CN111061877A - 文本主题提取方法和装置 - Google Patents
文本主题提取方法和装置 Download PDFInfo
- Publication number
- CN111061877A CN111061877A CN201911261471.7A CN201911261471A CN111061877A CN 111061877 A CN111061877 A CN 111061877A CN 201911261471 A CN201911261471 A CN 201911261471A CN 111061877 A CN111061877 A CN 111061877A
- Authority
- CN
- China
- Prior art keywords
- word
- text
- vector
- topic
- determining
- 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.)
- Pending
Links
Images
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了文本主题提取方法和装置。该方法的一具体实施方式包括:待处理文本并对待处理文本进行分词,得到词语序列;利用预先训练的词向量模型,确定词语序列中的每个词语的词向量;对所得到的词向量进行聚类,得到至少一个主题簇;对于至少一个主题簇中的每个主题簇,基于该主题簇包括的词向量,确定该主题簇的主题向量;基于词语序列中的每个词语的词向量,确定待处理文本的文本向量;确定每个主题向量与文本向量的相似度;基于所确定的相似度,确定表征待处理文本的主题。该实施方式实现了对诸如聊天文本等主题数量较多、主题交叉严重等特点的文本,通过确定各个主题的主题向量与整个文本进行相似度计算,提高主题提取的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及文本主题提取方法和装置。
背景技术
当前文本主题提取的主流方案是采用LDA(Latent Dirichlet Allocation)主题模型,在长文本中具有较好的效果。基于TF-IDF(Term Frequency–Inverse DocumentFrequency,词频-逆向文件频率)的主题词发现模型常被用于网络热点话题的发现。Word2vec词向量模型常被当做深度学习模型的预训练语言模型进行使用。
类似群聊天等场景下,通常的文本具有篇幅小,主题易交叉,口语化严重等特点。为提取文本主题,常规方法都是从文本的整体出发进行模型的生成,若整篇文本的话题不够单一,则训练效果会大打折扣,模型预测的准确率较低。
发明内容
本申请实施例的目的在于提出了一种改进的文本主题提取方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了一种文本主题提取方法,该方法包括:获取待处理文本并对待处理文本进行分词,得到词语序列;利用预先训练的词向量模型,确定词语序列中的每个词语的词向量;对所得到的词向量进行聚类,得到至少一个主题簇;对于至少一个主题簇中的每个主题簇,基于该主题簇包括的词向量,确定该主题簇的主题向量;基于词语序列中的每个词语的词向量,确定待处理文本的文本向量;确定每个主题向量与文本向量的相似度;基于所确定的相似度,确定表征待处理文本的主题。
在一些实施例中,在获取待处理文本之前,方法还包括:获取原始文本;对原始文本中的目标内容进行替换,并清除无效内容,得到待处理文本。
在一些实施例中,基于词语序列中的每个词语的词向量,确定待处理文本的文本向量,包括:确定词语序列中的每个词语的词频;基于词语序列中的每个词语的词频,对各个词向量进行加权求和,得到待处理文本的文本向量。
在一些实施例中,确定每个主题向量与文本向量的相似度,包括:对每个主题向量进行变换,得到变换后主题向量;基于变换后向量,确定每个主题向量与文本向量的余弦距离作为相似度。
在一些实施例中,基于所确定的相似度,确定表征待处理文本的主题,包括:确定相似度最大的主题向量对应的词语为主要主题;确定相似度大于等于目标数值的主题向量对应的词语为次要主题。
在一些实施例中,词向量模型预先基于如下步骤训练得到:获取样本文本并对样本文本进行分词,得到样本词语序列;对样本文本包括的语句的长度进行统计,得到每个语句的长度;基于所确定的长度,设置模型窗口大小;基于模型窗口大小,利用样本词语序列,对初始模型进行训练,得到词向量模型。
在一些实施例中,对样本文本进行分词,得到样本词语序列,包括:确定分词后得到的初始词语序列中的词语的词频;将词频小于等于预设的词频阈值的词语从初始词语序列中删除,得到样本词语序列。
在一些实施例中,对初始模型进行训练,得到词向量模型,包括:利用初始模型,确定样本词语序列中的每个词语的样本词向量;对所确定的样本词向量进行聚类,得到至少一个样本主题簇;对于至少一个样本主题簇中的每个主题簇对应的词语,响应于确定该主题簇对应的词语中存在与该主题簇表征的主题不一致的误差词语,调整初始模型的参数,得到词向量模型,以使利用词向量模型得到的误差词语的词向量被聚类到正确的主题簇中。
第二方面,本申请实施例提供了一种文本主题提取装置,该装置包括:分词模块,用于待处理文本并对待处理文本进行分词,得到词语序列;第一确定模块,用于利用预先训练的词向量模型,确定词语序列中的每个词语的词向量;聚类模块,用于对所得到的词向量进行聚类,得到至少一个主题簇;第二确定模块,用于对于至少一个主题簇中的每个主题簇,基于该主题簇包括的词向量,确定该主题簇的主题向量;第三确定模块,用于基于词语序列中的每个词语的词向量,确定待处理文本的文本向量;第四确定模块,用于确定每个主题向量与文本向量的相似度;第五确定模块,用于基于所确定的相似度,确定表征待处理文本的主题。
第三方面,本申请实施例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存储介质,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文本主题提取方法和装置,通过对待处理文本进行分词,得到词语序列,再利用预先训练的词向量模型确定每个词语的词向量,然后对词向量聚类,并确定每个簇的主题向量,再确定待处理文本的文本向量,最后确定每个主题向量与文本向量的相似度,根据相似度,确定待处理文本的主题,从而实现了对诸如聊天文本等主题数量较多、主题交叉严重等特点的文本,通过确定各个主题的主题向量与整个文本进行相似度计算,提高了主题提取的准确性。
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是根据本申请的文本主题提取方法的一个实施例的流程图;
图3是根据本申请的文本主题提取方法的确定文本向量的示意图;
图4是根据本申请的文本主题提取方法的另一个实施例的流程图;
图5是根据本申请的文本主题提取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文本主题提取方法的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101,网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102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。
服务器103可以是提供各种服务的服务器,例如对终端设备101上传的文本进行处理的文本处理服务器。文本处理服务器可以对接收的文本进行处理,并得到处理结果(例如文本的主题)。
需要说明的是,本申请实施例所提供的文本主题提取方法可以由终端设备101或服务器103执行,相应地,文本主题提取装置可以设置于终端设备101或服务器103中。
应该理解,图1中的数据服务器、网络和主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、中间设备和服务器。在待处理文本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,只包括终端设备或服务器。
继续参考图2,其示出了根据本申请的应文本主题提取方法的一个实施例的流程200。该方法包括以下步骤:
步骤201,获取待处理文本并对待处理文本进行分词,得到词语序列。
在本实施例中,文本主题提取方法的执行主体(例如图1所示的或终端设备或服务器)可以从远程或从本地获取待处理文本。其中,待处理文本可以是各种类型的文本,通常,上述待处理文本可以是诸如聊天文本、评论文本等短文本。
然后,上述执行主体可以利用现有的分词方法,对待处理文本进行分词,得到词语序列。
在本实施例的一些可选的实现方式中,在步骤201之前,上述电子设备还可以执行如下步骤:
首先,获取原始文本。其中,原始文本可以是未经处理的文本,例如,可以是包括表情图像、英文单词等的聊天文本、评论文本等。
然后,对原始文本中的目标内容进行替换,并清除无效内容,得到待处理文本。其中,目标内容可以是预先设定的各种类型的内容,例如特殊符号、表情图像、数字等。上述执行主体可以从原始文本中将目标内容替换为预设的形式。作为示例,可以URL网址或分享链接替换成统一符号“[URL]”;将表情符号替换成统一符号“[Emojies]”;将数字替换成“[Numbers]”。上述执行主体还可以将停用词、长串非中文词等对文本的语义不影响的内容清楚。
步骤202,利用预先训练的词向量模型,确定词语序列中的每个词语的词向量。
在本实施例中,上述执行主体可以利用预先训练的词向量模型,确定词语序列中的每个词语的词向量。其中,词向量模型可以是各种模型,例如,Word2vec、Glove、FastText等分布式词向量模型。
步骤203,对所得到的词向量进行聚类,得到至少一个主题簇。
在本实施例中,上述执行主体可以对所得到的词向量进行聚类,得到至少一个主题簇。作为示例,上述执行主体可以采用KMeans聚类算法(或其他算法)对所得到的各个词向量进行聚类,每个簇中包括的词向量可以归属于一个主题。
步骤204,对于至少一个主题簇中的每个主题簇,基于该主题簇包括的词向量,确定该主题簇的主题向量。
在本实施例中,对于至少一个主题簇中的每个主题簇,上述执行主体可以基于该主题簇包括的词向量,确定该主题簇的主题向量。具体地,作为示例,可以确定簇中心向量作为该主体簇的主题向量,主题向量可以表征主题簇的特征。
步骤205,基于词语序列中的每个词语的词向量,确定待处理文本的文本向量。
在本实施例中,上述执行主体可以基于词语序列中的每个词语的词向量,确定待处理文本的文本向量。其中,文本向量可以用于表征待处理文本的特征。作为示例,上述执行主体可以对各个词向量中的相同位置的元素取平均值,将平均值组成的向量作为文本向量。
在本实施例的一些可选的实现方式中,上述执行主体可以按照如下步骤确定待处理文本的文本向量:
首先,确定词语序列中的每个词语的词频。其中,词频指的是某一个给定的词语在文本中出现的次数。
然后,基于词语序列中的每个词语的词频,对各个词向量进行加权求和,得到待处理文本的文本向量。
具体地,如图3所示,Word1-Wordm表示词语序列中的各个词语,Word1的词向量为(t11,t12,t13,…,t1n),词频为freq1;Word2的词向量为(t21,t22,t23,…,t2n),词频为freq2;…;Wordm的词向量为(tm1,tm2,tm3,…,tmn),词频为freqm。Sum(freq1,freq2,…,freqm)表示将各个词频求和。如图中所示,将各个向量分别乘以对应的词频,再将各个向量相加,最后将相加后的向量除以词频的和,得到的向量为文本向量。本实现方式通过基于词频确定文本向量,词频越高,表示词语在文本中的重要程度越高,其所占文本向量的比例越高,从而可以突出各个词语的重要性,使文本向量更精确地表征待处理文本的特征。
步骤206,确定每个主题向量与文本向量的相似度。
在本实施例中,上述执行主体可以确定每个主题向量与文本向量的相似度。具体地,上述执行主体可以按照现有的各种确定相似度的方法确定每个主题向量与文本向量的相似度,例如通过确定余弦距离、欧氏距离等确定相似度。
在本实施例的一些可选的实现方式中,步骤206可以如下执行:
首先,对每个主题向量进行变换,得到变换后主题向量。具体地,可以按照如下公式(1),对主题向量进行变换:
其中,i,j表示主题向量中的元素的序号,ti,tj表示主题向量中的某个元素。
然后,基于变换后向量,确定每个主题向量与文本向量的余弦距离作为相似度。
具体地,余弦相似度的公式如下式(2)所示
其中,pi表示文本向量中的元素,ti,tj表示主题向量中的元素。将式(1)代入式(2)可以得到如下式(3):
对比式(2)和式(3)可以看出,式(2)需要进行三次向量点乘运算,而式(3)只需要进行两次。因此,式(2)的计算复杂度只有式(3)的2/3。本实现方式,通过对主题向量进行变换再计算相似度,可以减小计算复杂度,提高提取文本主题的效率。
步骤207,基于所确定的相似度,确定表征待处理文本的主题。
在本实施例中,上述执行主体可以基于所确定的相似度,确定表征待处理文本的主题。作为示例,上述执行主体可以预先确定每个主题簇对应的主题,例如可以将主题簇中距离该主题簇的主题向量最近的至少一个词向量表征的词语作为该主题簇的主题。再将相似度最大的主题向量对应的主题簇的主题确定为待处理文本的主题。
可选的,在得到标准待处理文本的主题之后,上述执行主体还可以输出待处理文本的主题,例如,将待处理文本的主题在显示器上显示,或者将主题发送到其他电子设备。
在本实施例的一些可选的实现方式中,步骤207可以如下执行:
首先,确定相似度最大的主题向量对应的词语为主要主题。其中,每个主题向量对应的词语可以是一个或多个,例如,可以将主题向量所在的主题簇对应的多个词语中,距离该主题簇的主题向量最近的至少一个词向量表征的词语作为主题向量对应的词语。
然后,确定相似度大于等于目标数值的主题向量对应的词语为次要主题。其中,目标数值可以是基于最大相似度确定的数值。例如,最大相似度为max_similarity,目标数值可以是max_similarity乘以预设倍数(例如0.75)得到的数值。本实现方式可以确定文本的主题主题和次要主题,从而可以使提取出的文本主题更加丰富。
本申请的上述实施例提供的方法,通过对待处理文本进行分词,得到词语序列,再利用预先训练的词向量模型确定每个词语的词向量,然后对词向量聚类,并确定每个簇的主题向量,再确定待处理文本的文本向量,最后确定每个主题向量与文本向量的相似度,根据相似度,确定待处理文本的主题,从而实现了对诸如聊天文本等主题数量较多、主题交叉严重等特点的文本,通过确定各个主题的主题向量与整个文本进行相似度计算,提高了主题提取的准确性。
进一步参考图4,其示出了根据本申请的文本主题提取方法的又一个实施例的流程400。该方法用于预先训练得到词向量模型,该方法包括以下步骤:
步骤401,获取样本文本并对样本文本进行分词,得到样本词语序列。
在本实施例中,用于训练词向量模型的执行主体(可以与上述文本主题提取方法的执行主体相同,也可以不同)可以从远程或从本地获取样本文本并对样本文本进行分词,得到样本词语序列。通常,样本文本可以为聊天文本、评论文本等短文本。上述执行主体可以按照现有的分词方法,对样本文本进行分词。
在本实施例的一些可选的实现方式中,上述执行主体可以按照如下步骤对样本文本进行分词,得到样本词语序列:
首先,确定分词后得到的初始词语序列中的词语的词频。
然后,将词频小于等于预设的词频阈值的词语从初始词语序列中删除,得到样本词语序列。通过设置词频阈值(即词频下限min_count),可以将词语序列中较低的词频的词语清除,从而可以降低词向量模型的大小,提高词向量模型的训练效率。
步骤402,对样本文本包括的语句的长度进行统计,得到每个语句的长度。
在本实施例中,上述执行主体可以对样本文本包括的语句的长度进行统计,得到每个语句的长度。其中,样本文本可以包括多个语句,作为示例,如果样本文本为聊天文本,其包括的某个语句可以为某个人一次对话所输入的语句。语句的长度可以为语句包括的词语的数量。
步骤403,基于所确定的长度,设置模型窗口大小。
在本实施例中,上述执行主体可以基于所确定的长度,设置模型窗口大小。具体地,作为示例,通过对所确定的长度进行统计,确定长度小于N(例如10)的语句占语句总数的比例超过预设比例(例如98%),则可以将窗口大小设置为(N+1)/2。在训练过程中,窗口可以覆盖相邻的多个词语的词向量,从而可以表征词语之间的联系。通过设置模型窗口大小,可以降低主题交叉对词向量模型的训练效果的影响。
步骤404,基于模型窗口大小,利用样本词语序列,对初始模型进行训练,得到词向量模型。
在本实施例中,上述执行主体可以基于模型窗口大小,利用样本词语序列,对初始模型进行训练,得到词向量模型。通常,在训练词向量模型时,可以利用预先标注的各个词语所属的主题,以及利用预设的损失函数,对初始模型进行优化,将优化后的初始模型确定为词向量模型。
在本实施例的一些可选的实现方式中,步骤404可以如下执行:
首先,利用初始模型,确定样本词语序列中的每个词语的样本词向量。其中,初始模型可以为各种结构的模型,例如word2vec、Glove、FastText等。
然后,对所确定的样本词向量进行聚类,得到至少一个样本主题簇。例如,可以利用KMeans算法,对各个样本词向量进行聚类。
最后,对于至少一个样本主题簇中的每个主题簇对应的词语,响应于确定该主题簇对应的词语中存在与该主题簇表征的主题不一致的误差词语,调整初始模型的参数,得到词向量模型,以使利用词向量模型得到的误差词语的词向量被聚类到正确的主题簇中。作为示例,上述执行主体可以输出各个簇对应的词语,当技术人员发现某个词语被划分到了错误的簇中,可以通过设置词语的标签,重新对初始模型进行训练,直到模型输出的词向量可以被正确地划分到相应的簇中。
本实现方式可以调整词向量模型的参数,使词向量模型输出准确的词向量。
从图4中可以看出,本实施例中的流程400通过基于语句长度的统计,设置模型窗口大小,根据模型窗口大小对模型进行训练,从而可以降低话题交叉对词向量训练效果的影响,提高模型确定词向量的准确性。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种文本主题提取装置的一个实施例,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,本实施例的文本主题提取装置500包括:分词模块501,用于待处理文本并对待处理文本进行分词,得到词语序列;第一确定模块502,用于利用预先训练的词向量模型,确定词语序列中的每个词语的词向量;聚类模块503,用于对所得到的词向量进行聚类,得到至少一个主题簇;第二确定模块504,用于对于至少一个主题簇中的每个主题簇,基于该主题簇包括的词向量,确定该主题簇的主题向量;第三确定模块505,用于基于词语序列中的每个词语的词向量,确定待处理文本的文本向量;第四确定模块506,用于确定每个主题向量与文本向量的相似度;第五确定模块507,用于基于所确定的相似度,确定表征待处理文本的主题。
在本实施例中,文本主题提取方法的分词模块501可以从远程或从本地获取待处理文本。其中,待处理文本可以是各种类型的文本,通常,上述待处理文本可以是诸如聊天文本、评论文本等短文本。
然后,上述分词模块501可以利用现有的分词方法,对待处理文本进行分词,得到词语序列。
在本实施例中,第一确定模块502可以利用预先训练的词向量模型,确定词语序列中的每个词语的词向量。其中,词向量模型可以是各种模型,例如,Word2vec、Glove、FastText等分布式词向量模型。
在本实施例中,聚类模块503可以对所得到的词向量进行聚类,得到至少一个主题簇。作为示例,上述聚类模块503可以采用KMeans聚类算法(或其他算法)对所得到的各个词向量进行聚类,每个簇中包括的词向量可以归属于一个主题。
在本实施例中,对于至少一个主题簇中的每个主题簇,上述第二确定模块504可以基于该主题簇包括的词向量,确定该主题簇的主题向量。具体地,作为示例,可以确定簇中心向量作为该主体簇的主题向量,主题向量可以表征主题簇的特征。
在本实施例中,第三确定模块505可以基于词语序列中的每个词语的词向量,确定待处理文本的文本向量。其中,文本向量可以用于表征待处理文本的特征。作为示例,上述第三确定模块505可以对各个词向量中的相同位置的元素取平均值,将平均值组成的向量作为文本向量。
在本实施例中,第四确定模块506可以确定每个主题向量与文本向量的相似度。具体地,上述第四确定模块506可以按照现有的各种确定相似度的方法确定每个主题向量与文本向量的相似度,例如通过确定余弦距离、欧氏距离等确定相似度。
在本实施例中,第五确定模块507可以基于所确定的相似度,确定表征待处理文本的主题。作为示例,上述第五确定模块507可以预先确定每个主题簇对应的主题,例如可以将主题簇中距离该主题簇的主题向量最近的至少一个词向量表征的词语作为该主题簇的主题。再将相似度最大的主题向量对应的主题簇的主题确定为待处理文本的主题。
在本实施例的一些可选的实现方式中,该文本主题提取装置还可以包括:获取模块(图中未示出),用于获取原始文本;预处理模块(图中未示出),用于对原始文本中的目标内容进行替换,并清除无效内容,得到待处理文本。
在本实施例的一些可选的实现方式中,第三确定模块505可以包括:第一确定单元(图中未示出),用于确定词语序列中的每个词语的词频;计算单元(图中未示出),用于基于词语序列中的每个词语的词频,对各个词向量进行加权求和,得到待处理文本的文本向量。
在本实施例的一些可选的实现方式中,第四确定模块506可以包括:变换单元(图中未示出),用于对每个主题向量进行变换,得到变换后主题向量;第二确定单元(图中未示出),用于基于变换后向量,确定每个主题向量与文本向量的余弦距离作为相似度。
在本实施例的一些可选的实现方式中,第五确定模块507可以包括:第三确定单元(图中未示出),用于确定相似度最大的主题向量对应的词语为主要主题;第四确定单元(图中未示出),用于确定相似度大于等于目标数值的主题向量对应的词语为次要主题。
在本实施例的一些可选的实现方式中,上述词向量模型预先可以基于如下步骤训练得到:获取样本文本并对样本文本进行分词,得到样本词语序列;对样本文本包括的语句的长度进行统计,得到每个语句的长度;基于所确定的长度,设置模型窗口大小;基于模型窗口大小,利用样本词语序列,对初始模型进行训练,得到词向量模型。
在本实施例的一些可选的实现方式中,对样本文本进行分词,得到样本词语序列,包括:确定分词后得到的初始词语序列中的词语的词频;将词频小于等于预设的词频阈值的词语从初始词语序列中删除,得到样本词语序列。
在本实施例的一些可选的实现方式中,对初始模型进行训练,得到词向量模型,包括:利用初始模型,确定样本词语序列中的每个词语的样本词向量;对所确定的样本词向量进行聚类,得到至少一个样本主题簇;对于至少一个样本主题簇中的每个主题簇对应的词语,响应于确定该主题簇对应的词语中存在与该主题簇表征的主题不一致的误差词语,调整初始模型的参数,得到词向量模型,以使利用词向量模型得到的误差词语的词向量被聚类到正确的主题簇中。
本申请的上述实施例提供的装置,通过对待处理文本进行分词,得到词语序列,再利用预先训练的词向量模型确定每个词语的词向量,然后对词向量聚类,并确定每个簇的主题向量,再确定待处理文本的文本向量,最后确定每个主题向量与文本向量的相似度,根据相似度,确定待处理文本的主题,从而实现了对诸如聊天文本等主题数量较多、主题交叉严重等特点的文本,通过确定各个主题的主题向量与整个文本进行相似度计算,提高了主题提取的准确性。
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存储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存储介质,该计算机可读存储介质可以发送、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。计算机可读存储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:一种处理器包括分词模块、第一确定模块、聚类模块、第二确定模块、第三确定模块、第四确定模块和第五确定模块。其中,这些模块的名称在某种情况下并不构成对该单元本身的限定,例如,分词模块还可以被描述为“用于待处理文本并对所述待处理文本进行分词,得到词语序列的模块”。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储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。上述计算机可读存储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:获取待处理文本并对待处理文本进行分词,得到词语序列;利用预先训练的词向量模型,确定词语序列中的每个词语的词向量;对所得到的词向量进行聚类,得到至少一个主题簇;对于至少一个主题簇中的每个主题簇,基于该主题簇包括的词向量,确定该主题簇的主题向量;基于词语序列中的每个词语的词向量,确定待处理文本的文本向量;确定每个主题向量与文本向量的相似度;基于所确定的相似度,确定表征待处理文本的主题。
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 (11)
1.一种文本主题提取方法,其特征在于,所述方法包括:
待处理文本并对所述待处理文本进行分词,得到词语序列;
利用预先训练的词向量模型,确定所述词语序列中的每个词语的词向量;
对所得到的词向量进行聚类,得到至少一个主题簇;
对于所述至少一个主题簇中的每个主题簇,基于该主题簇包括的词向量,确定该主题簇的主题向量;
基于所述词语序列中的每个词语的词向量,确定所述待处理文本的文本向量;
确定每个主题向量与所述文本向量的相似度;
基于所确定的相似度,确定表征所述待处理文本的主题。
2.根据权利要求1所述的方法,其特征在于,在所述获取待处理文本之前,所述方法还包括:
获取原始文本;
对所述原始文本中的目标内容进行替换,并清除无效内容,得到待处理文本。
3.根据权利要求1所述的方法,其特征在于,所述基于所述词语序列中的每个词语的词向量,确定所述待处理文本的文本向量,包括:
确定所述词语序列中的每个词语的词频;
基于所述词语序列中的每个词语的词频,对各个词向量进行加权求和,得到所述待处理文本的文本向量。
4.根据权利要求1所述的方法,其特征在于,所述确定每个主题向量与所述文本向量的相似度,包括:
对每个主题向量进行变换,得到变换后主题向量;
基于变换后向量,确定每个主题向量与所述文本向量的余弦距离作为相似度。
5.根据权利要求1所述的方法,其特征在于,所述基于所确定的相似度,确定表征所述待处理文本的主题,包括:
确定相似度最大的主题向量对应的词语为主要主题;
确定相似度大于等于目标数值的主题向量对应的词语为次要主题。
6.根据权利要求1-5之一所述的方法,其特征在于,所述词向量模型预先基于如下步骤训练得到:
获取样本文本并对所述样本文本进行分词,得到样本词语序列;
对所述样本文本包括的语句的长度进行统计,得到每个语句的长度;
基于所确定的长度,设置模型窗口大小;
基于所述模型窗口大小,利用所述样本词语序列,对初始模型进行训练,得到词向量模型。
7.根据权利要求6所述的方法,其特征在于,所述对所述样本文本进行分词,得到样本词语序列,包括:
确定分词后得到的初始词语序列中的词语的词频;
将词频小于等于预设的词频阈值的词语从所述初始词语序列中删除,得到所述样本词语序列。
8.根据权利要求6所述的方法,其特征在于,所述对初始模型进行训练,得到词向量模型,包括:
利用所述初始模型,确定所述样本词语序列中的每个词语的样本词向量;
对所确定的样本词向量进行聚类,得到至少一个样本主题簇;
对于所述至少一个样本主题簇中的每个主题簇对应的词语,响应于确定该主题簇对应的词语中存在与该主题簇表征的主题不一致的误差词语,调整所述初始模型的参数,得到词向量模型,以使利用所述词向量模型得到的所述误差词语的词向量被聚类到正确的主题簇中。
9.一种文本主题提取装置,其特征在于,所述装置包括:
分词模块,用于待处理文本并对所述待处理文本进行分词,得到词语序列;
第一确定模块,用于利用预先训练的词向量模型,确定所述词语序列中的每个词语的词向量;
聚类模块,用于对所得到的词向量进行聚类,得到至少一个主题簇;
第二确定模块,用于对于所述至少一个主题簇中的每个主题簇,基于该主题簇包括的词向量,确定该主题簇的主题向量;
第三确定模块,用于基于所述词语序列中的每个词语的词向量,确定所述待处理文本的文本向量;
第四确定模块,用于确定每个主题向量与所述文本向量的相似度;
第五确定模块,用于基于所确定的相似度,确定表征所述待处理文本的主题。
10.一种电子设备,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权利要求1-8中任一所述的方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911261471.7A CN111061877A (zh) | 2019-12-10 | 2019-12-10 | 文本主题提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911261471.7A CN111061877A (zh) | 2019-12-10 | 2019-12-10 | 文本主题提取方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111061877A true CN111061877A (zh) | 2020-04-24 |
Family
ID=70300513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911261471.7A Pending CN111061877A (zh) | 2019-12-10 | 2019-12-10 | 文本主题提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111061877A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797194A (zh) * | 2020-05-20 | 2020-10-20 | 北京三快在线科技有限公司 | 文本风险检测方法、装置、电子设备及存储介质 |
CN112052666A (zh) * | 2020-08-09 | 2020-12-08 | 中信银行股份有限公司 | 一种专家确定方法、装置及存储介质 |
CN112100492A (zh) * | 2020-09-11 | 2020-12-18 | 河北冀联人力资源服务集团有限公司 | 一种不同版本的简历的批量投递方法和系统 |
CN112148872A (zh) * | 2020-09-28 | 2020-12-29 | 国家计算机网络与信息安全管理中心广东分中心 | 自然对话主题分析方法、装置、电子设备和存储介质 |
CN114492429A (zh) * | 2022-01-12 | 2022-05-13 | 平安科技(深圳)有限公司 | 文本主题的生成方法、装置、设备及存储介质 |
CN112052666B (zh) * | 2020-08-09 | 2024-05-17 | 中信银行股份有限公司 | 一种专家确定方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750835A (zh) * | 2015-04-03 | 2015-07-01 | 浪潮集团有限公司 | 一种文本分类方法及装置 |
CN106339495A (zh) * | 2016-08-31 | 2017-01-18 | 广州智索信息科技有限公司 | 一种基于层次增量聚类的话题检测方法及系统 |
CN108133045A (zh) * | 2018-01-12 | 2018-06-08 | 广州杰赛科技股份有限公司 | 关键词提取方法与系统、关键词提取模型生成方法与系统 |
US10049148B1 (en) * | 2014-08-14 | 2018-08-14 | Medallia, Inc. | Enhanced text clustering based on topic clusters |
CN108595706A (zh) * | 2018-05-10 | 2018-09-28 | 中国科学院信息工程研究所 | 一种基于主题词类相似性的文档语义表示方法、文本分类方法和装置 |
CN110321553A (zh) * | 2019-05-30 | 2019-10-11 | 平安科技(深圳)有限公司 | 短文本主题识别方法、装置及计算机可读存储介质 |
-
2019
- 2019-12-10 CN CN201911261471.7A patent/CN111061877A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10049148B1 (en) * | 2014-08-14 | 2018-08-14 | Medallia, Inc. | Enhanced text clustering based on topic clusters |
CN104750835A (zh) * | 2015-04-03 | 2015-07-01 | 浪潮集团有限公司 | 一种文本分类方法及装置 |
CN106339495A (zh) * | 2016-08-31 | 2017-01-18 | 广州智索信息科技有限公司 | 一种基于层次增量聚类的话题检测方法及系统 |
CN108133045A (zh) * | 2018-01-12 | 2018-06-08 | 广州杰赛科技股份有限公司 | 关键词提取方法与系统、关键词提取模型生成方法与系统 |
CN108595706A (zh) * | 2018-05-10 | 2018-09-28 | 中国科学院信息工程研究所 | 一种基于主题词类相似性的文档语义表示方法、文本分类方法和装置 |
CN110321553A (zh) * | 2019-05-30 | 2019-10-11 | 平安科技(深圳)有限公司 | 短文本主题识别方法、装置及计算机可读存储介质 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797194A (zh) * | 2020-05-20 | 2020-10-20 | 北京三快在线科技有限公司 | 文本风险检测方法、装置、电子设备及存储介质 |
CN111797194B (zh) * | 2020-05-20 | 2024-04-02 | 北京三快在线科技有限公司 | 文本风险检测方法、装置、电子设备及存储介质 |
CN112052666A (zh) * | 2020-08-09 | 2020-12-08 | 中信银行股份有限公司 | 一种专家确定方法、装置及存储介质 |
CN112052666B (zh) * | 2020-08-09 | 2024-05-17 | 中信银行股份有限公司 | 一种专家确定方法、装置及存储介质 |
CN112100492A (zh) * | 2020-09-11 | 2020-12-18 | 河北冀联人力资源服务集团有限公司 | 一种不同版本的简历的批量投递方法和系统 |
CN112148872A (zh) * | 2020-09-28 | 2020-12-29 | 国家计算机网络与信息安全管理中心广东分中心 | 自然对话主题分析方法、装置、电子设备和存储介质 |
CN112148872B (zh) * | 2020-09-28 | 2024-04-02 | 国家计算机网络与信息安全管理中心广东分中心 | 自然对话主题分析方法、装置、电子设备和存储介质 |
CN114492429A (zh) * | 2022-01-12 | 2022-05-13 | 平安科技(深圳)有限公司 | 文本主题的生成方法、装置、设备及存储介质 |
CN114492429B (zh) * | 2022-01-12 | 2023-07-18 | 平安科技(深圳)有限公司 | 文本主题的生成方法、装置、设备及存储介质 |
WO2023134074A1 (zh) * | 2022-01-12 | 2023-07-20 | 平安科技(深圳)有限公司 | 文本主题的生成方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241524B (zh) | 语义解析方法及装置、计算机可读存储介质、电子设备 | |
CN111444340B (zh) | 文本分类方法、装置、设备及存储介质 | |
CN107273503B (zh) | 用于生成同语言平行文本的方法和装置 | |
CN107481717B (zh) | 一种声学模型训练方法及系统 | |
CN111061877A (zh) | 文本主题提取方法和装置 | |
CN111078887B (zh) | 文本分类方法和装置 | |
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
US11232263B2 (en) | Generating summary content using supervised sentential extractive summarization | |
CN108121699B (zh) | 用于输出信息的方法和装置 | |
CN109086265B (zh) | 一种语义训练方法、短文本中多语义词消歧方法 | |
WO2020052069A1 (zh) | 用于分词的方法和装置 | |
CN109657056B (zh) | 目标样本获取方法、装置、存储介质及电子设备 | |
EP4191544A1 (en) | Method and apparatus for recognizing token, electronic device and storage medium | |
CN111368551A (zh) | 一种确定事件主体的方法和装置 | |
CN116402166B (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
CN110852057A (zh) | 一种计算文本相似度的方法和装置 | |
CN110929532B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN113705207A (zh) | 语法错误识别方法及装置 | |
CN114792097B (zh) | 预训练模型提示向量的确定方法、装置及电子设备 | |
CN110705308A (zh) | 语音信息的领域识别方法、装置、存储介质及电子设备 | |
CN111666405A (zh) | 用于识别文本蕴含关系的方法和装置 | |
CN115630643A (zh) | 语言模型的训练方法、装置、电子设备及存储介质 | |
CN112464654B (zh) | 关键词生成方法、装置、电子设备和计算机可读介质 | |
CN115565186A (zh) | 文字识别模型的训练方法、装置、电子设备和存储介质 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200424 |