CN116521867A - 文本聚类方法、装置、电子设备及存储介质 - Google Patents

文本聚类方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116521867A
CN116521867A CN202310381393.4A CN202310381393A CN116521867A CN 116521867 A CN116521867 A CN 116521867A CN 202310381393 A CN202310381393 A CN 202310381393A CN 116521867 A CN116521867 A CN 116521867A
Authority
CN
China
Prior art keywords
clustering
semantic
cluster
semantic vector
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
CN202310381393.4A
Other languages
English (en)
Inventor
王烨
王燕蒙
李剑锋
王少军
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202310381393.4A priority Critical patent/CN116521867A/zh
Publication of CN116521867A publication Critical patent/CN116521867A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/353—Clustering; Classification into predefined classes
    • 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
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种文本聚类方法，包括：利用语义识别模型对获取的待聚类数据集进行语义识别操作，并对语义识别结果进行聚类操作，得到聚类簇集合；依次计算聚类簇集合中语义向量到对应的聚类中心的距离；当距离不满足聚类距离条件时，调整语义识别模型的参数，并再次进行语义识别操作，得到调整语义向量集；对调整语义向量集进行聚类操作，得到调整聚类簇集合，在所述调整聚类簇集合与所述聚类簇集合之间的聚类数据差异度满足预设的差异条件时，退出上述语义识别操作和聚类操作，将最后一次聚类簇集合作为待聚类数据集的聚类结果。本发明还提出一种文本聚类装置、电子设备以及存储介质。本发明可以提高文本聚类的准确性。

Description

文本聚类方法、装置、电子设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种文本聚类方法、装置、电子设备及存储介质。
背景技术
文本聚类作为一种常见的手段广泛应用于对话机器人的项目冷启动阶段中，对话机器人的项目冷启动阶段，需要对自然语言处理任务中的大量未标注数据进行分析整理，以提高工作效率，尤其广泛应用于归纳会话意图，梳理场景剧本等方面。
现有技术中，通常利用基于深度学习的大型语言预训练模型处理文本后，再利用文本聚类算法进行分析整理，以提升文本聚类效率，但此种方法基于深度学习的大型语言预训练模型和文本聚类算法进行文本处理时，由于语言预训练模型和文本聚类算法所表征的语义空间具有差异性，使得文本聚类的准确性较低。
发明内容
本发明提供一种文本聚类方法、装置、电子设备及存储介质，其主要目的在于提高文本聚类的准确性。
为实现上述目的，本发明提供的一种文本聚类方法，包括：
获取待聚类数据集，利用预设的语义识别模型对所述待聚类数据集进行语义识别操作，得到语义向量集；
对所述语义向量集进行聚类操作，得到聚类簇集合；
依次计算所述聚类簇集合中每个聚类簇下每个语义向量到对应的聚类中心的距离；
当所述距离不满足预设的聚类距离条件时，调整所述预设的语义识别模型的参数，并利用调整后的语义识别模型对所述待聚类数据集进行语义识别操作，得到调整语义向量集；
对所述调整语义向量集进行聚类操作，得到调整聚类簇集合，并计算所述调整聚类簇集合与所述聚类簇集合之间的聚类数据差异度；
当所述样本差异度不满足预设的样本差异条件时，返回上述对所述语义向量集进行聚类操作，得到聚类簇集合的步骤，直到相邻两次聚类操作后得到的聚类簇集合之间的聚类数据差异度满足所述预设的聚类数据差异条件时，或者所述距离满足所述预设的聚类距离条件时，退出上述语义识别操作和聚类操作，将最后一次的聚类操作得到的聚类簇集合作为所述待聚类数据集的聚类结果。
可选地，所述利用预设的语义识别模型对所述待聚类数据集进行语义识别操作，得到语义向量集，包括：
在所述待聚类数据集中的每个待聚类数据前添加文本起始符；
根据所述文本起始符，利用所述预设的语义识别模型接收所述待聚类数据集，并将所述待聚类数据集在所述预设的语义识别模型中进行文本向量映射，得到多个文本向量映射结果；
汇总所述多个文本向量映射结果，得到所述语义向量集。
可选地，所述对所述语义向量集进行聚类操作，得到聚类簇集合，包括：
从所述语义向量集中随机选取预设个数的语义向量作为聚类中心；
根据所述语义向量集中每个语义向量到所述聚类中心的距离，对所述语义向量集中剩余语义向量执行聚类划分，得到所述聚类簇集合。
可选地，依次计算所述聚类簇集合中每个聚类簇下每个语义向量到对应的聚类中心的距离，包括：
采用MSE距离公式依次计算所述聚类簇集合中每个聚类簇下每个语义向量到对应的聚类中心的距离：
其中，所述为所述聚类簇集合中每个聚类簇下第i个语义向量到对应的聚类中心的距离，γ为调节所述MSE函数贡献度的超参数，f(xi)为第i个语义向量的向量表示，Mi为所述第i个语义向量对应的聚类簇的聚类中心的语义向量。
可选地，所述计算所述调整聚类簇集合与所述聚类簇集合之间的聚类数据差异度，包括：
统计所述调整聚类簇集合与所述聚类簇集合之间的差异语义向量的数量；
计算所述差异语义向量的数量占全部语义向量数量的比例，得到所述聚类数据差异度。
可选地，所述在利用预设的语义识别模型对所述待聚类数据集进行语义识别操作，得到语义向量集之前，所述方法还包括：
获取意图标注样本，并提取所述意图标注样本中标注类别相同的样本，得到批次意图标注样本集；
随机选取所述批次意图标注样本集中的一个标注样本作为意图标注正样本，并将所述批次意图标注样本中剩余标注样本作为意图标注负样本集；
将所述意图标注正样本以及所述意图标注负样本集作为训练语料对所述预设的语义识别模型进行重构预训练，得到正样本语义向量以及负样本语义向量集；
计算所述负样本语义向量集中每个负样本语义向量与所述正样本语义向量之间的损失值；
在所述损失值满足预设的损失条件时，结束所述预设的语义识别模型的序列重构预训练过程。
可选地，所述计算所述意图标注负样本对应的负样本语义向量与所述意图标注正样本对应的正样本语义向量之间的损失值，包括：
采用下述损失函数公式：
其中，Lreqa为所述意图标注负样本对应的负样本语义向量与所述意图标注正样本对应的正样本语义向量之间的损失值，B为所述批次意图标注样本总数，τ为温度参数，为所述批次意图标注样本中第i个作为意图标注正样本的语义向量，/>为所述批次意图标注样本中第j个作为意图标注负样本的语义向量，q为所述批次意图标注样本中的意图标注正样本，a为所述批次意图标注样本中的意图标注负样本。
为了解决上述问题，本发明还提供一种文本聚类装置，所述装置包括：
待聚类数据集处理模块，用于获取待聚类数据集，利用预设的语义识别模型对所述待聚类数据集进行语义识别操作，得到语义向量集；
初始聚类模块，用于对所述语义向量集进行聚类操作，得到聚类簇集合；
模型优化模块，用于依次计算所述聚类簇集合中每个聚类簇下每个语义向量到对应的聚类中心的距离；当所述距离不满足预设的聚类距离条件时，调整所述预设的语义识别模型的参数，并利用调整后的语义识别模型对所述待聚类数据集进行语义识别操作，得到调整语义向量集；对所述调整语义向量集进行聚类操作，得到调整聚类簇集合，并计算所述调整聚类簇集合与所述聚类簇集合之间的聚类数据差异度；
文本聚类结果生成模块，用于当所述样本差异度不满足预设的样本差异条件时，返回上述对所述语义向量集进行聚类操作，得到聚类簇集合的步骤，直到相邻两次聚类操作后得到的聚类簇集合之间的聚类数据差异度满足所述预设的聚类数据差异条件时，或者所述距离满足所述预设的聚类距离条件时，退出上述语义识别操作和聚类操作，将最后一次的聚类操作得到的聚类簇集合作为所述待聚类数据集的聚类结果。
为了解决上述问题，本发明还提供一种电子设备，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上述所述的文本聚类方法。
为了解决上述问题，本发明还提供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至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的文本聚类方法。
本发明实施例通过语义识别模型对待聚类数据集进行语义识别操作，并对识别后的语义向量集进行聚类操作，通过聚类簇中的每个语义向量到对应聚类中心的距离，调整所述语义识别模型，重复语义识别操作，并重新对新生成的语义向量集进行聚类，并通过相邻两次聚类操作得到的聚类簇之间的聚类数据差异度，重复聚类操作，相较于传统的先进行语义识别操作后再进行多次聚类操作的情况，上述语义识别操作与聚类操作相互结合，使得语言预训练模型和文本聚类算法皆使用同一语义空间内表征的数据进行语义识别操作以及聚类操作，并不断调整优化语义识别操作和聚类操作的结果，提升了文本聚类的准确性。
附图说明
图1为本发明一实施例提供的文本聚类方法的流程示意图；
图2为本发明一实施例提供的文本聚类方法中一个步骤的详细流程示意图；
图3为本发明一实施例提供的文本聚类装置的功能模块图；
图4为本发明一实施例提供的实现所述文本聚类方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种文本聚类方法。所述文本聚类方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述文本聚类方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的文本聚类方法的流程示意图。
在本实施例中，所述文本聚类方法包括以下步骤S1-S6：
S1、获取待聚类数据集，利用预设的语义识别模型对所述待聚类数据集进行语义识别操作，得到语义向量集；
本发明实施例中，所述待聚类数据集是指需要分析整理的大量未标注日志数据集合，例如，所述待聚类数据集包含会话意图数据、场景剧本数据等。
本发明实施例中，所述预设的语义识别模型是指利用Bert模型作为基础模型，再通过对基础模型进行重构预训练而得到的语义识别模型，其中，所述语义识别模型可以通过所述重构预训练实现输入为整个句子序列，输出是表征整个句子语义信息的语义向量的目的。
本发明实施例在所述利用预设的语义识别模型对所述待聚类数据集进行语义识别操作，得到语义向量集之前，所述方法还包括：
获取意图标注样本，并提取所述意图标注样本中标注类别相同的样本，得到批次意图标注样本集；
随机选取所述批次意图标注样本集中的一个标注样本作为意图标注正样本，并将所述批次意图标注样本中剩余标注样本作为意图标注负样本集；
将所述意图标注正样本以及所述意图标注负样本集作为训练语料对所述预设的语义识别模型进行重构预训练，得到正样本语义向量以及负样本语义向量集；
计算所述负样本语义向量集中每个负样本语义向量与所述正样本语义向量之间的损失值；
在所述损失值满足预设的损失条件时，结束所述预设的语义识别模型的序列重构预训练过程。
本发明实施例基于语义相近的句子的语义向量表示也相近的原理，通过随机选取所述批次意图标注样本中的一个标注样本作为意图标注正样本，并将所述批次意图标注样本中剩余标注样本作为意图标注负样本，将所述意图标注正样本及所述意图标注负样本同时参与模型训练，使得所述预设的语义识别模型可以达到正样本向量分布集中，并且远离负样本向量的效果。
本发明实施例计算所述意图标注负样本对应的负样本语义向量与所述意图标注正样本对应的正样本语义向量之间的损失值，采用下述损失函数公式：
其中，Lreqa为所述意图标注负样本对应的负样本语义向量与所述意图标注正样本对应的正样本语义向量之间的损失值，B为所述批次意图标注样本总数，τ为温度参数，为所述批次意图标注样本中第i个作为意图标注正样本的语义向量，/>为所述批次意图标注样本中第j个作为意图标注负样本的语义向量，q为所述批次意图标注样本中的意图标注正样本，a为所述批次意图标注样本中的意图标注负样本。
本发明实施例中，无法通过待聚类数据中的关键词体现出整个待聚类数据的完整语义信息，因此，需要将待聚类数据整体执行语义提取，并转化为向量格式，得到待聚类数据的语义向量。
详细地，参照图2所示，所述利用预设的语义识别模型对所述待聚类数据集进行语义识别操作，得到语义向量集，包括以下步骤S100-S102：
S100、在所述待聚类数据集中的每个待聚类数据前添加文本起始符；
S101、根据所述文本起始符，利用所述预设的语义识别模型接收所述待聚类数据集，并将所述待聚类数据集在所述预设的语义识别模型中进行文本向量映射，得到多个文本向量映射结果；
S102、汇总所述多个文本向量映射结果，得到所述语义向量集。
本发明实施例中，所述文本起始符是指在文本前面添加识别字符，便于多个文本数据进行语义识别及语义向量转换。
S2、对所述语义向量集进行聚类操作，得到聚类簇集合；
本发明实施例中，利用K-Means聚类方法对所述语义向量进行聚类操作。
详细地，所述对所述语义向量集进行聚类操作，得到聚类簇集合，包括：
从所述语义向量集中随机选取预设个数的语义向量作为聚类中心；
根据所述语义向量集中每个语义向量到所述聚类中心的距离，对所述语义向量集中剩余语义向量执行聚类划分，得到所述聚类簇集合。
本发明实施例中，所述聚类操作是一种数据处理方法，例如，可以根据每一个聚合类中的数据块尽可能具有相同特性的原则、不同聚合类之间的特性差别尽可能大的原则，根据数据的内在性质拆分成多个聚合类，执行聚类分析后的一个簇中的数据对象可以作为一个数据整体对待。
S3、依次计算所述聚类簇集合中每个聚类簇下每个语义向量到对应的聚类中心的距离；
本发明实施例采用MSE距离公式依次计算所述聚类簇集合中每个聚类簇下每个语义向量到对应的聚类中心的距离：
其中，所述为所述聚类簇集合中每个聚类簇下第i个语义向量到对应的聚类中心的距离，γ为调节所述MSE函数贡献度的超参数，f(xi)为第i个语义向量的向量表示，Mi为所述第i个语义向量对应的聚类簇的聚类中心的语义向量。
S4、在所述距离不满足预设的聚类距离条件时，调整所述预设的语义识别模型的参数，并利用调整后的语义识别模型对所述待聚类数据集进行语义识别操作，得到调整语义向量集；
本发明实施例中，所述预设的聚类距离条件是指每个所述语义向量到对应的聚类中心的距离阈值。
本发明实施例通过将不满足预设的聚类距离条件的语义模型进行参数调整，可以实现语义模型能够根据场景的变化而自适应改变模型的适用性，满足场景变换的需求。
本发明实施例中，在所述距离满足所述预设的聚类距离条件时，将最后一次的聚类操作得到的聚类簇集合作为所述待聚类数据集的聚类结果。
S5、对所述调整语义向量集进行聚类操作，得到调整聚类簇集合，并计算所述调整聚类簇集合与所述聚类簇集合之间的聚类数据差异度；
本发明实施例对所述调整语义向量集进行聚类操作，得到调整聚类簇集合与上述对所述语义向量集进行聚类操作，得到聚类簇集合的方法一致，在此不再赘述。
本发明实施例中，所述差异度是指所述聚类簇集合与所述调整聚类簇集合之间的差异率，衡量标准可以通过两次聚类簇集合中改变的样本数量来表征。
作为本发明一实施例，所述计算所述调整聚类簇集合与所述聚类簇集合之间的聚类数据差异度，包括：
统计所述调整聚类簇集合与所述聚类簇集合之间的差异语义向量的数量；
计算所述差异语义向量的数量占全部语义向量数量的比例，得到所述聚类数据差异度。
S6、当所述样本差异度不满足预设的样本差异条件时，返回上述对所述语义向量集进行聚类操作，得到聚类簇集合的步骤，直到相邻两次聚类操作后得到的聚类簇集合之间的聚类数据差异度满足所述预设的聚类数据差异条件时，或者所述距离满足所述预设的聚类距离条件时，退出上述语义识别操作和聚类操作，将最后一次的聚类操作得到的聚类簇集合作为所述待聚类数据集的聚类结果。
本发明实施例中，所述预设的聚类数据差异条件是指相邻两次聚类操作得到的聚类簇集合之间不同的语义向量数量占全部语义向量的比例阈值。例如，所述比例阈值可以设置为5％。
本发明实施例通过语义识别模型对待聚类数据集进行语义识别操作，并对识别后的语义向量集进行聚类操作，通过聚类簇中的每个语义向量到对应聚类中心的距离，调整所述语义识别模型，重复语义识别操作，并重新对新生成的语义向量集进行聚类，并通过相邻两次聚类操作得到的聚类簇之间的聚类数据差异度，重复聚类操作，相较于传统的先进行语义识别操作后再进行多次聚类操作的情况，上述语义识别操作与聚类操作相互结合，使得语言预训练模型和文本聚类算法皆使用同一语义空间内表征的数据进行语义识别操作以及聚类操作，并不断调整优化语义识别操作和聚类操作的结果，提升了文本聚类的准确性。
如图3所示，是本发明一实施例提供的文本聚类装置的功能模块图。
本发明所述文本聚类装置100可以安装于电子设备中。根据实现的功能，所述文本聚类装置100可以包括待聚类数据集处理模块101、初始聚类模块102、模型优化模块103及文本聚类结果生成模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述待聚类数据集处理模块101，用于获取待聚类数据集，利用预设的语义识别模型对所述待聚类数据集进行语义识别操作，得到语义向量集；
本发明实施例中，所述待聚类数据集是指需要分析整理的大量未标注日志数据集合，例如，所述待聚类数据集包含会话意图数据、场景剧本数据等。
本发明实施例中，所述预设的语义识别模型是指利用Bert模型作为基础模型，再通过序列到序列对基础模型进行重构预训练而得到的语义识别模型，其中，所述语义识别模型可以通过所述重构训练实现输入为整个句子序列，输出是表征整个句子语义信息的语义向量的目的。
本发明实施例在所述利用预设的语义识别模型对所述待聚类数据集进行语义识别操作，得到语义向量集之前，所述方法还包括：
获取意图标注样本，并提取所述意图标注样本中标注类别相同的样本，得到批次意图标注样本集；
随机选取所述批次意图标注样本集中的一个标注样本作为意图标注正样本，并将所述批次意图标注样本中剩余标注样本作为意图标注负样本集；
将所述意图标注正样本以及所述意图标注负样本集作为训练语料对所述预设的语义识别模型进行重构预训练，得到正样本语义向量以及负样本语义向量集；
计算所述负样本语义向量集中每个负样本语义向量与所述正样本语义向量之间的损失值；
在所述损失值满足预设的损失条件时，结束所述预设的语义识别模型的序列重构预训练过程。
本发明实施例基于语义相近的句子的语义向量表示也相近的原理，通过随机选取所述批次意图标注样本中的一个标注样本作为意图标注正样本，并将所述批次意图标注样本中剩余标注样本作为意图标注负样本，将所述意图标注正样本及所述意图标注负样本同时参与模型训练，使得所述预设的语义识别模型可以达到正样本向量分布集中，并且远离负样本向量的效果。
本发明实施例计算所述意图标注负样本对应的负样本语义向量与所述意图标注正样本对应的正样本语义向量之间的损失值，采用下述损失函数公式：
其中，Lreqa为所述意图标注负样本对应的负样本语义向量与所述意图标注正样本对应的正样本语义向量之间的损失值，B为所述批次意图标注样本总数，τ为温度参数，为所述批次意图标注样本中第i个作为意图标注正样本的语义向量，/>为所述批次意图标注样本中第j个作为意图标注负样本的语义向量，q为所述批次意图标注样本中的意图标注正样本，a为所述批次意图标注样本中的意图标注负样本。
本发明实施例中，无法通过待聚类数据中的关键词体现出整个待聚类数据的完整语义信息，因此，需要将待聚类数据整体执行语义提取，并转化为向量格式，得到待聚类数据的语义向量。
详细地，所述利用预设的语义识别模型对所述待聚类数据集进行语义识别操作，得到语义向量集，包括：
在所述待聚类数据集中的每个待聚类数据前添加文本起始符；
根据所述文本起始符，利用所述预设的语义识别模型接收所述待聚类数据集，并将所述待聚类数据集在所述预设的语义识别模型中进行文本向量映射，得到多个文本向量映射结果；
汇总所述多个文本向量映射结果，得到所述语义向量集。
本发明实施例中，所述文本起始符是指在文本前面添加识别字符，便于多个文本数据进行语义识别及语义向量转换。
所述初始聚类模块102，用于对所述语义向量集进行聚类操作，得到聚类簇集合；
本发明实施例中，利用K-Means聚类方法对所述语义向量进行聚类操作。
详细地，所述对所述语义向量集进行聚类操作，得到聚类簇集合，包括：
从所述语义向量集中随机选取预设个数的语义向量作为聚类中心；
根据所述语义向量集中每个语义向量到所述聚类中心的距离，对所述语义向量集中剩余语义向量执行聚类划分，得到所述聚类簇集合。
本发明实施例中，所述聚类操作是一种数据处理方法，例如，可以根据每一个聚合类中的数据块尽可能具有相同特性的原则、不同聚合类之间的特性差别尽可能大的原则，根据数据的内在性质拆分成多个聚合类，执行聚类分析后的一个簇中的数据对象可以作为一个数据整体对待。
所述模型优化模块103，用于依次计算所述聚类簇集合中每个聚类簇下每个语义向量到对应的聚类中心的距离；当所述距离不满足预设的聚类距离条件时，调整所述预设的语义识别模型的参数，并利用调整后的语义识别模型对所述待聚类数据集进行语义识别操作，得到调整语义向量集；对所述调整语义向量集进行聚类操作，得到调整聚类簇集合，并计算所述调整聚类簇集合与所述聚类簇集合之间的聚类数据差异度；
本发明实施例采用MSE距离公式依次计算所述聚类簇集合中每个聚类簇下每个语义向量到对应的聚类中心的距离：
其中，所述为所述聚类簇集合中每个聚类簇下第i个语义向量到对应的聚类中心的距离，γ为调节所述MSE函数贡献度的超参数，f(xi)为第i个语义向量的向量表示，Mi为所述第i个语义向量对应的聚类簇的聚类中心的语义向量。
本发明实施例中，所述预设的聚类距离条件是指每个所述语义向量到对应的聚类中心的距离阈值。
本发明实施例通过将不满足预设的聚类距离条件的语义模型进行参数调整，可以实现语义模型能够根据场景的变化而自适应改变模型的适用性，满足场景变换的需求。
本发明实施例对所述调整语义向量集进行聚类操作，得到调整聚类簇集合与上述对所述语义向量集进行聚类操作，得到聚类簇集合的方法一致，在此不再赘述。
本发明实施例中，所述差异度是指所述聚类簇集合与所述调整聚类簇集合之间的差异率，衡量标准可以通过两次聚类簇集合中改变的样本数量来表征。
作为本发明一实施例，所述计算所述调整聚类簇集合与所述聚类簇集合之间的聚类数据差异度，包括：
统计所述调整聚类簇集合与所述聚类簇集合之间的差异语义向量的数量；
计算所述差异语义向量的数量占全部语义向量数量的比例，得到所述聚类数据差异度。
所述文本聚类结果生成模块104，用于当所述样本差异度不满足预设的样本差异条件时，返回上述对所述语义向量集进行聚类操作，得到聚类簇集合的步骤，直到相邻两次聚类操作后得到的聚类簇集合之间的聚类数据差异度满足所述预设的聚类数据差异条件时，或者所述距离满足所述预设的聚类距离条件时，退出上述语义识别操作和聚类操作，将最后一次的聚类操作得到的聚类簇集合作为所述待聚类数据集的聚类结果。
本发明实施例中，所述预设的聚类数据差异条件是指相邻两次聚类操作得到的聚类簇集合之间不同的语义向量数量占全部语义向量的比例阈值。例如，所述比例阈值可以设置为5％。
如图4所示，是本发明一实施例提供的实现文本聚类方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如文本聚类程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行文本聚类程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如文本聚类程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的文本聚类程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取待聚类数据集，利用预设的语义识别模型对所述待聚类数据集进行语义识别操作，得到语义向量集；
对所述语义向量集进行聚类操作，得到聚类簇集合；
依次计算所述聚类簇集合中每个聚类簇下每个语义向量到对应的聚类中心的距离；
当所述距离不满足预设的聚类距离条件时，调整所述预设的语义识别模型的参数，并利用调整后的语义识别模型对所述待聚类数据集进行语义识别操作，得到调整语义向量集；
对所述调整语义向量集进行聚类操作，得到调整聚类簇集合，并计算所述调整聚类簇集合与所述聚类簇集合之间的聚类数据差异度；
当所述样本差异度不满足预设的样本差异条件时，返回上述对所述语义向量集进行聚类操作，得到聚类簇集合的步骤，直到相邻两次聚类操作后得到的聚类簇集合之间的聚类数据差异度满足所述预设的聚类数据差异条件时，或者所述距离满足所述预设的聚类距离条件时，退出上述语义识别操作和聚类操作，将最后一次的聚类操作得到的聚类簇集合作为所述待聚类数据集的聚类结果。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序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)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取待聚类数据集，利用预设的语义识别模型对所述待聚类数据集进行语义识别操作，得到语义向量集；
对所述语义向量集进行聚类操作，得到聚类簇集合；
依次计算所述聚类簇集合中每个聚类簇下每个语义向量到对应的聚类中心的距离；
当所述距离不满足预设的聚类距离条件时，调整所述预设的语义识别模型的参数，并利用调整后的语义识别模型对所述待聚类数据集进行语义识别操作，得到调整语义向量集；
对所述调整语义向量集进行聚类操作，得到调整聚类簇集合，并计算所述调整聚类簇集合与所述聚类簇集合之间的聚类数据差异度；
当所述样本差异度不满足预设的样本差异条件时，返回上述对所述语义向量集进行聚类操作，得到聚类簇集合的步骤，直到相邻两次聚类操作后得到的聚类簇集合之间的聚类数据差异度满足所述预设的聚类数据差异条件时，或者所述距离满足所述预设的聚类距离条件时，退出上述语义识别操作和聚类操作，将最后一次的聚类操作得到的聚类簇集合作为所述待聚类数据集的聚类结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
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。
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。
本申请实施例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。
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。系统权利要求中陈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)

1.一种文本聚类方法，其特征在于，所述方法包括：
获取待聚类数据集，利用预设的语义识别模型对所述待聚类数据集进行语义识别操作，得到语义向量集；
对所述语义向量集进行聚类操作，得到聚类簇集合；
依次计算所述聚类簇集合中每个聚类簇下每个语义向量到对应的聚类中心的距离；
在所述距离不满足预设的聚类距离条件时，调整所述预设的语义识别模型的参数，并利用调整后的语义识别模型对所述待聚类数据集进行语义识别操作，得到调整语义向量集；对所述调整语义向量集进行聚类操作，得到调整聚类簇集合，并计算所述调整聚类簇集合与所述聚类簇集合之间的聚类数据差异度；
当所述样本差异度不满足预设的样本差异条件时，返回上述对所述语义向量集进行聚类操作，得到聚类簇集合的步骤，直到相邻两次聚类操作后得到的聚类簇集合之间的聚类数据差异度满足所述预设的聚类数据差异条件时，将最后一次的聚类操作得到的聚类簇集合作为所述待聚类数据集的聚类结果。
2.如权利要求1所述的文本聚类方法，其特征在于，所述利用预设的语义识别模型对所述待聚类数据集进行语义识别操作，得到语义向量集，包括：
在所述待聚类数据集中的每个待聚类数据前添加文本起始符；
根据所述文本起始符，利用所述预设的语义识别模型接收所述待聚类数据集，并将所述待聚类数据集在所述预设的语义识别模型中进行文本向量映射，得到多个文本向量映射结果；
汇总所述多个文本向量映射结果，得到所述语义向量集。
3.如权利要求1所述的文本聚类方法，其特征在于，所述对所述语义向量集进行聚类操作，得到聚类簇集合，包括：
从所述语义向量集中随机选取预设个数的语义向量作为聚类中心；
根据所述语义向量集中每个语义向量到所述聚类中心的距离，对所述语义向量集中剩余语义向量执行聚类划分，得到所述聚类簇集合。
4.如权利要求1所述的文本聚类方法，其特征在于，依次计算所述聚类簇集合中每个聚类簇下每个语义向量到对应的聚类中心的距离，包括：
采用MSE距离公式依次计算所述聚类簇集合中每个聚类簇下每个语义向量到对应的聚类中心的距离：
其中，所述为所述聚类簇集合中每个聚类簇下第i个语义向量到对应的聚类中心的距离，γ为调节所述MSE函数贡献度的超参数，f(xi)为第i个语义向量的向量表示，Mi为所述第i个语义向量对应的聚类簇的聚类中心的语义向量。
5.如权利要求1所述的文本聚类方法，其特征在于，所述计算所述调整聚类簇集合与所述聚类簇集合之间的聚类数据差异度，包括：
统计所述调整聚类簇集合与所述聚类簇集合之间的差异语义向量的数量；
计算所述差异语义向量的数量占全部语义向量数量的比例，得到所述聚类数据差异度。
6.如权利要求1所述的文本聚类方法，其特征在于，所述在利用预设的语义识别模型对所述待聚类数据集进行语义识别操作，得到语义向量集之前，所述方法还包括：
获取意图标注样本，并提取所述意图标注样本中标注类别相同的样本，得到批次意图标注样本集；
随机选取所述批次意图标注样本集中的一个标注样本作为意图标注正样本，并将所述批次意图标注样本中剩余标注样本作为意图标注负样本集；
将所述意图标注正样本以及所述意图标注负样本集作为训练语料对所述预设的语义识别模型进行重构预训练，得到正样本语义向量以及负样本语义向量集；
计算所述负样本语义向量集中每个负样本语义向量与所述正样本语义向量之间的损失值；
在所述损失值满足预设的损失条件时，结束所述预设的语义识别模型的序列重构预训练过程。
7.如权利要求6所述的文本聚类方法，其特征在于，所述计算所述意图标注负样本对应的负样本语义向量与所述意图标注正样本对应的正样本语义向量之间的损失值，包括：
采用下述损失函数公式：
其中，Lreqa为所述意图标注负样本对应的负样本语义向量与所述意图标注正样本对应的正样本语义向量之间的损失值，B为所述批次意图标注样本总数，τ为温度参数，为所述批次意图标注样本中第i个作为意图标注正样本的语义向量，/>为所述批次意图标注样本中第j个作为意图标注负样本的语义向量，q为所述批次意图标注样本中的意图标注正样本，a为所述批次意图标注样本中的意图标注负样本。
8.一种文本聚类装置，其特征在于，所述装置包括：
待聚类数据集处理模块，用于获取待聚类数据集，利用预设的语义识别模型对所述待聚类数据集进行语义识别操作，得到语义向量集；
初始聚类模块，用于对所述语义向量集进行聚类操作，得到聚类簇集合；
模型优化模块，用于依次计算所述聚类簇集合中每个聚类簇下每个语义向量到对应的聚类中心的距离；当所述距离不满足预设的聚类距离条件时，调整所述预设的语义识别模型的参数，并利用调整后的语义识别模型对所述待聚类数据集进行语义识别操作，得到调整语义向量集；对所述调整语义向量集进行聚类操作，得到调整聚类簇集合，并计算所述调整聚类簇集合与所述聚类簇集合之间的聚类数据差异度；
文本聚类结果生成模块，用于当所述样本差异度不满足预设的样本差异条件时，返回上述对所述语义向量集进行聚类操作，得到聚类簇集合的步骤，直到相邻两次聚类操作后得到的聚类簇集合之间的聚类数据差异度满足所述预设的聚类数据差异条件时，或者所述距离满足所述预设的聚类距离条件时，退出上述语义识别操作和聚类操作，将最后一次的聚类操作得到的聚类簇集合作为所述待聚类数据集的聚类结果。
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如权利要求1至7中任意一项所述的文本聚类方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的文本聚类方法。
CN202310381393.4A 2023-04-04 2023-04-04 文本聚类方法、装置、电子设备及存储介质 Pending CN116521867A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310381393.4A CN116521867A (zh) 2023-04-04 2023-04-04 文本聚类方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310381393.4A CN116521867A (zh) 2023-04-04 2023-04-04 文本聚类方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116521867A true CN116521867A (zh) 2023-08-01

Family

ID=87395013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310381393.4A Pending CN116521867A (zh) 2023-04-04 2023-04-04 文本聚类方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116521867A (zh)

Similar Documents

Publication Publication Date Title
WO2022141861A1 (zh) 情感分类方法、装置、电子设备及存储介质
CN111639153A (zh) 基于法律知识图谱的查询方法、装置、电子设备及介质
CN113157927B (zh) 文本分类方法、装置、电子设备及可读存储介质
CN112559687A (zh) 问题识别及查询方法、装置、电子设备及存储介质
CN114840684A (zh) 基于医疗实体的图谱构建方法、装置、设备及存储介质
CN113344125B (zh) 长文本匹配识别方法、装置、电子设备及存储介质
CN116578696A (zh) 文本摘要生成方法、装置、设备及存储介质
WO2023178979A1 (zh) 问题标注方法、装置、电子设备及存储介质
CN116401602A (zh) 事件检测方法、装置、设备及计算机可读介质
CN116340516A (zh) 实体关系的聚类提取方法、装置、设备及存储介质
CN113515591B (zh) 文本不良信息识别方法、装置、电子设备及存储介质
CN113723114A (zh) 基于多意图识别的语义分析方法、装置、设备及存储介质
CN113806540A (zh) 文本打标签方法、装置、电子设备及存储介质
CN116521867A (zh) 文本聚类方法、装置、电子设备及存储介质
CN114723488B (zh) 课程推荐方法、装置、电子设备及存储介质
CN113592606B (zh) 基于多重决策的产品推荐方法、装置、设备及存储介质
CN115098688B (zh) 多标签分类模型训练方法、装置、电子设备及存储介质
CN115204158B (zh) 数据隔离应用方法、装置、电子设备及存储介质
CN114781833B (zh) 基于业务人员的能力测评方法、装置、设备及存储介质
CN115225489B (zh) 队列业务流量阈值动态控制方法、电子设备及存储介质
CN115238683B (zh) 循环自注意力的停用词识别方法、装置、设备及介质
CN115221875B (zh) 词权重生成方法、装置、电子设备及存储介质
CN115146627B (zh) 实体识别方法、装置、电子设备及存储介质
CN117195898A (zh) 实体关系抽取方法、装置、电子设备及存储介质
CN116737878A (zh) 疾病搜索排序方法、装置、设备及存储介质

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