CN113486266A - 页面标签添加方法、装置、设备及存储介质 - Google Patents
页面标签添加方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113486266A CN113486266A CN202110728171.6A CN202110728171A CN113486266A CN 113486266 A CN113486266 A CN 113486266A CN 202110728171 A CN202110728171 A CN 202110728171A CN 113486266 A CN113486266 A CN 113486266A
- Authority
- CN
- China
- Prior art keywords
- words
- matching
- feature
- page
- weight
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012015 optical character recognition Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 26
- 239000011159 matrix material Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
- G06F16/9562—Bookmark management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据分析技术，揭露了一种页面标签添加方法，包括：获取页面的图像，提取所述图像包含的文本，将所述文本投影到低维空间，使同一类的字词聚集，不同类的字词分散，从所述聚集的字词中选择特征词，将所述特征词与预构建的标签体系库进行匹配，确定所述标签体系库中与所述特征词相关的词为匹配特征词，计算所述匹配特征词的权重，得到匹配特征词的匹配权重，确定所述匹配权重大于预设阈值的匹配特征词为所述页面的标签。此外，本发明还涉及区块链技术，所述页面的标签可存储在区块链的节点中。本发明还提出一种页面标签添加装置、电子设备以及计算机可读存储介质。本发明可以提高所添加的页面标签的效率和准确率。
Description
技术领域
本发明涉及数据分析技术领域，尤其涉及一种页面标签添加方法、装置、电子设备及计算机可读存储介质。
背景技术
页面标签添加方法是对页面进行打标签，在对页面打标签之后可以进一步进行数据挖掘、用户推荐等技术操作。现有技术中，对页面打标签的方法主要是通过工作人员在页面文字阅读之后，进行人工打标签，这种方法的工作量大，并且存在因人为错误理解导致所添加的标签不符合页面的问题，因此，现有技术中页面标签添加方法的准确度也不高。
发明内容
本发明提供一种页面标签添加方法、装置及计算机可读存储介质，其主要目的在于提高页面标签的添加效率和准确率。
为实现上述目的，本发明提供的一种页面标签添加方法，包括：
获取页面的图像，利用光学字符识别技术识别所述图像包含的文本；
将所述文本投影到低维空间，使同一类的字词聚集，不同类的字词分散，从所述聚集的字词中选择特征词；
将所述特征词与预构建的标签体系库进行匹配，确定所述标签体系库中与所述特征词相关的词为匹配特征词；
根据所述匹配特征词出现的位置及次数计算所述匹配特征词的权重，得到匹配特征词的匹配权重；
确定所述匹配权重大于预设阈值的匹配特征词为所述页面的标签。
可选地，所述将所述文本投影到低维空间，使同一类的字词聚集，不同类的字词分散，从所述聚集的字词中选择特征词，包括：
对所述聚集的字词进行主题提取，得到第一候选词集；
对所述聚集的字词进行实体提取，得到第二候选词集；
对所述聚集的字词进行关键词提取，得到第三候选词集；
确定同时存在于所述第一候选词集、所述第二候选词集以及所述第三候选词集中的候选词为特征词。
可选地，所述根据所述匹配特征词出现的位置及次数计算所述匹配特征词的权重，得到匹配特征词的匹配，包括：
将所述文本划分为标题部分、摘要部分及正文部分，以及获取所述标题部分的预设的第一权重、所述摘要部分的第二权重及所述正文部分的第三权重；
统计所述匹配特征词在所述标题部分的出现次数，得到第一次数，根据所述第一次数乘以所述第一权重，得到第一特征值；
统计所述匹配特征词在所述摘要部分的出现次数，得到第二次数，根据所述第二次数乘以所述第二权重，得到第二特征值；
统计所述匹配特征词在所述正文部分的出现次数，得到第三次数，根据所述第三次数乘以所述第三权重，得到第三特征值；
根据将所述第一次数、所述第二次数、所述第三次数及所述第一特征值、所述第二特征值及所述第三特征值，计算得到所述匹配特征词的匹配权重。
可选地，所述根据将所述第一次数、所述第二次数、所述第三次数及所述第一特征值、所述第二特征值及所述第三特征值，计算得到所述匹配特征词的匹配权重，包括：
计算所述第一次数、所述第二次数及所述第三次数之和，得到次数和；
计算所述第一特征值、所述第二特征值及所述第三特征值之和，得到特征值和；
将所述次数和及所述特征值和的比值作为所述匹配特征词的匹配权重。
可选地，所述确定所述标签体系库中与所述特征词相关的词为匹配特征词，包括：
根据一个预设的近义词表，确定所述标签体系库中与所述特征词相同或近似的词为匹配特征词。
可选地，所述将所述特征词与预构建的标签体系库进行匹配之前，所述方法还包括：
从预构建的测试图片集中进行信息提取，得到第一词汇集；
将所述第一词汇集添加到预构建的词库中，并对所述词库进行数据清洗，得到所述标签体系库。
可选地，所述确定所述匹配特征词为所述页面的标签之后，所述方法还包括：
将所述标签转换为图片，并将所述图片显示到对应的页面上。
为了解决上述问题，本发明还提供一种页面标签添加装置，所述装置包括：
获取模块，用于获取页面的图像，利用光学字符识别技术识别所述图像包含的文本；
信息提取模块，用于将所述文本投影到低维空间，使同一类的字词聚集，不同类的字词分散，从所述聚集的字词中选择特征词；
匹配模块，用于将所述特征词与预构建的标签体系库进行匹配，确定所述标签体系库中与所述特征词相关的词为匹配特征词；
计算模块，用于根据所述匹配特征词出现的位置及次数计算所述匹配特征词的权重，得到匹配特征词的匹配权重；
确定模块，用于确定所述匹配权重大于预设阈值的匹配特征词为所述页面的标签。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的页面标签添加方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的页面标签添加方法。
本发明实施例提取页面的图像中包含的文本，将图片分析问题转化为文字分析问题；进一步的，通过将所述文本投影到低维空间，使同一类的字词聚集，不同类的字词分散，从所述聚集的字词中选择特征词，找出了页面中的主要内容，基于页面中的主要内容进行打标签可以使得到的标签更加准确；通过将所述特征词与预构建的标签体系库进行匹配，确定所述标签体系库中与所述特征词相关的词为匹配特征词，获取更多匹配特征词，提高标签的准确性的情况下提高标签的丰富程度；通过计算所述匹配特征词的匹配权重，确定所述匹配权重大于预设阈值的匹配特征词为所述页面的标签，直接确定页面的标签，无需人工筛选和添加，提高了添加页面标签的效率。因此本发明实施例提出的页面标签添加方法、装置、电子设备及可读存储介质可以解决提高添加页面标签的效率和准确率。
附图说明
图1为本发明一实施例提供的页面标签添加方法的流程示意图；
图2为本发明一实施例提供的页面标签添加装置的功能模块图；
图3为本发明一实施例提供的实现所述页面标签添加方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种页面标签添加方法。所述页面打标签的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述数据查询方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的页面标签添加方法的流程示意图。在本实施例中，所述页面标签添加方法包括：
S110、获取页面的图像，利用光学字符识别技术识别所述图像包含的文本。
本发明实施例中，所述页面是带有文字信息的前端网页的页面。例如，所述页面可以是银行用户浏览行为所产生的页面，为所述页面添加标签可以方便挖掘用户的线上行为。
本发明实施例利用光学字符识别(Optical Character Recognition,OCR)技术，将所述页面的图象中的文字符号进行识别，并将所述识别出来的文字符号提取出来。
S120、通过预构建的线性判别算法将所述文本投影到低维空间，使同一类的字词聚集，不同类的字词分散，从所述聚集的字词中选择特征词。
本实施例中，所述线性判别算法可以为LDA(Linear Discriminant Analysis,降维方法线性判别分析)算法。具体的，LDA是一种监督学习的降维技术，可以将数据集的每个样本有类别的输出。具体地，所述从所述聚集的字词中选择特征词，包括：
从所述聚集的字词中进行主题提取，得到第一候选词集；
从所述聚集的字词中进行实体提取，得到第二候选词集；
从所述聚集的字词中进行关键词提取，得到第三候选词集；
确定同时存在于所述第一候选词集、所述第二候选词集以及所述第三候选词集中的候选词为特征词。
本发明实施例中，所述第一候选词集、第二候选词集及第三候选词集对应所述文本的不同部分，例如第一候选词集对应所述文本的题目部分。
具体地，本发明实施例获取所述文本的题目部分，将所述题目部分选择聚集的字词作为所述第一候选词。
进一步地，本发明实施例可以通过预构建的实体识别算法进行实体提取。该实体识别算法可以为bert算法，所述bert算法可以通过利用大规模无标注语料训练预先训练得到的。
进一步地，本发明实施例可以通过预构建的关键词识别算法进行关键词提取，所述关键词识别算法主通过邻接矩阵计算与概率转移矩阵以迭代的方式计算顶点关系，根据所述顶点关系得到对应关键词。
例如，该关键词识别算法可以为TextRank算法，以迭代的方式计算关键词矩阵，得到关键词。
S130、将所述特征词与预构建的标签体系库进行匹配，确定所述标签体系库中与所述特征词相关的词为匹配特征词。
本实施例中，所述预构建的标签体系库是根据大量图片学习得到的，包含有不同类别的标签。
例如，遍历标签体系库，在所述标签体系库中进行查找该特征词，若在标签体系库中查找到该特征词，则将所述特征词作为匹配特征词。
本发明实施例通过将、提取特征词与标签体系库进行匹配，将不符合范围的特征词筛除，减少了与文本相关的词语范围。
进一步的，所述确定所述标签体系库中与所述特征词相关的词为匹配特征词，包括：
根据一个预设的近义词表，确定所述标签体系库中与所述特征词相同或近似的词为匹配特征词。例如，在所述匹配特征词筛选过程中，根据所述特征词在所述近义词表中查询格式及内容相关的词，得到匹配特征词。
本实施例中，通过与标签体系库进行匹配时，将与特征词相同或近似的词为匹配特征词，丰富了与文本内容相关的匹配特征词的数量，即提高了与文本内容相关的匹配特征词的丰富性。
进一步的，所述将所述特征词与预构建的标签体系库进行匹配之前，所述方法还包括：
从预构建的测试图片集中进行信息提取，得到第一词汇集；
将所述第一词汇集添加到预构建的词库中，并对所述词库进行数据清洗，得到所述标签体系库。
进一步的，本发明实施例利用预设的词性规则对所述词库进行筛选，得到第三词汇集，并利用预设的重复规则对第三词汇集进行数据清洗，得到所述标签体系特征词。
本发明一可选实施例中，所述预设的词性规则包括非名词性规则，其作用是排除一些不符合词性规则的词，所述不符合词性规则的词包括但不限于形容词，所述预设的重复规则的作用是排除一些重复词、长词。比如，识别出“发展”及“银行”，如果出现公司名称为“发展银行”，则在筛选时将“发展”和“银行”都排除。
本发明实施例通过对所述词库进行清洗，精简优化了所述词库，提高数据处理效率。
S140、根据所述匹配特征词出现的位置及次数计算所述匹配特征词的权重，得到匹配特征词的匹配权重。
进一步的，所述S140，包括：
将所述文本划分为标题部分、摘要部分及正文部分，以及获取所述标题部分的第一权重、所述摘要部分的第二权重及所述正文部分的第三权重；
统计所述匹配特征词在所述标题部分的出现次数，得到第一次数，根据所述第一次数乘以第一权重，得到第一特征值；
统计所述匹配特征词在所述摘要部分的出现次数，得到第二次数，根据所述第二次数乘以第二权重，得到第二特征值；
统计所述匹配特征词在所述正文部分的出现次数，得到第三次数，根据所述第三次数乘以第三权重，得到第三特征值；
根据将所述第一次数、所述第二次数、所述第三次数及所述第一特征值、所述第二特征值及所述第三特征值，计算得到所述匹配特征词的匹配权重。
详细地，本发明实施例计算所述第一次数、所述第二次数及所述第三次数之和，得到次数和；计算所述第一特征值、所述第二特征值及所述第三特征值之和，得到特征值和；将所述次数和及所述特征值和的比值作为所述匹配特征词的匹配权重。
例如，在所述匹配权重计算场景中，所述匹配特征词在所述标题部分出现了一次并且所述第一权重为3，在所述摘要部分出现了两次并且所述第二权重为2，在所述正文部分出现了一次并且所述第三权重为1，则所述匹配权重＝(1+2+1)/(1*3+2*2+1*1)＝0.5。
S150、确定所述匹配权重大于预设阈值的匹配特征词为所述页面的标签。
当匹配权重大于预设阈值时，表示所述匹配特征词在所述文本中所占的篇幅较大。
本发明实施例通过将匹配特征词集权重与预设的阈值进行比较，确定了与文本内容相关性大的标签，将重要的标签输出，简化了标签结果。
进一步地，所述确定所述匹配特征词为所述页面的标签之后，所述方法还包括：
将所述标签转换为图片，并将所述图片显示到对应的页面上。
本实施例中，通过将标签进行显示，可以使用户无需浏览全部内容，即可快速获取到页面信息。
本发明实施例提取页面的图像中包含的文本，将图片分析问题转化为文字分析问题；进一步的，通过将所述文本投影到低维空间，使同一类的字词聚集，不同类的字词分散，从所述聚集的字词中选择特征词，找出了页面中的的主要内容，基于页面中的主要内容进行打标签可以使得到的标签更加准确；通过将所述特征词与预构建的标签体系库进行匹配，确定所述标签体系库中与所述特征词相关的词为匹配特征词，获取更多匹配特征词，提高标签的准确性的情况下提高标签的丰富程度；通过计算所述匹配特征词的匹配权重，确定所述匹配权重大于预设阈值的匹配特征词为所述页面的标签，直接确定页面的标签，无需人工筛选和添加，提高了添加页面标签的效率。因此本发明实施例提出的页面标签添加方法可以解决提高添加页面标签的效率和准确率。
如图2所示，是本发明一实施例提供的页面标签添加装置的功能模块图。
本发明所述页面标签添加装置100可以安装于电子设备中。根据实现的功能，所述页面标签添加装置100可以包括获取模块101、信息提取模块102、匹配模块103、计算模块104及确定模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
获取模块101，用于获取页面的图像，利用光学字符识别技术识别所述图像包含的文本。
本发明实施例中，所述页面是带有文字信息的前端网页的页面。例如，所述页面可以是银行用户浏览行为所产生的页面，为所述页面添加页面可以方便挖掘用户的线上行为。
本发明实施例利用光学字符识别(Optical Character Recognition,OCR)技术，将所述页面的图象中的文字符号进行识别，并将所述识别出来的文字符号提取出来。
信息提取模块102，用于通过预构建的线性判别算法将所述文本投影到低维空间，使同一类的字词聚集，不同类的字词分散，从所述聚集的字词中选择特征词。
本实施例中，对文本进行信息提取具体是提取文本有标识信息的文本作为特征词。
本实施例中，所述线性判别算法可以为LDA(Linear Discriminant Analysis,降维方法线性判别分析)算法。具体的，LDA是一种监督学习的降维技术，可以将数据集的每个样本有类别的输出。
具体地，所述信息提取模块102具体用于：
从所述聚集的字词中进行主题提取，得到第一候选词集；
从所述聚集的字词中进行实体提取，得到第二候选词集；
从所述聚集的字词中进行关键词提取，得到第三候选词集；
确定同时存在于所述第一候选词集、所述第二候选词集以及所述第三候选词集中的候选词为特征词。
本发明实施例中，所述第一候选词集、第二候选词集及第三候选词集对应所述文本的不同部分，例如第一候选词集对应所述文本的题目部分。
具体地，本发明实施例获取所述文本的题目部分，将所述题目部分选择聚集的字词作为所述第一候选词。
进一步地，本发明实施例可以通过预构建的实体识别算法进行实体提取。该实体识别算法可以为bert算法，所述bert算法可以通过利用大规模无标注语料训练预先训练得到的，可以通过构建特征向量的方式对于实体内容进行提取。
进一步地，本发明实施例可以通过预构建的关键词识别算法进行关键词提取，所述关键词识别算法主通过邻接矩阵计算与概率转移矩阵以迭代的方式计算顶点关系，根据所述顶点关系得到对应关键词。
例如，该关键词识别算法可以为TextRank算法，以迭代的方式计算关键词矩阵，得到关键词。例如，该关键词识别算法可以为TextRank算法，以迭代的方式计算关键词矩阵，得到关键词。
匹配模块103，用于将所述特征词与预构建的标签体系库进行匹配，确定所述标签体系库中与所述特征词相关的词为匹配特征词。
本实施例中，所述预构建的标签体系库是根据大量图片学习得到的，包含有不同类别的标签。
例如，遍历标签体系库，在所述标签体系库中进行查找该特征词，若在标签体系库中查找到该特征词，则将所述特征词作为匹配特征词。
本发明实施例通过将、提取特征词与标签体系库进行匹配，将不符合范围的特征词筛除，减少了与文本相关的词语范围。
进一步的，所述匹配模块103具体用于：
根据一个预设的近义词表，确定所述标签体系库中与所述特征词相同或近似的词为匹配特征词。例如，在所述匹配特征词筛选过程中，根据所述特征词在所述近义词表中查询格式及内容相关的词，得到匹配特征词。
本实施例中，通过与标签体系库进行匹配时，将与特征词相同或近似的词为匹配特征词，丰富了与文本内容相关的匹配特征词的数量，即提高了与文本内容相关的匹配特征词的丰富性。
进一步的，所述装置还包括标签体系库构建模块，所述标签体系库构建模块用于：
将所述特征词与预构建的标签体系库进行匹配之前，从预构建的测试图片集中进行信息提取，得到第一词汇集；
整合所述特征词集和预构建的词库，得到词库；
对所述词库进行数据清洗，得到所述标签体系库。
进一步的，本发明实施例利用预设的词性规则对所述词库进行筛选，得到第三词汇集，并利用预设的重复规则对第三词汇集进行数据清洗，得到所述标签体系特征词。
本发明一可选实施例中，所述预设的词性规则包括非名词性规则，其作用是排除一些不符合词性规则的词，所述不符合词性规则的词包括但不限于形容词，所述预设的重复规则的作用是排除一些重复词、长词。比如，识别出“发展”及“银行”，如果出现公司名称为“发展银行”，则在筛选时将“发展”和“银行”都排除。
本发明实施例通过对所述词库进行清洗，精简优化了所述词库，提高数据处理效率。
计算模块104，根据所述匹配特征词出现的位置及次数计算所述匹配特征词的权重，得到匹配特征词的匹配权重。
进一步的，所述计算模块104具体用于：
将所述文本划分为标题部分、摘要部分及正文部分，以及获取所述标题部分的第一权重、所述摘要部分的第二权重及所述正文部分的第三权重；
统计所述匹配特征词在所述标题部分的出现次数，得到第一次数，根据所述第一次数乘以第一权重，得到第一特征值；
统计所述匹配特征词在所述摘要部分的出现次数，得到第二次数，根据所述第二次数乘以第二权重，得到第二特征值；
统计所述匹配特征词在所述正文部分的出现次数，得到第三次数，根据所述第三次数乘以第三权重，得到第三特征值；
根据将所述第一次数、所述第二次数、所述第三次数及所述第一特征值、所述第二特征值及所述第三特征值，计算得到所述匹配特征词的匹配权重。
详细地，本发明实施例计算所述第一次数、所述第二次数及所述第三次数之和，得到次数和；计算所述第一特征值、所述第二特征值及所述第三特征值之和，得到特征值和；将所述次数和及所述特征值和的比值作为所述匹配特征词的匹配权重。
例如，在所述匹配权重计算场景中，所述匹配特征词在所述标题部分出现了一次并且所述第一权重为3，在所述摘要部分出现了两次并且所述第二权重为2，在所述正文部分出现了一次并且所述第三权重为1，则所述匹配权重＝(1+2+1)/(1*3+2*2+1*1)＝0.5。
确定模块105，用于确定所述匹配权重大于预设阈值的匹配特征词为所述页面的标签。
当匹配权重大于预设阈值时，表示所述匹配特征词在所述文本中所占的篇幅较大。
本发明实施例通过将匹配特征词集权重与预设的阈值进行比较，确定了与文本内容相关性大的标签，将重要的标签输出，简化了标签结果。
进一步地，所述页面标签添加装置还包括显示模块，所述显示模块用于：
确定所述匹配特征词为所述页面的标签之后，将所述标签转换为图片，并将所述图片显示到对应的页面上。
本实施例中，通过将标签进行显示，可以使用户无需浏览全部内容，即可快速获取到页面信息。
如图3所示，是本发明一实施例提供的实现页面标签添加方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、总线12及通信接口13和还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如页面标签添加程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如页面标签添加程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如页面标签添加程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线12可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线12可以分为地址总线、数据总线、控制总线等。所述总线12被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的页面标签添加程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取页面的图像，利用光学字符识别技术识别所述图像包含的文本；
将所述文本投影到低维空间，使同一类的字词聚集，不同类的字词分散，从所述聚集的字词中选择特征词通过预构建的线性判别算法将所述文本投影到低维空间，使同一类的字词聚集，不同类的字词分散，从所述聚集的字词中选择特征词；
将所述特征词与预构建的标签体系库进行匹配，确定所述标签体系库中与所述特征词相关的词为匹配特征词；
根据所述匹配特征词出现的位置及次数计算所述匹配特征词的权重，得到匹配特征词的匹配权重；
确定所述匹配权重大于预设阈值的匹配特征词为所述页面的标签。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取页面的图像，利用光学字符识别技术识别所述图像包含的文本；
将所述文本投影到低维空间，使同一类的字词聚集，不同类的字词分散，从所述聚集的字词中选择特征词通过预构建的线性判别算法将所述文本投影到低维空间，使同一类的字词聚集，不同类的字词分散，从所述聚集的字词中选择特征词；
将所述特征词与预构建的标签体系库进行匹配，确定所述标签体系库中与所述特征词相关的词为匹配特征词；
根据所述匹配特征词出现的位置及次数计算所述匹配特征词的权重，得到匹配特征词的匹配权重；
确定所述匹配权重大于预设阈值的匹配特征词为所述页面的标签。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种页面标签添加方法，其特征在于，所述方法包括：
获取页面的图像，利用光学字符识别技术识别所述图像包含的文本；
将所述文本投影到低维空间，使同一类的字词聚集，不同类的字词分散，从所述聚集的字词中选择特征词；
将所述特征词与预构建的标签体系库进行匹配，确定所述标签体系库中与所述特征词相关的词为匹配特征词；
根据所述匹配特征词出现的位置及次数计算所述匹配特征词的权重，得到匹配特征词的匹配权重；
确定所述匹配权重大于预设阈值的匹配特征词为所述页面的标签。
2.如权利要求1所述的页面标签添加方法，其特征在于，所述从所述聚集的字词中选择特征词，包括：
对所述聚集的字词进行主题提取，得到第一候选词集；
对所述聚集的字词进行实体提取，得到第二候选词集；
对所述聚集的字词进行关键词提取，得到第三候选词集；
确定同时存在于所述第一候选词集、所述第二候选词集以及所述第三候选词集中的候选词为特征词。
3.如权利要求1所述的页面标签添加方法，其特征在于，所述根据所述匹配特征词出现的位置及次数计算所述匹配特征词的权重，得到匹配特征词的匹配，包括：
将所述文本划分为标题部分、摘要部分及正文部分，以及获取所述标题部分的预设的第一权重、所述摘要部分的第二权重及所述正文部分的第三权重；
统计所述匹配特征词在所述标题部分的出现次数，得到第一次数，根据所述第一次数乘以所述第一权重，得到第一特征值；
统计所述匹配特征词在所述摘要部分的出现次数，得到第二次数，根据所述第二次数乘以所述第二权重，得到第二特征值；
统计所述匹配特征词在所述正文部分的出现次数，得到第三次数，根据所述第三次数乘以所述第三权重，得到第三特征值；
根据将所述第一次数、所述第二次数、所述第三次数及所述第一特征值、所述第二特征值及所述第三特征值，计算得到所述匹配特征词的匹配权重。
4.如权利要求3所述的页面标签添加方法，其特征在于，所述根据将所述第一次数、所述第二次数、所述第三次数及所述第一特征值、所述第二特征值及所述第三特征值，计算得到所述匹配特征词的匹配权重，包括：
计算所述第一次数、所述第二次数及所述第三次数之和，得到次数和；
计算所述第一特征值、所述第二特征值及所述第三特征值之和，得到特征值和；
将所述次数和及所述特征值和的比值作为所述匹配特征词的匹配权重。
5.如权利要求1所述的页面标签添加方法，其特征在于，所述确定所述标签体系库中与所述特征词相关的词为匹配特征词，包括：
根据一个预设的近义词表，从所述标签体系库中选择与所述特征词意义相同或者相近的词；
将所述相同或者相近词设置为匹配特征词。
6.如权利要求1至5中任一项所述的页面标签添加方法，其特征在于，所述将所述特征词与预构建的标签体系库进行匹配之前，所述方法还包括：
从预构建的测试图片集中进行信息提取，得到第一词汇集；
将所述第一词汇集添加到预构建的词库中，并对所述词库进行数据清洗，得到所述标签体系库。
7.如权利要求1至5中任一项所述的页面标签添加方法，其特征在于，所述确定所述匹配特征词为所述页面的标签之后，所述方法还包括：
将所述标签转换为图片，并将所述图片显示到对应的页面上。
8.一种页面标签添加装置，其特征在于，所述装置包括：
获取模块，用于获取页面的图像，利用光学字符识别技术识别所述图像包含的文本；
信息提取模块，用于将所述文本投影到低维空间，使同一类的字词聚集，不同类的字词分散，从所述聚集的字词中选择特征词；
匹配模块，用于将所述特征词与预构建的标签体系库进行匹配，确定所述标签体系库中与所述特征词相关的词为匹配特征词；
计算模块，用于根据所述匹配特征词出现的位置及次数计算所述匹配特征词的权重，得到匹配特征词的匹配权重；
确定模块，用于确定所述匹配权重大于预设阈值的匹配特征词为所述页面的标签。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序指令，所述计算机程序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如权利要求1至7中任一项所述的页面标签添加方法。
10.一种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7中任一项所述的页面标签添加方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110728171.6A CN113486266A (zh) | 2021-06-29 | 2021-06-29 | 页面标签添加方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110728171.6A CN113486266A (zh) | 2021-06-29 | 2021-06-29 | 页面标签添加方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113486266A true CN113486266A (zh) | 2021-10-08 |
Family
ID=77936698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110728171.6A Pending CN113486266A (zh) | 2021-06-29 | 2021-06-29 | 页面标签添加方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113486266A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8478052B1 (en) * | 2009-07-17 | 2013-07-02 | Google Inc. | Image classification |
| WO2013102396A1 (zh) * | 2012-01-05 | 2013-07-11 | 腾讯科技（深圳）有限公司 | 一种自动给文档添加标签的方法、装置以及计算机存储介质 |
| CN104715024A (zh) * | 2015-03-03 | 2015-06-17 | 湖北光谷天下传媒股份有限公司 | 一种多媒体热点分析方法 |
| CN104991920A (zh) * | 2015-06-25 | 2015-10-21 | 走遍世界（北京）信息技术有限公司 | 标签的生成方法及装置 |
| US20170147691A1 (en) * | 2015-11-20 | 2017-05-25 | Guangzhou Shenma Mobile Information Technology Co. Ltd. | Method and apparatus for extracting topic sentences of webpages |
| CN107229668A (zh) * | 2017-03-07 | 2017-10-03 | 桂林电子科技大学 | 一种基于关键词匹配的正文抽取方法 |
| CN112541338A (zh) * | 2020-12-10 | 2021-03-23 | 平安科技（深圳）有限公司 | 相似文本匹配方法、装置、电子设备及计算机存储介质 |
-
2021
- 2021-06-29 CN CN202110728171.6A patent/CN113486266A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8478052B1 (en) * | 2009-07-17 | 2013-07-02 | Google Inc. | Image classification |
| WO2013102396A1 (zh) * | 2012-01-05 | 2013-07-11 | 腾讯科技（深圳）有限公司 | 一种自动给文档添加标签的方法、装置以及计算机存储介质 |
| CN104715024A (zh) * | 2015-03-03 | 2015-06-17 | 湖北光谷天下传媒股份有限公司 | 一种多媒体热点分析方法 |
| CN104991920A (zh) * | 2015-06-25 | 2015-10-21 | 走遍世界（北京）信息技术有限公司 | 标签的生成方法及装置 |
| US20170147691A1 (en) * | 2015-11-20 | 2017-05-25 | Guangzhou Shenma Mobile Information Technology Co. Ltd. | Method and apparatus for extracting topic sentences of webpages |
| CN107229668A (zh) * | 2017-03-07 | 2017-10-03 | 桂林电子科技大学 | 一种基于关键词匹配的正文抽取方法 |
| CN112541338A (zh) * | 2020-12-10 | 2021-03-23 | 平安科技（深圳）有限公司 | 相似文本匹配方法、装置、电子设备及计算机存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112597312A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
| CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN112380859A (zh) | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 | |
| CN113449187A (zh) | 基于双画像的产品推荐方法、装置、设备及存储介质 | |
| CN113704429A (zh) | 基于半监督学习的意图识别方法、装置、设备及介质 | |
| CN115002200A (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
| CN112528616A (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
| CN113378970A (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
| CN113157927A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
| CN113268615A (zh) | 资源标签生成方法、装置、电子设备及存储介质 | |
| CN114138784A (zh) | 基于存储库的信息溯源方法、装置、电子设备及介质 | |
| CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
| CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
| CN113360768A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
| CN112883730A (zh) | 相似文本匹配方法、装置、电子设备及存储介质 | |
| CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN114416939A (zh) | 智能问答方法、装置、设备及存储介质 | |
| CN113204698A (zh) | 新闻主题词生成方法、装置、设备及介质 | |
| CN115525761A (zh) | 一种文章关键词筛选类别的方法、装置、设备及存储介质 | |
| CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
| CN114385815A (zh) | 基于业务需求的新闻筛选方法、装置、设备及存储介质 | |
| CN114943306A (zh) | 意图分类方法、装置、设备及存储介质 | |
| CN114780688A (zh) | 基于规则匹配的文本质检方法、装置、设备及存储介质 | |
| CN114708073A (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
| CN113268614A (zh) | 标签体系更新方法、装置、电子设备及可读存储介质 |
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 |