CN110895655A - 提取文本核心短语的方法和装置 - Google Patents

Abstract

本发明公开了一种提取文本核心短语的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：将文本分成若干个第一片段，并按照所述文本的顺序将第一片段组合成至少一个短语；针对每个短语，确定其在所有短语中的出现频率；将出现频率超过定位阈值且满足词性要求的短语，作为所述文本的核心短语。该实施方式能够解决现有技术在识别和提取过程中需要大量的标注的问题，从而避免因标注的质量不高而导致最终提取结果不准确的情况，本发明实施例提取核心短语的方法覆盖率更高，提取出来的核心短语能更有效准确地表达句子的核心信息。

Description

提取文本核心短语的方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种提取文本核心短语的方法和装置。

背景技术

现有的提取核心短语方法有两种：一种是使用CRF(conditional random fieldalgorithm，条件随机场算法)的方法，即基于条件随机场实现文本中的核心信息识别；另一种是文本生成的方法，即采用seq2seq(Sequence to Sequence)模型实现生成一句文本中的核心短语。这两种方法对于识别文本中的核心短语都有着显著的效果和广泛的应用。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

在识别和提取过程中需要大量的标注，并且标注的质量直接决定了最终的结果和效果。

发明内容

有鉴于此，本发明实施例提供一种提取文本核心短语的方法和装置，能够解决现有技术在识别和提取过程中需要大量的标注的问题，从而避免因标注的质量不高而导致最终提取结果不准确的情况。

为实现上述目的，根据本发明实施例的一个方面，提供了一种提取文本核心短语的方法，包括：将文本分成若干个第一片段，并按照所述文本的顺序将第一片段组合成至少一个短语；针对每个短语，确定其在所有短语中的出现频率；将出现频率超过定位阈值且满足词性要求的短语，作为所述文本的核心短语。

可选地，针对每个短语，确定其在所有短语中的出现频率之后，还包括：从所有短语的出现频率中，确定最高出现频率和最低出现频率；基于所述最高出现频率的权值和所述最低出现频率的权值，对所述最高出现频率和最低出现频率进行加权求和，得到所述文本的定位阈值。

可选地，将出现频率超过所述定位阈值且满足词性要求的短语，作为所述文本的核心短语，包括：筛选出现频率超过所述定位阈值的短语，将其作为合格短语；对所述合格短语进行切词处理，得到若干个第二片段；针对每个合格短语，按照所述文本的顺序将第二片段进行两两组合，得到至少一组片段组合；若至少一组所述片段组合满足词性要求，则将所述合格短语为所述文本的核心短语。

可选地，所述词性要求包括片段组合中的两个第二片段的词性满足以下情况之一：形容词+名词、名词+形容词、名词+副词、形容词+形容词。

可选地，所述短语的长度范围为[3,8]。

可选地，所述将文本分成若干个第一片段，包括：采用基于深度学习的开源分词工具或结巴框架，对文本进行切词处理，得到若干个第一片段。

根据本发明实施例的另一个方面，提供了一种提取文本核心短语的装置，包括：文本分词模块，用于：将文本分成若干个第一片段，并按照所述文本的顺序将第一片段组合成至少一个短语；确定频率模块，用于：针对每个短语，确定其在所有短语中的出现频率；提取模块，用于：将出现频率超过所述定位阈值且满足词性要求的短语，作为所述文本的核心短语。

可选地，所述装置还包括确定阈值模块，用于：从所有短语的出现频率中，确定最高出现频率和最低出现频率；基于所述最高出现频率的权值和最低出现频率的权值，对所述最高出现频率和最低出现频率进行加权求和，得到所述文本的定位阈值。

可选地，所述提取模块还用于：筛选出现频率超过所述定位阈值的短语，将其作为合格短语；对所述合格短语进行切词处理，得到若干个第二片段；针对每个合格短语，按照所述文本的顺序将第二片段进行两两组合，得到至少一组片段组合；若至少一组所述片段组合满足词性要求，则将所述合格短语为所述文本的核心短语。

可选地，所述提取模块还用于：设置所述词性要求包括片段组合中的两个第二片段的词性满足以下情况之一：形容词+名词、名词+形容词、名词+副词、形容词+形容词。

可选地，所述文本分词模块，用于：设置短语的长度范围为[3,8]。

可选地，所述文本分词模块还用于：采用基于深度学习的开源分词工具或结巴框架，对文本进行切词处理，得到若干个第一片段。

根据本发明实施例的另一个方面，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本发明实施例提出的提取文本核心短语的方法。

根据本发明实施例的另一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如本发明实施例提出的提取文本核心短语的方法。

上述发明中的一个实施例具有如下优点或有益效果：根据短语的出现频率筛选出合格的短语，再通过词性的识别从合格的短语中找出符合词性要求的短语，最终完成核心短语的提取；能够解决现有技术在识别和提取过程中需要大量的标注的问题，从而避免因标注的质量不高而导致最终提取结果不准确的情况，本发明实施例提取核心短语的方法覆盖率更高，提取出来的核心短语能更有效准确地表达句子的核心信息。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的提取文本核心短语的方法的基本流程的示意图；

图2是根据本发明实施例的整体技术框架示意图；

图3是根据本发明实施例的切词的基本原理示意图；

图4是根据本发明实施例的提取文本核心短语的装置的基本模块的示意图；

图5是本发明实施例可以应用于其中的示例性系统架构图；

图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本发明实施例的提取文本核心短语的方法的基本流程的示意图。如图1所示，本发明实施例提供了一种提取文本核心短语的方法，包括：

步骤S101.将文本分成若干个第一片段，并按照所述文本的顺序将第一片段组合成至少一个短语；

步骤S102.针对每个短语，确定其在所有短语中的出现频率；

步骤S103.将出现频率超过定位阈值且满足词性要求的短语，作为所述文本的核心短语。

其中，所述短语的长度在预设长度范围内，预设长度的最大值小于文本的长度。可优选所述短语的长度范围为[3,8]，一个汉字的长度为1。定位阈值是关于短语出现频率的阈值，可以预先设置。词性要求是指短语中的第一片段需要符合预先设定的词性。例如，文本为“我爱北京”，则可以分成三个第一片段，分别是：“我”、“爱”、“北京”；这三个第一片段按照文本的顺序可以组成的短语包括：“我爱”、“爱北京”等。本发明实施例根据短语的出现频率筛选出合格的短语，再通过词性的识别从合格的短语中找出符合词性要求的短语，最终完成核心短语的提取；能够解决现有技术在识别和提取过程中需要大量的标注的问题，从而避免因标注的质量不高而导致最终提取结果不准确的情况，覆盖率更高，提取出来的核心短语能更有效准确地表达句子的核心信息。

本发明实施例中，根据短语出现频率，得到所述文本的定位阈值，包括：从所有短语的出现频率中，确定最高出现频率和最低出现频率；基于所述最高出现频率的权值和所述最低出现频率的权值；对所述最高出现频率和最低出现频率进行加权求和，得到所述文本的定位阈值。其中，最高出现频率的权值的范围为(0，0.5)，最低出现频率的权值的范围为[0.5,1)。在本发明实施例中最高出现频率的权值优选为0.3，最低出现频率的权值优选为0.7。在一个语料或文本中，一组短语出现的频率越高，说明该组短语更加符合逻辑，所以根据短语的出现频率判断短语是否合格，最高出现频率的权值0.3、最低出现频率的权值0.7是根据分布规律，确定的值，是该方法的调参。会使提取出来的核心短语能更有效准确地表达句子的核心信息。

本发明实施例中，将出现频率超过所述定位阈值且满足词性要求的短语，作为所述文本的核心短语，包括：筛选出现频率超过所述定位阈值的短语，作为合格短语；对所述合格短语进行切词处理，得到若干个第二片段；针对每个合格短语，按照所述文本的顺序将第二片段进行两两组合，得到至少一组片段组合；若至少一组片段组合满足词性要求，若满足，则该合格短语为所述文本的核心短语。其中，按照所述文本的顺序将第二片段进行两两组合可以指：按照所述文本的顺序将第二片段排序后，相邻的两个第二片段，组合成一个片段组合；例如，第二片段A与第二片段B组合，第二片段B与第二片段C组合，等等。这里的切词处理可以指采用基于深度学习的开源分词工具或结巴框架，对合格短语进行切词处理，得到若干个第二片段。所述词性要求包括两两组合中的第二片段的词性满足以下情况之一：形容词+名词、名词+形容词、名词+副词、形容词+形容词。本发明实施例对合格短语再做切词与词性识别，找到符合要求的组合，可以使提取出来的核心短语能更有效准确地表达句子的核心信息。

本发明实施例中，所述将文本分成若干个第一片段，包括：采用基于深度学习的开源分词工具或结巴框架，对文本进行切词处理，得到若干个第一片段。本发明实施例对文本做切词，并对切词之后的第一片段按照文本的顺去前后组合，构造新的短语。由于输入的文本符合人类思维、语法和逻辑的，所以按照原来文本的顺序前后组合，抓住了构成短语符合语法、逻辑的关键点，可以使提取出来的核心短语能更有效准确地表达句子的核心信息。

本发明实施例充分利用了词语组合后的频率分布来判断词语组合构成短语的可行性。图2是根据本发明实施例的整体技术框架示意图。如图2所示，从输入的用户评论数据(即文本)中，将输入语句分成n个第一片段：如图2中的Seq_1,Seq_2…Seq_n所示，n为正整数。按照输入的文本顺序，将各个第一片段组合，即连接concat相邻的第一片段。最后，从前后组合得到的短语识别出合格的、符合语法的、所需要的短语。

下面将具体说明本发明实施例提取核心短语的方法：

第一步：使用分词模型对输入的文本进行切词处理。采用传统的分词模型将输入的文本分成多个第一片段，目的是构造最基础的单元，为后续的短语组合提供最小构造单元。

图3是根据本发明实施例的切词的基本原理示意图。本发明实施例中采用的是CRF(条件随机场)算法实现切词，CRF的原理如图3所示，其中X1、X2、X3、X4为输入的四个汉字。其中X1和X2可以构成词语，所以其对应的标签为B-n和I-n，其中B-n表示该分词从X1开始，I-n表示分词从X1开始之后可以延续至X2，由于X3、X4的标签是O，则表示不构成分词。所以图二中X1和X2构成分词，X3和X4为其它的干扰信息。条件随机场的目的是判断在已知输入X序列(X1、X2…)的条件下，识别出对应标签Y序列(B-n、I-n、O、O)的概率。即将X序列中的每一个字或词，映射到Y序列中的每一个标签，计算出对应标签的概率。

其中，

式中，x、y就是上面提到的具体序列。i为Y序列顺序，k和l为对应的两个特征函数的编号。t_k和s_l是特征函数，λ_k和μ_l是对应的权值，Z(x)是规范化因子，求和是在所有可能的输出序列上进行的。特征函数体现是X序列与Y序列之间关系，具体表现出了两种方式，t为Y中的每一个标签与X中对应的词之间的特征关系，s为Y中每一个标签与X中对应的前后两个或者多个词之间的关系。

进行切词的核心原理就是根据文本数据拟合上面的公式P(y|x)，就是将X中的词语和Y中的标签带入上面公式中计算，就可以算出P(y|x)，举个例子：X＝[我、爱、北京]，其中有三个词。Y＝[n、v、n]三个词的属性，就可以将其带入上面公式中计算P值。t_k和s_l一般是使用0/1分段函数构建的，具体公式如下：

s_l的形式与t_k类似或相同。

通过对以上公式的拟合，最终完成模型的搭建，实现文本的切词。本发明实施例可以采用基于深度学习的开源分词工具FoolNLTK和结巴框架jieba，完成切词。除了对切词操作以外，还可以直接对汉字以一个汉字为单位构造短语。

第二步：按照文本原来的顺序，将切词之后的片段前后组合，构造全新的短语。按照文本原来的顺序组合切词之后的片段，不仅保留了评论中原本的词语构成顺序，也使得组合的短语符合人类的思维逻辑。确保了最终构成的短语符合语法、逻辑。前后组合后的短语长度需要符合的预设长度范围可以是大于3且小于8。此步骤的要求确保了构成的短语具有描述性和很强的代表性。

第三步：计算得到所有输入的文本在经过前两步操作之后的短语组合。在所有的短语组合中，计算每一个短语组合出现的频率。将所有的组合对应的频率构造柱形图，并且按照出现频率排序。

定位阈值Location＝0.3*High+0.7*Low；其中High为最高的出现频率，Low为最低的出现频率。根据定位阈值，筛选出合格短语。

第四步：在合格的短语中，取出符合要求的短语。对合格的短语做切词处理与词性识别。这一步中的切词处理可以采用第一步中的切词方法进行，具体内容可以参照第一步中的内容，在此不再做赘述。取出符合“形容词+名词”、“名词+形容词”、“名词+副词”、“形容词+形容词”四种组合之一的合格短语，作为核心短语。

图4是根据本发明实施例的提取文本核心短语的装置的基本模块的示意图。如图4所示，本发明实施例提供了一种提取文本核心短语的装置400，包括：

文本分词模块401，用于：将文本分成若干个第一片段，并按照所述文本的顺序将第一片段组合成至少一个短语；

确定频率模块402，用于：针对每个短语，确定其在所有短语中的出现频率；

提取模块403，用于：将出现频率超过所述定位阈值且满足词性要求的短语，作为所述文本的核心短语。

本发明实施例根据短语的出现频率筛选出合格的短语，再通过词性的识别从合格的短语中找出符合词性要求的短语，最终完成核心短语的提取；能够解决现有技术在识别和提取过程中需要大量的标注的问题，从而避免因标注的质量不高而导致最终提取结果不准确的情况，覆盖率更高，提取出来的核心短语能更有效准确地表达句子的核心信息。

本发明实施例中，所述装置还包括确定阈值模块用于：从所有短语的出现频率中，确定最高出现频率和最低出现频率；基于所述最高出现频率的权值和所述最低出现频率的权值，对所述最高出现频率和最低出现频率进行加权求和，得到所述文本的定位阈值。在本发明实施例中所述最高出现频率的权值可以为0.3，最低出现频率的权值可以为0.7。在一个语料或文本中，一组短语出现的频率越高，说明该组短语更加符合逻辑，所以根据短语的出现频率判断短语是否合格，会使提取出来的核心短语能更有效准确地表达句子的核心信息。

本发明实施例中，所述提取模块403还用于：筛选出现频率超过所述定位阈值的短语，将其作为合格短语；对所述合格短语进行切词处理，得到若干个第二片段；针对每个合格短语，按照所述文本的顺序将第二片段进行两两组合，得到至少一组片段组合；若至少一组片段组合满足词性要求，则将所述合格短语为所述文本的核心短语；其中，所述词性要求包括片段组合中的两个第二片段的词性满足以下情况之一：形容词+名词、名词+形容词、名词+副词、形容词+形容词。本发明实施例对合格短语再做切词处理与词性识别，找到符合要求的组合，可以使提取出来的核心短语能更有效准确地表达句子的核心信息。

本发明实施例中，所述文本分词模块401还用于：采用基于深度学习的开源分词工具或结巴框架，对文本进行切词处理，得到若干个第一片段。本发明实施例对文本做切词，并对切词之后的第一片段按照文本的顺去前后组合，构造新的短语。由于输入的文本符合人类思维、语法和逻辑的，所以按照原来文本的顺序前后组合，抓住了构成短语符合语法、逻辑的关键点，可以使提取出来的核心短语能更有效准确地表达句子的核心信息。

图5示出了可以应用本发明实施例的提取文本核心短语的方法或装置的示例性系统架构500。

如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504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501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、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501、502、503可以是具有显示屏并且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、膝上型便携计算机和台式计算机等等。

服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果反馈给终端设备。

需要说明的是，本发明实施例所提供的提取文本核心短语的方法一般由服务器505执行，相应地，提取文本核心短语的装置一般设置于服务器505中。

应该理解，图5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。

根据本发明的实施例，本发明还提供了一种电子设备和一种计算机可读介质。

本发明实施例的电子设备包括：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，使得所述一个或多个处理器实现如本发明实施例提出的提取文本核心短语的方法。

本发明实施例的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如本发明实施例提出的提取文本核心短语的方法。

下面参考图6，其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，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RAM603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM602以及RAM603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，根据本发明公开的实施例，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，本发明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，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示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。在本发明中，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。而在本发明中，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，上述模块、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，框图或流程图中的每个方框、以及框图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。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器，包括：文本分词模块、确定频率模块、提取模块。其中，这些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，确定频率模块还可以被描述为“确定每个短语在所有短语中的出现频率的模块”。

作为另一方面，本发明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设备中所包含的；也可以是单独存在，而未装配入该设备中。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一个该设备执行时，使得该设备包括：将文本分成若干个第一片段，并按照所述文本的顺序将第一片段组合成至少一个短语；针对每个短语，确定其在所有短语中的出现频率；将出现频率超过定位阈值且满足词性要求的短语，作为所述文本的核心短语。

根据本发明实施例的应用程序页面跳转的方法可以看出，根据短语的出现频率筛选出合格的短语，再通过词性的识别从合格的短语中找出符合词性要求的短语，最终完成核心短语的提取；能够解决现有技术在识别和提取过程中需要大量的标注的问题，从而避免因标注的质量不高而导致最终提取结果不准确的情况，本发明实施例提取核心短语的方法覆盖率更高，提取出来的核心短语能更有效准确地表达句子的核心信息。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (14)

1.一种提取文本核心短语的方法，其特征在于，包括：

将文本分成若干个第一片段，并按照所述文本的顺序将第一片段组合成至少一个短语；

针对每个短语，确定其在所有短语中的出现频率；

将出现频率超过定位阈值且满足词性要求的短语，作为所述文本的核心短语。

2.根据权利要求1所述的方法，其特征在于，针对每个短语，确定其在所有短语中的出现频率之后，还包括：

从所有短语的出现频率中，确定最高出现频率和最低出现频率；

基于所述最高出现频率的权值和所述最低出现频率的权值，对所述最高出现频率和最低出现频率进行加权求和，得到所述文本的定位阈值。

3.根据权利要求1所述的方法，其特征在于，将出现频率超过所述定位阈值且满足词性要求的短语，作为所述文本的核心短语，包括：

筛选出现频率超过所述定位阈值的短语，将其作为合格短语；

对所述合格短语进行切词处理，得到若干个第二片段；

针对每个合格短语，按照所述文本的顺序将第二片段进行两两组合，得到至少一组片段组合；若至少一组所述片段组合满足词性要求，则将所述合格短语为所述文本的核心短语。

4.根据权利要求3所述的方法，其特征在于，所述词性要求包括片段组合中的两个第二片段的词性满足以下情况之一：形容词+名词、名词+形容词、名词+副词、形容词+形容词。

5.根据权利要求1所述的方法，其特征在于，所述短语的长度范围为[3,8]。

6.根据权利要求1所述的方法，其特征在于，所述将文本分成若干个第一片段，包括：

采用基于深度学习的开源分词工具或结巴框架，对文本进行切词处理，得到若干个第一片段。

7.一种提取文本核心短语的装置，其特征在于，包括：

文本分词模块，用于：将文本分成若干个第一片段，并按照所述文本的顺序将第一片段组合成至少一个短语；确定频率模块，用于：针对每个短语，确定其在所有短语中的出现频率；

提取模块，用于：将出现频率超过所述定位阈值且满足词性要求的短语，作为所述文本的核心短语。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括确定阈值模块，用于：

从所有短语的出现频率中，确定最高出现频率和最低出现频率；

基于所述最高出现频率的权值和所述最低出现频率的权值，对所述最高出现频率和最低出现频率进行加权求和，得到所述文本的定位阈值。

9.根据权利要求7所述的装置，其特征在于，所述提取模块还用于：

筛选出现频率超过所述定位阈值的短语，将其作为合格短语；

对所述合格短语进行切词处理，得到若干个第二片段；

针对每个合格短语，按照所述文本的顺序将第二片段进行两两组合，得到至少一组片段组合；若至少一组所述片段组合满足词性要求，则将所述合格短语为所述文本的核心短语。

10.根据权利要求9所述的装置，其特征在于，所述提取模块还用于：

设置所述词性要求包括：片段组合中的两个第二片段的词性满足以下情况之一：形容词+名词、名词+形容词、名词+副词、形容词+形容词。

11.根据权利要求7所述的装置，其特征在于，所述文本分词模块，用于：设置短语的长度范围为[3,8]。

12.根据权利要求7所述的装置，其特征在于，所述文本分词模块还用于：

采用基于深度学习的开源分词工具或结巴框架，对文本进行切词处理，得到若干个第一片段。

13.一种电子设备，其特征在于，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，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。

Images