CN115168585A - 文本主题识别方法、装置、设备及存储介质 - Google Patents

文本主题识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115168585A
CN115168585A CN202210863350.5A CN202210863350A CN115168585A CN 115168585 A CN115168585 A CN 115168585A CN 202210863350 A CN202210863350 A CN 202210863350A CN 115168585 A CN115168585 A CN 115168585A
Authority
CN
China
Prior art keywords
text
word frequency
fluctuation
word
preset
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
Application number
CN202210863350.5A
Other languages
English (en)
Inventor
季宇轩
陈贝妮
李婷
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.)
Shenzhen Pingan Integrated Financial Services Co ltd
Original Assignee
Shenzhen Pingan Integrated Financial Services Co ltd
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 Shenzhen Pingan Integrated Financial Services Co ltd filed Critical Shenzhen Pingan Integrated Financial Services Co ltd
Priority to CN202210863350.5A priority Critical patent/CN115168585A/zh
Publication of CN115168585A publication Critical patent/CN115168585A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及人工智能，提供一种文本主题识别方法、装置、设备及存储介质。该方法基于监控时段的第一文本中的第一关键词及前序时段的第二文本中的第二关键词识别出目标关键词，计算目标关键词在第一文本中的第一词频及在第二文本中的第二词频，基于第一词频及第二词频量化出词频占比波动，根据第一词频及第二词频生成的加权词频占比与预设拐点参数的关系生成波动可信度，基于词频占比波动及波动可信度识别出波动指数，根据波动指数选取待选词汇，对所述待选词汇进行聚类处理，提高主题信息的准确性。此外，本发明还涉及区块链技术，所述主题信息可存储于区块链中。

Description

文本主题识别方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种文本主题识别方法、装置、设备及存储介质。
背景技术
在电话服务场景中，通过进线文本数据能够识别出进线通话是否与某舆情/特殊事件相关。目前，由于客户在交互过程中通常不会向坐席反复强调、说明舆情/特殊事件，导致无法识别出进线文本数据的数据主题，造成事件响应的严重滞后，甚至遗漏。
因此，如何识别出进线文本数据的主题信息，以辅助舆情事件的识别，成了亟需解决的技术问题。
发明内容
鉴于以上内容，有必要提供一种文本主题识别方法、装置、设备及存储介质，能够解决无法准确的识别出进线文本数据的主题信息的技术问题。
一方面，本发明提出一种文本主题识别方法，所述文本主题识别方法包括：
获取监控时段的第一文本及前序时段的第二文本；
基于所述第一文本中的第一关键词及所述第二文本中的第二关键词识别出目标关键词；
计算所述目标关键词在所述第一文本中的第一词频，并计算所述目标关键词在所述第二文本中的第二词频；
基于所述第一词频及所述第二词频量化出所述目标关键词的词频占比波动；
根据所述第一词频及所述第二词频生成的加权词频占比与预设拐点参数的关系生成所述目标关键词的波动可信度；
基于所述词频占比波动及所述波动可信度识别出所述目标关键词的波动指数；
根据所述波动指数及预设波动阈值从所述目标关键词中选取待选词汇；
基于所述第一文本对所述待选词汇进行聚类处理，得到所述第一文本的主题信息。
根据本发明优选实施例，所述基于所述第一文本中的第一关键词及所述第二文本中的第二关键词识别出目标关键词包括：
基于预设标识对所述第一文本进行正则化处理，得到第一标准文本，并基于所述预设标识对所述第二文本进行正则化处理，得到第二标准文本；
对所述第一标准文本进行分词处理，得到第一分词，并对所述第二标准文本进行分词处理，得到第二分词；
基于预设停用词表对所述第一分词进行清洗处理，得到所述第一关键词，并基于所述预设停用词表对所述第二分词进行清洗处理，得到所述第二关键词；
将与所述第二关键词相同的第一关键词确定为所述目标关键词。
根据本发明优选实施例，所述词频占比波动的计算公式为：
Figure BDA0003756084010000021
其中，fct(P)表示所述词频占比波动，freqt(P)表示所述第一词频，freqc(P)表示所述第二词频。
根据本发明优选实施例，所述根据所述第一词频及所述第二词频生成的加权词频占比与预设拐点参数的关系生成所述目标关键词的波动可信度包括：
对所述第一词频及所述第二词频进行加权和运算，得到所述加权词频占比；
比较所述加权词频占比与所述预设拐点参数；
若所述加权词频占比大于或者等于所述预设拐点参数，则将所述波动可信度确定为配置数值；或者
若所述加权词频占比大于或者等于所述预设拐点参数，则将所述加权词频占比与所述预设拐点参数的比值确定为所述波动可信度。
根据本发明优选实施例，在根据所述第一词频及所述第二词频生成的加权词频占比与预设拐点参数的关系生成所述目标关键词的波动可信度之前，所述方法还包括：
获取参数范围，并获取训练文本；
依照预设比值从所述参数范围中获取多个训练拐点参数；
基于所述多个训练拐点参数对所述训练文本进行测试处理，得到测试结果；
将所述测试结果最优的训练拐点参数确定为所述预设拐点参数。
根据本发明优选实施例，所述基于所述词频占比波动及所述波动可信度识别出所述目标关键词的波动指数包括：
计算所述词频占比波动与所述波动可信度的乘积，得到所述波动指数。
根据本发明优选实施例，所述基于所述第一文本对所述待选词汇进行聚类处理，得到所述第一文本的主题信息包括：
将所述待选词汇中的任一词汇确定为主题中心词，并将除所述主题中心词外的待选词汇确定为非中心词；
统计所述主题中心词在所述第一文本中的中心词汇数量，并统计所述非中心词在所述第一文本中的非中心词汇数量；
将所述中心词汇数量与所述非中心词汇数量的比值确定为所述主题中心词与所述非中心词的共现率；
将所述共现率大于预设共现阈值的非中心词合并至所述主题中心词的主题中，得到多个初始主题；
将所述多个初始主题中含有相同词汇的主题进行合并，得到所述主题信息。
另一方面，本发明还提出一种文本主题识别装置，所述文本主题识别装置包括：
获取单元，用于获取监控时段的第一文本及前序时段的第二文本；
识别单元，用于基于所述第一文本中的第一关键词及所述第二文本中的第二关键词识别出目标关键词；
计算单元，用于计算所述目标关键词在所述第一文本中的第一词频，并计算所述目标关键词在所述第二文本中的第二词频；
量化单元，用于基于所述第一词频及所述第二词频量化出所述目标关键词的词频占比波动；
生成单元，用于根据所述第一词频及所述第二词频生成的加权词频占比与预设拐点参数的关系生成所述目标关键词的波动可信度；
所述识别单元，还用于基于所述词频占比波动及所述波动可信度识别出所述目标关键词的波动指数；
选取单元，用于根据所述波动指数及预设波动阈值从所述目标关键词中选取待选词汇；
聚类单元，用于基于所述第一文本对所述待选词汇进行聚类处理，得到所述第一文本的主题信息。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述文本主题识别方法。
另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述文本主题识别方法。
由以上技术方案可以看出，本发明通过获取前序时段作为比较时段，能够保证所述第一文本及所述第二文本在结构上尽可能地相似，以便在提取监控时段异常变化特征时，降低常规进线文本产生的干扰，进一步地，结合所述词频占比波动及所述波动可信度能够准确的识别出所述目标关键词的波动指数，进而通过所述波动指数筛选出所述待选词汇进行聚类，有效减少了非事件低频词对所述待选词汇造成的干扰，同时也保留了低频高波动事件特征词被预警的可能，提高了所述主题信息的识别准确性。
附图说明
图1是本发明文本主题识别方法的较佳实施例的流程图。
图2是本发明文本主题识别装置的较佳实施例的功能模块图。
图3是本发明实现文本主题识别方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明文本主题识别方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述文本主题识别方法可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述文本主题识别方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
101，获取监控时段的第一文本及前序时段的第二文本。
在本发明的至少一个实施例中，所述监控时段是指电话服务场景中客服服务期间的时段，例如，所述监控时段可以是9：00-10：00。所述前序时段的时长与所述监控时段的时长相等，且所述前序时段与所述监控时段邻近，例如，若所述监控时段的时长为2小时，则所述前序时段为所述监控时段之前的2小时。
所述第一文本是指处于所述监控时段的进线文本数据，所述第二文本是指处于所述前序时段的进线文本数据，其中，所述进线文本数据是指在电话服务场景中用户与客服之间的通话记录文本。
在本发明的至少一个实施例中，所述电子设备获取监控时段的第一文本及前序时段的第二文本包括：
埋点采集所述监控时段的第一通话记录，并采集所述前序时段的第二通话记录；
对所述第一通话记录进行文本转换，得到所述第一文本，并对所述第二通话记录进行文本转换，得到所述第二文本。
102，基于所述第一文本中的第一关键词及所述第二文本中的第二关键词识别出目标关键词。
在本发明的至少一个实施例中，所述第一关键词是指所述第一文本预处理后所得到的词汇，所述第二关键词是指所述第二文本预处理后所得到的词汇，所述目标关键词是指所述第一关键词与所述第二关键词相同的词汇。
在本发明的至少一个实施例中，所述电子设备基于所述第一文本中的第一关键词及所述第二文本中的第二关键词识别出目标关键词包括：
基于预设标识对所述第一文本进行正则化处理，得到第一标准文本，并基于所述预设标识对所述第二文本进行正则化处理，得到第二标准文本；
对所述第一标准文本进行分词处理，得到第一分词，并对所述第二标准文本进行分词处理，得到第二分词；
基于预设停用词表对所述第一分词进行清洗处理，得到所述第一关键词，并基于所述预设停用词表对所述第二分词进行清洗处理，得到所述第二关键词；
将与所述第二关键词相同的第一关键词确定为所述目标关键词。
其中，所述预设标识可以是任意符号标记。
所述第一标准文本是指利用所述预设标识对所述第一文本中的数字、地点进行正则化后所得到的文本信息。
所述预设停用词表中存储有多个不具有语义信息的词汇，例如，所述预设停用词表中存储有所述预设标识等。
通过上述实施方式，能够避免不具有语义信息的词汇的干扰，提高了所述目标关键词的识别准确性。
103，计算所述目标关键词在所述第一文本中的第一词频，并计算所述目标关键词在所述第二文本中的第二词频。
在本发明的至少一个实施例中，所述第一词频是指所述目标关键词在所述第一文本中出现的频率，所述第二词频是指所述目标关键词在所述第二文本中出现的频率。
在本发明的至少一个实施例中，所述电子设备计算所述目标关键词在所述第一文本中的第一词频包括：
统计所述目标关键词在所述第一文本中的词汇数量，并统计包含所述目标关键词的第一文本的文本数量；
计算所述词汇数量在所述文本数量上的比值，得到所述第一词频。
在本发明的至少一个实施例中，所述第二词频的计算方式与所述第一词频的计算方式相似，本发明对此不再赘述。
104，基于所述第一词频及所述第二词频量化出所述目标关键词的词频占比波动。
在本发明的至少一个实施例中，所述词频占比波动是指所述目标关键词在所述第一文本及所述第二文本上的波动情况。
在本发明的至少一个实施例中，所述词频占比波动的计算公式为：
Figure BDA0003756084010000081
其中，fct(P)表示所述词频占比波动，freqt(P)表示所述第一词频，freqc(P)表示所述第二词频。
通过上述实施方式，能够准确的量化除所述词频占比波动。
105，根据所述第一词频及所述第二词频生成的加权词频占比与预设拐点参数的关系生成所述目标关键词的波动可信度。
在本发明的至少一个实施例中，所述加权词频占比是根据所述第一文本的文本权值及所述第二文本的文本权值对所述第一词频及所述第二词频进行加权和运算得到的。需要说明的是，每个目标关键词在所述第一文本中的文本权值相同。
所述预设拐点参数可以根据训练文本训练得到。
在本发明的至少一个实施例中，在根据所述第一词频及所述第二词频生成的加权词频占比与预设拐点参数的关系生成所述目标关键词的波动可信度之前，所述方法还包括：
获取参数范围，并获取训练文本；
依照预设比值从所述参数范围中获取多个训练拐点参数；
基于所述多个训练拐点参数对所述训练文本进行测试处理，得到测试结果；
将所述测试结果最优的训练拐点参数确定为所述预设拐点参数。
其中，所述参数范围可以是预先设定的数据区间。
所述预设比值可以根据所述预设拐点参数的识别精确度确定。
所述测试结果可以表示每个训练拐点参数对所述训练文本生成的训练能力，例如，所述测试结果可以是损失值。
所述预设拐点参数是指所述损失值最小的训练拐点参数。
通过对所述预设拐点参数进行网格搜索，能够提高所述预设拐点参数的准确性，从而提高所述波动可信度的准确性。
在本发明的至少一个实施例中，所述电子设备根据所述第一词频及所述第二词频生成的加权词频占比与预设拐点参数的关系生成所述目标关键词的波动可信度包括：
对所述第一词频及所述第二词频进行加权和运算，得到所述加权词频占比；
比较所述加权词频占比与所述预设拐点参数；
若所述加权词频占比大于或者等于所述预设拐点参数，则将所述波动可信度确定为配置数值；或者
若所述加权词频占比大于或者等于所述预设拐点参数，则将所述加权词频占比与所述预设拐点参数的比值确定为所述波动可信度。
通过上述实施方式，能够同时保留所述第一文本及所述第二文本对主题识别质量的影响。
106，基于所述词频占比波动及所述波动可信度识别出所述目标关键词的波动指数。
在本发明的至少一个实施例中，所述电子设备基于所述词频占比波动及所述波动可信度识别出所述目标关键词的波动指数包括：
计算所述词频占比波动与所述波动可信度的乘积，得到所述波动指数。
通过结合所述词频占比波动及所述波动可信度计算所述波动指数，能够避免因文本转换的识别错误而产生的超低频词对主题识别的影响。
107，根据所述波动指数及预设波动阈值从所述目标关键词中选取待选词汇。
在本发明的至少一个实施例中，所述预设波动阈值可以根据实际需求设定，例如，所述预设波动阈值可以设定为200。
在本发明的至少一个实施例中，所述待选词汇是指所述波动指数大于所述预设波动阈值的目标关键词。
108，基于所述第一文本对所述待选词汇进行聚类处理，得到所述第一文本的主题信息。
需要强调的是，为进一步保证上述主题信息的私密和安全性，上述主题信息还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述主题信息用于表征所述第一文本的主旨。所述主题信息可以用于在挖掘客户投诉特征表达、客户注销场景下高挽留率话术、长通时通话特征等任务的处理。
在本发明的至少一个实施例中，所述电子设备基于所述第一文本对所述待选词汇进行聚类处理，得到所述第一文本的主题信息包括：
将所述待选词汇中的任一词汇确定为主题中心词，并将除所述主题中心词外的待选词汇确定为非中心词；
统计所述主题中心词在所述第一文本中的中心词汇数量，并统计所述非中心词在所述第一文本中的非中心词汇数量；
将所述中心词汇数量与所述非中心词汇数量的比值确定为所述主题中心词与所述非中心词的共现率；
将所述共现率大于预设共现阈值的非中心词合并至所述主题中心词的主题中，得到多个初始主题；
将所述多个初始主题中含有相同词汇的主题进行合并，得到所述主题信息。
其中，所述主题中心词的主题是指包含有所述主题中心词的集合。
通过对具备相同词汇的主题进行合并，能够避免所述主题信息泛而不精，从而提高所述主题信息的合理性，同时，基于从所述第一文本中筛选除的关键词构建主题，能够提高所述主题信息的准确性。
由以上技术方案可以看出，本发明通过获取前序时段作为比较时段，能够保证所述第一文本及所述第二文本在结构上尽可能地相似，以便在提取监控时段异常变化特征时，降低常规进线文本产生的干扰，进一步地，结合所述词频占比波动及所述波动可信度能够准确的识别出所述目标关键词的波动指数，进而通过所述波动指数筛选出所述待选词汇进行聚类，有效减少了非事件低频词对所述待选词汇造成的干扰，同时也保留了低频高波动事件特征词被预警的可能，提高了所述主题信息的识别准确性。
如图2所示，是本发明文本主题识别装置的较佳实施例的功能模块图。所述文本主题识别装置11包括获取单元110、识别单元111、计算单元112、量化单元113、生成单元114、选取单元115、聚类单元116、测试单元117及确定单元118。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
获取单元110获取监控时段的第一文本及前序时段的第二文本。
在本发明的至少一个实施例中，所述监控时段是指电话服务场景中客服服务期间的时段，例如，所述监控时段可以是9：00-10：00。所述前序时段的时长与所述监控时段的时长相等，且所述前序时段与所述监控时段邻近，例如，若所述监控时段的时长为2小时，则所述前序时段为所述监控时段之前的2小时。
所述第一文本是指处于所述监控时段的进线文本数据，所述第二文本是指处于所述前序时段的进线文本数据，其中，所述进线文本数据是指在电话服务场景中用户与客服之间的通话记录文本。
在本发明的至少一个实施例中，所述获取单元110获取监控时段的第一文本及前序时段的第二文本包括：
埋点采集所述监控时段的第一通话记录，并采集所述前序时段的第二通话记录；
对所述第一通话记录进行文本转换，得到所述第一文本，并对所述第二通话记录进行文本转换，得到所述第二文本。
识别单元111基于所述第一文本中的第一关键词及所述第二文本中的第二关键词识别出目标关键词。
在本发明的至少一个实施例中，所述第一关键词是指所述第一文本预处理后所得到的词汇，所述第二关键词是指所述第二文本预处理后所得到的词汇，所述目标关键词是指所述第一关键词与所述第二关键词相同的词汇。
在本发明的至少一个实施例中，所述识别单元111基于所述第一文本中的第一关键词及所述第二文本中的第二关键词识别出目标关键词包括：
基于预设标识对所述第一文本进行正则化处理，得到第一标准文本，并基于所述预设标识对所述第二文本进行正则化处理，得到第二标准文本；
对所述第一标准文本进行分词处理，得到第一分词，并对所述第二标准文本进行分词处理，得到第二分词；
基于预设停用词表对所述第一分词进行清洗处理，得到所述第一关键词，并基于所述预设停用词表对所述第二分词进行清洗处理，得到所述第二关键词；
将与所述第二关键词相同的第一关键词确定为所述目标关键词。
其中，所述预设标识可以是任意符号标记。
所述第一标准文本是指利用所述预设标识对所述第一文本中的数字、地点进行正则化后所得到的文本信息。
所述预设停用词表中存储有多个不具有语义信息的词汇，例如，所述预设停用词表中存储有所述预设标识等。
通过上述实施方式，能够避免不具有语义信息的词汇的干扰，提高了所述目标关键词的识别准确性。
计算单元112计算所述目标关键词在所述第一文本中的第一词频，并计算所述目标关键词在所述第二文本中的第二词频。
在本发明的至少一个实施例中，所述第一词频是指所述目标关键词在所述第一文本中出现的频率，所述第二词频是指所述目标关键词在所述第二文本中出现的频率。
在本发明的至少一个实施例中，所述计算单元112计算所述目标关键词在所述第一文本中的第一词频包括：
统计所述目标关键词在所述第一文本中的词汇数量，并统计包含所述目标关键词的第一文本的文本数量；
计算所述词汇数量在所述文本数量上的比值，得到所述第一词频。
在本发明的至少一个实施例中，所述第二词频的计算方式与所述第一词频的计算方式相似，本发明对此不再赘述。
量化单元113基于所述第一词频及所述第二词频量化出所述目标关键词的词频占比波动。
在本发明的至少一个实施例中，所述词频占比波动是指所述目标关键词在所述第一文本及所述第二文本上的波动情况。
在本发明的至少一个实施例中，所述词频占比波动的计算公式为：
Figure BDA0003756084010000141
其中，fct(P)表示所述词频占比波动，freqt(P)表示所述第一词频，freqc(P)表示所述第二词频。
通过上述实施方式，能够准确的量化除所述词频占比波动。
生成单元114根据所述第一词频及所述第二词频生成的加权词频占比与预设拐点参数的关系生成所述目标关键词的波动可信度。
在本发明的至少一个实施例中，所述加权词频占比是根据所述第一文本的文本权值及所述第二文本的文本权值对所述第一词频及所述第二词频进行加权和运算得到的。需要说明的是，每个目标关键词在所述第一文本中的文本权值相同。
所述预设拐点参数可以根据训练文本训练得到。
在本发明的至少一个实施例中，在根据所述第一词频及所述第二词频生成的加权词频占比与预设拐点参数的关系生成所述目标关键词的波动可信度之前，所述获取单元110获取参数范围，并获取训练文本；
所述获取单元110依照预设比值从所述参数范围中获取多个训练拐点参数；
测试单元117基于所述多个训练拐点参数对所述训练文本进行测试处理，得到测试结果；
确定单元118将所述测试结果最优的训练拐点参数确定为所述预设拐点参数。
其中，所述参数范围可以是预先设定的数据区间。
所述预设比值可以根据所述预设拐点参数的识别精确度确定。
所述测试结果可以表示每个训练拐点参数对所述训练文本生成的训练能力，例如，所述测试结果可以是损失值。
所述预设拐点参数是指所述损失值最小的训练拐点参数。
通过对所述预设拐点参数进行网格搜索，能够提高所述预设拐点参数的准确性，从而提高所述波动可信度的准确性。
在本发明的至少一个实施例中，所述生成单元114根据所述第一词频及所述第二词频生成的加权词频占比与预设拐点参数的关系生成所述目标关键词的波动可信度包括：
对所述第一词频及所述第二词频进行加权和运算，得到所述加权词频占比；
比较所述加权词频占比与所述预设拐点参数；
若所述加权词频占比大于或者等于所述预设拐点参数，则将所述波动可信度确定为配置数值；或者
若所述加权词频占比大于或者等于所述预设拐点参数，则将所述加权词频占比与所述预设拐点参数的比值确定为所述波动可信度。
通过上述实施方式，能够同时保留所述第一文本及所述第二文本对主题识别质量的影响。
所述识别单元111基于所述词频占比波动及所述波动可信度识别出所述目标关键词的波动指数。
在本发明的至少一个实施例中，所述识别单元111基于所述词频占比波动及所述波动可信度识别出所述目标关键词的波动指数包括：
计算所述词频占比波动与所述波动可信度的乘积，得到所述波动指数。
通过结合所述词频占比波动及所述波动可信度计算所述波动指数，能够避免因文本转换的识别错误而产生的超低频词对主题识别的影响。
选取单元115根据所述波动指数及预设波动阈值从所述目标关键词中选取待选词汇。
在本发明的至少一个实施例中，所述预设波动阈值可以根据实际需求设定，例如，所述预设波动阈值可以设定为200。
在本发明的至少一个实施例中，所述待选词汇是指所述波动指数大于所述预设波动阈值的目标关键词。
聚类单元116基于所述第一文本对所述待选词汇进行聚类处理，得到所述第一文本的主题信息。
需要强调的是，为进一步保证上述主题信息的私密和安全性，上述主题信息还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述主题信息用于表征所述第一文本的主旨。所述主题信息可以用于在挖掘客户投诉特征表达、客户注销场景下高挽留率话术、长通时通话特征等任务的处理。
在本发明的至少一个实施例中，所述聚类单元116基于所述第一文本对所述待选词汇进行聚类处理，得到所述第一文本的主题信息包括：
将所述待选词汇中的任一词汇确定为主题中心词，并将除所述主题中心词外的待选词汇确定为非中心词；
统计所述主题中心词在所述第一文本中的中心词汇数量，并统计所述非中心词在所述第一文本中的非中心词汇数量；
将所述中心词汇数量与所述非中心词汇数量的比值确定为所述主题中心词与所述非中心词的共现率；
将所述共现率大于预设共现阈值的非中心词合并至所述主题中心词的主题中，得到多个初始主题；
将所述多个初始主题中含有相同词汇的主题进行合并，得到所述主题信息。
其中，所述主题中心词的主题是指包含有所述主题中心词的集合。
通过对具备相同词汇的主题进行合并，能够避免所述主题信息泛而不精，从而提高所述主题信息的合理性，同时，基于从所述第一文本中筛选除的关键词构建主题，能够提高所述主题信息的准确性。
由以上技术方案可以看出，本发明通过获取前序时段作为比较时段，能够保证所述第一文本及所述第二文本在结构上尽可能地相似，以便在提取监控时段异常变化特征时，降低常规进线文本产生的干扰，进一步地，结合所述词频占比波动及所述波动可信度能够准确的识别出所述目标关键词的波动指数，进而通过所述波动指数筛选出所述待选词汇进行聚类，有效减少了非事件低频词对所述待选词汇造成的干扰，同时也保留了低频高波动事件特征词被预警的可能，提高了所述主题信息的识别准确性。
如图3所示，是本发明实现文本主题识别方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如文本主题识别程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1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，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、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)或者其他可编程逻辑器件、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，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成获取单元110、识别单元111、计算单元112、量化单元113、生成单元114、选取单元115、聚类单元116、测试单元117及确定单元118。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1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取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令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。所述计算机可读介质可以包括：能够携带所述计算机可读指令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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种文本主题识别方法，所述处理器13可执行所述计算机可读指令从而实现：
获取监控时段的第一文本及前序时段的第二文本；
基于所述第一文本中的第一关键词及所述第二文本中的第二关键词识别出目标关键词；
计算所述目标关键词在所述第一文本中的第一词频，并计算所述目标关键词在所述第二文本中的第二词频；
基于所述第一词频及所述第二词频量化出所述目标关键词的词频占比波动；
根据所述第一词频及所述第二词频生成的加权词频占比与预设拐点参数的关系生成所述目标关键词的波动可信度；
基于所述词频占比波动及所述波动可信度识别出所述目标关键词的波动指数；
根据所述波动指数及预设波动阈值从所述目标关键词中选取待选词汇；
基于所述第一文本对所述待选词汇进行聚类处理，得到所述第一文本的主题信息。
具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
获取监控时段的第一文本及前序时段的第二文本；
基于所述第一文本中的第一关键词及所述第二文本中的第二关键词识别出目标关键词；
计算所述目标关键词在所述第一文本中的第一词频，并计算所述目标关键词在所述第二文本中的第二词频；
基于所述第一词频及所述第二词频量化出所述目标关键词的词频占比波动；
根据所述第一词频及所述第二词频生成的加权词频占比与预设拐点参数的关系生成所述目标关键词的波动可信度；
基于所述词频占比波动及所述波动可信度识别出所述目标关键词的波动指数；
根据所述波动指数及预设波动阈值从所述目标关键词中选取待选词汇；
基于所述第一文本对所述待选词汇进行聚类处理，得到所述第一文本的主题信息。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种文本主题识别方法，其特征在于，所述文本主题识别方法包括：
获取监控时段的第一文本及前序时段的第二文本；
基于所述第一文本中的第一关键词及所述第二文本中的第二关键词识别出目标关键词；
计算所述目标关键词在所述第一文本中的第一词频，并计算所述目标关键词在所述第二文本中的第二词频；
基于所述第一词频及所述第二词频量化出所述目标关键词的词频占比波动；
根据所述第一词频及所述第二词频生成的加权词频占比与预设拐点参数的关系生成所述目标关键词的波动可信度；
基于所述词频占比波动及所述波动可信度识别出所述目标关键词的波动指数；
根据所述波动指数及预设波动阈值从所述目标关键词中选取待选词汇；
基于所述第一文本对所述待选词汇进行聚类处理，得到所述第一文本的主题信息。
2.如权利要求1所述的文本主题识别方法，其特征在于，所述基于所述第一文本中的第一关键词及所述第二文本中的第二关键词识别出目标关键词包括：
基于预设标识对所述第一文本进行正则化处理，得到第一标准文本，并基于所述预设标识对所述第二文本进行正则化处理，得到第二标准文本；
对所述第一标准文本进行分词处理，得到第一分词，并对所述第二标准文本进行分词处理，得到第二分词；
基于预设停用词表对所述第一分词进行清洗处理，得到所述第一关键词，并基于所述预设停用词表对所述第二分词进行清洗处理，得到所述第二关键词；
将与所述第二关键词相同的第一关键词确定为所述目标关键词。
3.如权利要求1所述的文本主题识别方法，其特征在于，所述词频占比波动的计算公式为：
Figure FDA0003756083000000021
其中，fct(P)表示所述词频占比波动，freqt(P)表示所述第一词频，freqc(P)表示所述第二词频。
4.如权利要求1所述的文本主题识别方法，其特征在于，所述根据所述第一词频及所述第二词频生成的加权词频占比与预设拐点参数的关系生成所述目标关键词的波动可信度包括：
对所述第一词频及所述第二词频进行加权和运算，得到所述加权词频占比；
比较所述加权词频占比与所述预设拐点参数；
若所述加权词频占比大于或者等于所述预设拐点参数，则将所述波动可信度确定为配置数值；或者
若所述加权词频占比大于或者等于所述预设拐点参数，则将所述加权词频占比与所述预设拐点参数的比值确定为所述波动可信度。
5.如权利要求1所述的文本主题识别方法，其特征在于，在根据所述第一词频及所述第二词频生成的加权词频占比与预设拐点参数的关系生成所述目标关键词的波动可信度之前，所述方法还包括：
获取参数范围，并获取训练文本；
依照预设比值从所述参数范围中获取多个训练拐点参数；
基于所述多个训练拐点参数对所述训练文本进行测试处理，得到测试结果；
将所述测试结果最优的训练拐点参数确定为所述预设拐点参数。
6.如权利要求1所述的文本主题识别方法，其特征在于，所述基于所述词频占比波动及所述波动可信度识别出所述目标关键词的波动指数包括：
计算所述词频占比波动与所述波动可信度的乘积，得到所述波动指数。
7.如权利要求1所述的文本主题识别方法，其特征在于，所述基于所述第一文本对所述待选词汇进行聚类处理，得到所述第一文本的主题信息包括：
将所述待选词汇中的任一词汇确定为主题中心词，并将除所述主题中心词外的待选词汇确定为非中心词；
统计所述主题中心词在所述第一文本中的中心词汇数量，并统计所述非中心词在所述第一文本中的非中心词汇数量；
将所述中心词汇数量与所述非中心词汇数量的比值确定为所述主题中心词与所述非中心词的共现率；
将所述共现率大于预设共现阈值的非中心词合并至所述主题中心词的主题中，得到多个初始主题；
将所述多个初始主题中含有相同词汇的主题进行合并，得到所述主题信息。
8.一种文本主题识别装置，其特征在于，所述文本主题识别装置包括：
获取单元，用于获取监控时段的第一文本及前序时段的第二文本；
识别单元，用于基于所述第一文本中的第一关键词及所述第二文本中的第二关键词识别出目标关键词；
计算单元，用于计算所述目标关键词在所述第一文本中的第一词频，并计算所述目标关键词在所述第二文本中的第二词频；
量化单元，用于基于所述第一词频及所述第二词频量化出所述目标关键词的词频占比波动；
生成单元，用于根据所述第一词频及所述第二词频生成的加权词频占比与预设拐点参数的关系生成所述目标关键词的波动可信度；
所述识别单元，还用于基于所述词频占比波动及所述波动可信度识别出所述目标关键词的波动指数；
选取单元，用于根据所述波动指数及预设波动阈值从所述目标关键词中选取待选词汇；
聚类单元，用于基于所述第一文本对所述待选词汇进行聚类处理，得到所述第一文本的主题信息。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的文本主题识别方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的文本主题识别方法。
CN202210863350.5A 2022-07-20 2022-07-20 文本主题识别方法、装置、设备及存储介质 Pending CN115168585A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210863350.5A CN115168585A (zh) 2022-07-20 2022-07-20 文本主题识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210863350.5A CN115168585A (zh) 2022-07-20 2022-07-20 文本主题识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115168585A true CN115168585A (zh) 2022-10-11

Family

ID=83497112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210863350.5A Pending CN115168585A (zh) 2022-07-20 2022-07-20 文本主题识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115168585A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117669550A (zh) * 2023-11-13 2024-03-08 东风日产数据服务有限公司 一种基于文本中心的主题挖掘方法、系统、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117669550A (zh) * 2023-11-13 2024-03-08 东风日产数据服务有限公司 一种基于文本中心的主题挖掘方法、系统、设备及介质
CN117669550B (zh) * 2023-11-13 2024-04-30 东风日产数据服务有限公司 一种基于文本中心的主题挖掘方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN109325146B (zh) 一种视频推荐方法、装置、存储介质和服务器
US11645561B2 (en) Question answering system influenced by user behavior and text metadata generation
CN111538816B (zh) 基于ai识别的问答方法、装置、电子设备及介质
CN111382255A (zh) 用于问答处理的方法、装置、设备和介质
CN114090794A (zh) 基于人工智能的事理图谱构建方法及相关设备
CN115222443A (zh) 客户群体划分方法、装置、设备及存储介质
CN114268747A (zh) 基于虚拟数字人的访谈业务处理方法及相关装置
CN113656547A (zh) 文本匹配方法、装置、设备及存储介质
CN113283675A (zh) 指标数据分析方法、装置、设备及存储介质
CN111966811A (zh) 意图识别和槽填充方法、装置、可读存储介质及终端设备
CN117520503A (zh) 基于llm模型的金融客服对话生成方法、装置、设备及介质
CN115168585A (zh) 文本主题识别方法、装置、设备及存储介质
CN114037545A (zh) 客户推荐方法、装置、设备及存储介质
CN113903361A (zh) 基于人工智能的语音质检方法、装置、设备及存储介质
CN113900955A (zh) 自动化测试方法、装置、设备及存储介质
CN113535925A (zh) 语音播报方法、装置、设备及存储介质
CN116402166B (zh) 一种预测模型的训练方法、装置、电子设备及存储介质
CN112307754A (zh) 语句获取方法及装置
CN116629423A (zh) 用户行为预测方法、装置、设备及存储介质
CN113627186B (zh) 基于人工智能的实体关系检测方法及相关设备
CN113902302A (zh) 基于人工智能的数据分析方法、装置、设备及存储介质
CN113886263A (zh) 系统测试方法、装置、设备及存储介质
CN114329095A (zh) 系统逻辑图生成方法、装置、设备及存储介质
CN114942749A (zh) 审批系统开发方法、装置、设备及存储介质
CN111858863B (zh) 一种答复推荐方法、答复推荐装置及电子设备

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