CN117216275A - 一种文本处理方法、装置、设备以及存储介质 - Google Patents
一种文本处理方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN117216275A CN117216275A CN202311226274.8A CN202311226274A CN117216275A CN 117216275 A CN117216275 A CN 117216275A CN 202311226274 A CN202311226274 A CN 202311226274A CN 117216275 A CN117216275 A CN 117216275A
- Authority
- CN
- China
- Prior art keywords
- target
- sentence
- sentences
- context
- text
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000013145 classification model Methods 0.000 claims abstract description 30
- 230000007717 exclusion Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 22
- 239000003607 modifier Substances 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000003058 natural language processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010010071 Coma Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种文本处理方法、装置、设备以及存储介质。该方法包括:基于预设的排除规则,根据预设的目标关键字,对输入法或搜索协议中的短文本语句进行筛选,确定目标语句;根据目标语句的输入时间,基于预设的时间范围和输入次数阈值,确定目标语句对应的目标上下文语句;根据所述目标关键字和所述目标上下文语句,生成目标样本,并采用所述目标样本进行模型训练得到文本分类模型,以进行文本分类处理。本发明的技术方案,可以更好的对短文本之间的关联关系进行分析,从而确定出文档级别的样本,以训练出准确的文本分类模型进行文本处理。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种文本处理方法、装置、设备以及存储介质。
背景技术
随着浏览器的发展,在搜索引擎输入短文本内容进行搜索已经是广泛应用的场景,输入的短文本内容往往都有一个完整的意思表达,属于段落级文本。采用NLP(自然语言处理,Natural Language Processing)机器识别技术进行文本处理时,对于段落级短文本处理的准确性效率不高。
如何更好的对短文本之间的关联关系进行分析,从而确定出文档级别的样本,以训练出准确的文本分类模型进行文本处理,是目前亟待解决的问题。
发明内容
本发明提供了一种文本处理方法、装置、设备以及存储介质,可以更好的对短文本之间的关联关系进行分析,从而确定出文档级别的样本,以训练出准确的文本分类模型进行文本处理。
根据本发明的一方面,提供了一种文本处理方法,包括:
基于预设的排除规则,根据预设的目标关键字,对输入法或搜索协议中的短文本语句进行筛选,确定目标语句;
根据目标语句的输入时间,基于预设的时间范围和输入次数阈值,确定目标语句对应的目标上下文语句;
根据所述目标关键字和所述目标上下文语句,生成目标样本,并采用所述目标样本进行模型训练得到文本分类模型,以进行文本分类处理。
根据本发明的另一方面,提供了一种文本处理装置,包括:
第一确定模块,用于基于预设的排除规则,根据预设的目标关键字,对输入法或搜索协议中的短文本语句进行筛选,确定目标语句;
第二确定模块,用于根据目标语句的输入时间,基于预设的时间范围和输入次数阈值,确定目标语句对应的目标上下文语句;
处理模块,用于根据所述目标关键字和所述目标上下文语句,生成目标样本,并采用所述目标样本进行模型训练得到文本分类模型,以进行文本分类处理。
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文本处理方法。
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文本处理方法。
本发明实施例的技术方案,基于预设的排除规则,根据预设的目标关键字,对输入法或搜索协议中的短文本语句进行筛选,确定目标语句;根据目标语句的输入时间,基于预设的时间范围和输入次数阈值,确定目标语句对应的目标上下文语句;根据所述目标关键字和所述目标上下文语句,生成目标样本,并采用所述目标样本进行模型训练得到文本分类模型,以进行文本分类处理。通过这样的方式,可以更好的对短文本之间的关联关系进行分析,从而确定出文档级别的样本,以训练出准确的文本分类模型进行文本处理。
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是本发明实施例一提供的一种文本处理方法的流程图;
图2是本发明实施例二提供的一种文本处理方法的流程图;
图3是本发明实施例三提供的一种文本处理装置的结构框图;
图4是本发明实施例四提供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”、“目标”、“候选”、“备选”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。
在相关技术中,使用浏览器在搜索引擎输入内容进行搜索,每一句话都有一个完整的意思表达,属于段落级,段落之间可能存在关联,可能是一个主题或多个主题。自然语言的文本分类技术,目前主要有关键词匹配和NLP(自然语言处理,Natural LanguageProcessing)机器识别两种方式,两种方式各有弊端。
具体的,关键词碰撞分类不准确(只有不到0.5%的准确性),问题来源包括:错误的句子或语法、输入不全、错别字、重复输入部分段落、多义词等。NLP机器识别的症结则是样本准备的问题,样本需要具有文档级(文档级是指多行文字为关联性的一个完整意思的表达,段落级则是主题分散每行都是一个完整的意思表达),模型才能够进行回归分析,如果只取每个段落作为样本,又存在分类上的困难(比如“多少浓度的一氧化氮可以立即致人昏迷”可能是安全考试习题,也可能是蓄意害人),同时机器识别的准确性也会很低。针对上述问题,本发明提出了一种对输入的短文本语句进行分析整理,得到准确的文档级别的目标样本,以训练得到更准确有效的文本分类模型,进行文本分类的方案,具体实施方式将在后续实施例详细介绍。
实施例一
图1是本发明实施例一提供的一种文本处理方法的流程图;本实施例可适用于对输入法中的短文本语句进行处理,得到文档级别的样本进行文本分类模型训练,以进行准确有效的文本分类处理的情况,该方法可以由文本处理装置来执行,该文本处理装置可以采用硬件和/或软件的形式实现,该文本处理装置可配置于电子设备中,如图1所示,该文本处理方法包括:
S101、基于预设的排除规则,根据预设的目标关键字,对输入法或搜索协议中的短文本语句进行筛选,确定目标语句。
其中,排除规则是指预设的对短文本语句进行排除筛选的规则。排除规则可以包括以下至少一种:正向排除、反向排除和全局排除。正向排除是采用目标关键词对应的正向修饰词对短文本语句进行排除筛选的规则。反向排除是采用目标关键词对应的反向修饰词对短文本语句进行排除筛选的规则。输入法或搜索协议中的短文本语句可以是历史预设时间段内采用输入法或在浏览器搜索协议输入框中输入的短文本语句。目标语句是指短文本语句中满足排除规则的语句。目标关键字是指可以表征目标匹配语句类别的词语,例如可以是“喜欢”。全局排除:即通用的去除一些句子的规则,比如去除字数大于一定阈值的句子。
可选的,基于预设的排除规则,根据预设的目标关键字,对输入法或搜索协议中的短文本语句进行筛选,确定目标语句,包括:基于正向排除规则和/或反向排除规则,根据预设的目标关键字,确定目标关键词对应的正向修饰词和反向修饰词;根据目标关键字、正向修饰词和反向修饰词,对输入法或搜索协议中的短文本语句进行筛选,确定目标语句。
其中,正向修饰词是指与目标关键字含义相近的词汇,反向修饰词指与目标关键字含义相反的词汇。示例性的,若目标关键字为“喜欢”,则对应的正向修饰词可以为“生活”、“爱”或“远方”等,反向修饰词可以为“讨厌”、“奢望”或“代价”等。
可选的,根据目标关键字、正向修饰词和反向修饰词,对输入法或搜索协议中的短文本语句进行筛选,确定目标语句,包括:确定输入法或搜索协议中的短文本语句,并将短文本语句中包含目标关键字和/或正向修饰词的语句,确定为候选语句;将候选语句中不包含反向修饰词的语句,确定为目标语句。
示例性的,根据目标关键字“喜欢”,可以确定出候选语句“喜欢一个人是要付出代价的”,以及“过喜欢的生活”,进一步根据反向修饰词“代价”,可以将候选语句“喜欢一个人是要付出代价的”舍弃,确定出最终的目标语句为“过喜欢的生活”。
示例性的,可以采用如下方式,确定输入法或搜索协议中的短文本语句:通过手机号或宽带账号作为用户标识分组,并按照时间顺序排序,例如时间为最近前后1天,对应过滤后匹配句子前后10次输入。若单个用户后一句如果包含前一句则进行去除。若单个用户每日搜索量超过500,则可以认为该用户为写文章或创作人员,此时不将该用户输入的短文本语句纳入处理范围执行后续步骤。通过上述操作,可以使样本更加收敛,减少干扰项。
S102、根据目标语句的输入时间,基于预设的时间范围和输入次数阈值,确定目标语句对应的目标上下文语句。
其中,输入时间是指目标语句在输入法或搜索协议中的输入时间,时间范围是指预设的需要评估的时间段,例如可以是目标语句输入时间前后预设时长的时间段。输入次数阈值用于衡量输入目标语句前后,预设个数的可能与目标语句有关联的短文本语句。
可选的,根据目标语句的输入时间,基于预设的时间范围和输入次数阈值,确定目标语句对应的目标上下文语句,包括:根据目标语句的输入时间,基于预设的时间范围和输入次数阈值,确定输入目标语句前后预设次数范围内的候选上下文语句;根据各候选上下文语句和目标语句的语义关联关系,对候选上下文语句进行筛选,确定目标语句对应的目标上下文语句。
示例性的,可以根据目标语句的输入时间,选择前一天+当天+后一天作为时间范围,前后10次的输入作为长度限制,得到候选上下文语句。
可选的,根据各候选上下文语句和目标语句的语义关联关系,对候选上下文语句进行筛选,确定目标语句对应的目标上下文语句,包括:根据各候选上下文语句和目标语句的语义关联关系,将与目标语句语义无关的候选上下文语句进行舍弃;将与目标语句语义相似度大于预设相似度阈值的候选上下文语句,确定为目标上下文语句。
S103、根据目标关键字和目标上下文语句,生成目标样本,并采用目标样本进行模型训练得到文本分类模型,以进行文本分类处理。
其中,目标样本为用于进行模型训练的样本,每个目标样本包含一个目标关键字及其对应的目标上下文语句,若一个目标关键字对应的目标上下文语句有多个,则可以对应生成多个目标样本。文本分类模型例如可以是BERT(Bidirectional EncoderRepresentation from Transformers)预训练模型,文本分类模型还可以是其他神经网络分类模型或深度学习分类模型,本发明对此不做限制。文本分类处理是指确定待分类文本的类别或可以表征待分类文本类别的关键字的过程。
示例性的,可以通过bert-base-chinese模型作为底座,在此模型上进行训练。将样本整理成句子数组,对应有分类的一个数组,比如[‘句子a’,‘句子b’],[‘分类1,‘分类2’]。具体训练过程可以为:首先通过调用模型底座进行预测,然后使用损失函数计算损失值,进行梯度清零(在多批次预测情况下先清零),最后根据损失值进行反向传递对权重值进行微调,以得到最终的文本分类模型。
可选的,若目标关键词不存在子类别,则可以直接根据目标关键字和目标上下文语句来生成目标样本,具体的,根据目标关键字和目标上下文语句,生成目标样本,包括:将目标关键字作为目标上下文语句的标注信息,并根据各目标上下文和其对应的标注信息,生成目标样本。
可选的,若目标关键词还可以进行进一步的分类,则可以对目标关键词对应的目标上下午也进行分类分组,以生成子类样本,进行多分类模型的训练,具体包括,确定目标关键词是否存在对应子类别,若是,则根据各子类别的语义信息,对目标上下文进行分组;根据分组情况,分别将各目标上下文对应的子类别,确定为该目标上下文的标注信息,以生成目标样本。
可选的,可以采用边人工分类边模型预测方式进行训练以得到文本分类模型,具体的,考虑到样本在从无到有整理的情况下,耗费的人工是比较多的,尤其是对于当前样本不平衡的情况(100个语料,只有10个语料是关键词相关,90个是与关键词无关的)。因此可以采用边人工分类边模型预测,比如先人工标注1000个样本进行小样本量训练模型,然后通过模型辅助人工对海量的语料进行预测分类,在分类好的数据中,人工进行纠正,则会大大降低样本分类的难度。重复以上的过程强化学习,模型的样本会发散并自动的将相关的近义词和相关场景语料标注为目标关键字类别,实现简化从零开始分类的工作量。
需要说明的是,根据无监督学习分组聚类的思想,考虑当前样本的分类是否合理。如果样本内容的中心意思比较离散,会导致模型出现不可控的情况。如果是这样,需要进行多分类,提高模型的预测能力。比如喜欢还可以具体到喜欢花和喜欢歌等类别,因此可以考虑多分类的情况。
示例性的,若目标关键字为“考试”,则其可以包含的子类为“初中考试”、“高中考试”以及“语文考试”等。若目标关键字为“喜欢”,则其包含的子类可以为“喜欢的花”、“喜欢的歌”以及“喜欢的生活”。
可选的,采用目标样本进行模型训练得到文本分类模型,以进行文本分类处理,可以适用于在检测到用户输入关键词时,采用训练得到文本分类模型进行识别,通过识别结果匹配用户历史输入的与关键词相关的短文本语句进行智能化推荐,以提高用户体验,还可以在检测到用户输入关键词时,结合关键词的语义信息和采用训练得到文本分类模型进行识别得到的识别结果,为用户展示更全面准确的搜索结果,提高浏览器检索响应的灵活性、丰富性和准确性。
需要说明的是,考虑到目前的机器学习模型支撑的上下文是有限的,GPT4.0支撑的是1万个字符左右,也就是一次可以输入一万多个字符,模型能理解整个句子,再长它将丢失该部分上下文(梯度消失问题)。双向编码表示模型BERT能一次记住的就更少,因为其内部需要整合上文和下文(GPT只记住了上文),本发明采用一段时间内的有限数据作为上下文,以得到目标样本,通过时间维度和次数进行限制,可以解决上下文长度限制的问题。通过以目标语句的输入时间为基准,选择前一天+当天+后一天作为时间范围,前后10次的输入作为长度限制,有助于快速有效地确定出目标上下文语句。
可选的,根据目标样本,可以采用聚类分析方式,对目标样本进行分类处理,具体的,若为已知分类,则可以通过句子求向量(也就是将句子转换为机器能识别的高维矩阵),然后与预设分类向量对应的高维矩阵之间的距离来分组,越接近哪个就分哪个组。
需要说明的是,如果是将不相关的分类分在同一组,会导致两个分类之间不连续的情况,很容易出现预测错误,因此可以采用多分类的方式来进一步划分样本并分类。
本发明实施例的技术方案,基于预设的排除规则,根据预设的目标关键字,对输入法或搜索协议中的短文本语句进行筛选,确定目标语句;根据目标语句的输入时间,基于预设的时间范围和输入次数阈值,确定目标语句对应的目标上下文语句;根据所述目标关键字和所述目标上下文语句,生成目标样本,并采用所述目标样本进行模型训练得到文本分类模型,以进行文本分类处理。通过这样的方式,可以更好的对短文本之间的关联关系进行分析,从而确定出文档级别的样本,以训练出准确的文本分类模型进行文本处理。
实施例二
图2是本发明实施例二提供的一种文本处理方法的流程图;本实施例在上述实施例的基础上,提供了一种优选实例。
如图2所示,该方法包括以下具体步骤:
S201、基于正向排除规则和/或反向排除规则,根据预设的目标关键字,确定目标关键词对应的正向修饰词和反向修饰词。
S202、根据目标关键字、正向修饰词和反向修饰词,对输入法或搜索协议中的短文本语句进行筛选,确定目标语句。
S203、根据目标语句的输入时间,基于预设的时间范围和输入次数阈值,确定输入目标语句前后预设次数范围内的候选上下文语句。
S204、根据各候选上下文语句和目标语句的语义关联关系,对候选上下文语句进行筛选,确定目标语句对应的目标上下文语句。
S205、确定目标关键词是否存在对应子类别,若是,则根据各子类别的语义信息,对目标上下文进行分组。
S206、根据分组情况,分别将各目标上下文对应的子类别,确定为该目标上下文的标注信息,以生成目标样本。
S207、采用目标样本进行模型训练得到文本分类模型,以进行文本分类处理。
本发明的技术方案,通过将段落级别的短文本进行数据预处理、裁剪、分类、样本增强,实现样本整理,进一步根据整理好的样本,基于NLP模型,进行文本处理,可以提高文本分类的效率和准确性。
实施例三
图3是本发明实施例三提供的一种文本处理装置的结构框图;本实施例可适用于对输入法中的短文本语句进行处理,得到文档级别的样本进行文本分类模型训练,以进行准确有效的文本分类处理的情况,该文本处理装置可以采用硬件和/或软件的形式实现,并配置于具有文本处理功能的设备中,如图3所示,该文本处理装置具体包括:
第一确定模块301,用于基于预设的排除规则,根据预设的目标关键字,对输入法或搜索协议中的短文本语句进行筛选,确定目标语句;
第二确定模块302,用于根据目标语句的输入时间,基于预设的时间范围和输入次数阈值,确定目标语句对应的目标上下文语句;
处理模块303,用于根据所述目标关键字和所述目标上下文语句,生成目标样本,并采用所述目标样本进行模型训练得到文本分类模型,以进行文本分类处理。
本发明实施例的技术方案,基于预设的排除规则,根据预设的目标关键字,对输入法或搜索协议中的短文本语句进行筛选,确定目标语句;根据目标语句的输入时间,基于预设的时间范围和输入次数阈值,确定目标语句对应的目标上下文语句;根据所述目标关键字和所述目标上下文语句,生成目标样本,并采用所述目标样本进行模型训练得到文本分类模型,以进行文本分类处理。通过这样的方式,可以更好的对短文本之间的关联关系进行分析,从而确定出文档级别的样本,以训练出准确的文本分类模型进行文本处理。
进一步的,第一确定模块301可以包括:
修饰词确定单元,用于基于正向排除规则和/或反向排除规则,根据预设的目标关键字,确定目标关键词对应的正向修饰词和反向修饰词;
语句确定单元,用于根据所述目标关键字、正向修饰词和反向修饰词,对输入法或搜索协议中的短文本语句进行筛选,确定目标语句。
进一步的,语句确定单元具体用于:
确定输入法或搜索协议中的短文本语句,并将所述短文本语句中包含所述目标关键字和/或正向修饰词的语句,确定为候选语句;
将候选语句中不包含反向修饰词的语句,确定为目标语句。
进一步的,第二确定模块302可以包括:
候选上下文语句确定单元,用于根据目标语句的输入时间,基于预设的时间范围和输入次数阈值,确定输入目标语句前后预设次数范围内的候选上下文语句;
目标上下文语句确定单元,用于根据各候选上下文语句和目标语句的语义关联关系,对候选上下文语句进行筛选,确定目标语句对应的目标上下文语句。
进一步的,目标上下文语句确定单元具体用于:
根据各候选上下文语句和目标语句的语义关联关系,将与目标语句语义无关的候选上下文语句进行舍弃;
将与目标语句语义相似度大于预设相似度阈值的候选上下文语句,确定为目标上下文语句。
进一步的,处理模块303具体用于:
将所述目标关键字作为目标上下文语句的标注信息,并根据各目标上下文和其对应的标注信息,生成目标样本。
进一步的,上述装置还用于:
确定目标关键词是否存在对应子类别,若是,则根据各子类别的语义信息,对目标上下文进行分组;
根据分组情况,分别将各目标上下文对应的子类别,确定为该目标上下文的标注信息,以生成目标样本。
需要说明的是,本申请技术方案中对数据(如预设时间段内浏览器输入法或搜索协议中的短文本语句)的获取、存储、使用、处理等均符合国家法律法规的相关规定。
实施例四
图4是本发明实施例四提供的电子设备的结构示意图。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,例如文本处理方法。
在一些实施例中,文本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文本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)而被配置为执行文本处理方法。
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)
1.一种文本处理方法,其特征在于,包括:
基于预设的排除规则,根据预设的目标关键字,对输入法或搜索协议中的短文本语句进行筛选,确定目标语句;
根据目标语句的输入时间,基于预设的时间范围和输入次数阈值,确定目标语句对应的目标上下文语句;
根据所述目标关键字和所述目标上下文语句,生成目标样本,并采用所述目标样本进行模型训练得到文本分类模型,以进行文本分类处理。
2.根据权利要求1所述的方法,其特征在于,基于预设的排除规则,根据预设的目标关键字,对输入法或搜索协议中的短文本语句进行筛选,确定目标语句,包括:
基于正向排除规则和/或反向排除规则,根据预设的目标关键字,确定目标关键词对应的正向修饰词和反向修饰词;
根据所述目标关键字、正向修饰词和反向修饰词,对输入法或搜索协议中的短文本语句进行筛选,确定目标语句。
3.根据权利要求2所述的方法,其特征在于,根据所述目标关键字、正向修饰词和反向修饰词,对输入法或搜索协议中的短文本语句进行筛选,确定目标语句,包括:
确定输入法或搜索协议中的短文本语句,并将所述短文本语句中包含所述目标关键字和/或正向修饰词的语句,确定为候选语句;
将候选语句中不包含反向修饰词的语句,确定为目标语句。
4.根据权利要求1所述的方法,其特征在于,根据目标语句的输入时间,基于预设的时间范围和输入次数阈值,确定目标语句对应的目标上下文语句,包括:
根据目标语句的输入时间,基于预设的时间范围和输入次数阈值,确定输入目标语句前后预设次数范围内的候选上下文语句;
根据各候选上下文语句和目标语句的语义关联关系,对候选上下文语句进行筛选,确定目标语句对应的目标上下文语句。
5.根据权利要求4所述的方法,其特征在于,根据各候选上下文语句和目标语句的语义关联关系,对候选上下文语句进行筛选,确定目标语句对应的目标上下文语句,包括:
根据各候选上下文语句和目标语句的语义关联关系,将与目标语句语义无关的候选上下文语句进行舍弃;
将与目标语句语义相似度大于预设相似度阈值的候选上下文语句,确定为目标上下文语句。
6.根据权利要求1所述的方法,其特征在于,根据所述目标关键字和所述目标上下文语句,生成目标样本,包括:
将所述目标关键字作为目标上下文语句的标注信息,并根据各目标上下文和其对应的标注信息,生成目标样本。
7.根据权利要求1所述的方法,其特征在于,还包括:
确定目标关键词是否存在对应子类别,若是,则根据各子类别的语义信息,对目标上下文进行分组;
根据分组情况,分别将各目标上下文对应的子类别,确定为该目标上下文的标注信息,以生成目标样本。
8.一种文本处理装置,其特征在于,包括:
第一确定模块,用于基于预设的排除规则,根据预设的目标关键字,对输入法或搜索协议中的短文本语句进行筛选,确定目标语句;
第二确定模块,用于根据目标语句的输入时间,基于预设的时间范围和输入次数阈值,确定目标语句对应的目标上下文语句;
处理模块,用于根据所述目标关键字和所述目标上下文语句,生成目标样本,并采用所述目标样本进行模型训练得到文本分类模型,以进行文本分类处理。
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中任一项所述的文本处理方法。
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中任一项所述的文本处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311226274.8A CN117216275A (zh) | 2023-09-21 | 2023-09-21 | 一种文本处理方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311226274.8A CN117216275A (zh) | 2023-09-21 | 2023-09-21 | 一种文本处理方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117216275A true CN117216275A (zh) | 2023-12-12 |
Family
ID=89035004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311226274.8A Pending CN117216275A (zh) | 2023-09-21 | 2023-09-21 | 一种文本处理方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117216275A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117453578A (zh) * | 2023-12-25 | 2024-01-26 | 杭州云动智能汽车技术有限公司 | 一种nmea语句检测方法、装置、电子设备及存储介质 |
-
2023
- 2023-09-21 CN CN202311226274.8A patent/CN117216275A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117453578A (zh) * | 2023-12-25 | 2024-01-26 | 杭州云动智能汽车技术有限公司 | 一种nmea语句检测方法、装置、电子设备及存储介质 |
CN117453578B (zh) * | 2023-12-25 | 2024-04-19 | 杭州云动智能汽车技术有限公司 | 一种nmea语句检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363790B (zh) | 用于对评论进行评估的方法、装置、设备和存储介质 | |
CN110020422A (zh) | 特征词的确定方法、装置和服务器 | |
CN107102993B (zh) | 一种用户诉求分析方法和装置 | |
CN110990532A (zh) | 一种处理文本的方法和装置 | |
CN113553412B (zh) | 问答处理方法、装置、电子设备和存储介质 | |
CN117216275A (zh) | 一种文本处理方法、装置、设备以及存储介质 | |
CN112989235A (zh) | 基于知识库的内链构建方法、装置、设备和存储介质 | |
CN113282754A (zh) | 针对新闻事件的舆情检测方法、装置、设备和存储介质 | |
CN114495143A (zh) | 一种文本对象识别方法、装置、电子设备及存储介质 | |
CN112541070A (zh) | 槽位更新语料的挖掘方法、装置、电子设备和存储介质 | |
CN111429184A (zh) | 一种基于文本信息的用户画像抽取方法 | |
CN113806483B (zh) | 数据处理方法、装置、电子设备及计算机程序产品 | |
CN114202443A (zh) | 政策分类方法、装置、设备及存储介质 | |
CN112560425A (zh) | 模板生成方法、装置、电子设备及存储介质 | |
CN110705285B (zh) | 一种政务文本主题词库构建方法、装置、服务器及可读存储介质 | |
CN116467606A (zh) | 一种决策建议信息的确定方法、装置、设备及介质 | |
CN111178080A (zh) | 一种基于结构化信息的命名实体识别方法及系统 | |
CN115827867A (zh) | 文本类型的检测方法及装置 | |
CN115563242A (zh) | 汽车信息筛选方法、装置、电子设备及存储介质 | |
CN115309867A (zh) | 一种文本处理方法、装置、设备及介质 | |
CN114676699A (zh) | 实体情感分析方法、装置、计算机设备和存储介质 | |
CN113221538A (zh) | 事件库构建方法和装置、电子设备、计算机可读介质 | |
CN112528644A (zh) | 实体挂载的方法、装置、设备以及存储介质 | |
CN114186552B (zh) | 文本分析方法、装置、设备及计算机存储介质 | |
CN114201607B (zh) | 一种信息处理的方法和装置 |
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 |