CN111858916A - 用于聚类句子的方法和装置 - Google Patents
用于聚类句子的方法和装置 Download PDFInfo
- Publication number
- CN111858916A CN111858916A CN201910255951.6A CN201910255951A CN111858916A CN 111858916 A CN111858916 A CN 111858916A CN 201910255951 A CN201910255951 A CN 201910255951A CN 111858916 A CN111858916 A CN 111858916A
- Authority
- CN
- China
- Prior art keywords
- semantic vector
- semantic
- density
- vector
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 506
- 238000000638 solvent extraction Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 230000004044 response Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了用于聚类句子的方法和装置。该方法的一具体实施方式包括:将待聚类句子集合中的每个句子对应的语义向量组成的集合确定为语义向量集合;对于语义向量集合中的每个语义向量,执行以下密度计算操作;对于语义向量集合中的每个语义向量,执行以下聚类划分操作;对于所建立的每个聚类,将划分到该聚类中的各个语义向量中密度最大的语义向量确定为该聚类的聚类中心语义向量;将所确定的各聚类中心语义向量对应的待聚类句子确定为聚类中心句子集合。该实施方式提高了句子聚类的准确率。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉用于聚类句子的方法和装置。
背景技术
句子聚类,就是把多个句子按照语义划分到不同类别。目前,有很多场合会用到句子聚类。例如,在自助对话系统中,可以对用户问题句子进行聚类,分析出用户总体的意图分布,并提炼出相对应的标准问题句子和答案句子用于线上应答。
现有的句子聚类算法,通常会分为两种,一种会依赖预先设置好的中心数和预先选择好的初始化中心,如k-means,这类型的算法会严重依赖初始化,显得不够灵活。另一种则是基于密度的聚类算法,如DBSCAN(Density-Based Spatial Clustering ofApplications with Noise,具有噪声的基于密度的聚类方法),而这类算法会有超参数多,计算时间长等缺点。
发明内容
本申请实施例提出了用于聚类句子的方法和装置。
第一方面,本申请实施例提供了一种用于聚类句子的方法,该方法包括:将待聚类句子集合中的每个句子对应的语义向量组成的集合确定为语义向量集合;对于语义向量集合中的每个语义向量,执行以下密度计算操作:确定该语义向量的近邻语义向量集合,其中,该语义向量的近邻语义向量集合是由语义向量集合中除该语义向量之外的各个语义向量中与该语义向量的距离最近的预设数目个语义向量组成的;以及基于该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离确定该语义向量的密度;对于语义向量集合中的每个语义向量,执行以下聚类划分操作:确定最大密度语义向量的密度是否大于该语义向量的密度,其中,最大密度语义向量是该语义向量的近邻语义向量集合中密度最大的近邻语义向量;响应于确定大于,将该语义向量划分到最大密度语义向量所属的聚类;响应于确定不大于,新建聚类,以及将该语义向量划分到所新建的聚类;对于所建立的每个聚类,将划分到该聚类中的各个语义向量中密度最大的语义向量确定为该聚类的聚类中心语义向量;将所确定的各聚类中心语义向量对应的待聚类句子确定为聚类中心句子集合。
在一些实施例中,在对于语义向量集合中的每个语义向量,执行以下聚类划分操作之前,该方法还包括:将语义向量集合中各语义向量按照密度从大到小的顺序排序。
在一些实施例中,基于该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离确定该语义向量的密度,包括:将该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离均值的倒数确定为该语义向量的密度。
在一些实施例中,基于该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离确定该语义向量的密度,包括:将该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离的倒数的均值确定为该语义向量的密度。
在一些实施例中,该方法还包括:输出聚类中心句子集合。
第二方面,本申请实施例提供了一种用于聚类句子的装置,该装置包括:第一确定单元,被配置成将待聚类句子集合中的每个句子对应的语义向量组成的集合确定为语义向量集合;密度计算单元,被配置成对于语义向量集合中的每个语义向量,执行以下密度计算操作:确定该语义向量的近邻语义向量集合,其中,该语义向量的近邻语义向量集合是由语义向量集合中除该语义向量之外的各个语义向量中与该语义向量的距离最近的预设数目个语义向量组成的;以及基于该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离确定该语义向量的密度;聚类划分单元,被配置成对于语义向量集合中的每个语义向量,执行以下聚类划分操作:确定最大密度语义向量的密度是否大于该语义向量的密度,其中,最大密度语义向量是该语义向量的近邻语义向量集合中密度最大的近邻语义向量;响应于确定大于,将该语义向量划分到最大密度语义向量所属的聚类;响应于确定不大于,新建聚类,以及将该语义向量划分到所新建的聚类;第二确定单元,被配置成对于所建立的每个聚类,将划分到该聚类中的各个语义向量中密度最大的语义向量确定为该聚类的聚类中心语义向量;第三确定单元,被配置成将所确定的各聚类中心语义向量对应的待聚类句子确定为聚类中心句子集合。
在一些实施例中,该装置还包括:排序单元,被配置成将语义向量集合中各语义向量按照密度从大到小的顺序排序。
在一些实施例中,基于该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离确定该语义向量的密度,包括:将该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离均值的倒数确定为该语义向量的密度。
在一些实施例中,基于该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离确定该语义向量的密度,包括:将该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离的倒数的均值确定为该语义向量的密度。
在一些实施例中,该装置还包括:输出单元,被配置成输出聚类中心句子集合。
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,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述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,其中,该计算机程序被一个或多个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用于聚类句子的方法和装置,通过对待聚类句子集合对应的语义向量集合中每个语义向量,基于该语义向量与该语义向量的K近邻语义向量集合中各语义向量之间的距离确定该语义向量的密度,以及基于所确定的密度执行聚类操作,继而最终实现对待聚类句子集合的聚类。其技术效果包括但不限于以下几点:
第一,只需要设置一个参数K,而且聚类效果对于参数K并不敏感。
第二,丰富了句子聚类方式。
第三,提高了句子聚类的准确率。
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是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于聚类句子的方法的一个实施例的流程图;
图3是根据本申请的用于聚类句子的方法的一个应用场景的示意图;
图4是根据本申请的用于聚类句子的方法的又一个实施例的流程图;
图5是根据本申请的用于聚类句子的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的用于聚类句子的方法或用于聚类句子的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如,自助对话类应用、表格问答类应用、知识图谱类应用、网页浏览器应用、购物类应用、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101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来自助对话服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的自助对话应用提供支持的后台服务器。后台服务器可以对接收到的对话请求等数据进行分析等处理,并将处理结果(例如检索结果)反馈给终端设备。后台服务器还可以从终端设备101、102、103获取用户输入的问题句子作为待聚类句子集合,并对待聚类句子集合进行聚类以得到用户输入的问题句子聚类结果。
需要说明的是,本申请实施例所提供的对话方法一般由服务器105执行,相应地,对话装置一般设置于服务器105中。
需要指出的是,服务器105的本地也可以直接存储待聚类句子集合,服务器105可以直接提取本地的待聚类句子集合进行聚类,此时,示例性系统架构100可以不包括终端设备101、102、103和网络104。
还需要指出的是,终端设备101、102、103中也可以安装有句子聚类应用,终端设备101、102、103也可以基于句子聚类应用对待聚类句子集合进行目标聚类,此时,用于聚类句子的方法也可以由终端设备101、102、103执行,相应地,用于聚类句子的装置也可以设置于终端设备101、102、103中。此时,示例性系统架构100可以不包括服务器105和网络104。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1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。
继续参考图2,其示出了根据本申请的用于聚类句子的方法的一个实施例的流程200。该用于聚类句子的方法,包括以下步骤:
步骤201,将待聚类句子集合中的每个句子对应的语义向量组成的集合确定为语义向量集合。
在本实施例中,用于聚类句子的方法的执行主体(例如,图1所示的服务器)可以首先本地或者远程地获取待聚类句子集合。即,待聚类句子集合可以存储在上述执行主体本地,或者存储在于与上述执行主体网络连接的其他电子设备(例如,图1所示的终端设备)。然后,上述执行主体可以采用各种实现方式将待聚类句子集合中的每个句子进行向量化处理,得到对应的语义向量。最后,再将待聚类句子集合中的每个句子对应的语义向量组成的集合确定为语义向量集合。
例如,上述执行主体可以将待聚类句子输入到预先训练的句子语义表达模型,得到待聚类句子对应的语义向量。这里,句子语义表达模型可以是对大量的句子进行弱监督训练所得到的模型,作为示例,句子语义表达模型可以是神经网络模型。
又例如,上述执行主体也可以首先将待聚类句子进行分词处理(例如,可以采用基于词典的分词算法、基于统计的分词算法或者基于规则的分词算法),得到与该待聚类句子对应的词序列。然后,确定所得到的词序列对应的词向量序列,其中,词向量序列中每个词向量为词序列中每个词的词向量。具体而言,可以利用word2vec工具确定每个词对应的词向量。最后,根据词向量序列确定待聚类句子对应的语义向量。例如,可以将词向量序列中各词向量的均值向量或者中值向量确定为该待聚类句子的语义向量。还可以将词向量序列的各词向量中模最大或者模最小的词向量确定为待聚类句子对应的语义向量。
步骤202,对于语义向量集合中的每个语义向量,执行密度计算操作。
在本实施例中,上述执行主体(例如图1所示的服务器)可以对于步骤201中确定的语义向量集合中的每个语义向量,执行密度计算操作,这里密度计算操作可以包括子步骤2021到子步骤2022:
子步骤2021,确定该语义向量的近邻语义向量集合。
这里,上述执行主体可以采用各种实现方式确定该语义向量的近邻语义向量集合。其中,该语义向量的近邻语义向量集合是由语义向量集合中除该语义向量之外的各个语义向量中与该语义向量的距离最近的预设数目个语义向量组成的。这里,可以预先设置正整数K作为预设数目。例如,K可以为256或者512。这里,向量间的距离可以是各种距离,例如可以是余弦距离、欧式距离和曼哈顿距离等等。
实践中,为了减少算法复杂度,提高计算速度,可以采用Annoy搜索算法(Approximate Nearest Neighbors Oh Yeah)确定该语义向量的近邻语义向量集合。
子步骤2022,基于该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离确定该语义向量的密度。
这里,上述执行主体可以采用各种实现方式,基于该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离确定该语义向量的密度。可以理解的是,该语义向量的密度与该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离负相关。即,该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离越大,该语义向量的密度越小;反之,该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离越小,该语义向量的密度越大。
在本实施例的一些可选的实现方式中,上述执行主体可以将该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离均值的倒数确定为该语义向量的密度。
在本实施例的一些可选的实现方式中,上述执行主体也可以将该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离的倒数的均值确定为该语义向量的密度。
步骤203,对于语义向量集合中的每个语义向量,执行聚类划分操作。
在本实施例中,上述执行主体(例如图1所示的服务器)可以在执行密度计算操作之后,对于语义向量集合中的每个语义向量,执行聚类划分操作,这里聚类划分操作可以包括子步骤2031到子步骤2033:
子步骤2031,确定最大密度语义向量的密度是否大于该语义向量的密度。
这里,上述执行主体可以确定最大密度语义向量的密度是否大于该语义向量的密度。其中,最大密度语义向量是该语义向量的近邻语义向量集合中密度最大的近邻语义向量。如果确定大于,表明该语义向量的近邻语义向量集合中存在比该语义向量密度更大的语义向量,则转到子步骤2032执行;反之,如果确定不小于,表明该语义向量的近邻语义向量集合中不存在比该语义向量密度更大的语义向量,则可以转到子步骤2033执行。
子步骤2032,将该语义向量划分到最大密度语义向量所属的聚类。
这里,上述执行主体可以在子步骤2031中确定最大密度语义向量的密度大于该语义向量的密度的情况下,即该语义向量的近邻语义向量集合中存在比该语义向量密度更大的语义向量,将该语义向量划分到最大密度语义向量所属的聚类,即,将该语义向量划分到该语义向量的近邻语义向量集合中密度比自己大的最大密度语义向量所属的聚类。
子步骤2033,新建聚类,以及将该语义向量划分到所新建的聚类。
这里,上述执行主体可以在子步骤2031中确定最大密度语义向量的密度不大于该语义向量的密度的情况下,即,该语义向量的近邻语义向量集合中不存在比该语义向量密度更大的语义向量,新建聚类,以及将该语义向量划分到所新建的聚类,即,用该语义向量自身新建聚类。
步骤204,对于所建立的每个聚类,将划分到该聚类中的各个语义向量中密度最大的语义向量确定为该聚类的聚类中心语义向量。
在本实施例中,上述执行主体可以对于步骤203中所建立的每个聚类,将划分到该聚类中的各个语义向量中密度最大的语义向量确定为该聚类的聚类中心语义向量。
步骤205,将所确定的各聚类中心语义向量对应的待聚类句子确定为聚类中心句子集合。
由于每个待聚类句子都有对应的语义向量,同样,每个语义向量也对应了待聚类句子。在步骤204中仅仅是确定了聚类中心语义向量,这里,还需要将所确定的各聚类中心语义向量对应的待聚类句子确定为聚类中心句子集合。从而,实现了对待聚类句子集合进行聚类得到聚类中心句子集合。
继续参见图3,图3是根据本实施例的用于聚类句子的方法的应用场景的一个示意图。在图3的应用场景中,服务器301为执行主体。首先,将待聚类句子集合302中的每个句子对应的语义向量组成的集合确定为语义向量集合303;然后,对于语义向量集合303中的每个语义向量,执行密度计算操作,得到语义向量集合303中的每个语义向量的密度304;接着,对于语义向量集合303中的每个语义向量,执行聚类划分操作;而后,对于上述聚类划分操作过程所建立的每个聚类,将划分到该聚类中的各个语义向量中密度最大的语义向量确定为该聚类的聚类中心语义向量;最后,将所确定的各聚类中心语义向量对应的待聚类句子确定为聚类中心句子集合305。
本申请的上述实施例提供的方法通过对待聚类句子集合对应的语义向量集合中每个语义向量,基于该语义向量与该语义向量的K近邻语义向量集合中各语义向量之间的距离确定该语义向量的密度,以及基于所确定的密度执行聚类操作,继而最终实现对待聚类句子集合的聚类。
进一步参考图4,其示出了用于聚类句子的方法的又一个实施例的流程400。该用于聚类句子的方法的流程400,包括以下步骤:
步骤401,将待聚类句子集合中的每个句子对应的语义向量组成的集合确定为语义向量集合。
步骤402,对于语义向量集合中的每个语义向量,执行密度计算操作。
在本实施例中,步骤401和步骤402的具体操作与图2所示的实施例中步骤201和步骤202的操作基本相同,在此不再赘述。
步骤403,将语义向量集合中各语义向量按照密度从大到小的顺序排序。
在本实施例中,用于聚类句子的方法的执行主体(例如,图1所示的服务器)可以将语义向量集合中各语义向量按照密度从大到小的顺序排序。经过步骤403,可以减少后续步骤404中对语义向量集合中的每个语义向量执行聚类划分操作的执行时间。
步骤404,对于语义向量集合中的每个语义向量,执行聚类划分操作。
步骤405,对于所建立的每个聚类,将划分到该聚类中的各个语义向量中密度最大的语义向量确定为该聚类的聚类中心语义向量。
步骤406,将所确定的各聚类中心语义向量对应的待聚类句子确定为聚类中心句子集合。
在本实施例中,步骤404、步骤405和步骤406的具体操作与图2所示的实施例中步骤203、步骤204和步骤205的操作基本相同,在此不再赘述。
步骤407,输出聚类中心句子集合。
在本实施例中,用于聚类句子的方法的执行主体(例如,图1所示的服务器)可以将步骤406中所确定的聚类中心句子集合以各种形式进行输出。例如,可以以图片、文字或者语音形式进行输出。可以理解的是,上述执行主体可以将聚类中心句子集合输出到上述执行主体本地,也可以输出到与上述执行主体网络连接的其他电子设备。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于聚类句子的方法的流程400多出了对语义向量集合按照密度排序的步骤,以及输出聚类中心句子集合的步骤。由此,本实施例描述的方案可以加快句子聚类的速度以及可以实现输出所确定的聚类中心句子集合。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于聚类句子的装置的一个实施例,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,本实施例的用于聚类句子的装置500包括:第一确定单元501、密度计算单元502、聚类划分单元503、第二确定单元504和第三确定单元505。其中,第一确定单元501,被配置成将待聚类句子集合中的每个句子对应的语义向量组成的集合确定为语义向量集合;密度计算单元502,被配置成对于上述语义向量集合中的每个语义向量,执行以下密度计算操作:确定该语义向量的近邻语义向量集合,其中,该语义向量的近邻语义向量集合是由上述语义向量集合中除该语义向量之外的各个语义向量中与该语义向量的距离最近的预设数目个语义向量组成的;以及基于该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离确定该语义向量的密度;聚类划分单元503,被配置成对于上述语义向量集合中的每个语义向量,执行以下聚类划分操作:确定最大密度语义向量的密度是否大于该语义向量的密度,其中,上述最大密度语义向量是该语义向量的近邻语义向量集合中密度最大的近邻语义向量;响应于确定大于,将该语义向量划分到上述最大密度语义向量所属的聚类;响应于确定不大于,新建聚类,以及将该语义向量划分到所新建的聚类;第二确定单元504,被配置成对于所建立的每个聚类,将划分到该聚类中的各个语义向量中密度最大的语义向量确定为该聚类的聚类中心语义向量;第三确定单元505,被配置成将所确定的各聚类中心语义向量对应的待聚类句子确定为聚类中心句子集合。
在本实施例中,用于聚类句子的装置500的第一确定单元501、密度计算单元502、聚类划分单元503、第二确定单元504和第三确定单元505的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203、步骤204和步骤205的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述装置500还可以包括:排序单元506,被配置成将上述语义向量集合中各语义向量按照密度从大到小的顺序排序。
在本实施例的一些可选的实现方式中,上述基于该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离确定该语义向量的密度,可以包括:将该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离均值的倒数确定为该语义向量的密度。
在本实施例的一些可选的实现方式中,上述基于该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离确定该语义向量的密度,可以包括:将该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离的倒数的均值确定为该语义向量的密度。
在本实施例的一些可选的实现方式中,上述装置500还可以包括:输出单元507,被配置成输出上述聚类中心句子集合。
需要说明的是,本申请实施例提供的用于聚类句子的装置中各单元的实现细节和技术效果可以参考本申请中其它实施例的说明,在此不再赘述。
下面参考图6,其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例,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,Central Processing Unit)601,其可以根据存储在只读存储器(ROM,Read Only Memory)602中的程序或者从存储部分608加载到随机访问存储器(RAM,Random Access Memory)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、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O,Input/Output)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,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)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(局域网,Local AreaNetwork)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。
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单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一确定单元、密度计算单元、聚类划分单元、第二确定单元和第三确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一确定单元还可以被描述为“将待聚类句子集合中的每个句子对应的语义向量组成的集合确定为语义向量集合的单元”。
作为另一方面,本申请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装置中所包含的;也可以是单独存在,而未装配入该装置中。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该装置执行时,使得该装置:将待聚类句子集合中的每个句子对应的语义向量组成的集合确定为语义向量集合;对于语义向量集合中的每个语义向量,执行以下密度计算操作:确定该语义向量的近邻语义向量集合,其中,该语义向量的近邻语义向量集合是由语义向量集合中除该语义向量之外的各个语义向量中与该语义向量的距离最近的预设数目个语义向量组成的;以及基于该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离确定该语义向量的密度;对于语义向量集合中的每个语义向量,执行以下聚类划分操作:确定最大密度语义向量的密度是否大于该语义向量的密度,其中,最大密度语义向量是该语义向量的近邻语义向量集合中密度最大的近邻语义向量;响应于确定大于,将该语义向量划分到最大密度语义向量所属的聚类;响应于确定不大于,新建聚类,以及将该语义向量划分到所新建的聚类;对于所建立的每个聚类,将划分到该聚类中的各个语义向量中密度最大的语义向量确定为该聚类的聚类中心语义向量;将所确定的各聚类中心语义向量对应的待聚类句子确定为聚类中心句子集合。
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 (12)
1.一种用于聚类句子的方法,包括:
将待聚类句子集合中的每个句子对应的语义向量组成的集合确定为语义向量集合;
对于所述语义向量集合中的每个语义向量,执行以下密度计算操作:确定该语义向量的近邻语义向量集合,其中,该语义向量的近邻语义向量集合是由所述语义向量集合中除该语义向量之外的各个语义向量中与该语义向量的距离最近的预设数目个语义向量组成的;以及基于该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离确定该语义向量的密度;
对于所述语义向量集合中的每个语义向量,执行以下聚类划分操作:确定最大密度语义向量的密度是否大于该语义向量的密度,其中,所述最大密度语义向量是该语义向量的近邻语义向量集合中密度最大的近邻语义向量;响应于确定大于,将该语义向量划分到所述最大密度语义向量所属的聚类;响应于确定不大于,新建聚类,以及将该语义向量划分到所新建的聚类;
对于所建立的每个聚类,将划分到该聚类中的各个语义向量中密度最大的语义向量确定为该聚类的聚类中心语义向量;
将所确定的各聚类中心语义向量对应的待聚类句子确定为聚类中心句子集合。
2.根据权利要求1所述的方法,其中,在对于所述语义向量集合中的每个语义向量,执行以下聚类划分操作之前,所述方法还包括:
将所述语义向量集合中各语义向量按照密度从大到小的顺序排序。
3.根据权利要求1所述的方法,其中,所述基于该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离确定该语义向量的密度,包括:
将该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离均值的倒数确定为该语义向量的密度。
4.根据权利要求1所述的方法,其中,所述基于该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离确定该语义向量的密度,包括:
将该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离的倒数的均值确定为该语义向量的密度。
5.根据权利要求1-4中任一所述的方法,其中,所述方法还包括:
输出所述聚类中心句子集合。
6.一种用于聚类句子的装置,包括:
第一确定单元,被配置成将待聚类句子集合中的每个句子对应的语义向量组成的集合确定为语义向量集合;
密度计算单元,被配置成对于所述语义向量集合中的每个语义向量,执行以下密度计算操作:确定该语义向量的近邻语义向量集合,其中,该语义向量的近邻语义向量集合是由所述语义向量集合中除该语义向量之外的各个语义向量中与该语义向量的距离最近的预设数目个语义向量组成的;以及基于该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离确定该语义向量的密度;
聚类划分单元,被配置成对于所述语义向量集合中的每个语义向量,执行以下聚类划分操作:确定最大密度语义向量的密度是否大于该语义向量的密度,其中,所述最大密度语义向量是该语义向量的近邻语义向量集合中密度最大的近邻语义向量;响应于确定大于,将该语义向量划分到所述最大密度语义向量所属的聚类;响应于确定不大于,新建聚类,以及将该语义向量划分到所新建的聚类;
第二确定单元,被配置成对于所建立的每个聚类,将划分到该聚类中的各个语义向量中密度最大的语义向量确定为该聚类的聚类中心语义向量;
第三确定单元,被配置成将所确定的各聚类中心语义向量对应的待聚类句子确定为聚类中心句子集合。
7.根据权利要求6所述的装置,其中,所述装置还包括:
排序单元,被配置成将所述语义向量集合中各语义向量按照密度从大到小的顺序排序。
8.根据权利要求6所述的装置,其中,所述基于该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离确定该语义向量的密度,包括:
将该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离均值的倒数确定为该语义向量的密度。
9.根据权利要求6所述的装置,其中,所述基于该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离确定该语义向量的密度,包括:
将该语义向量的近邻语义向量集合中各近邻语义向量与该语义向量之间的距离的倒数的均值确定为该语义向量的密度。
10.根据权利要求6-9中任一所述的装置,其中,所述装置还包括:
输出单元,被配置成输出所述聚类中心句子集合。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被一个或多个处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910255951.6A CN111858916B (zh) | 2019-04-01 | 2019-04-01 | 用于聚类句子的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910255951.6A CN111858916B (zh) | 2019-04-01 | 2019-04-01 | 用于聚类句子的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111858916A true CN111858916A (zh) | 2020-10-30 |
CN111858916B CN111858916B (zh) | 2024-04-09 |
Family
ID=72951178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910255951.6A Active CN111858916B (zh) | 2019-04-01 | 2019-04-01 | 用于聚类句子的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111858916B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113254578A (zh) * | 2021-05-20 | 2021-08-13 | 北京百度网讯科技有限公司 | 用于数据聚类的方法、装置、设备、介质和产品 |
TWI761090B (zh) * | 2021-02-25 | 2022-04-11 | 中華電信股份有限公司 | 對話資料處理系統、其方法及電腦可讀媒介 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120011124A1 (en) * | 2010-07-07 | 2012-01-12 | Apple Inc. | Unsupervised document clustering using latent semantic density analysis |
CN107992596A (zh) * | 2017-12-12 | 2018-05-04 | 百度在线网络技术(北京)有限公司 | 一种文本聚类方法、装置、服务器和存储介质 |
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 |
US20190065507A1 (en) * | 2017-08-22 | 2019-02-28 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for information processing |
-
2019
- 2019-04-01 CN CN201910255951.6A patent/CN111858916B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120011124A1 (en) * | 2010-07-07 | 2012-01-12 | Apple Inc. | Unsupervised document clustering using latent semantic density analysis |
US20190065507A1 (en) * | 2017-08-22 | 2019-02-28 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for information processing |
CN107992596A (zh) * | 2017-12-12 | 2018-05-04 | 百度在线网络技术(北京)有限公司 | 一种文本聚类方法、装置、服务器和存储介质 |
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 |
Non-Patent Citations (2)
Title |
---|
蒋旦;周文乐;朱明;: "基于语义和图的文本聚类算法研究", 中文信息学报, no. 05 * |
贾晓婷;王名扬;曹宇;: "结合Doc2Vec与改进聚类算法的中文单文档自动摘要方法研究", 数据分析与知识发现, no. 02 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI761090B (zh) * | 2021-02-25 | 2022-04-11 | 中華電信股份有限公司 | 對話資料處理系統、其方法及電腦可讀媒介 |
CN113254578A (zh) * | 2021-05-20 | 2021-08-13 | 北京百度网讯科技有限公司 | 用于数据聚类的方法、装置、设备、介质和产品 |
CN113254578B (zh) * | 2021-05-20 | 2023-07-28 | 北京百度网讯科技有限公司 | 用于数据聚类的方法、装置、设备、介质和产品 |
Also Published As
Publication number | Publication date |
---|---|
CN111858916B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112699991B (zh) | 用于加速神经网络训练的信息处理的方法、电子设备和计算机可读介质 | |
CN108416310B (zh) | 用于生成信息的方法和装置 | |
CN111428010B (zh) | 人机智能问答的方法和装置 | |
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
CN111061881A (zh) | 文本分类方法、设备及存储介质 | |
CN111986655B (zh) | 音频内容识别方法、装置、设备和计算机可读介质 | |
CN110633423A (zh) | 目标账号识别方法、装置、设备及存储介质 | |
CN111508478B (zh) | 语音识别方法和装置 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN109710939B (zh) | 用于确定主题的方法和装置 | |
CN111858916B (zh) | 用于聚类句子的方法和装置 | |
CN110852057A (zh) | 一种计算文本相似度的方法和装置 | |
CN110807097A (zh) | 分析数据的方法和装置 | |
CN117235371A (zh) | 视频推荐方法、模型训练方法及装置 | |
CN111797263A (zh) | 图像标签生成方法、装置、设备和计算机可读介质 | |
CN110675865A (zh) | 用于训练混合语言识别模型的方法和装置 | |
CN113051381B (zh) | 信息质检方法、装置、计算机系统和计算机可读存储介质 | |
CN112017685B (zh) | 语音生成方法、装置、设备和计算机可读介质 | |
CN111652002B (zh) | 文本划分方法、装置、设备和计算机可读介质 | |
CN111754984B (zh) | 文本选取的方法、装置、设备和计算机可读介质 | |
CN111126078B (zh) | 翻译的方法和装置 | |
CN115312042A (zh) | 用于处理音频的方法、装置、设备以及存储介质 | |
CN113361677A (zh) | 神经网络模型的量化方法和装置 | |
CN113297824B (zh) | 文本显示方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |