CN112148881A - 用于输出信息的方法和装置 - Google Patents

Abstract

本申请公开了用于输出信息的方法和装置，涉及人工智能技术领域，具体为深度学习和自然语言处理技术领域。具体实现方案为：获取待提取标签的文本信息，其中，文本信息包括标题和正文；从标题中提取出候选词集合，并基于标题和正文提取出候选标签词集合；将候选标签词集合中每个候选标签词转换成词向量后聚类，得到至少一个候选标签词簇；根据统计分析从每个候选标签词簇中确定出一个标签词，得到标签词集合；将候选词集合中的每个候选词与标签词集合进行匹配，将匹配成功的标签词作为文本信息的标签输出。该实施方式实现了无监督构建标签，极大减少了人力干预，节约人力同时使得提取的标签更丰富全面，尤其可以提取部分长尾标签。

Description

用于输出信息的方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及人工智能技术领域，具体为深度学习和自然语言处理技术领域。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术。人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

互联网信息呈现爆炸式增长，各种各样的文本数据层出不穷，如多样化的新闻、海量的自媒体原创文章、海量的投标数据。面对如此丰富多样的信息，人们迫切需要一些自动化工具来帮助他们从浩瀚的信息汪洋中准确、快速地找到自己需要的关键信息，标签抽取正是在这种背景下产生。标签是快速获取文本关键信息、把握主题的重要方式，在信息检索、自然语言处理、智能推荐等领域中均有重要应用。

目前现在技术通常采用有监督的标签提取方案。需要花费大量人力，并要求标注人员对数据源有足够多的了解。构建后的标签，需要基于大量的标注数据进行文本分类或序列标注等模型训练，而现实情况下往往缺少这样的标注数据。由于有人工参与，提取标签体系往往过于片面，缺少某些长尾标签的提取，覆盖率较低。

发明内容

本公开提供了一种用于输出信息的方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种用于输出信息的方法，包括：获取待提取标签的文本信息，其中，文本信息包括标题和正文。从标题中提取出候选词集合，并基于标题和正文提取出候选标签词集合。将候选标签词集合中每个候选标签词转换成词向量后聚类，得到至少一个候选标签词簇。根据统计分析从每个候选标签词簇中确定出一个标签词，得到标签词集合。将候选词集合中的每个候选词与标签词集合进行匹配，将匹配成功的标签词作为文本信息的标签输出。

根据本公开的第二方面，提供了一种用于输出信息的装置，包括：获取单元，被配置成获取待提取标签的文本信息，其中，文本信息包括标题和正文。提取单元，被配置成从标题中提取出候选词集合，并基于标题和正文提取出候选标签词集合。聚类单元，被配置成将候选标签词集合中每个候选标签词转换成词向量后聚类，得到至少一个候选标签词簇。确定单元，被配置成根据统计分析从每个候选标签词簇中确定出一个标签词，得到标签词集合。输出单元，被配置成将候选词集合中的每个候选词与标签词集合进行匹配，将匹配成功的标签词作为文本信息的标签输出。

根据本公开的第三方面，提供了一种电子设备，其特征在于，包括：至少一个处理器。以及与至少一个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面中任一项的方法。

根据本公开的第四方面，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，其特征在于，计算机指令用于使计算机执行第一方面中任一项的方法。

根据本申请的技术，能够无监督构建标签，极大减少了人力干预，节约人力同时使得提取的标签更丰富全面，尤其可以提取部分长尾标签。不依赖标注数据，使用词的词义、统计特征等，简单高效。为了防止过多标签导致标签体系比较混乱，本申请还提供了标签层级构造方法。在标签数量较多且难以预估数量的情况下，meanshift模型相对于其他聚类模型不需要指定簇类数量，采用meanshif模型可以避免因预估标签数据不准导致的标签数据缺失问题。可扩展性强，本申请提供的方法适用于各种文本类型数据的标签提取。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

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是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于输出信息的方法的一个实施例的流程图；

图3是根据本公开的用于输出信息的方法的一个应用场景的示意图；

图4是根据本公开的用于输出信息的方法的又一个实施例的流程图；

图5是根据本公开的用于输出信息的装置的一个实施例的结构示意图；

图6是用来实现本申请实施例的用于输出信息的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。

图1示出了可以应用本公开的用于输出信息的方法或用于输出信息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，例如文本分析类应用、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，可以是具有显示屏并且支持文本分析的各种电子设备，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。

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上显示的文本提供分析的后台分析服务器。后台分析服务器可以对接收到的文本信息等数据进行分析等处理，并将处理结果(例如文本信息的标签)反馈给终端设备。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，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的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。

需要说明的是，本公开的实施例所提供的用于输出信息的方法一般由服务器105执行，相应地，用于输出信息的装置一般设置于服务器105中。

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，示出了根据本公开的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法，包括以下步骤：

步骤201，获取待提取标签的文本信息。

在本实施例中，用于输出信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行文本分析的终端接收文本信息，其中，文本信息包括标题和正文。文本信息可以是招投标数据、新闻、招聘信息等数据。

步骤202，从标题中提取出候选词集合，并基于标题和正文提取出候选标签词集合。

在本实施例中，可采用现有技术的关键词提取方法从标题中提取出候选词集合，并基于标题和正文提取出候选标签词集合。例如，通过LDA(Latent DirichletAllocation)等文档主题生成模型从标题中提取出关键词作为候选词，从标题和正文提取出关键词并进行去重后，作为候选标签词。

可选地，在提取关键词之前过滤掉组织名、地点名、人名、网站名等无关名称。还可过滤掉一些停用词，例如，的、地、得等虚词。对于一些场景有特定的停用词，例如，投标数据中的“投标”可作为停用词。

步骤203，将候选标签词集合中每个候选标签词转换成词向量后聚类，得到至少一个候选标签词簇。

在本实施例中，可通过已经训练好的语义模型对候选标签词集合中每个候选标签词进行词义计算，获得每个候选标签词的词向量。然后将所有的词向量进行聚类，得到至少一个候选标签词簇。

步骤204，根据统计分析从每个候选标签词簇中确定出一个标签词，得到标签词集合。

在本实施例中，可统计每个候选标签词簇中每个候选标签词的以下至少一项统计信息：文档频率、词频次、TF-IDF(term frequency–inverse document frequency，词频-逆向文件频率)。文档频率指的是每个簇中每个词出现在用于此类标签分析的文本信息的文档次数，除以总文档次数，即得到每个词的文档频率，累加每个簇中每个词的文档频率即得到该簇的文档频率。

根据文档频率、词频次、TF-IDF的加权和确定每个候选标签词的得分，将每个候选标签词簇中得分最高的候选标签词作为该候选标签词簇的标签词，最终得到标签词集合。

步骤205，将候选词集合中的每个候选词与标签词集合进行匹配，将匹配成功的标签词作为文本信息的标签输出。

在本实施例中，对于每个候选词，如果它包含在其中一个标签词中的话，则该标签词就作为该文本信息的标签。

本公开的上述实施例提供的方法，能够无监督构建标签，极大减少了人力干预，节约人力同时使得提取的标签更丰富全面，尤其可以提取部分长尾标签。不依赖标注数据，使用词的词义、统计特征等，简单高效。可扩展性强，本申请提供的方法适用于各种文本类型数据的标签提取。

在本实施例的一些可选的实现方式中，根据统计分析从每个候选标签词簇中确定出一个标签词，得到标签词集合，包括：对于至少一个候选标签词簇中每个候选标签词，计算该候选标签词的文档频率。筛选出每个候选标签词簇中文档频率最大的候选标签词作为标签词，得到标签词集合。文档频率指的是每个簇中每个词出现在用于此类标签分析的文本信息的文档次数，除以总文档次数，即得到每个词的文档频率，累加每个簇中每个词的文档频率即得到该簇的文档频率。每一条文本信息相当于一个文档。可采用历史数据作为文档进行文档频率统计。从而可以快速计算出文档频率得分最高的候选标签词作为标签词。提高了提取标签的速度。

在本实施例的一些可选的实现方式中，在筛选出每个候选标签词簇中文档频率最大的候选标签词作为标签词之前，该方法还包括：对于每个候选标签词簇，累加该候选标签词簇中每个候选标签词的文档频率作为该候选标签词簇的文档频率。过滤掉文档频率大于预定高频阈值的候选标签词簇和文档频率小于预定低频阈值的候选标签词簇。通过设定簇的文档频率高频阈值和低频阈值，可以去除在总体文档数据中区分度不高的高频候选标签和标签总量较少的低频候选标签。

在本实施例的一些可选的实现方式中，从标题中提取出候选词集合，包括：对标题进行预处理以从标题中删除以下至少一项：组织名、地点名、人名、网站名。将预处理后的标题进行分词，得到候选词集合。在某些情况下，文本信息的标题会包含部分无用信息，为了提高标签提取的准确率，本申请基于预设的词典文件构建字典树模型和基于预设的规则模块，对标题中包含的组织名、地点名、人名、网站名等无关名称去除。

在本实施例的一些可选的实现方式中，基于标题和正文提取出候选标签词集合，包括：对候选词集合中每候选词进行词性标注，得到第一词-词性对序列。将正文进行预处理后进行分词并进行词性标注，得到第二词-词性对序列。将第一词-词性对序列和第二词-词性对序列合并去重后，只保留名词、动词、形容词对应的候选词，得到候选标签词集合。对预处理后的标题进行分词，同时进行词性标注，得到词-词性对序列。合并所有文本信息的词-词性对序列，去重后，只保留名词、动词、形容词的词，作为候选标签词集合。这样可以快速提取出候选标签词，增加命中率。

在本实施例的一些可选的实现方式中，在基于标题和正文提取出候选标签词集合之后，该方法还包括：使用停用词表从候选标签词集合中删除停用词。由于候选标签词集合包含无用词，本申请通过停用词表进行匹配后去除。

在本实施例的一些可选的实现方式中，聚类采用meanshift算法。采用meanshift聚类算法对候选标签词进行聚类，根据候选标签词的词义向量，基于无监督的聚类，使词义相近的候选标签词聚成一个簇类，每个簇即候选标签。在标签数量较多且难以预估数量的情况下，meanshift算法相对于其他聚类模型不需要指定簇类数量，采用meanshift算法可以避免因预估标签数据不准导致的标签数据缺失问题。

继续参见图3，图3是根据本实施例的用于输出信息的方法的应用场景的一个示意图。在图3的应用场景中，用户向服务器提交了待提取标签的文本信息，文本信息包括标题和正文。服务器从标题中提取出候选词集合{A、B、C}，并基于标题和正文提取出候选标签词集合{A1、B1、C1...Cn}。然后将{A1、B1、C1...Cn}转换成词向量后聚类，生成候选标签词簇{A1、A2、A3...An}，{B1、B2、B3...Bn}...。对每个候选标签词簇进行统计分析，将得分最高的候选标签词作为该簇的标签词，例如从{A1、A2、A3...An}确定出最高分A1，从{B1、B2、B3...Bn}确定出最高分B2…，最终得到标签词集合{A1、B2、C6…}。最后将候选词集合{A、B、C}分别与标签词集合{A1、B2、C6…}进行匹配，匹配成功的标签词作为最终的标签。

进一步参考图4，其示出了用于输出信息的方法的又一个实施例的流程400。该用于输出信息的方法的流程400，包括以下步骤：

步骤401，根据预定的层级数设置每一层的文档频率阈值区间。

在本实施例中，用于输出信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从第三方服务器获取从文本信息中提取的标签，以及标签提取过程中标签对应的文档频率。执行主体也可读取本地提取的标签，以及标签提取过程中标签对应的文档频率。可以根据业务需求预设标签的层级。例如，投标数据需要2级标签。

步骤402，按照文档频率阈值区间将各标签词划分到相应的层级中。

在本实施例中，通过层级数，设定每一层的文档频率阈值区间，将标签文档频率高的划分到一级标签中，相对较低的划分到二级标签，以此类推。例如，标签A的文档频率为0.1，标签B的文档频率为0.8，标签C的文档频率为0.65。如果划分为三级，文档频率阈值区间设置为0.7以上为一级标签，0.5-0.7之间为二级标签，0.5以下为三级标签。则标签B为一级标签，标签C为二级标签，标签A为三级标签。

步骤403，从每个层级对应的标签词集合中取出一个标签词组成标签对，得到标签对集合。

在本实施例中，同级的标签可以有多个，不能确定其从属关系，例如，一级标签有A1、A2，二级标签有B1、B2、B3。需要确定A1的下级标签是B1、B2、B3中的哪些。可依次将不同层级的标签进行组合，组成标签对，例如，标签对集合为A1-B1，A1-B2，A1-B3，A2-B1，A2-B2，A2-B3，A3-B1，A3-B2，A3-B3。可不限于两级标签的组合，可以组成多级标签对，例如，A1-B1-C1三级标签对。

步骤404，计算标签对集合中每个标签对的统计频率。

在本实施例中，统计频率为标签对在已有文档的标签中出现的次数与总文档数的比例。例如，现有100个文档，每个文档都提取出了一组标签。如果标签对中的所有标签同时出现在一个文档的标签中，那么出现的次数加1。依次计算步骤403中标签对集合中每个标签对的统计频率。

步骤405，将统计频率高于预定统计阈值的标签对确定为标签体系层级。

在本实施例中，设定统计频率阈值，将高于统计频率阈值的标签对取出，这些标签对的低层级标签即属于高层级标签，从而获取标签体系层级。例如，设置统计频率阈值为0.5，如果A1-B1，A1-B2，A1-B3的统计频率分别为0.6、0.3、0.4，则只有A1-B1这对标签对高于阈值，则A1是B1的上级标签。多级标签的从属关系也可以通过同样的方法直接确定出来。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于输出信息的方法的流程400体现了构建标签体系层级的过程。可以防止过多标签导致标签体系混乱。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于输出信息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，本实施例的用于输出信息的装置500包括：获取单元501、提取单元502、聚类单元503、确定单元504和输出单元505。其中，获取单元501，被配置成获取待提取标签的文本信息，其中，文本信息包括标题和正文。提取单元502，被配置成从标题中提取出候选词集合，并基于标题和正文提取出候选标签词集合。聚类单元503，被配置成将候选标签词集合中每个候选标签词转换成词向量后聚类，得到至少一个候选标签词簇。确定单元504，被配置成根据统计分析从每个候选标签词簇中确定出一个标签词，得到标签词集合。输出单元505，被配置成将候选词集合中的每个候选词与标签词集合进行匹配，将匹配成功的标签词作为文本信息的标签输出。

在本实施例中，用于输出信息的装置500的获取单元501、提取单元502、聚类单元503、确定单元504和输出单元505的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205。

在本实施例的一些可选的实现方式中，确定单元504进一步被配置成：对于至少一个候选标签词簇中每个候选标签词，计算该候选标签词的文档频率。筛选出每个候选标签词簇中文档频率最大的候选标签词作为标签词，得到标签词集合。

在本实施例的一些可选的实现方式中，装置500还包括过滤单元(附图中未示出)，被配置成：在筛选出每个候选标签词簇中文档频率最大的候选标签词作为标签词之前，对于每个候选标签词簇，累加该候选标签词簇中每个候选标签词的文档频率作为该候选标签词簇的文档频率。过滤掉文档频率大于预定高频阈值的候选标签词簇和文档频率小于预定低频阈值的候选标签词簇。

在本实施例的一些可选的实现方式中，装置500还包括分层单元(附图中未示出)，被配置成：根据预定的层级数设置每一层的文档频率阈值区间。按照文档频率阈值区间将各标签词划分到相应的层级中。从每个层级对应的标签词集合中取出一个标签词组成标签对，得到标签对集合。计算标签对集合中每个标签对的统计频率。将统计频率高于预定统计阈值的标签对确定为标签体系层级。

在本实施例的一些可选的实现方式中，提取单元502进一步被配置成：对标题进行预处理以从标题中删除以下至少一项：组织名、地点名、人名、网站名。将预处理后的标题进行分词，得到候选词集合。

在本实施例的一些可选的实现方式中，提取单元502进一步被配置成：对候选词集合中每候选词进行词性标注，得到第一词-词性对序列。将正文进行预处理后进行分词并进行词性标注，得到第二词-词性对序列。将第一词-词性对序列和第二词-词性对序列合并去重后，只保留名词、动词、形容词对应的候选词，得到候选标签词集合。

在本实施例的一些可选的实现方式中，装置500还包括删除单元(附图中未示出)，被配置成：在基于标题和正文提取出候选标签词集合之后，使用停用词表从候选标签词集合中删除停用词。

在本实施例的一些可选的实现方式中，聚类采用meanshift算法。

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6所示，是根据本申请实施例的用于输出信息的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6所示，该电子设备包括：一个或多个处理器601、存储器602，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6中以一个处理器601为例。

存储器602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用于输出信息的方法。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用于输出信息的方法。

存储器602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用于输出信息的方法对应的程序指令/模块(例如，附图5所示的获取单元501、提取单元502、聚类单元503、确定单元504和输出单元505)。处理器601通过运行存储在存储器602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用于输出信息的方法。

存储器602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用于输出信息的电子设备的使用所创建的数据等。此外，存储器602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602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至用于输出信息的电子设备。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。

用于输出信息的方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。

输入装置603可接收输入的数字或字符信息，以及产生与用于输出信息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604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。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机”

根据本申请实施例的技术方案，能够无监督构建标签，极大减少了人力干预，节约人力同时使得提取的标签更丰富全面，尤其可以提取部分长尾标签。不依赖标注数据，使用词的词义、统计特征等，简单高效。为了防止过多标签导致标签体系比较混乱，本申请还提供了标签层级构造方法。在标签数量较多且难以预估数量的情况下，meanshift模型相对于其他聚类模型不需要指定簇类数量，采用meanshif模型可以避免因预估标签数据不准导致的标签数据缺失问题。可扩展性强，本申请提供的方法适用于各种文本类型数据的标签提取。

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 (18)

1.一种用于输出信息的方法，包括：

获取待提取标签的文本信息，其中，所述文本信息包括标题和正文；

从所述标题中提取出候选词集合，并基于所述标题和所述正文提取出候选标签词集合；

将所述候选标签词集合中每个候选标签词转换成词向量后聚类，得到至少一个候选标签词簇；

根据统计分析从每个候选标签词簇中确定出一个标签词，得到标签词集合；

将所述候选词集合中的每个候选词与所述标签词集合进行匹配，将匹配成功的标签词作为所述文本信息的标签输出。

2.根据权利要求1所述的方法，其中，所述根据统计分析从每个候选标签词簇中确定出一个标签词，得到标签词集合，包括：

对于所述至少一个候选标签词簇中每个候选标签词，计算该候选标签词的文档频率；

筛选出每个候选标签词簇中文档频率最大的候选标签词作为标签词，得到标签词集合。

3.根据权利要求2所述的方法，其中，在所述筛选出每个候选标签词簇中文档频率最大的候选标签词作为标签词之前，所述方法还包括：

对于每个候选标签词簇，累加该候选标签词簇中每个候选标签词的文档频率作为该候选标签词簇的文档频率；

过滤掉文档频率大于预定高频阈值的候选标签词簇和文档频率小于预定低频阈值的候选标签词簇。

4.根据权利要求2所述的方法，其中，所述方法还包括：

根据预定的层级数设置每一层的文档频率阈值区间；

按照文档频率阈值区间将各标签词划分到相应的层级中；

从每个层级对应的标签词集合中取出一个标签词组成标签对，得到标签对集合；

计算所述标签对集合中每个标签对的统计频率；

将统计频率高于预定统计阈值的标签对确定为标签体系层级。

5.根据权利要求1所述的方法，其中，所述从所述标题中提取出候选词集合，包括：

对所述标题进行预处理以从所述标题中删除以下至少一项：组织名、地点名、人名、网站名；

将预处理后的标题进行分词，得到候选词集合。

6.根据权利要求5所述的方法，其中，所述基于所述标题和所述正文提取出候选标签词集合，包括：

对所述候选词集合中每候选词进行词性标注，得到第一词-词性对序列；

将所述正文进行预处理后进行分词并进行词性标注，得到第二词-词性对序列；

将所述第一词-词性对序列和所述第二词-词性对序列合并去重后，只保留名词、动词、形容词对应的候选词，得到候选标签词集合。

7.根据权利要求1所述的方法，其中，在所述基于所述标题和所述正文提取出候选标签词集合之后，所述方法还包括：

使用停用词表从所述候选标签词集合中删除停用词。

8.根据权利要求1-7中任一项所述的方法，其中，聚类采用meanshift算法。

9.一种用于输出信息的装置，包括：

获取单元，被配置成获取待提取标签的文本信息，其中，所述文本信息包括标题和正文；

提取单元，被配置成从所述标题中提取出候选词集合，并基于所述标题和所述正文提取出候选标签词集合；

聚类单元，被配置成将所述候选标签词集合中每个候选标签词转换成词向量后聚类，得到至少一个候选标签词簇；

确定单元，被配置成根据统计分析从每个候选标签词簇中确定出一个标签词，得到标签词集合；

输出单元，被配置成将所述候选词集合中的每个候选词与所述标签词集合进行匹配，将匹配成功的标签词作为所述文本信息的标签输出。

10.根据权利要求9所述的装置，其中，所述确定单元进一步被配置成：

对于所述至少一个候选标签词簇中每个候选标签词，计算该候选标签词的文档频率；

筛选出每个候选标签词簇中文档频率最大的候选标签词作为标签词，得到标签词集合。

11.根据权利要求10所述的装置，其中，所述装置还包括过滤单元，被配置成：

在所述筛选出每个候选标签词簇中文档频率最大的候选标签词作为标签词之前，对于每个候选标签词簇，累加该候选标签词簇中每个候选标签词的文档频率作为该候选标签词簇的文档频率；

过滤掉文档频率大于预定高频阈值的候选标签词簇和文档频率小于预定低频阈值的候选标签词簇。

12.根据权利要求10所述的装置，其中，所述装置还包括分层单元，被配置成：

根据预定的层级数设置每一层的文档频率阈值区间；

按照文档频率阈值区间将各标签词划分到相应的层级中；

从每个层级对应的标签词集合中取出一个标签词组成标签对，得到标签对集合；

计算所述标签对集合中每个标签对的统计频率；

将统计频率高于预定统计阈值的标签对确定为标签体系层级。

13.根据权利要求9所述的装置，其中，所述提取单元进一步被配置成：

对所述标题进行预处理以从所述标题中删除以下至少一项：组织名、地点名、人名、网站名；

将预处理后的标题进行分词，得到候选词集合。

14.根据权利要求13所述的装置，其中，所述提取单元进一步被配置成：

对所述候选词集合中每候选词进行词性标注，得到第一词-词性对序列；

将所述正文进行预处理后进行分词并进行词性标注，得到第二词-词性对序列；

将所述第一词-词性对序列和所述第二词-词性对序列合并去重后，只保留名词、动词、形容词对应的候选词，得到候选标签词集合。

15.根据权利要求9所述的装置，其中，所述装置还包括删除单元，被配置成：

在所述基于所述标题和所述正文提取出候选标签词集合之后，使用停用词表从所述候选标签词集合中删除停用词。

16.根据权利要求9-15中任一项所述的装置，其中，聚类采用meanshift算法。

17.一种电子设备，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1-8中任一项所述的方法。

18.一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1-8中任一项所述的方法。

Images