CN110837560A - 标签挖掘方法、装置、设备、存储介质 - Google Patents

Abstract

本公开提供了一种标签挖掘方法、装置、设备、存储介质。标签挖掘方法，包括：生成文本的语料类别的第一嵌入向量表示；生成所述文本的内容信息的第二嵌入向量表示；将所述第一嵌入向量表示和所述第二嵌入向量表示进行拼接并传入深度神经网络模型，以产生第三嵌入向量表示；通过片段切割将所述第三嵌入向量表示切割成多个子片段；对所述多个子片段进行多分类处理，挖掘所述文本的标签类别。本公开可以实现将多种语料的文本仅需一个模型实现将标签的单类别判断挖掘改进为多类别判断挖掘，提高了标签的准确度低和标签数量，提升了用户的使用体验。

Description

标签挖掘方法、装置、设备、存储介质

技术领域

本公开涉及计算机软件技术领域，尤其涉及一种标签挖掘方法、装置、设备、存储介质。

背景技术

文本信息中常包含某些具有特定含义的实体，例如商品、人名、地点等。标签挖掘是从文本信息提取该类实体的方法之一。准确、有效地进行标签挖掘，在文本意图理解、推荐系统等多个领域具有重要的作用。常用的标签挖掘方法包括：(1)基于辞典的方法；(2)基于规则的方法；(3)基于机器学习的命名实体抽取模型等。

基于机器学习的命名实体抽取模型是目前主流的标签挖掘方法，该类方法一般使用序列标注的方法，判断文本中哪部分信息是关键实体，并对关键实体的类别作出判断。

目前主要存在如下问题：(1)标签挖掘的候选语料一般是单一语料，不同语料需要分别学习不同的模型；(2)命名实体的判别一般是单类别标签识别；准确度低并且标签数量少。

发明内容

本公开正是为了解决上述课题而完成，其目的在于提供一种简单高效的，可实现多语料、多类别的标签挖掘方法、装置、设备、存储介质。本公开提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

为了解决上述技术问题，本公开实施例提供一种标签挖掘方法，采用了如下所述的技术方案：

生成文本的语料类别的第一嵌入向量表示；

生成所述文本的内容信息的第二嵌入向量表示；

将所述第一嵌入向量表示和所述第二嵌入向量表示进行拼接并传入深度神经网络模型，以产生第三嵌入向量表示；

通过片段切割将所述第三嵌入向量表示切割成多个子片段；

对所述多个子片段进行多分类处理，挖掘所述文本的标签类别。

为了解决上述技术问题，本公开实施例还提供一种标签挖掘装置，采用了如下所述的技术方案，包括：

向量表示生成模块，生成文本的语料类别的第一嵌入向量表示和所述文本的内容信息的第二嵌入向量表示；

向量表示拼接模块，将所述第一嵌入向量表示和所述第二嵌入向量表示进行拼接并传入深度神经网络模型，以产生第三嵌入向量表示；

向量表示切割模块，通过片段切割将所述第三嵌入向量表示切割成多个子片段；

标签类别挖掘模块，对所述多个子片段进行多分类处理，挖掘所述文本的标签类别。

为了解决上述技术问题，本公开实施例还提供一种计算机设备，采用了如下所述的技术方案：

包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如前述所述的方法。

为了解决上述技术问题，本公开实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述所述的方法。

根据本公开所公开的技术方案，与现有技术相比，本公开可以实现将多种语料的文本仅需一个模型实现将标签的单类别判断挖掘改进为多类别判断挖掘，提高了标签的准确度低和标签数量。

附图说明

图1是本公开可以应用于其中的示例性系统架构图；

图2是根据本公开的标签挖掘方法的一个实施例的流程图；

图3是根据本公开的标签挖掘方法的一个实施例的示意图；

图4是根据本公开的标签挖掘装置的一个实施例的示意图；

图5是根据本公开的计算机设备的一个实施例的结构示意图。

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本公开；本公开的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本公开的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本公开的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本公开方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

[系统结构]

首先，说明本公开的一个实施例的系统的结构。如图1所示，系统结构100可以包括终端设备101、102、103、104，网络105和服务器106。网络105用以在终端设备101、102、103、104和服务器106之间提供通信链路的介质。

在本实施例中，标签挖掘方法运行于其上的电子设备(例如图1所示的终端设备101、102、103或104)可以通过网络105进行各种信息的传输。网络105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。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、Wi-Fi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB连接、以及其他现在已知或将来开发的无线连接方式。

用户可以使用终端设备101、102、103、104通过网络105与服务器106交互，以接收或发送消息等。终端设备101、102、103或104上可以安装有各种客户端应用，例如视频直播与播放类应用、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或104可以是具有触摸显示屏和/或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(动态影像专家压缩标准音频层面3)、MP4(动态影像专家压缩标准音频层面4)播放器、头戴式显示设备、膝上型便携计算机和台式计算机等等。

服务器106可以是提供各种服务的服务器，例如对终端设备101、102、103或104上显示的页面提供支持的后台服务器。

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。

这里，终端设备可以独立或通过与其他电子终端设备配合运行安卓系统中的应用实现本公开的实施例方法，也可以运行其他操作系统中的应用例如iOS系统、Windows系统、鸿蒙系统等的应用实现本公开的实施例方法。

[标签挖掘方法]

参考图2，示出了根据本公开的标签挖掘方法的一个实施例的流程图。所述标签挖掘方法，包括以下步骤：

S21，生成文本的语料类别的第一嵌入向量表示；

这里，语料类别是指各种文本的语料由于存在表述等多方面的差异而存在不同的类别，比如美妆类别的广告文本和游戏类别的广告文本在表述、常用词等多方面有明显的差异。

这里，在实际应用中，本实施例中的第一嵌入向量表示是指语料类别嵌入向量表示，用以在后面进入神经网络模型前确定当前文本的语料属于何种类别的嵌入向量。这里，嵌入向量例如是一种标识信息。

这里，在生成第一嵌入向量表示前还需要获得文本的语料类别和内容信息。

S22，生成文本的内容信息的第二嵌入向量表示；

这里，文本中的每个字或词作为文本的内容信息同样具有该文本的内容信息嵌入向量表示，例如句子嵌入向量表示、词语嵌入向量表示、字嵌入向量表示等，用以在后面进入神经网络模型前确定当前文本的字或词的嵌入向量。

S23，将第一嵌入向量表示和第二嵌入向量表示进行拼接并传入深度神经网络模型，以产生第三嵌入向量表示；即，将语料类别嵌入向量表示和内容信息嵌入向量表示进行拼接，并传入深度神经网络模型中，以产生待处理的第三嵌入向量表示。这里，拼接方法可以为横向维度拼接，例如文本的语料类别的第一嵌入向量和文本的内容信息的第二嵌入向量在横向维度拼接为第三嵌入向量表示。

这里，深度神经网络模型至少包括循环神经网络(RNN，Recurrent NeuralNetwork)模型、来自Transformer的双向编码器表示(BERT，Bidirectional EncoderRepresentations from Transformers)模型之一。

这里，在产生第三嵌入向量表示时，使用反向传播算法。这里，反向传播算法(即BP算法)是适合于多层神经网络模型的一种学习算法，它建立在梯度下降法的基础上。

S24，通过片段切割将第三嵌入向量表示切割成多个子片段；这里，例如通过支持向量机(Support Vector Machine,SVM)先根据语法结构将句子嵌入向量表示切割为多个片段；这里，可以将句子嵌入向量表示直接切割为词语嵌入向量表示、字嵌入向量表示等；也可以先将句子嵌入向量表示切割为多个短语片段，然后根据各个短语片段将句子切割为多个词语嵌入向量表示，最后根据各个词语嵌入向量表示切割为多个字嵌入向量表示。

这里，通过分类阈值实现片段切割，其中，对于某一句话而言，相邻的每两个字之间对应有分类阈值得分，以判断是否在该相邻的两个字之间进行切分，这里，例如分类阈值得分设定为0.5，则相邻的每两个字之间如果分类阈值得分超过0.5，则进行切分，当然分类阈值也可以根据需要设定为其他数值，并不做限定。

S25，对多个子片段进行多分类处理，挖掘文本的标签类别。

这里，对句子嵌入向量表示直接切割的词语嵌入向量表示或字嵌入向量表示等进行分类并分别挖掘文本对于的标签类别；也可以先对句子嵌入向量表示切割为的多个短语片段进行多分类处理，然后根据各个短语片段将句子切割为的多个词语嵌入向量表示进行多分类处理，最后根据各个词语嵌入向量表示切割为的多个字嵌入向量表示进行多分类处理。这里，多分类处理是指对当前文本确定的标签进行多种类别的判断，以实现通过对不同子片段的处理挖掘尽可能多的标签类别。

这里，通过分类阈值的判断来实现对多个子片段进行多分类处理。

当按照分类阈值切割完成后，则分类判断出无价值标签、商品营销语标签、商品名称标签等多类别标签。

这里，片段切割和多分类处理共享深度神经网络模型的底层参数。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

[实施例方法]

下面说明本公开的一个实施例的方法，参考图3，示出了根据本公开的标签挖掘方法的一个实施例的示意图，包括以下步骤：

S31，获得文本的内容信息，例如文本信息的内容为“一件舒适的衬衫”。

S32，获得文本的语料类别。

这里，语料类别是指“一件舒适的衬衫”的适用的范围，例如本句话的语料类别为服饰类别。

S33，生成文本的内容信息的第二嵌入向量表示。

这里，文本中的每个字或词作为文本的内容信息同样具有该文本的内容信息嵌入向量表示，例如句子嵌入向量表示、词语嵌入向量表示、字嵌入向量表示等，用以在后面进入神经网络模型前确定当前文本的字或词的嵌入向量。

这里，例如“一件舒适的衬衫”的文本的内容信息的第二嵌入向量表示为[0.4,0.5,0,6]。

S34，生成文本的语料类别的第一嵌入向量表示。

这里，在实际应用中，本实施例中的第一嵌入向量表示是指语料类别嵌入向量表示，用以在后面进入神经网络模型前确定当前文本的语料属于何种类别的嵌入向量。

这里，例如“一件舒适的衬衫”的文本的语料类别的第一嵌入向量表示为[0.1,0.2,0.3]。

S35，将第一嵌入向量表示和第二嵌入向量表示进行拼接并传入深度神经网络模型，以产生第三嵌入向量表示。

这里，拼接方法可以为横向维度拼接，例如“一件舒适的衬衫”的文本的语料类别的第一嵌入向量表示为[0.1,0.2,0.3]，文本的内容信息的第二嵌入向量表示为[0.4,0.5,0,6]，将[0.1,0.2,0.3]和[0.4,0.5,0,6]在横向维度拼接为第三嵌入向量表示[0.1,0.2,0.3,0.4,0.5,0.6]。

深度神经网络模型至少包括循环神经网络(RNN，Recurrent Neural Network)模型、来自Transformer的双向编码器表示(BERT，Bidirectional Encoder Representationsfrom Transformers)模型之一。

这里，在产生第三嵌入向量表示时，使用反向传播算法。这里，反向传播算法(即BP算法)是适合于多层神经网络模型的一种学习算法，它建立在梯度下降法的基础上。

S36，通过片段切割将第三嵌入向量表示切割成多个子片段。

这里，例如通过支持向量机(Support Vector Machine,SVM)先根据语法结构将句子嵌入向量表示切割为多个片段；这里，可以将句子嵌入向量表示直接切割为词语嵌入向量表示、字嵌入向量表示等；也可以先将句子嵌入向量表示切割为多个短语片段，然后根据各个短语片段将句子切割为多个词语嵌入向量表示，最后根据各个词语嵌入向量表示切割为多个字嵌入向量表示。

这里，通过分类阈值实现片段切割，其中，对于“一件舒适的衬衫”而言，相邻的每两个字一和件、件和舒……衬和衫之间均对应有分类阈值得分，以判断是否在该相邻的两个字之间进行切分，这里，例如分类阈值得分设定为0.5，则相邻的每两个字之间如果分类阈值得分超过0.5，则进行切分，例如根据0.5的分类阈值将“一件舒适的衬衫”切割为“一件|舒适|的|衬衫”，其中，“|”处的分类阈值大于0.5，当然分类阈值也可以根据需要设定为其他数值，并不做限定。

S37，对多个子片段进行多分类处理，挖掘文本的标签类别。

这里，对句子嵌入向量表示直接切割的词语嵌入向量表示或字嵌入向量表示等进行分类并分别挖掘文本对于的标签类别；也可以先对句子嵌入向量表示切割为的多个短语片段进行多分类处理，然后根据各个短语片段将句子切割为的多个词语嵌入向量表示进行多分类处理，最后根据各个词语嵌入向量表示切割为的多个字嵌入向量表示进行多分类处理。这里，多分类处理是指对当前文本确定的标签进行多种类别的判断，以实现通过对不同子片段的处理挖掘尽可能多的标签类别。

对多个子片段进行多分类处理，通过分类阈值的判断来实现。

当按照分类阈值切割完成形成“一件|舒适|的|衬衫”，则分类判断出无价值标签、商品营销语标签、商品名称标签等多类别标签，这里，多分类的结果是“一件”、“的”判断为无价值标签，“舒适”判断为商品营销语标签、“衬衫”判断为商品名称标签。

片段切割和多分类处理共享所述深度神经网络模型的底层参数。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(ROM)等非易失性存储介质，或随机存储记忆体(RAM)等。

[标签挖掘装置]

如图4所示，为了实现本公开实施例中的技术方案，本公开提供了一种标签挖掘装置，该装置具体可以应用于各种电子终端设备中。

本实施例所述的标签挖掘装置包括：向量表示生成模块401、向量表示拼接模块402、向量表示切割模块403、标签类别挖掘模块404、阈值判断模块405。

向量表示生成模块401，生成文本的语料类别的第一嵌入向量表示和所述文本的内容信息的第二嵌入向量表示；这里，语料类别是指各种文本的语料由于存在表述等多方面的差异而存在不同的类别，比如美妆类别的广告文本和游戏类别的广告文本在表述、常用词等多方面有明显的差异。

这里，在实际应用中，本实施例中的第一嵌入向量表示是指语料类别嵌入向量表示，用以在后面进入神经网络模型前确定当前文本的语料属于何种类别的嵌入向量。这里，嵌入向量例如是一种标识信息。

这里，文本中的每个字或词作为文本的内容信息同样具有该文本的内容信息嵌入向量表示，例如句子嵌入向量表示、词语嵌入向量表示、字嵌入向量表示等，用以在后面进入神经网络模型前确定当前文本的字或词的嵌入向量。

向量表示拼接模块402，将所述第一嵌入向量表示和所述第二嵌入向量表示进行拼接并传入深度神经网络模型，以产生第三嵌入向量表示；即，将语料类别嵌入向量表示和内容信息嵌入向量表示进行拼接，并传入深度神经网络模型中，以产生待处理的第三嵌入向量表示。这里，拼接方法可以为横向维度拼接，例如文本的语料类别的第一嵌入向量和文本的内容信息的第二嵌入向量在横向维度拼接为第三嵌入向量表示。

这里，深度神经网络模型至少包括循环神经网络(RNN，Recurrent NeuralNetwork)模型、来自Transformer的双向编码器表示(BERT，Bidirectional EncoderRepresentations from Transformers)模型之一。

这里，在产生第三嵌入向量表示时，使用反向传播算法。这里，反向传播算法(即BP算法)是适合于多层神经网络模型的一种学习算法，它建立在梯度下降法的基础上。

向量表示切割模块403，通过片段切割将所述第三嵌入向量表示切割成多个子片段；

这里，例如通过支持向量机(Support Vector Machine,SVM)先根据语法结构将句子嵌入向量表示切割为多个片段；这里，可以将句子嵌入向量表示直接切割为词语嵌入向量表示、字嵌入向量表示等；也可以先将句子嵌入向量表示切割为多个短语片段，然后根据各个短语片段将句子切割为多个词语嵌入向量表示，最后根据各个词语嵌入向量表示切割为多个字嵌入向量表示。

标签类别挖掘模块404，对所述多个子片段进行多分类处理，挖掘所述文本的标签类别。

这里，对句子嵌入向量表示直接切割的词语嵌入向量表示或字嵌入向量表示等进行分类并分别挖掘文本对于的标签类别；也可以先对句子嵌入向量表示切割为的多个短语片段进行多分类处理，然后根据各个短语片段将句子切割为的多个词语嵌入向量表示进行多分类处理，最后根据各个词语嵌入向量表示切割为的多个字嵌入向量表示进行多分类处理。这里，多分类处理是指对当前文本确定的标签进行多种类别的判断，以实现通过对不同子片段的处理挖掘尽可能多的标签类别。

阈值判断模块405，通过分类阈值的判断来实现对所述多个子片段进行多分类处理。这里，通过分类阈值实现片段切割，其中，对于某一句话而言，相邻的每两个字之间对应有分类阈值得分，以判断是否在该相邻的两个字之间进行切分，这里，例如分类阈值得分设定为0.5，则相邻的每两个字之间如果分类阈值得分超过0.5，则进行切分，当然分类阈值也可以根据需要设定为其他数值，并不做限定。

当按照分类阈值切割完成后，则分类判断出无价值标签、商品营销语标签、商品名称标签等多类别标签。

应该理解的是，虽然附图的框图中的每个方框可以代表一个模块，该模块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，但是这些模块并不是必然按照顺序依次执行。本公开中装置实施例中的各模块及功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上的模块或功能单元集成在一个模块中。上述集成的各个模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器，磁盘或光盘等。

[标签挖掘设备]

为解决上述技术问题，本公开实施例还提供一种电子设备。下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端设备或服务器)500的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开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500可以包括处理装置(例如中央处理器、图形处理器等)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装置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RAM503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM502以及RAM503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。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

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，其包括承载在非暂态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装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开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。在本公开中，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。而在本公开中，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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述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：生成文本的语料类别的第一嵌入向量表示；生成文本的内容信息的第二嵌入向量表示；将第一嵌入向量表示和第二嵌入向量表示进行拼接并传入深度神经网络模型，以产生第三嵌入向量表示；通过片段切割将第三嵌入向量表示切割成多个子片段；对多个子片段进行多分类处理，挖掘文本的标签类别。

或者，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：生成文本的语料类别的第一嵌入向量表示；生成文本的内容信息的第二嵌入向量表示；将第一嵌入向量表示和第二嵌入向量表示进行拼接并传入深度神经网络模型，以产生第三嵌入向量表示；通过片段切割将第三嵌入向量表示切割成多个子片段；对多个子片段进行多分类处理，挖掘文本的标签类别。

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公开的操作的计算机程序代码，上述程序设计语言包括但不限于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，图示了按照本公开各种实施例的系统、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。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，向量表示生成模块还可以被描述为“生成文本的语料类别的第一嵌入向量表示和所述文本的内容信息的第二嵌入向量表示的模块”。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，提供了一种标签挖掘方法，所述方法包括：

生成文本的语料类别的第一嵌入向量表示；

生成所述文本的内容信息的第二嵌入向量表示；

将所述第一嵌入向量表示和所述第二嵌入向量表示进行拼接并传入深度神经网络模型，以产生第三嵌入向量表示；

通过片段切割将所述第三嵌入向量表示切割成多个子片段；

对所述多个子片段进行多分类处理，挖掘所述文本的标签类别。

根据本公开的一个或多个实施例，提供了一种标签挖掘方法，其中，对所述多个子片段进行多分类处理，通过分类阈值的判断来实现。

根据本公开的一个或多个实施例，提供了一种标签挖掘方法，其中，所述深度神经网络模型至少包括循环神经网络(RNN，Recurrent Neural Network)模型、来自Transformer的双向编码器表示(BERT，Bidirectional Encoder Representations fromTransformers)模型之一。

根据本公开的一个或多个实施例，提供了一种标签挖掘方法，其中，在所述产生第三嵌入向量表示时，使用反向传播算法。

根据本公开的一个或多个实施例，提供了一种标签挖掘方法，还包括，获得所述文本的语料类别和内容信息。

根据本公开的一个或多个实施例，提供了一种标签挖掘方法，其中，所述片段切割和所述多分类处理共享所述深度神经网络模型的底层参数。

根据本公开的一个或多个实施例，提供了一种标签挖掘装置，包括：

向量表示生成模块，生成文本的语料类别的第一嵌入向量表示和所述文本的内容信息的第二嵌入向量表示；

向量表示拼接模块，将所述第一嵌入向量表示和所述第二嵌入向量表示进行拼接并传入深度神经网络模型，以产生第三嵌入向量表示；

向量表示切割模块，通过片段切割将所述第三嵌入向量表示切割成多个子片段；

标签类别挖掘模块，对所述多个子片段进行多分类处理，挖掘所述文本的标签类别。

根据本公开的一个或多个实施例，提供了一种标签挖掘装置，还包括，阈值判断模块，通过分类阈值的判断来实现对所述多个子片段进行多分类处理。

根据本公开的一个或多个实施例，提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述的方法。

根据本公开的一个或多个实施例，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的方法。

以上描述仅为本公开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，本公开中所涉及的公开范围，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公开构思的情况下，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。例如上述特征与本公开中公开的(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。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种标签挖掘方法，其特征在于，包括：

生成文本的语料类别的第一嵌入向量表示；

生成所述文本的内容信息的第二嵌入向量表示；

将所述第一嵌入向量表示和所述第二嵌入向量表示进行拼接并传入深度神经网络模型，以产生第三嵌入向量表示；

通过片段切割将所述第三嵌入向量表示切割成多个子片段；

对所述多个子片段进行多分类处理，挖掘所述文本的标签类别。

2.如权利要求1所述的标签挖掘方法，其特征在于，

对所述多个子片段进行多分类处理，通过分类阈值的判断来实现。

3.如权利要求1所述的标签挖掘方法，其特征在于，

所述深度神经网络模型至少包括循环神经网络(RNN，Recurrent Neural Network)模型、来自Transformer的双向编码器表示(BERT，Bidirectional Encoder Representationsfrom Transformers)模型之一。

4.如权利要求1所述的标签挖掘方法，其特征在于，

在所述产生第三嵌入向量表示时，使用反向传播算法。

5.如权利要求1所述的标签挖掘方法，其特征在于，还包括，

获得所述文本的语料类别和内容信息。

6.如权利要求1所述的标签挖掘方法，其特征在于，

所述片段切割和所述多分类处理共享所述深度神经网络模型的底层参数。

7.一种标签挖掘装置，其特征在于，包括：

向量表示生成模块，生成文本的语料类别的第一嵌入向量表示和所述文本的内容信息的第二嵌入向量表示；

向量表示拼接模块，将所述第一嵌入向量表示和所述第二嵌入向量表示进行拼接并传入深度神经网络模型，以产生第三嵌入向量表示；

向量表示切割模块，通过片段切割将所述第三嵌入向量表示切割成多个子片段；

标签类别挖掘模块，对所述多个子片段进行多分类处理，挖掘所述文本的标签类别。

8.根据权利要求7所述的标签挖掘装置，其特征在于，还包括，

阈值判断模块，通过分类阈值的判断来实现对所述多个子片段进行多分类处理。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。

Images