CN112988969A - 用于文本检索的方法、装置、设备以及存储介质 - Google Patents
用于文本检索的方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112988969A CN112988969A CN202110255980.XA CN202110255980A CN112988969A CN 112988969 A CN112988969 A CN 112988969A CN 202110255980 A CN202110255980 A CN 202110255980A CN 112988969 A CN112988969 A CN 112988969A
- Authority
- CN
- China
- Prior art keywords
- candidate
- text
- texts
- similarity
- candidate texts
- 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 46
- 238000001914 filtration Methods 0.000 claims abstract description 52
- 238000012163 sequencing technique Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 239000000654 additive Substances 0.000 description 4
- 230000000996 additive effect Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 239000000575 pesticide Substances 0.000 description 4
- 239000008399 tap water Substances 0.000 description 4
- 235000020679 tap water Nutrition 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 229940079593 drug Drugs 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- 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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种用于文本检索的方法、装置、设备以及存储介质,涉及大数据、自然语言处理等人工智能领域。具体实现方案为:利用全文搜索引擎获取满足检索式的多个候选文本;根据检索式的关键词和候选文本的文本内容,计算候选文本的多维特征;基于多维特征融合的文本相似度运算得到相关性分数,并根据相关性分数对多个候选文本进行排序,其中,相关性分数用于表征候选文本与检索式的文本相似度;根据预设规则对多个候选文本进行二次排序和过滤,得到目标文本。根据本公开的技术方案,可以在语义上实现对文本的精确查询和排序,从而提高文本检索的准确率和效率,进而提高用户的文本检索体验。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及大数据、自然语言处理领域。
背景技术
相关技术中,基于检索式进行文本检索的技术方案仅能实现字面上的文本匹配,无法在语义上实现文本的精确检索和排序,导致检索结果不能很好地满足用户的检索需求。
发明内容
本公开提供了一种用于文本检索的方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种用于文本检索的方法,包括:
利用全文搜索引擎获取满足检索式的多个候选文本;
根据检索式的关键词和候选文本的文本内容,计算候选文本的多维特征;
基于多维特征融合的文本相似度运算得到相关性分数,并根据相关性分数对多个候选文本进行排序,其中,相关性分数用于表征候选文本与检索式的文本相似度;
根据预设规则对多个候选文本进行二次排序和过滤,得到目标文本。
根据本公开的另一方面,提供了一种用于文本检索的装置,包括:
文本获取模块,用于利用全文搜索引擎获取满足检索式的多个候选文本;
多维特征计算模块,用于根据检索式的关键词和候选文本的文本内容,计算候选文本的多维特征;
排序模块,用于基于多维特征融合的文本相似度运算得到相关性分数,根据相关性分数对多个候选文本进行排序,其中,相关性分数用于表征候选文本与检索式的相关性;
二次排序和过滤模块,用于根据预设规则对多个候选文本进行二次排序和过滤,得到目标文本。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面,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,该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本公开任一实施例中的方法。
根据本公开的技术方案,可以在语义上实现对文本的精确查询和排序,从而提高文本检索的准确率和效率,进而提高用户的文本检索体验。
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,不构成对本公开的限定。其中:
图1是本公开实施例的用于文本检索的方法的流程图;
图2是本公开实施例的提取检索式关键词的具体流程图;
图3是本公开实施例的计算候选文本的多维特征的具体流程图;
图4是本公开实施例的对多个候选文本进行排序的具体流程图;
图5是本公开实施例的对多个候选文本进行二次排序的具体流程图;
图6是本公开实施例的对多个候选文本进行过滤的具体流程图;
图7是本公开实施例的对多个候选文本进行过滤的具体流程图;
图8是本公开实施例的对多个候选文本进行过滤的具体流程图;
图9是本公开实施例的用于文本检索的装置的框图;
图10是用来实现本公开实施例的用于文本检索的方法的电子设备的框图;
图11是检索式解析树的示意图;
图12是本公开实施例的用于文本检索的方法的具体示例图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
本公开实施例提供了一种用于文本检索的方法,包括如下步骤:
步骤S101:利用全文搜索引擎获取满足检索式的多个候选文本;
步骤S102:根据检索式的关键词和候选文本的文本内容,计算候选文本的多维特征;
步骤S103:基于多维特征融合的文本相似度运算得到相关性分数,根据相关性分数对多个候选文本进行排序,其中,相关性分数用于表征候选文本与检索式的文本相似度;
步骤S104:根据预设规则对多个候选文本进行二次排序和过滤,得到目标文本。
示例性地,在步骤S101中,通过将检索式输入至全文搜索引擎,即可获取满足检索式的多个候选文本。其中,全文搜索引擎可以为Elasticsearch(ES,实时搜索引擎),Elasticsearch是一种基于Lucene(一种开放源代码的全文检索引擎工具包)的搜索服务器,可以提供分布式多用户能力的全文搜索引擎,并且基于RESTful(RepresentationalState Transfer,一种网络应用程序的设计风格和开发方式)web接口。Elasticsearch是用Java语言开发的,并作为Apache(一种Web服务器软件)许可条款下的开放源码发布,广泛应用于企业级搜索引擎。Elasticsearch用于云计算中,能够达到实时搜索,并且具有稳定、可靠、快速、安装使用方便等优点。
需要说明的是,以上仅为示例性说明,而不能理解为对本公开的限制,在本公开的其他示例中,全文搜索引擎还可以采用其他基于检索式进行文本检索的软件,只要能够获取满足检索式的多个候选文本即可。例如,全文搜索引擎还可以采用Solr(一种搜索应用服务器)。
在本公开的实施例中,检索式可以理解为检索者向计算机发布的指令,也是人机对话的语言,检索式表达了检索者的检索意图。检索式通常包括检索词、逻辑算符、通配符等。检索词可以包括自由词、关键词以及主题词等。其中,关键词也称作专业词或非受控词,在主题检索中是指具有实际意义的词。逻辑算符可以包括逻辑“与”运算、逻辑“或”运算以及逻辑“非”运算。逻辑“与”的运算符可以为“AND”或“*”,逻辑“或”的运算符可以为“OR”或“+”,逻辑“非”的运算符可以为“NOT”或“-”。三种逻辑算符可以根据检索需求与检索词进行组配,以形成复杂的检索式。
例如,针对食品安全主题的检索式可以为“(食品OR药物OR自来水)AND(农药OR添加剂OR((质检OR检验)AND(黑名单OR违禁品)))AND NOT(电影OR广告OR小说)”,该检索式的关键词包括食品、药物、自来水、农药、添加剂、质检、检验、黑名单、违禁品、电影、广告、小说。
示例性地,在步骤S102中,候选文本的文本内容可以包括标题、摘要以及正文等,候选文本的多维特征可以包括候选文本与检索式之间的多个语义相似度特征,例如可以包括检索式的关键词与候选文本的标题或摘要之间的jaccard相似度特征、语义相似度特征、以及候选文本的标题与检索式的关键词之间的编辑距离、最长公共子序列和最长公共子串等特征。
示例性地,在步骤S103中,可以将候选文本的多维特征输入至训练好的排序模型,以得到候选文本的相关性分数。其中,排序模型可以采用逻辑回归(Logistic Regression,LR)模型或者XGBoost模型等。
基于多维特征融合的文本相似度运算得到的相关性分数,可以在语义角度衡量候选文本与检索式的文本相关性,并依据相关性分数按照降序对多个候选文本进行排序,从而确保相关性分数高的候选文本靠前排列,有利于更好地满足检索者的检索需求。
示例性地,在步骤S104中,可以根据候选文本的标题或摘要与检索式的关键词的匹配程度,对多个候选文本进行二次排序。具体地,可以将标题或摘要满足检索式的候选文本排序靠前,同时将标题或摘要不满足检索式(即仅正文满足检索式)的候选文本的排序靠后,从而在先前排序的基础上对多个候选文本进行二次排序,使标题或摘要满足检索式的候选文本排序靠前,从而使检索结果更有利于用户浏览,。
示例性地,在步骤S104中,可以基于步骤S102提取到的多维特征和/或步骤S103计算得到的相关性分数,对多个候选文本进行过滤。例如,针对候选文本的多维特征中的语义相似度以及候选文本的相关性分数设置相应的阈值,通过比较候选文本的语义相似度以及相关性分数是否达到阈值,对候选文本进行过滤。可以理解的是,对多个候选文本进行过滤后,剩余的候选文本即为目标文本,且多个目标文本按照步骤S104的二次排序的顺序排列。
根据本公开实施例的用于文本检索的方法,通过根据检索式的关键词和候选文本的文本内容,对多个候选文本进行多维特征提取,并基于多维特征融合的文本相似度运算得到相关性分数,根据相关性分数对多个候选文本进行排序,由此,可以将多个候选文本按照与检索式的文本相似度进行排列,并且在语义上实现对文本的精确查询和排序,从而提高文本检索的准确率和效率,进而提高用户的文本检索体验。
如图2所示,在一种实施方式中,在利用全文搜索引擎获取满足检索式的多个候选文本之前,还包括:
步骤S201:对检索式进行解析,得到解析树;
步骤S202:根据解析树提取检索式的关键词。
示例性地,在步骤S201中,通过对检索式进行解析,得到检索式的检索词以及检索词之间的逻辑算符,并根据检索词与逻辑算符之间的逻辑关系,构建解析树。如图11所示,解析树呈树形结构,解析树的叶子节点为关键词,中间节点为逻辑算符,通过关键词与逻辑算符之间的组合形成与检索式相匹配的解析树。
需要说明的是,在步骤S202中,根据解析树所提取到的关键词中不包括逻辑“非”所对应的关键词。参考图11所示,提取到的关键词中不包括逻辑算符“NOT”所对应的关键词“电影”、“广告”和“小说”,因而最终提取到的关键词为“食品”、“药物”、“自来水”、“农药”、“添加剂”、“质检”、“检验”、“黑名单”以及“违禁品”。
通过上述实施方式,通过将检索式解析为解析树,可以便捷地获取检索式的关键词,有利于提高关键词的提取效率,从而提升文本检索的效率。
如图3所示,在一种实施方式中,计算候选文本的多维特征,包括以下中的至少一项:
步骤S301:计算候选文本的标题与检索式的jaccard特征;
步骤S302:计算候选文本的摘要与检索式的jaccard特征;
步骤S303:计算候选文本的标题与检索式的语义相似度特征;
步骤S304:计算候选文本的摘要与检索式的语义相似度特征;
步骤S305:计算候选文本的标题与检索式的编辑距离、最长公共子序列以及最长公共子串特征。
可以理解的是,jaccard特征即为jaccard相似系数,可以用于表征检索式的关键词与候选文本的标题或摘要之间的相似性与差异性,jaccard相似系数越大,则说明候选文本的标题或摘要与检索式之间的相似度越高。候选文本的标题或摘要与检索式的关键词之间的jaccard特征,可以通过计算候选文本的标题或摘要所构成的集合与检索式的关键词集合之间的交集个数与并集个数的比值得到。候选文本的标题或摘要与检索式的语义相似度特征,可以通过计算候选文本的标题或摘要的语义向量与检索式的语义向量之间的余弦距离得到。其中,候选文本的标题或摘要的语义向量以及检索式的语义向量可以通过训练好的深度学习模型进行提取。基于候选文本内的标题和/或摘要与检索式的语义相似度特征,可以得到候选文本与检索式之间的语义相似度。
编辑距离(Minimum Edit Distance,MED),又称Levenshtein距离,是指两个字符串之间,由一个转成另一个所需要的最少编辑操作次数。通过计算候选文本的标题或摘要中的实词名与检索式的关键词之间的最小编辑距离,可以判定二者之间是否存在共指关系,从而判断候选文本的标题或摘要与检索式的相似度。提取检索式的关键词与候选文本的标题或摘要的子序列,并求候选文本的标题或摘要与检索式的关键词之间的最长公共子串和最长公共子序列,基于最长公共子串和最长公共子序列可以判断候选文本的标题或摘要与检索式的关键词之间的相似度。其中,最长公共子串和最长公共子序列可以利用广义后缀树进行计算。
通过上述实施方式,通过提取候选文本的多维特征,可以提高对生词以及对不同分布数据的鲁棒性,可以使后续计算得到的相关性分数不仅能在字面匹配上反映出候选文本与检索式的相关程度,还能在语义理解上反映出候选文本与检索式的相关程度,从而提高相关性分数的置信度,优化多个候选文本的排序结果。
如图4所示,在一种实施方式中,基于多维特征融合的文本相似度运算得到相关性分数,包括:
步骤S401:将候选文本的多维特征输入至训练好的排序模型,得到候选文本的相关性分数;
步骤S402:基于多个候选文本的相关性分数,按照降序对多个候选文本进行排序。
示例性地,排序模型可以采用XGboost模型。可以理解的是,XGBoost的全称是Extreme Gradient Boosting,是经过优化的分布式梯度提升库,具有高效、灵活且可移植的优点。XGBoost是大规模并行boosting tree的工具,它是目前最快最好的开源boostingtree工具包。通过采用XGboost模型作为排序模型计算候选文本的相关性分数,可以提高相关性分数的计算精确度,以对多个候选文本按照相关性分数进行精准排序。
通过上述实施方式,通过排序模型计算候选文本的相关性分数,并按照相关性分数对多个候选文本进行降序排序,可以确保与检索式语义相似度高的候选文本排列靠前,与检索式语义相似度低的候选文本排列靠后,从而实现对多个候选文本的初次排序。
如图5所示,在一种实施方式中,根据预设规则对多个候选文本进行二次排序和过滤,包括:
步骤S501:根据候选文本的标题和摘要中的至少一个与检索式的关键词的匹配情况,依次将候选文本添加至优先队列或候选队列,其中,优先队列位于候选队列的前列。
示例性地,基于检索式的解析树,获取检索式解析树中最靠近根部的AND逻辑的关键词组,例如在图11的示例中,最靠近根部的AND逻辑的关键词组为两个且分别为group1(食品、药物、自来水)和group2(农药、添加剂、质检、检验、黑名单、违禁品)。按照排序后所有候选文本的排列顺序,遍历所有候选文本,在候选文本的标题或摘要同时匹配到两个关键词组中的关键词的情况下,将候选文本添加到优先队列,否则添加到候选队列,由此完成对所有候选文本的二次排序。
通过上述实施方式,可以实现对多个候选文本的二次排序,以使标题或摘要与检索式匹配度高的候选文本排列靠前,并且可以区分出不同逻辑之间关键词组合的重要程度,例如通过将检索式解析树中最靠近根部的AND逻辑的关键词组与多个候选文本进行匹配,可以使标题或摘要更加贴近检索式重要词组的候选文本排序靠前,从而更有利于用户的浏览。
如图6所示,在一种实施方式中,根据预设规则对多个候选文本进行二次排序和过滤,还包括:
步骤S601:根据预设的屏蔽词库或屏蔽站点库,对优先队列和候选队列中至少一个的多个候选文本进行过滤处理。
在一个示例中,在候选文本的文本内容中匹配到与屏蔽词库中的屏蔽词的情况下,对该候选文本进行过滤处理。其中,屏蔽词库可以根据实际情况进行配置。
在另一个示例中,可以根据候选文本的URL(Uniform Resource Locator,统一资源定位系统),确定候选文本在因特网的万维网服务程序上的指定信息位置,并与预设的屏蔽站点库进行匹配。在候选文本的URL与屏蔽站点库相匹配的情况下,对该候选文本进行过滤处理。
通过上述实施方式,可以实现对候选文本的初步过滤,可以将包含有屏蔽词的候选文本或来源自屏蔽站点的候选文本进行过滤。
如图7所示,在一种实施方式中,多维特征至少包括候选文本的语义相似度特征,语义相似度特征用于表征候选文本与检索式的语义相似度,根据预设规则对多个候选文本进行二次排序和过滤,还包括:
步骤S701:在候选文本的语义相似度小于第一相似度阈值的情况下,将候选文本添加至过滤队列;
步骤S702:在候选文本的语义相似度大于或等于第一相似度阈值且小于第二相似度阈值、且候选文本的相关性分数小于相关性阈值的情况下,将候选文本添加至过滤队列;
步骤S703:在候选文本的语义相似度大于或等于第二相似度阈值且小于第三相似度阈值、且候选文本的标题和摘要中的至少一个与检索式的任一个关键词均不匹配的情况下,将候选文本添加至过滤队列。
其中,候选文本的语义相似度特征可以采用与上述步骤S303、步骤S304相同或相似的方法得到。
在一个具体示例中,第一相似度阈值可以为0.1、第二相似度阈值可以为0.2、第三相似度阈值可以为0.4。初始化目标队列(satisfy_docs)和过滤队列(filter_docs),按照二次排序后多个候选文本的排列顺序遍历所有候选文本。在候选文本的语义相似度小于0.1的情况下,将候选文本添加至过滤队列;在候选文本的语义相似度大于等于0.1且小于0.2、并且候选文本的相关性分数小于相关性阈值的情况下,将候选文本添加至过滤队列;在候选文本的语义相似度大于等于0.2且小于0.4、并且候选文本的标题和摘要中的至少一个与检索式的任一个关键词均不匹配的情况下,将候选文本添加至过滤队列。
其中,候选文本的标题和/或摘要与检索式的任一个关键词的匹配情况可以通过no_match_title_summary来表示。在no_match_title_summary的值为1的情况下,候选文本的标题和/或摘要与检索式的任一个关键词均不匹配;在no_match_title_summary的值为0的情况下,候选文本的标题和/或摘要与检索式的至少一个关键词相匹配。
需要说明的是,在候选文本不满足上述任一个条件的情况下,则将候选文本添加至目标队列,目标队列中的文本即为目标文本,最终将目标队列中的所有目标文本作为最终返回结果。
通过上述实施方式,可以结合候选文本与检索式的语义相似度、相关性分数以及候选文本的标题或摘要与检索式的关键词的匹配情况多种因素,对候选文本进行过滤,以确保最终得到的目标文本在语义以及字面匹配上均与检索式具有较高的相关度,从而进一步提高文本检索效果。
如图8所示,在一种实施方式中,该方法还包括:
步骤S801:提取候选文本的标题中的实词;
步骤S802:基于提取到的实词,计算任意两个候选文本的标题的重合度,在重合度大于重合度阈值的情况下,对两个候选文本进行去重处理。
示例性地,在步骤S801中,可以对候选文本的标题进行分词处理,以得到标题的实词和虚词,然后将虚词去除,对剩余的实词进行提取。其中,实词是指具有实际意义的词,例如可以是名词、动词、形容词、数词、量词以及代词;虚词则为虚词是不能单独充当句法成分的词,仅具有连接或附着各类实词的语法意义,例如可以是副词、介词、连词、助词、叹词和拟声词。
示例性地,在步骤S802中,基于从候选文本的标题中提取到的实词,计算任意两个候选文本的标题的重合度。在标题的重合度大于重合度阈值的情况下,将其中任一个候选文本进行过滤处理,以完成对候选文本的去重处理。
通过上述实施方式,可以实现对候选文本去重处理,且去重策略简单、去重效率较高,可以确保最终得到的目标文本中不包含相似标题的文本,进一步优化了文本检索结果。
下面参照图12以一个具体示例描述根据本公开实施例的用于文本检索的方法。
如图12所示,该方法具体包括以下步骤:
(1)输入检索式。检索式可以是由用户根据检索意图,将检索词、逻辑算符、通配符等按照一定逻辑组建形成的检索表达式;
(2)检索式分析。对检索式进行解析,以得到解析树。其中,解析树的叶子节点为关键词,中间节点为逻辑算符。通过解析树可以方便快捷地获取检索式的关键词;
(3)文本召回。将检索式输入全文搜索引擎,以获取满足检索式的多个候选文本。其中,全文搜索引擎可以为elasticsearch引擎。
(4)文本排序。根据检索式的关键词和候选文本的文本内容,计算候选文本的多维特征,将候选文本的多维特征输入至排序模型得到相关性分数,根据相关性分数对多个候选文本进行排序。其中,排序模型可以为训练好的xgboost模型。
(5)规则重排。根据候选文本的标题和摘要中的至少一个与检索式的关键词的匹配情况,对多个候选文本进行二次排序。在候选文本的标题和/或摘要与检索式解析树中最靠近根部的AND逻辑的关键词组相匹配的情况下,将候选文本添加至优先队列,否则添加至候选队列。
(6)规则过滤。首先,根据预先配置的屏蔽词库以及屏蔽站点库对多个候选文本进行过滤。然后,基于候选文本与检索式的语义相似度、相关性分数以及候选文本的标题或摘要与检索式的关键词的匹配情况多种因素对多个候选文本进行过滤。具体而言,在候选文本的语义相似度小于第一相似度阈值的情况下,将候选文本添加至过滤队列;在候选文本的语义相似度大于或等于第一相似度阈值且小于第二相似度阈值、且候选文本的相关性分数小于相关性阈值的情况下,将候选文本添加至过滤队列;在候选文本的语义相似度大于或等于第二相似度阈值且小于第三相似度阈值、且候选文本的标题和摘要中的至少一个与检索式的任一个关键词均不匹配的情况下,将候选文本添加至过滤队列。
(7)文本去重。提取候选文本的标题中的实词,基于提取到的实词,计算任意两个候选文本的标题的重合度,在重合度大于重合度阈值的情况下,对两个候选文本进行去重处理。
(8)目标文本。将经过去重处理后剩余的候选文本作为目标文本,并返回至检索结果。
根据本公开的实施例,本公开还提供了一种用于文本检索的装置。
如图9所示,该装置包括:
文本获取模块901,用于利用全文搜索引擎获取满足检索式的多个候选文本;
多维特征计算模块902,用于根据检索式的关键词和候选文本的文本内容,计算候选文本的多维特征;
排序模块903,用于基于多维特征融合的文本相似度运算得到相关性分数,根据相关性分数对多个候选文本进行排序,其中,相关性分数用于表征候选文本与检索式的文本相似度;
二次排序和过滤模块904,用于根据预设规则对多个候选文本进行二次排序和过滤,得到目标文本。
在一种实施方式中,该装置还包括:
解析模块,用于对检索式进行解析,得到解析树;
关键词提取模块,用于根据解析树提取检索式的关键词。
在一种实施方式中,多维特征计算模块902还用于:
计算候选文本的标题与检索式的jaccard特征;
计算候选文本的摘要与检索式的jaccard特征;
计算候选文本的标题与检索式的语义相似度特征;
计算候选文本的摘要与检索式的语义相似度特征;
计算候选文本的标题与检索式的编辑距离、最长公共子序列以及最长公共子串特征。
在一种实施方式中,排序模块903包括:
相关性分数获取子模块,将候选文本的多维特征输入至训练好的排序模型,得到候选文本的相关性分数;
排序子模块,基于多个候选文本的相关性分数,按照降序对多个候选文本进行排序。
在一种实施方式中,二次排序和过滤模块904还用于:
根据候选文本的标题和摘要中的至少一个与检索式的关键词的匹配情况,依次将候选文本添加至优先队列或候选队列,其中,优先队列位于候选队列的前列。
在一种实施方式中,二次排序和过滤模块904还用于:
根据预设的屏蔽词库或屏蔽站点库,对优先队列和候选队列中至少一个的多个候选文本进行过滤处理。
在一种实施方式中,多维特征至少包括候选文本的语义相似度特征,语义相似度特征用于表征候选文本与检索式的语义相似度,二次排序和过滤模块904还用于:
在候选文本的语义相似度小于第一相似度阈值的情况下,将候选文本添加至过滤队列;
在候选文本的语义相似度大于或等于第一相似度阈值且小于第二相似度阈值、且候选文本的相关性分数小于相关性阈值的情况下,将候选文本添加至过滤队列;
在候选文本的语义相似度大于或等于第二相似度阈值且小于第三相似度阈值、且候选文本的标题和摘要中的至少一个与检索式的任一个关键词均不匹配的情况下,将候选文本添加至过滤队列。
在一种实施方式中,该装置还包括:
实体提取模块,用于提取候选文本的标题中的实词;
去重模块,用于基于提取到的实词,计算任意两个候选文本的标题的重合度,在重合度大于重合度阈值的情况下,对两个候选文本进行去重处理。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。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/或要求的本公开的实现。
如图10所示,电子设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序来执行各种适当的动作和处理。在RAM 1003中,还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入输出(I/O)接口1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许电子设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理,例如用于文本检索的方法。例如,在一些实施例中,用于文本检索的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的用于文本检索的方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于文本检索的方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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。
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,本公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种用于文本检索的方法,包括:
利用全文搜索引擎获取满足检索式的多个候选文本;
根据所述检索式的关键词和所述候选文本的文本内容,计算所述候选文本的多维特征;
基于多维特征融合的文本相似度运算得到相关性分数,并根据所述相关性分数对多个所述候选文本进行排序,其中,所述相关性分数用于表征所述候选文本与所述检索式的文本相似度;
根据预设规则对多个所述候选文本进行二次排序和过滤,得到目标文本。
2.根据权利要求1所述的方法,在利用全文搜索引擎召回满足所述检索式的多个候选文本之前,还包括:
对所述检索式进行解析,得到解析树;
根据所述解析树提取所述检索式的关键词。
3.根据权利要求1所述的方法,计算所述候选文本的多维特征,包括以下中的至少一项:
计算所述候选文本的标题与所述检索式的jaccard特征;
计算所述候选文本的摘要与所述检索式的jaccard特征;
计算所述候选文本的标题与所述检索式的语义相似度特征;
计算所述候选文本的摘要与所述检索式的语义相似度特征;
计算所述候选文本的标题与所述检索式的编辑距离、最长公共子序列以及最长公共子串特征。
4.根据权利要求1所述的方法,基于多维特征融合的文本相似度运算得到相关性分数,包括:
将所述候选文本的多维特征输入至训练好的排序模型,得到所述候选文本的相关性分数;
基于多个所述候选文本的相关性分数,按照降序对多个所述候选文本进行排序。
5.根据权利要求1所述的方法,根据预设规则对多个所述候选文本进行二次排序和过滤,包括:
根据所述候选文本的标题和摘要中的至少一个与所述检索式的关键词的匹配情况,依次将所述候选文本添加至优先队列或候选队列,其中,所述优先队列位于所述候选队列的前列。
6.根据权利要求5所述的方法,根据预设规则对多个所述候选文本进行二次排序和过滤,还包括:
根据预设的屏蔽词库或屏蔽站点库,对所述优先队列和所述候选队列中至少一个的多个候选文本进行过滤处理。
7.根据权利要求5所述的方法,所述多维特征至少包括所述候选文本的语义相似度特征,所述语义相似度特征用于表征所述候选文本与所述检索式的语义相似度,根据预设规则对多个所述候选文本进行二次排序和过滤,还包括:
在所述候选文本的语义相似度小于第一相似度阈值的情况下,将所述候选文本添加至过滤队列;
在所述候选文本的语义相似度大于或等于第一相似度阈值且小于第二相似度阈值、且所述候选文本的相关性分数小于相关性阈值的情况下,将所述候选文本添加至过滤队列;
在所述候选文本的语义相似度大于或等于第二相似度阈值且小于第三相似度阈值、且所述候选文本的标题和摘要中的至少一个与所述检索式的任一个关键词均不匹配的情况下,将所述候选文本添加至过滤队列。
8.根据权利要求1-7任一项所述的方法,还包括:
提取所述候选文本的标题中的实词;
基于提取到的所述实词,计算任意两个所述候选文本的标题的重合度,在所述重合度大于重合度阈值的情况下,对两个所述候选文本进行去重处理。
9.一种用于文本检索的装置,包括:
文本获取模块,用于利用全文搜索引擎获取满足检索式的多个候选文本;
多维特征计算模块,用于根据所述检索式的关键词和所述候选文本的文本内容,计算所述候选文本的多维特征;
排序模块,用于基于多维特征融合的文本相似度运算得到相关性分数,根据所述相关性分数对多个所述候选文本进行排序,其中,所述相关性分数用于表征所述候选文本与所述检索式的文本相似度;
二次排序和过滤模块,用于根据预设规则对多个所述候选文本进行二次排序和过滤,得到目标文本。
10.根据权利要求9所述的装置,还包括:
解析模块,用于对所述检索式进行解析,得到解析树;
关键词提取模块,用于根据所述解析树提取所述检索式的关键词。
11.根据权利要求9所述的装置,所述多维特征计算模块还用于:
计算所述候选文本的标题与所述检索式的jaccard特征;
计算所述候选文本的摘要与所述检索式的jaccard特征;
计算所述候选文本的标题与所述检索式的语义相似度特征;
计算所述候选文本的摘要与所述检索式的语义相似度特征;
计算所述候选文本的标题与所述检索式的编辑距离、最长公共子序列以及最长公共子串特征。
12.根据权利要求9所述的装置,所述排序模块包括:
相关性分数获取子模块,将所述候选文本的多维特征输入至训练好的排序模型,得到所述候选文本的相关性分数;
排序子模块,基于多个所述候选文本的相关性分数,按照降序对多个所述候选文本进行排序。
13.根据权利要求9所述的装置,所述二次排序和过滤模块还用于:
根据所述候选文本的标题和摘要中的至少一个与所述检索式的关键词的匹配情况,依次将所述候选文本添加至优先队列或候选队列,其中,所述优先队列位于所述候选队列的前列。
14.根据权利要求13所述的装置,所述二次排序和过滤模块还用于:
根据预设的屏蔽词库或屏蔽站点库,对所述优先队列和所述候选队列中至少一个的多个候选文本进行过滤处理。
15.根据权利要求13所述的装置,所述多维特征至少包括所述候选文本的语义相似度特征,所述语义相似度特征用于表征所述候选文本与所述检索式的语义相似度,所述二次排序和过滤模块还用于:
在所述候选文本的语义相似度小于第一相似度阈值的情况下,将所述候选文本添加至过滤队列;
在所述候选文本的语义相似度大于或等于第一相似度阈值且小于第二相似度阈值、且所述候选文本的相关性分数小于相关性阈值的情况下,将所述候选文本添加至过滤队列;
在所述候选文本的语义相似度大于或等于第二相似度阈值且小于第三相似度阈值、且所述候选文本的标题和摘要中的至少一个与所述检索式的任一个关键词均不匹配的情况下,将所述候选文本添加至过滤队列。
16.根据权利要求9-15任一项所述的装置,还包括:
实体提取模块,用于提取所述候选文本的标题中的实词;
去重模块,用于基于提取到的所述实词,计算任意两个所述候选文本的标题的重合度,在所述重合度大于重合度阈值的情况下,对两个所述候选文本进行去重处理。
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计算机执行权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110255980.XA CN112988969B (zh) | 2021-03-09 | 用于文本检索的方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110255980.XA CN112988969B (zh) | 2021-03-09 | 用于文本检索的方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112988969A true CN112988969A (zh) | 2021-06-18 |
CN112988969B CN112988969B (zh) | 2024-05-10 |
Family
ID=
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113434789A (zh) * | 2021-06-29 | 2021-09-24 | 平安科技(深圳)有限公司 | 基于多维度文本特征的搜索排序方法及相关设备 |
CN113505196A (zh) * | 2021-06-30 | 2021-10-15 | 和美(深圳)信息技术股份有限公司 | 基于词性的文本检索方法、装置、电子设备及存储介质 |
CN113553410A (zh) * | 2021-06-30 | 2021-10-26 | 北京百度网讯科技有限公司 | 长文档处理方法、处理装置、电子设备和存储介质 |
CN113590796A (zh) * | 2021-08-04 | 2021-11-02 | 百度在线网络技术(北京)有限公司 | 排序模型的训练方法、装置和电子设备 |
CN113704427A (zh) * | 2021-08-30 | 2021-11-26 | 平安科技(深圳)有限公司 | 一种文本出处的确定方法、装置、设备及存储介质 |
CN113806483A (zh) * | 2021-09-17 | 2021-12-17 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备及计算机程序产品 |
CN113971216A (zh) * | 2021-10-22 | 2022-01-25 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和存储器 |
CN113988157A (zh) * | 2021-09-30 | 2022-01-28 | 北京百度网讯科技有限公司 | 语义检索网络训练方法、装置、电子设备及存储介质 |
CN115455950A (zh) * | 2022-09-27 | 2022-12-09 | 中科雨辰科技有限公司 | 一种获取文本的数据处理系统 |
CN116796199A (zh) * | 2023-06-25 | 2023-09-22 | 泉州职业技术大学 | 一种基于人工智能的项目匹配分析系统及方法 |
CN116842138A (zh) * | 2023-07-24 | 2023-10-03 | 上海诚狐信息科技有限公司 | 基于文档的检索方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890711A (zh) * | 2012-09-13 | 2013-01-23 | 中国人民解放军国防科学技术大学 | 一种检索排序方法及系统 |
US20190243900A1 (en) * | 2017-03-03 | 2019-08-08 | Tencent Technology (Shenzhen) Company Limited | Automatic questioning and answering processing method and automatic questioning and answering system |
CN111967262A (zh) * | 2020-06-30 | 2020-11-20 | 北京百度网讯科技有限公司 | 实体标签的确定方法和装置 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890711A (zh) * | 2012-09-13 | 2013-01-23 | 中国人民解放军国防科学技术大学 | 一种检索排序方法及系统 |
US20190243900A1 (en) * | 2017-03-03 | 2019-08-08 | Tencent Technology (Shenzhen) Company Limited | Automatic questioning and answering processing method and automatic questioning and answering system |
CN111967262A (zh) * | 2020-06-30 | 2020-11-20 | 北京百度网讯科技有限公司 | 实体标签的确定方法和装置 |
Non-Patent Citations (2)
Title |
---|
ZHAO ZHEN ET AL.: "Sentence Semantic Similarity Calculation Based on Multi-feature Fusion", COMPUTER ENGINEERING, 5 January 2012 (2012-01-05), pages 171 - 173 * |
韩程程;李磊;刘婷婷;高明;: "语义文本相似度计算方法", 华东师范大学学报(自然科学版), no. 05, 25 September 2020 (2020-09-25), pages 95 - 112 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113434789A (zh) * | 2021-06-29 | 2021-09-24 | 平安科技(深圳)有限公司 | 基于多维度文本特征的搜索排序方法及相关设备 |
CN113434789B (zh) * | 2021-06-29 | 2023-01-24 | 平安科技(深圳)有限公司 | 基于多维度文本特征的搜索排序方法及相关设备 |
CN113505196A (zh) * | 2021-06-30 | 2021-10-15 | 和美(深圳)信息技术股份有限公司 | 基于词性的文本检索方法、装置、电子设备及存储介质 |
CN113553410A (zh) * | 2021-06-30 | 2021-10-26 | 北京百度网讯科技有限公司 | 长文档处理方法、处理装置、电子设备和存储介质 |
CN113505196B (zh) * | 2021-06-30 | 2024-01-30 | 和美(深圳)信息技术股份有限公司 | 基于词性的文本检索方法、装置、电子设备及存储介质 |
CN113553410B (zh) * | 2021-06-30 | 2023-09-22 | 北京百度网讯科技有限公司 | 长文档处理方法、处理装置、电子设备和存储介质 |
CN113590796B (zh) * | 2021-08-04 | 2023-09-05 | 百度在线网络技术(北京)有限公司 | 排序模型的训练方法、装置和电子设备 |
CN113590796A (zh) * | 2021-08-04 | 2021-11-02 | 百度在线网络技术(北京)有限公司 | 排序模型的训练方法、装置和电子设备 |
EP4155973A4 (en) * | 2021-08-04 | 2023-09-20 | Baidu Online Network Technology (Beijing) Co., Ltd. | METHOD AND DEVICE FOR TRAINING A SORTING MODEL AND ELECTRONIC DEVICE |
CN113704427A (zh) * | 2021-08-30 | 2021-11-26 | 平安科技(深圳)有限公司 | 一种文本出处的确定方法、装置、设备及存储介质 |
CN113806483A (zh) * | 2021-09-17 | 2021-12-17 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备及计算机程序产品 |
CN113806483B (zh) * | 2021-09-17 | 2023-09-05 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备及计算机程序产品 |
CN113988157A (zh) * | 2021-09-30 | 2022-01-28 | 北京百度网讯科技有限公司 | 语义检索网络训练方法、装置、电子设备及存储介质 |
CN113988157B (zh) * | 2021-09-30 | 2023-10-13 | 北京百度网讯科技有限公司 | 语义检索网络训练方法、装置、电子设备及存储介质 |
CN113971216B (zh) * | 2021-10-22 | 2023-02-03 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和存储器 |
CN113971216A (zh) * | 2021-10-22 | 2022-01-25 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和存储器 |
CN115455950A (zh) * | 2022-09-27 | 2022-12-09 | 中科雨辰科技有限公司 | 一种获取文本的数据处理系统 |
CN116796199A (zh) * | 2023-06-25 | 2023-09-22 | 泉州职业技术大学 | 一种基于人工智能的项目匹配分析系统及方法 |
CN116796199B (zh) * | 2023-06-25 | 2024-02-20 | 泉州职业技术大学 | 一种基于人工智能的项目匹配分析系统及方法 |
CN116842138A (zh) * | 2023-07-24 | 2023-10-03 | 上海诚狐信息科技有限公司 | 基于文档的检索方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10586155B2 (en) | Clarification of submitted questions in a question and answer system | |
Ding et al. | Entity discovery and assignment for opinion mining applications | |
EP3933657A1 (en) | Conference minutes generation method and apparatus, electronic device, and computer-readable storage medium | |
CN109299280B (zh) | 短文本聚类分析方法、装置和终端设备 | |
KR101423549B1 (ko) | 감상 기반 질의 처리 시스템 및 방법 | |
US20230177360A1 (en) | Surfacing unique facts for entities | |
US20160292153A1 (en) | Identification of examples in documents | |
CN110162768B (zh) | 实体关系的获取方法、装置、计算机可读介质及电子设备 | |
US10198497B2 (en) | Search term clustering | |
CN111475725A (zh) | 用于搜索内容的方法、装置、设备和计算机可读存储介质 | |
CN114880447A (zh) | 信息检索方法、装置、设备及存储介质 | |
CN113988157A (zh) | 语义检索网络训练方法、装置、电子设备及存储介质 | |
US20220365956A1 (en) | Method and apparatus for generating patent summary information, and electronic device and medium | |
Mohasseb et al. | Domain specific syntax based approach for text classification in machine learning context | |
CN114116997A (zh) | 知识问答方法、装置、电子设备及存储介质 | |
CN113609847A (zh) | 信息抽取方法、装置、电子设备及存储介质 | |
Juan | An effective similarity measurement for FAQ question answering system | |
CN114201622B (zh) | 获取事件信息的方法、装置、电子设备和存储介质 | |
CN112988969B (zh) | 用于文本检索的方法、装置、设备以及存储介质 | |
CN112926297B (zh) | 处理信息的方法、装置、设备和存储介质 | |
CN112528644B (zh) | 实体挂载的方法、装置、设备以及存储介质 | |
CN115563242A (zh) | 汽车信息筛选方法、装置、电子设备及存储介质 | |
CN112988969A (zh) | 用于文本检索的方法、装置、设备以及存储介质 | |
CN114491232A (zh) | 信息查询方法、装置、电子设备和存储介质 | |
CN113792546A (zh) | 语料库的构建方法、装置、设备以及存储介质 |
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 |