CN114298007A - 一种文本相似度确定方法、装置、设备及介质 - Google Patents

Abstract

本公开实施例涉及一种文本相似度确定方法、装置、设备及介质，其中该方法包括：获取两个目标文本，目标文本为待处理多媒体的文本信息；确定每个目标文本的结构化标签；根据每个目标文本的结构化标签确定两个目标文本之间的相似度。采用上述技术方案，通过为非结构化的文本添加结构化标签，进而可以根据结构化标签确定两个非结构化的文本的相似度，结合不同粒度的结构化特征进行相似度确定，提升结果的置信度，进而有利于后续数据分析，避免出现分析不置信的问题。

Description

一种文本相似度确定方法、装置、设备及介质

技术领域

本公开涉及数据处理技术领域，尤其涉及一种文本相似度确定方法、装置、设备及介质。

背景技术

视频中的标题(title)属于非结构化以及高噪声的文本，从海量的标题中找到相似的标题，一般是通过判断两个文本是否相似，找到相似配对的标题。

相关技术中，判断两个文本是否相似时基本的计算方式是以每个文本为粒度，通过计算文本间的各种距离(例如编辑距离、余弦距离等)确定或者通过分类模型的方式确定。但是这种方式局限在单个文本的粒度，结果的置信度较低，进而导致后续的分析不置信的问题。

发明内容

为了解决上述技术问题，本公开提供了一种文本相似度确定方法、装置、设备及介质。

本公开实施例提供了一种文本相似度确定方法，所述方法包括：

获取两个目标文本，所述目标文本为待处理多媒体的文本信息；

确定每个所述目标文本的结构化标签；

根据每个所述目标文本的结构化标签确定两个所述目标文本之间的相似度。

本公开实施例还提供了一种文本相似度确定装置，所述装置包括：

获取模块，用于获取两个目标文本，所述目标文本为待处理多媒体的文本信息；

标签模块，用于确定每个所述目标文本的结构化标签；

相似度模块，用于根据每个所述目标文本的结构化标签确定两个所述目标文本之间的相似度。

本公开实施例还提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现如本公开实施例提供的文本相似度确定方法。

本公开实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行如本公开实施例提供的文本相似度确定方法。

本公开实施例提供的技术方案与现有技术相比具有如下优点：本公开实施例提供的文本相似度确定方案，获取两个目标文本，目标文本为待处理多媒体的文本信息；确定每个目标文本的结构化标签；根据每个目标文本的结构化标签确定两个目标文本之间的相似度。采用上述技术方案，通过为非结构化的文本添加结构化标签，进而可以根据结构化标签确定两个非结构化的文本的相似度，结合不同粒度的结构化特征进行相似度确定，提升结果的置信度，进而有利于后续数据分析，避免出现分析不置信的问题。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本公开实施例提供的一种文本相似度确定方法的流程示意图；

图2为本公开实施例提供的另一种文本相似度确定方法的流程示意图；

图3为本公开实施例提供的一种文本相似度确定的示意图；

图4为本公开实施例提供的一种文本相似度确定装置的结构示意图；

图5为本公开实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

相关技术中，判断两个文本是否相似时基本的计算方式是以每个文本为粒度，通过计算文本间的各种距离(例如编辑距离、余弦距离等)确定或者通过分类模型的方式确定。这种方式被广泛应用在视频的标题相似度匹配上，进而可以孵化很多产品策略，之后还可以对算法的效果进行后续数据分析，找出算法迭代优化方向。

但是，上述文本相似度的计算方法局限在单个文本的粒度，结果的置信度较低，在后续分析中，只能从单个文本(case)角度分析，然后人工总结问题，单个粒度的分析会存在分布稀疏，召回有限、出现问题随机性、以及量级过大等问题，可能会导致后期的分析不置信问题。为了解决上述问题，本公开实施例提供了一种文本相似度确定方法，下面结合具体的实施例对该方法进行介绍。

图1为本公开实施例提供的一种文本相似度确定方法的流程示意图，该方法可以由文本相似度确定装置执行，其中该装置可以采用软件和/或硬件实现，一般可集成在电子设备中。如图1所示，该方法包括：

步骤101、获取两个目标文本，目标文本为待处理多媒体的文本信息。

其中，待处理多媒体可以是任意需要进行配对的多媒体数据，本公开实施例对该待处理多媒体的具体格式不限，待处理多媒体可以包括视频、音频和文本等。目标文本可以为待处理多媒体的文本语料信息，例如当待处理多媒体为视频时，目标文本可以包括该视频的标题信息、视频中的图像帧识别出来的文字内容以及该视频被搜索的高频搜索词(query)等中的至少一种；当待处理多媒体为文本时，目标文本可以为该文本以及该文本的标题信息。本公开实施例以待处理多媒体为需要进行视频配对的游戏视频为例进行说明。

具体的，文本相似度确定装置可以获取两个待处理多媒体的目标文本，具体来源不限，例如当待处理视频为游戏视频时，可以分别选取两个应用程序中当日播放次数大于预设次数的两个游戏视频的目标文本，预设次数可以根据实际情况设置，例如预设次数可以为1万。

步骤102、确定每个目标文本的结构化标签。

其中，结构化标签可以理解为具有层级划分的标签，可以类似于树状层级标签，能够用统一的结构加以表示。本公开实施例中，结构化标签可以包括主题标签和内容标签，主题标签可以理解为按照主题聚类的方式得到的标签，内容标签可以是预先总结的一个与待处理多媒体的内容相关的结构化标签。

在本公开实施例中，确定每个目标文本的结构化标签，可以包括：根据预先构建的主题聚类模型确定目标文本的结构化标签中的主题标签；根据目标文本、预设名称集合和预设类型集合，确定目标文本的结构化标签中的内容标签。

主题聚类模型可以理解为预先训练好的用于进行主题聚类的深度学习模型或算法，本公开实施例对该模型不限，例如主题聚类模型可以为双项主题模型(Biterm TopicModel，BTM)或潜在狄利克雷分布模型(Latent Dirichlet Allocation，LDA)。

具体的，针对每个目标文本的结构化标签中的主题标签，可以将每个目标文本输入题聚类模型中得到该主题标签。其中，主题标签可以包括主题标识、主题概率分数和主题含义词语，主题标识可以为主题ID，可以通过数字、字母等方式表示，主题概率分数可以表征聚类到当前主题下的概率，主题含义词可以理解为表达主题含义的词语(term)。

针对每个目标文本的结构化标签中的内容标签，可以根据该目标文本、预设名称集合和预设类型集合确定。其中预设名称集合和预设类型集合可以为预先根据待处理多媒体的属性设置的名称集合，具体根据实际情况设置，例如当待处理多媒体为游戏视频时，该预设名称集合可以为游戏名称集合，预设类型集合可以为视频类型的集合，视频类型可以包括流程、解说、攻略等；当待处理多媒体为星座视频时，该预设名称集合可以为星座名称集合，预设类型集合可以包括星座运势、星座情感、星座性格等的集合。

内容标签可以包括名称、关键词标签和类型，优选地，可以是上述三者组成的三级结构化标签，在上述主题聚类模型训练过程中根据多个主题标签提炼出来聚类的维度，即可总结得到内容标签。当待处理多媒体不同时，上述内容标签可以不同，例如当待处理多媒体为游戏视频时，内容标签可以为对游戏类别定义的三级结构化标签，包括游戏名、关键词标签和视频类型。

可选的，根据目标文本、预设名称集合和预设类型集合，确定目标文本的结构化标签中的内容标签，可以包括：提取目标文本的关键词，得到第一关键词集合；确定目标文本的主题标签对应的多个主题含义词语，将多个主题含义词语组合得到第二关键词集合；根据第一关键词集合、第二关键词集合、预设名称集合以及预设类型集合，确定目标文本的内容标签。

文本相似度确定装置在确定每个目标文本的内容标签时，可以对目标文本进行分词以及关键词抽取，得到可以表达目标文本的待处理多媒体的多个关键词，组合得到第一关键词集合；将目标文本的主题标签中的多个主题含义词语组合得到第二关键词集合；之后可以根据上述第一关键词集合、第二关键词集合、预设名称集合以及预设类型集合，确定每个目标文本的内容标签。

可选的，根据第一关键词集合、第二关键词集合、预设名称集合以及预设类型集合，确定目标文本的内容标签，可以包括：根据预设名称集合在第二关键词集合中进行匹配，得到目标文本的内容标签中的名称；将第一关键词集合和第二关键词集合中的相同词语确定为目标文本的内容标签中的关键词标签；根据预设类型集合在第一关键词集合中进行匹配，得到目标文本的内容标签中的类型。

由于内容标签中可以包括名称、关键词标签和类型，针对名称，可以将预设名称集合与第二关键词集合中的多个主题含义词语进行匹配，如果预设名称集合中的一个名称与多个主题含义词语均匹配成功，则该名称即为内容标签中的名称；针对关键词标签，可以将第一关键词集合和第二关键词集合中的相同词语提取出来，作为目标文本的关键词标签；针对类型，可以将预设类型集合与第一关键词集合中的多个关键词进行匹配，如果预设类型集合中的一个类型与多个关键词均匹配成功，则该类型即为目标文本的类型。

综上，针对每个目标文本，可以确定其结构化标签，具体可以包括主题标签加内容标签。

由于目标文本为非结构化文本，数据结构不规则或不完整，不利于确定相似度，因此本公开实施例中可以通过定义结构化标签体系，并为每个目标文本添加结构化标签，有利于后续的相似度确定，并且结构化标签中的主题标签可以通过聚类的方式自动发现类别，内容标签可以在聚合数据中进行总结类别得到，这样做的好处是可以充分体现数据的分布，更符合实际情况。

步骤103、根据每个目标文本的结构化标签确定两个目标文本之间的相似度。

本公开实施例中的相似度可以理解为基于文本的结构化特征确定的是否相似的结果。

在本公开实施例中，根据每个目标文本的结构化标签确定两个目标文本之间的相似度，可以包括：判断两个目标文本的主题标签中的主题标识以及内容标签中的名称是否均相同；当确定两个目标文本的主题标签以及名称均相同，则确定两个目标文本之间的相似度分数，根据相似度分数确定两个目标文本是否相似。

如果两个目标文本的主题标识和名称中的任意一个不同，则可以确定两个目标文本不相似；当两个目标文本的主题标签以及名称均相同时，可以进一步计算两个目标文本之间的相似度分数，根据该相似度分数确定两个目标文本是否相似。

由于结构化标签中内容标签中的类型的信息比较稀疏，无论两个目标文本的类型是否相同，对结构的影响较小，因此此处可以不进行判断；当相似度要求严格时，也可以增加判断两个目标文本的类型是否相同的步骤，当类型也相同时，再确定两个目标文本之间的相似度分数。

示例性的，图2为本公开实施例提供的另一种文本相似度确定方法的流程示意图，如图2所示，在一种可行的实施方式中，确定两个目标文本之间的相似度分数，可以包括如下步骤：

步骤201、将两个目标文本的内容标签中相同的关键词标签确定为共同关键词标签。

其中，共同关键词标签可以为两个目标文本对应的两个关键词标签的交集，也即相同的关键词标签。

步骤202、确定共同关键词标签分别在两个目标文本上的共同关键词分数，并确定共同关键词标签的数量。

共同关键词分数可以理解为共同关键词标签在目标文本上的匹配程度，由于目标文本可以包括待处理多媒体的标题信息，标题信息中通常可以包括最关键的信息，因此共同关键词分数优选可以表示共同关键词标签在目标文本的标题信息上的匹配程度。

在可选的实施方式中，确定共同关键词标签分别在两个目标文本上的共同关键词分数，可以包括：将共同关键词标签中的多个关键词进行两两组合，得到多个关键词组；针对每个关键词组，确定其在每个目标文本上的关键词分数；针对每个目标文本，将多个关键词组在该目标文本的关键词分数之和确定为该目标文本的共同关键词分数。

文本相似度确定装置在确定两个目标文本的共同关键词标签之后，可以将共同关键词标签中的多个关键词进行两两组合，每两个关键词组合成一个关键词组，得到多个关键词组，之后确定每个关键词组在各目标文本上的关键词分数，也即针对每个目标文本每个关键词组均得到一个关键词分数；之后，针对每个目标文本，将多个关键词组在该目标文本的多个关键词分数求和，得到每个目标文本的共同关键词分数。

可选的，针对每个关键词组，确定其在每个目标文本上的关键词分数，可以包括：将每个目标文本确定为待处理文本；根据每个关键词组中两个关键词与待处理文本的包含关系确定其权重；确定每个关键词组中两个关键词作为待处理文本的主题含义词语的概率分数；针对每个关键词组，根据该关键词组的权重以及该关键词组中两个关键词作为待处理文本的主题含义词语的概率分数，确定该关键词组在待处理文本上的关键词分数。

其中，待处理文本可以理解为当前正在处理的目标文本。文本相似度确定装置可以将每个目标文本作为待处理文本，之后根据每个关键词组中两个关键词与待处理文本的包含关系确定该关键词组的权重，并且根据待处理文本的主题标签中的主题含义词语，通过查找确定每个关键词组中两个关键词作为该主题含义词语的概率分数；之后，针对每个关键词组，将该关键词组的权重、其中两个关键词的概率分数输入关键词分数公式中，可以得到该关键词组在待处理文本上的关键词分数。

上述关键词分数公式可以表示为g＝w*0.1/(A+B)，其中表示为一个关键词组在待处理文本上的关键词分数，w表示权重，A表示该关键词组中一个关键词针对待处理文本的概率分数，B表示该关键词组中另一个关键词针对待处理文本的概率分数。将两个概率分数之和作为分母处理，能够提高小众关键词标签的得分。通过双词组合匹配的方式，能够最大程度保证语义的完整性。

可选的，根据每个关键词组中两个关键词与待处理文本的包含关系确定其权重，包括：针对每个关键词组，当其中两个关键词均位于待处理文本中，则确定该关键词组的权重为第一权重；当仅有一个关键词位于待处理文本中，则确定该关键词组的权重为第二权重，其中，待处理文本为标题信息，其中，第一权重大于第二权重。

上述第一权重和第二权重可以根据实际情况设置，例如第一权重可以设置为1.5，第二权重可以设置为1。例如，假设一个关键词组中包括关键词A和关键词B，当关键词A和关键词B都在待处理文本中，则该关键词组的权重为1.5，而当关键词A或关键词B在待处理文本中，则该关键词组的权重为1。

步骤203、针对每个目标文本，将该目标文本的主题概率分数、共同关键词标签在该目标文本下的共同关键词分数以及共同关键词标签的数量的乘积确定为该目标文本的单相似度分数。

上述单相似度分数可以通过公式S＝T*G*N，其中，S表示一个目标文本的单相似度分数，T表示该目标文本的主题概率分数，G表示共同关键词标签在该目标文本下的共同关键词分数，也即上述多个关键词组在该目标文件下的关键词分数g的和值，N表示共同关键词标签的数量。

步骤204、将两个目标文本的两个单相似度分数之和确定为相似度分数。

文本相似度确定装置在分别确定两个目标文本的两个单相似度分数之后，可以计算两个单相似度分数之和，得到最终的相似度分数，根据该相似度分数可以确定两个目标文本是否相似。

可选的，当相似度分数大于预设阈值，则可以确定两个目标文本相似；否则，可以确定两个目标文本不相似；或者，针对一个目标文本，可以确定该目标文本与多个其他目标文本的相似度分数，之后确定该目标文本与相似度分数最大的其他目标文本相似。确定两个目标文本相似之后，可以将两个目标文本对应的两个待处理多媒体进行绑定和配对，以备后续使用。

本公开实施例提供的文本相似度确定方案，获取两个目标文本，目标文本为待处理多媒体的文本信息；确定每个目标文本的结构化标签；根据每个目标文本的结构化标签确定两个目标文本之间的相似度。采用上述技术方案，通过为非结构化的文本添加结构化标签，进而可以根据结构化标签确定两个非结构化的文本的相似度，结合不同粒度的结构化特征进行相似度确定，提升结果的置信度，并且有利于后续数据分析，避免出现分析不置信的问题。

接下来通过一个具体的示例对本公开实施例提供的文本相似度确定方法进行进一步说明。图3为本公开实施例提供的一种文本相似度确定的示意图，如图3所示，以待处理多媒体为两个不同应用程序的游戏视频为例，目标文本为游戏视频的标题信息、游戏视频中的图像帧识别出来的文字内容以及该游戏视频被搜索的高频搜索词组成的非结构化文本，提前设置预设游戏名称集合和预设视频类型集合，文本相似度确定过程可以包括：

1、定义结构化标签。本方案可以定义结构化标签包括主题标签和内容标签，主题标签可以通过聚类的方式，自动发现主题类别，内容标签可以通过在聚合数据中总结类别得到，这样做的好处是可以充分体现数据的分布，比人工定义类别更符合实际情况。聚类的方法主要采用的是主题聚类模型(例如BTM或LDA)，本方案可以将多个游戏视频的目标文本输入主题聚类模型中，得到聚合结果，通过聚合结果分析，可以发现游戏类别下的视频聚合形态基本是按照游戏名聚合在一起，同一个游戏如果有多个聚合的主题，那么每个主题会有内容上的一些侧重，比如游戏A，有些主题是“A+生存100天+解说”，有些主题是“A+方块+攻略”等。因此本方案中对游戏视频的文本定义的结构化标签中的内容标签可以有三级：游戏名->关键词标签->视频类型(解说、流程、攻略等)。

2、给两个目标文本添加结构化标签。从视频集合中选取待处理的第一视频和第二视频，可以是选取两个应用程序中当日播放次数大于1万的第一视频和第二视频，并提取第一视频和第二视频分别对应的两个目标文本。通过上述主题聚类模型可以确定两个目标文本的结构化标签中的主题标签，主题标签可以包括主题标识、主题概率分数和主题含义词语，具体参见表1。

表1主题标签表

如表1所示，表中展示了两个目标文本的示例性的主题标签，这2个主题标签的主题标识分别为172和142，主题概率分数分别为0.012122和0.01122，主题含义词语数量可以为多个，并且还可以得到每个主题含义词语的概率分数。

针对每个目标文本，通过对目标文本分词和关键词抽取，生成可以表达该目标文本对应的游戏视频内容一些关键词集合A；同时，目标文本的主题含义词语组合得到一个表达主题含义的关键词集合B。然后根据已有的预设游戏名称集合，在关键词集合中匹配主题含义词语，得到每个目标文本对应的游戏视频的游戏名；再把同时出现在关键词集合A和关键词集合B中的词语提取出来，作为内容标签中的关键词标签；最后可以根据已有的预设视频类型集合，从关键词集合A中提取确定内容标签中的视频类型。

综上，针对每个目标文本，可以确定其结构化标签，具体可以包括主题标签加内容标签，具体参见表2。

表2结构化标签表

如表2所示，表中展示了2个示例性的结构化标签，游戏视频，包括表中的视频1和视频2，目标文本为游戏视频的视频标题信息，每个目标文本的结构化标签包括表2中的主题标识+游戏名+关键词标签+视频类型，主题标签在表2仅展示了主题标识，主题概率分数和主题含义词汇未在表中展示出。

3、确定两个目标文本的相似度分数。

两个游戏视频的目标文本的相似度确定的基本规则可以先判断两个目标文本的主题标签中的主题标识、内容标签中的名称以及类型是否均相同，名称相同，则说明两个目标文本对应的游戏是同一个游戏，主题标识相同则有相同的预测主题，说明有相似的内容侧重，然后匹配相同的视频类型，比如都是解说类。可以理解的是，由于视频类型的信息比较稀疏，不需要一定匹配上才可以。当确定两个目标文本的主题标识和名称相同时，确定两个目标文本之间的相似度分数。

相似度分数的公式如下：

第一视频的目标文本的单相似度分数＝第一视频的目标文本的主题概率分数*第一视频的目标文本的共同关键词分数*共同关键词标签的数量；

第二视频的目标文本的单相似度分数＝第二视频的目标文本的主题概率分数*第二视频的目标文本的共同关键词分数*共同关键词标签的数量；

相似度分数＝第一视频的目标文本的单相似度分数+第二视频的目标文本的单相似度分数。

其中，第一视频的目标文本的主题概率分数或第二视频的目标文本的主题概率分数，分别为两个目标文本的主题标签中的主题概率分数。

共同关键词标签可以是第一视频的目标文本的关键词标签和第一视频的目标文本的关键词标签的交集。第一视频的目标文本的共同关键词分数的含义可以是共同关键词标签在第一视频的目标文本上的匹配程度，第二视频的目标文本的共同关键词分数的含义类似，因为视频作者如果想要视频得到更多的分发，标题信息中通常会包含最关键的信息，因此目标文本在此时可以为标题信息。

参考聚类的思想，此时采用双词匹配，来最大程度保证语义的完整性。第一视频的目标文本的共同关键词分数＝w*0.1/(共同关键词标签A在第一视频的目标文本的关键词分数+共同关键词标签B在第一视频的目标文本的关键词分数)，其中，w可以表示权重，如果共同关键词标签A和共同关键词标签B都在第一视频的目标文本中，则w＝1.5，如果共同关键词标签A或共同关键词标签B在第一视频的目标文本中，w＝1；共同关键词标签在第一视频的目标文本的关键词分数可以为该共同关键词标签作为主题含义词的概率分数。最终得到的第一视频和第二视频的两个目标文本的相似度分数如表3所示。

表3相似度分数表

如表3所示，第一视频和第二视频的两个目标文本的主题标识均为142，游戏名均为游戏B，共同关键词标签包括生存和100天，视频类型均为解说，第一视频的单相似度分数即为第一视频的目标文本的单相似度分数为0.177，第二视频的单相似度分数即为第二视频的目标文本的单相似度分数为0.007，两个目标文本之间的相似度分数为0.187，两个目标文本的相似度分数即可表征第一视频和第二视频的相似度，根据相似度分数确定两个目标文本相似之后，可以将两个目标文本对应的第一视频和第二视频进行绑定和配对，以备后续分析使用。

上述两个视频绑定和配对之后，可以通过一个视频实现另一个视频的引流以及拉新。例如，针对游戏业务，游戏上线后，在后续分析时需要评估每个视频对的拉新指数。传统文本相似度方法匹配的视频对，分析拉新指数是从每一个配对的视频入手分析，存在分布稀疏、召回有限、出现问题随机性、以及量级过大等问题。本方案可以通过对视频对中两个视频的目标文本的结构化标签中不同层级的标签粒度计算视频对的拉新指数，例如可以通过主题或者主题加关键词等粒度，而且很容易对比各主题之间的指数差距，找到优化方向，同时聚合后的数据在统计量级上也是相对置信的，也即置信度较高。

本方案中，可以针对待处理多媒体的非结构化文本生成其结构化信息，并基于结构化信息确定不同非结构化文本之间的相似度，提升结果的置信度，并且在后期分析中，可以按照结构化标签中不同层级的类别标签对数据进行指标的统计计算，可以直观从类别上看到指标的变化，找到问题的优化点，相当于把单个数据聚合在不同粒度的类别上，计算方便，改善了后续的分析中存在分布稀疏、召回有限、出现问题随机性、以及量级过大等问题，避免出现分析不置信的问题

图4为本公开实施例提供的一种文本相似度确定装置的结构示意图，该装置可由软件和/或硬件实现，一般可集成在电子设备中。如图4所示，该装置包括：

获取模块401，用于获取两个目标文本，所述目标文本为待处理多媒体的文本信息；

标签模块402，用于确定每个所述目标文本的结构化标签；

相似度模块403，用于根据每个所述目标文本的结构化标签确定两个所述目标文本之间的相似度。

可选的，所述结构化标签包括主题标签和内容标签，所述标签模块402包括：

主题单元，用于根据预先构建的主题聚类模型确定所述目标文本的结构化标签中的主题标签；

内容单元，用于根据所述目标文本、预设名称集合和预设类型集合，确定所述目标文本的结构化标签中的内容标签。

可选的，所述主题标签包括主题标识、主题概率分数和主题含义词语。

可选的，所述内容单元用于：

提取所述目标文本的关键词，得到第一关键词集合；

确定所述目标文本的主题标签对应的多个主题含义词语，将所述多个主题含义词语组合得到第二关键词集合；

根据所述第一关键词集合、所述第二关键词集合、所述预设名称集合以及所述预设类型集合，确定所述目标文本的内容标签。

可选的，所述内容标签包括名称、关键词标签和类型，所述内容单元用于：

根据所述预设名称集合在所述第二关键词集合中进行匹配，得到所述目标文本的内容标签中的名称；

将所述第一关键词集合和所述第二关键词集合中的相同词语确定为所述目标文本的内容标签中的关键词标签；

根据所述预设类型集合在所述第一关键词集合中进行匹配，得到所述目标文本的内容标签中的类型。

可选的，所述相似度模块403包括：

判断单元，用于判断两个所述目标文本的主题标签中的主题标识以及内容标签中的名称是否均相同；

分数单元，用于当确定两个所述目标文本的主题标签以及名称均相同，则确定两个所述目标文本之间的相似度分数，根据所述相似度分数确定两个所述目标文本是否相似。

可选的，所述分数单元包括：

第一子单元，用于将两个所述目标文本的内容标签中相同的关键词标签确定为共同关键词标签；

第二子单元，用于确定所述共同关键词标签分别在两个所述目标文本上的共同关键词分数，并确定所述共同关键词标签的数量；

第三子单元，用于针对每个所述目标文本，将该目标文本的主题概率分数、所述共同关键词标签在该目标文本下的共同关键词分数以及所述共同关键词标签的数量的乘积确定为该目标文本的单相似度分数；

第四子单元，用于将两个所述目标文本的两个单相似度分数之和确定为相似度分数。

可选的，所述第二子单元用于：

将所述共同关键词标签中的多个关键词进行两两组合，得到多个关键词组；

针对每个所述关键词组，确定其在每个所述目标文本上的关键词分数；

针对每个所述目标文本，将多个所述关键词组在该目标文本的关键词分数之和确定为该目标文本的共同关键词分数。

可选的，所述第二子单元用于：

将每个所述目标文本确定为待处理文本；

根据每个所述关键词组中两个关键词与所述待处理文本的包含关系确定其权重；

确定每个所述关键词组中两个关键词作为所述待处理文本的主题含义词语的概率分数；

针对每个所述关键词组，根据该关键词组的权重以及该关键词组中两个关键词作为所述待处理文本的主题含义词语的概率分数，确定该关键词组在所述待处理文本上的关键词分数。

可选的，所述第二子单元用于：

针对每个所述关键词组，当其中两个关键词均位于所述待处理文本中，则确定该关键词组的权重为第一权重；当仅有一个关键词位于所述待处理文本中，则确定该关键词组的权重为第二权重，其中，所述第一权重大于所述第二权重。

本公开实施例所提供的文本相似度确定装置可执行本公开任意实施例所提供的文本相似度确定方法，具备执行方法相应的功能模块和有益效果。

本公开实施例还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本公开任意实施例所提供的文本相似度确定方法。

图5为本公开实施例提供的一种电子设备的结构示意图。下面具体参考图5，其示出了适于用来实现本公开实施例中的电子设备500的结构示意图。本公开实施例中的电子设备500可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置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。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的文本相似度确定方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取两个目标文本，所述目标文本为待处理多媒体的文本信息；确定每个所述目标文本的结构化标签；根据每个所述目标文本的结构化标签确定两个所述目标文本之间的相似度。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

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。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (13)

1.一种文本相似度确定方法，其特征在于，包括：

获取两个目标文本，所述目标文本为待处理多媒体的文本信息；

确定每个所述目标文本的结构化标签；

根据每个所述目标文本的结构化标签确定两个所述目标文本之间的相似度。

2.根据权利要求1所述的方法，其特征在于，所述结构化标签包括主题标签和内容标签，所述确定每个所述目标文本的结构化标签，包括：

根据预先构建的主题聚类模型确定所述目标文本的结构化标签中的主题标签；

根据所述目标文本、预设名称集合和预设类型集合，确定所述目标文本的结构化标签中的内容标签。

3.根据权利要求2所述的方法，其特征在于，所述主题标签包括主题标识、主题概率分数和主题含义词语。

4.根据权利要求2所述的方法，其特征在于，根据所述目标文本、预设名称集合和预设类型集合，确定所述目标文本的结构化标签中的内容标签，包括：

提取所述目标文本的关键词，得到第一关键词集合；

确定所述目标文本的主题标签对应的多个主题含义词语，将所述多个主题含义词语组合得到第二关键词集合；

根据所述第一关键词集合、所述第二关键词集合、所述预设名称集合以及所述预设类型集合，确定所述目标文本的内容标签。

5.根据权利要求4所述的方法，其特征在于，所述内容标签包括名称、关键词标签和类型，根据所述第一关键词集合、所述第二关键词集合、所述预设名称集合以及所述预设类型集合，确定所述目标文本的内容标签，包括：

根据所述预设名称集合在所述第二关键词集合中进行匹配，得到所述目标文本的内容标签中的名称；

将所述第一关键词集合和所述第二关键词集合中的相同词语确定为所述目标文本的内容标签中的关键词标签；

根据所述预设类型集合在所述第一关键词集合中进行匹配，得到所述目标文本的内容标签中的类型。

6.根据权利要求1所述的方法，其特征在于，根据每个所述目标文本的结构化标签确定两个所述目标文本之间的相似度，包括：

判断两个所述目标文本的主题标签中的主题标识以及内容标签中的名称是否均相同；

当确定两个所述目标文本的主题标签以及名称均相同，则确定两个所述目标文本之间的相似度分数，根据所述相似度分数确定两个所述目标文本是否相似。

7.根据权利要求6所述的方法，其特征在于，确定两个所述目标文本之间的相似度分数，包括：

将两个所述目标文本的内容标签中相同的关键词标签确定为共同关键词标签；

确定所述共同关键词标签分别在两个所述目标文本上的共同关键词分数，并确定所述共同关键词标签的数量；

针对每个所述目标文本，将该目标文本的主题概率分数、所述共同关键词标签在该目标文本下的共同关键词分数以及所述共同关键词标签的数量的乘积确定为该目标文本的单相似度分数；

将两个所述目标文本的两个单相似度分数之和确定为相似度分数。

8.根据权利要求7所述的方法，其特征在于，确定所述共同关键词标签分别在两个所述目标文本上的共同关键词分数，包括：

将所述共同关键词标签中的多个关键词进行两两组合，得到多个关键词组；

针对每个所述关键词组，确定其在每个所述目标文本上的关键词分数；

针对每个所述目标文本，将多个所述关键词组在该目标文本的关键词分数之和确定为该目标文本的共同关键词分数。

9.根据权利要求8所述的方法，其特征在于，针对每个所述关键词组，确定其在每个所述目标文本上的关键词分数，包括：

将每个所述目标文本确定为待处理文本；

根据每个所述关键词组中两个关键词与所述待处理文本的包含关系确定其权重；

确定每个所述关键词组中两个关键词作为所述待处理文本的主题含义词语的概率分数；

针对每个所述关键词组，根据该关键词组的权重以及该关键词组中两个关键词作为所述待处理文本的主题含义词语的概率分数，确定该关键词组在所述待处理文本上的关键词分数。

10.根据权利要求9所述的方法，其特征在于，根据每个所述关键词组中两个关键词与所述待处理文本的包含关系确定其权重，包括：

针对每个所述关键词组，当其中两个关键词均位于所述待处理文本中，则确定该关键词组的权重为第一权重；当仅有一个关键词位于所述待处理文本中，则确定该关键词组的权重为第二权重，其中，所述第一权重大于所述第二权重。

11.一种文本相似度确定装置，其特征在于，包括：

获取模块，用于获取两个目标文本，所述目标文本为待处理多媒体的文本信息；

标签模块，用于确定每个所述目标文本的结构化标签；

相似度模块，用于根据每个所述目标文本的结构化标签确定两个所述目标文本之间的相似度。

12.一种电子设备，其特征在于，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-10中任一所述的文本相似度确定方法。

13.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-10中任一所述的文本相似度确定方法。

Images