CN113987166A - 基于全媒体内容可信共治的标签生成方法及装置 - Google Patents
基于全媒体内容可信共治的标签生成方法及装置 Download PDFInfo
- Publication number
- CN113987166A CN113987166A CN202111180949.0A CN202111180949A CN113987166A CN 113987166 A CN113987166 A CN 113987166A CN 202111180949 A CN202111180949 A CN 202111180949A CN 113987166 A CN113987166 A CN 113987166A
- Authority
- CN
- China
- Prior art keywords
- industry
- vector
- keyword
- target
- manuscript
- 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
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
- G06F16/30—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
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及自然语言处理技术领域,提供了一种基于全媒体内容可信共治的标签生成方法及装置。该方法包括:扩充行业关键词表;计算每个行业对应的关键词的向量加权平均值,将该向量加权平均值作为对应行业的行业分类向量,得到行业分类向量集合;计算该文本信息的向量加权平均值,将该向量加权平均值作为该目标稿件的稿件向量;分别计算该行业分类向量集合中的每个行业分类向量和该稿件向量的余弦夹角,得到余弦夹角集合;选取目标数量个行业标签,将选取到的目标数量个行业标签作为该目标稿件的标签。利用已有的轻量级标注数据和词向量模型,根据相似词查找扩展标注语料,最后根据预训练模型计算余弦夹角继而对语料完成自动化打标。
Description
技术领域
本公开涉及自然语言处理技术领域,尤其涉及一种基于全媒体内容可信共治的标签生成方法及装置。
背景技术
随着网络技术的快速发展,对于电子文本信息进行有效地组织和管理,并能快速、准确且全面地从中找到相关信息的要求越来越高。文本分类作为处理和组织大量文本数据的关键技术,在较大程度上解决了信息杂乱的问题,方便用户准确地获取所需的信息,是信息过滤、信息检索、搜索引擎及文本数据库等领域的技术基础。
现有技术中模型的训练需要大量标注数据,语料需人工进行标注投入成本较高且耗时长。
本发明针对现有技术中语料需人工进行标注,需要投入成本较高且耗时长的缺陷,目的在于提供一种可以自动进行标注文本的方法,大大地节省了计算资源、时间和成本。
发明内容
有鉴于此,本公开实施例提供了一种基于全媒体内容可信共治的标签生成方法及装置,以解决现有技术中语料需人工进行标注,需要投入成本较高且耗时长的问题。
本公开实施例的第一方面,提供了一种基于全媒体内容可信共治的标签生成方法,包括:
扩充行业关键词表,得到行业关键词集合;
基于预训练模型和行业关键词集合,计算每个行业对应的关键词的向量加权平均值,将每个行业对应的关键词的向量加权平均值作为对应行业的行业分类向量,得到行业分类向量集合;
基于预训练模型和目标稿件对应的文本信息,计算文本信息的向量加权平均值,将文本信息的向量加权平均值作为目标稿件的稿件向量;
分别计算行业分类向量集合中的每个行业分类向量和稿件向量的余弦夹角,得到余弦夹角集合;
基于余弦夹角集合中的余弦夹角选取目标数量个行业标签,将选取到的目标数量个行业标签作为目标稿件的标签。
本公开实施例的第二方面,提供了一种基于全媒体内容可信共治的标签生成装置,包括:
扩充模块,扩充行业关键词表,得到行业关键词集合;
关键词计算模块,被配置为基于预训练模型和行业关键词集合,计算每个行业对应的关键词的向量加权平均值,将每个行业对应的关键词的向量加权平均值作为对应行业的行业分类向量,得到行业分类向量集合;
文本信息计算模块,被配置为基于预训练模型和目标稿件对应的文本信息,计算文本信息的向量加权平均值,将文本信息的向量加权平均值作为目标稿件的稿件向量;
余弦夹角计算模块,被配置为分别计算行业分类向量集合中的每个行业分类向量和稿件向量的余弦夹角;
选取模块,被配置为基于余弦夹角选取目标数量个行业标签,将选取到的目标数量个行业标签作为目标稿件的标签。
本公开实施例的第三方面,提供了一种计算机设备,包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例与现有技术相比存在的有益效果是:通过扩充行业关键词表,得到行业关键词集合;基于预训练模型和行业关键词集合,计算每个行业对应的关键词的向量加权平均值,将每个行业对应的关键词的向量加权平均值作为对应行业的行业分类向量,得到行业分类向量集合;基于预训练模型和目标稿件对应的文本信息,计算文本信息的向量加权平均值,将文本信息的向量加权平均值作为目标稿件的稿件向量;分别计算行业分类向量集合中的每个行业分类向量和稿件向量的余弦夹角,得到余弦夹角集合;基于余弦夹角集合中的余弦夹角选取目标数量个行业标签,将选取到的目标数量个行业标签作为目标稿件的标签。利用已有的轻量级标注数据和词向量模型,根据相似词查找扩展标注语料,最后根据预训练模型计算余弦夹角继而对语料完成自动化打标。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本公开实施例提供的一种基于全媒体内容可信共治的标签生成方法的流程图;
图2是本公开实施例提供的另一种基于全媒体内容可信共治的标签生成方法的流程图;
图3是本公开实施例提供的一种基于全媒体内容可信共治的标签生成装置的框图;
图4是本公开实施例提供的一种计算机设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本公开实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本公开的描述。
在全媒体内容社会众创发展与治理服务模式下,要实现全媒体内容网络传播风控评估;质量智能分析与推荐分发;跨平台信誉互联互通评价;版权可信服务关键技术及核心系统,研发全媒体内容社会众创运营服务平台,建立多方共治、安全可信、开放共赢的全媒体内容社会众创服务生态,实现全媒体内容监管与评价、主体信誉分析与评估、推荐分发与营销、版权保护与交易,倡导主流价值观,凝聚众创力量,推动国家、国民文化有效传播,对于电子文本信息进行有效地组织和管理是必不可少的。
基于可信与共治的全媒体内容社会众创服务平台,服务平台需要集成各课题的核心系统,对基础环境的安全与扩展都比较高的要求采用基于混合云的基础环境构建应用,利用公有云的弹性伸缩能力,和私有云的安全性来为平台提供计算、存储、网络等基础资源的支撑,解决混合云架构下跨云身份管理及认证、授权管理模型、云基础设施交全等安全技术及数据存储和迁移策略等问题。同时平台整体采用微服务架构,通过去中心化、自动化伸缩等特点,来依据业务发展方便进行平行扩容,提高研发效率,规范服务治理。
针对不同的各课题系统本身架构设计存在差异的问题,研究使用服务网关来进行对接集成,实现统一接入、协议适配、流量管理与容错、以及安全防护等,这其中服务网关首先要实现的是统一接入,然后将请求的协议转换成内部的接口协议,在调用的过程中还要有限流、降级、熔断等方式来保护网关的整体稳定,同时网关还要做到基本的安全防护(防刷控制),以及黑白名单(比如IP白名单)等基本安全措施,来确保子系统集成的安全和稳定。
研发全媒体内容作品智能营销系统,实现内容作品交易、创作素材提供、辅助创作工具及智能营销等系统服务,为对全媒体内容作品需求方、创作方进行高效准确的匹配和智能营销。
多方共治的全媒体内容社会众创服务标准与合作组织,围绕全媒体内容众创行业的最新发展动向进行研究,关注和分析行业发展中在安全质量、信誉、版权、发展等各方面遇到的年度性热点难点问题,并对相关问题进行提炼,形成行业性共识制定和发布《全媒体内容众创行业协同共治公约》,通过行业公约的方式,加速行业规则的建立与完善并在公约的基础上推动全媒体内容众创服务相关标准的制定。
通过意见征集、研讨、研究等方式,在行业协同共治公约的基础上研制全媒体众创领域多方共治的相关标准,并面向行业进行宣讲推广、报告发布,促进各方交流合作建立不同平台间的开放合作机制构建全媒体内容众创领域多方共治合作组织。
依托人民网、科技日报、新浪、一品威客等企业和机构,基于全媒体内容社会众创服务平台,通过开放共赢的合作模式,面向智能硬件、终端应用、网站等多种应用场景以及党政机关、媒体、企事业单位、社会创作力量等多类用户,在相关产品和平台上开展应用示范。同时进行积极拓展,推动第三方合作资源接入、应用示范的建立,通过示范促合作,通过合作建示范,逐步形成多方共治、安全可信、开放共赢的全媒体内容业会众创服务生态,实现驱动社会众创力量创作精品,助力国家净网、强网,助力平台内容传播提质,助力产业行助力全民共享内容红利,共同推动媒体融合纵深发展。
基于大数据和关的通信、存储、处理等技术研究高并发性的缓存和数据读写分离、基于位置和推荐的实时消息推送、大规模数据的存储和处理技术等关键技术研发全媒体内容作品智能营销系统,实现内容作品交易、创作素材提供、辅助创作工具及智能营销等系统服务,对全媒体内容作品需求方、创作方进行高效准确的匹配和智能营销。
基于全媒体内容社会众创发展与治理服务模式,集成网络传播风控评估、质量智能分析与推荐分发、跨平台信誉互联互通评价、版权可信服务关键技术及核心系统,研发社会众创运营服务平台,为社会众创群体提供全媒体内容质量智能分析与评价以及编发智能监管、内容作品跨平台多渠道智能推荐分发、基于数字货币的版权定价与交易、全媒体内容版权各案与侵权监测、基于大数据的全媒体内容作品智能营销等服务,创新全媒体内容社会众创发展模式与共治共赢生态。
在应用示范中,由人民网牵头,带领科技日报、一品成客、中国版权协会等行业最具代表性的机构组成示范团队,结合多个典型领域,拟定实施方案,进行落地与推广,在实践中不断探索创新平台的服务运行机制,进一步推广扩大服务平台受众规模及影响力。
下面将结合附图详细说明根据本公开实施例的一种基于全媒体内容可信共治的标签生成方法和装置。
图1是本公开实施例提供的一种基于全媒体内容可信共治的标签生成方法的流程图。图1的基于全媒体内容可信共治的标签生成方法可以由服务器执行。如图1所示,该基于全媒体内容可信共治的标签生成方法包括:
S101,扩充行业关键词表,得到行业关键词集合;
S102,基于预训练模型和行业关键词集合,计算每个行业对应的关键词的向量加权平均值,将每个行业对应的关键词的向量加权平均值作为对应行业的行业分类向量,得到行业分类向量集合;
S103,基于预训练模型和目标稿件对应的文本信息,计算文本信息的向量加权平均值,将文本信息的向量加权平均值作为目标稿件的稿件向量;
S104,分别计算行业分类向量集合中的每个行业分类向量和稿件向量的余弦夹角,得到余弦夹角集合;
S105,基于余弦夹角集合中的余弦夹角选取目标数量个行业标签,将选取到的目标数量个行业标签作为目标稿件的标签。
扩充行业关键词表,得到行业关键词集合;基于预训练模型和行业关键词集合,计算每个行业对应的关键词的向量加权平均值,将每个行业对应的关键词的向量加权平均值作为对应行业的行业分类向量,得到行业分类向量集合;基于预训练模型和目标稿件对应的文本信息,计算文本信息的向量加权平均值,将文本信息的向量加权平均值作为目标稿件的稿件向量;分别计算行业分类向量集合中的每个行业分类向量和稿件向量的余弦夹角,得到余弦夹角集合;基于余弦夹角集合中的余弦夹角选取目标数量个行业标签,将选取到的目标数量个行业标签作为目标稿件的标签。
具体地,扩充行业关键词表的方法不限于使用行业语料训练word2vec模型得到所有词的向量,再通过KNN、kmeans等算法聚类得到少部分行业关键词的同义词,进而扩充关键词表。
预训练模型可以是神经网络模型,行业关键词集合可以是已经存在的,也可以是通过以下方法构建的:获取相关领域的文档,构建CEC语料库;作为示例,选择中文突发事件领域的新闻文本作为研究内容,通过人工的方式在网站挑选上述领域的新闻文本,其中地震63篇、火灾75篇、交通事故85篇、食物中毒61篇、恐怖袭击49篇,总共333篇文章;去除相关HTML文本中的标记,只保留标题和正文内容,并且用XML格式进行描述。通过上海大学语义智能实验室开发的事件本体语料标注工具EventAnnotator对领域文档进行半自动标注;通过与相关领域专家进行合作,对半自动标注的文档进行手工调整,最终形成有较高权威性和专业性的标注文档;将标注好的文档汇总形成CEC语料库。
当某未知量的各次观测的观测精度不同时,这些观测值的加权平均值最接近于它们的真值。因此,此时的加权平均值就是观测值的最或是值(或最可靠值)。由于测量问题的复杂性,有时需要对一组观测向量取加权平均值。
目标稿件可以是全媒体内容作品,对应的文本信息可以是全媒体内容作品的标题和正文的第一段。
余弦夹角即余弦相似度,又称为余弦相似性,是通过计算两个向量的夹角余弦值来评估他们的相似度。可以通过使用欧几里得点积公式求出行业分类向量和稿件向量的余弦夹角。
目标数量可以是预先设定的,例如,可以是3个。行业标签可以是行业的名称。服务器可以取余弦夹角最大的三个行业标签作为目标稿件的标签。
根据本公开实施例提供的技术方案,通过基于预训练模型和行业关键词集合,计算每个行业对应的关键词的向量加权平均值,将每个行业对应的关键词的向量加权平均值作为对应行业的行业分类向量,得到行业分类向量集合;基于预训练模型和目标稿件对应的文本信息,计算文本信息的向量加权平均值,将文本信息的向量加权平均值作为目标稿件的稿件向量;分别计算行业分类向量集合中的每个行业分类向量和稿件向量的余弦夹角,得到余弦夹角集合;基于余弦夹角集合中的余弦夹角选取目标数量个行业标签,将选取到的目标数量个行业标签作为目标稿件的标签。利用已有的轻量级标注数据和词向量模型,根据相似词查找扩展标注语料,最后根据预训练模型计算余弦夹角继而对语料完成自动化打标。
在一些实施例中,获取行业关键词集合,其中,行业关键词集合包括至少一个行业,每个行业对应至少一个关键词。
具体地,行业关键词集合可以是服务器通过有线或无线的方式获取到的。
在一些实施例中,基于科技行业分类体系整理行业关键词表;利用KNN模型找到行业关键词表中每个词对应的同义词;将找到的同义词添加到行业关键词表中,得到新的行业关键词表,将新的行业关键词表作为行业关键词集合。
具体地,行业分类就是有规则的按照一定的科学依据,对从事国民经济生产和经营的单位或者个体的组织结构体系的详细划分,如林业,汽车业,银行业等。行业分类标准有六个,这六个分类标准又可划分为管理型和投资型两种类型。例如,行业分类标准包括:合国国际标准产业分类(ISIC)、北美行业分类系统(NAICS)、国家统计局的行业分类标准和中国证监会的《指引》均属于典型的管理型分类;全球行业分类系统(GICS)、富时分类系统(FTSE)则属于投资型分类。上证180指数在编制时即采用了投资型的GICS作为行业分类标准。KNN模型(K-Nearest Neighbor)。
在一些实施例中,基于科技行业语料训练word2vec模型,得到科技语料关键词向量集合;利用hanlp分词词性对科技语料关键词向量集合进行筛选,得到目标关键词向量组;利用KNN模型和目标关键词向量组,确定科技行业语料的同义词,得到同义词组;将同义词组和科技行业语料合并得到新的行业关键词表,将新的行业关键词表作为行业关键词集合。
具体地,科技行业语料就是HanLP里面的二个核心词典。假设收集了人民日报若干篇文档,通过人工手工分词,统计人工分词后的词频:①统计分词后的每个词出现的频率,得到一元核心词典;②统计两个词两两相邻出现的频率,得到二元核心词典。根据贝叶斯公式:
P(A|B)=P(A,B)P(B)=count(A,B)count(B),
其中,count(A,B)表示词A和词B在语料库中共同出现的频率;count(B)表示词B在语料库中出现的频率。有了这两个频率,就可以计算在给定词B的条件下,下一个词是A的概率。
Word2vec,是一群用来产生词向量的相关模型。这些模型为浅而双层的神经网络,用来训练以重新建构语言学之词文本。网络以词表现,并且需猜测相邻位置的输入词,在word2vec中词袋模型假设下,词的顺序是不重要的。训练完成之后,word2vec模型可用来映射每个词到一个向量,可用来表示词对词之间的关系,该向量为神经网络之隐藏层。
根据hanlp分词词性,筛选出名词、名词短语。服务器可以通过有线或无线的方式获取到hanlp词性表。
在一些实施例中,目标稿件对应的文本信息包括:目标稿件的标题和目标稿件的正文第一段。
在一些实施例中,预训练模型是基于行业语料调整后的BERT模型。
具体地,BERT模型主要利用了Transformer的Encoder结构,采用的是最原始的Transformer采用了Transformer的Encoder结构,但是模型结构比Transformer要深。Transformer Encoder包含6个Encoder block,BERT-base模型包含12个Encoder block,BERT-large包含24个Encoder block。
训练主要分为两个阶段:预训练阶段和Fine-tuning阶段。
预训练任务1:BERT的第一个预训练任务是Masked LM,在句子中随机遮盖一部分单词,然后同时利用上下文的信息预测遮盖的单词,这样可以更好地根据全文理解单词的意思。
预训练任务2:BERT的第二个预训练任务是Next Sentence Prediction(NSP),下一句预测任务,这个任务主要是让模型能够更好地理解句子间的关系。
在一些实施例中,预训练模型是通过以下步骤训练得到的:选取目标BERT模型和行业内语料;获取目标BERT模型的微调脚本;将获取到的行业内语料导入目标BERT模型,运行微调脚本,得到调整后的BERT模型,将调整后的BERT模型作为预训练模型。微调脚本是目标BERT模型本身存在的,目标BERT模型可以是人工选取的;例如,当行业语料是中文语料时,可以选取一个通过中文语料训练成的BERT模型。
在一些实施例的一些可选的实现方式中,预训练模型通过如下步骤训练得到:获取训练样本集合,其中,训练样本集合中的训练样本包括样本行业对应的至少一个样本关键词和与至少一个样本关键词对应的样本向量加权平均值;将训练样本集合中的训练样本的至少一个样本关键词作为输入,将与输入的至少一个样本关键词对应的样本向量加权平均值作为期望输出,训练得到预训练模型。作为示例,预训练模型可以是基于训练样本集合执行以下训练步骤得到的。基于训练样本集合执行以下训练步骤:将训练样本集合中的至少一个训练样本的样本行业对应的至少一个样本关键词分别输入至初始机器学习模型,得到上述至少一个训练样本中的每个样本人体图片所对应的人体位置;将上述至少一个第二训练样本中的每个样本关键词对应的向量加权平均值与对应的样本向量加权平均值进行比较;根据比较结果确定上述初始机器学习模型的预测准确率;确定上述预测准确率是否大于预设准确率阈值;响应于确定上述准确率大于上述预设准确率阈值,则将上述初始机器学习模型作为训练完成的预训练模型;响应于确定上述准确率不大于上述预设准确率阈值,调整上述初始机器学习模型的参数,以及使用未使用过的训练样本组成训练样本集合,使用调整后的初始机器学习模型作为初始机器学习模型,再次执行上述训练步骤。
可以理解的是,经过上述训练之后,预训练模型可以用于表征至少一个关键词与向量加权平均值之间的对应关系。上述提及的预训练模型可以是卷积神经网络模型。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
图2是本公开实施例提供的另一种基于全媒体内容可信共治的标签生成方法的流程图。图2的基于全媒体内容可信共治的标签生成方法可以由服务器执行。如图2所示,该基于全媒体内容可信共治的标签生成方法包括:
S201,获取行业关键词集合,其中,行业关键词集合包括至少一个行业,每个行业对应至少一个关键词;
S202,基于预训练模型和行业关键词集合,计算每个行业对应的关键词的向量加权平均值,将每个行业对应的关键词的向量加权平均值作为对应行业的行业分类向量,得到行业分类向量集合;
S203,基于预训练模型和目标稿件对应的文本信息,计算文本信息的向量加权平均值,将文本信息的向量加权平均值作为目标稿件的稿件向量;
S204,分别计算行业分类向量集合中的每个行业分类向量和稿件向量的余弦夹角,得到余弦夹角集合;
S205,基于余弦夹角集合中的余弦夹角选取目标数量个行业标签,将选取到的目标数量个行业标签作为目标稿件的标签。
获取行业关键词集合,其中,行业关键词集合包括至少一个行业,每个行业对应至少一个关键词;基于预训练模型和行业关键词集合,计算每个行业对应的关键词的向量加权平均值,将每个行业对应的关键词的向量加权平均值作为对应行业的行业分类向量,得到行业分类向量集合;基于预训练模型和目标稿件对应的文本信息,计算文本信息的向量加权平均值,将文本信息的向量加权平均值作为目标稿件的稿件向量;分别计算行业分类向量集合中的每个行业分类向量和稿件向量的余弦夹角,得到余弦夹角集合;基于余弦夹角集合中的余弦夹角选取目标数量个行业标签,将选取到的目标数量个行业标签作为目标稿件的标签。
根据本公开实施例提供的技术方案,通过获取行业关键词集合,其中,行业关键词集合包括至少一个行业,每个行业对应至少一个关键词;基于预训练模型和行业关键词集合,计算每个行业对应的关键词的向量加权平均值,将每个行业对应的关键词的向量加权平均值作为对应行业的行业分类向量,得到行业分类向量集合;基于预训练模型和目标稿件对应的文本信息,计算文本信息的向量加权平均值,将文本信息的向量加权平均值作为目标稿件的稿件向量;分别计算行业分类向量集合中的每个行业分类向量和稿件向量的余弦夹角,得到余弦夹角集合;基于余弦夹角集合中的余弦夹角选取目标数量个行业标签,将选取到的目标数量个行业标签作为目标稿件的标签。利用已有的轻量级标注数据和词向量模型,根据相似词查找扩展标注语料,最后根据预训练模型计算余弦夹角继而对语料完成自动化打标。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图3是本公开实施例提供的一种基于全媒体内容可信共治的标签生成装置的示意图。如图3所示,该基于全媒体内容可信共治的标签生成装置包括:
扩充模块301,扩充行业关键词表,得到行业关键词集合;
关键词计算模块302,被配置为基于预训练模型和行业关键词集合,计算每个行业对应的关键词的向量加权平均值,将每个行业对应的关键词的向量加权平均值作为对应行业的行业分类向量,得到行业分类向量集合;
文本信息计算模块303,被配置为基于预训练模型和目标稿件对应的文本信息,计算文本信息的向量加权平均值,将文本信息的向量加权平均值作为目标稿件的稿件向量;
余弦夹角计算模块304,被配置为分别计算行业分类向量集合中的每个行业分类向量和稿件向量的余弦夹角;
选取模块305,被配置为基于余弦夹角选取目标数量个行业标签,将选取到的目标数量个行业标签作为目标稿件的标签。
根据本公开实施例提供的技术方案,通过扩充行业关键词表,得到行业关键词集合;基于预训练模型和行业关键词集合,计算每个行业对应的关键词的向量加权平均值,将每个行业对应的关键词的向量加权平均值作为对应行业的行业分类向量,得到行业分类向量集合;基于预训练模型和目标稿件对应的文本信息,计算文本信息的向量加权平均值,将文本信息的向量加权平均值作为目标稿件的稿件向量;分别计算行业分类向量集合中的每个行业分类向量和稿件向量的余弦夹角,得到余弦夹角集合;基于余弦夹角集合中的余弦夹角选取目标数量个行业标签,将选取到的目标数量个行业标签作为目标稿件的标签。利用已有的轻量级标注数据和词向量模型,根据相似词查找扩展标注语料,最后根据预训练模型计算余弦夹角继而对语料完成自动化打标。
在一些实施例中,该基于全媒体内容可信共治的标签生成装置还包括:获取模块306,被配置成获取行业关键词集合,其中,行业关键词集合包括至少一个行业,每个行业对应至少一个关键词。
在一些实施例中,该基于全媒体内容可信共治的标签生成装置中的获取模块306被进一步配置成:基于科技行业分类体系整理行业关键词表;利用KNN模型找到行业关键词表中每个词对应的同义词;将找到的同义词添加到行业关键词表中,得到新的行业关键词表,将新的行业关键词表作为行业关键词集合。
在一些实施例中,该基于全媒体内容可信共治的标签生成装置中的获取模块306被进一步配置成:基于科技行业语料训练word2vec模型,得到科技语料关键词向量集合;利用hanlp分词词性对科技语料关键词向量集合进行筛选,得到目标关键词向量组;利用KNN模型和目标关键词向量组,确定科技行业语料的同义词,得到同义词组;将同义词组和科技行业语料合并得到新的行业关键词表,将新的行业关键词表作为行业关键词集合。
在一些实施例中,目标稿件对应的文本信息包括:目标稿件的标题和目标稿件的正文第一段。
在一些实施例中,预训练模型是基于行业语料调整后的BERT模型。
在一些实施例中,预训练模型是通过以下步骤训练得到的:选取目标BERT模型和行业内语料;获取目标BERT模型的微调脚本;将获取到的行业内语料导入目标BERT模型,运行微调脚本,得到调整后的BERT模型,将调整后的BERT模型作为预训练模型。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
图4是本公开实施例提供的计算机设备4的示意图。如图4所示,该实施例的计算机设备4包括:处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者,处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
示例性地,计算机程序403可以被分割成一个或多个模块/单元,一个或多个模块/单元被存储在存储器402中,并由处理器401执行,以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序403在计算机设备4中的执行过程。
计算机设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解,图4仅仅是计算机设备4的示例,并不构成对计算机设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如,计算机设备还可以包括输入输出设备、网络接入设备、总线等。
处理器401可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器402可以是计算机设备4的内部存储单元,例如,计算机设备4的硬盘或内存。存储器402也可以是计算机设备4的外部存储设备,例如,计算机设备4上配备的插接式硬盘,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,存储器402还可以既包括计算机设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
在本公开所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,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,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本公开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。
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。基于这样的理解,本公开实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于全媒体内容可信共治的标签生成方法,其特征在于,包括:
扩充行业关键词表,得到行业关键词集合;
基于预训练模型和所述行业关键词集合,计算每个行业对应的关键词的向量加权平均值,将所述每个行业对应的关键词的向量加权平均值作为对应行业的行业分类向量,得到行业分类向量集合;
基于所述预训练模型和目标稿件对应的文本信息,计算所述文本信息的向量加权平均值,将所述文本信息的向量加权平均值作为所述目标稿件的稿件向量;
分别计算所述行业分类向量集合中的每个行业分类向量和所述稿件向量的余弦夹角,得到余弦夹角集合;
基于所述余弦夹角集合中的余弦夹角选取目标数量个行业标签,将选取到的目标数量个行业标签作为所述目标稿件的标签。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取行业关键词集合,其中,所述行业关键词集合包括至少一个行业,每个行业对应至少一个关键词。
3.根据权利要求2所述的方法,其特征在于,所述获取行业关键词集合,包括:
基于科技行业分类体系整理行业关键词表;
利用KNN模型找到所述行业关键词表中每个词对应的同义词;
将所述找到的同义词添加到所述行业关键词表中,得到新的行业关键词表,将所述新的行业关键词表作为所述行业关键词集合。
4.根据权利要求1所述的方法,其特征在于,所述获取行业关键词集合,包括:
基于科技行业语料训练word2vec模型,得到科技语料关键词向量集合;
利用hanlp分词词性对所述科技语料关键词向量集合进行筛选,得到目标关键词向量组;
利用KNN模型和所述目标关键词向量组,确定所述科技行业语料的同义词,得到同义词组;
将所述同义词组和所述科技行业语料合并得到新的行业关键词表,将所述新的行业关键词表作为所述行业关键词集合。
5.根据权利要求1所述的方法,其特征在于,所述目标稿件对应的文本信息包括:所述目标稿件的标题和所述目标稿件的正文第一段。
6.根据权利要求1所述的方法,其特征在于,所述预训练模型包括基于行业语料调整后的BERT模型。
7.根据权利要求6所述的方法,其特征在于,所述预训练模型通过以下步骤训练得到:
选取目标BERT模型和行业内语料;
获取所述目标BERT模型的微调脚本;
将获取到的行业内语料导入所述目标BERT模型,运行所述微调脚本,得到调整后的BERT模型,将所述调整后的BERT模型作为所述预训练模型。
8.一种基于全媒体内容可信共治的标签生成装置,其特征在于,包括:
扩充模块,扩充行业关键词表,得到行业关键词集合;
关键词计算模块,被配置为基于预训练模型和所述行业关键词集合,计算每个行业对应的关键词的向量加权平均值,将所述每个行业对应的关键词的向量加权平均值作为对应行业的行业分类向量,得到行业分类向量集合;
文本信息计算模块,被配置为基于所述预训练模型和目标稿件对应的文本信息,计算所述文本信息的向量加权平均值,将所述文本信息的向量加权平均值作为所述目标稿件的稿件向量;
余弦夹角计算模块,被配置为分别计算所述行业分类向量集合中的每个行业分类向量和所述稿件向量的余弦夹角;
选取模块,被配置为基于所述余弦夹角选取目标数量个行业标签,将选取到的目标数量个行业标签作为所述目标稿件的标签。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述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中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111180949.0A CN113987166A (zh) | 2021-10-11 | 2021-10-11 | 基于全媒体内容可信共治的标签生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111180949.0A CN113987166A (zh) | 2021-10-11 | 2021-10-11 | 基于全媒体内容可信共治的标签生成方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113987166A true CN113987166A (zh) | 2022-01-28 |
Family
ID=79738038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111180949.0A Pending CN113987166A (zh) | 2021-10-11 | 2021-10-11 | 基于全媒体内容可信共治的标签生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113987166A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777283A (zh) * | 2016-12-29 | 2017-05-31 | 北京奇虎科技有限公司 | 一种同义词的挖掘方法及装置 |
CN110188357A (zh) * | 2019-05-31 | 2019-08-30 | 阿里巴巴集团控股有限公司 | 对象的行业识别方法及装置 |
CN113392209A (zh) * | 2020-10-26 | 2021-09-14 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的文本聚类方法、相关设备及存储介质 |
-
2021
- 2021-10-11 CN CN202111180949.0A patent/CN113987166A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777283A (zh) * | 2016-12-29 | 2017-05-31 | 北京奇虎科技有限公司 | 一种同义词的挖掘方法及装置 |
CN110188357A (zh) * | 2019-05-31 | 2019-08-30 | 阿里巴巴集团控股有限公司 | 对象的行业识别方法及装置 |
CN113392209A (zh) * | 2020-10-26 | 2021-09-14 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的文本聚类方法、相关设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
陈光名师工作室: "《高中信息技术创新教学》", 31 January 2015, pages: 0009 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9373086B1 (en) | Crowdsource reasoning process to facilitate question answering | |
CN106960030B (zh) | 基于人工智能的推送信息方法及装置 | |
US10824816B2 (en) | Semantic parsing method and apparatus | |
CN110377900A (zh) | 网络内容发布的审核方法、装置、计算机设备及存储介质 | |
CN111831802B (zh) | 一种基于lda主题模型的城市领域知识检测系统及方法 | |
US9965726B1 (en) | Adding to a knowledge base using an ontological analysis of unstructured text | |
CA2774278C (en) | Methods and systems for extracting keyphrases from natural text for search engine indexing | |
CN108334489B (zh) | 文本核心词识别方法和装置 | |
CN112883193A (zh) | 一种文本分类模型的训练方法、装置、设备以及可读介质 | |
CN109992653A (zh) | 信息处理方法和处理系统 | |
US10552461B2 (en) | System and method for scoring the geographic relevance of answers in a deep question answering system based on geographic context of a candidate answer | |
US10902342B2 (en) | System and method for scoring the geographic relevance of answers in a deep question answering system based on geographic context of an input question | |
WO2023040493A1 (zh) | 事件检测 | |
Devika et al. | A semantic graph-based keyword extraction model using ranking method on big social data | |
CN115114419A (zh) | 问答处理方法、装置、电子设备和计算机可读介质 | |
CN117131281B (zh) | 舆情事件处理方法、装置、电子设备和计算机可读介质 | |
CN111930949B (zh) | 搜索串处理方法、装置、计算机可读介质及电子设备 | |
CN116402166B (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
Yajian et al. | A short text classification algorithm based on semantic extension | |
Schneider et al. | Dimensions of argumentation in social media | |
Xiao et al. | A practice of tourism knowledge graph construction based on heterogeneous information | |
Voronov et al. | Forecasting popularity of news article by title analyzing with BN-LSTM network | |
WO2022227196A1 (zh) | 一种数据分析方法、装置、计算机设备及存储介质 | |
CN113434789B (zh) | 基于多维度文本特征的搜索排序方法及相关设备 | |
CN115563281A (zh) | 基于文本数据增强的文本分类方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220128 |