CN114970553A

CN114970553A - 基于大规模无标注语料的情报分析方法、装置及电子设备

Info

Publication number: CN114970553A
Application number: CN202210903112.2A
Authority: CN
Inventors: 王吉平; 杨晓冬
Original assignee: Beijing Daoda Tianji Technology Co ltd
Current assignee: Beijing Daoda Tianji Technology Co ltd
Priority date: 2022-07-29
Filing date: 2022-07-29
Publication date: 2022-08-30
Anticipated expiration: 2042-07-29
Also published as: CN114970553B

Abstract

本公开的实施例提供了一种基于大规模无标注语料的情报分析方法、装置及电子设备，涉及数据分类技术领域。所述方法包括：建立主题模型，获取情报中的关键词；对情报进行摘要提取，获取摘要信息和情报文档级信息；对情报进行倾向性分析，并添加倾向分类标签；对情报进行时间序列分析，得到时序分类结果；根据情报对应的关键词、摘要信息、倾向性分类标签、时序分类结果中的一个或多个，结合地理空间信息及其他情报素材，对情报进行分析。以此方式，可以提高情报信息处理能力，且经处理后的情报分类清晰，查找容易，大大提高后续的情报查找效率。

Description

基于大规模无标注语料的情报分析方法、装置及电子设备

技术领域

本公开涉及数据分类技术领域，尤其涉及情报分类技术领域，具体提供一种基于大规模无标注语料的情报分析方法、装置及电子设备。

背景技术

情报工作是一项非常复杂且庞大的工程，特别是情报信息来源丰富，内容结构不一致，数据体量庞大，而传统的机器算法加人工筛选中需要投入大量人力和机器算力，已无法满足互联网信息爆炸式高速发展的产生的数据资料处理应用需求，更不能通过简单的信息全文索引达到情报获取的目的。

发明内容

本公开提供了一种基于大规模无标注语料的情报分析方法、装置及电子设备。

根据本公开的第一方面，提供一种基于大规模无标注语料的情报分析方法，包括：

建立主题模型，获取情报中的关键词；

对情报进行摘要提取，获取摘要信息和情报文档级信息；

对情报进行倾向性分析，并添加倾向分类标签；

对情报进行时间序列分析，得到时序分类结果；

根据情报对应的关键词、摘要信息、倾向性分类标签、时序分类结果中的一个或多个，结合地理空间信息及其他情报素材，对情报进行分析。

在第一方面的一些实施方式中，所述获取情报中的关键词包括：

在主题描述中保留与主题相关的字词作为情报中的关键词，并应用LDAvis可视化展现分析。

在第一方面的一些实施方式中，所述对情报进行摘要提取，获取摘要信息和情报文档级信息包括：

将每份情报中的句子进行向量化表示，根据句子向量获取摘要信息和情报文档级信息。

在第一方面的一些实施方式中，所述将每份情报中的句子进行向量化表示包括：

将每份情报中的句子输入预先训练好的BERT模型，输出句子向量。

在第一方面的一些实施方式中，BERT模型训练过程包括：

利用平行语料对BERT模型进行预训练；

根据情报分类任务、情报特征向量、情报实体命名中的一个或多个对BERT模型微调。

在第一方面的一些实施方式中，所述对情报进行倾向性分析，并添加倾向分类标签包括：

采用双向LSTM网络，对情报摘要信息进行倾向性分析，并添加倾向分类标签。

在第一方面的一些实施方式中，所述对情报进行时间序列分析，得到时序分类结果包括：

采用双向LSTM网络，获取上下文信息，根据上下文信息对情报进行时间序列分析，得到时序分类结果。

在第一方面的一些实施方式中，所述根据上下文信息对情报进行时间序列分析包括：

根据上下文信息，结合倾向分类标签以及上下文信息对情报进行时间序列分析。

根据本公开的第二方面，提供了一种基于大规模无标注语料的情报分析装置。该装置包括：

关键词提取单元，用于建立主题模型，获取情报中的关键词；

摘要提取单元，用于对情报进行摘要提取，获取摘要信息和情报文档级信息；

标注单元，用于对情报进行倾向性分析，并添加倾向分类标签；

时序分析单元，用于对情报进行时间序列分析，得到时序分类结果；

综合分析单元，用于根据情报对应的关键词、摘要信息、倾向性分类标签、时序分类结果中的一个或多个，结合地理空间信息及其他情报素材，对情报进行分析。

根据本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如本公开的第一方面所述的方法。

本公开通过主题模型等对情报资料进行全方位多维度的智能分析处理，形成科技情报。本公开构建了一种高效率、智能化、专业化的情报信息的综合分析技术，进而提高情报信息处理能力，且经处理后的情报分类清晰，查找容易，大大提高后续的情报查找效率。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，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。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1示出了根据本公开的实施例的基于大规模无标注语料的情报分析方法的流程图；

图2示出了根据本公开的实施例的基于大规模无标注语料的情报分析装置的框图；

图3示出了用来实现本公开实施例的基于大规模无标注语料的情报分析方的电子设备的框图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。

另外，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，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

本公开提供了一种基于大规模无标注语料的情报分析方法、装置及电子设备。旨在降低情报资料处理难度，使得孤立信息之间存在关联性，对情报资料进行准确、全面的研究。

图1示出了根据本公开的实施例的基于大规模无标注语料的情报分析方法的流程图。

如图1所示，所述基于大规模无标注语料的情报分析方法100包括：

S101: 建立主题模型，获取情报中的关键词；

S102: 对情报进行摘要提取，获取摘要信息和情报文档级信息；

S103: 对情报进行倾向性分析，并添加倾向分类标签；

S104: 对情报进行时间序列分析，得到时序分类结果；

S105: 根据情报对应的关键词、摘要信息、倾向性分类标签、时序分类结果中的一个或多个，结合地理空间信息及其他情报素材，对情报进行分析。

在S101中，所述主题模型是以非监督学习的方式对文集的隐含语义结构进行聚类的统计模型。所述主题模型包括：PLSA、LDA、L-LDA、BERTopic等。

在S101中，所述获取情报中的关键词包括：

将各途径获取的情报相关资料，使用BERTopic主题建模技术，利用hugging_face转换程序和c-TF-IDF创建聚类簇，建立情报特征主题模型，使情报资料易于理解，同时在主题描述中保留重要字词，并应用LDAvis可视化展现分析。

根据本公开的实施例，保留与主题相关的字词作为关键词，并进行可视化展现分析，可以确定关键词是否恰当，如不恰当则重新获取关键词。可以理解的是，使用关键词作为主题，利于情报分析人员快速对情报有初步了解。

在S102中，所述对情报进行摘要提取，获取摘要信息和情报文档级信息包括：

将句子向量传递向量模型，从而捕获情报文档级功能；并根据句子向量提取情报摘要信息、特征特性等。所述向量模型可以为BERT模型。

所述情报文档级信息，即情报依据文档自然段落，和段落大意，生成类似文档目录的分层结构。

所述提取情报摘要信息可以通过智能算法使摘要自动生成，所述摘要自动生成分两种方式：抽取式和生成式。所述抽取式即抽取原文中的特定内容；所述生成式即是根据原文大意，来自动生成内容，具体可根据算法进行调整。

根据本公开的实施例，将句子向量化表示，并提取文档级和摘要，便于情报分析人员快速理清情报结构及大致内容，且句子向量化表示后，上述内容可以由机器完成，大大节约了人工成本。

在一些实施方式中，所述将每份情报中的句子进行向量化表示包括：

具体的，修改BERT模型，将情报资料生成多个句子进行嵌入。通过在每个句子的开头之前插入[CLS]令牌，然后输出的是每个句子的句子向量。并将最终的汇总预测与基本事实进行比较，并将损失用于训练汇总层和BERT模型。

在一些实施方式中，BERT模型训练过程包括：

利用平行语料对BERT模型进行预训练；

在一些实施例中，分别用12层和24层Transformer Encoder组装了两套BERT模型，两套模型的参数总数分别为110M和340M，对应的超参数分别如下：

BERT _BASE :L=12,H=768,A=12,参数总量110M;

BERT _BASE :L=24,H=1024,A=16,参数总量340M;

L表示网络的层数（即Transformer blocks的数量），A表示Multi-Head Attention中self-Attention的数量，filter的尺寸是4H。

对BERT模型的训练包括预训练和微调，以下分别对预训练和微调进行介绍。

预训练：

BERT是一个多任务模型，任务由两个自监督任务组成，即屏蔽语言建模(MLM)和下一句预测(NSP)。

屏蔽语言建模任务是指在训练的时候随即从输入预料上mask掉一些单词，然后通过上下文预测该单词。正如传统的语言模型算法和RNN匹配那样，MLM的这个性质和Transformer的结构是非常匹配的。模型训练时，一个句子会被多次喂到模型中用于参数学习，但是并没有在每次都mask掉这些单词，而是在确定要mask掉的单词之后，80%的时候会直接替换为[Mask]，10%的时候将其替换为其它任意单词，10%的时候会保留原始Token。加入随机Token 保持Transformer对每个输入token的分布式表征，每次预测15%的单词，因此模型收敛的比较慢。

下一句预测任务是判断句子B是否是句子A的下文。训练数据的生成方式是从平行语料中随机抽取的连续两句话，其中50%保留抽取的两句话符合IsNext关系，随机从预料中提取另外50%的第二句话，它们是NotNext关系。

在海量单预料上训练完BERT之后，便可以将其应用到情报分析处理的各个任务中去。对于NSP任务来说，其条件概率表示为P=softmax(CW) ^T，其中C是BERT输出中的[CLS]符号，W是可学习的权值矩阵。

微调：

微调的任务包括以下四个方面：

（a）基于双份情报资料的分类任务

MNLI：给定一个前提，根据这个前提去推断假设与前提的关系。该任务的关系分为三种，蕴含关系、矛盾关系以及中立关系。发掘前提和假设这两份情报资料对之间的交互信息。

QQP：基于Quora，判断 Quora 上的两份情报资料是否表示的是一样的意思。

QNLI：用于判断文本是否包含问题的答案，定位问题所在的段落。

STS-B：预测两份情报的相似性。

MRPC：判断两份情报是否是语义等价的。

RTE：类似于MNLI，但是只是对蕴含关系的二分类判断，而且数据集更小。

SWAG：从若干个句子中选择可能为前句下文的那个。

（b）基于单情报资料的分类任务

SST-2：情报资料评价的情感分析。

CoLA：句子语义判断，是否是可接受的。

对于GLUE数据集的分类任务（MNLI，QQP，QNLI，SST-B，MRPC，RTE，SST-2，CoLA），在情报资料文本前插入一个[CLS]标志生成一组特征向量 C ，将该符号对应的输出向量作为整篇文本的语义表示，用于文本分类，并通过一层全连接进行微调。可以理解为：与文本中已有的其它字/词相比，这个无明显语义信息的符号会更“公平”地融合文本中各个字/词的语义信息。

（c）情报资料阅读理解简答

SQuAD：使用不同预训练检查点和微调种子（fine-tuning seed）系统。SQuAD的输入是问题和描述文本的句子对。输出是特征向量，通过在描述文本上接一层激活函数为softmax的全连接来获得输出文本的条件概率，全连接的输出节点个数是语料中Token的个数。

（d）情报命名实体识别

CoNLL-2003 NER：判断一个情报资料中的单词是不是Person，Organization，Location，Miscellaneous或者other（无命名实体）。微调CoNLL-2003 NER时将整个句子作为输入，在每个时间片输出一个概率，并通过softmax得到这个Token的实体类别。

根据本公开的实施例，由于情报方向及领域众多，想要更全面准确的获取专业领域情报信息，需要针对性的进行专业领域情报要素特征预训练，按照指定的词汇进行获取其词向量，以更准确的获取该领域情报信息。应用BERT模型，通过利用大规模无标注语料训练，使计算机能够读懂情报，即：文本的语义表示，然后将文本的语义表示在科技情报智能分析任务中作微调，最终应用于科技情报智能分析任务中。

在S103中，所述对情报进行倾向性分析，并添加倾向分类标签包括：

采用双向的LSTM网络来实现，直接把结果展开然后做线性变化，在线性变化上再加一层激活层。保证前向传播和后向传播可以顺利进行，得到的结果可以转化为标签结果。对情报资料进行意向、倾向分类标签。

所述倾向分类标签便于情报分析人员体会情报所表达的情感，如情报为“杰克讨厌吃香蕉”，那么可以提炼得到的分类标签，为香蕉的负面标签。

在S104中，所述对情报进行时间序列分析，得到时序分类结果包括：

采用双向LSTM，加入了MASK，获取上下文信息，处理和预测时间序列中间隔和延迟相对较长的重要事件，对情报资料进行时序分类提取。

在一些实施例中，所述根据上下文信息对情报进行时间序列分析包括：

可以理解的是，倾向分类标签与时间序列结合分析，有时可以得到情报的因果关系，如情报为“杰克在1995年连续吃了很多香蕉，杰克讨厌吃香蕉”，因此，杰克对香蕉的负面情绪的原因为，1995年吃了很多香蕉。

在S105中，根据情报对应的关键词、摘要信息、倾向性分类标签、时序分类结果中的一个或多个，结合地理空间信息及其他情报素材，对情报进行分析。

如在上述例子中，若收集到杰克1995年所在区域的情报，并发现该地区当年香蕉产量暴增，则该情报可以分析为：由于1995年该地香蕉产量暴增，可能导致了香蕉价格低廉，杰克或其家人买入大量香蕉，导致杰克吃了很多香蕉，自此之后杰克讨厌吃香蕉。

综上所述，本公开通过一个预训练的语言表征模型，生成深度的双向语言表征，对收集的资料进行全方位多维度的智能分析处理形成科技情报。构建一种高效率、智能化、专业化的情报信息的综合技术，进而提高情报信息处理能力。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图2示出了根据本公开的实施例的基于大规模无标注语料的情报分析装置200的框图。

如图2所示，所述基于大规模无标注语料的情报分析装置200包括：

关键词提取单元201，用于建立主题模型，获取情报中的关键词；

摘要提取单元202，用于对情报进行摘要提取，获取摘要信息和情报文档级信息；

标注单元203，用于对情报进行倾向性分析，并添加倾向分类标签；

时序分析单元204，用于对情报进行时间序列分析，得到时序分类结果；

综合分析单元205，用于根据情报对应的关键词、摘要信息、倾向性分类标签、时序分类结果中的一个或多个，结合地理空间信息及其他情报素材，对情报进行分析。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的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。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，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3示出了可以用来实施本公开的实施例的电子设备300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。

设备300包括计算单元301，其可以根据存储在只读存储器（ROM）302中的计算机程序或者从存储单元308加载到随机访问存储器（RAM）303中的计算机程序，来执行各种适当的动作和处理。在RAM 303中，还可存储设备300操作所需的各种程序和数据。计算单元301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。

设备300中的多个部件连接至I/O接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300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301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301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301执行上文所描述的各个方法和处理，例如方法100。例如，在一些实施例中，方法100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308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM303并由计算单元301执行时，可以执行上文描述的方法100的一个或多个步骤。备选地，在其他实施例中，计算单元301可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行方法100。

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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

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

1.一种基于大规模无标注语料的情报分析方法，其特征在于，包括：

建立主题模型，获取情报中的关键词；

对情报进行摘要提取，获取摘要信息和情报文档级信息；

对情报进行倾向性分析，并添加倾向分类标签；

对情报进行时间序列分析，得到时序分类结果；

2.根据权利要求1所述的基于大规模无标注语料的情报分析方法，其特征在于，所述获取情报中的关键词包括：

3.根据权利要求1所述的基于大规模无标注语料的情报分析方法，其特征在于，所述对情报进行摘要提取，获取摘要信息和情报文档级信息包括：

4.根据权利要求3所述的基于大规模无标注语料的情报分析方法，其特征在于，所述将每份情报中的句子进行向量化表示包括：

5.根据权利要求4所述的基于大规模无标注语料的情报分析方法，其特征在于，BERT模型训练过程包括：

利用平行语料对BERT模型进行预训练；

6.根据权利要求1所述的基于大规模无标注语料的情报分析方法，其特征在于，所述对情报进行倾向性分析，并添加倾向分类标签包括：

7.根据权利要求6所述的基于大规模无标注语料的情报分析方法，其特征在于，所述对情报进行时间序列分析，得到时序分类结果包括：

8.根据权利要求7所述的基于大规模无标注语料的情报分析方法，其特征在于，所述根据上下文信息对情报进行时间序列分析包括：

9.一种基于大规模无标注语料的情报分析装置，其特征在于，包括：

10.一种电子设备，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；其特征在于，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1-8中任一项所述的方法。