CN117150010A - 文档分类方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种文档分类方法、装置、电子设备及存储介质，涉及人工智能技术领域，尤其涉及自然语言处理领域。具体实现方案为：根据文档中的目录，将文档中的正文划分为多个文本段；针对多个文本段中的每个文本段，确定文本段摘要和文本段类别；根据多个文本段各自的文本段摘要，确定多个第一候选类别和每个第一候选类别的置信度；根据多个文本段各自的文本段类别，确定多个第二候选类别和每个第二候选类别的置信度；以及根据多个第一候选类别、每个第一候选类别的置信度、多个第二候选类别以及每个第二候选类别的置信度，确定文档的类别。

Description

文档分类方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及自然语言处理领域，更具体地，本公开提供了一种文档分类方法、装置、电子设备、存储介质以及计算机程序产品。

背景技术

因监管要求、价值需求、治理需求等需求，需要进行数据分类，例如对文档进行分类。实际应用中需要人工进行文档的分类，分类耗时较长，工作量较大。

发明内容

本公开提供了一种文档分类方法、装置、电子设备、存储介质以及计算机程序产品。

根据本公开的一方面，提供了一种文档分类方法，包括：根据文档中的目录，将文档中的正文划分为多个文本段；针对多个文本段中的每个文本段，确定文本段摘要和文本段类别；根据多个文本段各自的文本段摘要，确定多个第一候选类别和每个第一候选类别的置信度；根据多个文本段各自的文本段类别，确定多个第二候选类别和每个第二候选类别的置信度；以及根据多个第一候选类别、每个第一候选类别的置信度、多个第二候选类别以及每个第二候选类别的置信度，确定文档的类别。

根据本公开的另一方面，提供了一种文档分类装置，包括：划分模块、第一确定模块、第二确定模块、第三确定模块以及第四确定模块。划分模块用于根据文档中的目录，将文档中的正文划分为多个文本段。第一确定模块用于针对多个文本段中的每个文本段，确定文本段摘要和文本段类别。第二确定模块用于根据多个文本段各自的文本段摘要，确定多个第一候选类别和每个第一候选类别的置信度。第三确定模块用于根据多个文本段各自的文本段类别，确定多个第二候选类别和每个第二候选类别的置信度。第四确定模块用于根据多个第一候选类别、每个第一候选类别的置信度、多个第二候选类别以及每个第二候选类别的置信度，确定文档的类别。

根据本公开的另一个方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开提供的方法。

根据本公开的另一个方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开提供的方法。

根据本公开的另一个方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现本公开提供的方法。

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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例的文档分类方法和装置的应用场景示意图；

图2是根据本公开实施例的文档分类方法的示意流程图；

图3A和图3B是根据本公开实施例的文档分类方法的示意原理图；

图4是根据本公开实施例的文档分类装置的示意结构框图；以及

图5是用来实施本公开实施例的文档分类方法的电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在一些实施例中，需要人工进行文档的分类。可以理解的是，各个行业中的文档涉及多种多样的内容，这需要分类的工作人员具有各种类型的专业知识理解能力。若文档内容较长，工作人员需要花费较长时间阅读文档，然后逐步总结，进而确定分类结果。此外，某个行业的分类类别数量较多，例如有100个，工作人员需要将当前处理的文档内容与该100个分类类别分别进行匹配。可以看出，人工分类的方式需要耗费较长时间，且工作量较大。

本公开实施例旨在提供一种分档分类方法，该方法能够替代人工进行文档的自动分类，以此节省人工成本，提高分类效率。

以下将结合附图和具体实施例详细阐述本公开提供的技术方案。

图1是根据本公开实施例的文档分类方法和装置的应用场景示意图。

需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据文档确定的文档类别、文档摘要等)反馈给终端设备。

需要说明的是，本公开实施例所提供的文档分类方法一般可以由服务器105执行。相应地，本公开实施例所提供的文档分类装置一般可以设置于服务器105中。本公开实施例所提供的文档分类方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的文档分类装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2是根据本公开实施例的文档分类方法的示意流程图。

如图2所示，该文档分类方法200可以包括操作S210～操作S250。

在操作S210，根据文档中的目录，将文档中的正文划分为多个文本段。

例如，文档可以包括目录和正文，目录的数量为一个或多个，每个目录均对应一部分正文。

例如，可以针对每个目录，将与该目录相对应的正文划分为多个文本段，可以按照预定字符长度进行划分，例如每隔预定字符长度划分出一个文本段，预定字符长度可以是512，1024等。

又例如，可以根据预定字符长度和目录内容文本中的标点符号，将目录内容文本划分为多个文本段，每个文本段的长度小于等于预定字符长度，并且文本段的最后一个字符为标点符号。例如可以每次均在第512个字符之前的最后一个标点符号处进行划分。此外，相邻两个文本段可以具有重叠文本，从而保证语义完整性，例如第一个文本段的最后100个字符与第二个文本段的前100个字符相同。

又例如，可以将正文按照等分的方式划分为预定数量个文本段。

在操作S220，针对多个文本段中的每个文本段，确定文本段摘要和文本段类别。

例如，可以将文本段输入分类模型，分类模型输出文本段类别。可以将文本段输入文本生成模型，由文本生成模型来生成文本段摘要。本实施例对分类模型和文本生成模型不做限定。

在操作S230，根据多个文本段各自的文本段摘要，确定多个第一候选类别和每个第一候选类别的置信度。

例如，可以将文本段摘要按顺序组合，将组合后的文本输入分类模型，分类模型输出第一候选类别和置信度。

在操作S240，根据多个文本段各自的文本段类别，确定多个第二候选类别和每个第二候选类别的置信度。

例如，可以基于文本段的重要性参数确定第二候选类别，具体处理方式在下文详细说明，在此不再赘述。又例如，可以忽略重要性参数，将频次较高的文本段类别确定为第二候选类别，并基于第二候选类别的频次确定置信度。

在操作S250，根据多个第一候选类别、每个第一候选类别的置信度、多个第二候选类别以及每个第二候选类别的置信度，确定文档的类别。

例如，多个第一候选类别构成的集合与多个第二候选类别构成的集合可以具有交集，可以将交集中的候选类别确定为目录类别。

若文档仅包括一个目录，则该目录的目录类别即为文档的类别。若文档包括多个目录，可以根据多个目录各自的目录类别确定文档的类别，例如可以对多个目录的目录类别的频次进行统计，将频次较高的目录类别确定为文档类别。

本公开实施例根据文档的目录理解文档的内容，先针对每个目录对应的正文，将正文划分为多个文本段，然后确定每个文本段的文本段摘要和文本段类别。之后基于该些文本段摘要和文本段类别分别确定第一候选类别和第二候选类别，然后从两种候选类别中确定文档的类别。该方法能够替代人工进行文档分类，实现文档的自动分类，提高分类效率，降低工作人员的劳动量，降低分类成本。

图3A和图3B是根据本公开实施例的文档分类方法的示意原理图。

如图3A所示，本实施例中，文档可以包括多个目录和多个正文，目录与正文一一对应，正文即为目录下的具体内容。例如文档包括目录A 3011、目录B 3012和目录C 3013，三个目录分别与正文A 3021、正文B 3022、正文C 3023相对应。

以对正文A 3021的处理过程为例，可以将正文A 3021划分为多个文本段，例如划分为文本段A 3031、文本段B 3232和文本段C 3033。

将文本段A和第一提示信息模板输入预定模型，预定模型输出文本段摘要304和文本段类别305。文本段B 3232和文本段C 3033进行与文本段A 3231类似的处理，这样得到多个文本段摘要304和文本段类别305。可以基于多个文本段摘要304确定第一拼接文本306，然后基于第一拼接文本306确定目标摘要307和第一候选类别308。还可以根据多个文本段类别305确定第二候选类别309。之后基于第一候选类别308和第二候选类别309确定目录类别310。

如图3B所示，对正文B 3022和正文C 3023采用与正文A 3021类似的处理过程，这样得到多个目录摘要307和多个目录类别310。接下来，可以基于多个目录摘要307确定第二拼接文本311，然后确定文档摘要312和第三候选类别313。可以基于多个目录类别确定第四候选类别314。然后可以基于第三候选类别313和第四候选类别314确定文档的类别315。

本实施例对分段分类方法进行了简要介绍，下文将结合其他实施例，对文档分类方法中的各个过程进行详细说明。

本实施例中，文档可以包括多个目录和多个正文，目录与正文一一对应，正文即为目录下的具体内容。本实施例可以包括以下阶段。

在第一阶段，配置提示信息(prompt)模板。

例如，可以预先配置多个提示信息模板，各个提示信息模板均可以包括通用提示信息，各个提示信息模板还可以根据实际需求包括非通用提示信息。通用提示信息可以包括多个子信息，以下对通用提示信息为例进行说明。

例如，通用提示信息可以包括文档的文档名称和目录的目录名称。有时可以从文档名称和目录名称判断出大致的分类类别，因而提示信息模板中对文档名称和目录名称进行说明，以使输入模型的信息具有上下文语义环境，确保模型的处理效果。可以自动提取文档名称和目录名称，并添加提示信息模板中。

例如，通用提示信息可以包括与场景相关的多个参考类别。可以在prompt中添加行业内常见的分类类别，以便预定模型更好的确定输出的类别信息。

例如，通用提示信息可以包括类别约束信息，类别约束信息表征：预定模型用于根据多个参考类别确定类别信息，类别信息包括文本段类别、第一候选类别和第三候选类别中的至少一个。例如，可以在提示信息模板中添加以下内容“判断下面文本和行业内常见的该些20个分类的相关性，相关性使用一个大于等于0且小于等于1的小数来判断，小数点后面保留两位小数。如果存在两个一样的相关性小数，建议重新判断下两个分类之间的相对相关性，重新产出相关性。最终按照相关性降序排列，产出TOP 3分类类别以及每个分类类别的相关性”。

例如，通用提示信息可以包括表征摘要的最大字符数量的数量阈值，摘要包括文本段摘要、目录摘要和文档摘要中的至少一个。例如，可以在提示信息模板中添加以下内容“摘要需要简明扼要，限制在50字以内”。

例如，通用提示信息可以包括处理顺序约束信息，处理顺序约束信息表征预定模型用于根据类别信息生成摘要。例如，可以在提示信息模板中添加以下内容“生成摘要时需要从TOP 3分类类别的角度进行总结；当然如果该文本没有相关的分类类别，则直接总结即可。可以看出，该通用提示信息会使预定模型先确定分类信息，再确定摘要，使得摘要是从分类的角度进行针对性的总结，从而提高摘要的准确性，

此外，通用提示信息的句式可以与训练预定模型使用的训练数据的句式一致，从而更好的发挥预定模型的效果。

在第二阶段，基于目录将与目录相对应的正文划分为多个文本段。

例如，按照预定字符长度进行划分，同时相邻两个文本段具有一些重叠字符，来确保语义的完整性。此外在划分的过程中还考虑标点符号。

在一些实施例中，可以在与目录相对应的正文的字符长度大于等于预定长度的情况下，进入该第二阶段，若字符长度小于预定长度，可以不进行划分，而是直接将与目录相对应的正文作为文本段，并进入后续的第三阶段。

在第三阶段，确定文本段摘要和文本段类别。

例如，可以针对每个文本段，从多个提示信息模板中确定与文本段相对应的第一提示信息模板，例如可以根据流程标识来选择第一提示信息模板，第一提示信息模板可以包括通用提示信息。流程标识表征当前处理的流程为确定文本段摘要和文本段类别。然后根据文本段和第一提示信息模板确定第一提示信息，例如将文本段与第一提示信息模板组合为第一提示信息。然后将第一提示信息输入预定模型，预定模型输出文本段摘要和文本段类别，预定模型可以包括文本生成类模型，也可以包括分类模型，可以采用大语言模型(LLM)作为预定模型。本实施例对预定模型的结构和工作原理不做限定。第一提示信息模板可以提高预训练的预定模型的泛化能力和处理效果，从而得到较为准确的文本段摘要和文本段类别

在第四阶段，基于多个文本段确定目录的目录摘要和目录类别。第四阶段可以包括以下多个子阶段。

在第一子阶段，可以先确定目录摘要和第一候选类别，目录摘要可以表示目录下多个文本段对应的总摘要。

例如，可以将多个文本段的多个文本段摘要进行拼接，得到第一拼接文本。然后从多个提示信息模板中确定与第一拼接文本相对应的第二提示信息模板，例如可以根据流程标识来选择第二提示信息模板，流程标识表征当前处理的流程为确定目录摘要和第一候选类别。接下来，根据第一拼接文本和第二提示信息模板，确定第二提示信息，例如将第一拼接文本和第二提示信息模板组合为第二提示信息。然后将第二提示信息输入预定模型，预定模型输出目录摘要，此外，预定模型还可以输出多个第一候选类别和每个第一候选类别的置信度。本实施例中，文本段摘要的字符数量较少，将多个文本段摘要拼接可以得到语义较为完整的信息，基于该信息可以准确确定目录摘要和第一候选类别。此外，第二提示信息模板可以提高预训练的预定模型的泛化能力和处理效果。

第二提示信息模板可以包括通用提示信息，还可以包括非通用提示信息，第二提示信息模板中的非通用提示信息可以包括重要性约束信息，重要性约束信息表征：多个文本段摘要彼此之间的相对重要性关系，相对重要性关系与多个文本段在目录内容文本中所处的位置相关，预定模型基于重要性约束信息生成目录摘要。例如，在第二提示信息模板中增加以下内容“生成总结摘要时着重关注第一段话，其次关注最后一段话”。需要说明的是，由于第二提示信息是一个目录下全部文本段的文本段摘要，具有比较完整的语义，按照中文的写作习惯，在一个完整的语义段落中第一段话是最重要的，其次是最后一段话，因此设置重要性约束信息能够提高目录摘要的准确性。此外，相邻两个文本段具有重复字符，因此第二提示信息模板中的非通用提示信息还可以包括语义重叠信息，例如第二提示信息目标中可以包括以下内容“相邻段落之间一般存在结尾和开头之间的语义重叠”。

在第二子阶段，可以确定第二候选类别。

例如，根据多个文本段在目录内容文本中所处的位置信息，确定每个文本段的重要性参数，然后根据每个文本段的重要性参数和每个文本段的文本段类别，确定每个文本段类别的置信度，之后根据每个文本段类别的置信度的排序，确定多个第二候选类别。

例如，重要性参数表征文本段在目录下正文中的重要程度，文本段对应有特定的权重，以权重作为重要性参数，第一个文本段的权重w1、最后一个文本段的权重w2、剩余每个文本段的权重w3可以不同，例如权重w1大于权重w2大于权重w3，例如w1：w2：w3＝1.2：1.1：1，全部文本段的权重之和可以为1。以某个目录下的正文划分为4个文本段为例，不同文本段可以属于同一个文本段类别，若某个文本段类别对应第一个文本段和第二个文本段，则该文本段类别的权重之和为w1+w3，该权重之和即为文本段类别的置信度。可以将置信度较大的一些文本段类别作为第二候选类别。本实施例基于多个文本段在目录内容文本中所处的位置信息确定文本段的重要程度，然后基于重要程度确定文本段类别的置信度，因此能够从多个文本的类别中准确确定第二候选类别。

在第三子阶段，可以根据第一候选类别和第二候选类别确定目录类别。

例如，可以基于权重确定候选类别的评价值。可以预先配置第一候选类别的第一权重和第二候选类别的第二权重，第一权重例如为0.6，第二权重例如为0.4，可以计算每个第一候选类别的置信度与第一权重的第一乘积。可以计算每个第二候选类别的置信度与第二权重的第二乘积。多个第一候选类别构成的集合与多个第二候选类别构成的集合可以具有交集，对于交集中的候选类别，将该候选类别的第一乘积与第二乘积之和作为该候选类别的评价值。对于交集之外的第一候选类别，将第一乘积作为评价值。对于交集之外的第二候选类别，将第二乘积作为评价值。然后按照从大至小的顺序对评价值进行排序，将排序靠前的几个候选类别作为目录类别。

在第五阶段，基于多个目录的目录摘要和目录类别，确定文档摘要和文档类别。第五阶段可以包括以下多个子阶段。

在第一子阶段，可以根据多个目录各自的目录摘要，确定文档摘要和多个第三候选类别。该第五阶段中的第一子阶段可以参考上文第四阶段中第一子阶段确定第一候选类别的过程。例如，可以将至少一个目录各自的目录摘要进行拼接，得到第二拼接文本，然后从多个提示信息模板中确定与第二拼接文本相对应的第三提示信息模板，然后根据第二拼接文本和第三提示信息模板，确定第三提示信息，之后将第三提示信息输入预定模型，得到文档摘要和多个第三候选类别。

需要说明的是，在其他实施例中，上述第一子阶段还可以采用其他方案。例如，可以将第二拼接文本作为文档摘要。

需要说明的是，第三提示信息模板可以包括通用提示信息，还可以非通用提示信息，第三提示信息模板中的非通用提示信息可以包括第一辅助信息和/或第二辅助信息，第一辅助信息表征第一个目录的目录摘要为总结性内容，第二辅助信息表征最后一个目录的目录摘要为总结性内容。例如，第一个目录和最后一个目录的内容有时为摘要、简介等总结性的内容，因而在第三提示信息模板中进行说明，从而提高文档摘要的准确性。此外，文档名称、目录名称、每个目录的目录摘要、每个目录的目录类别可以按照预定格式进行有序排列，以便预定模型理解语义信息。

在第二子阶段，可以根据多个目录各自的目录类别，确定多个第四候选类别。该第五阶段中的第二子阶段可以参考上文第四阶段中第二子阶段确定第二候选类别的过程，处理过程可以相同，区别在于处理的数据不同。例如，可以根据多个目录在文档中所处的位置信息，确定每个目录的重要性参数，然后根据每个目录的重要性参数和每个目录的目录类别，确定每个目录类别的置信度，之后根据每个目录类别的置信度的排序，确定多个第四候选类别。

在第三子阶段，可以根据多个第三候选类别和多个第四候选类别，确定文档的类别。该第五阶段中的第三子阶段可以参考上文第四阶段中第三子阶段确定第二候选类别的过程，处理过程可以相同，区别在于处理的数据不同。例如可以确定每个候选类别的评价值，然后按照评价值对候选类别进行排序，并将排序较为靠前的几个候选类别作为文档的类别。

可以看出，第五阶段从目录摘要和目录类别两个维度综合确定文档类别，因此可以得到较为准确的文档类别。

经过上述第一阶段至第五阶段，可以得到分类结果，然后可以向用户展示分类结果。

需要说明的是，分类结果可以包括文档的类别，直接告知用户文档的类别，用户有时不信任预定模型的处理结果，因此还可以输出文档的每个类别的置信度和文档摘要，从而提高预定模型的可解释性、可靠性、安全感。这样用户不仅知晓预定模型的分类结果，还可以知晓预定模型的分类逻辑，用户可以通过检查一些文档来确定预定模型的分类结果是否准确以及文档摘要是否准确，若准确则用户后续可以不再查看文档内容并直接信任预定模型的输出结果。

需要说明的是，上述第一阶段至第五阶段使用提示信息模板可以提高预定模型的处理效果，在一些实施例中，可以省略提示信息模板，直接利用模型处理文本段、文本段摘要、目录摘要等信息。

需要说明的是，上文实施例先配置了提示信息模板，然后使用待处理的数据与提示信息模板组合为提示信息，并将提示信息输入预定模型，得到预定模型输出的信息。在实际应用中，提示信息模板有时无法完全准确。

以第一提示信息模板和第二提示信息模板为例，例如，可以对优化后的提示信息模板进行评估，例如使用N个目录进行评估，N是大于等于1的整数。例如N为50，经评估确定预定模型针对其中40个目录的输出信息较为准确，但是预定模型无法针对另外10个目录输出准确信息，因此可以对预定模型进行优化。

在模型优化过程中，上述评估的50个信息可以作为训练样本，其中40个样本可以直接使用无需改动，另外10个样本由于预定模型输出结果的准确性未达要求，可以在模型输出的基础上针对错误的地方进行改动即可

然而，预训练大模型是在海量通识语料中学习到的，50个样本不足以训练预定模型。例如，下游任务训练采用SFT(全量参数的有监督微调)，在50个样本的条件下训练效果较差，并且预定模型在其他通识方面的能力也发生了退化。

因此，可以使用AdaLORA局部参数微调来进行下游任务的模型训练，AdaLORA微调训练的时候，并不是更新全量参数，而是很少量参数。这个时候使用少量样本便可以对模型进行训练，并且获得较好的训练效果。

上文以第一提示信息模板和第二提示信息模板为例，对模型训练过程进行了说明。对于第三提示信息模板，同样可以使用AdaLORA局部参数微调来进行下游任务的模型训练。

在一些实施例中，除了上述文档的类别和文档摘要之外，还可以向用户展示提示信息。若提示信息存在错误，用户可以根据实际需求进行修改。此外，修改之后，用户点击预定选项，可以利用修改后的提示信息对预定模型进行迭代优化。在使用过程中，用户可以对当前处理的一些文档进行抽查，若发现处理结果不符合预期，可以重新进行模型迭代，从而优化模型的性能。

图4是根据本公开实施例的文档分类装置的示意结构框图。

如图4所示，该文档分类装置400可以包括划分模块410、第一确定模块420、第二确定模块430、第三确定模块440以及第四确定模块450。

划分模块410用于根据文档中的目录，将文档中的正文划分为多个文本段。

第一确定模块420用于针对多个文本段中的每个文本段，确定文本段摘要和文本段类别。

第二确定模块430用于根据多个文本段各自的文本段摘要，确定多个第一候选类别和每个第一候选类别的置信度。

第三确定模块440用于根据多个文本段各自的文本段类别，确定多个第二候选类别和每个第二候选类别的置信度。

第四确定模块450用于根据多个第一候选类别、每个第一候选类别的置信度、多个第二候选类别以及每个第二候选类别的置信度，确定文档的类别。

本实施例中，第一确定模块包括：第一模板确定子模块、第一提示信息确定子模块和第一输入子模块。第一模板确定子模块用于针对每个文本段，从多个提示信息模板中确定与文本段相对应的第一提示信息模板。第一提示信息确定子模块用于根据文本段和第一提示信息模板，确定第一提示信息。第一输入子模块用于将第一提示信息输入预定模型，得到文本段摘要和文本段类别。

本实施例中，第二确定模块包括：拼接子模块、第二模板确定子模块、第二提示信息确定子模块以及第二输入子模块。拼接子模块用于将多个文本段的多个文本段摘要进行拼接，得到第一拼接文本。第二模板确定子模块用于从多个提示信息模板中确定与第一拼接文本相对应的第二提示信息模板。第二提示信息确定子模块用于根据第一拼接文本和第二提示信息模板，确定第二提示信息。第二输入子模块用于将第二提示信息输入预定模型，得到输出信息，输出信息包括多个第一候选类别和每个第一候选类别的置信度。

本实施例中，输出信息还包括目录摘要。第二提示信息还包括重要性约束信息，重要性约束信息表征：多个文本段摘要彼此之间的相对重要性关系，相对重要性关系与多个文本段在目录内容文本中所处的位置相关，预定模型基于重要性约束信息生成目录摘要。

本实施例中，第三确定模块包括：参数确定子模块、置信度确定子模块以及第二候选类别确定子模块。参数确定子模块用于根据多个文本段在目录内容文本中所处的位置信息，确定每个文本段的重要性参数。置信度确定子模块用于根据每个文本段的重要性参数和每个文本段的文本段类别，确定每个文本段类别的置信度。第二候选类别确定子模块用于根据每个文本段类别的置信度的排序，确定多个第二候选类别。

本实施例中，文档包括至少一个目录，第四确定模块包括：目录类别确定子模块和文档类别确定子模块。目录类别确定子模块用于针对至少一个目录中的每个目录，根据多个第一候选类别、每个第一候选类别的置信度、多个第二候选类别以及每个第二候选类别的置信度，确定针对目录的目录类别。文档类别确定子模块用于根据至少一个目录各自的目录类别，确定文档的类别。

本实施例中，文档包括多个目录，文档类别确定子模块包括：第一确定单元、第二确定单元和文档类别确定单元。第一确定单元用于根据多个目录各自的目录摘要，确定文档摘要和多个第三候选类别。第二确定单元用于根据多个目录各自的目录类别，确定多个第四候选类别。文档类别确定单元用于根据多个第三候选类别和多个第四候选类别，确定文档的类别。

本实施例中，第一确定单元包括：拼接子单元、第三模板确定子单元、第三提示信息确定子单元以及信息确定子单元。拼接子单元用于将至少一个目录各自的目录摘要进行拼接，得到第二拼接文本。第三模板确定子单元用于从多个提示信息模板中确定与第二拼接文本相对应的第三提示信息模板。第三提示信息确定子单元用于根据第二拼接文本和多个提示信息模板中的第三提示信息模板，确定第三提示信息。信息确定子单元用于将第三提示信息输入预定模型，得到文档摘要和多个第三候选类别。

本实施例中，第三提示信息模板包括第一辅助信息和第二辅助信息中的至少一个，第一辅助信息表征第一个目录的目录摘要为总结性内容，第二辅助信息表征最后一个目录的目录摘要为总结性内容。

本实施例中，提示信息模板包括以下中的至少一个子信息：文档的文档名称。目录的目录名称。与场景相关的多个参考类别和类别约束信息，类别约束信息表征：预定模型用于根据多个参考类别确定类别信息，类别信息包括文本段类别、第一候选类别和第三候选类别中的至少一个。表征摘要的最大字符数量的数量阈值，摘要包括文本段摘要、目录摘要和文档摘要中的至少一个。处理顺序约束信息，处理顺序约束信息表征预定模型用于根据类别信息生成摘要。

根据本公开的实施例，本公开还提供了一种电子设备，包括至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述文档分类方法。

根据本公开的实施例，本公开还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述文档分类方法。

根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述文档分类方法。

图5是用来实施本公开实施例的文档分类方法的电子设备的结构框图。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。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元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。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理，例如文档分类方法。例如，在一些实施例中，文档分类方法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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的文档分类方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文档分类方法。

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)、复杂可编程逻辑设备(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。

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公开的技术方案所期望的结果，本文在此不进行限制。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

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 (23)

1.一种文档分类方法，包括：

根据所述文档中的目录，将所述文档中的正文划分为多个文本段；

针对所述多个文本段中的每个文本段，确定文本段摘要和文本段类别；

根据所述多个文本段各自的文本段摘要，确定多个第一候选类别和每个第一候选类别的置信度；

根据所述多个文本段各自的文本段类别，确定多个第二候选类别和每个第二候选类别的置信度；以及

根据所述多个第一候选类别、每个第一候选类别的置信度、多个第二候选类别以及每个第二候选类别的置信度，确定所述文档的类别。

2.根据权利要求1所述的方法，其中，所述针对所述多个文本段中的每个文本段，确定文本段摘要和文本段类别包括：

针对每个文本段，从多个提示信息模板中确定与所述文本段相对应的第一提示信息模板；

根据所述文本段和所述第一提示信息模板，确定第一提示信息；以及

将所述第一提示信息输入预定模型，得到所述文本段摘要和所述文本段类别。

3.根据权利要求1所述的方法，其中，所述根据所述多个文本段各自的文本段摘要，确定多个第一候选类别和每个第一候选类别的置信度包括：

将所述多个文本段的多个文本段摘要进行拼接，得到第一拼接文本；

从多个提示信息模板中确定与所述第一拼接文本相对应的第二提示信息模板；

根据所述第一拼接文本和所述第二提示信息模板，确定第二提示信息；以及

将所述第二提示信息输入预定模型，得到输出信息，所述输出信息包括所述多个第一候选类别和每个第一候选类别的置信度。

4.根据权利要求3所述的方法，其中，所述输出信息还包括目录摘要；

其中，所述第二提示信息还包括重要性约束信息，所述重要性约束信息表征：所述多个文本段摘要彼此之间的相对重要性关系，所述相对重要性关系与所述多个文本段在所述目录内容文本中所处的位置相关，所述预定模型基于所述重要性约束信息生成所述目录摘要。

5.根据权利要求1所述的方法，其中，所述根据所述多个文本段各自的文本段类别，确定多个第二候选类别和每个第二候选类别的置信度包括：

根据所述多个文本段在所述目录内容文本中所处的位置信息，确定每个文本段的重要性参数；

根据每个文本段的重要性参数和每个文本段的文本段类别，确定每个文本段类别的置信度；以及

根据每个文本段类别的置信度的排序，确定所述多个第二候选类别。

6.根据权利要求1至5中任意一项所述的方法，其中，所述文档包括至少一个目录，所述根据所述多个第一候选类别、每个第一候选类别的置信度、多个第二候选类别以及每个第二候选类别的置信度，确定所述文档的类别包括：

针对所述至少一个目录中的每个目录，根据所述多个第一候选类别、每个第一候选类别的置信度、多个第二候选类别以及每个第二候选类别的置信度，确定针对所述目录的目录类别；以及

根据所述至少一个目录各自的目录类别，确定所述文档的类别。

7.根据权利要求6所述的方法，其中，所述文档包括多个目录，所述根据所述至少一个目录各自的目录类别，确定所述文档的类别包括：

根据所述多个目录各自的目录摘要，确定文档摘要和多个第三候选类别；

根据所述多个目录各自的目录类别，确定多个第四候选类别；以及

根据所述多个第三候选类别和所述多个第四候选类别，确定所述文档的类别。

8.根据权利要求7所述的方法，其中，所述根据所述多个目录各自的目录摘要，确定文档摘要和多个第三候选类别包括：

将所述至少一个目录各自的目录摘要进行拼接，得到第二拼接文本；

从多个提示信息模板中确定与所述第二拼接文本相对应的第三提示信息模板；

根据所述第二拼接文本和所述多个提示信息模板中的第三提示信息模板，确定第三提示信息；以及

将所述第三提示信息输入预定模型，得到所述文档摘要和所述多个第三候选类别。

9.根据权利要求8所述的方法，其中，所述第三提示信息模板包括以下中的至少一个：

第一辅助信息，表征第一个目录的目录摘要为总结性内容；以及

第二辅助信息，表征最后一个目录的目录摘要为总结性内容。

10.根据权利要求2、3、8和9中任意一项所述的方法，其中，所述提示信息模板包括以下中的至少一个子信息：

所述文档的文档名称；

所述目录的目录名称；

与场景相关的多个参考类别和类别约束信息，所述类别约束信息表征：所述预定模型用于根据所述多个参考类别确定类别信息，所述类别信息包括所述文本段类别、第一候选类别和第三候选类别中的至少一个；

表征摘要的最大字符数量的数量阈值，所述摘要包括所述文本段摘要、目录摘要和文档摘要中的至少一个；以及

处理顺序约束信息，所述处理顺序约束信息表征所述预定模型用于根据所述类别信息生成所述摘要。

11.一种文档分类装置，包括：

划分模块，用于根据所述文档中的目录，将所述文档中的正文划分为多个文本段；

第一确定模块，用于针对所述多个文本段中的每个文本段，确定文本段摘要和文本段类别；

第二确定模块，用于根据所述多个文本段各自的文本段摘要，确定多个第一候选类别和每个第一候选类别的置信度；

第三确定模块，用于根据所述多个文本段各自的文本段类别，确定多个第二候选类别和每个第二候选类别的置信度；以及

第四确定模块，用于根据所述多个第一候选类别、每个第一候选类别的置信度、多个第二候选类别以及每个第二候选类别的置信度，确定所述文档的类别。

12.根据权利要求11所述的装置，其中，所述第一确定模块包括：

第一模板确定子模块，用于针对每个文本段，从多个提示信息模板中确定与所述文本段相对应的第一提示信息模板；

第一提示信息确定子模块，用于根据所述文本段和所述第一提示信息模板，确定第一提示信息；以及

第一输入子模块，用于将所述第一提示信息输入预定模型，得到所述文本段摘要和所述文本段类别。

13.根据权利要求11所述的装置，其中，所述第二确定模块包括：

拼接子模块，用于将所述多个文本段的多个文本段摘要进行拼接，得到第一拼接文本；

第二模板确定子模块，用于从多个提示信息模板中确定与所述第一拼接文本相对应的第二提示信息模板；

第二提示信息确定子模块，用于根据所述第一拼接文本和所述第二提示信息模板，确定第二提示信息；以及

第二输入子模块，用于将所述第二提示信息输入预定模型，得到输出信息，所述输出信息包括所述多个第一候选类别和每个第一候选类别的置信度。

14.根据权利要求13所述的装置，其中，所述输出信息还包括目录摘要；

其中，所述第二提示信息还包括重要性约束信息，所述重要性约束信息表征：所述多个文本段摘要彼此之间的相对重要性关系，所述相对重要性关系与所述多个文本段在所述目录内容文本中所处的位置相关，所述预定模型基于所述重要性约束信息生成所述目录摘要。

15.根据权利要求11所述的装置，其中，所述第三确定模块包括：

参数确定子模块，用于根据所述多个文本段在所述目录内容文本中所处的位置信息，确定每个文本段的重要性参数；

置信度确定子模块，用于根据每个文本段的重要性参数和每个文本段的文本段类别，确定每个文本段类别的置信度；以及

第二候选类别确定子模块，用于根据每个文本段类别的置信度的排序，确定所述多个第二候选类别。

16.根据权利要求11至15中任意一项所述的装置，其中，所述文档包括至少一个目录，所述第四确定模块包括：

目录类别确定子模块，用于针对所述至少一个目录中的每个目录，根据所述多个第一候选类别、每个第一候选类别的置信度、多个第二候选类别以及每个第二候选类别的置信度，确定针对所述目录的目录类别；以及

文档类别确定子模块，用于根据所述至少一个目录各自的目录类别，确定所述文档的类别。

17.根据权利要求16所述的装置，其中，所述文档包括多个目录，所述文档类别确定子模块包括：

第一确定单元，用于根据所述多个目录各自的目录摘要，确定文档摘要和多个第三候选类别；

第二确定单元，用于根据所述多个目录各自的目录类别，确定多个第四候选类别；以及

文档类别确定单元，用于根据所述多个第三候选类别和所述多个第四候选类别，确定所述文档的类别。

18.根据权利要求17所述的装置，其中，所述第一确定单元包括：

拼接子单元，用于将所述至少一个目录各自的目录摘要进行拼接，得到第二拼接文本；

第三模板确定子单元，用于从多个提示信息模板中确定与所述第二拼接文本相对应的第三提示信息模板；

第三提示信息确定子单元，用于根据所述第二拼接文本和所述多个提示信息模板中的第三提示信息模板，确定第三提示信息；以及

信息确定子单元，用于将所述第三提示信息输入预定模型，得到所述文档摘要和所述多个第三候选类别。

19.根据权利要求18所述的装置，其中，所述第三提示信息模板包括以下中的至少一个：

第一辅助信息，表征第一个目录的目录摘要为总结性内容；以及

第二辅助信息，表征最后一个目录的目录摘要为总结性内容。

20.根据权利要求12、13、18和19中任意一项所述的装置，其中，所述提示信息模板包括以下中的至少一个子信息：

所述文档的文档名称；

所述目录的目录名称；

与场景相关的多个参考类别和类别约束信息，所述类别约束信息表征：所述预定模型用于根据所述多个参考类别确定类别信息，所述类别信息包括所述文本段类别、第一候选类别和第三候选类别中的至少一个；

表征摘要的最大字符数量的数量阈值，所述摘要包括所述文本段摘要、目录摘要和文档摘要中的至少一个；以及

处理顺序约束信息，所述处理顺序约束信息表征所述预定模型用于根据所述类别信息生成所述摘要。

21.一种电子设备，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；其中，

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至10中任一项所述的方法。

22.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至10中任一项所述的方法。

23.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至10中任一项所述的方法。