CN111626055A - 文本处理方法及装置、计算机存储介质、电子设备 - Google Patents

Abstract

本公开涉及计算机技术领域，提供了一种文本处理方法、文本处理装置、计算机存储介质、电子设备，其中，文本处理方法包括：对获取到的目标文本进行分词处理得到多个分词片段；从多个分词片段中，确定具有句法依存关系、且在目标文本中连续的分词片段，构成组合词片段；根据组合词片段的词频信息和每个分词片段的词频信息，确定组合词片段的成词判决值；若成词判决值大于预设阈值，将组合词片段作为标准词添加至分词词典中。本公开中的文本处理方法能够在标记语料缺失的情况下凭借有限的词库，快速准确的完成分词任务，避免语义歧义，提高分词准确度。

Description

文本处理方法及装置、计算机存储介质、电子设备

技术领域

本公开涉及计算机技术领域，特别涉及一种文本处理方法、文本处理装置、计算机存储介质及电子设备。

背景技术

随着科学技术的发展，对文本智能化处理的要求越来越高。分词就是将连续的文本按照语言规范切分成一些字词序列的过程。分词技术是自然语言处理的基础，分词的好坏直接决定了对文本内容解析的准确度。

目前，一般是通过人工建立不同粒度的词库，并进行大量的语料标记形成字典数据，并根据字典数据训练分词模型以进行分词处理。然而，经常会出现语义丢失或语义歧义的现象，分词准确度较低。

鉴于此，本领域亟需开发一种新的文本处理方法及装置。

需要说明的是，上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。

发明内容

本公开的目的在于提供一种文本处理方法、文本处理装置、计算机存储介质及电子设备，进而至少在一定程度上避免了相关技术中准确度较低的缺陷。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供一种文本处理方法，包括：对获取到的目标文本进行分词处理得到多个分词片段；从所述多个分词片段中，确定具有句法依存关系、且在所述目标文本中连续的分词片段，构成组合词片段；根据所述组合词片段的词频信息和每个所述分词片段的词频信息，确定所述组合词片段的成词判决值；若所述成词判决值大于预设阈值，将所述组合词片段作为标准词添加至分词词典中。

在本公开的示例性实施例中，在将所述组合词片段作为标准词添加至分词词典中之后，所述方法还包括：从多个所述标准词中，确定具有句法依存关系、且在所述目标文本中连续的标准词，构成新的组合词片段；根据所述新的组合词片段的词频信息和每个所述标准词的词频信息，确定所述新的组合词片段的成词判决值；若所述成词判决值大于预设阈值，根据所述新的组合词片段更新所述分词词典。

在本公开的示例性实施例中，所述根据所述组合词片段的词频信息和每个所述分词片段的词频信息，确定所述组合词片段的成词判决值，包括：获取每个所述分词片段的词频信息的乘积；将所述组合词片段的词频信息与所述乘积的比值确定为所述组合词片段的成词判决值。

在本公开的示例性实施例中，在对获取到的目标文本进行分词处理得到多个分词片段之后，所述方法还包括：对所述分词片段进行词性标注，得到词性标注结果；根据所述词性标注结果对所述多个分词片段进行依存句法分析，得到所述多个分词片段之间的句法依存关系。

在本公开的示例性实施例中，所述对所述分词片段进行词性标注，得到词性标注结果，包括：构建所述分词片段对应的语义向量；将所述语义向量输入训练好的词性标注模型中，根据所述词性标注模型的输出，得到所述分词片段的词性标注结果；其中，所述词性标注模型用于对所述语义向量进行解码，以确定所述分词片段的所述词性标注结果。

在本公开的示例性实施例中，所述方法还包括：获取每个分词片段在所述目标文本中的出现次数，以及，获取所述目标文本的总字数；根据每个所述分词片段在所述目标文本中的出现次数和所述目标文本的总字数的比值，确定每个所述分词片段的词频信息。

在本公开的示例性实施例中，所述方法还包括：对获取到的目标领域的词库文件进行预处理，所述预处理包括格式转换和文本去重处理；基于爬虫技术获取所述目标领域的关联文本；将所述预处理之后的词库文件和所述关联文本确定为所述目标文本。

根据本公开的第二方面，提供一种文本处理装置，包括：分词处理模块，用于对获取到的目标文本进行分词处理得到多个分词片段；组合模块，用于从所述多个分词片段中，确定具有句法依存关系、且在所述目标文本中连续的分词片段，构成组合词片段；成词判决模块，用于根据所述组合词片段的词频信息和每个所述分词片段的词频信息，确定所述组合词片段的成词判决值；添加模块，用于若所述成词判决值大于预设阈值，将所述组合词片段作为标准词添加至分词词典中。

根据本公开的第三方面，提供一种计算机存储介质，其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上述第一方面所述的文本处理方法。

根据本公开的第四方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述第一方面所述的文本处理方法。

由上述技术方案可知，本公开示例性实施例中的文本处理方法、文本处理装置、计算机存储介质及电子设备至少具备以下优点和积极效果：

在本公开的一些实施例所提供的技术方案中，一方面，对获取到的目标文本进行分词处理得到多个分词片段，从所述多个分词片段中，确定具有句法依存关系、且在所述目标文本中连续的分词片段，构成组合词片段，从而，能够加粗分词粒度，从句法结构维度简单高效的确定出候选的组合词，解决相关技术中分词粒度过小导致语义歧义或语义丢失的技术问题，最大程度的保留文本语义。另一方面，根据组合词片段的词频信息和每个所述分词片段的词频信息，确定所述组合词片段的成词判决值，若所述成词判决值大于预设阈值，将所述组合词片段作为标准词添加至分词词典中，能够从上述候选组合词中筛选出更符合实际情况的标准词，还能根据标准词创建出与各个领域相对应的分词词典，有很好的跨领域性，提高得到的标准词的准确度。

本公开应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出本公开一示例性实施例中文本处理方法的子流程示意图；

图2示出本公开一示例性实施例中文本处理方法的流程示意图；

图3示出本公开一示例性实施例中文本处理方法的子流程示意图；

图4示出本公开一示例性实施例中文本处理方法的子流程示意图；

图5示出本公开一示例性实施例中文本处理方法的子流程示意图；

图6示出本公开示例性实施例中文本处理装置的结构示意图；

图7示出本公开示例性实施例中计算机存储介质的结构示意图；

图8示出本公开示例性实施例中电子设备的结构示意图。

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公开将更加全面和完整，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。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方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述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技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。

分词就是将连续的文本按照语言规范切分成一些字词序列的过程。分词技术是自然语言处理的基础，分词的好坏直接决定了对文本内容解析的准确度。相比较英文，中文分词处理的句子和锻炼有很有限的分隔符，想要将其切分准确，是一项复杂和困难的工程。

随着技术不断发展，统计语言模型使得分词技术日渐成熟，相关分词工具已经可以做到基本文本分词准确率达96％以上。但是，对于跨领域的文本分词时，相关分词工具会把词切得很细，导致明显的歧义性和新词语义丢失的问题。举例而言，对“世纪永安终身保险”分词，会将其拆解为“世纪/永安/终身/保险”，但是分词为“世纪永安/终身保险”可能会更好一些，甚至就从保险产品角度而言，“世纪永安终身保险”就是一个完整的词汇，是不需要拆分的。

目前，为了解决上述“歧义性和语义丢失”的问题，一般是建立不同粒度的词库和统计语言模型，迭代训练，不断“加粗”词的粒度，而有些应用中是需要多种不同粒度的分词作为数据的，因此，需要大量标记的语料和字典数据，而多粒度的复合词表人工标注和完善是一项非常大的工程，耗时耗力。因此，亟需一种轻便快捷而且能同时适用于多个领域的解决分词处理方法。

在本公开的实施例中，首先提供了一种文本处理方法，至少在一定程度上克服相关技术中提供的文本处理方法准确度较低的缺陷。

图2示出本公开一示例性实施例中文本处理方法的流程示意图，该文本处理方法的执行主体可以是对文本进行处理的服务器。

参考图2，根据本公开的一个实施例的文本处理方法包括以下步骤：

步骤S210，对获取到的目标文本进行分词处理得到多个分词片段；

步骤S220，从多个分词片段中，确定具有句法依存关系、且在目标文本中连续的分词片段，构成组合词片段；

步骤S230，根据组合词片段的词频信息和每个分词片段的词频信息，确定组合词片段的成词判决值；

步骤S240，若成词判决值大于预设阈值，将组合词片段作为标准词添加至分词词典中。

在图2所示实施例所提供的技术方案中，一方面，对获取到的目标文本进行分词处理得到多个分词片段，从所述多个分词片段中，确定具有句法依存关系、且在所述目标文本中连续的分词片段，构成组合词片段，从而，能够加粗分词粒度，从句法结构维度简单高效的确定出候选的组合词，解决相关技术中分词粒度过小导致语义歧义或语义丢失的技术问题，最大程度的保留文本语义。另一方面，根据组合词片段的词频信息和每个所述分词片段的词频信息，确定所述组合词片段的成词判决值，若所述成词判决值大于预设阈值，将所述组合词片段作为标准词添加至分词词典中，能够从上述候选组合词中筛选出更符合实际情况的标准词，还能根据标准词创建出与各个领域相对应的分词词典，有很好的跨领域性，提高得到的标准词的准确度。

以下对图2中的各个步骤的具体实现过程进行详细阐述：

在本公开的示例性实施例中，可以先获取目标文本。具体的，可以参考图1，图1示出本公开一示例性实施例中文本处理方法的流程示意图，具体示出获取目标文本的子流程示意图，包括步骤S101-步骤S103，以下结合图1对具体的实施方式进行解释说明。

在步骤S101中，对获取到的目标领域的词库文件进行预处理，预处理包括格式转换和文本去重处理。

在本公开的示例性实施例中，目标领域可以是计算机技术领域、人工智能技术领域、大数据技术领域、保险领域、金融领域等，可以根据实际情况自行设定，均属于本公开的保护范围。

以上述目标领域为保险领域为例进行说明，示例性的，可以下载百度词库、搜狗细胞词库等多个与保险领域相关的词库文件，并对上述词库文件进行预处理(包括格式转换和文本去重处理)，具体的，下载得到的百度词库的文件格式可以是bdict格式，而搜狗细胞词库的文件格式可以是scel格式，示例性的，可以将上述词库文件的格式转换为txt格式(是微软在操作系统上附带的一种文本格式)，以便对词库文件中的文本进行查看和编辑。

进而，可以对上述词库文件(百度词库和搜狗细胞词库)进行融合，并对其中包含的文本进行去重处理，以去除冗余数据，提高后续的数据处理效率。

在步骤S102中，基于爬虫技术获取目标领域的关联文本。

在本公开的示例性实施例中，还可以基于爬虫技术爬取目标领域的关联文本。其中，爬虫是一段自动抓取互联网信息的程序，可以从互联网上抓取对于我们有价值的信息。具体的，以上述目标领域为保险领域为例进行说明，可以基于爬虫技术爬取保险领域的相关网页，以得到保险领域的关联文本(例如：新闻、问答知识库、相关保险公司的网页数据等)，以保证目标领域相关词汇的最大覆盖率。

需要说明的是，上述关联文本中还可以包括本次文本处理任务中包含的待处理文本，从而，能够保证样本多样性，提高分词效果。

在步骤S103中，将预处理之后的词库文件和关联文本确定为目标文本。

在本公开的示例性实施例中，可以将上述预处理之后的词库文件和上述关联文本进行合并，得到上述目标文本。

示例性的，还可以对上述目标文本进行进一步的处理，例如：删除上述目标文本中的空格和换行字符，并在每篇文本的前后插入标记符(例如：“/”)以进行分隔等。

参考图2，在步骤S210中，对获取到的目标文本进行分词处理得到多个分词片段。

在本公开的示例性实施例中，在获取到目标文本之后，可以对目标文本进行分词处理，得到多个分词片段。其中，分词处理指的是将一个文本序列切分成一个一个有意义的单独的词的过程。

具体的，可以基于分词工具LTP对目标文本进行分词处理，得到多个分词片段。示例性的，还可以基于字符串匹配的分词方法(例如：正向最大匹配法、逆向最大匹配法或双向最大匹配法)、基于理解的分词方法或基于统计的分词方法对目标文本进行处理。示例性的，还可以训练基于上述三种算法(正向最大匹配法、逆向最大匹配法或双向最大匹配法)的机器学习模型，并基于上述训练好的机器学习模型对目标文本进行分词处理，均可以根据实际情况自行设定，属于本公开的保护范围。

举例而言，当目标文本为“健康百分百C+终身重疾险”时，分词处理之后得到的多个分词片段可以是“健康/百分百/C/+/终身/重疾/险”。

在得到多个分词片段之后，可以参考图3，图3示出本公开一示例性实施例中文本处理方法的子流程示意图，具体示出确定分词片段之间的句法依存关系的子流程示意图，包含步骤S301-步骤S302，以下结合图3对具体的实施方式进行解释说明。

在步骤S301中，对多个分词片段进行词性标注，得到词性标注结果。

在得到上述多个分词片段之后，可以对各个分词片段进行词性标注，得到词性标注结果。其中，词性(part-of-speech)是词汇基本的语法属性，是词汇基本的语法范畴，通常也称为词类，主要用来描述一个词在上下文的作用。词性有名词，动词，形容词，数词，量词，副词，代词，拟音词，介词，连词，助词等。词性标注(part-of-speech tagging)又称为词类标注或者简称标注，是指为分词结果中的每个单词标注一个正确的词性的程序，也即确定每个词是名词、动词、形容词或者其他词性的过程。

具体的，可以基于神经网络算法构建各个分词片段对应的语义向量，并将语义向量输入训练好的词性标注模型中，根据词性标注模型的输出，得到分词片段的词性标注结果。示例性的，可以预先获取海量的样本数据(包括多个分词片段及其词性标注结果)，将上述样本数据输入机器学习模型中，多次调整参数以训练上述机器学习模型，使上述机器学习模型的损失函数趋于收敛，得到上述词性标注模型。并根据词性标注模型对语义向量进行解码，以预测得到分词片段的词性标注结果。

示例性的，还可以基于词性标注工具(例如：Jieba、SnowNLP、THULAC、Hanlp等)进行词性标注，可根据实际情况自行设定，属于本公开的保护范围。

通过对分词片段进行词性标注，可以为后续的文本处理步骤带来极大的便利，便于后续快速确定出各个分词片段之间的句法依存关系，提高后续的文本处理效率。

举例而言，以上述分词片段“健康/百分百/C/+/终身/重疾/险”为例进行说明，可以标注分词片段“健康”的词性为形容词，标注分词片段“百分百”的词性为数词，标注分词片段“C”的词性为英文字母，标注分词片段“+”的词性为计算符号，标注分词片段“终身”和“重疾”的词性为形容词，标注分词片段“险”的词性为名词。需要说明的是，当分词片段的词性被标注为类似“英文字母或计算符号”这样的词性时，在后续进行句法依存关系处理时，可以将分词片段当做名词来处理，即上述英文字母“C”和计算符号“+”均可作为名词参与后续的处理过程。

在步骤S302中，根据词性标注结果对多个分词片段进行依存句法分析，得到多个分词片段之间的句法依存关系。

在本公开的示例性实施例中，在对上述分词片段进行词性标注之后，可以根据词性标注结果(即为各个分词片段标注的词性)对上述多个分词片段进行依存句法分析，以得到多个分词片段之间的句法依存关系。

其中，依存句法分析是通过分析语言单位内成分之间的依存关系揭示其句法结构。直观来讲，依存句法分析可以识别句子中的“主谓宾”、“定状补”这些语法成分，并分析各成分之间的依存关系。

具体的，上述句法依存关系可以包括以下一种或多种：定中关系ATT、状中结构ADV和并列关系COO。

其中，定中关系ATT即“定语+中心语”的修饰关系，其中，定语的词性可以是形容词，中心语的词性可以是名词或代词，例如：办事精明的老王、面无表情的样子、壮丽的山河等。

状中结构ADV即“状语+中心语”的修饰关系，其中，状语的词性科可以是副词，中心语的词性可以是动词或形容词，例如：非常出色、仔细检查、愤怒地说等。

并列关系COO是指在同一属概念之中存在同层次的种概念，表示句子或词语之间具有的一种相互关联，或是同时并举，或是同地进行的关系。并列关系可以是相互关联的不同事物，也可以是同一事物的不同方面，还可以是同一主体的不同动作。简而言之，并列关系可以是类似“形容词+形容词”、“动词+动词”这样两个词性相同的词，例如：半斤八两、娇生惯养、深思熟虑等。

需要说明的是，上述句法依存关系也可以设置为：主谓关系、动宾关系、介宾关系等，可以根据实际需求自行设定，属于本公开的保护范围。

参照上述步骤S301的相关解释可知，举例而言，“健康”、“百分百”均为形容词，则可以确定“健康”、“百分百”之间存在并列关系COO。“C”为英文字母，可以当做名词来对待，从而，“健康/百分百”和“C”之间存在定中关系ATT。类似的，计算符号“+”也可以当做名词来对待，则“C”和“+”之间存在并列关系。

类似的，“终身”、“重疾”的词性标注信息均为形容词，而“险”的词性标注信息为名词时，可以确定出“终身”、“重疾”和“险”之间存在定中关系ATT。

在步骤S220中，从多个分词片段中，确定具有句法依存关系、且在目标文本中连续的分词片段，构成组合词片段。

在本公开的示例性实施例中，可以从上述多个分词片段中，确定出具有句法依存关系、且在目标文本中连续的分词片段，构成组合词片段。

示例性的，参照上述步骤S302的相关解释，从多个分词片段中，确定出来的组合词片段可以是[健康/百分百/C/+]和[终身/重疾/险]。

在步骤S230中，根据组合词片段的词频信息和每个分词片段的词频信息，确定组合词片段的成词判决值。

在本公开的示例性实施例中，在构成组合词片段之后，可以根据组合词片段的词频信息和每个分词片段的词频信息，确定出组合词片段的成词判决值。

具体的，可以参考图4，图4示出本公开一示例性实施例中文本处理方法的子流程示意图，具体示出根据组合词片段的词频信息和每个分词片段的词频信息，确定组合词片段的成词判决值的子流程示意图，包括步骤S401-步骤S402，以下结合图4对步骤S230的具体实施方式进行解释。

在步骤S401中，获取每个分词片段的词频信息的乘积。

在本公开的示例性实施例中，可以获取每个分词片段在目标文本中的出现次数，以及，获取目标文本的总字数，进而，根据每个分词片段在目标文本中的出现次数和目标文本的总字数的比值，确定每个分词片段的词频信息，即词频信息＝每个分词片段在目标文本中的出现次数/目标文本的总字数。

示例性的，以分词片段“健康”为例进行说明，当“健康”在目标文本中的出现次数为20次，而目标文本的总字数为100字时，则分词片段“健康”的词频信息P1为：P1＝20/100＝0.2。

进而，示例性的，以组合词片段[健康/百分百/C/+]为例进行说明，可以获取构成组合词片段的每个分词片段的词频信息，并确定得到的多个词频信息的乘积。举例而言，分词片段“百分百”的词频信息P2可以是0.1，分词片段“C”的词频信息P3可以是0.1，分词片段“+”的词频信息P2可以是0.05。从而，上述多个分词片段的词频信息的乘积可以是0.2*0.1*0.1*0.05＝0.0001。

在步骤S402中，将组合词片段的词频信息与乘积的比值确定为组合词片段的成词判决值。

在本公开的示例性实施例中，可以获取上述组合词片段的词频信息，参照上述步骤S402的相关解释可知，可以将组合词片段在上述目标文本中的出现次数与目标文本的总字数的比值确定为上述组合词的词频信息，示例性的，组合词的词频信息可以是0.01。

进而，可以将组合词片段的词频信息与上述乘积的比值确定为组合词片段的成词判决值，即组合词片段[健康/百分百/C/+]的成词判决值M1＝0.01/0.0001＝100。

类似的，确定出来的上述组合词片段[终身/重疾/险]的成词判决值M2可以是90。

在步骤S240中，若成词判决值大于预设阈值，将组合词片段作为标准词添加至分词词典中。

在本公开的示例性实施例中，在得到上述组合词片段的成词判决值之后，若上述成词判决值大于预设阈值，可以将组合词片段作为标准词添加至分词词典中。其中，分词词典即多个分词的集合，通过分词词典可以实现对句子的切分，以体现出每个词的意义和作用。

需要说明的是，上述预设阈值可以是：预先设定多个分词样本，从分词样本中人工选取可成词的分词片段，并计算得到多次试验的多个成词判决值，取上述多个成词判决值的最小值作为上述预设阈值，通过基于大量领域文本的阈值筛选方法，使得该方法有了自我纠错和调整的能力，使得得到的标准词有更高的可信度。或者，上述预设阈值也可以根据实际需求(例如：项目中要求的分词精确度)来自行设定，均属于本公开的保护范围。

示例性的，参照上述步骤的相关解释，当预设阈值为80时，则可以确定组合词片段[健康/百分百/C/+]的成词判决值大于预设阈值，组合词片段[终身/重疾/险]的成词判决值大于上述预设阈值，进而，可以将组合词片段[健康百分百C+]和[终身重疾险]作为标准词添加至分词词典中。

进一步的，在将标准词添加至分词词典中之后，可以参考图5，图5示出本公开一示例性实施例中文本处理方法的子流程示意图，具体示出对分词词典进行更新的子流程示意图，包含步骤S501-步骤S503，以下结合图5对具体的实施方式进行解释。

在步骤S501中，从多个标准词中，确定具有句法依存关系、且在目标文本中连续的标准词，构成新的组合词片段。

示例性的，可以参考上述步骤S301-步骤S302的相关解释，从得到的多个标准词中，确定出具有句法依存关系、且在目标文本中连续的标准词，构成新的组合词片段，举例而言，当“健康百分百C+”和“终身重疾险”之间存在句法依存关系(定中关系ATT)，并且，“健康百分百C+”和“终身重疾险”在目标文本中连续时，可以确定出新的组合词片段：[健康百分百C+/终身重疾险]。

在步骤S502中，根据新的组合词片段的词频信息和每个标准词的词频信息，确定新的组合词片段的成词判决值。

示例性的，可以参照上述步骤S230的相关解释，根据新的组合词片段的词频信息和每个标准词的词频信息，确定新的组合词片段的成词判决值，示例性的，确定出来的新的组合词片段的成词判决值可以是120。

在步骤S503中，若成词判决值大于预设阈值，根据新的组合词片段更新分词词典。

示例性的，参照上述步骤S502的相关解释可知，成词判决值120大于预设阈值80，则可以根据新的组合词片段[健康百分百C+终身重疾险]更新上述分词词典。

进一步的，在根据新的组合词片段更新分词词典的基础上，可以继续参考上述步骤S301-步骤S302的相关解释，从分词词典中包含的多个标准词中，确定出具有句法依存关系、且在目标文本中连续的标准词，构成新的组合词片段。举例而言，当“健康百分百C+终身重疾险”和“产品”之间存在句法依存关系(例如：并列关系COO)，并且，“健康百分百C+终身重疾险”和“产品”在目标文本中连续时，可以确定出新的组合词片段：[健康百分百C+终身重疾险/产品]。需要说明的是，上述根据分词词典中的标准词迭代确定新的组合词片段的次数可以根据实际情况自行设定，属于本公开的保护范围。

进而，可以计算新的组合词片段：[健康百分百C+终身重疾险/产品]对应的成词判决值，示例性的，其成词判决值可以是150，进而，可以确定出其成词判决值150大于预设阈值80，可以根据新的组合词片段[健康百分百C+终身重疾险产品]更新上述分词词典。通过不断进行自我迭代以确定新的组合词片段，能够逐步加粗分词的粒度，得到包含多个粒度词汇的分词词典，还能够对分词词典进行丰富和完善，提高后续分词效率。

从而，上述分词词典中包含的组合词片段可以包含：健康、百分百、C、+、终身、重疾、险、产品、健康百分百C+、终身重疾险、健康百分百C+终身重疾险、健康百分百C+终身重疾险产品，显而易见的，本公开能够实现多粒度分词，满足不同分词粒度的要求，从而可以为各种与分词有关的应用提供支持，同时该多粒度词典应用在分词中，还可以很好地对分词过程中存在的歧义进行消解。

在多次对分词词典进行更新之后，当分词词典中的词达到一定丰富度之后，在后续对目标领域的文本进行处理时，可以直接导入该分词词典，并直接基于分词词典对文本进行处理，从而能够得到在保证多个粒度的预料的情况下，保证后续分词的准确度和语义完整性。

基于上述技术方案，一方面，本公开中的目标文本不要求特定来源，甚至项目中待处理的文本都可以，并且通过爬虫技术就可以获得大量的文本，收集的数据几乎是零成本，解决了相关技术中需要人工标注的问题，并且通过词性标注和依存句法分析来确定组合词片段，并通过计算组合词片段的成词判决值来进一步确定组合词片段的可以进行合并为新词，实现了多粒度分词，规则简单，准确度较高，保证了语义完整性。

本公开还提供了一种文本处理装置，图6示出本公开示例性实施例中文本处理装置的结构示意图；如图6所示，文本处理装置600可以包括分词处理模块601、组合模块602、成词判决模块603和添加模块604。

其中：

分词处理模块601，用于对获取到的目标文本进行分词处理得到多个分词片段。

在本公开的示例性实施例中，分词处理模块用于对获取到的目标领域的词库文件进行预处理，预处理包括格式转换和文本去重处理；基于爬虫技术获取目标领域的关联文本；将预处理之后的词库文件和关联文本确定为目标文本。

组合模块602，用于从多个分词片段中，确定具有句法依存关系、且在目标文本中连续的分词片段，构成组合词片段。

在本公开的示例性实施例中，组合模块用于对分词片段进行词性标注，得到词性标注结果；根据词性标注结果对多个分词片段进行依存句法分析，得到多个分词片段之间的句法依存关系。

在本公开的示例性实施例中，组合模块用于构建分词片段对应的语义向量；将语义向量输入训练好的词性标注模型中，根据词性标注模型的输出，得到分词片段的词性标注结果；其中，词性标注模型用于对语义向量进行解码，以确定分词片段的词性标注结果。

在本公开的示例性实施例中，组合模块用于当具有句法依存关系、且在目标文本中连续的分词片段中存在非文字对象时，获取非文字对象的词性标注信息；若词性标注信息为预设类型，将非文字对象判定为构成组合词片段的分词片段。

成词判决模块603，用于根据组合词片段的词频信息和每个分词片段的词频信息，确定组合词片段的成词判决值。

在本公开的示例性实施例中，成词判决模块用于获取每个分词片段在目标文本中的出现次数，以及，获取目标文本的总字数；根据每个分词片段在目标文本中的出现次数和目标文本的总字数的比值，确定每个分词片段的词频信息。

在本公开的示例性实施例中，成词判决模块用于获取每个分词片段的词频信息的乘积；将组合词片段的词频信息与乘积的比值确定为组合词片段的成词判决值。

添加模块604，用于若成词判决值大于预设阈值，将组合词片段作为标准词添加至分词词典中。

在本公开的示例性实施例中，添加模块用于从多个标准词中，确定具有句法依存关系、且在目标文本中连续的标准词，构成新的组合词片段；根据新的组合词片段的词频信息和每个标准词的词频信息，确定新的组合词片段的成词判决值；若成词判决值大于预设阈值，根据新的组合词片段更新分词词典。

上述文本处理装置中各模块的具体细节已经在对应的文本处理方法中进行了详细的描述，因此此处不再赘述。

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。

在本公开示例性实施方式中，还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开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公开各种示例性实施方式的步骤。

参考图7所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品700，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，并可以在终端设备，例如个人电脑上运行。然而，本公开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公开操作的程序代码，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，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，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开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”。

下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800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8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830以及显示单元840。

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810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图2中所示的：步骤S210，对获取到的目标文本进行分词处理得到多个分词片段；步骤S220，从多个分词片段中，确定具有句法依存关系、且在目标文本中连续的分词片段，构成组合词片段；步骤S230，根据组合词片段的词频信息和每个分词片段的词频信息，确定组合词片段的成词判决值；步骤S240，若成词判决值大于预设阈值，将组合词片段作为标准词添加至分词词典中。

存储单元820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)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。

存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205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830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800也可以与一个或多个外部设备900(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800交互的设备通信，和/或与使得该电子设备800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850进行。并且，电子设备800还可以通过网络适配器860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860通过总线830与电子设备800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800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。

此外，上述附图仅是根据本公开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)

1.一种文本处理方法，其特征在于，包括：

对获取到的目标文本进行分词处理得到多个分词片段；

从所述多个分词片段中，确定具有句法依存关系、且在所述目标文本中连续的分词片段，构成组合词片段；

根据所述组合词片段的词频信息和每个所述分词片段的词频信息，确定所述组合词片段的成词判决值；

若所述成词判决值大于预设阈值，将所述组合词片段作为标准词添加至分词词典中。

2.根据权利要求1所述的方法，其特征在于，在将所述组合词片段作为标准词添加至分词词典中之后，所述方法还包括：

从多个所述标准词中，确定具有句法依存关系、且在所述目标文本中连续的标准词，构成新的组合词片段；

根据所述新的组合词片段的词频信息和每个所述标准词的词频信息，确定所述新的组合词片段的成词判决值；

若所述成词判决值大于预设阈值，根据所述新的组合词片段更新所述分词词典。

3.根据权利要求2所述的方法，其特征在于，所述根据所述组合词片段的词频信息和每个所述分词片段的词频信息，确定所述组合词片段的成词判决值，包括：

获取每个所述分词片段的词频信息的乘积；

将所述组合词片段的词频信息与所述乘积的比值确定为所述组合词片段的成词判决值。

4.根据权利要求1或2所述的方法，其特征在于，在对获取到的目标文本进行分词处理得到多个分词片段之后，所述方法还包括：

对所述分词片段进行词性标注，得到词性标注结果；

根据所述词性标注结果对所述多个分词片段进行依存句法分析，得到所述多个分词片段之间的句法依存关系。

5.根据权利要求4所述的方法，其特征在于，所述对所述分词片段进行词性标注，得到词性标注结果，包括：

构建所述分词片段对应的语义向量；

将所述语义向量输入训练好的词性标注模型中，根据所述词性标注模型的输出，得到所述分词片段的词性标注结果；

其中，所述词性标注模型用于对所述语义向量进行解码，以确定所述分词片段的所述词性标注结果。

6.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：

获取每个分词片段在所述目标文本中的出现次数，以及，获取所述目标文本的总字数；

根据每个所述分词片段在所述目标文本中的出现次数和所述目标文本的总字数的比值，确定每个所述分词片段的词频信息。

7.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：

对获取到的目标领域的词库文件进行预处理，所述预处理包括格式转换和文本去重处理；

基于爬虫技术获取所述目标领域的关联文本；

将所述预处理之后的词库文件和所述关联文本确定为所述目标文本。

8.一种文本处理装置，其特征在于，包括：

分词处理模块，用于对获取到的目标文本进行分词处理得到多个分词片段；

组合模块，用于从所述多个分词片段中，确定具有句法依存关系、且在所述目标文本中连续的分词片段，构成组合词片段；

成词判决模块，用于根据所述组合词片段的词频信息和每个所述分词片段的词频信息，确定所述组合词片段的成词判决值；

添加模块，用于若所述成词判决值大于预设阈值，将所述组合词片段作为标准词添加至分词词典中。

9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～7中任意一项所述的文本处理方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～7中任意一项所述的文本处理方法。

Images