CN114048315A - 确定文档标签的方法、装置、电子设备和存储介质 - Google Patents
确定文档标签的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114048315A CN114048315A CN202111365672.9A CN202111365672A CN114048315A CN 114048315 A CN114048315 A CN 114048315A CN 202111365672 A CN202111365672 A CN 202111365672A CN 114048315 A CN114048315 A CN 114048315A
- Authority
- CN
- China
- Prior art keywords
- fields
- target
- field
- predetermined
- determining
- 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 49
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 230000004044 response Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000003058 natural language processing Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/30—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
- G06F16/3332—Query translation
- G06F16/3334—Selection or weighting of terms from queries, including natural language queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种确定文档标签的方法,涉及计算机技术领域,尤其涉及自然语言处理技术和文档推荐技术。具体实现方案为:对目标文档进行切词处理,得到M个第一字段,其中,M为大于1的整数;将M个第一字段与预定词库中的多个预定字段进行匹配,得到N个目标字段,其中,N为大于或等于1的整数;以及根据N个目标字段,确定目标文档的标签。本公开还提供了一种确定文档标签的装置、电子设备和存储介质。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及自然语言处理技术和文档推荐技术。更具体地,本公开提供了一种确定文档标签的方法、装置、电子设备和存储介质。
背景技术
在线文档分享平台中具有海量的文档。可以确定每篇文档的标签,以便用户选择。相关技术中,可以根据文档的标题和摘要确定该文档的标签。
发明内容
本公开提供了一种确定文档标签的方法、装置、设备以及存储介质。
根据第一方面,提供了一种确定文档标签的方法,该方法包括:对目标文档进行切词处理,得到M个第一字段,其中,M为大于1的整数;将上述M个第一字段与预定词库中的多个预定字段进行匹配,得到N个目标字段,其中,N为大于等于1的整数;以及根据上述N个目标字段,确定上述目标文档的标签。
根据第二方面,提供了一种确定文档标签的装置,该装置包括:切词模块,用于对目标文档进行切词处理,得到M个第一字段,其中,M为大于1的整数;匹配模块,用于将上述M个第一字段与预定词库中的多个预定字段进行匹配,得到N个目标字段,其中,N为大于或等于1的整数;以及确定模块,用于根据上述N个目标字段,确定上述目标文档的标签。
根据第三方面,提供了一种电子设备,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根据本公开提供的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行根据本公开提供的方法。
根据第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据本公开提供的方法。
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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开的一个实施例的可以应用确定文档标签的方法和装置的示例性系统架构示意图;
图2是根据本公开的一个实施例的确定文档标签的方法的流程图;
图3是根据本公开的一个实施例的确定文档标签的方法的流程图;
图4是根据本公开的一个实施例的确定文档标签的装置的框图;以及
图5是根据本公开的一个实施例的可以应用确定文档标签的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
针对具有摘要的文档,可以根据文档的标题和摘要确定文档的标签。在文档没有摘要的情况下,可以根据文档的标题和文档的前200或前300字确定文档的标签。
然而,文档的摘要、前200字或前300字可能无法准确地代表该篇文档的内容。因此,根据文档的摘要、前200字或前300字确定的标签可能无法准确地代表文档的内容。
图1是根据本公开一个实施例的可以应用确定文档标签的方法和装置的示例性系统架构示意图。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括多个终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机等等。
本公开实施例所提供的确定文档标签的方法一般可以由服务器105执行。相应地,本公开实施例所提供的确定文档标签的装置一般可以设置于服务器105中。本公开实施例所提供的确定文档标签的方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的确定文档标签的装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
图2是根据本公开的一个实施例的确定文档标签的方法的流程图。
如图2所示,该方法200可以包括操作S210至操作S230。
在操作S210,对目标文档进行切词处理,得到M个第一字段。
在本公开实施例中,M为大于或等于1的整数。
例如,可以利用现有自然语言处理(Natural Language Processing,NLP)技术进行切词处理,得到M个第一字段。
在一个示例中,可以对文档内的各级标题以及正文进行切词处理,得到M个第一字段。
在操作S220,将M个第一字段与预定词库中的多个预定字段进行匹配,得到N个目标字段。
在本公开实施例中,N为大于或等于1的整数。
在本公开实施例中,预定词库包括第一预定子词库,第一预定子词库是根据人工审核标签后被删除的标签得到的。
在本公开实施例中,将M个第一字段与第一预定子词库中的多个第一预定字段进行匹配。
例如,可以将每个第一字段分别与多个第一预定字段进行匹配。在一个示例中,第一预定字段可以是“由来”、“从小”等无实际意义的字段。在一个示例中,可以计算每个第一字段分别与多个第一预定字段之间的相似度。将与至少一个第一预设字段的相似度大于预设相似度阈值的第一字段作为匹配成功的第一字段。将与每个第一预设字段的相似度均小于预设相似度阈值的第一字段作为匹配失败的第一字段。
在本公开实施例中,根据M个第一字段中匹配失败的多个第一字段,得到N个目标字段。
例如,可以暂存与第一预定子词库匹配失败的多个第一字段,以得到N个目标字段。
在本公开实施例中,预定词库包括第二预定子词库。第二预定子词库是根据从搜索引擎获取的与文档相关的搜索内容得到的。
例如,搜索引擎可以是通用的搜索引擎。相应地,在用户输入某些关键词后,搜索引擎反馈了搜索结果。之后,用户选择了与在线文档分享平台相关的搜索结果,可以将该关键词作为与文档相关的搜索内容。
又例如,搜索引擎可以是在线文档共享平台内部的搜索引擎。相应地,在用户在文档分享平台内部的搜索引擎内输入某些关键词后,可以将这些关键词作为与文档相关的搜索内容。
在本公开实施例中,将M个第一字段与第二预定子词库中的多个第二预定字段进行匹配。
例如,可以将每个第一字段分别与多个第二预定字段进行匹配。在一个示例中,可以计算每个第一字段分别与多个第二预定字段之间的相似度。将与至少一个第二预设字段的相似度大于预设相似度阈值的第一字段作为匹配成功的第一字段。将与每个第二预设字段的相似度均小于预设相似度阈值的第一字段作为匹配失败的第一字段。
在本公开实施例中,根据M个第一字段中匹配成功的多个第一字段,得到N个目标字段。
例如,可以暂存与第二预定子词库匹配成功的第一字段,以得到N个目标字段。
在本公开实施例中,响应于M个第一字段中存在语义相同的至少两个第一字段,重复执行以下操作之一,得到K个语义不同的第一字段。
例如,K是大于或等于1的整数。
例如,响应于语义相同的至少两个第一字段中每个第一字段的长度均大于或等于预设长度阈值,删除语义相同的至少两个第一字段中长度最长的第一字段。在一个示例中,预设长度阈值为5个字符,语义相同的两个第一字段的长度均大于5个字符,可以删除字符长度更长的一个第一字段。
例如,响应于语义相同的至少两个第一字段中存在长度小于预设长度阈值的第一字段,删除语义相同的至少两个第一字段中长度最小的第一字段。在一个示例中,预设长度阈值为5个字符。在语义相同的两个第一字段中,一个第一字段的长度为4个字符,另一个第一字段的长度为6个字符,可以删除长度为4个字符的第一字段。
在本公开实施例中,可以根据K个语义不同的第一字段,得到N个目标字段。
例如,可以从与第一预定子词库匹配失败的多个第一字段中,得到与第二预定子词库匹配成功的多个第一字段。再从这些第一字段中选出K个语义不同的第一字段,以得到N个目标字段。在一个示例中,K=N。
例如,可以从第一字段中筛选出K个语义不同的第一字段。再从语义不同的第一字段中得到与第一预定子词库匹配失败的多个第一字段。之后,再从这些第一字段中得到与第二预定子词库匹配成功的多个第一字段。在一个示例中,K>N。
在操作S230,根据N个目标字段,确定目标文档的标签。
例如,可以将N个目标字段确定为目标文档的标签。
在本公开实施例中,可以根据N个目标字段中每个目标字段在目标文档中的词频,确定目标文档的标签。
例如,可以根据N个目标字段中每个目标字段在目标文档中的词频,确定每个目标字段的第一权重。在一个示例中,一个目标字段在目标文档中的词频越高,该目标字段的第一权重越大。
例如,可以根据N个目标字段中每个目标字段在目标文档中的位置,确定每个目标字段的第二权重。在一个示例中,位于标题中的目标字段的第二权重,大于位于正文中的目标字段的第二权重。
例如,可以根据每个目标字段的第一权重和每个目标字段的第二权重,确定每个目标字段的第三权重。在一个示例中,一个目标字段的第一权重为0.9,且该目标字段的第二权重为0.5,那么该目标字段的第三权重可以为1.4。
例如,可以根据N个目标字段的第三权重,确定目标文档的标签。在一个示例中,可以将第三权重最大的3个目标字段,确定为该目标文档的标签。
通过本公开实施例,根据文档的标题和正文进行切词处理,可以得到更能代表文档内容的文档标签。根据不同的预定词库进行匹配,可以提高标签的准确性。
在一些实施例中,利用例如图2的方法确定的文档标签,进行文档推荐,点击率为2.48%。而利用文档的标题、摘要或文档前200确定的标签,进行文档推荐,点击率为1.22%。可见,例如图2的方法可以大幅提高文档推荐的准确性,进而提高了点击率。
在一些实施例中,第一预定子词库是通过以下操作得到的:获取人工审核标签后多个被删除的标签;将多个被删除的标签同预定类型词库进行匹配;以及将匹配失败的被删除的标签作为第一预定字段,得到第一预定子词库。
例如,可以对在线分享平台中已有标签的文档进行人工审核,得到多个被删除的标签。在一个示例中,可以对多个被删除的标签进行筛选,去除被删除次数小于预设删除次数阈值的被删除的标签。
例如,预定类型词库中包括多个文档的类型字段。在一个示例中,类型字段可以是“合同”、“新闻”和“通报”等等。
例如,如果一个被删除的标签为“合同”,该被删除的标签可以与预定类型词库匹配成功。可以不将该被删除的标签作为第一预定字段。可以保留前文记载的M个第一字段中的可以与预定类型词库匹配成功的第一字段。进而,可以使得与预定类型词库匹配成功的第一字段有可能作为目标文档的标签。
图3是根据本公开的另一个实施例的确定文档标签的方法的流程图。
如图3所示,该方法可以包括操作S301至操作S314。
在操作S301,对目标文档进行切词处理,得到M个第一字段。
例如,可以对目标文档的标题和正文进行切词处理,得到M个第一字段。在M个第一字段中,一些第一字段可以是“由来”、“自从”、“我和你的销售协议书”、“销售协议书”、“协议书”、“的”、“住宅”及“家具”等等。
在操作S302,将M个第一字段与第一预定子词库中的多个第一预定字段进行匹配。
例如,第一预定字段可以包括“由来”、“自从”等。可以确定前文记载的第一字段中“由来”、“自从”与第一预定子词库匹配成功。
在操作S303,将M个第一字段中匹配失败的第一字段作为第二字段,得到H个第二字段。
例如,前文记载的“我和你的销售协议书”、“销售协议”、“协议书”、“的”、“住宅”及“家具”等第一字段与第一预定词库匹配失败,因此可以将“我和你的销售协议书”、“销售协议”、“协议书”、“的”、“住宅”及“家具”等第一字段作为第二字段,以得到H个第二字段,在该示例中,H=6。在一个示例中,H为大于或等于1的整数。
在操作S304,将H个第二字段与第二预定子词库中的多个第二预定字段进行匹配。
例如,一个第二预定字段为“合同书”,进而可以确定“我和你的销售协议书”、“销售协议书”和“协议书”与该第二预定字段匹配成功。采用类似的方式,也可以确定“住宅”及“家具”分别与其他第二字段匹配成功。
在操作S305,将H个第二字段中匹配成功的第二字段作为第三字段,得到J个第三字段。
例如,前文记载的“我和你的销售协议书”、“销售协议书”、“协议书”、“住宅”及“家具”与第二预定词库匹配成功,因此,可以将“我和你的销售协议书”、“销售协议书”、“协议书”、“住宅”及“家具”等第二字段作为第三字段,以得到J个第三字段,在该示例中,J=5。在一个示例中,J为大于或等于1的整数。
在操作S306,确定语义相同的至少两个第三字段的长度是否均大于或等于预设长度阈值?
例如,响应于语义相同的至少两个第一字段中存在长度小于预设长度阈值的第一字段,可以执行下述操作S307。又例如,响应于语义相同的至少两个第三字段的长度均大于或等于预设长度阈值,可以执行下述操作S308。在一个示例中,预设长度阈值为5个字符。
在一个示例中,“我和你的销售协议书”、“销售协议书”、“协议书”可以为语义相同的第三字段。
在操作S307,删除语义相同的至少两个第三字段中长度最小的第三字段。
例如,在“我和你的销售协议书”、“销售协议书”、“协议书”三个第三字段中,“协议书”的长度最小,可以将“协议书”删除。
在操作S308,删除语义相同的至少两个第三字段中长度最长的第三字段。
例如,在“我和你的销售协议书”、“销售协议书”两个第三字段中,“我和你的销售协议书”最长,可以将“我和你的销售协议书”删除。
在操作S309,确定是否不存在语义相同的两个第三字段?
例如,响应于存在语义相同的两个第三字段,可以返回至操作S306。在一个示例中,在从“我和你的销售协议书”、“销售协议书”、“协议书”三个第三字段中删除“协议书”后,仍存在“我和你的销售协议书”、“销售协议书”两个语义相同的第三字段,可以返回至操作S306。
例如,响应于不存在语义相同的两个第三字段,可以执行下述操作S310。在一个示例中,在前文记载的删除“协议书”后,返回至操作S306,再次执行上述操作S306,以删除“我和你的销售协议书”。此时,没有与“销售协议书”语义相同的第三字段,可以执行下述操作S310。
在操作S310,根据K个语义不同的第三字段,得到N个目标字段。
例如,可以将K个语义不同的第三字段作为N个目标字段。在一个示例中,K=N。在一个示例中,目标字段包括“销售协议书”、“住宅”及“家具”等等。
在操作S311,根据N个目标字段中每个目标字段在目标文档中的词频,确定每个目标字段的第一权重。
例如,目标字段在目标文档中的词频越高,该目标字段的第一权重越大。在一个示例中,“住宅”的词频为8,“家具”的词频为15,“销售协议书”的词频为2。相应地,“住宅”的第一权重为0.8,“家具”的第一权重为1.5,“销售协议书”的第一权重0.2。
在操作S312,根据N个目标字段中每个目标字段在目标文档中的位置,确定每个目标字段的第二权重。
例如,位于标题中的目标字段的第二权重,大于位于正文中的目标字段的第二权重。在一个示例中,“住宅”位于正文中,比如一个“住宅”位于正文前200字中,其余的“住宅”位于正文前200字之后。“家具”位于正文前200字之后,“销售协议书”位于文档标题中。相应的,“住宅”的第二权重为0,“家具”的第二权重为0,“销售协议书”的第二权重1。
在操作S313,根据每个目标字段的第一权重和每个目标字段的第二权重,确定每个目标字段的第三权重。
例如,可以将每个目标字段的第一权重和第二权重之和作为该目标字段的第三权重。在一个示例中,“住宅”的第三权重为0.8,“家具”的第三权重为1.5,“销售协议书”的第三权重1.2。
在操作S314,根据N个目标字段的第三权重,确定目标文档的标签。
例如,可以将第三权重大于预设权重阈值的目标字段确定为目标文档的标签。在一个示例中,预设权重阈值为1。可以将“家具”和“销售协议书”作为目标文档的标签。可以将正文中的字段作为文档的标签,以更加准确的确定能够代表文档的标签(比如将“家具”作为文档的标签)。而相关技术中,只能将“住宅”和“销售协议书”作为文档的标签。然而“住宅”这一标签不能准确地代表文档的内容。
图4是根据本公开的一个实施例的确定文档标签的装置的框图。
如图4所示,该装置400可以包括切词模块410、匹配模块420以及确定模块430。
切词模块410,用于对目标文档进行切词处理,得到M个第一字段,其中,M为大于1的整数。
匹配模块420,用于将上述M个第一字段与预定词库中的多个预定字段进行匹配,得到N个目标字段,其中,N为大于或等于1的整数;以及
确定模块430,用于根据上述N个目标字段,确定上述目标文档的标签。
在一些实施例中,上述预定词库包括第一预定子词库,上述第一预定子词库是根据人工审核标签后被删除的标签得到的,上述匹配模块包括:第一匹配子模块,用于将上述M个第一字段与上述第一预定子词库中的多个第一预定字段进行匹配;第一获得子模块,用于根据上述M个第一字段中匹配失败的多个第一字段,得到上述N个目标字段。
在一些实施例中,上述预定词库包括第二预定子词库,上述第二预定子词库是根据从搜索引擎获取的与文档相关的搜索内容得到的,上述匹配模块包括:第二匹配子模块,用于将上述M个第一字段与上述第二预定子词库中的多个第二预定字段进行匹配;第二获得子模块,用于根据上述M个第一字段中匹配成功的多个第一字段,得到上述N个目标字段。
在一些实施例中,上述匹配模块包括:执行子模块,用于响应于上述M个第一字段中存在语义相同的至少两个第一字段,重复执行以下操作之一,得到K个语义不同的第一字段,其中,K是大于或等于1的整数:第一删除单元,用于响应于上述语义相同的至少两个第一字段中每个第一字段的长度均大于或等于预设长度阈值,删除上述语义相同的至少两个第一字段中长度最长的第一字段;第二删除单元,用于响应于上述语义相同的至少两个第一字段中存在长度小于上述预设长度阈值的第一字段,删除上述语义相同的至少两个第一字段中长度最小的第一字段;第三获得子模块,用于根据上述K个语义不同的第一字段,得到上述N个目标字段。
在一些实施例中,上述第一预定子词库是通过以下单元得到的:获取单元,用于获取人工审核标签后多个被删除的标签;匹配单元,用于将上述多个被删除的标签同预定类型词库进行匹配;以及获得单元,用于将匹配失败的被删除的标签作为上述第一预定字段,得到第一预定子词库。
在一些实施例中,上述确定模块包括:确定子模块,用于根据上述N个目标字段中每个目标字段在上述目标文档中的词频,确定上述目标文档的标签。
在一些实施例中,上述确定子模块包括:第一确定单元,用于根据上述N个目标字段中每个目标字段在上述目标文档中的词频,确定每个目标字段的第一权重;第二确定单元,用于根据上述N个目标字段中每个目标字段在上述目标文档中的位置,确定每个目标字段的第二权重;第三确定单元,用于根据每个目标字段的第一权重和每个目标字段的第二权重,确定每个目标字段的第三权重;以及第四确定单元,用于根据N个目标字段的第三权重,确定上述目标文档的标签
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
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5示出了可以用来实施本公开的实施例的示例电子设备500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5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理,例如确定文档标签的方法。例如,在一些实施例中,确定文档标签的方法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508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的确定文档标签的方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行确定文档标签的方法。
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 (17)
1.一种确定文档标签的方法,包括:
对目标文档进行切词处理,得到M个第一字段,其中,M为大于1的整数;
将所述M个第一字段与预定词库中的多个预定字段进行匹配,得到N个目标字段,其中,N为大于或等于1的整数;以及
根据所述N个目标字段,确定所述目标文档的标签。
2.根据权利要求1所述的方法,其中,所述预定词库包括第一预定子词库,所述第一预定子词库是根据人工审核标签后被删除的标签得到的,
所述将所述M个第一字段与预定词库中的多个预定字段进行匹配,得到N个目标字段包括:
将所述M个第一字段与所述第一预定子词库中的多个第一预定字段进行匹配;
根据所述M个第一字段中匹配失败的多个第一字段,得到所述N个目标字段。
3.根据权利要求1所述的方法,其中,所述预定词库包括第二预定子词库,所述第二预定子词库是根据从搜索引擎获取的与文档相关的搜索内容得到的,
所述将所述M个第一字段与预定词库中的多个预定字段进行匹配,得到N个目标字段包括:
将所述M个第一字段与所述第二预定子词库中的多个第二预定字段进行匹配;
根据所述M个第一字段中匹配成功的多个第一字段,得到所述N个目标字段。
4.根据权利要求1所述的方法,其中,所述将所述M个第一字段与预定词库中的多个预定字段进行匹配,得到N个目标字段包括:
响应于所述M个第一字段中存在语义相同的至少两个第一字段,重复执行以下操作之一,得到K个语义不同的第一字段,其中,K是大于或等于1的整数:
响应于所述语义相同的至少两个第一字段中每个第一字段的长度均大于或等于预设长度阈值,删除所述语义相同的至少两个第一字段中长度最长的第一字段;
响应于所述语义相同的至少两个第一字段中存在长度小于所述预设长度阈值的第一字段,删除所述语义相同的至少两个第一字段中长度最小的第一字段;
根据所述K个语义不同的第一字段,得到所述N个目标字段。
5.根据权利要求2所述的方法,其中,所述第一预定子词库是通过以下操作得到的:
获取人工审核标签后多个被删除的标签;
将所述多个被删除的标签同预定类型词库进行匹配;以及
将匹配失败的被删除的标签作为所述第一预定字段,得到第一预定子词库。
6.根据权利要求1所述的方法,其中,所述根据所述N个目标字段,确定所述目标文档的标签包括:
根据所述N个目标字段中每个目标字段在所述目标文档中的词频,确定所述目标文档的标签。
7.根据权利要求1所述的方法,其中,所述根据所述N个目标字段中每个目标字段在所述目标文档中的词频,确定所述目标文档的标签包括:
根据所述N个目标字段中每个目标字段在所述目标文档中的词频,确定每个目标字段的第一权重;
根据所述N个目标字段中每个目标字段在所述目标文档中的位置,确定每个目标字段的第二权重;
根据每个目标字段的第一权重和每个目标字段的第二权重,确定每个目标字段的第三权重;以及
根据N个目标字段的第三权重,确定所述目标文档的标签。
8.一种确定文档标签的装置,包括:
切词模块,用于对目标文档进行切词处理,得到M个第一字段,其中,M为大于1的整数;
匹配模块,用于将所述M个第一字段与预定词库中的多个预定字段进行匹配,得到N个目标字段,其中,N为大于或等于1的整数;以及
确定模块,用于根据所述N个目标字段,确定所述目标文档的标签。
9.根据权利要求8所述的装置,其中,所述预定词库包括第一预定子词库,所述第一预定子词库是根据人工审核标签后被删除的标签得到的,
所述匹配模块包括:
第一匹配子模块,用于将所述M个第一字段与所述第一预定子词库中的多个第一预定字段进行匹配;
第一获得子模块,用于根据所述M个第一字段中匹配失败的多个第一字段,得到所述N个目标字段。
10.根据权利要求8所述的装置,其中,所述预定词库包括第二预定子词库,所述第二预定子词库是根据从搜索引擎获取的与文档相关的搜索内容得到的,
所述匹配模块包括:
第二匹配子模块,用于将所述M个第一字段与所述第二预定子词库中的多个第二预定字段进行匹配;
第二获得子模块,用于根据所述M个第一字段中匹配成功的多个第一字段,得到所述N个目标字段。
11.根据权利要求8所述的装置,其中,所述匹配模块包括:
执行子模块,用于响应于所述M个第一字段中存在语义相同的至少两个第一字段,重复执行以下操作之一,得到K个语义不同的第一字段,其中,K是大于或等于1的整数:
第一删除单元,用于响应于所述语义相同的至少两个第一字段中每个第一字段的长度均大于或等于预设长度阈值,删除所述语义相同的至少两个第一字段中长度最长的第一字段;
第二删除单元,用于响应于所述语义相同的至少两个第一字段中存在长度小于所述预设长度阈值的第一字段,删除所述语义相同的至少两个第一字段中长度最小的第一字段;
第三获得子模块,用于根据所述K个语义不同的第一字段,得到所述N个目标字段。
12.根据权利要求9所述的装置,其中,所述第一预定子词库是通过以下单元得到的:
获取单元,用于获取人工审核标签后多个被删除的标签;
匹配单元,用于将所述多个被删除的标签同预定类型词库进行匹配;以及
获得单元,用于将匹配失败的被删除的标签作为所述第一预定字段,得到第一预定子词库。
13.根据权利要求8所述的装置,其中,所述确定模块包括:
确定子模块,用于根据所述N个目标字段中每个目标字段在所述目标文档中的词频,确定所述目标文档的标签。
14.根据权利要求8所述的装置,其中,所述确定子模块包括:
第一确定单元,用于根据所述N个目标字段中每个目标字段在所述目标文档中的词频,确定每个目标字段的第一权重;
第二确定单元,用于根据所述N个目标字段中每个目标字段在所述目标文档中的位置,确定每个目标字段的第二权重;
第三确定单元,用于根据每个目标字段的第一权重和每个目标字段的第二权重,确定每个目标字段的第三权重;以及
第四确定单元,用于根据N个目标字段的第三权重,确定所述目标文档的标签。
15.一种电子设备,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至7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1至7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111365672.9A CN114048315A (zh) | 2021-11-17 | 2021-11-17 | 确定文档标签的方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111365672.9A CN114048315A (zh) | 2021-11-17 | 2021-11-17 | 确定文档标签的方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114048315A true CN114048315A (zh) | 2022-02-15 |
Family
ID=80209984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111365672.9A Pending CN114048315A (zh) | 2021-11-17 | 2021-11-17 | 确定文档标签的方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114048315A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648004A (zh) * | 2022-03-22 | 2022-06-21 | 广东省电信规划设计院有限公司 | 一种文档标签的智能关联方法、装置及计算机存储介质 |
CN115470198A (zh) * | 2022-08-11 | 2022-12-13 | 北京百度网讯科技有限公司 | 数据库的信息处理方法、装置、电子设备及存储介质 |
-
2021
- 2021-11-17 CN CN202111365672.9A patent/CN114048315A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648004A (zh) * | 2022-03-22 | 2022-06-21 | 广东省电信规划设计院有限公司 | 一种文档标签的智能关联方法、装置及计算机存储介质 |
CN115470198A (zh) * | 2022-08-11 | 2022-12-13 | 北京百度网讯科技有限公司 | 数据库的信息处理方法、装置、电子设备及存储介质 |
CN115470198B (zh) * | 2022-08-11 | 2023-09-22 | 北京百度网讯科技有限公司 | 数据库的信息处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113836314B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN114861889A (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
CN114048315A (zh) | 确定文档标签的方法、装置、电子设备和存储介质 | |
CN114579104A (zh) | 数据分析场景的生成方法、装置、设备及存储介质 | |
CN112989235A (zh) | 基于知识库的内链构建方法、装置、设备和存储介质 | |
CN113806660A (zh) | 数据评估方法、训练方法、装置、电子设备以及存储介质 | |
CN112926298A (zh) | 新闻内容识别方法、相关装置及计算机程序产品 | |
CN112560461A (zh) | 新闻线索的生成方法、装置、电子设备及存储介质 | |
CN113869042A (zh) | 文本标题生成方法、装置、电子设备以及存储介质 | |
CN113919424A (zh) | 文本处理模型的训练、文本处理方法、装置、设备和介质 | |
CN112989190A (zh) | 一种商品挂载方法、装置、电子设备和存储介质 | |
CN117271884A (zh) | 确定推荐内容的方法、装置、电子设备及存储介质 | |
CN114647739B (zh) | 实体链指方法、装置、电子设备及存储介质 | |
CN114492370B (zh) | 网页识别方法、装置、电子设备和介质 | |
CN113792230B (zh) | 服务链接方法、装置、电子设备和存储介质 | |
CN116383340A (zh) | 信息搜索方法、装置、电子设备和存储介质 | |
CN113239273B (zh) | 用于生成文本的方法、装置、设备以及存储介质 | |
CN114036397B (zh) | 数据推荐方法、装置、电子设备和介质 | |
CN114818736A (zh) | 文本处理方法、用于短文本的链指方法、装置及存储介质 | |
CN114329210A (zh) | 信息推荐方法、装置及电子设备 | |
CN114048376A (zh) | 广告的业务信息挖掘方法、装置、电子设备以及存储介质 | |
CN112528644A (zh) | 实体挂载的方法、装置、设备以及存储介质 | |
CN113239296B (zh) | 小程序的展示方法、装置、设备和介质 | |
CN113656393B (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
CN114492456B (zh) | 文本生成方法、模型的训练方法、装置、电子设备及介质 |
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 |