CN114020878B - 特征文本匹配方法及装置、电子设备和存储介质 - Google Patents

特征文本匹配方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114020878B
CN114020878B CN202111432817.2A CN202111432817A CN114020878B CN 114020878 B CN114020878 B CN 114020878B CN 202111432817 A CN202111432817 A CN 202111432817A CN 114020878 B CN114020878 B CN 114020878B
Authority
CN
China
Prior art keywords
text
file
matching
feature
history
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.)
Active
Application number
CN202111432817.2A
Other languages
English (en)
Other versions
CN114020878A (zh
Inventor
张敏
卢瑞麟
马为之
刘奕群
马少平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202111432817.2A priority Critical patent/CN114020878B/zh
Publication of CN114020878A publication Critical patent/CN114020878A/zh
Application granted granted Critical
Publication of CN114020878B publication Critical patent/CN114020878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/16—File or folder operations, e.g. details of user interfaces specifically adapted to file systems
    • 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
    • G06F16/353—Clustering; Classification into predefined classes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种特征文本匹配方法及装置、电子设备和存储介质，所述方法包括：据输入文件的类别信息，确定所述输入文件所属的目标文件集；通过特征文本分类模型，确定输入文件的特征文本；通过特征文本匹配模型，确定输入文件的特征文本与历史文件的特征文本之间的匹配得分；根据匹配得分，确定与所述输入文件匹配的目标特征文本。根据本公开的实施例的特征文本匹配方法，可提取输入文件的特征文本，并与目标文件集中的多个历史文件的特征文本进行匹配处理，可有效地提取输入文件多个方面的特征，以对多种特征进行更加全方面的匹配，且匹配可精确定位到文本层面，而不仅限于找到匹配的文件，从而提升检索效率和匹配准确性。

Description

特征文本匹配方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种特征文本匹配方法及装置、电子设备和存储介质。
背景技术
文本匹配是自然语言处理的基础研究方向之一。本质上，文本匹配归结成给定两个文本，判定两个文本之间的关系，转化为分类问题或者排序等问题，这项技术现在被广泛用于搜索引擎和信息检索系统当中。例如，在案件检索的过程中，在用户提交一个案件文本的特征查询请求后，系统可返回一个所涉及的系列案相关文件的集合，以及每个案件中与输入特征相对应或匹配的句子。在相关技术中，检索系统通常会根据输入的关键字进行模式匹配，即使运用了基于语义的相关技术，也可能因为涉案文件(例如判决书等)中描述的特征混杂，原告、被告两方对特征描述各执一词等因素造成匹配误差。
发明内容
本公开提出了一种特征文本匹配方法及装置、电子设备和存储介质。
根据本公开的一方面，提供了一种特征文本匹配方法，包括：根据输入文件的类别信息，在文件数据库的多个文件集中，确定所述输入文件所属的目标文件集，其中，每个文件集中包括相关联的历史文件；通过预训练的特征文本分类模型，确定所述输入文件的特征文本；通过预训练的特征文本匹配模型，确定所述输入文件的特征文本与所述目标文件集中各历史文件的特征文本之间的匹配得分；根据所述匹配得分，在所述目标文件集中各历史文件的特征文本中，确定与所述输入文件匹配的目标特征文本。
在一种可能的实现方式中，所述类别信息包括所述历史文件记载的相关方、所述历史文件记载的文档名称、所述历史文件记载的文档编号中的至少一项，所述方法还包括：生成所述文件数据库中多个历史文件对应的初始文件集，其中，所述初始文件集包括对应的一个历史文件；根据第一初始文件集和其他初始文件集中的历史文件记载的类别信息，分别确定所述第一初始文件集和其他初始文件集中的历史文件的相关性分数，所述第一初始文件集为任意一个初始文件集；将其他初始文件集中，所述相关性分数大于或等于第一阈值的初始文件集合并至第一初始文件集，获得合并后的第一文件集；将未合并的初始文件集中的任意一个作为新的第一初始文件集，重复确定所述第一初始文件集和其他初始文件集中的历史文件的相关性分数的步骤，和获得合并后的第一文件集的步骤，直至不存在未合并的初始文件集；根据多个合并后的第一文件集，获得所述多个文件集。
在一种可能的实现方式中，所述方法还包括：根据样本文件中的多个样本文本，获得与各样本文本对应的文本窗口，其中，所述文本窗口包括对应的样本文本，以及样本文本的上句样本文本和/或下句样本文本；通过自然语言处理模型，获得所述文本窗口的第一文本特征信息；通过特征文本分类模型，对所述第一文本特征信息进行处理，获得所述文本窗口的分类结果，其中，所述分类结果包括所述文本窗口对应的样本文本是否为特征文本；根据所述分类结果，以及所述文本窗口的标注信息，确定所述特征文本分类模型的分类损失函数；根据所述分类损失函数，训练所述特征文本分类模型。
在一种可能的实现方式中，所述样本文本具有标注信息，所述文本窗口与对应的样本文本的标注信息一致，所述标注信息用于表示所述样本文本否为特征文本。
在一种可能的实现方式中，所述方法还包括：通过预训练的特征文本分类模型，确定所述文件数据库中多个历史文件的特征文本。
在一种可能的实现方式中，所述方法还包括：获取同一文件集中至少两个历史文件的特征文本；确定所述至少两个历史文件的特征文本的匹配度标注；通过自然语言处理模型，获得所述至少两个历史文件的所述特征文本的第二文本特征信息；通过特征文本匹配模型，确定特征文本之间的样本匹配得分；根据所述样本匹配得分和所述特征文本的匹配度标注，确定匹配损失函数；根据所述匹配损失函数，训练所述特征文本匹配模型。
在一种可能的实现方式中，所述匹配得分包括所述输入文件的多个特征文本与所述目标文件集中各历史文件的多个特征文本之间的匹配得分矩阵。
根据本公开的一方面，提供了一种特征文本匹配装置，包括：归类模块，用于根据输入文件的类别信息，在文件数据库的多个文件集中，确定所述输入文件所属的目标文件集，其中，每个文件集中包括相关联的历史文件；特征文本确定模块，用于通过预训练的特征文本分类模型，确定所述输入文件的特征文本；匹配得分确定模块，用于通过预训练的特征文本匹配模型，确定所述输入文件的特征文本与所述目标文件集中各历史文件的特征文本之间的匹配得分；目标确定模块，用于根据所述匹配得分，在所述目标文件集中各历史文件的特征文本中，确定与所述输入文件匹配的目标特征文本。
在一种可能的实现方式中，所述类别信息包括所述历史文件记载的相关方、所述历史文件记载的文档名称、所述历史文件记载的文档编号中的至少一项，所述装置还包括：分类模块，用于生成所述文件数据库中多个历史文件对应的初始文件集，其中，所述初始文件集包括对应的一个历史文件；根据第一初始文件集和其他初始文件集中的历史文件记载的类别信息，分别确定所述第一初始文件集和其他初始文件集中的历史文件的相关性分数，所述第一初始文件集为任意一个初始文件集；将其他初始文件集中，所述相关性分数大于或等于第一阈值的初始文件集合并至第一初始文件集，获得合并后的第一文件集；将未合并的初始文件集中的任意一个作为新的第一初始文件集，重复确定所述第一初始文件集和其他初始文件集中的历史文件的相关性分数的步骤，和获得合并后的第一文件集的步骤，直至不存在未合并的初始文件集；根据多个合并后的第一文件集，获得所述多个文件集。
在一种可能的实现方式中，所述装置还包括：第一训练模块，用于根据样本文件中的多个样本文本，获得与各样本文本对应的文本窗口，其中，所述文本窗口包括对应的样本文本，以及样本文本的上句样本文本和/或下句样本文本；通过自然语言处理模型，获得所述文本窗口的第一文本特征信息；通过特征文本分类模型，对所述第一文本特征信息进行处理，获得所述文本窗口的分类结果，其中，所述分类结果包括所述文本窗口对应的样本文本是否为特征文本；根据所述分类结果，以及所述文本窗口的标注信息，确定所述特征文本分类模型的分类损失函数；根据所述分类损失函数，训练所述特征文本分类模型。
在一种可能的实现方式中，所述样本文本具有标注信息，所述文本窗口与对应的样本文本的标注信息一致，所述标注信息用于表示所述样本文本否为特征文本。
在一种可能的实现方式中，所述装置还包括：历史特征获取模块，用于通过预训练的特征文本分类模型，确定所述文件数据库中多个历史文件的特征文本。
在一种可能的实现方式中，所述装置还包括：第二训练模块，用于获取同一文件集中至少两个历史文件的特征文本；确定所述至少两个历史文件的特征文本的匹配度标注；通过自然语言处理模型，获得所述至少两个历史文件的所述特征文本的第二文本特征信息；通过特征文本匹配模型，确定特征文本之间的样本匹配得分；根据所述样本匹配得分和所述特征文本的匹配度标注，确定匹配损失函数；根据所述匹配损失函数，训练所述特征文本匹配模型。
在一种可能的实现方式中，所述匹配得分包括所述输入文件的多个特征文本与所述目标文件集中各历史文件的多个特征文本之间的匹配得分矩阵。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的实施例的特征文本匹配方法，通过将输入文件进行归集，确定其所属的文件集，可确定与输入文件相关联的一系列文件，使得匹配处理的范围缩小，无需漫无目的地在整个数据库中进行匹配，提升匹配处理的效率和准确性。并且，可提取输入文件的特征文本，并与输入文件所属的文件集中的多个历史文件的特征文本进行匹配处理，可有效地提取输入文件多个方面的特征，以对多种特征进行更加全方面的匹配，且匹配可精确定位到文本层面，而不仅限于找到匹配的文件，从而提升检索效率和匹配准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的特征文本匹配方法的流程图；
图2示出根据本公开实施例的特征文本匹配方法的应用示意图；
图3示出根据本公开实施例的特征文本匹配装置的框图；
图4示出根据本公开实施例的一种电子设备的框图；
图5示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的特征文本匹配方法的流程图，如图1所示，所述方法包括：
在步骤S11中，根据输入文件的类别信息，在文件数据库的多个文件集中，确定所述输入文件所属的目标文件集，其中，每个文件集中包括相关联的历史文件；
在步骤S12中，通过预训练的特征文本分类模型，确定所述输入文件的特征文本；
在步骤S13中，通过预训练的特征文本匹配模型，确定所述输入文件的特征文本与所述目标文件集中各历史文件的特征文本之间的匹配得分；
在步骤S14中，根据所述匹配得分，在所述目标文件集中各历史文件的特征文本中，确定与所述输入文件匹配的目标特征文本。
根据本公开的实施例的特征文本匹配方法，通过将输入文件进行归集，确定其所属的文件集，可确定与输入文件相关联的一系列文件，使得匹配处理的范围缩小，无需漫无目的地在整个数据库中进行匹配，提升匹配处理的效率和准确性。并且，可提取输入文件的特征文本，并与输入文件所属的文件集中的多个历史文件的特征文本进行匹配处理，可有效地提取输入文件多个方面的特征，以对多种特征进行更加全方面的匹配，且匹配可精确定位到文本层面，而不仅限于找到匹配的文件，从而提升检索效率和匹配准确性。
在一种可能的实现方式中，特征文本，包括在文件中记载的、对文件内容的特征进行描述的文本。例如，在文件的检索和对比的过程中，特别是对于法律文件的检索和对比过程中，常需要对文件中所涉及的事项进行描述，因此，上述文件中可记载有对事项的特征进行描述的文本(即特征文本)。在示例中，上述法律文件可包括知识产权相关的法律文件，例如，与专利、商标、著作权相关的法律文件。对知识产权相关数据及侵权案件的定量分析与研究，有助于进一步完善知识产权保护机制，规避和应对知识产权侵权案件。例如，在专利或关于专利侵权的法律文件中，常涉及对专利中所记载的产品或技术进行特征描述的文本(例如，描述产品性质、形状、颜色、尺寸、数量、部位、用途等特征的句子、词语、短语等文本)。
在一种可能的实现方式中，“串案”即一系列相关联的案件。在知识产权相关的法律案件中，“串案”为关于相同相关方(例如，原告方或被告方)对于相同或部分相同的知识产权客体(例如，专利、商标、著作权等)的一系列诉求的案件。举例来说，如果原告认识到某一专利被侵权，那么该侵权产品通常已经具有一定规模的产量和较高的流通性，因此，对于这种产品，通常可产生多起诉讼，因此会产生一系列关于相同相关方针对相同专利的诉讼案件。这一系列案件之间具有较多的共通性。经过调研，超过70％的知识产权裁判文书，其涉及专利的上诉次数不少于4次。因此，在其他相关的诉讼中，或对于相似产品的生产过程中，对上述案件的所涉及为文件中记载的特征进行检索与匹配具有重要作用。例如，有助于在诉讼过程中进行特征的对比，提升对于所涉及的技术或产品是否存在侵权的可能性进行判断准确率，或者，有助于在研发和生产过程中对已存在的知识产权客体进行规避，减少侵权的可能性。
在一种可能的实现方式中，对于以上需求，可针对输入文件，在文件数据库中进行检索与匹配。在示例中，输入文件可包括知识产权相关的文件(例如，某产品或技术的专利文件)、诉讼过程中的法律文件(例如，知识产权类案件的裁判文书)、或者研发或生产过程中对于相关技术的技术文件，本公开对输入文件的类型不做限制。文件数据库可包括知识产权相关文件的数据库，例如，知识产权类案件的裁判文书、专利文件等，还可包括其他文件，例如，技术类文件(如使用说明书、技术文档等)、学术类文件(如论文、书籍等)本公开对文件数据库所包括的文件的类型不做限制。
在一种可能的实现方式中，可对文件数据库中的多个文件进行分类，得到多个文件集，每个文件集中的文件均为相关联的历史文件。例如，对于包括多个知识产权类案件的裁判文书的文件数据库，可将多个裁判文书进行分类，获得多个文件集，每个文件集中包括的文件为相关联的一系列案件的裁判文书，例如，这些裁判文书的相关方(例如，原告方或被告方)相同，和/或，裁判文书中涉及的知识产权客体(例如，专利、商标、著作权)相同或部分相同。例如，每个文件集可包括上文所述的一组“串案”。
在一种可能的实现方式中，在对文件数据库中的多个文件进行分类的过程中，可通过各文件的类别信息进行分类。所述类别信息包括所述历史文件记载的相关方、所述历史文件记载的文档名称、所述历史文件记载的文档编号中的至少一项。在示例中，文件数据库中包括多个知识产权类案件的裁判文书，这些裁判文书的类别信息可包括知识产权类案件的相关方(例如，原告方或被告方)，裁判文书记载的知识产权类文档的名称(例如，所涉及的专利的名称)，以及裁判文书记载的知识产权类文档的编号(例如，所涉及的专利的申请号等)。可基于上述类别信息中的至少一项来进行分类。
在一种可能的实现方式中，所述方法还包括：生成所述文件数据库中多个历史文件对应的初始文件集，其中，所述初始文件集包括对应的一个历史文件；根据第一初始文件集和其他初始文件集中的历史文件记载的类别信息，分别确定所述第一初始文件集和其他初始文件集中的历史文件的相关性分数，所述第一初始文件集为任意一个初始文件集；将其他初始文件集中，所述相关性分数大于或等于第一阈值的初始文件集合并至第一初始文件集，获得合并后的第一文件集；将未合并的初始文件集中的任意一个作为新的第一初始文件集，重复确定所述第一初始文件集和其他初始文件集中的历史文件的相关性分数的步骤，和获得合并后的第一文件集的步骤，直至不存在未合并的初始文件集；根据多个合并后的第一文件集，获得所述多个文件集。
在一种可能的实现方式中，文件数据库中可包括多个历史文件，针对每个历史文件，可生成一个初始文件集，即，仅包括一个历史文件的文件集。例如，对于第i(i为正整数)个历史文件，生成的初始文件集为belong(i)。文件数据库中包括N(N为正整数，且N≥i)个历史文件，则可生成N个初始文件集belong(1)～belong(N)。在示例中，文件数据库中包括N个知识产权类案件的裁判文书，则可针对每个裁判文书，生成一个仅包括其自身的初始文件集。
在一种可能的实现方式中，对于第一初始文件集(任意一个初始文件集)，可分别确定第一初始文件集和其他初始文件集中的历史文件的相关性分数。相关性分数可根据各历史文件的类别信息来确定。例如，可使用两个文件集中包括的历史文件记载的相关方、文档名称、和文档编号中的至少一项来确定二者的相关性分数。
在示例中，相关方、文档名称、文档编号等类别信息可通过字符串匹配等方法从各历史文件记载的文本中获取，本公开对类别信息的获取方式不做限制。
在示例中，对于知识产权类案件的裁判文书，其记载的相关方可包括原告方和/或被告方的名称，文档名称可包括所涉及的专利的名称，文档编号可包括专利的申请号。
在一种可能的实现方式中，在确定两个文件集中的历史文件的相关性分数时，可通过以下公式(1)来确定：
其中，belong(x)为第一初始文件集，belong(y)为另一个初始文件集，Score(belong(x),belong(y))为belong(x)和belong(y)中历史文件的相关性分数，Pbelong(x)和Pbelong(y)分别为历史文件(例如，裁判文书)x和历史文件y中记载的相关方(例如，原告方和/或被告方)的名称，Cbelong(x)和Cbelong(y)分别为历史文件x和历史文件y中记载的文档编号(例如，专利的申请号)，Nbelong(x)和Nbelong(y)分别为历史文件x和历史文件y中记载的文档名称(例如，专利的名称)。f,g,h,I分别为不同打分函数。
在一种可能的实现方式中，f(Pbelong(x),Pbelong(y))可通过以下公式(2)确定：
f(Pbelong(x),Pbelong(y))＝max{cosine(v(Pbelong(x)),v(Pbelong(y)))} (2)
其中，v(Pbelong(x))为历史文件x记载的相关方的名称对应的词向量，v(Pbelong(y))为历史文件y记载的相关方的名称对应的词向量，词向量可通过word2vec等自然语言处理模型来获取，本公开对获取词向量的方式不做限制，可分别获取历史文件x和历史文件y中记载的相关方的名称对应的多个词向量，并确定并分别确定历史文件x中记载的相关方的名称对应各个词向量与历史文件y中记载的相关方的名称对应各个词向量之间的余弦相似度，并获取多个余弦相似度的最大值，作为针对历史文件记载的相关方的相关性分数。
在一种可能的实现方式中，g(Cbelong(x),Cbelong(y))可通过以下公式(3)确定：
g(Cbelong(x),Cbelong(y))＝max{match(v(Cbelong(x)),v(Cbelong(y)))} (3)
其中，match函数为归一化的字符串含通配符匹配率，可获取历史文件x记载的多个文档编号，以及历史文件y记载的多个文档编号，可分别确定历史文件x记载的各个文档编号与历史文件y记载的各多个文档编号之间的匹配率，并获取多个匹配率的最大值，作为针对历史文件记载的文档编号的相关性分数。
在一种可能的实现方式中，h(Nbelong(x),Nbelong(y))可通过以下公式(4)确定：
h(Nbelong(x),Nbelong(y))＝max{cosine(v(Nbelong(x)),v(Nbelong(y)))} (4)
其中，可分别获取历史文件x和历史文件y中记载的文档名称的对应的多个词向量，并确定并分别确定历史文件x中记载的文档名称对应各个词向量与历史文件y中记载的文档名称对应各个词向量之间的余弦相似度(cosine)，并获取多个余弦相似度的最大值，作为针对历史文件记载的文档名称的相关性分数。
在一种可能的实现方式中，在确定belong(x)和belong(y)中的历史文件的相关性分数时，可将上述针对历史文件记载的相关方的相关性分数、针对历史文件记载的文档编号的相关性分数和针对历史文件记载的文档名称的相关性分数进行加权平均处理，以获得两个初始文件集中历史文件的相关性分数，在示例中，可使上述三种分数的权值相同，并通过以下公式(5)确定两个初始文件集中历史文件的相关性分数：
本公开对三种分数的权值不做限制，对获取三种分数的打分函数同样不做限制，且不限制分数的数量，以及求取各个分数所基于的类别信息。例如，打分函数还可以是其他函数，例如，求解向量之间的欧式距离的函数等。
在一种可能的实现方式中，可利用上述方式，分别确定第一初始文件集与其他各初始文件集中的历史文件的相关性分数，并将相关性分数大于或等于第一阈值的初始文件集合并至第一初始文件集，获得合并后的第一文件集。例如，belong(x)表示第一初始文件集，belong(y)为其他任一初始文件集，如果Score(belong(x),belong(y))大于或等于第一阈值，则将belong(y)合并至belong(x)。在遍历其他所有初始文件集后，可将其他所有初始文件集中，与第一初始文件集中的历史文件的相关性分数大于或等于第一阈值的初始文件集均与第一初始文件集合并，获得合并后的第一文件集，第一文件集中可包括多个历史文件，且这些历史文件之间存在较高的关联性。在示例中，第一阈值可设置为0.8，本公开对第一阈值的具体数值不做限制。
在一种可能的实现方式中，在获得上述第一文件集后，可继续对未合并至第一文件集中的其他初始文件集再次执行上述处理。即，将任一未合并的初始文件集作为新的第一文件集，并确定新的第一文件集中历史文件和其他未合并的初始文件集中历史文件的相关性分数，进而将相关性分数大于或等于第一阈值的初始文件集进行合并，再次获得一个合并后的第一文件集……可多次重复上述处理，直到文件数据库中的所有历史文件均被分类，即可获得分类后的多个文件集，每个文件集中可包括一个或更多个历史文件，同一文件集中的历史文件之间存在关联性。例如，历史文件为知识产权类案件的裁判文书，则同一文件集中的裁判文书对应的案件为同一系列的案件。
通过这种方式，可将文件数据库中的多个历史文件进行分类，且分类过程中考虑了多种类别信息，可应对某一中类别特征模糊的现象，提高了分类的准确性和鲁棒性，为输入文件的分类处理提供分类基础。
在一种可能的实现方式中，在步骤S11中，可获取输入文件的类别信息，例如，可通过与获取历史文件的类别信息相同的方式(例如，字符串匹配等方式)，获取输入文件的类别信息，并基于类别信息，确定输入文件所述的目标文件集。
在示例中，可通过上述方式，分别确定各文件集中的各个历史文件与输入文件之间的相关性分数，并将文件集中多个历史文件与输入文件之间的相关性分数的最高分数或平均分数等参数作为输入文件与各文件集之间的相关性分数，进而可确定输入文件属于相关性分数最高的文件集，即，相关性分数最高的文件集即为目标文件集。
在另一示例中，可在各文件集中选择出一个或部分历史文件(例如，随机选择出一个或部分历史文件，或者选择出合并形成文件集时的第一个初始文件集中的历史文件)，并确定一个或部分历史文件与输入文件之间的相关性分数，作为输入文件与各文件集之间的相关性分数，进而可确定输入文件属于相关性分数最高的文件集，即，相关性分数最高的文件集即为目标文件集。
通过这种方式，可确定输入文件所属的目标文件集，进而有针对性地进行匹配处理，提升匹配的精确度和效率。
在一种可能的实现方式中，在确定输入文件所属的目标文件集后，可将输入文件的特征文本与目标文件集中的历史文件的特征文本进行匹配。首先可获取输入文件的和目标文件集中的历史文件的特征文本。在步骤S12中，可通过预训练的特征文本分类模型，来确定输入文本和历史文本中的每句文本的分类(即，被分类为特征文本还是非特征文本)，进而可选择其中的特征文本进行匹配。
在一种可能的实现方式中，特征文本分类模型可以是深度学习神经网络模型，可用于识别每句文本的语义，并将其进行分类，例如，在知识产权类案件的裁判文书中，该模型可基于一句文本的语义特征，确定该句文本是否为表示专利记载的技术或产品的某种特征(例如，性质、形状、颜色、尺寸、数量、部位、用途等)的文本，如果是，则将该句文本分类为特征文本，否则，可将该句文本分类为非特征文本。在进行匹配时，可针对特征文本进行匹配，提升匹配的准确性。
在一种可能的实现方式中，特征文本分类模型可首先进行训练，提升模型的精度和性能，再用于步骤S12的处理中。其训练步骤如下：根据样本文件中的多个样本文本，获得与各样本文本对应的文本窗口，其中，所述文本窗口包括对应的样本文本，以及样本文本的上句样本文本和/或下句样本文本；通过自然语言处理模型，获得所述文本窗口的第一文本特征信息；通过特征文本分类模型，对所述第一文本特征信息进行处理，获得所述文本窗口的分类结果，其中，所述分类结果包括所述文本窗口对应的样本文本是否为特征文本；根据所述分类结果，以及所述文本窗口的标注信息，确定所述特征文本分类模型的分类损失函数；根据所述分类损失函数，训练所述特征文本分类模型。
在一种可能的实现方式中，样本文件可以是部分历史文件，例如，可对文件数据库中的多个历史文件进行抽样，得到样本文件。样本文件也可以是其他文件，例如，样本文件可以是其他专利文件、技术文件、学术文件等，本公开对样本文件的来源不做限制。
在一种可能的实现方式中，可将样本文件中的各句样本文本进行划分(例如，通过标点符号来划分)，并基于划分后的样本文本，获得多个包括样本文本的文本窗口。文本窗口包括对应的样本文本，以及样本文本的上句样本文本和/或下句样本文本。可设置文本窗口的长度LEN，即，文本窗口可包括LEN字，如果文本窗口中包括的字数不足LEN字，可用空格或其他特殊符号补齐。在示例中，文本窗口可包括对应的样本文本以及该句样本文本的上句样本文本，LEN可设置为500字，如果对应的样本文本和上句样本文本不足500字，则可用空格补齐500字，使得文本窗口的长度为500。本公开对文本窗口的长度的具体数值不做限制。
在一种可能的实现方式中，可对样本文件中每句样本文本进行标注，即，标注其类别是否属于描述某种特征的文本。并且，所述样本文本具有标注信息，所述文本窗口与对应的样本文本的标注信息一致，所述标注信息用于表示所述样本文本否为特征文本。
在一种可能的实现方式中，在标注完成后，可通过标注后的文本窗口对特征文本分类模型进行训练，使用文本窗口(即，包含样本文本及其上句和/或下句文本)进行训练，可使模型获得其较完整的语义特征，使得训练结果更加准确。
在一种可能的实现方式中，可通过自然语言处理模型，获得文本窗口的第一文本特征信息，第一文本特征信息可以是向量形式的特征信息，例如，语义向量等信息，本公开对第一文本特征信息的形式不做限制。自然语言处理模型可以是已训练的深度学习神经网络模型，可用于提取文本的语义特征信息，本公开对自然语言处理模型的类型不做限制。
在一种可能的实现方式中，可将提取的第一文本特征信息输入特征文本分类模型进行处理，可输出分类结果，进而可利用该分类结果与文本窗口的标注信息之间的误差确定分类损失函数，进而通过分类损失函数来调整特征文本分类模型的参数，以进行模型训练，使得分类损失函数值缩小。在进行多次训练后，分类损失函数值难以继续缩小，例如，小于某阈值或收敛于某区间，或者，训练次数达到某个次数阈值，则可完成训练，得到训练后的特征文本分类模型。可利用一部分样本文件来测试训练后的特征文本分类模型，如果测试结果符合要求，则可将其用于步骤S12的处理中，否则，还可继续进行训练。
在一种可能的实现方式中，除了确定出输入文件的特征文本外，所述方法还包括：通过预训练的特征文本分类模型，确定所述文件数据库中多个历史文件的特征文本。即，还可预先确定文件数据库中的历史文件的特征文本，以便于与输入文件的特征文本进行匹配处理。
通过这种方式，可通过训练后的特征文本分类模型在文件的多个文本中确定出特征文本，可精简文件，提升匹配精确度和效率。
在一种可能的实现方式中，在获得输入文件的特征文本和历史文件的特征文本后，可在步骤S13中，对输入文件的特征文本与输入文件所属的目标文件集中的历史文件的特征文本进行匹配。在示例中，可通过预训练的特征文本匹配模型来分别确定输入文件的各个特征文本与目标文件集中的历史文件的各个特征文本之间的匹配得分。进而可在步骤S14中，在目标文件集中历史文件中，找到与输入文件匹配的目标特征文本。例如，在知识产权类案件的裁判文书中，找到与输入的文件匹配的描述技术或产品的特征句子或短语等文本，以便于使用者阅读和对比。
在一种可能的实现方式中，特征文本匹配模型可以是深度学习神经网络模型，本公开对模型的类型不做限制。类似地，特征文本匹配模型也可先经过训练，提升模型精度和性能，再用于步骤S13的处理中。训练步骤如下：获取同一文件集中至少两个历史文件的特征文本；确定所述至少两个历史文件的特征文本的匹配度标注；通过自然语言处理模型，获得所述至少两个历史文件的所述特征文本的第二文本特征信息；通过特征文本匹配模型，确定特征文本之间的样本匹配得分；根据所述样本匹配得分和所述特征文本的匹配度标注，确定匹配损失函数；根据所述匹配损失函数，训练所述特征文本匹配模型。
在一种可能的实现方式中，由于特征文本匹配模型用于确定两个特征文本是否匹配，因此，可使用文件数据库中同一文件集中的至少两个历史文件作为样本文件。并将两个历史文件中描述同类特征的文本作为匹配的文本进行标注，即，获得至少两个历史文件的特征文本的匹配度标注。在示例中，可通过二部图的方式获得匹配度标注。例如，历史文件A和历史文件B属于同一个文件集，历史文件A中描述产品颜色的特征文本，与历史文件B中描述产品颜色的特征文本的匹配度标注可较高(例如，可标注为正例)，历史文件A中描述产品颜色的特征文本，与历史文件B中描述产品形状的特征文本的匹配度标注可较低(例如，可标注为负例)。
在一种可能的实现方式中，可通过上述自然语言处理模型，获得所述至少两个历史文件的所述特征文本的第二文本特征信息，第二文本特征信息与以上第一文本特征信息类似，可以是语义信息等特征信息。
进一步地，可通过特征文本匹配模型，对至少两个历史文件中的特征文本进行处理，获得不同历史文件中的特征文本之间的样本匹配得分，进而可利用样本匹配得分与匹配度标注之间的差异确定匹配损失函数。从而通过匹配损失函数来调整特征文本匹配模型的参数，以进行模型训练，使得匹配损失函数值缩小。在进行多次训练后，匹配损失函数值难以继续缩小，例如，小于某阈值或收敛于某区间，或者，训练次数达到某个次数阈值，则可完成训练，得到训练后的特征文本匹配模型。还可利用一部分历史文件来测试训练后的特征文本匹配模型，如果测试结果符合要求，则可将其用于步骤S13的处理中，否则，还可继续进行训练。
在一种可能的实现方式中，在步骤S13中，利用上述训练方式训练后的特征文本匹配模型可确定输入文件的多个特征文本，与目标文件集中各历史文件的多个特征文本之间的匹配得分，在示例中，所述匹配得分包括所述输入文件的多个特征文本与所述目标文件集中各历史文件的多个特征文本之间的匹配得分矩阵。例如，匹配得分矩阵第j行第k列的数值为输入文件的第j个特征文本与目标文件集中各历史文件的第k个特征文本之间的匹配得分。本公开对匹配得分的形式不做限制。
在一种可能的实现方式中，在步骤S14中，可将上述匹配得分矩阵中的数值进行排序，从而确定最高的n(n为正整数)个数值，即，最高的n个匹配得分。并将于这些匹配得分对应的历史文件的特征文本作为目标特征文本，即，历史文件中，与输入文件匹配度最高的n句文本，这些文本可便于使用者进行阅读和了解历史文本记载的特征中，与输入文本中记载的特征相关联的特征，可供使用者进行对比，为后续的诉讼、研发、生产等过程提供重要参考。
根据本公开的实施例的特征文本匹配方法，可将文件数据库中的多个历史文件进行分类，且分类过程中考虑了多种类别信息，可应对某一中类别特征模糊的现象，提高了分类的准确性和鲁棒性。并将输入文件进行归集，确定其所属的文件集，可确定与输入文件相关联的一系列文件，使得匹配处理的范围缩小，无需漫无目的地在整个数据库中进行匹配，提升匹配处理的效率和准确性。并且，可提取输入文件的特征文本，并与输入文件所属的文件集中的多个历史文件的特征文本进行匹配处理，可有效地提取输入文件多个方面的特征，以对多种特征进行更加全方面的匹配，可精简文件，且匹配可精确定位到文本层面，而不仅限于找到匹配的文件，从而提升检索效率和匹配准确性。
图2示出根据本公开实施例的特征文本匹配方法的应用示意图，如图2所示，输入文件为知识产权类案件的裁判文书，通过字符串匹配方法可确定其类别信息，例如，记载的相关方(原告方和被告方)，记载的专利名称，记载的专利申请号等。并分别与文件数据库中多个文件集的相关性分数，以确定输入文件所属的目标文件集。
在一种可能的实现方式中，可基于其中的标点符号将输入文件划分为多个文本，并通过特征文本分类模型，确定各文本是否为特征文本。进而利用特征文本匹配模型确定输入文件的特征文本与目标文件集中各历史文件的特征文本之间的匹配得分。
在示例中，该匹配得分为匹配得分矩阵，矩阵中的元素为特征文本之间的匹配得分，例如，匹配得分矩阵第j行第k列的数值为输入文件的第j个特征文本与目标文件集中各历史文件的第k个特征文本之间的匹配得分。
在一种可能的实现方式中，可从匹配得分矩阵中确定出匹配度最高的若干分数，这些分数对应的历史文件中的特征文本即为与输入文件匹配的目标特征文本，即，与输入文件中记载的技术的特征相关的文本。
图3示出根据本公开实施例的特征文本匹配装置的框图，如图3所示，所示装置包括：归类模块11，用于根据输入文件的类别信息，在文件数据库的多个文件集中，确定所述输入文件所属的目标文件集，其中，每个文件集中包括相关联的历史文件；特征文本确定模块12，用于通过预训练的特征文本分类模型，确定所述输入文件的特征文本；匹配得分确定模块13，用于通过预训练的特征文本匹配模型，确定所述输入文件的特征文本与所述目标文件集中各历史文件的特征文本之间的匹配得分；目标确定模块14，用于根据所述匹配得分，在所述目标文件集中各历史文件的特征文本中，确定与所述输入文件匹配的目标特征文本。
在一种可能的实现方式中，所述类别信息包括所述历史文件记载的相关方、所述历史文件记载的文档名称、所述历史文件记载的文档编号中的至少一项，所述装置还包括：分类模块，用于生成所述文件数据库中多个历史文件对应的初始文件集，其中，所述初始文件集包括对应的一个历史文件；根据第一初始文件集和其他初始文件集中的历史文件记载的类别信息，分别确定所述第一初始文件集和其他初始文件集中的历史文件的相关性分数，所述第一初始文件集为任意一个初始文件集；将其他初始文件集中，所述相关性分数大于或等于第一阈值的初始文件集合并至第一初始文件集，获得合并后的第一文件集；将未合并的初始文件集中的任意一个作为新的第一初始文件集，重复确定所述第一初始文件集和其他初始文件集中的历史文件的相关性分数的步骤，和获得合并后的第一文件集的步骤，直至不存在未合并的初始文件集；根据多个合并后的第一文件集，获得所述多个文件集。
在一种可能的实现方式中，所述装置还包括：第一训练模块，用于根据将样本文件中的多个样本文本，获得与各样本文本对应的文本窗口，其中，所述文本窗口包括对应的样本文本，以及样本文本的上句样本文本和/或下句样本文本；通过自然语言处理模型，获得所述文本窗口的第一文本特征信息；通过特征文本分类模型，对所述第一文本特征信息进行处理，获得所述文本窗口的分类结果，其中，所述分类结果包括所述文本窗口对应的样本文本是否为特征文本；根据所述分类结果，以及所述文本窗口的标注信息，确定所述特征文本分类模型的分类损失函数；根据所述分类损失函数，训练所述特征文本分类模型。
在一种可能的实现方式中，所述样本文本具有标注信息，所述文本窗口与对应的样本文本的标注信息一致，所述标注信息用于表示所述样本文本否为特征文本。
在一种可能的实现方式中，所述装置还包括：历史特征获取模块，用于通过预训练的特征文本分类模型，确定所述文件数据库中多个历史文件的特征文本。
在一种可能的实现方式中，所述装置还包括：第二训练模块，用于获取同一文件集中至少两个历史文件的特征文本；确定所述至少两个历史文件的特征文本的匹配度标注；通过自然语言处理模型，获得所述至少两个历史文件的所述特征文本的第二文本特征信息；通过特征文本匹配模型，确定特征文本之间的样本匹配得分；根据所述样本匹配得分和所述特征文本的匹配度标注，确定匹配损失函数；根据所述匹配损失函数，训练所述特征文本匹配模型。
在一种可能的实现方式中，所述匹配得分包括所述输入文件的多个特征文本与所述目标文件集中各历史文件的多个特征文本之间的匹配得分矩阵。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了特征文本匹配装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种特征文本匹配方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的特征文本匹配方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的特征文本匹配方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图4，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边缘，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (7)

1.一种特征文本匹配方法，其特征在于，包括：
根据输入文件的类别信息，在文件数据库的多个文件集中，确定所述输入文件所属的目标文件集，其中，每个文件集中包括相关联的历史文件；
通过预训练的特征文本分类模型，确定所述输入文件的特征文本；
通过预训练的特征文本匹配模型，确定所述输入文件的特征文本与所述目标文件集中各历史文件的特征文本之间的匹配得分；
根据所述匹配得分，在所述目标文件集中各历史文件的特征文本中，确定与所述输入文件匹配的目标特征文本，
所述类别信息包括所述历史文件记载的相关方、所述历史文件记载的文档名称、所述历史文件记载的文档编号中的至少一项，
所述方法还包括：
生成所述文件数据库中多个历史文件对应的初始文件集，其中，所述初始文件集包括对应的一个历史文件；
根据第一初始文件集和其他初始文件集中的历史文件记载的类别信息，分别确定所述第一初始文件集和其他初始文件集中的历史文件的相关性分数，所述第一初始文件集为任意一个初始文件集；
将其他初始文件集中，所述相关性分数大于或等于第一阈值的初始文件集合并至第一初始文件集，获得合并后的第一文件集；
将未合并的初始文件集中的任意一个作为新的第一初始文件集，重复确定所述第一初始文件集和其他初始文件集中的历史文件的相关性分数的步骤，和获得合并后的第一文件集的步骤，直至不存在未合并的初始文件集；
根据多个合并后的第一文件集，获得所述多个文件集，
所述方法还包括：
根据样本文件中的多个样本文本，获得与各样本文本对应的文本窗口，其中，所述文本窗口包括对应的样本文本，以及样本文本的上句样本文本和/或下句样本文本；
通过自然语言处理模型，获得所述文本窗口的第一文本特征信息；
通过特征文本分类模型，对所述第一文本特征信息进行处理，获得所述文本窗口的分类结果，其中，所述分类结果包括所述文本窗口对应的样本文本是否为特征文本；
根据所述分类结果，以及所述文本窗口的标注信息，确定所述特征文本分类模型的分类损失函数；
根据所述分类损失函数，训练所述特征文本分类模型，
所述方法还包括：
获取同一文件集中至少两个历史文件的特征文本；
确定所述至少两个历史文件的特征文本的匹配度标注；
通过自然语言处理模型，获得所述至少两个历史文件的所述特征文本的第二文本特征信息；
通过特征文本匹配模型，确定特征文本之间的样本匹配得分；
根据所述样本匹配得分和所述特征文本的匹配度标注，确定匹配损失函数；
根据所述匹配损失函数，训练所述特征文本匹配模型。
2.根据权利要求1所述的方法，其特征在于，所述样本文本具有标注信息，所述文本窗口与对应的样本文本的标注信息一致，所述标注信息用于表示所述样本文本否为特征文本。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
通过预训练的特征文本分类模型，确定所述文件数据库中多个历史文件的特征文本。
4.根据权利要求1所述的方法，其特征在于，所述匹配得分包括所述输入文件的多个特征文本与所述目标文件集中各历史文件的多个特征文本之间的匹配得分矩阵。
5.一种特征文本匹配装置，其特征在于，包括：
归类模块，用于根据输入文件的类别信息，在文件数据库的多个文件集中，确定所述输入文件所属的目标文件集，其中，每个文件集中包括相关联的历史文件；
特征文本确定模块，用于通过预训练的特征文本分类模型，确定所述输入文件的特征文本；
匹配得分确定模块，用于通过预训练的特征文本匹配模型，确定所述输入文件的特征文本与所述目标文件集中各历史文件的特征文本之间的匹配得分；
目标确定模块，用于根据所述匹配得分，在所述目标文件集中各历史文件的特征文本中，确定与所述输入文件匹配的目标特征文本，
所述类别信息包括所述历史文件记载的相关方、所述历史文件记载的文档名称、所述历史文件记载的文档编号中的至少一项，
所述装置还包括：分类模块，用于生成所述文件数据库中多个历史文件对应的初始文件集，其中，所述初始文件集包括对应的一个历史文件；根据第一初始文件集和其他初始文件集中的历史文件记载的类别信息，分别确定所述第一初始文件集和其他初始文件集中的历史文件的相关性分数，所述第一初始文件集为任意一个初始文件集；将其他初始文件集中，所述相关性分数大于或等于第一阈值的初始文件集合并至第一初始文件集，获得合并后的第一文件集；将未合并的初始文件集中的任意一个作为新的第一初始文件集，重复确定所述第一初始文件集和其他初始文件集中的历史文件的相关性分数的步骤，和获得合并后的第一文件集的步骤，直至不存在未合并的初始文件集；根据多个合并后的第一文件集，获得所述多个文件集；
所述装置还包括：第一训练模块，用于根据样本文件中的多个样本文本，获得与各样本文本对应的文本窗口，其中，所述文本窗口包括对应的样本文本，以及样本文本的上句样本文本和/或下句样本文本；通过自然语言处理模型，获得所述文本窗口的第一文本特征信息；通过特征文本分类模型，对所述第一文本特征信息进行处理，获得所述文本窗口的分类结果，其中，所述分类结果包括所述文本窗口对应的样本文本是否为特征文本；根据所述分类结果，以及所述文本窗口的标注信息，确定所述特征文本分类模型的分类损失函数；根据所述分类损失函数，训练所述特征文本分类模型；
所述装置还包括：第二训练模块，用于获取同一文件集中至少两个历史文件的特征文本；确定所述至少两个历史文件的特征文本的匹配度标注；通过自然语言处理模型，获得所述至少两个历史文件的所述特征文本的第二文本特征信息；通过特征文本匹配模型，确定特征文本之间的样本匹配得分；根据所述样本匹配得分和所述特征文本的匹配度标注，确定匹配损失函数；根据所述匹配损失函数，训练所述特征文本匹配模型。
6.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至4中任意一项所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。
CN202111432817.2A 2021-11-29 2021-11-29 特征文本匹配方法及装置、电子设备和存储介质 Active CN114020878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111432817.2A CN114020878B (zh) 2021-11-29 2021-11-29 特征文本匹配方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111432817.2A CN114020878B (zh) 2021-11-29 2021-11-29 特征文本匹配方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN114020878A CN114020878A (zh) 2022-02-08
CN114020878B true CN114020878B (zh) 2024-08-02

Family

ID=80067382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111432817.2A Active CN114020878B (zh) 2021-11-29 2021-11-29 特征文本匹配方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114020878B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885827A (zh) * 2017-11-07 2018-04-06 广东欧珀移动通信有限公司 文件获取方法、装置、存储介质及电子设备
CN111708863A (zh) * 2020-06-02 2020-09-25 上海硬通网络科技有限公司 基于doc2vec的文本匹配方法、装置及电子设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111919208B (zh) * 2019-01-25 2024-06-21 微软技术许可有限责任公司 在文档检索中对文档进行评分
WO2021184552A1 (zh) * 2020-03-19 2021-09-23 平安科技（深圳）有限公司 医疗文本搜索方法、装置、计算机设备及存储介质
CN112017744A (zh) * 2020-09-07 2020-12-01 平安科技（深圳）有限公司 电子病例自动生成方法、装置、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885827A (zh) * 2017-11-07 2018-04-06 广东欧珀移动通信有限公司 文件获取方法、装置、存储介质及电子设备
CN111708863A (zh) * 2020-06-02 2020-09-25 上海硬通网络科技有限公司 基于doc2vec的文本匹配方法、装置及电子设备

Also Published As

Publication number Publication date
CN114020878A (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN109522424B (zh) 数据的处理方法、装置、电子设备及存储介质
CN108829893B (zh) 确定视频标签的方法、装置、存储介质和终端设备
JP7282940B2 (ja) 電子記録の文脈検索のためのシステム及び方法
CN108304375B (zh) 一种信息识别方法及其设备、存储介质、终端
CN111324771B (zh) 视频标签的确定方法、装置、电子设备及存储介质
CN105956053B (zh) 一种基于网络信息的搜索方法及装置
CN109271542A (zh) 封面确定方法、装置、设备及可读存储介质
US20160110415A1 (en) Using question answering (qa) systems to identify answers and evidence of different medium types
CN112906380A (zh) 文本中角色的识别方法、装置、可读介质和电子设备
CN111538830B (zh) 法条检索方法、装置、计算机设备及存储介质
CN112926300A (zh) 图像搜索方法、图像搜索装置及终端设备
CN110795942B (zh) 基于语义识别的关键词确定方法、装置和存储介质
CN111814481A (zh) 购物意图识别方法、装置、终端设备及存储介质
WO2024179519A1 (zh) 语义识别方法及其装置
CN111291551A (zh) 文本处理方法、装置、电子设备及计算机可读存储介质
CN113033163B (zh) 一种数据处理方法、装置和电子设备
CN113869063A (zh) 数据推荐方法、装置、电子设备及存储介质
CN113076740A (zh) 政务服务领域的同义词挖掘方法及装置
CN111274389B (zh) 一种信息处理方法、装置、计算机设备及存储介质
CN116521133B (zh) 软件功能安全需求分析方法、装置、设备及可读存储介质
CN112825076B (zh) 一种信息推荐方法、装置和电子设备
CN117290542A (zh) 视频问答方法、计算机设备及存储介质
CN114020878B (zh) 特征文本匹配方法及装置、电子设备和存储介质
CN116644228A (zh) 多模态全文信息检索方法、系统及存储介质
CN113220824B (zh) 数据检索方法、装置、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
GR01 Patent grant
GR01 Patent grant