CN113111177B - 文本数据标注方法、装置、电子设备和存储介质 - Google Patents
文本数据标注方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113111177B CN113111177B CN202110231196.5A CN202110231196A CN113111177B CN 113111177 B CN113111177 B CN 113111177B CN 202110231196 A CN202110231196 A CN 202110231196A CN 113111177 B CN113111177 B CN 113111177B
- Authority
- CN
- China
- Prior art keywords
- classified
- feature vector
- distance
- cluster
- text data
- 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
- 238000002372 labelling Methods 0.000 title claims abstract description 82
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 378
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 abstract description 10
- 239000000463 material Substances 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供一种文本数据标注方法、装置、电子设备和存储介质,通过首先用待标注文本数据集合中每个待标注文本数据对应的文本特征向量生成待分类特征向量集合;再基于待分类特征向量集合进行聚类,得到至少一个待分类特征向量子集合;最后,对于每个待分类特征向量子集合,执行标注操作,标注操作包括基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题;将该待分类特征向量子集合中待分类特征向量对应的待标注文本数据的主题类别标注为该待分类特征向量子集合对应的文本主题,降低了数据标注的人力、物力和财力。
Description
技术领域
本公开的实施例涉及自然语言处理技术领域,具体涉及文本数据标注方法、装置、电子设备和存储介质。
背景技术
在自然语言处理(NLP,Natural Language Processing)中一个很重的分支是文本分类。而为了实现自动文本分类,通常需要基于大量文本数据和相应的人工标注的文本分类标记预先训练分类模型。人工对文本数据进行标注分类的过程,需要专业的业务人员对海量的数据按照指定规则进行人工标注,浪费大量的人力物力财力。
发明内容
本公开的实施例提出了文本数据标注方法、装置、电子设备和存储介质。
第一方面,本公开的实施例提供了一种文本数据标注方法,该方法包括:用待标注文本数据集合中每个待标注文本数据对应的文本特征向量生成待分类特征向量集合;基于上述待分类特征向量集合进行聚类,得到至少一个待分类特征向量子集合;对于每个上述待分类特征向量子集合,执行以下标注操作:基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题;将该待分类特征向量子集合中待分类特征向量对应的待标注文本数据的主题类别标注为该待分类特征向量子集合对应的文本主题。
在一些可选的实施方式中,上述基于上述待分类特征向量集合进行聚类,得到至少一个待分类特征向量子集合,包括:
基于上述待分类特征向量集合进行密度聚类,得到密度聚类结果,上述密度聚类结果包括M个密度聚类簇和N个噪声聚类簇,每个密度聚类簇和噪声聚类簇均包括至少一个待分类特征向量,上述M和N为自然数;
基于上述M个密度聚类簇中的待分类特征向量进行距离聚类,得到D个距离聚类簇,每个距离聚类簇包括至少一个待分类特征向量,上述D为自然数;
将上述N个噪声聚类簇和上述D个距离聚类簇确定为上述至少一个待分类特征向量子集合。
在一些可选的实施方式中,在基于上述M个密度聚类簇中的待分类特征向量进行距离聚类,得到D个距离聚类簇之后,上述方法还包括:
将上述N个噪声聚类簇中的每个待分类特征向量标记为单一类别;
对于上述D个距离聚类簇中的每个待分类特征向量,根据该待分类特征向量与各上述距离聚类簇的质心的距离,将该待分类特征向量标记为单一类别或非单一类别。
在一些可选的实施方式中,上述基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题,包括:
基于该待分类特征向量子集合中标记为单一类别的待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题。
在一些可选的实施方式中,上述根据该待分类特征向量与各上述距离聚类簇的质心的距离,将该待分类特征向量标记为单一类别或非单一类别,包括:
确定该待分类特征向量与各上述距离聚类簇的质心的距离的最大值和平均值;
响应于确定所确定的最大值与平均值的差值大于预设距离差值阈值,将该待分类特征向量标记为单一类别;
响应于确定所确定的最大值与平均值的差值不大于上述预设距离差值阈值,将该待分类文本向量标记为非单一类别。
在一些可选的实施方式中,上述对于每个上述待分类特征向量子集合,将该待分类特征向量子集合中待分类特征向量对应的待标注文本数据的主题类别标注为该待分类特征向量子集合对应的文本主题,包括:
对于每个上述噪声聚类簇,将该噪声聚类簇中每个待分类特征向量对应的待标注文本数据的主题类别标注为该噪声聚类簇对应的文本主题;
对于每个上述距离聚类簇,将该距离聚类簇中被标记为单一类别的待分类特征向量对应的待标注文本数据的主题类别标注为该距离聚类簇对应的文本主题;
对于每个上述距离聚类簇,将该距离聚类簇中被标记为非单一类别的待分类特征向量,执行以下多类别标注操作:根据该待分类特征向量与各上述距离聚类簇的质心的距离,从各上述距离聚类簇中选取至少两个与该待分类特征向量相关的相关距离聚类簇;将该待分类特征向量对应的待标注文本数据的主题类别标注为所确定的相关距离聚类簇对应的文本主题。
在一些可选的实施方式中,上述基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题,包括:
基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行关键词提取,得到至少一个主题关键词;
按照预设业务主题规则,基于上述至少一个主题关键词和相应的词性生成与该待分类特征向量子集合对应的文本主题。
第二方面,本公开的实施例提供了一种文本数据标注装置,该装置包括:向量生成单元,被配置成用待标注文本数据集合中每个待标注文本数据对应的文本特征向量生成待分类特征向量集合;聚类单元,被配置成基于上述待分类特征向量集合进行聚类,得到至少一个待分类特征向量子集合;标注单元,被配置成对于每个上述待分类特征向量子集合,执行以下标注操作:基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题;将该待分类特征向量子集合中待分类特征向量对应的待标注文本数据的主题类别标注为该待分类特征向量子集合对应的文本主题。
在一些可选的实施方式中,上述聚类单元,包括:
密度聚类模块,被配置成基于上述待分类特征向量集合进行密度聚类,得到密度聚类结果,上述密度聚类结果包括M个密度聚类簇和N个噪声聚类簇,每个密度聚类簇和噪声聚类簇均包括至少一个待分类特征向量,上述M和N为自然数;
距离聚类模块,被配置成基于上述M个密度聚类簇中的待分类特征向量进行距离聚类,得到D个距离聚类簇,每个距离聚类簇包括至少一个待分类特征向量,上述D为自然数;
确定模块,被配置成将上述N个噪声聚类簇和上述D个距离聚类簇确定为上述至少一个待分类特征向量子集合。
在一些可选的实施方式中,上述装置还包括:类别标记单元,被配置成在基于上述M个密度聚类簇中的待分类特征向量进行距离聚类,得到D个距离聚类簇之后:
将上述N个噪声聚类簇中的每个待分类特征向量标记为单一类别;以及
对于上述D个距离聚类簇中的每个待分类特征向量,根据该待分类特征向量与各上述距离聚类簇的质心的距离,将该待分类特征向量标记为单一类别或非单一类别。
在一些可选的实施方式中,上述基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题,包括:
基于该待分类特征向量子集合中标记为单一类别的待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题。
在一些可选的实施方式中,上述根据该待分类特征向量与各上述距离聚类簇的质心的距离,将该待分类特征向量标记为单一类别或非单一类别,包括:
确定该待分类特征向量与各上述距离聚类簇的质心的距离的最大值和平均值;
响应于确定所确定的最大值与平均值的差值大于预设距离差值阈值,将该待分类特征向量标记为单一类别;
响应于确定所确定的最大值与平均值的差值不大于上述预设距离差值阈值,将该待分类文本向量标记为非单一类别。
在一些可选的实施方式中,上述对于每个上述待分类特征向量子集合,将该待分类特征向量子集合中待分类特征向量对应的待标注文本数据的主题类别标注为该待分类特征向量子集合对应的文本主题,包括:
对于每个上述噪声聚类簇,将该噪声聚类簇中每个待分类特征向量对应的待标注文本数据的主题类别标注为该噪声聚类簇对应的文本主题;
对于每个上述距离聚类簇,将该距离聚类簇中被标记为单一类别的待分类特征向量对应的待标注文本数据的主题类别标注为该距离聚类簇对应的文本主题;
对于每个上述距离聚类簇,将该距离聚类簇中被标记为非单一类别的待分类特征向量,执行以下多类别标注操作:根据该待分类特征向量与各上述距离聚类簇的质心的距离,从各上述距离聚类簇中选取至少两个与该待分类特征向量相关的相关距离聚类簇;将该待分类特征向量对应的待标注文本数据的主题类别标注为所确定的相关距离聚类簇对应的文本主题。
在一些可选的实施方式中,上述基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题,包括:
基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行关键词提取,得到至少一个主题关键词;
按照预设业务主题规则,基于上述至少一个主题关键词和相应的词性生成与该待分类特征向量子集合对应的文本主题。
第三方面,本公开的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,本公开的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。
本公开的实施例提供的文本数据标注方法、装置、电子设备和存储介质,通过首先用待标注文本数据集合中每个待标注文本数据对应的文本特征向量生成待分类特征向量集合;再基于待分类特征向量集合进行聚类,得到至少一个待分类特征向量子集合;最后,对于每个待分类特征向量子集合,执行标注操作,标注操作包括基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题;将该待分类特征向量子集合中待分类特征向量对应的待标注文本数据的主题类别标注为该待分类特征向量子集合对应的文本主题。即,通过先基于文本数据的特征向量进行聚类,再基于聚类结果进行主题提取,最后再对文本数据按照聚类结果提取的主题进行标注,进而实现了自动对文本数据进行标注,大大降低了数据标注的人力、物力和财力。
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,本公开的其它特征、目的和优点将会变得更明显。附图仅用于示出具体实施方式的目的,而并不认为是对本发明的限制。在附图中:
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是根据本公开的文本数据标注方法的一个实施例的流程图;
图3是根据本公开的文本数据标注方法的又一个实施例的流程图;
图4是根据本公开的文本数据标注装置的一个实施例的结构示意图;
图5是适于用来实现本公开的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公开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,本公开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公开。
图1示出了可以应用本公开的文本数据标注方法、装置、电子设备和存储介质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,例如文本处理类应用、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终端设备中。其可以实现成多个软件或软件模块(例如用来提供文本数据标注服务),也可以实现成单个软件或软件模块。在此不做具体限定。
在一些情况下,本公开所提供的文本数据标注方法可以由终端设备101、102、103执行,相应地,文本数据标注装置可以设置于终端设备101、102、103中。这时,系统架构100也可以不包括服务器105。
在一些情况下,本公开所提供的文本数据标注方法可以由终端设备101、102、103和服务器105共同执行,例如,“用待标注文本数据集合中每个待标注文本数据对应的文本特征向量生成待分类特征向量集合”的步骤可以由终端设备101、102、103执行,“基于待分类特征向量集合进行聚类,得到至少一个待分类特征向量子集合”等步骤可以由服务器105执行。本公开对此不做限定。相应地,文本数据标注装置也可以分别设置于终端设备101、102、103和服务器105中。
在一些情况下,本公开所提供的文本数据标注方法可以由服务器105执行,相应地,文本数据标注装置也可以设置于服务器105中,这时,系统架构100也可以不包括终端设备101、102、103。
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,其示出了根据本公开的文本数据标注方法的一个实施例的流程200,该文本数据标注方法包括以下步骤:
步骤201,用待标注文本数据集合中每个待标注文本数据对应的文本特征向量生成待分类特征向量集合。
在本实施例中,文本数据标注方法的执行主体(例如图1所示的终端设备101、102、103)可以首先本地或者远程地从与上述执行主体网络连接的其他电子设备(例如,图1所示的服务器105)获取待标注文本数据集合。
这里,待标注文本数据集合可以是各种类型、各种业务场景中的文本数据。本公开对此不做具体限定。例如,待标注文本数据可以是金融领域业务场景中所产生的文本数据。
然后,上述执行主体可以对于待标注文本数据集合中每个待标注文本数据,生成该待标注文本数据对应的文本特征向量。
最后,可以用待标注文本数据集合中每个待标注文本数据对应的文本特征向量生成待分类特征向量集合。
需要说明的是,如何生成文本对应的文本特征向量是本领域广泛研究和应用的现有技术,本公开对此不做具体限定。
例如,可以采用如下方式生成待标注文本数据对应的文本特征向量:
首先,将待标注文本数据进行切词得到相应的分词序列。
需要说明的是,如何对文本进行切词是本领域广泛研究和应用的现有技术,在此不再赘述。例如,可以采用基于字符串匹配的分词方法、基于理解的分词方法或者基于统计的分词方法等等。
然后,基于所得到的分词序列生成相应的文本特征向量。
例如,可以对于分词序列中的每个分词,计算该分词的词频-逆文本频率指数(TF-IDF,Term frequency–Inverse document frequency),以及将待标注文本数据的文本特征向量中与该分词对应的分量设置为计算得到的该分词的TF-IDF,其中,待标注文本数据的文本特征向量中的各分量分别与预设词典中的各词语一一对应;再将待标注文本数据的文本特征向量中的各未赋值分量设置为预设数值,未赋值分量为属于预设词典但不属于分词序列的词语对应的分量。
又例如,待标注文本数据对应的文本特征向量可以包括V维分量,其中,V为正整数,且上述V维分量中的每一维分别对应预设词典的每个词语,在基于所得到的分词序列确定待标注文本数据对应的文本特征向量的过程中,可以将待标注文本数据的文本特征向量的各分量中与分词序列中出现过的词语对应的分量设置为第一预设数值(例如,1);将待标注文本数据对应的文本特征向量的各分量中与分词序列中未现过的词语对应的分量设置为第二预设数值(例如,0)。
步骤202,基于待分类特征向量集合进行聚类,得到至少一个待分类特征向量子集合。
在本实施例中,上述执行主体可以采用各种现在已知或者未来开发的聚类方法,对步骤201得到的待分类特征向量集合中各待分类特征向量进行聚类操作,得到至少一个待分类特征向量子集合。例如,可以采用K-Means(K均值)聚类、均值漂移聚类、基于密度的聚类、用高斯混合模型(GMM,Gaussian Mixed Model)的最大期望(EM,Expectation-Maximization)聚类、凝聚层次聚类、图团体检测(Graph Community Detection)等。
步骤203,对于每个待分类特征向量子集合,执行标注操作。
在本实施例中,上述执行主体可以对步骤202得到的每个待分类特征向量子集合,执行标注操作。其中,标注操作可以包括以下子步骤2031和子步骤2032:
子步骤2031,基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题。
这里,上述执行主体可以采用各种现在已知或未来开发的主题提取方法,基于该待分类特征向量子集合中部分或全部待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题。其中,主题提取方法例如可以是:基于TF-IDF模型的主题提取,TextRank算法、LDA(Latent Dirichlet Allocation,隐狄利克雷分布)主题模型、ILDA(Interdependent Latent Dirichlet Allocation,相互依赖隐狄利克雷分布)主题模型等。
在一些可选的实施方式中,子步骤2031可以如下执行:
首先,基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行关键词提取,得到至少一个主题关键词。
这里可以采用各种现在已知或者未来开发的关键词提取方法进行关键词提取,本公开对此不做具体限定。
然后,按照预设业务主题规则,基于至少一个主题关键词和相应的词性生成与该待分类特征向量子集合对应的文本主题。
这里,预设业务主题规则可以是由技术人员根据具体待标注文本数据集合的业务应用场景而预先设定并存储在上述执行主体的、根据至少一个主题关键词中所有主题关键词和相应词性、或者部分主题关键词和相应词性生成主题句子的逻辑规则。例如,预设业务主题规则可以是:名词+动词+名词。又例如,预设业务主题规则也可以是:动词+名词。可以理解的是,这里可以采用各种现在已知或者未来开发的词性标注方法对至少一个主题关键词进行词性标注得到每个主题关键词的词性。
子步骤2032,将该待分类特征向量子集合中待分类特征向量对应的待标注文本数据的主题类别标注为该待分类特征向量子集合对应的文本主题。
这里,上述执行主体可以将该待分类特征向量子集合中部分或全部待分类特征向量对应的待标注文本数据的主题类别标注为该待分类特征向量子集合对应的文本主题,进而实现对待标注文本数据集合中部分或全部待标注文本数据自动标注相应的主题类别。
本公开的上述实施例提供的文本数据标注方法,通过先基于文本数据的特征向量进行聚类,再基于聚类结果进行主题提取,最后再对文本数据按照聚类结果提取的主题进行标注,进而实现了自动对部分或全部文本数据进行主题类别标注,大大降低了数据标注的人力、物力和财力。
继续参考图3,其示出了根据本公开的文本数据标注方法的又一个实施例的流程300。该文本数据标注方法,包括以下步骤:
步骤301,用待标注文本数据集合中每个待标注文本数据对应的文本特征向量生成待分类特征向量集合。
在本实施例中,步骤301的具体操作及其所产生的技术效果与图2所示的实施例中步骤201的操作及效果基本相同,在此不再赘述。
步骤302,基于待分类特征向量集合进行密度聚类,得到密度聚类结果。
由于距离聚类算法可能会导致分类不均衡的问题,因此申请人经过分析发现,可以先通过密度聚类再进行距离聚类,可以解决分类不均衡的问题。
因此,在本实施例中,上述执行主体可以采用各种现在已知或未来开发的密度聚类算法对待分类特征向量集合中各待分类特征向量进行密度聚类,得到密度聚类结果。这里,密度聚类结果可以包括M个密度聚类簇和N个噪声聚类簇。每个密度聚类簇和噪声聚类簇均包括至少一个待分类特征向量,M和N为自然数。例如,密度聚类算法可以是DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法、密度最大值聚类(MDCA,Maximum Density Clustering Application)、OPTICS(Ordering Point ToIdentify the Cluster Structure)、基于密度的聚类(DENCLUE,Density BasedClustering)等。
这里,密度聚类簇是在密度聚类的过程中形成的、密度相对较大还需进一步分类的聚类簇。而噪声聚类簇是在密度聚类的过程中形成的、密度相对较低的聚类簇,每个噪声聚类簇中的待分类特征向量可以明确属于该噪声聚类簇,不需进一步进行分类。
实践中,可以根据各个具体密度聚类算法的不同,设计不同的密度聚类参数、规则以实现得到M个密度聚类簇和N个噪声聚类簇。
步骤303,基于M个密度聚类簇中的待分类特征向量进行距离聚类,得到D个距离聚类簇。
由于M个密度聚类簇中各待分类特征向量还需进一步分类,在本实施例中,上述执行主体可以基于步骤302得到的M个密度聚类簇中的各待分类特征向量,即对需进一步进行分类的各待分类特征向量,采用各种现在已知或未来开发的距离聚类算法进行聚类,得到D个距离聚类簇,每个距离聚类簇包括至少一个待分类特征向量。这里,D为自然数。例如,距离聚类算法可以是最大最小距离算法、K-means聚类等。
步骤304,将N个噪声聚类簇和D个距离聚类簇确定为至少一个待分类特征向量子集合。
在本实施例中,上述执行主体可以将步骤302中得到的N个噪声聚类簇和步骤303中得到的D个距离聚类簇确定为至少一个待分类特征向量子集合。
即,N个噪声聚类簇中的各待分类特征向量可明确属于相应噪声聚类簇,不需进一步进行分类,因此N个噪声聚类簇中每个噪声聚类簇可以确定为待分类特征向量子集合。
而D个距离聚类簇是对M个密度聚类簇中需进一步分类的各待分类特征向量进行进一步聚类的结果,也可以将M个密度聚类簇中每个密度聚类簇确定为待分类特征向量子集合。
步骤305,对于每个待分类特征向量子集合,执行标注操作。
这里,上述执行主体可以对步骤304中确定的每个待分类特征向量子集合,执行标注操作。其中,标注操作可以包括以下子步骤3051和子步骤3052:
子步骤3051,基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题。
子步骤3052,将该待分类特征向量子集合中待分类特征向量对应的待标注文本数据的主题类别标注为该待分类特征向量子集合对应的文本主题。
在本实施例中,步骤305的具体操作及其所产生的技术效果与图2所示的实施例中步骤203的操作及效果基本相同,在此不再赘述。
从图3中可以看出,与图2对应的实施例相比,本实施例中的文本数据标注方法的流程300突出了由待分类特征向量聚类得到至少一个待分类特征向量子集合的过程分成密度聚类和距离聚类两个过程,可以解决聚类分布不均衡的问题,而基于上述聚类进行标注可提高文本数据标注的准确度。
在一些可选的实施方式中,上述执行主体还可以在执行完步骤303后,执行以下步骤306和步骤307:
步骤306,将N个噪声聚类簇中的每个待分类特征向量标记为单一类别。
这里,将N个噪声聚类簇中的每个待分类特征向量标记为单一类别,即认为N个噪声聚类簇中的每个待分类特征向量可以明确是属于其所属的噪声聚类簇的。
步骤307,对于D个距离聚类簇中的每个待分类特征向量,根据该待分类特征向量与各距离聚类簇的质心的距离,将该待分类特征向量标记为单一类别或非单一类别。
这里,由于文本的多意性,基于距离聚类得到的每个距离聚类簇中的待分类特征向量对应的待标注文本数据的语义可能除了具有待分类特征向量所属的距离聚类簇中各待分类特征向量对应的各相应待标注文本数据的语义,还可能具有其他距离聚类簇中各待分类特征向量对应的各相应待标注文本数据的语义。
为了找出具有单一语义类型的待分类特征向量,这里可以对于D个距离聚类簇中的每个待分类特征向量,根据该待分类特征向量与各距离聚类簇的质心的距离,将该待分类特征向量标记为单一类别或非单一类别。如果该待分类特征向量标记为单一类别,表明该待分类特征向量对应的待标注文本数据的语义属于该待分类特征向量所属的距离聚类簇对应的语义,即可以认为主题相同。如果该待分类特征向量标记为非单一类别,表明该待分类特征向量对应的待标注文本数据的语义除了可能属于该待分类特征向量所属的距离聚类簇对应的语义,还可能具有其他距离聚类簇的语义,即可能具有至少两个主题。
可选地,步骤307可以如下进行:
首先,确定该待分类特征向量与各距离聚类簇的质心的距离的最大值和平均值。
具体而言,每个距离聚类簇的质心可以是该距离聚类簇中各待分类特征向量的均值向量。
其次,确定最大值与平均值的差值是否大于预设距离差值阈值。如果大于,将该待分类特征向量标记为单一类别。如果不大于,将该待分类文本向量标记为非单一类别。
即,如果最大值与平均值的差值大于预设距离差值阈值,可以认为该待分类特征向量只属于其当前所属的距离聚类簇,可以将其标记为单一类别。如果最大值与平均值的差值不大于预设距离差值阈值,可以认为该待分类特征向量不仅属于其当前所属的距离聚类簇,可以将其标记为非单一类别。
可选地,步骤307也可以如下进行:
首先,确定该待分类特征向量与各距离聚类簇的质心的距离的最小值和平均值。
其次,确定平均值与最小值的差值是否大于预设距离差值阈值。如果大于,将该待分类特征向量标记为单一类别。如果不大于,将该待分类文本向量标记为非单一类别。
即,如果平均值与最小值的差值大于预设距离差值阈值,可以认为该待分类特征向量只属于其当前所属的距离聚类簇,可以将其标记为单一类别。如果平均值与最小值的差值不大于预设距离差值阈值,可以认为该待分类特征向量不仅属于其当前所属的距离聚类簇,可以将其标记为非单一类别。
基于上述步骤306和步骤307的可选实施方式,上述步骤305的子步骤3051,基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题,可以如下进行:
基于该待分类特征向量子集合中标记为单一类别的待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题。即基于具有单一主体类别的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题,而不是基于所有属于该距离聚类簇的待分类特征向量进行主题提取。进而,所提取的主题更加精确。
基于上述步骤306和步骤307的可选实施方式,子步骤3052,将该待分类特征向量子集合中待分类特征向量对应的待标注文本数据的主题类别标注为该待分类特征向量子集合对应的文本主题,可以如下执行:
首先,对于每个噪声聚类簇,将该噪声聚类簇中每个待分类特征向量对应的待标注文本数据的主题类别标注为该噪声聚类簇对应的文本主题。
这里,由于噪声聚类簇中的每个待分类特征向量均被标记为单一类别,即该待分类特征向量对应的待标注文本数据仅具有一个语义,因此可以将该待分类特征向量对应的待标注文本数据的主题类别标注为该噪声聚类簇对应的文本主题。
其次,对于每个距离聚类簇,将该距离聚类簇中被标记为单一类别的待分类特征向量对应的待标注文本数据的主题类别标注为该距离聚类簇对应的文本主题。
最后,对于每个距离聚类簇,将该距离聚类簇中被标记为非单一类别的待分类特征向量,执行以下多类别标注操作:根据该待分类特征向量与各距离聚类簇的质心的距离,从各距离聚类簇中选取至少两个与该待分类特征向量相关的相关距离聚类簇;以及将该待分类特征向量对应的待标注文本数据的主题类别标注为所确定的相关距离聚类簇对应的文本主题。
即,由于距离聚类簇中被标记为非单一类别的待分类特征向量对应的待标注文本数据可能具有至少两个语义,因此,这里可以首先根据该待分类特征向量与各距离聚类簇的质心的距离,从各距离聚类簇中选取至少两个与该待分类特征向量相关的相关距离聚类簇。例如,可以从各距离聚类簇中选取质心与该待分类特征向量的距离最小的预设数目个距离聚类簇作为与该待分类特征向量相关的相关距离聚类簇。再将该待分类特征向量对应的待标注文本数据的主题类别标注为所确定的相关距离聚类簇对应的文本主题。
按照上述可选实施方式对待标注文本数据进行主题类别标注,可以将具有多语义的待标注文本数据进行精确多语义标注,而不是仅标注其中一种语义。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种文本数据标注装置的一个实施例,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4所示,本实施例的文本数据标注装置400包括:向量生成单元401、聚类单元402和标注单元403。其中,向量生成单元401,被配置成用待标注文本数据集合中每个待标注文本数据对应的文本特征向量生成待分类特征向量集合;聚类单元402,被配置成基于上述待分类特征向量集合进行聚类,得到至少一个待分类特征向量子集合;标注单元403,被配置成对于每个上述待分类特征向量子集合,执行以下标注操作:基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题;将该待分类特征向量子集合中待分类特征向量对应的待标注文本数据的主题类别标注为该待分类特征向量子集合对应的文本主题。
在本实施例中,文本数据标注装置400的向量生成单元401、聚类单元402和标注单元403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和步骤203的相关说明,在此不再赘述。
在一些可选的实施方式中,上述聚类单元402,可以包括:
密度聚类模块(未示出),被配置成基于上述待分类特征向量集合进行密度聚类,得到密度聚类结果,上述密度聚类结果包括M个密度聚类簇和N个噪声聚类簇,每个密度聚类簇和噪声聚类簇均包括至少一个待分类特征向量,上述M和N为自然数;
距离聚类模块(未示出),被配置成基于上述M个密度聚类簇中的待分类特征向量进行距离聚类,得到D个距离聚类簇,每个距离聚类簇包括至少一个待分类特征向量,上述D为自然数;
确定模块(未示出),被配置成将上述N个噪声聚类簇和上述D个距离聚类簇确定为上述至少一个待分类特征向量子集合。
在一些可选的实施方式中,上述装置400还可以包括:类别标记单元(未示出),被配置成在基于上述M个密度聚类簇中的待分类特征向量进行距离聚类,得到D个距离聚类簇之后:
将上述N个噪声聚类簇中的每个待分类特征向量标记为单一类别;以及
对于上述D个距离聚类簇中的每个待分类特征向量,根据该待分类特征向量与各上述距离聚类簇的质心的距离,将该待分类特征向量标记为单一类别或非单一类别。
在一些可选的实施方式中,上述基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题,可以包括:
基于该待分类特征向量子集合中标记为单一类别的待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题。
在一些可选的实施方式中,上述根据该待分类特征向量与各上述距离聚类簇的质心的距离,将该待分类特征向量标记为单一类别或非单一类别,可以包括:
确定该待分类特征向量与各上述距离聚类簇的质心的距离的最大值和平均值;
响应于确定所确定的最大值与平均值的差值大于预设距离差值阈值,将该待分类特征向量标记为单一类别;
响应于确定所确定的最大值与平均值的差值不大于上述预设距离差值阈值,将该待分类文本向量标记为非单一类别。
在一些可选的实施方式中,上述对于每个上述待分类特征向量子集合,将该待分类特征向量子集合中待分类特征向量对应的待标注文本数据的主题类别标注为该待分类特征向量子集合对应的文本主题,可以包括:
对于每个上述噪声聚类簇,将该噪声聚类簇中每个待分类特征向量对应的待标注文本数据的主题类别标注为该噪声聚类簇对应的文本主题;
对于每个上述距离聚类簇,将该距离聚类簇中被标记为单一类别的待分类特征向量对应的待标注文本数据的主题类别标注为该距离聚类簇对应的文本主题;
对于每个上述距离聚类簇,将该距离聚类簇中被标记为非单一类别的待分类特征向量,执行以下多类别标注操作:根据该待分类特征向量与各上述距离聚类簇的质心的距离,从各上述距离聚类簇中选取至少两个与该待分类特征向量相关的相关距离聚类簇;将该待分类特征向量对应的待标注文本数据的主题类别标注为所确定的相关距离聚类簇对应的文本主题。
在一些可选的实施方式中,上述基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题,可以包括:
基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行关键词提取,得到至少一个主题关键词;
按照预设业务主题规则,基于上述至少一个主题关键词和相应的词性生成与该待分类特征向量子集合对应的文本主题。
需要说明的是,本公开的实施例提供的文本数据标注装置中各单元的实现细节和技术效果可以参考本公开中其它实施例的说明,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的电子设备的计算机系统500的结构示意图。图5示出的计算机系统500仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有计算机系统500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许计算机系统500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备的计算机系统500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
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装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开上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。在本公开中,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。而在本公开中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
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电子设备执行时,使得该电子设备实现如图2所示的实施例及其可选实施方式示出的文本数据标注方法,和/或,如图3所示的实施例及其可选实施方式示出的文本数据标注方法。
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公开的操作的计算机程序代码,上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,图示了按照本公开各种实施例的系统、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。
描述于本公开的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。其中,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,向量生成单元还可以被描述为“用待标注文本数据集合中每个待标注文本数据对应的文本特征向量生成待分类特征向量集合的单元”。
以上描述仅为本公开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,本公开中所涉及的公开范围,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公开构思的情况下,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。例如上述特征与本公开中公开的(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 (7)
1.一种文本数据标注方法,包括:
用待标注文本数据集合中每个待标注文本数据对应的文本特征向量生成待分类特征向量集合;
基于所述待分类特征向量集合进行聚类,得到至少一个待分类特征向量子集合;
其中,基于所述待分类特征向量集合进行密度聚类,得到密度聚类结果,所述密度聚类结果包括M个密度聚类簇和N个噪声聚类簇,每个密度聚类簇和噪声聚类簇均包括至少一个待分类特征向量,所述M和N为自然数;
基于所述M个密度聚类簇中的待分类特征向量进行距离聚类,得到D个距离聚类簇,每个距离聚类簇包括至少一个待分类特征向量,所述D为自然数;
其中,在基于所述M个密度聚类簇中的待分类特征向量进行距离聚类,得到D个距离聚类簇之后,所述方法还包括:
将所述N个噪声聚类簇中的每个待分类特征向量标记为单一类别;
对于所述D个距离聚类簇中的每个待分类特征向量,根据该待分类特征向量与各所述距离聚类簇的质心的距离,将该待分类特征向量标记为单一类别或非单一类别;
将所述N个噪声聚类簇和所述D个距离聚类簇确定为所述至少一个待分类特征向量子集合;
对于每个所述待分类特征向量子集合,执行以下标注操作:基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题;将该待分类特征向量子集合中待分类特征向量对应的待标注文本数据的主题类别标注为该待分类特征向量子集合对应的文本主题;
其中,对于每个所述噪声聚类簇,将该噪声聚类簇中每个待分类特征向量对应的待标注文本数据的主题类别标注为该噪声聚类簇对应的文本主题;
对于每个所述距离聚类簇,将该距离聚类簇中被标记为单一类别的待分类特征向量对应的待标注文本数据的主题类别标注为该距离聚类簇对应的文本主题;
对于每个所述距离聚类簇,将该距离聚类簇中被标记为非单一类别的待分类特征向量,执行以下多类别标注操作:根据该待分类特征向量与各所述距离聚类簇的质心的距离,从各所述距离聚类簇中选取至少两个与该待分类特征向量相关的相关距离聚类簇;
将该待分类特征向量对应的待标注文本数据的主题类别标注为所确定的相关距离聚类簇对应的文本主题。
2.根据权利要求1所述的方法,其中,所述基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题,包括:
基于该待分类特征向量子集合中标记为单一类别的待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题。
3.根据权利要求1或2所述的方法,其中,所述根据该待分类特征向量与各所述距离聚类簇的质心的距离,将该待分类特征向量标记为单一类别或非单一类别,包括:
确定该待分类特征向量与各所述距离聚类簇的质心的距离的最大值和平均值;
响应于确定所确定的最大值与平均值的差值大于预设距离差值阈值,将该待分类特征向量标记为单一类别;
响应于确定所确定的最大值与平均值的差值不大于所述预设距离差值阈值,将该待分类文本向量标记为非单一类别。
4.根据权利要求1所述的方法,其中,所述基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题,包括:
基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行关键词提取,得到至少一个主题关键词;
按照预设业务主题规则,基于所述至少一个主题关键词和相应的词性生成与该待分类特征向量子集合对应的文本主题。
5.一种文本数据标注装置,包括:
向量生成单元,被配置成用待标注文本数据集合中每个待标注文本数据对应的文本特征向量生成待分类特征向量集合;
聚类单元,被配置成基于所述待分类特征向量集合进行聚类,得到至少一个待分类特征向量子集合;
其中,密度聚类模块,被配置成基于所述待分类特征向量集合进行密度聚类,得到密度聚类结果,所述密度聚类结果包括M个密度聚类簇和N个噪声聚类簇,每个密度聚类簇和噪声聚类簇均包括至少一个待分类特征向量,所述M和N为自然数;
距离聚类模块,被配置成基于所述M个密度聚类簇中的待分类特征向量进行距离聚类,得到D个距离聚类簇,每个距离聚类簇包括至少一个待分类特征向量,所述D为自然数;
其中,类别标记单元,被配置成在基于所述M个密度聚类簇中的待分类特征向量进行距离聚类,得到D个距离聚类簇之后:
将所述N个噪声聚类簇中的每个待分类特征向量标记为单一类别;
对于所述D个距离聚类簇中的每个待分类特征向量,根据该待分类特征向量与各所述距离聚类簇的质心的距离,将该待分类特征向量标记为单一类别或非单一类别;
将所述N个噪声聚类簇和所述D个距离聚类簇确定为所述至少一个待分类特征向量子集合;
标注单元,被配置成对于每个所述待分类特征向量子集合,执行以下标注操作:基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取,得到与该待分类特征向量子集合对应的文本主题;将该待分类特征向量子集合中待分类特征向量对应的待标注文本数据的主题类别标注为该待分类特征向量子集合对应的文本主题;
其中,对于每个所述噪声聚类簇,将该噪声聚类簇中每个待分类特征向量对应的待标注文本数据的主题类别标注为该噪声聚类簇对应的文本主题;
对于每个所述距离聚类簇,将该距离聚类簇中被标记为单一类别的待分类特征向量对应的待标注文本数据的主题类别标注为该距离聚类簇对应的文本主题;
对于每个所述距离聚类簇,将该距离聚类簇中被标记为非单一类别的待分类特征向量,执行以下多类别标注操作:根据该待分类特征向量与各所述距离聚类簇的质心的距离,从各所述距离聚类簇中选取至少两个与该待分类特征向量相关的相关距离聚类簇;
将该待分类特征向量对应的待标注文本数据的主题类别标注为所确定的相关距离聚类簇对应的文本主题。
6.一种电子设备,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1-4中任一所述的方法。
7.一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1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110231196.5A CN113111177B (zh) | 2021-03-02 | 2021-03-02 | 文本数据标注方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110231196.5A CN113111177B (zh) | 2021-03-02 | 2021-03-02 | 文本数据标注方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111177A CN113111177A (zh) | 2021-07-13 |
CN113111177B true CN113111177B (zh) | 2024-04-05 |
Family
ID=76709652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110231196.5A Active CN113111177B (zh) | 2021-03-02 | 2021-03-02 | 文本数据标注方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111177B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522415A (zh) * | 2018-10-17 | 2019-03-26 | 厦门快商通信息技术有限公司 | 一种语料标注方法及装置 |
CN111291177A (zh) * | 2018-12-06 | 2020-06-16 | 中兴通讯股份有限公司 | 一种信息处理方法、装置和计算机存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8620836B2 (en) * | 2011-01-10 | 2013-12-31 | Accenture Global Services Limited | Preprocessing of text |
US20190180327A1 (en) * | 2017-12-08 | 2019-06-13 | Arun BALAGOPALAN | Systems and methods of topic modeling for large scale web page classification |
-
2021
- 2021-03-02 CN CN202110231196.5A patent/CN113111177B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522415A (zh) * | 2018-10-17 | 2019-03-26 | 厦门快商通信息技术有限公司 | 一种语料标注方法及装置 |
CN111291177A (zh) * | 2018-12-06 | 2020-06-16 | 中兴通讯股份有限公司 | 一种信息处理方法、装置和计算机存储介质 |
Non-Patent Citations (2)
Title |
---|
Density-Based Multiscale Analysis fot Clustering in strong Noise Settings With Vary Densities;T.-T.Zhang等;IEEE Access;第6卷;25861-25873 * |
基于主题的Web文档聚类研究;孙学刚等;中文信息学报;第17卷(第3期);第21-26页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113111177A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679039B (zh) | 用于确定语句意图的方法和装置 | |
US9923860B2 (en) | Annotating content with contextually relevant comments | |
CN107797982B (zh) | 用于识别文本类型的方法、装置和设备 | |
CN108121699B (zh) | 用于输出信息的方法和装置 | |
CN111259215A (zh) | 基于多模态的主题分类方法、装置、设备、以及存储介质 | |
CN111274815A (zh) | 用于挖掘文本中的实体关注点的方法和装置 | |
CN106919711B (zh) | 基于人工智能的标注信息的方法和装置 | |
CN115982376B (zh) | 基于文本、多模数据和知识训练模型的方法和装置 | |
CN109190123B (zh) | 用于输出信息的方法和装置 | |
WO2023005968A1 (zh) | 文本类别识别方法、装置、电子设备和存储介质 | |
CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN111460288B (zh) | 用于检测新闻事件的方法和装置 | |
CN111488450A (zh) | 一种用于生成关键词库的方法、装置和电子设备 | |
CN112148841A (zh) | 一种对象分类以及分类模型构建方法和装置 | |
CN113111177B (zh) | 文本数据标注方法、装置、电子设备和存储介质 | |
CN116048463A (zh) | 基于标签管理的需求项内容智能推荐方法及装置 | |
CN109857838B (zh) | 用于生成信息的方法和装置 | |
CN113326461A (zh) | 跨平台内容分发方法、装置、设备以及存储介质 | |
US11395051B2 (en) | Video content relationship mapping | |
CN113111181B (zh) | 文本数据处理方法、装置、电子设备及存储介质 | |
CN113111174A (zh) | 基于深度学习模型的群体识别方法与装置、设备及介质 | |
CN111062201A (zh) | 用于处理信息的方法和装置 | |
CN112348615A (zh) | 用于审核信息的方法和装置 | |
CN110879868A (zh) | 顾问方案生成方法、装置、系统、电子设备及介质 | |
CN112650830B (zh) | 关键词提取方法、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 |