CN115392396A - 一种信息处理方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本发明实施例公开了一种信息处理方法、装置、电子设备及可读存储介质。该方法包括：获取目标增量信息；根据目标增量信息的信息属性，确定处理目标增量信息所需的目标维度；采用目标维度对应的信息处理机制，确定目标增量信息的信息类别，并根据信息类别归类目标增量信息。该方法可以精准确定增量信息的类别，便于对信息进行分类分析。

Description

一种信息处理方法、装置、电子设备及可读存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种信息处理方法、装置、电子设备及可读存储介质。

背景技术

随着互联网及计算机技术的日新月异，媒体环境与行业竞争状发生着深刻变革，各行各业的信息呈爆发式增长。

信息在不断发展中，会在一定时间段内衍生出多个外延事件。外延事件与热点事件之间存在一定的关联关系，如何有效识别热点事件产生的外延事件，是实现事件跟踪分析的基础。

因此，亟待提供一种信息处理方法，确定新增信息的类别，实现对新增信息的归类分析。

发明内容

本发明提供了一种信息处理方法、装置、电子设备及可读存储介质，以归类新增信息，便于对信息进行跟踪分析。

根据本发明的一方面，提供了一种信息处理方法，该方法包括：

获取目标增量信息；

根据所述目标增量信息的信息属性，确定处理所述目标增量信息所需的目标维度；

采用所述目标维度对应的信息处理机制，确定所述目标增量信息的信息类别，并根据所述信息类别归类所述目标增量信息。

根据本发明的另一方面，提供了一种信息处理装置，该装置包括：

目标增量信息获取模块，用于获取目标增量信息；

目标维度确定模块，用于根据所述目标增量信息的信息属性，确定处理所述目标增量信息所需的目标维度；

目标增量信息归类模块，用于采用所述目标维度对应的信息处理机制，确定所述目标增量信息的信息类别，并根据所述信息类别归类所述目标增量信息。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

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计算机程序，所述计算机程序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本发明任一实施例所述的信息处理方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的信息处理方法。

本发明实施例的技术方案，通过获取目标增量信息；根据目标增量信息的信息属性，确定处理目标增量信息所需的目标维度；采用目标维度对应的信息处理机制，确定目标增量信息的信息类别，并根据信息类别归类目标增量信息，解决了信息分类的问题，实现了精准确定增量信息的类别，便于对信息进行分类分析的效果。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例一提供的一种信息处理方法的流程图；

图2a是根据本发明实施例二提供的一种信息处理方法的流程图；

图2b是根据本发明实施例二提供的又一种信息处理方法的流程图；

图3为本发明实施例三提供的一种信息处理装置的结构示意图；

图4是实现本发明实施例的信息处理方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1是根据本发明实施例一提供的一种信息处理方法的流程图，本实施例可适用于对新增信息进行分类的情况，该方法可以由信息处理装置来执行，该信息处理装置可以采用硬件和/或软件的形式实现，该信息处理装置可配置于电子设备如计算机中。如图1所示，该方法包括：

步骤110、获取目标增量信息。

其中，目标增量信息可以是新增加的信息。具体的，增量信息中可以包括某类事件，该某类事件的外延事件，以及一些其他的事件。例如，疫情，以及与疫情相关的信息可以是目标增量信息。目标增量信息的来源可以是多样的。例如，可以在新闻网站、社交媒体或者论坛网站等中获取目标增量信息。本发明实施例不限定目标增量信息的获取方式。例如，可以通过爬虫技术获取目标增量信息。

步骤120、根据目标增量信息的信息属性，确定处理目标增量信息所需的目标维度。

其中，信息属性可以是根据目标增量信息的内容特征确定的。例如，信息属性可以是根据目标增量信息中是否存在某些关键词或者具有某些标签确定的。具体的，信息属性包括信息显性和/或信息隐性。信息显性可以理解为可以根据目标增量信息的内容直接确定目标增量信息的信息类别。信息隐性可以理解为不可以根据目标增量信息的内容直接确定目标增量信息的信息类别。增量信息中可能既包含信息显性的内容，又包含信息隐性的内容。

示例性的，疫情的信息属性可以是信息显性；而与疫情相关的内容如旅游受限的信息属性可以是信息隐性；又如疫情疫苗信息的信息属性可以是信息显性。

在本发明实施例中，目标维度可以表示处理目标增量信息时，所采用的信息处理方式的种类数量。

在本发明实施例的一个可选实施方式中，信息属性包括信息显性和/或信息隐性；根据目标增量信息的信息属性，确定处理目标增量信息所需的目标维度，包括：目标增量信息的信息属性为信息显性时，确定处理目标增量信息所需的目标维度为二维；目标增量信息的信息属性为信息隐性，或者目标增量信息的信息属性为信息显性及信息隐性时，确定处理目标增量信息所需的目标维度为三维。

其中，目标维度为二维表示采用两种信息处理方式构成信息处理机制确定目标增量信息的信息类别。目标维度为三维表示采用三种信息处理方式构成信息处理机制确定目标增量信息的信息类别。目标增量信息的信息属性为信息显性及信息隐性可以理解为目标增量信息中既包含信息显性的内容，又包含信息隐性的内容。

步骤130、采用目标维度对应的信息处理机制，确定目标增量信息的信息类别，并根据信息类别归类目标增量信息。

其中，信息处理机制可以由一种或者多种信息处理方式构成。具体的，信息处理机制所包含的信息处理方式数量由目标维度决定。信息处理方式可以是多样的。例如，信息处理方式可以是关键词识别、标签比对、统计分析或者聚类分析等。目标增量信息的信息类别可以理解为通过信息处理机制确定的事件分类结果。例如，食物可以是食材类的；家用电器可以是生活用品类的。根据信息类别对目标增量信息归类，可以将所有的共性事件进行汇总，便于对重点关注事件进行跟踪分析，理清事件发展线，提高事件分析的效率。

在本发明实施例中，当目标维度为二维时，可以采用预设类别确定规则信息处理方式，以及统计分析信息处理方式，构成的信息处理机制确定目标增量信息的信息类别。

具体的，在本发明实施例的一个可选实施方式中，采用目标维度对应的信息处理机制，确定目标增量信息的信息类别，包括：当目标维度为二维时，将目标增量信息与预设类别确定规则中的关键词和/或标签进行比对，确定第一比对结果；将目标增量信息进行信息要素拆分，并在各信息要素下进行信息统计，得到第一分析结果；根据第一比对结果以及第一分析结果，确定目标增量信息的信息类别。

其中，预设类别确定规则可以是通过关键词和/或标签生成。通过预设类别确定规则可以识别增量信息中的显性内容，实现增量信息的准确分类。具体的，将所述目标增量信息与预设类别确定规则中的关键词和/或标签进行比对可以是：对于目标增量信息，可以根据自然语言处理实现其语义级别的分词；若目标增量信息中出现关键词，则将目标增量信息归类于关键词所在的类别；基于标签语义的泛化能力，将目标增量信息出现的具有相似、相关的语义信息进行标签分类。可以将关键词分类结果和/或标签分类结果作为第一比对结果。

将所述目标增量信息进行信息要素拆分，并在各所述信息要素下进行信息统计可以是：对目标增量信息进行全文拆分；其中，拆分统计的信息要素可以包含：标题、时间、相似词、相关词、词频等；通过各信息要素下的信息统计，可以将目标增量信息与历史数据进行比较，根据相似性确定第一分析结果。其中，信息拆分统计结果以可视化方式进行展示。

第一比对结果与第一分析结果分别确定了目标增量信息的信息类别。如果两个结果确定的信息类别相同，则可以直接将该确定的信息类别作为目标增量信息的信息类别。如果两个结果确定的信息类别不同，则可以获取校正机制，通过校正机制确定目标增量信息的信息类别。其中，校正机制可以是人为校正，或者也可以是预设校正规则的校正。

在本发明实施例中，当目标维度为三维时，可以采用预设类别确定规则信息处理方式，统计分析信息处理方式，以及聚类分析信息处理方式，构成的信息处理机制确定目标增量信息的信息类别。

具体的，在本发明实施例的一个可选实施方式中，采用目标维度对应的信息处理机制，确定目标增量信息的信息类别，包括：当目标维度为三维时，将目标增量信息与预设类别确定规则中的关键词和/或标签进行比对，确定第二比对结果；将目标增量信息进行信息要素拆分，并在各信息要素下进行信息统计，得到第二分析结果；将目标增量信息与历史聚类结果进行聚类分析，得到目标聚类结果；根据第二比对结果、第二分析结果以及目标聚类结果，确定目标增量信息的信息类别。

其中，第二比对结果以及第二分析结果的确定方式分别与第一比对结果以及第一分析结果的确定方式相同，这里不再赘述。将目标增量信息与历史聚类结果进行聚类分析可以是：基于相似度测量算法确定目标增量信息与历史聚类结果中各簇的相似度，从而根据相似度确定目标聚类结果。相似度测量算法可以包括但不限于：k-mediods(K中心点算法)、spectral cluster(谱聚类)和affinity propagation(AP近邻传播聚类算法)。

第二比对结果、第二分析结果以及目标聚类结果分别确定了目标增量信息的信息类别。如果三个结果确定的信息类别相同，则可以直接将该确定的信息类别作为目标增量信息的信息类别。如果三个结果确定的信息类别不同，则可以获取校正机制，通过校正机制确定目标增量信息的信息类别。

本实施例的技术方案，通过获取目标增量信息；根据目标增量信息的信息属性，确定处理目标增量信息所需的目标维度；采用目标维度对应的信息处理机制，确定目标增量信息的信息类别，并根据信息类别归类目标增量信息，解决了信息分类的问题，实现了精准确定增量信息的类别，便于对信息进行分类分析的效果。

实施例二

图2a是根据本发明实施例二提供的一种信息处理方法的流程图，本实施例是对上述技术方案的进一步细化，本实施例中的技术方案可以与上述一个或者多个实施例中的各个可选方案结合。如图2a所示，该方法包括：

步骤210、获取目标增量信息。

步骤220、根据目标增量信息的信息属性，确定处理目标增量信息所需的目标维度。

在本发明实施例的一个可选实施方式中，信息属性包括信息显性和/或信息隐性；根据目标增量信息的信息属性，确定处理目标增量信息所需的目标维度，包括：目标增量信息的信息属性为信息显性时，确定处理目标增量信息所需的目标维度为二维；目标增量信息的信息属性为信息隐性，或者目标增量信息的信息属性为信息显性及信息隐性时，确定处理目标增量信息所需的目标维度为三维。

其中，当目标维度为二维时，可以执行步骤230至步骤250得到目标增量信息的信息类别；当目标维度为三维时，可以执行步骤260至步骤290得到目标增量信息的信息类别。确定信息类别后可以执行步骤2100对目标增量信息进行归类。

步骤230、将目标增量信息与预设类别确定规则中的关键词和/或标签进行比对，确定第一比对结果。

步骤240、将目标增量信息进行信息要素拆分，并在各信息要素下进行信息统计，得到第一分析结果。

步骤250、根据第一比对结果以及第一分析结果，确定目标增量信息的信息类别。

在本发明实施例的一个可选实施方式中，根据第一比对结果以及第一分析结果，确定目标增量信息的信息类别，包括：获取第一比对结果对应的第一权重值，以及第一分析结果对应的第二权重值；根据第一比对结果、第一分析结果、第一权重值、以及第二权重值，确定目标增量信息的信息类别。

其中，目标增量信息的信息类别可以通过第一比对结果、第一分析结果、第一权重值、以及第二权重值的加权计算确定。具体的，第一权重值可以是比第二权重值大的常数。例如，第一权重值可以为0.6；第二权重值可以为0.4。

步骤260、将目标增量信息与预设类别确定规则中的关键词和/或标签进行比对，确定第二比对结果。

步骤270、将目标增量信息进行信息要素拆分，并在各信息要素下进行信息统计，得到第二分析结果。

步骤280、将目标增量信息与历史聚类结果进行聚类分析，得到目标聚类结果。

在本发明实施例的一个可选实施方式中，将目标增量信息与历史聚类结果进行聚类分析，得到目标聚类结果，包括：对目标增量信息进行聚类分析，得到新增类簇；将新增类簇中的当前第一目标簇迁移至历史聚类结果中的当前第二目标簇内，并确定当前第一目标簇与当前第二目标簇的迁移相似度；根据迁移相似度，将当前第一目标簇和当前第二目标簇进行并簇，删除当前第一目标簇并更新当前第二目标簇，并根据并簇结果更新新增类簇和历史聚类结果；返回将新增类簇中的当前第一目标簇迁移至历史聚类结果中的当前第二目标簇内，并确定当前第一目标簇与当前第二目标簇的迁移相似度步骤，直至新增类簇中各簇与历史聚类结果中的各簇之间密度无关；将最后更新得到的新增类簇和历史聚类结果进行汇总，得到目标增量信息的目标聚类结果。

其中，聚类分析是根据在数据中发现的描述对象及其关系的信息，将数据对象分组。聚类分析的目的是，分组后组内的对象相互之间是相似的(相关的)，而不同组中的对象是不同的(不相关的)。组内相似性越大，组间差距越大，说明聚类效果越好。聚类分析的目标是得到较高的簇内相似度和较低的簇间相似度，使得簇间的距离尽可能大，簇内样本与簇中心的距离尽可能小。聚类得到的簇可以用聚类中心、簇大小、簇密度和簇描述等来表示。聚类中心是一个簇中所有样本点的均值(质心)。簇大小表示簇中所含样本的数量。簇密度表示簇中样本点的紧密程度。簇描述是簇中样本的业务特征。

具体的，信息聚类算法的流程可以是：数据准备，包括特征标准化和降维；特征选择，从最初的特征中选择最有效的特征，并将其存储于向量中；特征提取，通过对所选择的特征进行转换形成新的突出特征；聚类(或分组)，首先选择合适特征类型的某种距离函数(或构造新的距离函数)进行接近程度的度量，而后执行聚类或分组；聚类结果评估，对聚类结果进行评估。其中，评估主要有3种：外部有效性评估、内部有效性评估和相关性测试评估。

在本发明实施例中，目标增量信息可以记为ΔD，对ΔD进行聚类分析，可以得到新增类簇ΔD＝{c₁′,...,c_m′}。历史聚类结果可以是对信息聚类形成的历史性结果。具体的，历史聚类结果可以是对历史信息进行聚类分析生成的聚类结果；或者，历史聚类结果可以是在对目标增量信息进行聚类分析之前，已经得到的聚类结果。历史聚类结果可以记为D＝{c₁,...,c_n}。历史聚类结果可以与新增类簇汇总，得到全体类簇C＝{c₁,...,c_n,c₁′,...,c_m′}。可以基于聚类分析算法可以排除C中的离群点，确定类簇代表点。

进一步的，可以将新增类簇中的当前第一目标簇迁移至历史聚类结果中的当前第二目标簇内。基于当前第一目标簇内的类簇代表点与当前第二目标簇的类簇代表点之间的相似度可以确定当前第一目标簇与当前第二目标簇的迁移相似度。其中，当前第一目标簇内的类簇代表点与当前第二目标簇的类簇代表点之间的相似度可以通过多信息要素下的语义相似度进行计算确定。当迁移相似度超过预设相似度阈值时，可以确定当前第一目标簇与当前第二目标簇密度相关。当迁移相似度未超过预设相似度阈值时，可以确定当前第一目标簇与当前第二目标簇密度无关。

在本发明实施例中，密度相关的当前第一目标簇和当前第二目标簇，可以并簇。其中，并簇可以理解为将当前第一目标簇中的内容迁移至当前第二目标簇密度中。并簇后，可以删除当前第一目标簇。并簇后，当前第二目标簇中的内容得到了更新。进而，可以更新新增类簇和历史聚类结果中的各簇；即删除新增类簇中的当前第一目标簇，更新历史聚类结果中的当前第二目标簇。在更新后的新增类簇和历史聚类结果中可以重新确定当前第一目标簇和当前第二目标簇，进行迁移相似度计算。上述过程可以重复至更新后的新增类簇和历史聚类结果中的各簇之间密度无关。将最后得到的新增类簇和历史聚类结果中的各簇进行汇总，可以得到目标增量信息的目标聚类结果。

步骤290、根据第二比对结果、第二分析结果以及目标聚类结果，确定目标增量信息的信息类别。

在本发明实施例的一个可选实施方式中，根据第二比对结果、第二分析结果以及目标聚类结果，确定目标增量信息的信息类别，包括：获取第二比对结果对应的第三权重值，第二分析结果对应的第四权重值，以及目标聚类结果对应的第五权重值；根据第二比对结果、第二分析结果、目标聚类结果、第三权重值、第四权重值、以及第五权重值，确定目标增量信息的信息类别。

其中，目标增量信息的信息类别可以通过第二比对结果、第二分析结果、目标聚类结果、第三权重值、第四权重值、以及第五权重值的加权计算确定。具体的，第三权重值可以是比第四权重值大的常数。第五权重值可以是比第四权重值大，且比第三权重值小的常数。例如，第三权重值可以为0.4；第四权重值可以为0.25；第五权重值可以为0.35。

步骤2100、根据信息类别归类目标增量信息。

本发明实施例的技术方案，通过获取目标增量信息；根据目标增量信息的信息属性，确定处理目标增量信息所需的目标维度；将目标增量信息与预设类别确定规则中的关键词和/或标签进行比对，确定第一比对结果；将目标增量信息进行信息要素拆分，并在各信息要素下进行信息统计，得到第一分析结果；根据第一比对结果以及第一分析结果，确定目标增量信息的信息类别；将目标增量信息与预设类别确定规则中的关键词和/或标签进行比对，确定第二比对结果；将目标增量信息进行信息要素拆分，并在各信息要素下进行信息统计，得到第二分析结果；将目标增量信息与历史聚类结果进行聚类分析，得到目标聚类结果；根据第二比对结果、第二分析结果以及目标聚类结果，确定目标增量信息的信息类别；根据信息类别归类目标增量信息，解决了信息分类的问题，实现了精准确定增量信息的类别，便于对信息进行分类分析的效果。具体的，通过多维度加权确定信息类别，可以提高类别确定的精准度；通过聚类分析可以确定具有信息隐性的增量信息的类别；在进行聚类分析时，采用增量信息与历史聚类结果进行聚类的方式可以降低聚类工作量，进而降低聚类成本消耗，提高聚类有效性。

图2b是根据本发明实施例二提供的又一种信息处理方法的流程图。如图2b所示，该信息处理方法的一个使用过程可以是：在新闻网站、社交媒体、论坛网站等多媒体渠道中获取目标增量信息；对目标增量信息进行标签设定、关键词触发，统计分析，以及聚类分析等多维度的信息处理机制下的信息处理，得到各维度的处理结果；并对各维度的处理结果进行权重分析，得到目标增量信息的事件类别。其中，对目标增量信息进行聚类分析可以是对新增类簇与历史聚类结果进行排除离群点、确定密度相关性等计算；确定新增类簇中的簇与历史聚类结果中的簇之间是否属于密度相关类簇；如果是，则可以进行并簇，并对新增类簇与历史聚类结果进行更新；当新增类簇中的簇与历史聚类结果中的簇之间不具有密度相关性时，可以输出新增类簇与历史聚类结果，得到事件的聚类结果。通过上述过程可以有效发现并确定事件的分类结果，便于将共性事件进行归类分析，从而降低差异化的分析成本，提高事件分析的效率。

本发明实施例的技术方案中，所涉及增量信息的获取，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。

实施例三

图3为本发明实施例三提供的一种信息处理装置的结构示意图。如图3所示，该装置包括：目标增量信息获取模块310，目标维度确定模块320和目标增量信息归类模块330。其中：

目标增量信息获取模块310，用于获取目标增量信息；

目标维度确定模块320，用于根据目标增量信息的信息属性，确定处理目标增量信息所需的目标维度；

目标增量信息归类模块330，用于采用目标维度对应的信息处理机制，确定目标增量信息的信息类别，并根据信息类别归类目标增量信息。

可选的，信息属性包括信息显性和/或信息隐性；

目标维度确定模块320，包括：

第一目标维度确定单元，用于目标增量信息的信息属性为信息显性时，确定处理目标增量信息所需的目标维度为二维；

第二目标维度确定单元，用于目标增量信息的信息属性为信息隐性，或者目标增量信息的信息属性为信息显性及信息隐性时，确定处理目标增量信息所需的目标维度为三维。

可选的，目标增量信息归类模块330，包括：

第一比对结果确定单元，用于当目标维度为二维时，将目标增量信息与预设类别确定规则中的关键词和/或标签进行比对，确定第一比对结果；

第一分析结果确定单元，用于将目标增量信息进行信息要素拆分，并在各信息要素下进行信息统计，得到第一分析结果；

第一信息类别确定单元，用于根据第一比对结果以及第一分析结果，确定目标增量信息的信息类别。

可选的，第一信息类别确定单元，具体用于：

获取第一比对结果对应的第一权重值，以及第一分析结果对应的第二权重值；

根据第一比对结果、第一分析结果、第一权重值、以及第二权重值，确定目标增量信息的信息类别。

可选的，目标增量信息归类模块330，包括：

第二比对结果确定单元，用于当目标维度为三维时，将目标增量信息与预设类别确定规则中的关键词和/或标签进行比对，确定第二比对结果；

第二分析结果确定单元，用于将目标增量信息进行信息要素拆分，并在各信息要素下进行信息统计，得到第二分析结果；

目标聚类结果确定单元，用于将目标增量信息与历史聚类结果进行聚类分析，得到目标聚类结果；

第二信息类别确定单元，用于根据第二比对结果、第二分析结果以及目标聚类结果，确定目标增量信息的信息类别。

可选的，第二信息类别确定单元，具体用于：

获取第二比对结果对应的第三权重值，第二分析结果对应的第四权重值，以及目标聚类结果对应的第五权重值；

根据第二比对结果、第二分析结果、目标聚类结果、第三权重值、第四权重值、以及第五权重值，确定目标增量信息的信息类别。

可选的，目标聚类结果确定单元，具体用于：

对目标增量信息进行聚类分析，得到新增类簇；

将新增类簇中的当前第一目标簇迁移至历史聚类结果中的当前第二目标簇内，并确定当前第一目标簇与当前第二目标簇的迁移相似度；

根据迁移相似度，将当前第一目标簇和当前第二目标簇进行并簇，删除当前第一目标簇并更新当前第二目标簇，并根据并簇结果更新新增类簇和历史聚类结果；

返回将新增类簇中的当前第一目标簇迁移至历史聚类结果中的当前第二目标簇内，并确定当前第一目标簇与当前第二目标簇的迁移相似度步骤，直至新增类簇中各簇与历史聚类结果中的各簇之间密度无关；

将最后更新得到的新增类簇和历史聚类结果进行汇总，得到目标增量信息的目标聚类结果。

本发明实施例所提供的信息处理装置可执行本发明任意实施例所提供的信息处理方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。

处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如信息处理方法。

在一些实施例中，信息处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的信息处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信息处理方法。

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。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。

在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。

计算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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种信息处理方法，其特征在于，包括：

获取目标增量信息；

根据所述目标增量信息的信息属性，确定处理所述目标增量信息所需的目标维度；

采用所述目标维度对应的信息处理机制，确定所述目标增量信息的信息类别，并根据所述信息类别归类所述目标增量信息。

2.根据权利要求1所述的方法，其特征在于，所述信息属性包括信息显性和/或信息隐性；

根据所述目标增量信息的信息属性，确定处理所述目标增量信息所需的目标维度，包括：

所述目标增量信息的信息属性为信息显性时，确定处理所述目标增量信息所需的目标维度为二维；

所述目标增量信息的信息属性为信息隐性，或者所述目标增量信息的信息属性为信息显性及信息隐性时，确定处理所述目标增量信息所需的目标维度为三维。

3.根据权利要求2所述的方法，其特征在于，采用所述目标维度对应的信息处理机制，确定所述目标增量信息的信息类别，包括：

当所述目标维度为二维时，将所述目标增量信息与预设类别确定规则中的关键词和/或标签进行比对，确定第一比对结果；

将所述目标增量信息进行信息要素拆分，并在各所述信息要素下进行信息统计，得到第一分析结果；

根据所述第一比对结果以及所述第一分析结果，确定所述目标增量信息的信息类别。

4.根据权利要求3所述的方法，其特征在于，根据所述第一比对结果以及所述第一分析结果，确定所述目标增量信息的信息类别，包括：

获取所述第一比对结果对应的第一权重值，以及所述第一分析结果对应的第二权重值；

根据所述第一比对结果、所述第一分析结果、所述第一权重值、以及所述第二权重值，确定所述目标增量信息的信息类别。

5.根据权利要求2所述的方法，其特征在于，采用所述目标维度对应的信息处理机制，确定所述目标增量信息的信息类别，包括：

当所述目标维度为三维时，将所述目标增量信息与预设类别确定规则中的关键词和/或标签进行比对，确定第二比对结果；

将所述目标增量信息进行信息要素拆分，并在各所述信息要素下进行信息统计，得到第二分析结果；

将所述目标增量信息与历史聚类结果进行聚类分析，得到目标聚类结果；

根据所述第二比对结果、所述第二分析结果以及目标聚类结果，确定所述目标增量信息的信息类别。

6.根据权利要求5所述的方法，其特征在于，根据所述第二比对结果、所述第二分析结果以及目标聚类结果，确定所述目标增量信息的信息类别，包括：

获取所述第二比对结果对应的第三权重值，所述第二分析结果对应的第四权重值，以及所述目标聚类结果对应的第五权重值；

根据所述第二比对结果、所述第二分析结果、所述目标聚类结果、所述第三权重值、所述第四权重值、以及所述第五权重值，确定所述目标增量信息的信息类别。

7.根据权利要求5所述的方法，其特征在于，将所述目标增量信息与历史聚类结果进行聚类分析，得到目标聚类结果，包括：

对所述目标增量信息进行聚类分析，得到新增类簇；

将所述新增类簇中的当前第一目标簇迁移至所述历史聚类结果中的当前第二目标簇内，并确定所述当前第一目标簇与所述当前第二目标簇的迁移相似度；

根据所述迁移相似度，将所述当前第一目标簇和所述当前第二目标簇进行并簇，删除所述当前第一目标簇并更新所述当前第二目标簇，并根据并簇结果更新所述新增类簇和所述历史聚类结果；

返回将所述新增类簇中的当前第一目标簇迁移至所述历史聚类结果中的当前第二目标簇内，并确定所述当前第一目标簇与所述当前第二目标簇的迁移相似度步骤，直至所述新增类簇中各簇与所述历史聚类结果中的各簇之间密度无关；

将最后更新得到的所述新增类簇和所述历史聚类结果进行汇总，得到所述目标增量信息的目标聚类结果。

8.一种信息处理装置，其特征在于，包括：

目标增量信息获取模块，用于获取目标增量信息；

目标维度确定模块，用于根据所述目标增量信息的信息属性，确定处理所述目标增量信息所需的目标维度；

目标增量信息归类模块，用于采用所述目标维度对应的信息处理机制，确定所述目标增量信息的信息类别，并根据所述信息类别归类所述目标增量信息。

9.一种电子设备，其特征在于，所述电子设备包括：

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计算机程序，所述计算机程序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1-7中任一项所述的信息处理方法。

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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的信息处理方法。

Images