CN113887198A - 基于主题预测的项目拆分方法、装置、设备及存储介质 - Google Patents
基于主题预测的项目拆分方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113887198A CN113887198A CN202111181607.0A CN202111181607A CN113887198A CN 113887198 A CN113887198 A CN 113887198A CN 202111181607 A CN202111181607 A CN 202111181607A CN 113887198 A CN113887198 A CN 113887198A
- Authority
- CN
- China
- Prior art keywords
- paragraphs
- training
- theme
- topic
- paragraph
- 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 55
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 92
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000005070 sampling Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005540 biological transmission Effects 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- 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
- G06F16/3346—Query execution using probabilistic model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及人工智能技术,揭露一种基于主题预测的项目拆分方法,包括:获取原始政策文件,对原始政策文件进行段落拆分,得到多个段落,利用预先训练好的标准主题预测模型对多个段落进行主题预测,得到段落对应的主题,将主题相同的段落进行拼接,得到拼接段落,并利用预训练的标题生成模型对拼接段落进行标题生成处理,得到拆分好的项目。此外,本发明还涉及区块链技术,原始政策文件可存储于区块链的节点。本发明还提出一种基于主题预测的项目拆分装置、电子设备以及存储介质。本发明可以提高项目拆分的效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于主题预测的项目拆分方法、装置、电子设备及计算机可读存储介质。
背景技术
随着科技发展和经济的进步,越来越多针对于企业发展的扶持政策也出现了,对扶持政策进行一个全面的剖析有利于企业更好地发展,剖析的前提就是要从扶持政策中拆解出多个扶持项目并根据拆解出的扶持项目进行全面的分析。传统的政策扶持项目拆解通常由业务人员通过阅读扶持政策文件,根据政策提及的扶持项目相关内容,得到多个扶持项目并总结出扶持项目名,供给业务使用,这种方法效率不高,因此亟待提出一种效率更高的项目拆分方法。
发明内容
本发明提供一种基于主题预测的项目拆分方法、装置及计算机可读存储介质,其主要目的在于提高项目拆分的效率。
为实现上述目的,本发明提供的一种基于主题预测的项目拆分方法,包括:
获取原始政策文件,对所述原始政策文件进行段落拆分,得到多个段落;
利用预先训练好的标准主题预测模型对多个所述段落进行主题预测,得到所述段落对应的主题;
将所述主题相同的段落进行拼接,得到拼接段落,并利用预训练的标题生成模型对所述拼接段落进行标题生成处理,得到拆分好的项目。
可选地,所述利用预先训练好的标准主题预测模型对多个所述段落进行主题预测之前,所述方法包括:
利用预获取的训练段落集对预设的主题预测模型进行训练,得到训练好的初始主题预测模型;
对所述初始主题预测模型进行降维处理,得到训练好的标准主题预测模型。
可选地,所述利用预获取的训练段落集对预设的主题预测模型进行训练,得到训练好的初始主题预测模型,包括:
对预获取的训练段落集中的训练段落进行词频解析,得到词频矩阵;
基于预设的多个主题对所述词频矩阵进行随机编号处理,得到所述词频矩阵对应的主题编号;
将所述主题编号作为所述主题预测模型的输入值,计算得到所述主题预测模型的吉布斯采样值和狄利克雷参数估计值;
将所述吉布斯采样值和所述狄利克雷参数估计值作为所述主题预测模型的模型参数,得到训练好的初始主题预测模型。
可选地,所述对所述训练段落集中的训练段落进行词频解析,得到词频矩阵,包括:
对所述训练段落集中的训练段落进行分词处理,得到训练分词集;
筛选所述训练分词集中与预设关键词库中关键词一致的训练分词作为训练关键词,并汇总所述训练关键词得到训练关键词集;
获取所述训练关键词集中每一个关键词对应的关键词标识和关键词词频,并根据所述关键词标识和所述关键词词频构建对应的词频矩阵。
可选地,所述基于预设的多个主题对所述词频矩阵进行随机编号处理,得到所述词频矩阵对应的主题编号,包括:
对多个所述主题进行编号,得到所述主题对应的编号;
获取与所述预设的多个主题对应的主题参考表,并将与所述主题参考表中主题相同的词频矩阵标注上对应的编号,得到所述词频矩阵对应的主题编号。
可选地,所述对所述初始主题预测模型进行降维处理,得到训练好的标准主题预测模型,包括:
利用所述初始主题预测模型对所述训练段落集中的多个训练段落进行主题预测,得到所述训练段落对应的段落主题;
分别计算所述多个段落主题中任意两个段落主题之间的相似度,并筛选出所述相似度大于预设的相似阈值的段落主题;
选取所述相似度大于预设的相似阈值的段落主题中预设个数的段落主题作为目标主题,并利用所述目标主题对所述初始主题预测模型进行训练,得到训练好的标准主题预测模型。
可选地,所述利用预训练的标题生成模型对所述拼接段落进行标题生成处理之前,所述方法包括:
获取标注段落原文,将所述标注段落原文输入至所述标题生成模型的编码器中进行编码,得到编码数据;
将所述主题与所述编码器输出的隐藏层进行加权平均,得到注意力向量;
提取所述标注段落原文中的标注标题,将所述标注标题、所述注意力向量及预设的隐藏特征输入至所述标题生成模型中的解码器中进行解码,得到预测项目标题;
判断所述预测项目标题与预设的真实项目标题是否一致,若所述预测项目标题与预设的真实项目标题一致,将所述标题生成模型输出为预训练的标题生成模型。
为了解决上述问题,本发明还提供一种基于主题预测的项目拆分装置,所述装置包括:
段落拆分模块,用于获取原始政策文件,对所述原始政策文件进行段落拆分,得到多个段落;
主题预测模块,用于利用预先训练好的标准主题预测模型对多个所述段落进行主题预测,得到所述段落对应的主题;
标题生成模块,用于将所述主题相同的段落进行拼接,得到拼接段落,并利用预训练的标题生成模型对所述拼接段落进行标题生成处理,得到拆分好的项目。
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:
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,所述计算机程序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上述所述的基于主题预测的项目拆分方法。
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基于主题预测的项目拆分方法。
本发明实施例通过对原始政策文件进行段落拆分,得到多个段落,从段落的角度对原始政策文件进行初步的拆分,为后续的项目拆分提供了数据基础,将利用预先训练好的标准主题预测模型对多个段落进行主题预测后得到的段落对应的主题中的主题相同的段落进行拼接,得到拼接段落,拼接相同项目主题的段落得到的拼接段落即为拆分后的项目,并用训练好的项目标题生成模型对所述拼接段落生成项目标题,得到拆分好的项目。因此本发明提出的基于主题预测的项目拆分方法、装置、电子设备及计算机可读存储介质,可以实现提高项目拆分的效率。
附图说明
图1为本发明一实施例提供的基于主题预测的项目拆分方法的流程示意图;
图2为本发明一实施例提供的基于主题预测的项目拆分装置的功能模块图;
图3为本发明一实施例提供的实现所述基于主题预测的项目拆分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基于主题预测的项目拆分方法。所述基于主题预测的项目拆分方法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,所述基于主题预测的项目拆分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。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于主题预测的项目拆分方法的流程示意图。在本实施例中,所述基于主题预测的项目拆分方法包括:
S1、获取原始政策文件,对所述原始政策文件进行段落拆分,得到多个段落。
本发明实施例中,所述原始政策文件可以为扶持政策项目书或者其他类型的项目文件。可以从政务部门的数据库中下载所述原始政策文件。
具体地,所述对所述原始政策文件进行段落拆分,得到多个段落,包括:
识别所述原始政策文件中的文本标号;
以所述文本标号作为拆分点对所述原始政策文件进行拆分,得到多个段落。
详细地,所述原始政策文件中包含多个段落及多个段落对应的文本标号,其中,所述文本标号包含不同的形式及对应的意义,例如,文本标号“一”为一级标题,文本标号“1”为二级标题,文本标号“(1)”为三级标题。可以根据所述文本标号对所述原始政策文件进行段落拆分,得到多个段落。
S2、利用预先训练好的标准主题预测模型对多个所述段落进行主题预测,得到所述段落对应的主题。
本发明实施例中,所述预先训练好的标准主题预测模型用于对段落进行主题预测,分别将多个所述段落输入至所述标准主题预测模型中,得到所述段落对应的主题。
具体地,所述利用预先训练好的标准主题预测模型对多个所述段落进行主题预测之前,所述方法包括:
利用预获取的训练段落集对预设的主题预测模型进行训练,得到训练好的初始主题预测模型;
对所述初始主题预测模型进行降维处理,得到训练好的标准主题预测模型。
详细地,所述预设的主题预测模型可以为LDA(Latent Dirichlet Allocation)模型。其中,LDA(Latent Dirichlet Allocation)模型是一种文档主题生成模型,也称为一个三层贝叶斯概率模型,包含词、主题和文档三层结构,也是隐性狄利克雷分配模型,是一种生成式无监督机器学习算法。
进一步地,所述利用预获取的训练段落集对预设的主题预测模型进行训练,得到训练好的初始主题预测模型,包括:
对预获取的训练段落集中的训练段落进行词频解析,得到词频矩阵;
基于预设的多个主题对所述词频矩阵进行随机编号处理,得到所述词频矩阵对应的主题编号;
将所述主题编号作为所述主题预测模型的输入值,计算得到所述主题预测模型的吉布斯采样值和狄利克雷参数估计值;
将所述吉布斯采样值和所述狄利克雷参数估计值作为所述主题预测模型的模型参数,得到训练好的初始主题预测模型。
详细地,利用所述训练段落集对所述主题预测模型进行训练,可以得到一个训练好的初始主题预测模型,所述初始主题预测模型能够实现精准的主题预测。
进一步地,所述对所述训练段落集中的训练段落进行词频解析,得到词频矩阵,包括:
对所述训练段落集中的训练段落进行分词处理,得到训练分词集;
筛选所述训练分词集中与预设关键词库中关键词一致的训练分词作为训练关键词,并汇总所述训练关键词得到训练关键词集;
获取所述训练关键词集中每一个关键词对应的关键词标识和关键词词频,并根据所述关键词标识和所述关键词词频构建对应的词频矩阵。
详细地,可以通过基于概率统计分词模型进行分词处理,或者是可以通过jieba分词模型进行分词处理。所述预设关键词库中包含多个主题相关的关键词,例如,在保险主题下对应的关键词有“理赔”、“定损”、“勘察”和“核验”等。将多个所述关键词进行随机排序,并按照随机排序的顺序赋予每个所述关键词对应的ID值,例如,“理赔”对应的词语ID为0且词频为8(“理赔”对应的词语ID为0和词频为8,组成“理赔”对应矩阵元素(0,8))、“定损”对应的词语ID为1且词频为5,“定损”对应的词语ID为2且词频为4、“核验”对应的词语ID为3且词频为3,则该关键词集合对应的词频矩阵为[(0,8)(1,5),(2,4),(3,3)……]。
具体地,所述基于预设的多个主题对所述词频矩阵进行随机编号处理,得到所述词频矩阵对应的主题编号,包括:
对多个所述主题进行编号,得到所述主题对应的编号;
获取与所述预设的多个主题对应的主题参考表,并将与所述主题参考表中主题相同的词频矩阵标注上对应的编号,得到所述词频矩阵对应的主题编号。
详细地,在本方案中,所述预设的多个主题可以限定为6个主题,例如分别是科技项目(主题编号为1)、金融项目(主题编号为2)、创新项目(主题编号为3)、保险项目(主题编号为4)、知识产权项目(主题编号为5)、食品安全项目(主题编号为6),例如对关键词集[“理赔”,“定损”,“勘查”,“核验”,……]对应的主题概率分布结果进行标注时可以是[(1,0.5),(1,0.1),(1,0.1),(1,0.1),(1,0.1),(1,0.1)]。
进一步地,将所述主题编号作为所述主题预测模型的输入值,计算得到所述主题预测模型的吉布斯采样值和狄利克雷参数估计值,采用吉布斯采样算法(Gibbs Sampling)算法对该分布进行采样。由于是观测到的已知单词向量,只有主题向量是隐含的变量,所以需要采样的是分布。将所述吉布斯采样值和所述狄利克雷参数估计值作为所述主题预测模型的模型参数,得到训练好的初始主题预测模型。
本发明实施例中,通过对所述初始主题预测模型进行降维处理,使得标准主题预测模型可以更精准地进行主题预测。
具体地,所述对所述初始主题预测模型进行降维处理,得到训练好的标准主题预测模型,包括:
利用所述初始主题预测模型对所述训练段落集中的多个训练段落进行主题预测,得到所述训练段落对应的段落主题;
分别计算所述多个段落主题中任意两个段落主题之间的相似度,并筛选出所述相似度大于预设的相似阈值的段落主题;
选取所述相似度大于预设的相似阈值的段落主题中预设个数的段落主题作为目标主题,并利用所述目标主题对所述初始主题预测模型进行训练,得到训练好的标准主题预测模型。
详细地,可以通过计算余弦相似度等计算方法计算所述多个段落主题中任意两个段落主题之间的相似度。
在本方案中,预测出的所述段落对应的主题为扶持政策相关的,例如,所述段落对应的主题可以为“关于加快科技金融发展扶持培育科技中小企业的若干措施”或者“对中小型企业扶持的项目”等。
S3、将所述主题相同的段落进行拼接,得到拼接段落,并利用预训练的标题生成模型对所述拼接段落进行标题生成处理,得到拆分好的项目。
本发明实施例中,所述主题相同的段落是指项目主题一致的段落,将相同项目主题的段落进行拼接,得到政策中的各个项目,并对拼接好的段落进行标题生成处理,每个项目添加了对应的项目标题,最后生成拆分好的项目。
具体地,所述利用预训练的标题生成模型对所述拼接段落进行标题生成处理之前,所述方法包括:
获取标注段落原文,将所述标注段落原文输入至所述标题生成模型的编码器中进行编码,得到编码数据;
将所述主题与所述编码器输出的隐藏层进行加权平均,得到注意力向量;
提取所述标注段落原文中的标注标题,将所述标注标题、所述注意力向量及预设的隐藏特征输入至所述标题生成模型中的解码器中进行解码,得到预测项目标题;
判断所述预测项目标题与预设的真实项目标题是否一致,若所述预测项目标题与预设的真实项目标题一致,将所述标题生成模型输出为预训练的标题生成模型。
详细地,所述标题生成模型由TopicFeature和Seq2seq两个部分构成,将标注好标题的段落原文输入到seq2seq模型的编码(encoder)端中进行编码,解码(decoder)端接收标注好的标题以及隐藏特征进行解码,ContextVec是对encoder输出的隐藏层的一个加权平均,通过将LDA主题模型中得到的该段落的主题特征与ContextVec加权平均得到模型的向量并作为输入加入到解码端生成标题的过程中一起训练,得到标题生成模型。
本发明实施例通过对原始政策文件进行段落拆分,得到多个段落,从段落的角度对原始政策文件进行初步的拆分,为后续的项目拆分提供了数据基础,将利用预先训练好的标准主题预测模型对多个段落进行主题预测后得到的段落对应的主题中的主题相同的段落进行拼接,得到拼接段落,拼接相同项目主题的段落得到的拼接段落即为拆分后的项目,并用训练好的项目标题生成模型对所述拼接段落生成项目标题,得到拆分好的项目。因此本发明提出的基于主题预测的项目拆分方法可以实现提高项目拆分的效率。
如图2所示,是本发明一实施例提供的基于主题预测的项目拆分装置的功能模块图。
本发明所述基于主题预测的项目拆分装置100可以安装于电子设备中。根据实现的功能,所述基于主题预测的项目拆分装置100可以包括段落拆分模块101、主题预测模块102及标题生成模块103。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:
所述段落拆分模块101,用于获取原始政策文件,对所述原始政策文件进行段落拆分,得到多个段落;
所述主题预测模块102,用于利用预先训练好的所述标准主题预测模型对多个所述段落进行主题预测,得到所述段落对应的主题;
所述标题生成模块103,用于将所述主题相同的段落进行拼接,得到拼接段落,并利用预训练的标题生成模型对所述拼接段落进行标题生成处理,得到拆分好的项目。
详细地,所述基于主题预测的项目拆分装置100各模块的具体实施方式如下:
步骤一、获取原始政策文件,对所述原始政策文件进行段落拆分,得到多个段落。
本发明实施例中,所述原始政策文件可以为扶持政策项目书或者其他类型的项目文件。可以从政务部门的数据库中下载所述原始政策文件。
具体地,所述对所述原始政策文件进行段落拆分,得到多个段落,包括:
识别所述原始政策文件中的文本标号;
以所述文本标号作为拆分点对所述原始政策文件进行拆分,得到多个段落。
详细地,所述原始政策文件中包含多个段落及多个段落对应的文本标号,其中,所述文本标号包含不同的形式及对应的意义,例如,文本标号“一”为一级标题,文本标号“1”为二级标题,文本标号“(1)”为三级标题。可以根据所述文本标号对所述原始政策文件进行段落拆分,得到多个段落。
步骤二、利用预先训练好的标准主题预测模型对多个所述段落进行主题预测,得到所述段落对应的主题。
本发明实施例中,所述预先训练好的标准主题预测模型用于对段落进行主题预测,分别将多个所述段落输入至所述标准主题预测模型中,得到所述段落对应的主题。
具体地,所述利用预先训练好的标准主题预测模型对多个所述段落进行主题预测之前,所述方法包括:
利用预获取的训练段落集对预设的主题预测模型进行训练,得到训练好的初始主题预测模型;
对所述初始主题预测模型进行降维处理,得到训练好的标准主题预测模型。
详细地,所述预设的主题预测模型可以为LDA(Latent Dirichlet Allocation)模型。其中,LDA(Latent Dirichlet Allocation)模型是一种文档主题生成模型,也称为一个三层贝叶斯概率模型,包含词、主题和文档三层结构,也是隐性狄利克雷分配模型,是一种生成式无监督机器学习算法。
进一步地,所述利用预获取的训练段落集对预设的主题预测模型进行训练,得到训练好的初始主题预测模型,包括:
对预获取的训练段落集中的训练段落进行词频解析,得到词频矩阵;
基于预设的多个主题对所述词频矩阵进行随机编号处理,得到所述词频矩阵对应的主题编号;
将所述主题编号作为所述主题预测模型的输入值,计算得到所述主题预测模型的吉布斯采样值和狄利克雷参数估计值;
将所述吉布斯采样值和所述狄利克雷参数估计值作为所述主题预测模型的模型参数,得到训练好的初始主题预测模型。
详细地,利用所述训练段落集对所述主题预测模型进行训练,可以得到一个训练好的初始主题预测模型,所述初始主题预测模型能够实现精准的主题预测。
进一步地,所述对所述训练段落集中的训练段落进行词频解析,得到词频矩阵,包括:
对所述训练段落集中的训练段落进行分词处理,得到训练分词集;
筛选所述训练分词集中与预设关键词库中关键词一致的训练分词作为训练关键词,并汇总所述训练关键词得到训练关键词集;
获取所述训练关键词集中每一个关键词对应的关键词标识和关键词词频,并根据所述关键词标识和所述关键词词频构建对应的词频矩阵。
详细地,可以通过基于概率统计分词模型进行分词处理,或者是可以通过jieba分词模型进行分词处理。所述预设关键词库中包含多个主题相关的关键词,例如,在保险主题下对应的关键词有“理赔”、“定损”、“勘察”和“核验”等。将多个所述关键词进行随机排序,并按照随机排序的顺序赋予每个所述关键词对应的ID值,例如,“理赔”对应的词语ID为0且词频为8(“理赔”对应的词语ID为0和词频为8,组成“理赔”对应矩阵元素(0,8))、“定损”对应的词语ID为1且词频为5,“定损”对应的词语ID为2且词频为4、“核验”对应的词语ID为3且词频为3,则该关键词集合对应的词频矩阵为[(0,8)(1,5),(2,4),(3,3)……]。
具体地,所述基于预设的多个主题对所述词频矩阵进行随机编号处理,得到所述词频矩阵对应的主题编号,包括:
对多个所述主题进行编号,得到所述主题对应的编号;
获取与所述预设的多个主题对应的主题参考表,并将与所述主题参考表中主题相同的词频矩阵标注上对应的编号,得到所述词频矩阵对应的主题编号。
详细地,在本方案中,所述预设的多个主题可以限定为6个主题,例如分别是科技项目(主题编号为1)、金融项目(主题编号为2)、创新项目(主题编号为3)、保险项目(主题编号为4)、知识产权项目(主题编号为5)、食品安全项目(主题编号为6),例如对关键词集[“理赔”,“定损”,“勘查”,“核验”,……]对应的主题概率分布结果进行标注时可以是[(1,0.5),(1,0.1),(1,0.1),(1,0.1),(1,0.1),(1,0.1)]。
进一步地,将所述主题编号作为所述主题预测模型的输入值,计算得到所述主题预测模型的吉布斯采样值和狄利克雷参数估计值,采用吉布斯采样算法(Gibbs Sampling)算法对该分布进行采样。由于是观测到的已知单词向量,只有主题向量是隐含的变量,所以需要采样的是分布。将所述吉布斯采样值和所述狄利克雷参数估计值作为所述主题预测模型的模型参数,得到训练好的初始主题预测模型。
本发明实施例中,通过对所述初始主题预测模型进行降维处理,使得标准主题预测模型可以更精准地进行主题预测。
具体地,所述对所述初始主题预测模型进行降维处理,得到训练好的标准主题预测模型,包括:
利用所述初始主题预测模型对所述训练段落集中的多个训练段落进行主题预测,得到所述训练段落对应的段落主题;
分别计算所述多个段落主题中任意两个段落主题之间的相似度,并筛选出所述相似度大于预设的相似阈值的段落主题;
选取所述相似度大于预设的相似阈值的段落主题中预设个数的段落主题作为目标主题,并利用所述目标主题对所述初始主题预测模型进行训练,得到训练好的标准主题预测模型。
详细地,可以通过计算余弦相似度等计算方法计算所述多个段落主题中任意两个段落主题之间的相似度。
在本方案中,预测出的所述段落对应的主题为扶持政策相关的,例如,所述段落对应的主题可以为“关于加快科技金融发展扶持培育科技中小企业的若干措施”或者“对中小型企业扶持的项目”等。
步骤三、将所述主题相同的段落进行拼接,得到拼接段落,并利用预训练的标题生成模型对所述拼接段落进行标题生成处理,得到拆分好的项目。
本发明实施例中,所述主题相同的段落是指项目主题一致的段落,将相同项目主题的段落进行拼接,得到政策中的各个项目,并对拼接好的段落进行标题生成处理,每个项目添加了对应的项目标题,最后生成拆分好的项目。
具体地,所述利用预训练的标题生成模型对所述拼接段落进行标题生成处理之前,所述方法包括:
获取标注段落原文,将所述标注段落原文输入至所述标题生成模型的编码器中进行编码,得到编码数据;
将所述主题与所述编码器输出的隐藏层进行加权平均,得到注意力向量;
提取所述标注段落原文中的标注标题,将所述标注标题、所述注意力向量及预设的隐藏特征输入至所述标题生成模型中的解码器中进行解码,得到预测项目标题;
判断所述预测项目标题与预设的真实项目标题是否一致,若所述预测项目标题与预设的真实项目标题一致,将所述标题生成模型输出为预训练的标题生成模型。
详细地,所述标题生成模型由TopicFeature和Seq2seq两个部分构成,将标注好标题的段落原文输入到seq2seq模型的编码(encoder)端中进行编码,解码(decoder)端接收标注好的标题以及隐藏特征进行解码,ContextVec是对encoder输出的隐藏层的一个加权平均,通过将LDA主题模型中得到的该段落的主题特征与ContextVec加权平均得到模型的向量并作为输入加入到解码端生成标题的过程中一起训练,得到标题生成模型。
本发明实施例通过对原始政策文件进行段落拆分,得到多个段落,从段落的角度对原始政策文件进行初步的拆分,为后续的项目拆分提供了数据基础,将利用预先训练好的标准主题预测模型对多个段落进行主题预测后得到的段落对应的主题中的主题相同的段落进行拼接,得到拼接段落,拼接相同项目主题的段落得到的拼接段落即为拆分后的项目,并用训练好的项目标题生成模型对所述拼接段落生成项目标题,得到拆分好的项目。因此本发明提出的基于主题预测的项目拆分装置可以实现提高项目拆分的效率。
如图3所示,是本发明一实施例提供的实现基于主题预测的项目拆分方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,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,如基于主题预测的项目拆分程序。
其中,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(ControlUnit),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(例如执行基于主题预测的项目拆分程序等),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(Secure Digital,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,例如基于主题预测的项目拆分程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线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。
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。
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1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。
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1中的所述存储器11存储的基于主题预测的项目拆分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:
获取原始政策文件,对所述原始政策文件进行段落拆分,得到多个段落;
利用预先训练好的标准主题预测模型对多个所述段落进行主题预测,得到所述段落对应的主题;
将所述主题相同的段落进行拼接,得到拼接段落,并利用预训练的标题生成模型对所述拼接段落进行标题生成处理,得到拆分好的项目。
具体地,所述处理器10对上述指令的具体实现方法可参考附图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1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:
获取原始政策文件,对所述原始政策文件进行段落拆分,得到多个段落;
利用预先训练好的标准主题预测模型对多个所述段落进行主题预测,得到所述段落对应的主题;
将所述主题相同的段落进行拼接,得到拼接段落,并利用预训练的标题生成模型对所述拼接段落进行标题生成处理,得到拆分好的项目。
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。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
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。第一、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)
1.一种基于主题预测的项目拆分方法,其特征在于,所述方法包括:
获取原始政策文件,对所述原始政策文件进行段落拆分,得到多个段落;
利用预先训练好的标准主题预测模型对多个所述段落进行主题预测,得到所述段落对应的主题;
将所述主题相同的段落进行拼接,得到拼接段落,并利用预训练的标题生成模型对所述拼接段落进行标题生成处理,得到拆分好的项目。
2.如权利要求1所述的基于主题预测的项目拆分方法,其特征在于,所述利用预先训练好的标准主题预测模型对多个所述段落进行主题预测之前,所述方法包括:
利用预获取的训练段落集对预设的主题预测模型进行训练,得到训练好的初始主题预测模型;
对所述初始主题预测模型进行降维处理,得到训练好的标准主题预测模型。
3.如权利要求2所述的基于主题预测的项目拆分方法,其特征在于,所述利用预获取的训练段落集对预设的主题预测模型进行训练,得到训练好的初始主题预测模型,包括:
对预获取的训练段落集中的训练段落进行词频解析,得到词频矩阵;
基于预设的多个主题对所述词频矩阵进行随机编号处理,得到所述词频矩阵对应的主题编号;
将所述主题编号作为所述主题预测模型的输入值,计算得到所述主题预测模型的吉布斯采样值和狄利克雷参数估计值;
将所述吉布斯采样值和所述狄利克雷参数估计值作为所述主题预测模型的模型参数,得到训练好的初始主题预测模型。
4.如权利要求3所述的基于主题预测的项目拆分方法,其特征在于,所述对所述训练段落集中的训练段落进行词频解析,得到词频矩阵,包括:
对所述训练段落集中的训练段落进行分词处理,得到训练分词集;
筛选所述训练分词集中与预设关键词库中关键词一致的训练分词作为训练关键词,并汇总所述训练关键词得到训练关键词集;
获取所述训练关键词集中每一个关键词对应的关键词标识和关键词词频,并根据所述关键词标识和所述关键词词频构建对应的词频矩阵。
5.如权利要求3所述的基于主题预测的项目拆分方法,其特征在于,所述基于预设的多个主题对所述词频矩阵进行随机编号处理,得到所述词频矩阵对应的主题编号,包括:
对多个所述主题进行编号,得到所述主题对应的编号;
获取与所述预设的多个主题对应的主题参考表,并将与所述主题参考表中主题相同的词频矩阵标注上对应的编号,得到所述词频矩阵对应的主题编号。
6.如权利要求2所述的基于主题预测的项目拆分方法,其特征在于,所述对所述初始主题预测模型进行降维处理,得到训练好的标准主题预测模型,包括:
利用所述初始主题预测模型对所述训练段落集中的多个训练段落进行主题预测,得到所述训练段落对应的段落主题;
分别计算所述多个段落主题中任意两个段落主题之间的相似度,并筛选出所述相似度大于预设的相似阈值的段落主题;
选取所述相似度大于预设的相似阈值的段落主题中预设个数的段落主题作为目标主题,并利用所述目标主题对所述初始主题预测模型进行训练,得到训练好的标准主题预测模型。
7.如权利要求1所述的基于主题预测的项目拆分方法,其特征在于,所述利用预训练的标题生成模型对所述拼接段落进行标题生成处理之前,所述方法包括:
获取标注段落原文,将所述标注段落原文输入至所述标题生成模型的编码器中进行编码,得到编码数据;
将所述主题与所述编码器输出的隐藏层进行加权平均,得到注意力向量;
提取所述标注段落原文中的标注标题,将所述标注标题、所述注意力向量及预设的隐藏特征输入至所述标题生成模型中的解码器中进行解码,得到预测项目标题;
判断所述预测项目标题与预设的真实项目标题是否一致,若所述预测项目标题与预设的真实项目标题一致,将所述标题生成模型输出为预训练的标题生成模型。
8.一种基于主题预测的项目拆分装置,其特征在于,所述装置包括:
段落拆分模块,用于获取原始政策文件,对所述原始政策文件进行段落拆分,得到多个段落;
主题预测模块,用于利用预先训练好的标准主题预测模型对多个所述段落进行主题预测,得到所述段落对应的主题;
标题生成模块,用于将所述主题相同的段落进行拼接,得到拼接段落,并利用预训练的标题生成模型对所述拼接段落进行标题生成处理,得到拆分好的项目。
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,所述计算机程序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中任意一项所述的基于主题预测的项目拆分方法。
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中任意一项所述的基于主题预测的项目拆分方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111181607.0A CN113887198A (zh) | 2021-10-11 | 2021-10-11 | 基于主题预测的项目拆分方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111181607.0A CN113887198A (zh) | 2021-10-11 | 2021-10-11 | 基于主题预测的项目拆分方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887198A true CN113887198A (zh) | 2022-01-04 |
Family
ID=79006018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111181607.0A Pending CN113887198A (zh) | 2021-10-11 | 2021-10-11 | 基于主题预测的项目拆分方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887198A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114706961A (zh) * | 2022-01-20 | 2022-07-05 | 平安国际智慧城市科技股份有限公司 | 目标文本识别方法、装置及存储介质 |
-
2021
- 2021-10-11 CN CN202111181607.0A patent/CN113887198A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114706961A (zh) * | 2022-01-20 | 2022-07-05 | 平安国际智慧城市科技股份有限公司 | 目标文本识别方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112507936B (zh) | 图像信息审核方法、装置、电子设备及可读存储介质 | |
CN113157927B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN112183091A (zh) | 问答对生成方法、装置、电子设备及可读存储介质 | |
CN113821622B (zh) | 基于人工智能的答案检索方法、装置、电子设备及介质 | |
CN113704614A (zh) | 基于用户画像的页面生成方法、装置、设备及介质 | |
CN113704429A (zh) | 基于半监督学习的意图识别方法、装置、设备及介质 | |
CN112667775A (zh) | 基于关键词提示的检索方法、装置、电子设备及存储介质 | |
CN114416939A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN114969484A (zh) | 业务数据搜索方法、装置、设备及存储介质 | |
CN114880449A (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
CN114547696A (zh) | 文件脱敏方法、装置、电子设备及存储介质 | |
CN114706961A (zh) | 目标文本识别方法、装置及存储介质 | |
CN114138243A (zh) | 基于开发平台的功能调用方法、装置、设备及存储介质 | |
CN113887198A (zh) | 基于主题预测的项目拆分方法、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 | |
CN114722146A (zh) | 基于人工智能的供应链资产校验方法、装置、设备及介质 | |
CN114996386A (zh) | 业务角色识别方法、装置、设备及存储介质 | |
CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
CN113806540A (zh) | 文本打标签方法、装置、电子设备及存储介质 | |
CN114385815A (zh) | 基于业务需求的新闻筛选方法、装置、设备及存储介质 | |
CN113434660A (zh) | 基于多领域分类的产品推荐方法、装置、设备及存储介质 | |
CN112347739A (zh) | 适用规则分析方法、装置、电子设备及存储介质 | |
CN114912440A (zh) | 文本摘要生成方法、装置、电子设备及可读存储介质 | |
CN114881037A (zh) | 命名实体识别方法、装置、电子设备及存储介质 |
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 |