CN113792546A - 语料库的构建方法、装置、设备以及存储介质 - Google Patents

Abstract

本申请实施例公开了语料库的构建方法、装置、设备以及存储介质，涉及自然语言处理、深度学习等人工智能技术领域。该语料库的构建方法的一具体实施方式包括：采用用于表征词语在文本中的重要性的至少一个特征，构建词语的至少一个维度的特征向量，其中，至少一个特征是至少一个特征类型的特征；将至少一个维度的特征向量输入至训练完成的关键词预测模型，得到词语的预测结果；响应于预测结果为词语为关键词，将词语添加至语料库，从而可以从多个维度计算词语可能是关键词的概率，对词语有了更加全面的分析，得到的语料库也会更加准确。

Description

语料库的构建方法、装置、设备以及存储介质

技术领域

本公开涉及计算机技术领域，具体涉及自然语言处理、深度学习 等人工智能技术领域，尤其涉及语料库的构建方法、装置、设备以及 存储介质。

背景技术

构建语料库是自然语言处理相关业务的基础，其中通过提取文本 关键词来构建某一特定领域或特定业务的语料库是比较常见的方式。

目前对关键词的提取包括基于统计的计算方法和基于词语语义的 方法。基于词语语义的方法是通过词语的语义信息挖掘词语与文本主 题之间的语义联系。其中，基于词语语义的方法多集中于将基于图的 方法与语义信息结合，或是将关键词提取视为一个序列标注问题，利 用神经网络的方法提取词语的上下文本关系并结合条件随机场的方法 对关键词进行标注。

发明内容

本公开提供了语料库的构建方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种语料库的构建方法，包括： 采用用于表征词语在文本中的重要性的至少一个特征，构建词语的至 少一个维度的特征向量，其中，至少一个特征是至少一个特征类型的 特征；将至少一个维度的特征向量输入至训练完成的关键词预测模型， 得到词语的预测结果；响应于预测结果为词语为关键词，将词语添加 至语料库。

根据本公开的第二方面，提供了一种语料库的构建装置，包括： 构建模块，被配置成采用用于表征词语在文本中的重要性的至少一个 特征，构建词语的至少一个维度的特征向量，其中，至少一个特征是 至少一个特征类型的特征；预测模块，被配置成将至少一个维度的特 征向量输入至训练完成的关键词预测模型，得到词语的预测结果；添 加模块，被配置成响应于预测结果为词语为关键词，将词语添加至语 料库。

根据本公开的第三方面，提出了一种电子设备，包括：至少一个 处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存 储有可被至少一个处理器执行的指令，指令被至少一个处理器执行， 以使至少一个处理器能够执行如第一方面中任一实现方式描述的方 法。

根据本公开的第四方面，提出了一种存储有计算机指令的非瞬时 计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任 一实现方式描述的方法。

根据本公开的第五方面，提出了一种计算机程序产品，包括计算 机程序，计算机程序在被处理器执行如第一方面中任一实现方式描述 的方法。

本申请实施例提供的语料库的构建方法、装置、设备以及存储介 质，首先采用用于表征词语在文本中的重要性的至少一个特征，构建 词语的至少一个维度的特征向量；之后将至少一个维度的特征向量输 入至训练完成的关键词预测模型，得到词语的预测结果；最后响应于 预测结果为词语为关键词，将词语添加至语料库，从而可以从多个维 度计算词语可能是关键词的概率，对词语有了更加全面的分析，得到 的语料库也会更加准确。

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

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，本申请的其它特征、目的和优点将会变得更明显。附图用于更好 地理解本方案，不构成对本申请的限定。其中：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的语料库的构建方法的一个实施例的流程示意 图；

图3是根据本申请的语料库的构建方法的另一个实施例的流程示 意图；

图4是根据本申请的语料库的构建方法的一个实施例的应用场景 示意图；

图5是本申请的语料库的构建装置的一个实施例的结构示意图；

图6是用来实现本申请实施例的语料库的构建方法的电子设备的 框图。

具体实施方式

下面结合附图和实施例对本申请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，本申请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 申请。

图1示出了可以应用本申请的语料库的构建方法或语料库的构建 装置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、网络102、服 务器103。网络102用以在终端设备101和服务器103之间提供通信 链路的介质。网络102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。

终端设备101可以通过网络102与服务器103交互。终端设备101 中可以提供文本，包括但不限于数据库、用户终端等等。

服务器103可以提供各种服务，例如服务器103可以对从终端设 备101获取到的文本等数据进行分析等处理，生成处理结果(例如从 文本中提取关键词以及将关键词添加到语料库中)。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务 器103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103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。

需要说明的是，本申请实施例所提供的语料库的构建方法一般由 服务器103执行，相应地，语料库的构建装置一般设置于服务器103 中。

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，示出了根据本申请的语料库的构建方法的一个实 施例的流程200。该方法包括以下步骤：

步骤201，采用用于表征词语在文本中的重要性的至少一个特征， 构建词语的至少一个维度的特征向量。

在本实施例中，语料库的构建方法的执行主体(例如图1所示的 服务器103)可以采用用于表征词语在文本中的重要性的至少一个特 征，构建词语的至少一个维度的特征向量。其中，至少一个特征是至 少一个特征类型的特征。

文本中的关键词应是既要包含文本的主题相关性，又要反映词语 的重要性。其中，特征是指可以用来表示文本中词语的主题相关性和/ 或词语重要性的维度。以词频(Term Frequency，TF)这个特征为例，TF 指的是词语在文本中出现的次数，其中，TF值反映了词语在文本中出 现的频率，TF值越高的词表示了该词对于文本的重要程度越高。

其中，不同的特征可能属于相同的特征类型。例如，表示词语在 文本中首次出现的位置的特征A“首次出现位置”、表示词语在文本中 最后出现的位置的特征B“最后出现位置”、表示词语最后一次出现和 第一次出现位置的差值的特征C“词跨度”，均属于位置这个特征类型 的特征。

其中，可以将属于同一特征类型的至少一个特征组成特征组，并 基于该组特征构建词语的至少一个维度的特征向量。例如，可以将上 述特征A“首次出现位置”、特征B“最后出现位置”、特征C“词跨 度”组成以位置这个特征类型的特征组，然后分别计算词语特征A的 特征值WL，词语特征B的特征值SL，词语特征C的特征值FP，最 后构建该词语的三维特征向量[WL,SL,FP]。

其中，可以采用不同的特征类型所对应的不同特征组，构建词语 的多维特征向量。其中，特征类型包括但不限于词频、长度、位置、 语言特征等等。其中，属于长度这个特征类型的特征包括词长、句子 长度等。其中，属于语言特征这个特征类型的特征包括词性、是否为 专有名词等。其中，属于词频这个特征类型的特征包括TF、反字频等。 其中，属于位置这个特征类型的特征包括词语首次出现位置、最后出 现位置、词跨度等。采用不同的特征类型所对应的特征组构建词语的 特征向量可以从多个维度来评判词语在句子中的重要性，从而提高所 提取的关键词的准确性。

步骤202，将至少一个维度的特征向量输入至训练完成的关键词 预测模型，得到词语的预测结果。

在本实施例中，上述执行主体可以将至少一个维度的特征向量输 入至训练完成的关键词预测模型，得到词语的预测结果。

其中，关键词预测模型可以采用机器学习模型，关键词预测模型 用于预测词语是否为关键词。关键词预测模型可以通过以下步骤训练 得到：

步骤2021，获取样本集。

其中，样本集中的样本包括词语的至少一个维度的特征向量以及 指示词语是否为关键词的标签，其中，词语的至少一个维度的特征向 量是采用用于表征词语在文本中的重要性的至少一个特征而构建的， 其中，至少一个特征是至少一个特征类型的特征。

关键词提取可以看作是一个有标签的二分类问题，若该词语是关 键词，则标签为1，反之则为0。通过人工采集的方式对样本中的关键 词进行提取，然后计算每个词语的多个特征的特征值，建立一个多维 的特征向量，并在每一个多维特征向量后加一个判断是否是关键词的 标签。

步骤2022，将样本中的词语的至少一个维度的特征向量作为关键 词预测模型的输入，将词语的标签作为关键词预测模型的期望输出， 对关键词预测模型进行训练，得到训练完成的关键词预测模型。

其中，步骤2022训练的可以是初始化的关键词预测模型，初始化 关键词预测模型可以是未经训练的关键词预测模型或未训练完成的关 键词预测模型，初始化的关键词预测模型的各层可以设置有初始参数， 参数在关键词预测模型的训练过程中可以被不断地调整。初始化关键 词预测模型可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到的 模型，例如，初始化关键词预测模型可以是未经训练的卷积神经网络， 也可以是未经训练的循环神经网络，还可以是对未经训练的卷积神经 网络、未经训练的循环神经网络和未经训练的全连接层进行组合所得 到的模型。

其中，词语的预测结果既可以是词语的关键词分类结果，也可以 是词语的关键词预测概率。词语的关键词分类结果包括词语是否为关 键词，例如分类结果为1，则为关键词；分类结果为0，则不是关键词。 词语的关键词预测概率包括词语为关键词的概率，例如60％。当词语 的预测结果为词语的关键词预测概率时，可以设定一个阈值(例如 60％)，若得到的词语的关键词预测概率大于等于设定的阈值，则该词 语为关键词；若得到的词语的关键词预测概率小于设定的阈值，则该 词语不是关键词。

步骤203，响应于预测结果为词语为关键词，将词语添加至语料 库。

在本实施例中，上述执行主体可以执行响应于预测结果为词语为 关键词，将词语添加至语料库。

其中，若关键词预测模型将词语判定为关键词，则将该关键词添 加至语料库中。其中，根据应用场景的不同，语料库的类型也不同。 其中，语料库可以是特定领域或特定业务的语料库。

在本申请的上述实施例提供的语料库的构建方法，从多个维度计 算词语可能是关键词的概率，对词语有了更加全面的分析，得到的语 料库也会更加准确。

在本实施例的一些可选的实现方式中，特征类型包括词频，词频 的特征至少包括用于表征词语在文本中的逆频数加权值的词频反字 频。

关键词提取的目的是找到对于文本重要性程度最高的词语，在统 计学中最直观的表现就是通过分别计算这个词在文档和文档集中出现 的频率，得到能够区分文档的词语，也就是最能反应当前文档特点的 关键词。传统的基于统计的方法一般是采用TF-IDF算法，通过统计 一个词在一个文档中出现的频次以及一个词对于不同文档的区分程度 来最终得到每个文档的关键词。其中，TF-IDF(Term Frequency– Inverse DocumentFrequency)是一种用于信息检索与数据挖掘的常用 加权技术。IDF是逆文本频率指数(Inverse Document Frequency)。

TF-IDF算法是一种抑制噪音的加权，也就是文本频率越低的词语 就会越重要，这会导致在处理同类文本资料库时，由于文本之间存在 重合度较高的关键词，利用IDF算法常常会掩盖这些同类文本的关键 词。鉴于此，本申请实施例提出一种词频反字频的特征维度来解决同 类文本关键词掩盖的问题。词频反字频(Term Frequency-Inverse WordFrequency，TF-IWF)算法是一种利用词语逆频率方式计算加权算法， 其利用频数作为判断文档区分度的标准，其运算公式如下所示：

其中，

表示文本资料库内全部词语的频数总和，nt_i表示词语t_i在 文本资料库内出现的总频数。

其中，词频反字频表示词语在文本中的逆频数加权值。其中，词 语的IMF值是逆频数，词语的TF值是加权值，结合起来就是词语的 逆频数加权值。通过TF-IWF算法可以计算出词语的逆频数加权值， 并将计算出的逆频数加权值作为词语的一个维度的特征向量。采用 TF-IWF算法能显著减弱文本资料库内词语权重受到的同种文本的影 响，实现了某词语在待查文本内重要性的精确地表达。

进一步参考图3，其示出了语料库的构建方法的另一个实施例的 流程图，该方法包括如下步骤：

步骤301，将文本中属于预设类型的干扰词语进行过滤处理。

在本实施例中，语料库的构建方法的执行主体(例如图1所示的 服务器103)可以将文本中属于预设类型的干扰词语进行过滤处理。

其中，可以对文本进行预处理，排除特定类型的干扰词语对结果 造成的影响。干扰词语的预设类型与所要构建的词语的特征类型相关。 以词频这个特征类型为例，通常而言，一个文本中词频越高的词表示 了该词对于文本的重要程度越高。但正是因为如此，在计算频数时需 要将一些频繁出现但是对于反映文本主题没有帮助的词语删除，例如 介词、数字和停用词等。

可选地，为了更好地过滤掉干扰词语，可以将以下情况的词语进 行过滤处理：

1)删除词性为代词、介词、数词及拟声词的词语。

2)删除词组中不是以名词或形容词开头或结尾的词语。

3)删除包含在停用词表中的词语。

步骤302，采用用于表征词语在文本中的重要性的至少一个特征， 构建词语的至少一个维度的特征向量。

步骤302与步骤201基本相同，因此不再赘述。

步骤303，将至少一个维度的特征向量输入至训练完成的关键词 预测模型，得到词语的预测结果。

步骤303与步骤202基本相同，因此不再赘述。

步骤304，响应于预测结果为词语为关键词，将词语添加至语料 库。

步骤304与步骤203基本相同，因此不再赘述。

本申请实施例通过对文本进行预处理，过滤掉干扰词语，进而可 以提高所提取的关键词以及语料库的准确性。

在本实施例的一些可选的实现方式中，特征类型包括长度，长度 的特征至少包括以下一项：词长、句子长度。

其中，词长可以用以下公式计算：

length(i)表示词语的长度，u表示文本中所有词语长度的均值，

表 示文本中所有词语长度的方差。

其中，句子长度可以用以下公式计算：

length(s)表示句子s包含的词语数，shortest(s)表示文本中最短的 句子包含的词语数，longest(s)表示文本中最长的句子包含的词语数， 句子s包含待构建特征向量的词语。

在本实施例的一些可选的实现方式中，特征类型包括语言特征， 语言特征对应的特征至少包括以下一项：词性、是否为专有名词。

其中，词性是语言中词的语法分类，包括名词、代词、动词、形 容词等等。其中，可以记录词语的词性信息，并用one-hot对词性进行 编码。专有名词指的是特定领域的专有名词，例如地名、体育类名词、 食品类名词等。其中，可以将词语和专有名词语料库中的词语进行匹 配，如果是专有名词则取值为1，反之则为0。

在本实施例的一些可选的实现方式中，可以基于词频、长度、位 置和语言特征这四个特征类型，根据词语的TF、反字频IWF、词频反 字频TF-IWF、词长、句子长度、首次出现位置、最后出现位置、词跨 度、词性、是否为专有名词这十个特征，来构建词语的多维特征向量。 本实施例融合语义特征的方法可以对每个词语有更加全面的分析，得 到的语料库也会更加准确。

在本实施例的一些可选的实现方式中，关键词预测模型为支持向 量机分类模型。支持向量机(Support Vector Machine,SVM)是一类按 监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是 对学习样本求解的最大边距超平面。

为了便于理解，图4示出了根据本申请的语料库的构建方法的一 个实施例的应用场景示意图。

如图4所示，该方法主要由4部分组成：1)文本预处理；2)特 征提取；3)构建分类模型；4)生成语料库。

1、文本预处理的目的是对文本数据进行过滤，排除一些干扰词汇 对结果造成的影响。为了更好的过滤掉干扰词语，可以将符合以下情 况的词语进行过滤处理：删除词性为代词、介词、数词及拟声词的词 语；删除词组中不是以名词或形容词开头或结尾的词语；删除包含在 停用词表中的词语。

2、在进行词语的特征提取之前，可以对句子进行分词处理，然后 对句子中词语的词性、词语出现的次数和特定位置的信息进行记录。 TF-IWF算法是一种利用词语逆频率方式计算加权算法，利用频数作 为判断文档区分度的标准。通过TF-IWF算法可以计算词语的逆频数 加权值，并将计算出的逆频数加权值作为词语的一个维度的特征向量。 在传统TF-IDF算法求得的权值一般很小且常常接近于0，准确度也很 低，而利用TF-IWF算法可以很好的解决最后权值过小的问题，从而 保证了非常高的运算精度。可以根据记录的词语的词性信息，并用 one-hot对词性进行编码得到词语的另一个维度的特征向量。根据词语 的逆频数加权值和词性编码得到文本特征集合。

3、关键词提取可以看作是一个有标签的二分类问题，若该词语是 关键词，则标签为1，反之则为0。通过人工采集的方式对训练样本中 的关键词进行提取，然后计算每个词语的维度特征值，得到包含词频、 长度、位置和语言特征共4个特征类型，建立一个多维的特征向量， 并在每一个特征向量集合后加一个判断是否是关键词的标签(1或0)。 并将结果放入SVM模型中进行训练。

4、将得到的文本特正集合放入训练好的SVM分类模型中，得到 分类结果，最终将被判定为关键词的词语放入语料库中。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供 了一种语料库的构建的装置一个实施例，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5所示，本实施例的语料库的构建装置500可以包括：构建 模块501、预测模块502、添加模块503。其中，构建模块501，被配 置成采用用于表征词语在文本中的重要性的至少一个特征，构建词语 的至少一个维度的特征向量，其中，至少一个特征是至少一个特征类 型的特征；预测模块502，被配置成将至少一个维度的特征向量输入 至训练完成的关键词预测模型，得到词语的预测结果；添加模块503， 被配置成响应于预测结果为词语为关键词，将词语添加至语料库。

在本实施例中，语料库的构建装置500中：构建模块501、分类 模块502、添加模块503的具体处理及其所带来的技术效果可分别参 考图2对应实施例中的步骤201-203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，特征类型包括词频，词频 对应的特征至少包括用于表征词语在文本中的逆频数加权值的词频反 字频。

在本实施例的一些可选的实现方式中，装置还包括关键词预测模 型的训练模块，关键词预测模型的训练模块包括：获取模块，被配置 成获取样本集，其中，样本集中的样本包括词语的至少一个维度的特 征向量以及指示词语是否为关键词的标签，其中，词语的至少一个维 度的特征向量是采用用于表征词语在文本中的重要性的至少一个特征 而构建的，其中，至少一个特征是至少一个特征类型的特征；训练模 块，被配置成将样本中的词语的至少一个维度的特征向量作为关键词 预测模型的输入，将词语的标签作为关键词预测模型的期望输出，对 关键词预测模型进行训练，得到训练完成的关键词预测模型。

在本实施例的一些可选的实现方式中，装置还包括：预处理模块， 被配置成在执行构建模块之前，将文本中属于预设类型的干扰词语进 行过滤处理。

在本实施例的一些可选的实现方式中，关键词预测模型为支持向 量机分类模型。

在本实施例的一些可选的实现方式中，特征类型包括长度，长度 的特征包括以下至少一项：词长、句子长度，其中，词长是根据词语 的长度、文本中所有词语的长度的均值和方差确定的，句子长度是根 据包含词语的句子所包含的词语个数、文本中最短句子包含的词语个 数、文本中最长的句子包含的词语个数确定的。

在本实施例的一些可选的实现方式中，特征类型包括位置，位置 的特征包括以下至少一项：首次出现位置、最后出现位置、词跨度。

在本实施例的一些可选的实现方式中，特征类型包括语言特征， 语言特征的特征包括以下至少一项：词性、是否为专有名词。

在本实施例的一些可选的实现方式中，特征类型包括以下至少一 项：词频、长度、位置、语言特征。

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6示出了可以用来实施本公开的实施例的示例电子设备600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/或者 要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只 读存储器(ROM)602中的计算机程序或者从存储单元608加载到随 机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作 和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。 输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606， 例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器 等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、 调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述 的各个方法和处理，例如语料库的构建。例如，在一些实施例中，语 料库的构建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608。在一些实施例中，计算机程序的部分或者 全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备 600上。当计算机程序加载到RAM 603并由计算单元601执行时，可 以执行上文描述的语料库的构建方法的一个或多个步骤。备选地，在 其他实施例中，计算单元601可以通过其他任何适当的方式(例如， 借助于固件)而被配置为执行语料库的构建。

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，本发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 (12)

1.一种语料库的构建方法，包括：

采用用于表征词语在文本中的重要性的至少一个特征，构建所述词语的至少一个维度的特征向量，其中，所述至少一个特征是至少一个特征类型的特征；

将所述至少一个维度的特征向量输入至训练完成的关键词预测模型，得到所述词语的预测结果；

响应于所述预测结果为所述词语为关键词，将所述词语添加至语料库。

2.根据权利要求1所述的方法，其中，所述特征类型包括词频，所述词频的特征至少包括用于表征词语在文本中的逆频数加权值的词频反字频。

3.根据权利要求1所述的方法，所述关键词预测模型的训练过程包括：

获取样本集，其中，所述样本集中的样本包括词语的至少一个维度的特征向量以及指示所述词语是否为关键词的标签，其中，所述词语的至少一个维度的特征向量是采用用于表征词语在文本中的重要性的至少一个特征而构建的，其中，所述至少一个特征是至少一个特征类型的特征；

将所述样本中的词语的至少一个维度的特征向量作为关键词预测模型的输入，将所述词语的标签作为关键词预测模型的期望输出，对关键词预测模型进行训练，得到训练完成的关键词预测模型。

4.根据权利要求1所述的方法，在构建所述词语的至少一个维度的特征向量之前，所述方法还包括：

将文本中属于预设类型的干扰词语进行过滤处理。

5.根据权利要求1所述的方法，所述关键词预测模型为支持向量机分类模型。

6.根据权利要求1所述的方法，所述特征类型包括长度，所述长度的特征包括以下至少一项：

词长、句子长度，其中，所述词长是根据所述词语的长度、文本中所有词语的长度的均值和方差确定的，所述句子长度是根据包含所述词语的句子所包含的词语个数、文本中最短句子包含的词语个数、文本中最长的句子包含的词语个数确定的。

7.根据权利要求1所述的方法，所述特征类型包括位置，所述位置的特征包括以下至少一项：

首次出现位置、最后出现位置、词跨度。

8.根据权利要求1所述的方法，所述特征类型包括语言特征，所述语言特征的特征包括以下至少一项：

词性、是否为专有名词。

9.根据权利要求1所述的方法，其中，所述特征类型包括以下至少一项：词频、长度、位置、语言特征。

10.一种语料库的构建装置，所述装置包括：

构建模块，被配置成采用用于表征词语在文本中的重要性的至少一个特征，构建所述词语的至少一个维度的特征向量，其中，所述至少一个特征是至少一个特征类型的特征；

预测模块，被配置成将所述至少一个维度的特征向量输入至训练完成的关键词预测模型，得到所述词语的预测结果；

添加模块，被配置成响应于所述预测结果为所述词语为关键词，将所述词语添加至语料库。

11.一种电子设备，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1-9中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。

Images