CN111695353B - 时效性文本的识别方法、装置、设备及存储介质 - Google Patents
时效性文本的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111695353B CN111695353B CN202010541348.7A CN202010541348A CN111695353B CN 111695353 B CN111695353 B CN 111695353B CN 202010541348 A CN202010541348 A CN 202010541348A CN 111695353 B CN111695353 B CN 111695353B
- Authority
- CN
- China
- Prior art keywords
- text
- identified
- effective word
- word
- current
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000032683 aging Effects 0.000 claims abstract description 90
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims description 60
- 230000015654 memory Effects 0.000 claims description 19
- 238000003058 natural language processing Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000036962 time dependent Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Character Discrimination (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了一种时效性文本的识别方法、装置、设备及存储介质，涉及自然语言处理技术领域。具体实现方案为：先对待识别文本进行处理，得到待识别文本对应的多个有效分词；并在有效分词的数量大于或等于第一阈值时，分别计算多个有效分词中，各有效分词对应的时效权重；根据各有效分词对应的时效权重，确定待识别文本的识别结果；识别结果包括待识别文本为时效性文本，或者，待识别文本为非时效性文本，实现了在兼顾时效性的条件下，提高了判断结果的获取效率。
Description
技术领域
本申请实施例涉及数据处理技术中的智能搜索技术领域，尤其涉及一种时效性文本的识别方法、装置、设备及存储介质。
背景技术
现有技术中，在判断某一文本是否为时效性文本时，通常是爬虫、搜索、或者人工等方式确定。但是，采用爬虫或者搜索的方式，在时间上比较滞后，会失去时效性特征；采用人工的方式，虽然延迟几乎可以忽略，但需要有文本敏感度的运营人员手工添加，时效性文本的获取效率较低，并且人工成本太高。
因此，在确定某一文本是否为时效性文本时，如何在兼顾时效性的条件下，提高判断结果的获取效率是本领域技术人员亟待解决的问题。
发明内容
本申请实施例提供了一种时效性文本的识别方法、装置、设备及存储介质，在确定某一文本是否为时效性文本时，实现在兼顾时效性的条件下，提高判断结果的获取效率。
第一方面，本申请实施例提供了一种时效性文本的识别方法，该时效性文本的识别方法可以包括：
对待识别文本进行处理，得到所述待识别文本对应的多个有效分词。
在所述有效分词的数量大于或等于第一阈值时，分别计算所述多个有效分词中，各有效分词对应的时效权重。
根据各有效分词对应的时效权重，确定所述待识别文本的识别结果；所述识别结果包括所述待识别文本为时效性文本，或者，所述待识别文本为非时效性文本。
第二方面，本申请实施例还提供了一种时效性文本的识别装置，该时效性文本的识别装置可以包括：
处理模块，用于对待识别文本进行处理，得到所述待识别文本对应的多个有效分词。
计算模块，用于在所述有效分词的数量大于或等于第一阈值时，分别计算所述多个有效分词中，各有效分词对应的时效权重。
处理模块，还用于根据各有效分词对应的时效权重，确定所述待识别文本的识别结果；所述识别结果包括所述待识别文本为时效性文本，或者，所述待识别文本为非时效性文本。
第三方面，本申请实施例还提供一种电子设备，该电子设备可以包括：
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上述第一方面所述的时效性文本的识别方法。
第四方面，本申请实施例还提供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上述第一方面所述的时效性文本的识别方法。
根据本申请的另一方面，提供了一种计算机程序产品，所述程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行上述第一方面所述的时效性文本的识别方法。
上述申请中的一个实施例具有如下优点或有益效果：在确定某一待识别文本是否为时效性文本时，不再是采用爬虫、搜索、人工等方式确定，而是先对待识别文本进行处理，得到待识别文本对应的多个有效分词；再根据各有效分词对应的时效权重，确定待识别文本是否为时效性文本，从而实现了在兼顾时效性的条件下，提高了判断结果的获取效率。
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是可以实现本申请实施例的时效性文本的识别方法的一种场景图；
图2为本申请实施例提供的一种时效性文本判断的框架示意图；
图3是根据本申请第一实施例提供的时效性文本的识别方法的流程示意图；
图4是根据本申请第二实施例提供的计算有效分词对应的时效权重的流程示意图；
图5是根据本申请第三实施例提供的时效性文本的识别方法的流程示意图；
图6是根据本申请第四实施例提供的时效性文本的识别装置的结构示意图；
图7是根据本申请实施例的时效性文本的识别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。
在本申请的实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。在本申请的文字描述中，字符“/”一般表示前后关联对象是一种“或”的关系。
本申请实施例提供的时效性文本的识别方法可以应用于时效性内容判断的场景中。示例的，请参见图1所示，图1是可以实现本申请实施例的时效性文本的识别方法的一种场景图。电子设备，例如终端，在判断某一文本，例如帖子，是否为时效性帖子时，通常是爬虫、搜索、或者人工等方式确定。但是，采用爬虫或者搜索的方式，在时间上比较滞后，会失去时效性特征；采用人工的方式，虽然延迟几乎可以忽略，但需要有帖子敏感度的运营人员手工添加，时效性帖子的获取效率较低，并且人工成本太高。
因此，为了在确定某一帖子是否为时效性帖子时，实现在兼顾时效性的条件下，提高判断结果的获取效率，本申请实施例提供了一种时效性文本的识别方法，在确定某一待识别文本是否为时效性文本时，不再是采用爬虫、搜索、人工等方式确定，而是先对待识别文本进行处理，得到待识别文本对应的多个有效分词；再根据各有效分词对应的时效权重，确定待识别文本是否为时效性文本，从而实现了在兼顾时效性的条件下，提高了判断结果的获取效率。示例的，请参见图2所示，图2为本申请实施例提供的一种时效性文本判断的框架示意图。
可以理解的是，本申请实施例中涉及的文本可以为帖子、也可以为新闻、资讯等，具体可以根据实际需要进行设置，在此，对于文本的类型，本申请实施例不做具体限制。后续在描述本申请实施例提供的技术方案时，将以文本为帖子为例，对本申请实施例提供的技术方案进行描述，但并不代表本申请实施例仅局限于对时效性帖子的判断场景。
下面，将通过具体的实施例对本申请提供的小程序数据的获取方法进行详细地说明。可以理解的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例一
图3是根据本申请第一实施例提供的时效性文本的识别方法的流程示意图，该时效性文本的识别方法可以由软件和/或硬件装置执行，例如，该硬件装置可以为时效性文本的识别装置，该时效性文本的识别装置可以设置在电子设备中。示例的，请参见图3所示，该时效性文本的识别方法可以包括：
S301、对待识别文本进行处理，得到待识别文本对应的多个有效分词。
示例的，以文本为帖子为例，电子设备在接收用户发的帖子时，若要确定该帖子(即为待识别帖子)是否为时效性帖子，可以先对该待识别帖子内容进行分词处理，得到待识别帖子对应的多个分词。由于该待识别帖子对应的多个分词中可能会包括无效分词。示例的，无效分词可以包括语气助词、特殊符号、常见词汇等，例如：`啊`、`的`、`吗`、`么`、`￥`、`#`、`@`、`大佬`、`今天`、`天气`、`微信`、`一篇`等，这些无效分词对于时效内容的确定没有任何价值，反而会增加计算复杂度，因此，在基于待识别帖子对应的分词确定该待识别帖子是否为时效性帖子时，可以先在该待识别帖子对应的多个分词中剔除掉无效分词，从而得到待识别帖子对应的多个有效分词。其中，有效分词可以理解为对时效内容的确定有参考价值的分词，例如，熔断、疫情、聚会等。
在获取到待识别帖子对应的多个有效分词后，可以先基于该待识别帖子对应的有效分词的数量判断该待识别帖子是否为有价值的帖子。示例的，在基于该待识别帖子对应的有效分词的数量判断该待识别帖子是否为有价值的帖子时，可以判断有效分词的数量是否大于或等于第一阈值，若有效分词的数量小于第一阈值，则认为该待识别帖子为无价值的帖子。举例来说，当该有效分词的数量为一个时，即只包括一个有效分词，由于仅有的一个有效分词几乎表示不了有价值的信息内容，因此，该待识别帖子可以直接被确定为非时效性帖子，且无需再执行后续的S302-S303；反之，若有效分词的数量大于该第一阈值，说明该待识别帖子可以表示有价值的信息内容，是一个有价值的帖子。对于有价值的帖子，可以进一步执行下述S302和S303。其中，第一阈值的取值可以根据实际需要进行设置，在此，对于第一阈值的取值，本申请实施例不做进一步地限制。
S302、在有效分词的数量大于或等于第一阈值时，分别计算多个有效分词中，各有效分词对应的时效权重。
其中，分词对应的时效权重可以理解为该分词为时效性分词的概率。
在有效分词的数量大于或等于第一阈值，确定该待识别帖子为有效帖子后，可以分别计算其对应的多个有效分词中，每一个有效分词对应的时效权重，这样就可以基于每一个有效分词对应的时效权重，确定该待识别帖子是否为时效性帖子，即执行下述S303：
S303、根据各有效分词对应的时效权重，确定待识别文本的识别结果。其中，识别结果包括待识别文本为时效性帖子，或者，待识别文本为非时效性帖子。
示例的，识别结果可以为“是”或者“否”，“是”表示待识别帖子为时效性帖子，“否”表示待识别帖子为非时效性帖子；识别结果也可以为“1”或者“0”，“1”表示待识别帖子为时效性帖子，“0”表示待识别帖子为非时效性帖子；当然，识别结果也可以为“True”或者“False”，“True”表示待识别帖子为时效性帖子，“False”表示待识别帖子为非时效性帖子。可以理解的是，本申请实施例只是以这几种类型的识别结果为例进行说明，但并不代表本申请实施例仅局限于此。
由于各有效分词对应的时效权重，可以在一定程度表示待识别帖子对应的时效权重，因此，在根据各有效分词对应的时效权重，确定待识别帖子的识别结果时，可以先根据各有效分词对应的时效权重，确定待识别帖子对应的时效权重。示例的，在根据各有效分词对应的时效权重，确定待识别帖子的识别结果时，可以计算该各有效分词对应的时效权重的和，并将计算得到的和作为该待识别帖子整体对应的时效权重；若待识别帖子的时效权重大于或等于第二阈值，说明该待识别帖子为时效性的可能性较大，则将该待识别帖子确定为时效性帖子；若待识别帖子的时效权重小于第二阈值，说明该待识别帖子为时效性的可能性较小，则将该待识别帖子确定为非时效性帖子，从而得到该待识别帖子的识别结果。
由此可见，本申请实施例提供的时效性文本的识别方法，在确定某一待识别文本是否为时效性文本时，不再是采用爬虫、搜索、人工等方式确定，而是先对待识别文本进行处理，得到待识别文本对应的多个有效分词；再根据各有效分词对应的时效权重，确定待识别文本是否为时效性文本，从而实现了在兼顾时效性的条件下，提高了判断结果的获取效率。
基于上述图3所示的实施例，可以看出，与现有技术不同，本申请实施例在判断一个待识别帖子是否为时效性帖子时，是基于待时效性帖子对应的多个有效分词中各有效分词对应的时效权重确定的，因此，如何计算有效分词对应的时效权重是至关重要的。
词频-逆文本频率指数(term frequency–inverse document frequency，TF-IDF)是一种统计学方法，用于评估一个字、一个分词对于一个文本集或一个语料库中的其中一份文本的重要程度。字、分词的重要性随着它在文本中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。其中，逆文本频率可以理解为整个文本集合中的总文本数除以包含某一词语的文本数，再将得到的商取以10为底的对数。对于帖子而言，一个分词在贴子中出现的次数越多，说明它对于该贴子越重要；而该分词在整个贴子集合中出现的次数越少，说明该词越新颖、越稀少、越有可能成为时效性内容的关键分词。基于该TF-IDF的统计思想，在本申请实施例中，可以根据有效分词在待识别帖子中出现的频率(即上述分词在贴子中出现的次数)和有效分词在当前帖子集合中出现的逆帖子频率(基于上述分词在整个贴子集合中出现的次数表征)，确定有效分词对应的时效权重。下面，将通过下述实施例三详细描述在本申请实施例中，如何有效分词对应的时效权重。其中，逆帖子频率可以理解为整个贴子集合中的总帖子数除以包含某一关键词的贴子数，再将得到的商取以10为底的对数。
实施例二
图4是根据本申请第二实施例提供的计算有效分词对应的时效权重的流程示意图。可以理解的是，由于在本申请实施例中，在计算任意一个有效分词对应的时效权重时，其对应的时效权重计算方法类似，因此，在后续实施例二的描述中，以计算任意一个有效分词为例，对有效分词对应的时效权重的计算方法进行描述。示例的，请参见图4所示，该有效分词对应的时效权重的计算方法可以包括：
S401、计算有效分词在待识别文本中出现的频率，以及有效分词在当前文本集合中出现的逆帖子频率。
其中，当前帖子集合中包括待识别文本。以文本为帖子为例，示例的，当前帖子集合可以包括前一周内的帖子，也可以为最近三天内的帖子，具体可以根据实际需要进行设置，在此，本申请实施例只是以当前帖子集合包括一周内的帖子为例进行说明，但并不代表本申请实施例仅局限于此。
示例的，在计算有效分词在待识别帖子中出现的频率时，可以先分别确定该有效分词在待识别帖子中出现的次数，以及待识别帖子中包括的有效分词的数量，再根据有效分词在待识别帖子中出现的次数，与待识别帖子中包括的有效分词的数量的第一比值确定有效分词在待识别帖子中出现的频率，可通过下述公式表示：
其中，wi表示待识别帖子中第i个有效分词在当前待识别帖子中出现的次数，分母
表示当前待识别帖子中包括的有效分词的数量，TFi表示第i个有效分词在当前待识别帖子中出现的频率，TFi越大，表示第i个有效分词在当前待识别帖子中的重要性越高。
可以理解的是，在本申请实施例中，只是以直接将第一比值确定为有效分词在待识别帖子中出现的频率为例进行说明，但并不代表本申请实施例仅局限于此。当然，也可以对第一比值做一定的处理，例如四舍五入处理，然后再将处理后的值确定为有效分词在待识别帖子中出现的频率，具体可以根据实际需要进行设置。
需要说明的是，在本申请实施例中，在待识别帖子中包括的有效分词的数量时，若某一个有效分词在待识别帖子中重复出现了N次，则在待识别帖子中包括的有效分词的数量上加N，而不是只加1。
以有效分词为“疫情”为例，在计算有效分词“疫情”在待识别帖子中出现的频率时，可以先分别确定该有效分词“疫情”在待识别帖子中出现的次数，以及待识别帖子中包括的有效分词“疫情”的数量。假设有效分词“疫情”在待识别帖子中出现了a次，待识别帖子中包括的有效分词的数量为b(其中包括有效分词“疫情”重复出现的次数a)，计算有效分词“疫情”在待识别帖子中出现的次数a次与待识别帖子中包括的有效分词的数量b的比值，将该比值a/b确定为确定有效分词“疫情”在待识别帖子中出现的频率a/b。
示例的，在计算有效分词在当前帖子集合中出现的逆帖子频率时，可以先分别确定当前帖子集合中包括的帖子数量，以及当前帖子集合中出现有效分词的帖子数量。示例的，在确定当前帖子集合中包括的帖子数量时，可以通过查询帖子分词数据集确定当前帖子集合中包括的帖子数量，每接收到新发的一个帖子后，对应的当前帖子集合中包括的帖子数量进行更新，例如每接收到新发的一个帖子后，对应的当前帖子集合中包括的帖子数量加1，并将更新后的当前帖子集合中包括的帖子数量存储在帖子分词数据集中，因此，可以通过查询帖子分词数据集，获取当前帖子集合中包括的帖子数量。示例的，在获取当前帖子集合中出现有效分词的帖子数量时，同样可以通过查询帖子分词数据集获取当前帖子集合中出现有效分词的帖子数量。其中，该帖子分词数据集可以包括前一周内的帖子中各帖子对应的有效分词，每一个有效分词可以采用Redis的形式存储在帖子分词数据集中。在存储时，每个有效分词的存储形式可以用一个键值对k:v表示，其中，k表示有效分词，v表示当前帖子集合中出现该有效分词的帖子数量。例如，一周内的帖子集合中出现有效分词“疫情”的帖子数量为1000，则每个有效分词在存储时对应的键值对为：疫情：1000，整个帖子分词数据集中包括了多个键值对，每一个键值对都表示了一个有效分词，最近一周内的帖子集合中出现该有效分词的帖子数量，因此，可以通过查询帖子分词数据集，获取当前帖子集合中出现有效分词的帖子数量。在分别获取到当前帖子集合中包括的帖子数量与当前帖子集合中出现有效分词的帖子数量之后，可以根据当前帖子集合中包括的帖子数量与当前帖子集合中出现有效分词的帖子数量的比值，确定有效分词在当前帖子集合中出现的逆帖子频率。
示例的，在根据当前帖子集合中包括的帖子数量与当前帖子集合中出现有效分词的帖子数量的比值，确定有效分词在当前帖子集合中出现的逆帖子频率时，可以通过下述公式表示：
其中，IDFi表示第i个有效分词在当前帖子集合中出现的逆帖子频率，D表示当前帖子集合中包括的帖子数量，Fi表示当前帖子集合中出现该第i个有效分词的帖子数量。IDFi的值越大，表示该第i个有效分词在当前帖子集合中就越新颖。可以理解的是，公式中分母加1，是为了防止有效分词出现次数为0，造成分母为零的极端情况，最后加1是为了防止分子分母相等的情况下，使得IDF值为0。
同样以有效分词为“疫情”为例，在计算有效分词“疫情”在当前帖子集合中出现的逆帖子频率时，可以先分别确定当前帖子集合中包括的帖子数量与当前帖子集合中出现有效分词“疫情”的帖子数量，假设当前帖子集合中包括的帖子数量为c，当前帖子集合中出现有效分词“疫情”的帖子数量为d，则该有效分词“疫情”在当前帖子集合中出现的逆帖子频率IDF为
在分别计算得到有效分词在待识别文本中出现的频率，以及有效分词在当前文本集合中出现的逆文本频率后，就可以计算有效分词在待识别文本中出现的频率与有效分词在当前文本集合中出现的逆文本频率的乘积，并根据该乘积确定有效分词对应的时效权重，即执行下述S302：
S402、根据有效分词在待识别文本中出现的频率和有效分词在当前文本集合中出现的逆帖子频率的乘积，确定有效分词对应的时效权重。
同样以文本为帖子为例，示例的，在根据有效分词在待识别帖子中出现的频率和有效分词在当前帖子集合中出现的逆帖子频率的乘积，确定有效分词对应的时效权重时，可以直接将有效分词在待识别帖子中出现的频率和有效分词在当前帖子集合中出现的逆帖子频率的乘积确定为有效分词对应的时效权重；当然，也可以对乘积做一定的处理，例如四舍五入处理，然后再将处理后的乘积确定为有效分词对应的时效权重，具体可以根据实际需要进行设置。
同样以有效分词为“疫情”为例，在分别计算得到有效分词“疫情”在待识别帖子中出现的频率a/b，以及该有效分词“疫情”在当前帖子集合中出现的逆帖子频率IDF为
后，可以计算a/b与/>
的乘积，将该乘积
确定为有效分词“疫情”对应的时效权重。
采用该图4所示的有效分词对应的时效权重的计算方法，可以分别计算得到待识别文本对应的多个有效分词中，每一个有效分词对应的时效权重；这样在获取到各有效分词对应的时效权重之后，就可以根据各有效分词对应的时效权重，确定待识别文本是否为时效性文本，从而实现了在兼顾时效性的条件下，提高了判断结果的获取效率。
实施例三
为了便于理解本申请实施例提供的技术方案，示例的，请参见图5所示，图5是根据本申请第三实施例提供的时效性文本的识别方法的流程示意图，以文本为帖子为例进行描述，该时效文本的识别方法可以包括：
在接收到用户的发帖后，可以通过分词处理对帖子内容进行分词处理，得到帖子对应的多个分词，并在帖子对应的多个分词中剔除掉无效分词，得到帖子对应的多个有效分词，示例的，该有效分词可以包括熔断、疫情、聚会等；以有效分词“疫情”为例，在得到有效分词“疫情”后，对当前帖子集合中出现有效分词“疫情”的帖子数量加1，且当前帖子集合的数量加1，并将其存储在帖子分词数据集中。通过剔除处理，得到帖子对应的多个有效分词之后，可以判断有效分词的数量是否大于或等于第一阈值，若有效分词的数量小于第一阈值，则直接确定该帖子为非时效性帖子；若有效分词的数量大于或等于第一阈值，则分别计算多个有效分词中，各有效分词对应的时效权重，其时效权重的具体方法可参见上述实施例二中的相关描述，在此，本申请实施例不再进行赘述。由于各有效分词对应的时效权重，可以在一定程度表示待识别帖子对应的时效权重，因此，在根据各有效分词对应的时效权重，确定待识别帖子的识别结果时，可以计算该各有效分词对应的时效权重的和，并将计算得到的和作为该帖子整体对应的时效权重；若帖子的时效权重大于或等于第二阈值，说明该帖子为时效性的可能性较大，则将该帖子确定为时效性帖子；若帖子的时效权重小于第二阈值，说明该帖子为时效性的可能性较小，则将该帖子确定为非时效性帖子，从而实现了在兼顾时效性的条件下，提高了判断结果的获取效率。
实施例四
图6是根据本申请第四实施例提供的时效性文本的识别装置的结构示意图，示例的，请参见图6所示，该时效性文本的识别装置60可以包括：
处理模块601，用于对待识别文本进行处理，得到待识别文本对应的多个有效分词。
计算模块602，用于在有效分词的数量大于或等于第一阈值时，分别计算多个有效分词中，各有效分词对应的时效权重。
处理模块601，还用于根据各有效分词对应的时效权重，确定待识别文本的识别结果；识别结果包括待识别文本为时效性文本，或者，待识别文本为非时效性文本。
可选的，处理模块601，具体用于根据各有效分词对应的时效权重的和，确定待识别文本对应的时效权重；并根据待识别文本对应的时效权重，确定待识别文本的识别结果。
可选的，处理模块601，具体用于若待识别文本的时效权重大于或等于第二阈值，则确定待识别文本为时效性文本；若待识别文本的时效权重小于第二阈值，则确定待识别文本为非时效性文本。
可选的，计算模块602，具体用于针对任意一个有效分词，计算有效分词在待识别文本中出现的频率，以及有效分词在当前文本集合中出现的逆文本频率；当前文本集合中包括待识别文本；并根据有效分词在待识别文本中出现的频率和有效分词在当前文本集合中出现的逆文本频率，确定有效分词对应的时效权重。
可选的，计算模块602，具体用于计算有效分词在待识别文本中出现的次数，与待识别文本中包括的有效分词的数量的第一比值；并根据第一比值，确定有效分词在待识别文本中出现的频率。
可选的，计算模块602，具体用于分别确定当前文本集合中包括的文本的数量，以及当前文本集合中出现有效分词的文本的数量；并根据当前文本集合中包括的文本的数量，以及当前文本集合中出现有效分词的文本的数量，计算有效分词在当前文本集合中出现的逆文本频率。
可选的，计算模块602，具体用于根据当前文本集合中包括的文本的数量与当前文本集合中出现有效分词的文本的数量的比值，计算有效分词在当前文本集合中出现的逆文本频率。
可选的，处理模块601，具体用于对待识别文本进行处理，得到待识别文本对应的多个分词；多个分词中包括无效分词；在多个分词中剔除掉无效分词，得到待识别文本对应的多个有效分词。
本申请实施例提供的时效性文本的识别装置60，可以执行上述任一实施例中的时效性文本的识别方法的技术方案，其实现原理以及有益效果与时效性文本的识别方法的实现原理及有益效果类似，可参见时效性文本的识别方法的实现原理及有益效果，此处不再进行赘述。
本申请还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案，其实现原理以及有益效果与时效性文本的识别方法的实现原理及有益效果类似，可参见时效性文本的识别方法的实现原理及有益效果，此处不再进行赘述。
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7所示，图7是根据本申请实施例的时效性文本的识别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7所示，该电子设备包括：一个或多个处理器701、存储器702，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7中以一个处理器701为例。
存储器702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时效性文本的识别方法。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时效性文本的识别方法。
存储器702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时效性文本的识别方法对应的程序指令/模块(例如，附图6所示的处理模块601和计算模块602)。处理器701通过运行存储在存储器702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时效性文本的识别方法。
存储器702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时效性文本的识别方法的电子设备的使用所创建的数据等。此外，存储器702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702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至时效性文本的识别方法的电子设备。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。
时效性文本的识别方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与时效性文本的识别方法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704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。
根据本申请实施例的技术方案，在确定某一待识别文本是否为时效性文本时，不再是采用爬虫、搜索、人工等方式确定，而是先对待识别文本进行处理，得到待识别文本对应的多个有效分词；再根据各有效分词对应的时效权重，确定待识别文本是否为时效性文本，从而实现了在兼顾时效性的条件下，提高了判断结果的获取效率。
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 (10)
1.一种时效性文本的识别方法，包括：
对待识别文本进行处理，得到所述待识别文本对应的多个有效分词；
在所述有效分词的数量大于或等于第一阈值时，分别计算所述多个有效分词中，各有效分词对应的时效权重；
根据各有效分词对应的时效权重，确定所述待识别文本的识别结果；所述识别结果包括所述待识别文本为时效性文本，或者，所述待识别文本为非时效性文本；
所述根据各有效分词对应的时效权重，确定所述待识别文本的识别结果，包括：
根据所述各有效分词对应的时效权重的和，确定所述待识别文本对应的时效权重；
若所述待识别文本的时效权重大于或等于第二阈值，则确定所述待识别文本为时效性文本；
若所述待识别文本的时效权重小于第二阈值，则确定所述待识别文本为非时效性文本。
2.根据权利要求1所述的方法，所述分别计算所述多个有效分词中，各有效分词对应的时效权重，包括：
针对任意一个有效分词，计算所述有效分词在所述待识别文本中出现的频率，以及所述有效分词在当前文本集合中出现的逆文本频率；所述当前文本集合中包括所述待识别文本；
根据所述有效分词在所述待识别文本中出现的频率和所述有效分词在当前文本集合中出现的逆文本频率，确定所述有效分词对应的时效权重。
3.根据权利要求2所述的方法，计算所述有效分词在当前文本集合中出现的逆文本频率，包括：
分别确定所述当前文本集合中包括的文本的数量，以及所述当前文本集合中出现所述有效分词的文本的数量；
根据所述当前文本集合中包括的文本的数量，以及所述当前文本集合中出现所述有效分词的文本的数量，计算所述有效分词在当前文本集合中出现的逆文本频率。
4.根据权利要求3所述的方法，所述根据所述当前文本集合中包括的文本的数量，以及所述当前文本集合中出现所述有效分词的文本的数量，计算所述有效分词在当前文本集合中出现的逆文本频率，包括：
根据所述当前文本集合中包括的文本的数量与所述当前文本集合中出现所述有效分词的文本的数量的比值，计算所述有效分词在当前文本集合中出现的逆文本频率。
5.一种时效性文本的识别装置，包括：
处理模块，用于对待识别文本进行处理，得到所述待识别文本对应的多个有效分词；
计算模块，用于在所述有效分词的数量大于或等于第一阈值时，分别计算所述多个有效分词中，各有效分词对应的时效权重；
处理模块，还用于根据各有效分词对应的时效权重，确定所述待识别文本的识别结果；所述识别结果包括所述待识别文本为时效性文本，或者，所述待识别文本为非时效性文本；
所述处理模块，具体用于根据所述各有效分词对应的时效权重的和，确定所述待识别文本对应的时效权重；若所述待识别文本的时效权重大于或等于第二阈值，则确定所述待识别文本为时效性文本；若所述待识别文本的时效权重小于第二阈值，则确定所述待识别文本为非时效性文本。
6.根据权利要求5所述的装置，
所述计算模块，具体用于针对任意一个有效分词，计算所述有效分词在所述待识别文本中出现的频率，以及所述有效分词在当前文本集合中出现的逆文本频率；所述当前文本集合中包括所述待识别文本；并根据所述有效分词在所述待识别文本中出现的频率和所述有效分词在当前文本集合中出现的逆文本频率，确定所述有效分词对应的时效权重。
7.根据权利要求6所述的装置，
所述计算模块，具体用于分别确定所述当前文本集合中包括的文本的数量，以及所述当前文本集合中出现所述有效分词的文本的数量；并根据所述当前文本集合中包括的文本的数量，以及所述当前文本集合中出现所述有效分词的文本的数量，计算所述有效分词在当前文本集合中出现的逆文本频率。
8.根据权利要求7所述的装置，
所述计算模块，具体用于根据所述当前文本集合中包括的文本的数量与所述当前文本集合中出现所述有效分词的文本的数量的比值，计算所述有效分词在当前文本集合中出现的逆文本频率。
9.一种电子设备，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权利要求1-4中任一项所述的时效性文本的识别方法。
10.一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权利要求1-4中任一项所述的时效性文本的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010541348.7A CN111695353B (zh) | 2020-06-12 | 2020-06-12 | 时效性文本的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010541348.7A CN111695353B (zh) | 2020-06-12 | 2020-06-12 | 时效性文本的识别方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111695353A CN111695353A (zh) | 2020-09-22 |
| CN111695353B true CN111695353B (zh) | 2023-07-04 |
Family
ID=72481094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010541348.7A Active CN111695353B (zh) | 2020-06-12 | 2020-06-12 | 时效性文本的识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111695353B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101477544A (zh) * | 2009-01-12 | 2009-07-08 | 腾讯科技（深圳）有限公司 | 一种识别垃圾文本的方法和系统 |
| EP3115907A1 (en) * | 2015-07-10 | 2017-01-11 | Accenture Global Services Limited | Common data repository for improving transactional efficiencies of user interactions with a computing device |
| CN107463605A (zh) * | 2017-06-21 | 2017-12-12 | 北京百度网讯科技有限公司 | 低质新闻资源的识别方法及装置、计算机设备及可读介质 |
| CN110347823A (zh) * | 2019-06-06 | 2019-10-18 | 平安科技（深圳）有限公司 | 基于语音的用户分类方法、装置、计算机设备及存储介质 |
| CN111026976A (zh) * | 2019-12-13 | 2020-04-17 | 北京信息科技大学 | 微博特定事件关注群体识别方法 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2003256456A1 (en) * | 2002-07-03 | 2004-01-23 | Word Data Corp. | Text-representation, text-matching and text-classification code, system and method |
| JP2007058842A (ja) * | 2005-07-26 | 2007-03-08 | Sony Corp | 情報処理装置、特徴抽出方法、記録媒体、および、プログラム |
| US8611676B2 (en) * | 2005-07-26 | 2013-12-17 | Sony Corporation | Information processing apparatus, feature extraction method, recording media, and program |
| CN105447038A (zh) * | 2014-08-29 | 2016-03-30 | 国际商业机器公司 | 用于获取用户特征的方法和系统 |
| CN107291723B (zh) * | 2016-03-30 | 2021-04-30 | 阿里巴巴集团控股有限公司 | 网页文本分类的方法和装置，网页文本识别的方法和装置 |
| CN109753646B (zh) * | 2017-11-01 | 2022-10-21 | 深圳市腾讯计算机系统有限公司 | 一种文章属性识别方法以及电子设备 |
| CN108021558A (zh) * | 2017-12-27 | 2018-05-11 | 北京金山安全软件有限公司 | 关键词的识别方法、装置、电子设备和存储介质 |
| CN110287328B (zh) * | 2019-07-03 | 2021-03-16 | 广东工业大学 | 一种文本分类方法、装置、设备及计算机可读存储介质 |
| CN110674289A (zh) * | 2019-07-04 | 2020-01-10 | 南瑞集团有限公司 | 基于分词权重判断文章所属分类的方法、装置和存储介质 |
| CN110442678B (zh) * | 2019-07-24 | 2022-03-29 | 中智关爱通（上海）科技股份有限公司 | 一种文本字词权重计算方法及系统、存储介质及终端 |
| CN110597988B (zh) * | 2019-08-28 | 2024-03-19 | 腾讯科技（深圳）有限公司 | 一种文本分类方法、装置、设备及存储介质 |
| CN110569361B (zh) * | 2019-09-06 | 2021-10-19 | 腾讯科技（深圳）有限公司 | 一种文本识别方法及设备 |
| CN110717326B (zh) * | 2019-09-17 | 2022-12-23 | 平安科技（深圳）有限公司 | 基于机器学习的文本信息作者的识别方法及其装置 |
| CN110851598B (zh) * | 2019-10-30 | 2023-04-07 | 深圳价值在线信息科技股份有限公司 | 文本分类方法、装置、终端设备及存储介质 |
-
2020
- 2020-06-12 CN CN202010541348.7A patent/CN111695353B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101477544A (zh) * | 2009-01-12 | 2009-07-08 | 腾讯科技（深圳）有限公司 | 一种识别垃圾文本的方法和系统 |
| EP3115907A1 (en) * | 2015-07-10 | 2017-01-11 | Accenture Global Services Limited | Common data repository for improving transactional efficiencies of user interactions with a computing device |
| CN107463605A (zh) * | 2017-06-21 | 2017-12-12 | 北京百度网讯科技有限公司 | 低质新闻资源的识别方法及装置、计算机设备及可读介质 |
| CN110347823A (zh) * | 2019-06-06 | 2019-10-18 | 平安科技（深圳）有限公司 | 基于语音的用户分类方法、装置、计算机设备及存储介质 |
| CN111026976A (zh) * | 2019-12-13 | 2020-04-17 | 北京信息科技大学 | 微博特定事件关注群体识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111695353A (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3816812A1 (en) | Question answering method and language model training method, apparatus, device, and storgage medium | |
| CN110517785B (zh) | 相似病例的查找方法、装置及设备 | |
| EP3913499A1 (en) | Method and apparatus for processing dataset, electronic device and storage medium | |
| KR102528748B1 (ko) | 지식 그래프를 구축하는 방법, 장치, 기기 및 저장 매체 | |
| US20210397791A1 (en) | Language model training method, apparatus, electronic device and readable storage medium | |
| CN112084366B (zh) | 用于检索图像的方法、装置、设备以及存储介质 | |
| CN111488740B (zh) | 一种因果关系的判别方法、装置、电子设备及存储介质 | |
| CN111104514A (zh) | 文档标签模型的训练方法及装置 | |
| CN110674406A (zh) | 推荐方法、装置、电子设备及存储介质 | |
| CN111078878B (zh) | 文本处理方法、装置、设备及计算机可读存储介质 | |
| CN111241234B (zh) | 文本分类方法及装置 | |
| CN111460289B (zh) | 新闻资讯的推送方法和装置 | |
| US20220027575A1 (en) | Method of predicting emotional style of dialogue, electronic device, and storage medium | |
| CN111127191B (zh) | 风险评估方法及装置 | |
| CN111858905B (zh) | 模型训练方法、信息识别方法、装置、电子设备及存储介质 | |
| CN111522863B (zh) | 一种主题概念挖掘方法、装置、设备以及存储介质 | |
| CN112084150B (zh) | 模型训练、数据检索方法，装置，设备以及存储介质 | |
| CN113765873A (zh) | 用于检测异常访问流量的方法和装置 | |
| CN112380847A (zh) | 兴趣点处理方法、装置、电子设备及存储介质 | |
| CN111666417B (zh) | 生成同义词的方法、装置、电子设备以及可读存储介质 | |
| JP2024507902A (ja) | 情報検索方法、装置、電子機器および記憶媒体 | |
| CN111984775A (zh) | 问答质量确定方法、装置、设备和存储介质 | |
| CN111695353B (zh) | 时效性文本的识别方法、装置、设备及存储介质 | |
| CN107688596B (zh) | 突发话题检测方法及突发话题检测设备 | |
| CN115454261A (zh) | 输入法候选词生成方法、装置、电子设备及可读存储介质 |
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 |