CN111126063A - 文本质量评估方法及装置 - Google Patents

文本质量评估方法及装置 Download PDF

Info

Publication number
CN111126063A
CN111126063A CN201911370576.6A CN201911370576A CN111126063A CN 111126063 A CN111126063 A CN 111126063A CN 201911370576 A CN201911370576 A CN 201911370576A CN 111126063 A CN111126063 A CN 111126063A
Authority
CN
China
Prior art keywords
comment
text
information
comment information
value corresponding
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.)
Granted
Application number
CN201911370576.6A
Other languages
English (en)
Other versions
CN111126063B (zh
Inventor
何伯磊
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201911370576.6A priority Critical patent/CN111126063B/zh
Publication of CN111126063A publication Critical patent/CN111126063A/zh
Application granted granted Critical
Publication of CN111126063B publication Critical patent/CN111126063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本申请公开了文本质量评估方法及装置，涉及文本处理技术领域。具体实现方案为：获取待评估的文本以及对应的评论信息；评论信息包括：至少一条评论；对文本以及对应的评论信息分别进行特征提取，获取文本内容特征信息和评论内容特征信息；将文本内容特征信息和评论内容特征信息输入预设的文本分类模型，获取文本的质量等级，从而能够结合文本以及对应的评论信息进行质量评估，提高评估得到的质量的准确度。

Description

文本质量评估方法及装置
技术领域
本申请涉及数据处理技术领域，具体涉及文本处理技术领域，尤其涉及文本质量评估方法及装置。
背景技术
目前，需要根据文章的质量对文章进行分发和推荐等。文章的质量确定方法为，根据文章的作者质量、作者往期发表文章的质量、文章的长度以及信息量、文章的黄反信息、文章的结构信息、文章的内容等来确定文章的质量。
上述方法中，没有涉及文章对应的评论信息，只是根据文章的内容进行质量确定，确定得到的文章质量带有一定的主观性和有偏性，导致确定得到的文章质量的准确度低。
发明内容
本申请提出一种文本质量评估方法及装置，结合文本内容以及文本对应的评论信息内容来进行质量评估，提高评估得到的文本质量的准确度。
本申请一方面实施例提出了一种文本质量评估方法，包括：
获取待评估的文本以及对应的评论信息；所述评论信息包括：至少一条评论；
对所述文本以及对应的评论信息分别进行特征提取，获取文本内容特征信息和评论内容特征信息；
将所述文本内容特征信息和所述评论内容特征信息输入预设的文本分类模型，获取所述文本的质量等级。
在本申请一个实施例中，所述文本内容特征信息包括以下信息中的任意一种或者多种：文本标题对应的情感数值、文本正文内容对应的情感数值。
在本申请一个实施例中，所述评论内容特征信息包括以下信息中的任意一种或者多种：评论信息对应的情感数值、评论信息的观点抽取结果、评论信息对应的流畅度、评论信息对应的纠错率。
在本申请一个实施例中，所述评论信息对应的情感数值的获取方式为，
针对所述评论信息中的每条评论，将所述评论输入预设的情感分析模型，获取所述评论对应的情感数值；
对所述至少一条评论对应的情感数值进行计算，确定所述评论信息对应的情感数值。
在本申请一个实施例中，所述评论信息的观点抽取结果的获取方式为，
针对所述评论信息中的每条评论，将所述评论输入预设的观点抽取模型，获取所述评论对应的观点抽取结果；
对所述至少一条评论对应的观点抽取结果进行合并，生成所述评论信息对应的观点抽取结果。
在本申请一个实施例中，所述将所述文本内容特征信息和所述评论内容特征信息输入预设的文本分类模型，获取所述文本的质量等级之前，还包括：
获取训练数据，所述训练数据包括：多个训练样本，所述训练样本包括：文本、文本对应的评论信息、文本的质量等级；
采用所述训练数据对初始的文本分类模型进行训练，得到所述预设的文本分类模型。
本申请实施例的文本质量评估方法，通过获取待评估的文本以及对应的评论信息；评论信息包括：至少一条评论；对文本以及对应的评论信息分别进行特征提取，获取文本内容特征信息和评论内容特征信息；将文本内容特征信息和评论内容特征信息输入预设的文本分类模型，获取文本的质量等级，从而能够结合文本以及对应的评论信息进行质量评估，提高评估得到的质量的准确度。
本申请另一方面实施例提出了一种文本质量评估装置，包括：
获取模块，用于获取待评估的文本以及对应的评论信息；所述评论信息包括：至少一条评论；
特征提取模块，用于对所述文本以及对应的评论信息分别进行特征提取，获取文本内容特征信息和评论内容特征信息；
分类模块，用于将所述文本内容特征信息和所述评论内容特征信息输入预设的文本分类模型，获取所述文本的质量等级。
在本申请一个实施例中，所述文本内容特征信息包括以下信息中的任意一种或者多种：文本标题对应的情感数值、文本正文内容对应的情感数值。
在本申请一个实施例中，所述评论内容特征信息包括以下信息中的任意一种或者多种：评论信息对应的情感数值、评论信息的观点抽取结果、评论信息对应的流畅度、评论信息对应的纠错率。
在本申请一个实施例中，所述评论信息对应的情感数值的获取方式为，
针对所述评论信息中的每条评论，将所述评论输入预设的情感分析模型，获取所述评论对应的情感数值；
对所述至少一条评论对应的情感数值进行计算，确定所述评论信息对应的情感数值。
在本申请一个实施例中，所述评论信息的观点抽取结果的获取方式为，
针对所述评论信息中的每条评论，将所述评论输入预设的观点抽取模型，获取所述评论对应的观点抽取结果；
对所述至少一条评论对应的观点抽取结果进行合并，生成所述评论信息对应的观点抽取结果。
在本申请一个实施例中，所述的装置还包括：训练模块；
所述获取模块，还用于获取训练数据，所述训练数据包括：多个训练样本，所述训练样本包括：文本、文本对应的评论信息、文本的质量等级；
所述训练模块，用于采用所述训练数据对初始的文本分类模型进行训练，得到所述预设的文本分类模型。
本申请实施例的文本质量评估装置，通过获取待评估的文本以及对应的评论信息；评论信息包括：至少一条评论；对文本以及对应的评论信息分别进行特征提取，获取文本内容特征信息和评论内容特征信息；将文本内容特征信息和评论内容特征信息输入预设的文本分类模型，获取文本的质量等级，从而能够结合文本以及对应的评论信息进行质量评估，提高评估得到的质量的准确度。
本申请另一方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请实施例的文本质量评估方法。
本申请另一方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请实施例的文本质量评估方法。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的示意图；
图2是根据本申请第二实施例的示意图；
图3是根据本申请第三实施例的示意图；
图4是用来实现本申请实施例的文本质量评估方法的电子设备的框图；
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。
下面参考附图描述本申请实施例的文本质量评估方法及装置。
图1是根据本申请第一实施例的示意图。其中，需要说明的是，本实施例提供的文本质量评估方法的执行主体为文本质量评估装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在终端设备或者服务器中，该实施例对此不作具体限定。
如图1所示，该文本质量评估方法可以包括：
步骤101，获取待评估的文本以及对应的评论信息；评论信息包括：至少一条评论。
步骤102，对文本以及对应的评论信息分别进行特征提取，获取文本内容特征信息和评论内容特征信息。
本申请中，文本内容特征信息可以包括以下信息中的任意一种或者多种：文本标题对应的情感数值、文本正文内容对应的情感数值。其中，情感指的是正向情感、负向情感等。情感数值例如，正向情感的情感数值为1，负向情感的情感数值为0，则文本标题等对应的情感数值可以为1、0、或者0到1之间的任意数值。
本申请中，对文本进行特征提取之前，可以先对文本中的文本标题和文本正文内容进行预处理，例如分句、分词、词性标注、依存词法分析等，获取分句结果、分词结果、词性标注结果、依存词法分析结果等；将文本标题对应的分句结果、分词结果、词性标注结果、依存词法分析结果等作为文本标题对应的预处理结果；将文本正文内容对应的分句结果、分词结果、词性标注结果、依存词法分析结果等作为文本正文内容对应的预处理结果。
然后将文本标题对应的预处理结果输入预设的情感分析模型，获取文本标题对应的情感数值；将文本正文内容对应的预处理结果输入预设的情感分析模型，获取文本正文内容对应的情感数值。将文本标题对应的情感数值以及文本正文内容对应的情感数值确定为文本内容特征信息。
本申请中，评论内容特征信息可以包括以下信息中的任意一种或者多种：评论信息对应的情感数值、评论信息的观点抽取结果、评论信息对应的流畅度、评论信息对应的纠错率。
本申请中，评论信息对应的情感数值的获取方式可以为，针对评论信息中的每条评论，将评论输入预设的情感分析模型，获取评论对应的情感数值；对至少一条评论对应的情感数值进行计算，确定评论信息对应的情感数值。其中，计算方法例如直接加和运算、加权运算等，可以根据需要进行设置。其中，以正向情感数值为1，负向情感数值为0为例，若评论信息对应的情感数值越趋向于正向情感数值，则文本的质量越高；若评论信息对应的情感数值越趋向于负向情感数值，则文本的质量越低。
本申请中，对评论信息进行特征提取之前，可以先对评论信息中的每条评论进行预处理，例如分句、分词、词性标注、依存词法分析等，获取每条评论对应的预处理结果。进而将每条评论对应的预处理结果输入预设的情感分析模型，获取每条评论对应的情感数值。
本申请中，评论信息的观点抽取结果的获取方式可以为，针对评论信息中的每条评论，将评论输入预设的观点抽取模型，获取评论对应的观点抽取结果；对至少一条评论对应的观点抽取结果进行合并，生成评论信息对应的观点抽取结果。其中，观点能够反映用户对文本的评价，例如若观点是针对文本的实质内容，则表示文本的质量越高；若观点是针对文本的非实质内容，则表示文本的质量越低。
本申请中，评论信息对应的流畅度的获取方式可以为，结合每条评论的内容，获取每条评论的流畅度，进而对各条评论的流畅度进行计算得到评论信息对应的流畅度。评论信息对应的纠错率的获取方式可以为，结合每条评论的内容，获取每条评论的纠错率，进而对各条评论的纠错率进行计算得到评论信息对应的纠错率。其中，评论信息对应的流畅度和纠错率，能够反映评论是否为机器自动生成的评论，流畅度越低，评论为机器自动生成的可能性越高；纠错率越高，评论为机器自动生成的可能性越高，而机器自动生成的评论一般为低质量的评论。
步骤103，将文本内容特征信息和评论内容特征信息输入预设的文本分类模型，获取文本的质量等级。
其中，文本分类模型例如可以为，卷积神经网络模型(Convolutional NeuralNetworks，CNN)。
进一步地，为了提高文本分类模型的准确度，步骤103之前，所述的方法还可以包括：获取训练数据，训练数据包括：多个训练样本，训练样本包括：文本、文本对应的评论信息、文本的质量等级；采用训练数据对初始的文本分类模型进行训练，得到预设的文本分类模型。
本申请实施例的文本质量评估方法，通过获取待评估的文本以及对应的评论信息；评论信息包括：至少一条评论；对文本以及对应的评论信息分别进行特征提取，获取文本内容特征信息和评论内容特征信息；将文本内容特征信息和评论内容特征信息输入预设的文本分类模型，获取文本的质量等级，从而能够结合文本以及对应的评论信息进行质量评估，提高评估得到的质量的准确度。
为了实现上述实施例，本申请实施例还提供一种文本质量评估装置。
图2是根据本申请第二实施例的示意图。如图2所示，该文本质量评估装置100包括：
获取模块110，用于获取待评估的文本以及对应的评论信息；所述评论信息包括：至少一条评论；
特征提取模块120，用于对所述文本以及对应的评论信息分别进行特征提取，获取文本内容特征信息和评论内容特征信息；
分类模块130，用于将所述文本内容特征信息和所述评论内容特征信息输入预设的文本分类模型，获取所述文本的质量等级。
在本申请一个实施例中，所述文本内容特征信息包括以下信息中的任意一种或者多种：文本标题对应的情感数值、文本正文内容对应的情感数值。
在本申请一个实施例中，所述评论内容特征信息包括以下信息中的任意一种或者多种：评论信息对应的情感数值、评论信息的观点抽取结果、评论信息对应的流畅度、评论信息对应的纠错率。
在本申请一个实施例中，所述评论信息对应的情感数值的获取方式为，
针对所述评论信息中的每条评论，将所述评论输入预设的情感分析模型，获取所述评论对应的情感数值；
对所述至少一条评论对应的情感数值进行计算，确定所述评论信息对应的情感数值。
在本申请一个实施例中，所述评论信息的观点抽取结果的获取方式为，
针对所述评论信息中的每条评论，将所述评论输入预设的观点抽取模型，获取所述评论对应的观点抽取结果；
对所述至少一条评论对应的观点抽取结果进行合并，生成所述评论信息对应的观点抽取结果。
在本申请一个实施例中，结合参考图3，所述的装置还包括：训练模块140；
所述获取模块110，还用于获取训练数据，所述训练数据包括：多个训练样本，所述训练样本包括：文本、文本对应的评论信息、文本的质量等级；
所述训练模块140，用于采用所述训练数据对初始的文本分类模型进行训练，得到所述预设的文本分类模型。
其中，需要说明的是，前述对文本质量评估方法的解释说明也适用于本实施例的文本质量评估装置，此处不再赘述。
本申请实施例的文本质量评估装置，通过获取待评估的文本以及对应的评论信息；评论信息包括：至少一条评论；对文本以及对应的评论信息分别进行特征提取，获取文本内容特征信息和评论内容特征信息；将文本内容特征信息和评论内容特征信息输入预设的文本分类模型，获取文本的质量等级，从而能够结合文本以及对应的评论信息进行质量评估，提高评估得到的质量的准确度。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图4所示，是根据本申请实施例的文本质量评估方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示，该电子设备包括：一个或多个处理器301、存储器302，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器301为例。
存储器302即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的文本质量评估方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的文本质量评估方法。
存储器302作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的文本质量评估方法对应的程序指令/模块(例如，附图2所示的获取模块110、特征提取模块120、分类模块130，附图3所示的训练模块140)。处理器301通过运行存储在存储器302中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的文本质量评估方法。
存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据文本质量评估的电子设备的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至文本质量评估的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
文本质量评估的方法的电子设备还可以包括：输入装置303和输出装置304。处理器301、存储器302、输入装置303和输出装置304可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置303可接收输入的数字或字符信息，以及产生与文本质量评估的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置304可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (14)

1.一种文本质量评估方法，其特征在于，包括：
获取待评估的文本以及对应的评论信息；所述评论信息包括：至少一条评论；
对所述文本以及对应的评论信息分别进行特征提取，获取文本内容特征信息和评论内容特征信息；
将所述文本内容特征信息和所述评论内容特征信息输入预设的文本分类模型，获取所述文本的质量等级。
2.根据权利要求1所述的方法，其特征在于，所述文本内容特征信息包括以下信息中的任意一种或者多种：文本标题对应的情感数值、文本正文内容对应的情感数值。
3.根据权利要求1所述的方法，其特征在于，所述评论内容特征信息包括以下信息中的任意一种或者多种：评论信息对应的情感数值、评论信息的观点抽取结果、评论信息对应的流畅度、评论信息对应的纠错率。
4.根据权利要求3所述的方法，其特征在于，所述评论信息对应的情感数值的获取方式为，
针对所述评论信息中的每条评论，将所述评论输入预设的情感分析模型，获取所述评论对应的情感数值；
对所述至少一条评论对应的情感数值进行计算，确定所述评论信息对应的情感数值。
5.根据权利要求3所述的方法，其特征在于，所述评论信息的观点抽取结果的获取方式为，
针对所述评论信息中的每条评论，将所述评论输入预设的观点抽取模型，获取所述评论对应的观点抽取结果；
对所述至少一条评论对应的观点抽取结果进行合并，生成所述评论信息对应的观点抽取结果。
6.根据权利要求1所述的方法，其特征在于，所述将所述文本内容特征信息和所述评论内容特征信息输入预设的文本分类模型，获取所述文本的质量等级之前，还包括：
获取训练数据，所述训练数据包括：多个训练样本，所述训练样本包括：文本、文本对应的评论信息、文本的质量等级；
采用所述训练数据对初始的文本分类模型进行训练，得到所述预设的文本分类模型。
7.一种文本质量评估装置，其特征在于，包括：
获取模块，用于获取待评估的文本以及对应的评论信息；所述评论信息包括：至少一条评论；
特征提取模块，用于对所述文本以及对应的评论信息分别进行特征提取，获取文本内容特征信息和评论内容特征信息；
分类模块，用于将所述文本内容特征信息和所述评论内容特征信息输入预设的文本分类模型，获取所述文本的质量等级。
8.根据权利要求7所述的装置，其特征在于，所述文本内容特征信息包括以下信息中的任意一种或者多种：文本标题对应的情感数值、文本正文内容对应的情感数值。
9.根据权利要求7所述的装置，其特征在于，所述评论内容特征信息包括以下信息中的任意一种或者多种：评论信息对应的情感数值、评论信息的观点抽取结果、评论信息对应的流畅度、评论信息对应的纠错率。
10.根据权利要求9所述的装置，其特征在于，所述评论信息对应的情感数值的获取方式为，
针对所述评论信息中的每条评论，将所述评论输入预设的情感分析模型，获取所述评论对应的情感数值；
对所述至少一条评论对应的情感数值进行计算，确定所述评论信息对应的情感数值。
11.根据权利要求9所述的装置，其特征在于，所述评论信息的观点抽取结果的获取方式为，
针对所述评论信息中的每条评论，将所述评论输入预设的观点抽取模型，获取所述评论对应的观点抽取结果；
对所述至少一条评论对应的观点抽取结果进行合并，生成所述评论信息对应的观点抽取结果。
12.根据权利要求7所述的装置，其特征在于，还包括：训练模块；
所述获取模块，还用于获取训练数据，所述训练数据包括：多个训练样本，所述训练样本包括：文本、文本对应的评论信息、文本的质量等级；
所述训练模块，用于采用所述训练数据对初始的文本分类模型进行训练，得到所述预设的文本分类模型。
13.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1－6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1－6中任一项所述的方法。
CN201911370576.6A 2019-12-26 2019-12-26 文本质量评估方法及装置 Active CN111126063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911370576.6A CN111126063B (zh) 2019-12-26 2019-12-26 文本质量评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911370576.6A CN111126063B (zh) 2019-12-26 2019-12-26 文本质量评估方法及装置

Publications (2)

Publication Number Publication Date
CN111126063A true CN111126063A (zh) 2020-05-08
CN111126063B CN111126063B (zh) 2023-06-20

Family

ID=70503480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911370576.6A Active CN111126063B (zh) 2019-12-26 2019-12-26 文本质量评估方法及装置

Country Status (1)

Country Link
CN (1) CN111126063B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966509A (zh) * 2021-04-16 2021-06-15 重庆度小满优扬科技有限公司 文本质量评估方法、装置、存储介质及计算机设备
CN113177399A (zh) * 2021-04-25 2021-07-27 网易（杭州）网络有限公司 文本处理方法、装置、电子设备及存储介质
CN114547435A (zh) * 2020-11-24 2022-05-27 腾讯科技（深圳）有限公司 内容质量的识别方法、装置、设备及可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160098480A1 (en) * 2014-10-01 2016-04-07 Xerox Corporation Author moderated sentiment classification method and system
CN105893350A (zh) * 2016-03-31 2016-08-24 重庆大学 一种电子商务中文本评论质量的评价方法与系统
KR20170053527A (ko) * 2015-11-06 2017-05-16 삼성전자주식회사 자동 번역의 품질 평가 장치 및 방법, 자동 번역 장치, 분산 표현 모델 구축 장치
CN108269125A (zh) * 2018-01-15 2018-07-10 口碑(上海)信息技术有限公司 评论信息质量评估方法及系统、评论信息处理方法及系统
CN109558593A (zh) * 2018-11-30 2019-04-02 北京字节跳动网络技术有限公司 用于处理文本的方法和装置
US20190114320A1 (en) * 2017-10-17 2019-04-18 Tata Consultancy Services Limited System and method for quality evaluation of collaborative text inputs
CN110390018A (zh) * 2019-07-25 2019-10-29 哈尔滨工业大学 一种基于lstm的社交网络评论生成方法
CN110413780A (zh) * 2019-07-16 2019-11-05 合肥工业大学 文本情感分析方法、装置、存储介质及电子设备
CN110569377A (zh) * 2019-09-11 2019-12-13 腾讯科技（深圳）有限公司 一种媒体文件的处理方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160098480A1 (en) * 2014-10-01 2016-04-07 Xerox Corporation Author moderated sentiment classification method and system
KR20170053527A (ko) * 2015-11-06 2017-05-16 삼성전자주식회사 자동 번역의 품질 평가 장치 및 방법, 자동 번역 장치, 분산 표현 모델 구축 장치
CN105893350A (zh) * 2016-03-31 2016-08-24 重庆大学 一种电子商务中文本评论质量的评价方法与系统
US20190114320A1 (en) * 2017-10-17 2019-04-18 Tata Consultancy Services Limited System and method for quality evaluation of collaborative text inputs
CN108269125A (zh) * 2018-01-15 2018-07-10 口碑(上海)信息技术有限公司 评论信息质量评估方法及系统、评论信息处理方法及系统
CN109558593A (zh) * 2018-11-30 2019-04-02 北京字节跳动网络技术有限公司 用于处理文本的方法和装置
CN110413780A (zh) * 2019-07-16 2019-11-05 合肥工业大学 文本情感分析方法、装置、存储介质及电子设备
CN110390018A (zh) * 2019-07-25 2019-10-29 哈尔滨工业大学 一种基于lstm的社交网络评论生成方法
CN110569377A (zh) * 2019-09-11 2019-12-13 腾讯科技（深圳）有限公司 一种媒体文件的处理方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YIN S ET AL.: "A Web Text Fuzzy Classification Algorithm on Fuzzy Comprehensive Weighted Evaluation Reasonin", 《IEEE COMPUTER SOCIETY, 2009》 *
孟园;王洪伟;: "基于文本内容特征选择的评论质量检测", 现代图书情报技术, no. 04 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114547435A (zh) * 2020-11-24 2022-05-27 腾讯科技（深圳）有限公司 内容质量的识别方法、装置、设备及可读存储介质
CN112966509A (zh) * 2021-04-16 2021-06-15 重庆度小满优扬科技有限公司 文本质量评估方法、装置、存储介质及计算机设备
CN112966509B (zh) * 2021-04-16 2023-04-07 重庆度小满优扬科技有限公司 文本质量评估方法、装置、存储介质及计算机设备
CN113177399A (zh) * 2021-04-25 2021-07-27 网易（杭州）网络有限公司 文本处理方法、装置、电子设备及存储介质
CN113177399B (zh) * 2021-04-25 2024-02-06 网易（杭州）网络有限公司 文本处理方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111126063B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN111428008B (zh) 用于训练模型的方法、装置、设备以及存储介质
CN111709247B (zh) 数据集处理方法、装置、电子设备和存储介质
CN110674314B (zh) 语句识别方法及装置
CN111967262A (zh) 实体标签的确定方法和装置
CN111126063B (zh) 文本质量评估方法及装置
CN111079945B (zh) 端到端模型的训练方法及装置
CN110674260B (zh) 语义相似模型的训练方法、装置、电子设备和存储介质
CN111783468A (zh) 文本处理方法、装置、设备和介质
CN111144108A (zh) 情感倾向性分析模型的建模方法、装置和电子设备
CN111144507A (zh) 情感分析模型预训练方法、装置及电子设备
CN111859982A (zh) 语言模型的训练方法、装置、电子设备及可读存储介质
CN111241810A (zh) 标点预测方法及装置
CN111078878A (zh) 文本处理方法、装置、设备及计算机可读存储介质
CN111522944A (zh) 用于输出信息的方法、装置、设备以及存储介质
CN111127191A (zh) 风险评估方法及装置
CN111563198B (zh) 一种物料召回方法、装置、设备及存储介质
CN112084150A (zh) 模型训练、数据检索方法，装置，设备以及存储介质
CN112380847A (zh) 兴趣点处理方法、装置、电子设备及存储介质
CN111858880A (zh) 获取查询结果的方法、装置、电子设备和可读存储介质
CN111738015A (zh) 文章情感极性分析方法、装置、电子设备及存储介质
CN110909136A (zh) 满意度预估模型的训练方法、装置、电子设备及存储介质
CN112270169B (zh) 对白角色预测方法、装置、电子设备及存储介质
CN110909390B (zh) 一种任务审核方法、装置、电子设备及存储介质
CN111241398A (zh) 数据预取方法、装置、电子设备及计算机可读存储介质
CN111125445A (zh) 社区主题生成方法、装置、电子设备及存储介质

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