CN112307175B

CN112307175B - 一种文本处理方法、装置、服务器及计算机可读存储介质

Info

Publication number: CN112307175B
Application number: CN202011387617.5A
Authority: CN
Inventors: 聂镭; 齐凯杰; 聂颖
Original assignee: Longma Zhixin Zhuhai Hengqin Technology Co ltd
Current assignee: Longma Zhixin Zhuhai Hengqin Technology Co ltd
Priority date: 2020-12-02
Filing date: 2020-12-02
Publication date: 2021-11-02
Anticipated expiration: 2040-12-02
Also published as: CN112307175A

Abstract

本申请实施例适用于自然语言处理技术领域，提供了一种文本处理方法、装置、服务器及计算机可读存储介质，其中，该方法包括：获取待处理文本，其中，待处理文本的类别包括长文本或者短文本；对待处理文本进行分词处理，得到第一待处理词组；利用命名实体识别模型确定出待处理文本中的第二待处理词组；根据第一待处理词组与第二待处理词组的匹配结果，确定出关键词组；提取出关键词词组。可见，本申请通过对待处理文本进行两种不同方式的处理，再根据两种处理结果之间进行匹配从而确定出关键词组，不受待处理文本的类别限制，从而达到提供抽取文本关键词精度的效果。

Description

一种文本处理方法、装置、服务器及计算机可读存储介质

技术领域

本申请属于自然语言处理领域，尤其涉及一种文本处理方法、装置、服务器及计算机可读存储介质。

背景技术

随着互联网的飞速发展，近几年信息量迅速发展，简称信息爆炸，即每天都会有大量的新闻信息，博客信息，论坛信息等内容，产生大量的文字数据。虽然信息数据量的增大，但是人们的阅读能力有限，人们在看到一篇新的文章更希望根据简洁的几个关键词，快速的了解文章的主要内容，帮助自己简要的分类是否是自己需要浏览的文章，因此对信息数据的关键词提取就显得至关重要。

现阶段，文本的关键词提取在基于文本的搜索、推荐以及数据挖掘领域有着很广泛的应用。同时在实际应用中，因为应用环境的复杂性，对于不同类型的文本，例如长文本和短文本，用同一种文本关键词提取方法得到的效果并不相同。可见，现有技术存在抽取文本关键词精度不高等问题。

发明内容

有鉴于此，本申请实施例提供了一种文本处理方法、装置、服务器及计算机可读存储介质，以解决现有技术存在抽取文本关键词精度不高的问题。

本申请实施例的第一方面提供了一种方法，包括：

获取待处理文本，其中，所述待处理文本的类别包括长文本或者短文本；

对所述待处理文本进行分词处理，得到第一待处理词组；

利用命名实体识别模型确定出所述待处理文本中的第二待处理词组；

根据所述第一待处理词组与所述第二待处理词组的匹配结果，确定出关键词组；

提取出所述关键词词组。

在第一方面的一种可能的实现方式中，对所述待处理文本进行分词处理，得到第一待处理词组，包括：

将所述待处理文本输入至预设词典，根据所述待处理文本与所述预设词典中词语的匹配程度确定出所述待处理文本中的第一待处理词组。

在第一方面的一种可能的实现方式中，对所述待处理文本进行分词处理，得到第一待处理词组：

将所述待处理文本输入至预设神经网络模型，得到所述第一待处理词组。

在第一方面的一种可能的实现方式中，所述命名实体识别模型包括Bi-LSTM-CRF神经网络模型；

利用命名实体模型确定出所述待处理文本中的第二待处理词组，包括：

对所述待处理文本进行向量化处理，得到向量值；

将所述向量值输入至Bi-LSTM-CRF神经网络模型，得到第二待处理词组。

在第一方面的一种可能的实现方式中，根据所述第一待处理词组与所述第二待处理词组的匹配结果，确定出关键词组，包括：

确定属于同一句子的第一待处理词组和第二待处理词组；

将所述属于同一句子的第一待处理词组和第二待处理词组中重合部分确定为关键词组。

在第一方面的一种可能的实现方式中，确定属于同一句子的第一待处理词组和第二待处理词组之后，还包括：

识别所述第一待处理词组在所述同一句子的第一位置信息；

识别所述第二待处理词组在所述同一句子的第二位置信息；

将第一位置信息与第二位置信息重合部分对应词组确定为所述关键词组。

本申请实施例的第二方面提供了一种文本处理装置，包括：

获取模块，用于获取待处理文本，其中，所述待处理文本的类别包括长文本或者短文本；

分词处理模块，用于对所述待处理文本进行分词处理，得到第一待处理词组；

确定模块，用于利用命名实体识别模型确定出所述待处理文本中的第二待处理词组；

匹配模块，用于根据所述第一待处理词组与所述第二待处理词组的匹配结果，确定出关键词组；

提取模块，用于提取出所述关键词组。

在一种可能的实现方式中，所述分词处理模块包括：

第一分词处理单元，用于将所述待处理文本输入至预设词典，根据所述待处理文本与所述预设词典中词语的匹配程度确定出所述待处理文本中的第一待处理词组。

在第二方面的一种可能的实现方式中，所述分词处理模块还包括：

在第二方面的一种可能的实现方式中，所述命名实体识别模型包括Bi-LSTM-CRF神经网络模型；

所述确定模块包括：

数值处理单元，用于对所述待处理文本进行向量化处理，得到向量值；

输出单元，用于将所述向量值输入至Bi-LSTM-CRF神经网络模型，得到第二待处理词组。

在第二方面的一种可能的实现方式中，所述匹配模块包括：

第一确定单元，用于确定属于同一句子的第一待处理词组和第二待处理词组；

第二确定单元，用于将所述属于同一句子的第一待处理词组和第二待处理词组中重合部分确定为关键词组。

在第二方面的一种可能的实现方式中，所述匹配模块包括：

第一识别模块，用于识别所述第一待处理词组在所述同一句子的第一位置信息；

第二识别模块，用于识别所述第二待处理词组在所述同一句子的第二位置信息；

第三确定单元，用于将第一位置信息与第二位置信息重合部分对应词组确定为所述关键词组。

本申请实施例的第三方面提供了一种服务器，包括：存储器、处理器、摄像装置以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述第一方面方法的各个步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，包括：计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述第一方面方法的各个步骤。

本申请实施例与现有技术相比存在的有益效果是：本申请实施例中，通过对待处理文本进行两种不同方式的处理，再根据两种处理结果之间进行匹配从而确定出关键词组，不受待处理文本的类别限制，从而达到提供抽取文本关键词精度的效果。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的文本处理方法的一种流程示意图；

图2是本申请实施例提供的文本处理方法的图1中步骤S104的一种具体流程示意图；

图3是本申请实施例提供的文本处理方法的图2中步骤S201之后的一种流程示意图；

图4是本申请实施例提供的文本处理装置的结构示意图；

图5是本申请实施例提供的服务器的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

参见图1，为本申请实施例提供的文本处理方法的一种流程示意图，该方法应用于服务器，该服务器可以是云服务器，该方法包括以下步骤：

步骤S101、获取待处理文本。

其中，待处理文本的类别包括长文本或者短文本。

具体地，本申请通过爬虫等手段从百度词条、知网等网页爬取待处理文本，优选的，可以定时针对性的爬取目标范围内的待处理文本，而不是爬取全部内容，从而提高爬取效率。

步骤S102、对待处理文本进行分词处理，得到第一待处理词组。

在一种可选的实施方式中，对待处理文本进行分词处理，得到第一待处理词组，包括：将待处理文本输入至预设词典，根据待处理文本与预设词典中词语的匹配程度确定出待处理文本中的第一待处理词组。

可以理解的是，可以按照一定的策略将待匹配的字符串和一个已建立好的“充分大的”词典中的词进行匹配，若找到某个词条，则说明匹配成功，识别了该词。其中，基于词典的分词算法分为以下几种：正向最大匹配法、逆向最大匹配法和双向匹配分词法等。

在另一种可选的实施方式中，对待处理文本进行分词处理，得到第一待处理词组，包括：

将待处理文本输入至预设神经网络模型，得到第一待处理词组。

其中，预设神经网络模型包括HMM神经网络模型或者SVM神经网络模型等。

步骤S103、利用命名实体识别模型确定出待处理文本中的第二待处理词组。

其中，命名实体识别模型包括Bi-LSTM-CRF神经网络模型。

作为示例而非限定，利用命名实体识别模型确定出待处理文本中的第二待处理词组，包括：

第一步、对待处理文本进行向量化处理，得到向量值。

第二步、将向量值输入至Bi-LSTM-CRF神经网络模型，得到第二待处理词组。

具体地，以句子为单位，将句子中的每个词转换成词典中的对应id，进而可以得到每个字的one-hot向量，维数是字典大小；

利用预训练或随机初始化的embedding矩阵将句子中的每个字由one-hot向量映射为低维稠密的字向量，构成模型的第一层look-up 层；

将一个句子的各个字的字向量序列作为Bi-LSTM各个时间步的输入，再将正向LSTM输出的隐状态序列与反向LSTM的在各个位置输出的隐状态进行按位置拼接，得到完整的隐状态序列；

将隐状态向量映射到k*k维，其中k是标注集的标签数，从而得到自动提取的句子特征；

利用CRF进行句子级的序列标注。

步骤S104、根据第一待处理词组与第二待处理词组的匹配结果，确定出关键词组。

优选的，根据第一待处理词组与第二待处理词组的匹配结果，确定出关键词组之前还包括，去除第一待处理词组中的停顿词，以及去除第二待处理词组中的停顿词。

示例性地，参见图2，为本申请实施例提供的文本处理方法的图1中步骤S104的一种具体流程示意图，根据第一待处理词组与第二待处理词组的匹配结果，确定出关键词组，包括：

步骤S201、确定属于同一句子的第一待处理词组和第二待处理词组。

例如，利用相似度算法计算第一待处理词组与第二待处理词组之间的相似程度，当相似程度大于相似度阈值，则表示第一待处理词组和第二待处理词组属于同一句子。其中，相似度算法可以是编辑距离、汉明距离、欧式距离或者余弦相似度等。

步骤S202、将属于同一句子的第一待处理词组和第二待处理词组中重合部分确定为关键词组。

例如，第一待处理词组和第二待处理词组对应的同一句子的内容为“我爱自然语言处理”，其中，第一待处理词组包括“我爱”“自然”、“语言”以及“处理”，第二待处理词组包括“自然语言处理”，那么，将第一待处理词组和第二待处理词组中重合部分即“自然”、“语言”以及“处理”确定为关键词组。

优选的，如图3所示，为本申请实施例提供的文本处理方法的图2中步骤S201之后的一种流程示意图，确定属于同一句子的第一待处理词组和第二待处理词组之后，还包括：

步骤S301、识别第一待处理词组在同一句子的第一位置信息。

步骤S302、识别第二待处理词组在同一句子的第二位置信息。

可以理解的是，找出属于同一句子的第一待处理词组和第二待处理之后，

步骤S303、将第一位置信息与第二位置信息重合部分对应词组确定为关键词组。

例如，第一待处理词组和第二待处理词组对应的同一句子的内容为“我爱自然语言处理”，其中，第一待处理词组包括“我爱”“自然”、“语言”以及“处理”，则“我爱”对应的第一位置信息为[1，2]，“自然”对应的第一位置信息为[3，4]，“语言”对应的第一位置信息为“4，5”，“处理”对应的第一位置信息为“6,7”；第二待处理词组包括“自然语言处理”，对应的第二位置信息为[3,8]。那么，第一位置信息与第二位置信息重合部分为[3,8]，故确定“自然”、“语言”以及“处理”确定为关键词组。

步骤S105、提取出关键词组。

具体应用中，提取关键词组可以采用词频-逆向文件频率（tf-idf，termfrequency–inverse document frequency）的方式从待处理文本中提取。

本申请实施例中，通过对待处理文本进行两种不同方式的处理，再根据两种处理结果之间进行匹配从而确定出关键词组，不受待处理文本的类别限制，从而达到提供抽取文本关键词精度的效果。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

下面将对本申请实施例提供的文本处理装置进行介绍说明。本实施例的方法装置与上述文本处理方法相互对应。

图4是本申请实施例提供的一种文本处理装置的结构示意图，该装置可以具体集成于服务器，该装置可以包括：

获取模块41，用于获取待处理文本，其中，所待处理文本的类别包括长文本或者短文本；

分词处理模块42，用于对所述待处理文本进行分词处理，得到第一待处理词组；

确定模块43，用于利用命名实体识别模型确定出所述待处理文本中的第二待处理词组；

匹配模块44，用于根据所述第一待处理词组与所述第二待处理词组的匹配结果，确定出关键词组；

提取模块45，用于提取出所述关键词组。

在一种可能的实现方式中，所述分词处理模块包括：

在一种可能的实现方式中，所述分词处理模块还包括：

在一种可能的实现方式中，所述命名实体识别模型包括Bi-LSTM-CRF神经网络模型；

所述确定模块包括：

在一种可能的实现方式中，所述匹配模块包括：

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图5是本申请实施例提供的服务器5的示意图。如图5所示，该实施例的服务器5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个提取方法实施例中的步骤。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能。

示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述服务器5中的执行过程。

所述服务器5可以是云端服务器等计算设备。所述服务器5可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是服务器5的示例，并不构成对服务器5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述服务器5还可以包括输入输出设备、网络接入设备、总线等。

所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器51可以是所述服务器5的内部存储单元，例如服务器5的硬盘或内存。所述存储器51也可以是所述服务器5的外部存储设备，例如所述服务器5上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器51还可以既包括所述服务器5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述服务器5所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的服务器和方法，可以通过其它的方式实现。例如，以上所描述的服务器实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims

1.一种文本处理方法，其特征在于，该方法包括：

对所述待处理文本进行分词处理，得到第一待处理词组；

提取出所述关键词词组；

根据所述第一待处理词组与所述第二待处理词组的匹配结果，确定出关键词组，包括：

确定属于同一句子的第一待处理词组和第二待处理词组；

将所述属于同一句子的第一待处理词组和第二待处理词组中重合部分确定为关键词组；

对所述待处理文本进行分词处理，得到第一待处理词组，包括：

将所述待处理文本输入至预设词典，根据所述待处理文本与所述预设词典中词语的匹配程度确定出所述待处理文本中的第一待处理词组；

2.根据权利要求1所述的一种文本处理方法，其特征在于，所述命名实体识别模型包括Bi-LSTM-CRF神经网络模型；

对所述待处理文本进行向量化处理，得到向量值；

3.根据权利要求1所述的一种文本处理方法，其特征在于，确定属于同一句子的第一待处理词组和第二待处理词组之后，还包括：

识别所述第一待处理词组在所述同一句子的第一位置信息；

识别所述第二待处理词组在所述同一句子的第二位置信息；

4.一种文本处理装置，其特征在于，该装置包括：

提取模块，用于提取出所述关键词组；

所述匹配模块包括：

第二确定单元，用于将所述属于同一句子的第一待处理词组和第二待处理词组中重合部分确定为关键词组；

所述分词处理模块包括：

第一分词处理单元，用于将所述待处理文本输入至预设词典，根据所述待处理文本与所述预设词典中词语的匹配程度确定出所述待处理文本中的第一待处理词组；

所述分词处理模块包括：

第二分词处理单元，用于

5.服务器，包括存储器、处理器、摄像装置以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述。

6.计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述方法的各个步骤。