定位符中包含的网站名、文件名和路径存在相似的特征，由此可以依据待分类的新闻文本的统一资源定位符中的网站名、文件名和路径来实现对该新闻文本进行分类，得到该新闻文本的新闻文本类型，其中，新闻文本类型可以为娱乐、军事、体育、娱乐或财经等多种不同的类型。
在步骤S120，统一资源定位符作为一个字符集，在该字符集中，多个不同位置的字符集合用于标识不同类型的信息，例如网站名、文件名、路径、网络协议标识以及端口号等不同类型的信息，不同类型的信息会以不同的分隔符来进行分隔。由于统一资源定位符中的网站名、文件名和路径是进行新闻文本分类的特征信息，由此服务器可以通过特定的分隔符来对统一资源定位符中的网站名进行切分处理得到第一切分词，以及对统一资源定位符中的文件名、路径进行切分处理得到第二切分词。
在一个实施例中，所述对所述统一资源定位符中的网站名进行切分处理得到第一切分词，以及对所述统一资源定位符中的文件名、路径进行切分处理得到第二切分词的步骤S120，包括：
确定所述统一资源定位符中处于网站名位置的字符，以及所述统一资源定位符中处于文件名位置、路径位置的字符；
基于预设的第一分隔符对所述统一资源定位符中处于网站名位置的字符进行切分处理得到所述第一切分词，以及基于预设的第二分隔符对所述统一资源定位符中处于文件名位置、路径位置的字符进行切分处理得到所述第二切分词。
服务器在对统一资源定位符中的网站名相应的字符集合进行切分处理时，在对统一资源定位符中的网站名进行切分处理得到第一切分词时，可以依据统一资源定位符中处于网站名位置来标记表示网站名的字符，然后基于预设的第一分隔符对所标记的表示网站名的字符进行切分处理得到第一切分词，上述第一分隔符可以为“.”等分隔符，需要说明的是，第一切分词可以包含一个切分词也可以为一个以上的切分词。
在对统一资源定位符中的文件名、路径进行切分处理得到第二切分词时，可以依据统一资源定位符中处于文件名位置、路径位置来标记表示文件名、路径的字符，然后基于预设的第二分隔符对所标记的表示文件名、路径的字符进行切分处理得到第二切分词，上述第二分隔符可以为“/”、“|”或“\”等分隔符，需要说明的是，第二切分词可以包含一个切分词也可以为一个以上的切分词。
基于以上方式可以使得服务器快速且准确地确定统一资源定位符用于表示网站名、文件名和路径的字符，进而实现切分处理，进而提高对待分类的新闻文本进行分类的效率。
在步骤S130中，服务器中预存有切分词和比例矩阵的对应关系，服务器在确定切分词和比例矩阵的对应关系时，先获取新闻网站内的所有新闻文本的统一资源定位符；并对统一资源定位符中的网站名进行切分处理得到网站名对应切分词，以及对统一资源定位符中的文件名、路径分别进行切分处理得到文件名、路径对应的切分词，其中，切分的方式可以参考前述步骤的描述，在此不再赘述。
服务器对每个新闻文本类型的新闻文本的统一资源定位符中的网站名对应切分词以及文件名、路径对应的切分词进行分析，确定得到新闻网站内统一资源定位符中包含切分词的每个新闻文本类型的新闻文本数，以及新闻网站内统一资源定位符中包含切分词的所有新闻文本数。服务器将确定的新闻网站内统一资源定位符中包含切分词的每个新闻文本类型的新闻文本数除以新闻网站内统一资源定位符中包含切分词的所有新闻文本数，得到切分词和比例矩阵的对应关系。其中，切分词和比例矩阵的对应关系用于表示统一资源定位符中的网站名对应的切分词以及文件名、路径对应的切分词在不同类型的新闻文本类型所出现的比例。
服务器根据第一切分词、第二切分词，以及切分词和比例矩阵的对应关系，确定得到第一切分词相应的第一比例矩阵和第二切分词相应的第二比例矩阵。
在步骤S140中，服务器预存有每个新闻文本类型的新闻文本的比例，服务器在确定每个新闻文本类型的新闻文本的比例，可以通过获取新闻网站中每个新闻文本类型的新闻文本数以及新闻网站中所有新闻文本数，并通过新闻网站中每个新闻文本类型的新闻文本数除以新闻网站中所有新闻文本数来确定。
对于待分类的新闻文本，在确定该新闻文本的新闻文本类型时，在根据第一切分词相应的第一比例矩阵、第二切分词相应的第二比例矩阵以及新闻网站中每个新闻文本类型的新闻文本的比例可以确定待分类的新闻文本与每个新闻文本类型的关联性，待分类的新闻文本与某个新闻文本类型的关联性越大，则待分类的新闻文本的统一资源定位符相应的第一切分词在新闻网站中该类型的新闻文本类型的出现的比例最大，则待分类的新闻文本为该新闻文本类型的可能性最大。
在一个实施例中，所述基于所述第一切分词相应的第一比例矩阵、所述第二切分词相应的第二比例矩阵，以及新闻网站中每个新闻文本类型的新闻文本的比例，确定所述待分类的新闻文本与新闻网站中每个新闻文本类型的关联度的步骤S140，包括：
基于以下公式确定所述待分类的新闻文本与新闻网站中每个新闻文本类型的关联度：
其中，Ci为第i个新闻文本类型，P(Ci)为新闻网站中每个新闻文本类型的新闻文本的比例，yhr为所述第一切分词中第r个切分词，yus为所述第二切分词中第s个切分词，P(yhr│Ci)为所述第一切分词相应的第一比例矩阵，P(yus│Ci)为所述第二切分词相应的第二比例矩阵，P(Ci│Y)为所述待分类的新闻文本与新闻网站中每个新闻文本类型的关联度。
服务器在确定待分类的新闻文本与新闻网站中每个新闻文本类型的关联度时，将根据公式确定得到待分类的新闻文本与新闻网站中每个新闻文本类型的关联度，其中，Ci为第i个新闻文本类型，P(Ci)为新闻网站中每个新闻文本类型的新闻文本的比例，yhr为第一切分词中第r个切分词，yus为第二切分词中第s个切分词，P(yhr│Ci)为第一切分词相应的第一比例矩阵，P(yus│Ci)为第二切分词相应的第二比例矩阵，P(Ci│Y)为待分类的新闻文本与新闻网站中每个新闻文本类型的关联度。
以上可以看出，当待分类的新闻文本的统一资源定位符中的网站名相应的第一切分词在新闻网站的某个新闻文本类型出现的比例较高，则待分类的新闻文本与新闻网站中某个新闻文本类型的关联度较高，则待分类的新闻文本为该新闻文本类型的可能性较大；当待分类的新闻文本的统一资源定位符中的文件名和路径相应的第二切分词在某个新闻文本类型出现的比例较低，则待分类的新闻文本与新闻网站中某个新闻文本类型的关联度较低，则待分类的新闻文本为该新闻文本类型的可能性较小。
在步骤S150中，服务器从选取关联度最高的新闻文本类型作为待分类的新闻文本的新闻文本类型，进而实现对待分类的新闻文本进行分类。
以上可以看出，在需要待分类的新闻文本进行分类时，只需要获取待分类的新闻文本的统一资源定位符；并对统一资源定位符中的网站名进行切分处理得到第一切分词，以及对统一资源定位符中的文件名、路径进行切分处理得到第二切分词；并通过第一切分词、第二切分词，以及切分词和比例矩阵的对应关系，确定得到第一切分词相应的第一比例矩阵和第二切分词相应的第二比例矩阵；根据第一切分词相应的第一比例矩阵、第二切分词相应的第二比例矩阵，以及新闻网站中每个新闻文本类型的新闻文本的比例，确定待分类的新闻文本与新闻网站中每个新闻文本类型的关联度；当待分类的新闻文本与新闻网站中某个新闻文本类型的关联度越大，则待分类的新闻文本的统一资源定位符相应的第一切分词在新闻网站中该类型的新闻文本类型的出现的比例最大，则待分类的新闻文本为该新闻文本类型的可能性最大，选取关联度最高的新闻文本类型作为待分类的新闻文本的新闻文本类型，通过以上方法实现对待分类的新闻文本进行分类，该过程不需要进行复杂的样本训练处理，可以极大地减少进行复杂的样本训练所需要花费的时间。
参考图2，图2是本发明另一示例性实施例示出的一种新闻文本的分类方法的流程图，在本实施例中，在对所述统一资源定位符中的网站名进行切分处理得到第一切分词，以及对所述统一资源定位符中的文件名、路径进行切分处理得到第二切分词的步骤120之前，还可以包括如下步骤：
步骤S119，删除所述统一资源定位符中的网络协议标识以及端口号。
在步骤S119中，由于统一资源定位符中的网络协议标识以及端口号不是作为对待分类的新闻文本进行分类所需要的特征信息，由此可以将统一资源定位符中的网络协议标识以及端口号进行删除，服务器对获取的统一资源定位符中的网络协议标识以及端口号进行删除时，具体可以通过对统一资源定位符中表示网络协议标识以及端口号的特定位置处的字符进行删除，进而实现删除统一资源定位符中的网络协议标识以及端口号。
参考图3，图3是本发明另一示例性实施例示出的一种新闻文本的分类方法的流程图，在本实施例中，在删除所述统一资源定位符中的网络协议标识以及端口号的S119之前，还可以包括如下步骤：
步骤S118，检测所述统一资源定位符是否符合标准网址格式。
所述删除所述统一资源定位符中的网络协议标识以及端口号的步骤S119，包括：
步骤S1191，若检测到所述统一资源定位符符合标准网址格式，则删除所述统一资源定位符中的网络协议标识以及端口号。
在步骤S118中，服务器在删除统一资源定位符中的网络协议标识以及端口号之前，可以对统一资源定位符进行检测，以确定该统一资源定位符是否符合标准网址格式。在检测时，具体可以通过判断所获取的统一资源定位符是否包含标准网址格式所特有的字符，若包含，则确定该统一资源定位符符合标准网址格式，反之，则确定该统一资源定位符不符合标准网址格式。
在步骤S1191中，当确定该统一资源定位符符合标准网址格式，则删除统一资源定位符中的网络协议标识以及端口号，当确定该统一资源定位符不符合标准网址格式时，则确定所获取的统一资源定位符为一个错误的统一资源定位符，可以理解的是，服务器可以重新请求获取待分类的新闻文本的统一资源定位符。
参考图4，图4是本发明一示例性实施例示出的一种新闻文本的分类装置，所述新闻文本的分类装置可以集成于上述的电子设备中，具体可以包括获取单元210、切分单元220、第一执行单元230、第二执行单元240以及分类单元250。
获取单元210，用于获取待分类的新闻文本的统一资源定位符；
切分单元220，用于对所述统一资源定位符中的网站名进行切分处理得到第一切分词，以及对所述统一资源定位符中的文件名、路径进行切分处理得到第二切分词；
第一执行单元230，用于基于所述第一切分词、所述第二切分词，以及切分词和比例矩阵的对应关系，确定得到所述第一切分词相应的第一比例矩阵和所述第二切分词相应的第二比例矩阵，其中，所述切分词和比例矩阵的对应关系为新闻网站内统一资源定位符中包含切分词的每个新闻文本类型的新闻文本数除以新闻网站内统一资源定位符中包含切分词的所有新闻文本数；
第二执行单元240，用于基于所述第一切分词相应的第一比例矩阵、所述第二切分词相应的第二比例矩阵，以及新闻网站中每个新闻文本类型的新闻文本的比例，确定所述待分类的新闻文本与新闻网站中每个新闻文本类型的关联度，其中，所述新闻网站中每个新闻文本类型的新闻文本的比例为新闻网站中每个新闻文本类型的新闻文本数除以新闻网站中所有新闻文本数；
分类单元250，用于选取所述关联度最高的新闻文本类型作为所述待分类的新闻文本的新闻文本类型。
在一个实施例中，
所述第二执行单元用于基于以下公式确定所述待分类的新闻文本与新闻网站中每个新闻文本类型的关联度：
其中，Ci为第i个新闻文本类型，P(Ci)为新闻网站中每个新闻文本类型的新闻文本的比例，yhr为所述第一切分词中第r个切分词，yus为所述第二切分词中第s个切分词，P(yhr│Ci)为所述第一切分词相应的第一比例矩阵，P(yus│Ci)为所述第二切分词相应的第二比例矩阵，P(Ci│Y)为所述待分类的新闻文本与新闻网站中每个新闻文本类型的关联度。
在一个实施例中，所述装置还包括：
删除单元，用于删除所述统一资源定位符中的网络协议标识以及端口号。
在一个实施例中，所述装置还包括：
检测单元，用于检测所述统一资源定位符是否符合标准网址格式。
所述删除单元用于若检测到所述统一资源定位符符合标准网址格式，则删除所述统一资源定位符中的网络协议标识以及端口号。
在一个实施例中，所述切分单元用于：确定所述统一资源定位符中处于网站名位置的字符，以及所述统一资源定位符中处于文件名位置、路径位置的字符；基于预设的第一分隔符对所述统一资源定位符中处于网站名位置的字符进行切分处理得到所述第一切分词，以及基于预设的第二分隔符对所述统一资源定位符中处于文件名位置、路径位置的字符进行切分处理得到所述第二切分词。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
参考图5，图5本发明一示例性实施例示出的一种用于实现上述新闻文本的分类方法的电子设备示例框图。图5显示的电子设备400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于：上述至少一个处理单元410、上述至少一个存储单元420、连接不同系统组件(包括存储单元420和处理单元410)的总线430。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元410执行，使得所述处理单元410执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元410可以执行如图1中所示的步骤S110：获取待分类的新闻文本的统一资源定位符；步骤S120：对所述统一资源定位符中的网站名进行切分处理得到第一切分词，以及对所述统一资源定位符中的文件名、路径进行切分处理得到第二切分词；步骤S130，基于所述第一切分词、所述第二切分词，以及切分词和比例矩阵的对应关系，确定得到所述第一切分词相应的第一比例矩阵和所述第二切分词相应的第二比例矩阵，其中，所述切分词和比例矩阵的对应关系为新闻网站内统一资源定位符中包含切分词的每个新闻文本类型的新闻文本数除以新闻网站内统一资源定位符中包含切分词的所有新闻文本数；步骤S140，基于所述第一切分词相应的第一比例矩阵、所述第二切分词相应的第二比例矩阵，以及新闻网站中每个新闻文本类型的新闻文本的比例，确定所述待分类的新闻文本与新闻网站中每个新闻文本类型的关联度，其中，所述新闻网站中每个新闻文本类型的新闻文本的比例为新闻网站中每个新闻文本类型的新闻文本数除以新闻网站中所有新闻文本数；步骤S150，选取所述关联度最高的新闻文本类型作为所述待分类的新闻文本的新闻文本类型。
存储单元420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)4201和/或高速缓存存储单元4202，还可以进一步包括只读存储单元(ROM)4203。
存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204，这样的程序模块4205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备400也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备400交互的设备通信，和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口440进行。并且，电子设备400还可以通过网络适配器460与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器460通过总线430与电子设备400的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示，图6是本发明一示例性实施例示出的一种用于实现上述新闻文本的分类方法的计算机可读存储介质。图6描述了根据本发明的实施方式的用于实现上述方法的程序产品500，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在电子设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
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、有线、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的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (10)

1.一种新闻文本的分类方法，其特征在于，包括：
获取待分类的新闻文本的统一资源定位符；
对所述统一资源定位符中的网站名进行切分处理得到第一切分词，以及对所述统一资源定位符中的文件名、路径进行切分处理得到第二切分词；
基于所述第一切分词、所述第二切分词，以及切分词和比例矩阵的对应关系，确定得到所述第一切分词相应的第一比例矩阵和所述第二切分词相应的第二比例矩阵，其中，所述切分词和比例矩阵的对应关系为新闻网站内统一资源定位符中包含切分词的每个新闻文本类型的新闻文本数除以新闻网站内统一资源定位符中包含切分词的所有新闻文本数；
基于所述第一切分词相应的第一比例矩阵、所述第二切分词相应的第二比例矩阵，以及新闻网站中每个新闻文本类型的新闻文本的比例，确定所述待分类的新闻文本与新闻网站中每个新闻文本类型的关联度，其中，所述新闻网站中每个新闻文本类型的新闻文本的比例为新闻网站中每个新闻文本类型的新闻文本数除以新闻网站中所有新闻文本数；
选取所述关联度最高的新闻文本类型作为所述待分类的新闻文本的新闻文本类型。
2.根据权利要求1所述的新闻文本的分类方法，其特征在于，所述基于所述第一切分词相应的第一比例矩阵、所述第二切分词相应的第二比例矩阵，以及新闻网站中每个新闻文本类型的新闻文本的比例，确定所述待分类的新闻文本与新闻网站中每个新闻文本类型的关联度，包括：
基于以下公式确定所述待分类的新闻文本与新闻网站中每个新闻文本类型的关联度：
其中，Ci为第i个新闻文本类型，P(Ci)为新闻网站中每个新闻文本类型的新闻文本的比例，yhr为所述第一切分词中第r个切分词，yus为所述第二切分词中第s个切分词，P(yhr│Ci)为所述第一切分词相应的第一比例矩阵，P(yus│Ci)为所述第二切分词相应的第二比例矩阵，P(Ci│Y)为所述待分类的新闻文本与新闻网站中每个新闻文本类型的关联度。
3.根据权利要求1所述的新闻文本的分类方法，其特征在于，在对所述统一资源定位符中的网站名进行切分处理得到第一切分词，以及对所述统一资源定位符中的文件名、路径进行切分处理得到第二切分词之前，包括：
删除所述统一资源定位符中的网络协议标识以及端口号。
4.根据权利要求3所述的新闻文本的分类方法，其特征在于，在删除所述统一资源定位符中的网络协议标识以及端口号之前，包括：
检测所述统一资源定位符是否符合标准网址格式；
所述删除所述统一资源定位符中的网络协议标识以及端口号，包括：
若检测到所述统一资源定位符符合标准网址格式，则删除所述统一资源定位符中的网络协议标识以及端口号。
5.根据权利要求1所述的新闻文本的分类方法，其特征在于，所述对所述统一资源定位符中的网站名进行切分处理得到第一切分词，以及对所述统一资源定位符中的文件名、路径进行切分处理得到第二切分词，包括：
确定所述统一资源定位符中处于网站名位置的字符，以及所述统一资源定位符中处于文件名位置、路径位置的字符；
基于预设的第一分隔符对所述统一资源定位符中处于网站名位置的字符进行切分处理得到所述第一切分词，以及基于预设的第二分隔符对所述统一资源定位符中处于文件名位置、路径位置的字符进行切分处理得到所述第二切分词。
6.一种新闻文本的分类装置，其特征在于，包括：
获取单元，用于获取待分类的新闻文本的统一资源定位符；
切分单元，用于对所述统一资源定位符中的网站名进行切分处理得到第一切分词，以及对所述统一资源定位符中的文件名、路径进行切分处理得到第二切分词；
第一执行单元，用于基于所述第一切分词、所述第二切分词，以及切分词和比例矩阵的对应关系，确定得到所述第一切分词相应的第一比例矩阵和所述第二切分词相应的第二比例矩阵，其中，所述切分词和比例矩阵的对应关系为新闻网站内统一资源定位符中包含切分词的每个新闻文本类型的新闻文本数除以新闻网站内统一资源定位符中包含切分词的所有新闻文本数；
第二执行单元，用于基于所述第一切分词相应的第一比例矩阵、所述第二切分词相应的第二比例矩阵，以及新闻网站中每个新闻文本类型的新闻文本的比例，确定所述待分类的新闻文本与新闻网站中每个新闻文本类型的关联度，其中，所述新闻网站中每个新闻文本类型的新闻文本的比例为新闻网站中每个新闻文本类型的新闻文本数除以新闻网站中所有新闻文本数；
分类单元，用于选取所述关联度最高的新闻文本类型作为所述待分类的新闻文本的新闻文本类型。
7.根据权利要求6所述的新闻文本的分类装置，其特征在于，所述第二执行单元用于基于以下公式确定所述待分类的新闻文本与新闻网站中每个新闻文本类型的关联度：
其中，Ci为第i个新闻文本类型，P(Ci)为新闻网站中每个新闻文本类型的新闻文本的比例，yhr为所述第一切分词中第r个切分词，yus为所述第二切分词中第s个切分词，P(yhr│Ci)为所述第一切分词相应的第一比例矩阵，P(yus│Ci)为所述第二切分词相应的第二比例矩阵，P(Ci│Y)为所述待分类的新闻文本与新闻网站中每个新闻文本类型的关联度。
8.根据权利要求6所述的新闻文本的分类装置，其特征在于，所述装置还包括：
删除单元，用于删除所述统一资源定位符中的网络协议标识以及端口号。
9.一种电子设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述的方法。
10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至5中任一项所述的方法。
CN201910877094.3A 2019-09-17 2019-09-17 新闻文本的分类方法、装置、电子设备和存储介质 Active CN110704617B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910877094.3A CN110704617B (zh) 2019-09-17 2019-09-17 新闻文本的分类方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910877094.3A CN110704617B (zh) 2019-09-17 2019-09-17 新闻文本的分类方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN110704617A CN110704617A (zh) 2020-01-17
CN110704617B true CN110704617B (zh) 2023-10-03

Family

ID=69194936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910877094.3A Active CN110704617B (zh) 2019-09-17 2019-09-17 新闻文本的分类方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN110704617B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723378B (zh) * 2020-06-17 2023-03-10 浙江网新恒天软件有限公司 一种基于网站地图的网站目录爆破方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108170773A (zh) * 2017-12-26 2018-06-15 百度在线网络技术（北京）有限公司 新闻事件挖掘方法、装置、计算机设备和存储介质
CN108334628A (zh) * 2018-02-23 2018-07-27 北京东润环能科技股份有限公司 一种新闻事件聚类的方法、装置、设备和储存介质
CN108829889A (zh) * 2018-06-29 2018-11-16 国信优易数据有限公司 一种新闻文本分类方法以及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10452727B2 (en) * 2011-09-26 2019-10-22 Oath Inc. Method and system for dynamically providing contextually relevant news based on an article displayed on a web page

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108170773A (zh) * 2017-12-26 2018-06-15 百度在线网络技术（北京）有限公司 新闻事件挖掘方法、装置、计算机设备和存储介质
CN108334628A (zh) * 2018-02-23 2018-07-27 北京东润环能科技股份有限公司 一种新闻事件聚类的方法、装置、设备和储存介质
CN108829889A (zh) * 2018-06-29 2018-11-16 国信优易数据有限公司 一种新闻文本分类方法以及装置

Also Published As

Publication number Publication date
CN110704617A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
US10777192B2 (en) Method and apparatus of recognizing field of semantic parsing information, device and readable medium
CN109657054B (zh) 摘要生成方法、装置、服务器及存储介质
CN107992596B (zh) 一种文本聚类方法、装置、服务器和存储介质
WO2014101783A1 (en) Method and server for performing cloud detection for malicious information
US20160085740A1 (en) Generating training data for disambiguation
CN111079408B (zh) 一种语种识别方法、装置、设备及存储介质
CN107153716B (zh) 网页内容提取方法和装置
US20160188569A1 (en) Generating a Table of Contents for Unformatted Text
CN113141360B (zh) 网络恶意攻击的检测方法和装置
CN105426759A (zh) Url的合法性识别方法及装置
CN111314388B (zh) 用于检测sql注入的方法和装置
CN104023046B (zh) 移动终端识别方法和装置
US11423219B2 (en) Generation and population of new application document utilizing historical application documents
CN112905753A (zh) 一种判别文本信息的方法和装置
CN110704617B (zh) 新闻文本的分类方法、装置、电子设备和存储介质
US20130230248A1 (en) Ensuring validity of the bookmark reference in a collaborative bookmarking system
CN111460224A (zh) 评论数据的质量标注方法、装置、设备及存储介质
CN114880520B (zh) 视频标题生成方法、装置、电子设备和介质
CN113806667B (zh) 一种支持网页分类的方法和系统
CN110276001B (zh) 盘点页识别方法、装置、计算设备和介质
CN111770168B (zh) 网页的重定向防护方法、装置及电子设备
CN113434695A (zh) 金融事件抽取方法、装置、电子设备及存储介质
CN113807056A (zh) 一种文档名称序号纠错方法、装置和设备
CN111753548A (zh) 信息获取方法及装置、计算机存储介质、电子设备
CN113722642B (zh) 网页页面的转换方法、装置、电子设备以及存储介质

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