CN113312422A

CN113312422A - 一种基于深度学习的新闻媒体数据智能结构化方法及装置

Info

Publication number: CN113312422A
Application number: CN202110695433.3A
Authority: CN
Inventors: 高强
Original assignee: Beijing Dingtai Zhiyuan Technology Co ltd
Current assignee: Beijing Dingtai Zhiyuan Technology Co ltd
Priority date: 2021-06-23
Filing date: 2021-06-23
Publication date: 2021-08-27

Abstract

本发明公开了一种基于深度学习的新闻媒体数据智能结构化方法及装置。其中，该方法包括：获取第一目标数据；将所述第一目标数据进行预处理，得到第二目标数据；将所述第二目标数据输入至结构化模型中，生成结构数据；将所述结构数据进行展示。本发明解决了现有技术中的新闻媒体数据结构化方法仅利用固定的结构化矩阵规则对采集到的新闻媒体数据进行结构化处理，无法根据结构化历史数据进行结构化规则的完善和变化，导致在新闻媒体数据结构化过程中，操作的效率和精准度都下降的技术问题。

Description

一种基于深度学习的新闻媒体数据智能结构化方法及装置

技术领域

本发明涉及数据结构化领域，具体而言，涉及一种基于深度学习的新闻媒体数据智能结构化方法及装置。

背景技术

随着智能化的不断发展，在当今的社会中人们利用智能化手段增加了学习、工作、生活的质量和效率，通过智能化手段可以给人们带来不同于传统处理方法的技术效果。

目前，在新闻媒体数据的结构化过程中，通常利用结构化矩阵规则对采集到的新闻媒体数据进行结构化建设，并将数据结构化结果进行输出展示，但是传统的新闻媒体数据结构化方法仅利用固定的结构化矩阵规则对采集到的新闻媒体数据进行结构化处理，无法根据结构化历史数据进行结构化规则的完善和变化，导致在新闻媒体数据结构化过程中，操作的效率和精准度都下降。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种基于深度学习的新闻媒体数据智能结构化方法及装置，以至少解决现有技术中的新闻媒体数据结构化方法仅利用固定的结构化矩阵规则对采集到的新闻媒体数据进行结构化处理，无法根据结构化历史数据进行结构化规则的完善和变化，导致在新闻媒体数据结构化过程中，操作的效率和精准度都下降的技术问题。

根据本发明实施例的一个方面，提供了一种基于深度学习的新闻媒体数据智能结构化方法，包括：获取第一目标数据；将所述第一目标数据进行预处理，得到第二目标数据；将所述第二目标数据输入至结构化模型中，生成结构数据；将所述结构数据进行展示。

可选的，所述将所述第一目标数据进行预处理，得到第二目标数据包括：将所述第一目标数据进行拆分，得到第一拆分数据；将所述第一拆分数据进行预处理，得到所述第二目标数据，其中，所述预处理包括：冗余处理、优化处理。

可选的，在所述将所述第二目标数据输入至结构化模型中，生成结构数据之前，所述方法还包括：根据所述第二目标数据和所述结构数据训练所述结构化模型。

可选的，在所述将所述结构数据进行展示之后，所述方法还包括：将所述结构数据上传至云端服务器进行存储。

根据本发明实施例的另一方面，还提供了一种基于深度学习的新闻媒体数据智能结构化装置，包括：获取模块，用于获取第一目标数据；预处理模块，用于将所述第一目标数据进行预处理，得到第二目标数据；结构化模块，用于将所述第二目标数据输入至结构化模型中，生成结构数据；展示模块，用于将所述结构数据进行展示。

可选的，所述预处理模块包括：拆分单元，用于将所述第一目标数据进行拆分，得到第一拆分数据；处理单元，用于将所述第一拆分数据进行预处理，得到所述第二目标数据，其中，所述预处理包括：冗余处理、优化处理。

可选的，所述装置还包括：训练模块，用于根据所述第二目标数据和所述结构数据训练所述结构化模型。

可选的，所述装置还包括：存储模块，用于将所述结构数据上传至云端服务器进行存储。

根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种基于深度学习的新闻媒体数据智能结构化方法。

根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种基于深度学习的新闻媒体数据智能结构化方法。

在本发明实施例中，采用获取第一目标数据；将所述第一目标数据进行预处理，得到第二目标数据；将所述第二目标数据输入至结构化模型中，生成结构数据；将所述结构数据进行展示的方式，解决了现有技术中的新闻媒体数据结构化方法仅利用固定的结构化矩阵规则对采集到的新闻媒体数据进行结构化处理，无法根据结构化历史数据进行结构化规则的完善和变化，导致在新闻媒体数据结构化过程中，操作的效率和精准度都下降的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种基于深度学习的新闻媒体数据智能结构化方法的流程图；

图2是根据本发明实施例的一种基于深度学习的新闻媒体数据智能结构化装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种基于深度学习的新闻媒体数据智能结构化方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一

图1是根据本发明实施例的一种基于深度学习的新闻媒体数据智能结构化方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取第一目标数据。

具体的，本发明实施例需要获取第一目标数据作为实现新闻媒体数据结构化过程的原始数据集，其中，第一目标数据可以是采集工具或数据采集设备从网站或云端服务器采集到的新闻媒体原始数据，并将该原始数据进行存储，以备后续优化和分析之用。

步骤S104，将所述第一目标数据进行预处理，得到第二目标数据。

具体的，由于新闻媒体原始数据的获取，其原始数据具有一定的粗糙性，即新闻媒体原始数据无法直接应用于智能结构化的生成，因此本发明实施例需要对原始的新闻媒体数据进行优化处理，并将优化后的数据作为第二目标数据进行输出，上述第二目标数据是可以直接通过结构化模型生成结构数据的数据集。例如将所述第一目标数据进行预处理，得到第二目标数据包括：将所述第一目标数据进行拆分，得到第一拆分数据；将所述第一拆分数据进行预处理，得到所述第二目标数据，其中，所述预处理包括：冗余处理、优化处理。

步骤S106，将所述第二目标数据输入至结构化模型中，生成结构数据。

具体的，当获取到了经过了优化处理的第二目标数据之后，需要根据成熟的结构化模型来对第二目标数据进行输入，并输出相应的结构数据，其中，上述结构数据是根据新闻媒体数据生成的结构化结果。同时，在利用结构化模型之前，还需要利用第二目标数据和历史结构数据对结构化模型进行训练，通过历史数据的训练之后的结构化模型可以更加精准和更加高效地服务于结构数据的生成。

步骤S108，将所述结构数据进行展示。

具体的，当根据结构化模型生成了结构化数据之后，为了方便用户进行分析和利用，可以将生成的结构化数据输出至展示设备终端之中，以便展示给用户结新闻媒体数据结构化的结果，也可以将结构化结果通过远程通讯协议RFID模块进行发送，令用户终端可以实时接收到结构化结果数据。

通过上述实施例，解决了现有技术中的新闻媒体数据结构化方法仅利用固定的结构化矩阵规则对采集到的新闻媒体数据进行结构化处理，无法根据结构化历史数据进行结构化规则的完善和变化，导致在新闻媒体数据结构化过程中，操作的效率和精准度都下降的技术问题。

实施例二

图2是根据本发明实施例的一种基于深度学习的新闻媒体数据智能结构化装置的结构框图，如图2所示，该装置包括：

获取模块20，用于获取第一目标数据。

预处理模块22，用于将所述第一目标数据进行预处理，得到第二目标数据。

结构化模块24，用于将所述第二目标数据输入至结构化模型中，生成结构数据。

展示模块26，用于将所述结构数据进行展示。

具体的，上述方法包括：获取第一目标数据；将所述第一目标数据进行预处理，得到第二目标数据；将所述第二目标数据输入至结构化模型中，生成结构数据；将所述结构数据进行展示。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以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信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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，在本发明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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims

1.一种基于深度学习的新闻媒体数据智能结构化方法，其特征在于，包括：

获取第一目标数据；

将所述第一目标数据进行预处理，得到第二目标数据；

将所述第二目标数据输入至结构化模型中，生成结构数据；

将所述结构数据进行展示。

2.根据权利要求1所述的方法，其特征在于，所述将所述第一目标数据进行预处理，得到第二目标数据包括：

将所述第一目标数据进行拆分，得到第一拆分数据；

将所述第一拆分数据进行预处理，得到所述第二目标数据，其中，所述预处理包括：冗余处理、优化处理。

3.根据权利要求1所述的方法，其特征在于，在所述将所述第二目标数据输入至结构化模型中，生成结构数据之前，所述方法还包括：

根据所述第二目标数据和所述结构数据训练所述结构化模型。

4.根据权利要求1所述的方法，其特征在于，在所述将所述结构数据进行展示之后，所述方法还包括：

将所述结构数据上传至云端服务器进行存储。

5.一种基于深度学习的新闻媒体数据智能结构化装置，其特征在于，包括：

获取模块，用于获取第一目标数据；

预处理模块，用于将所述第一目标数据进行预处理，得到第二目标数据；

结构化模块，用于将所述第二目标数据输入至结构化模型中，生成结构数据；

展示模块，用于将所述结构数据进行展示。

6.根据权利要求5所述的装置，其特征在于，所述预处理模块包括：

拆分单元，用于将所述第一目标数据进行拆分，得到第一拆分数据；

处理单元，用于将所述第一拆分数据进行预处理，得到所述第二目标数据，其中，所述预处理包括：冗余处理、优化处理。

7.根据权利要求5所述的装置，其特征在于，所述装置还包括：

训练模块，用于根据所述第二目标数据和所述结构数据训练所述结构化模型。

8.根据权利要求5所述的装置，其特征在于，所述装置还包括：

存储模块，用于将所述结构数据上传至云端服务器进行存储。

9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至4中任意一项所述的方法。

10.一种电子装置，其特征在于，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行权利要求1至4中任意一项所述的方法。