CN117290758A - 非结构化文档的分类分级方法、装置、设备及介质 - Google Patents
非结构化文档的分类分级方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117290758A CN117290758A CN202311265882.XA CN202311265882A CN117290758A CN 117290758 A CN117290758 A CN 117290758A CN 202311265882 A CN202311265882 A CN 202311265882A CN 117290758 A CN117290758 A CN 117290758A
- Authority
- CN
- China
- Prior art keywords
- document
- target
- unstructured
- model
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 118
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000004590 computer program Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 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
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/16—File or folder operations, e.g. details of user interfaces specifically adapted to file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种非结构化文档的分类分级方法、装置、设备及介质。其中,方法包括:获取待分类分级的目标非结构化文档,并将目标非结构化文档输入至第一模型中,得到与目标非结构化文档对应的目标文档向量;确定与目标文档向量匹配的第二模型中的目标聚类中心向量;确定与目标聚类中心向量匹配的目标文档聚类簇,并根据目标文档聚类簇确定目标非结构化文档的分类分级结果;其中,第二模型为对第一模型的各训练样本的文档向量进行聚类得到的聚类模型。本发明实施例的方案,可以对企业内部大量的非结构化文档进行快速其准确地类分级,可以提升企业内部数据的安全性,对数据进行合理安排。
Description
技术领域
本发明实施例涉及人工智能技术领域,尤其涉及一种非结构化文档的分类分级方法、装置、设备及介质。
背景技术
随着无纸化办公的逐渐发展,各个企业内部都积累了大量的非结构化文档,这些非结构化文档没有预定义的数据模型,难以用数据库二维逻辑表来表现;例如,word文档、excel文档或者pdf文档等。对这些非结构化文档进行合理的分类分级可以提升企业内部数据的安全性以及数据的合理安排。
现阶段,主要通过人工打标签的方式对企业内部大量的非结构化文档进行分类分级,这种方法不但费时费力且准确率较低。
如何对企业内部大量的非结构化文档进行快速其准确地分类分级,以提升企业内部数据的安全性,对数据进行合理安排是业内研究的重点问题。
发明内容
本发明实施例提供了一种非结构化文档的分类分级方法、装置、设备及介质,以对企业内部大量的非结构化文档进行快速其准确地类分级,可以提升企业内部数据的安全性,对数据进行合理安排。
根据本发明实施例的一方面,提供了一种非结构化文档的分类分级方法,包括:
获取待分类分级的目标非结构化文档,并将所述目标非结构化文档输入至第一模型中,得到与所述目标非结构化文档对应的目标文档向量;
确定与所述目标文档向量匹配的第二模型中的目标聚类中心向量;
确定与所述目标聚类中心向量匹配的目标文档聚类簇,并根据所述目标文档聚类簇确定所述目标非结构化文档的分类分级结果;
其中,所述第二模型为对所述第一模型的各训练样本的文档向量进行聚类得到的聚类模型。
根据本发明实施例的另一方面,提供了一种非结构化文档的分类分级装置,包括:
获取模块,用于获取待分类分级的目标非结构化文档,并将所述目标非结构化文档输入至第一模型中,得到与所述目标非结构化文档对应的目标文档向量;
第一确定模块,用于确定与所述目标文档向量匹配的第二模型中的目标聚类中心向量;
第二确定模块,用于确定与所述目标聚类中心向量匹配的目标文档聚类簇,并根据所述目标文档聚类簇确定所述目标非结构化文档的分类分级结果;
其中,所述第二模型为对所述第一模型的各训练样本的文档向量进行聚类得到的聚类模型。
根据本发明实施例的另一方面,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实施例任一实施例所述的非结构化文档的分类分级方法。
根据本发明实施例的另一方面,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实施例任一实施例所述的非结构化文档的分类分级方法。
本发明实施例的技术方案,通过获取待分类分级的目标非结构化文档,并将所述目标非结构化文档输入至第一模型中,得到与所述目标非结构化文档对应的目标文档向量;确定与所述目标文档向量匹配的第二模型中的目标聚类中心向量;确定与所述目标聚类中心向量匹配的目标文档聚类簇,并根据所述目标文档聚类簇确定所述目标非结构化文档的分类分级结果;其中,所述第二模型为对所述第一模型的各训练样本的文档向量进行聚类得到的聚类模型,可以对企业内部大量的非结构化文档进行快速其准确地类分级,可以提升企业内部数据的安全性,对数据进行合理安排。
应当理解,本部分所描述的内容并非旨在标识本发明实施例的实施例的关键或重要特征,也不用于限制本发明实施例的范围。本发明实施例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实施例的一些实施例,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非结构化文档的分类分级方法的流程图;
图2是根据本发明实施例一提供的另一种非结构化文档的分类分级方法的流程图;
图3是根据本发明实施例一提供的一种第一模型的结构示意图;
图4是根据本发明实施例二提供的一种非结构化文档的分类分级装置的结构示意图;
图5是实现本发明实施例的非结构化文档的分类分级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实施例方案,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实施例一部分的实施例,而不是全部的实施例。基于本发明实施例中的实施例,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,都应当属于本发明实施例保护的范围。
需要说明的是,本发明实施例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实施例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非结构化文档的分类分级方法的流程图,本实施例可适用于企业内部大量的非结构化文档进行分类分级的情况,该方法可以由非结构化文档的分类分级装置来执行,该非结构化文档的分类分级装置可以采用硬件和/或软件的形式实现,该非结构化文档的分类分级装置可配置于计算机、服务器或者平板电脑等电子设备中。具体的,参考图1,该方法具体包括如下步骤:
步骤110、获取待分类分级的目标非结构化文档,并将所述目标非结构化文档输入至第一模型中,得到与所述目标非结构化文档对应的目标文档向量。
在本实施例中,待分类分级的目标非结构化文档可以为任一企业内部的非结构化文档,例如,工资报表、采购清单或者试验报告等,本实施例中对其不加以限定。
在本实施例的一个可选实现方式中,可以通过企业内网获取到待分类分级的目标非结构化文档,也可以通过企业内部的数据库下载得到目标非结构化文档,本实施例中对其不加以限定。
可选的,在本实施例中,在获取到待分类分级的目标非结构化文档之后,可以将获取到的目标非结构化文档输入至预先训练得到的第一模型中,从而通过第一模型输出与目标非结构化文档对应的目标文档向量。
在本实施例中,第一模型可以由该企业的多条非结构化文档训练得到;示例性的,在本实施例中,可以预先获取A公司的多条非结构化文档,例如,1000条、10000条或者50000条等,本实施例中对其不加以限定;进一步的,可以通过这些非结构化文档训练得到与A公司匹配的第一模型;可以理解的是,在本例子中,目标非结构化文档也应是A公司的非结构化文档。
在本实施例的一个可选实现方式中,第一模型可以通过如下方式训练得到:获取非结构化文档集,并根据所述非结构化文档集确定训练样本集;建立无监督对比学习模型,并将所述训练样本集输入至所述无监督对比学习模型中进行训练,得到所述第一模型。
其中,非结构化文档集可以包括同一企业的多条非结构化文档,例如,2000条、20000条或者200000条等,本实施例中对其不加以限定;可以理解的是,非结构化文档集中所包含的非结构化文档的数量越多,后续训练得到的第一模型的精确度越高,但模型的训练速度也会随之下降。
在本实施例的一个可选实现方式中,在获取到非结构化文档集之后,可以根据所获取到的非结构化文档集确定第一模型的训练样本集;进一步的,可以建立无监督对比学习模型,即对第一模型进行建模,并将所确定的训练样本集输入至建模得到的模型中进行训练,从而得到本实施例中涉及到的第一模型。
可选的,在本实施例中,根据所述非结构化文档集确定训练样本集,可以包括:对所述非结构化文档集中的各非结构化文档进行解析,得到各所述非结构化文档的文档特征;在第一非结构化文档的文档特征满足预设条件的情况下,根据所述第一非结构化文档的文档特征确定所述第一非结构化文档的文档主题;其中,所述文档特征包括下述至少一项:文档总字数、文档名称、文档标题、文档目录以及文档正文。
需要说明的是,非结构化文档通常为包含多页且字符数量较多的长文本,而直接对长文本进行主题提取是较为困难的;据此,本实施例中通过文档解析器对非结构化文档集中的各非结构化文档进行解析,解析得到各非结构化文档的文档总字数、文档名称、文档标题、文档目录或者文档正文等文档特征。
在本实施例中,预设条件可以为文档总字数条件,也可以为其他条件,本实施例中对其不加以限定;例如,预设条件可以为文档总字数是否大于设定字数阈值;其中,设定字数阈值可以为10、100或者200等,本实施例中对其也不加以限定。
在本实施例的一个可选实现方式中,如果目标非结构化文档的文档特征中的文档总字数大于设定阈值,则可以将“文档名称+文档标题+文档目录”作为该非结构化文档的文档主题;如果目标非结构化文档的文档特征中的文档总字数小于或者等于设定阈值,则可以将“文档名称+文档标题+文档目录+文档正文”作为该非结构化文档的文档主题。
在本实施例中,在确定得到非结构化文档集中的全部非结构化文档的文档主题之后,即得到了本实施例中涉及到的训练样本集;进一步的,可以将训练样本集输入至预先建立的无监督对比学习模型中进行训练,在满足迭代停止条件时,即可得到本实施例中涉及到的第一模型。
在本实施例的一个可选实现方式中,建立无监督对比学习模型,可以包括:确定预训练模型;在所述预训练模型上增加Dropout层以及全局平均池化层,得到所述对比学习模型。
可选的,在本实施例中预训练模型可以为SimBERT预训练模型,也可以为其他预训练模型,本实施例中对其不加以限定。
在具体实现中,可以选择SimBERT预训练模型作为初始化,在其基础上增加Dropout层和全局平均池化层,就构造出了编码器模型;在模型的建模过程中,可以自定义伪标签“文档相似”和“文档不相似”来构建正负样本。具体的,可以输入数据中同一条数据会出现2次,因为模型中存在Dropout层,所以神经元随机失活会让相同的输入数据经过编码器模型产生不一样的输出结果,也就是得到2个不同的文档特征向量。这些相同来源的文档向量就对应于“文档相似”标签,而不同来源的文档向量就对应于“文档不相似”标签;进一步的,把这些文档特征向量经过softmax分类器进行二分类,就完成了整个对比学习的建模。这样,就实现了原始数据无标签,通过自定义的伪标签来实现对数据的分类。
在本实施例的一个可选实现方式中,在训练得到第一模型之后,还可以包括:获取全局平均池化层输出的训练样本集中的各非结构化文档的文档向量;对各所述文档向量进行聚类处理,得到各文档聚类簇;其中,各所述文档聚类簇分别与各非结构化文档的分类分级结果一一对应。
可选的,在本实施例中可以根据企业需求预先定义K(任一大于1的正整数)个非结构化文档分类分级结果;进一步的,可以对训练样本集的各文档向量进行L2标准化,然后使用K-Means算法进行聚类。聚类划分的K个文档聚类簇与K个分类分级结果相对应,进而保存得到聚类模型,即为本实施例中涉及到的第二模型。
步骤120、确定与所述目标文档向量匹配的第二模型中的目标聚类中心向量。
在本实施例的一个可选实现方式中,在得到与目标非结构化文档对应的目标文档向量之后,可以进一步的确定与所述目标文档向量匹配的第二模型中的目标聚类中心向量;在本实施例中,确定与所述目标文档向量匹配的第二模型中的目标聚类中心向量可以包括:分别计算所述目标文档向量与第二模型的各文档聚类簇的聚类中心向量的距离;当所述目标文档向量与第一聚类中心向量的距离小于设定阈值时,确定所述第一聚类中心向量为所述目标聚类中心向量。
可以理解的是,在本实施例中,目标文档向量与第二模型的目标文档聚类簇的聚类中心向量的距离越小,代表目标文档向量与该聚类中心向量的相似度越高。
可选的,在本实施例中,在分别计算的带所述目标文档向量与第二模型的各文档聚类簇的聚类中心向量的距离之后,可以对各距离进行由大到小或者由小到大的排序,并将与最小的距离对应的距离对应的第一聚类中心向量确定为目标聚类中心向量,即可以根据聚类结果确定目标文档向量与第一聚类中心向量最相似。
步骤130、确定与所述目标聚类中心向量匹配的目标文档聚类簇,并根据所述目标文档聚类簇确定所述目标非结构化文档的分类分级结果。
其中,所述第二模型为对所述第一模型的各训练样本的文档向量进行聚类得到的聚类模型。
在本实施例的一个可选实现方式中,在确定得到与目标文档向量匹配的第二模型中的目标聚类中心向量之后,可以进一步的确定与所述目标聚类中心向量匹配的目标文档聚类簇,并根据所述目标文档聚类簇确定所述目标非结构化文档的分类分级结果。
可以理解的是,在本实施例中,一个文档聚类簇与一个聚类中心向量相对应,那么确定得到目标聚类中心向量之后,即可快速确定得到与该目标聚类中心向量对应的目标文档聚类簇;进一步的,可以根据目标文档聚类簇确定与目标非结构化文档对应的分类分级结果。
可选的,在本实施例中,根据所述目标文档聚类簇确定所述目标非结构化文档的分类分级结果,可以包括:获取预设的各所述文档聚类簇与各非结构化文档的分类分级结果对应关系表;根据所述对应关系表确定所述目标非结构化文档的分类分级结果。
其中,预设的各所述文档聚类簇与各非结构化文档的分类分级结果对应关系表可以为企业预先根据自身需求确定的各非结构化文档的分类分级结果,其可以包含各分类分级结果与各文档聚类簇的对应关系;例如,可以包含6个分类分级结果(分别为一级-六级),以及6个文档聚类簇,一个文档聚类簇与一个分类分级结果唯一对应。
本实施例中,在获取到预设的各所述文档聚类簇与各非结构化文档的分类分级结果对应关系表之后,即可通过查询该表快速地确定目标非结构化文档的分类分级结果。
本实施例的技术方案,通过获取待分类分级的目标非结构化文档,并将所述目标非结构化文档输入至第一模型中,得到与所述目标非结构化文档对应的目标文档向量;确定与所述目标文档向量匹配的第二模型中的目标聚类中心向量;确定与所述目标聚类中心向量匹配的目标文档聚类簇,并根据所述目标文档聚类簇确定所述目标非结构化文档的分类分级结果;其中,所述第二模型为对所述第一模型的各训练样本的文档向量进行聚类得到的聚类模型,可以对企业内部大量的非结构化文档进行快速其准确地类分级,可以提升企业内部数据的安全性,对数据进行合理安排。
图2是根据本发明实施例一提供的另一种非结构化文档的分类分级方法的流程图;参考图2,其主要包括如下:
步骤210、获取多个非结构化文档,并对各文档进行解析;
步骤220、制作得到训练样本集以及测试样本集;
步骤230、建模得到对比学习模型,并根据训练样本集进行以及测试样本集进行模型训练以及模型预测;
步骤240、输出各文档向量;
步骤250、文档向量聚类;
步骤260、得到分类分级结果。
图3是根据本发明实施例一提供的一种第一模型的结构示意图;其主要包括:编码器模型310、文档向量表示模块320、softmax分类器330;其中,编码器模型310还包括:预训练模型311、dropout层312以及全局最大池化层313。
为了更好地理解本实施例中涉及到的非结构化文档的分类分级方法,下面采用一个具体例子对其进行说明,其主要包括:
1.非结构化文档解析。
非结构化文档往往是具有多页、字符数量多的长文本,而对长文本直接进行主题提取较为困难,因此需要对其提取出短文本特征。对非结构化文档,依据文档类型开发出不同的文档解析器,解析内容包括文档名称、文档标题、文档目录、文档正文等。支持word、excel、pdf等多种文档类型的解析。
2.制作训练样本集。
经过文档解析步骤可以对长文本提取出短文本特征,从而完成主题概括。具体方式为:
(1)如果文档总字数>阈值,按照“文档名称+文档标题+文档目录”作为文档主题;
(2)如果文档总字数<=阈值,按照“文档名称+文档标题+文档目录+文档正文”作为文档主题;
在本例子中,可以从历史非结构化文档中随机抽取10000个,按照上面步骤提取出文档主题,作为初始的训练样本集。
3.对比学习建模。
建立无监督对比学习模型。选择SimBERT预训练模型作为初始化,在其基础上增加Dropout层和全局平均池化层,就构造出了编码器模型。
4.模型训练。
输入数据是短文本(也就是文档解析环节提取出的文档主题),同一条数据在一个batch内出现2次。在batch_size=64,Dropout比例=0.2,学习率=1e-5的参数下,训练2轮后模型收敛到比较好的效果。保存训练后的对比学习模型,即第一模型。
5.获取文档向量。
模型训练完成后,获取全局平均池化层的输出作为每个文档的向量表示,这里向量为768维。
6.文档向量聚类。
根据企业需求预先定义K个非结构化文档分类分级,因此这里聚类的中心数为K。获取训练集的文档向量进行L2标准化,然后使用K-Means算法进行聚类。聚类划分的K个簇就对应K个分类分级,保存得到第二模型。
7.在线预测。
输入测试样本,通过第一模型得到样本的文档向量,将文档向量与第二模型的K个聚类中心向量依次做距离计算,将其划分到距离最近的某个簇中,也就是说该测试样本属于这个分类分级。
本发明实施例的方案,通过对对无标签非结构化文档进行建模,首先对文档进行解析,提取出短文本特征;然后通过对比学习模型获取到每个文档的向量表示;最后对文档向量进行聚类实现分类分级,可以有效提升历史数据的利用率,在模型的准确性和覆盖率上面都要明显优于现有方法。
本发明实施例的技术方案中,所涉及用户个人信息(如人脸信息、语音信息等)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。
实施例二
图4是根据本发明实施例二提供的一种非结构化文档的分类分级装置的结构示意图。如图4所示,该装置包括:获取模块410、第一确定模块420以及第二确定模块430。
获取模块410,用于获取待分类分级的目标非结构化文档,并将所述目标非结构化文档输入至第一模型中,得到与所述目标非结构化文档对应的目标文档向量;
第一确定模块420,用于确定与所述目标文档向量匹配的第二模型中的目标聚类中心向量;
第二确定模块430,用于确定与所述目标聚类中心向量匹配的目标文档聚类簇,并根据所述目标文档聚类簇确定所述目标非结构化文档的分类分级结果;
其中,所述第二模型为对所述第一模型的各训练样本的文档向量进行聚类得到的聚类模型。
本实施例的方案,通过获取模块获取待分类分级的目标非结构化文档,并将所述目标非结构化文档输入至第一模型中,得到与所述目标非结构化文档对应的目标文档向量;通过第一确定模块确定与所述目标文档向量匹配的第二模型中的目标聚类中心向量;通过第二确定模块确定与所述目标聚类中心向量匹配的目标文档聚类簇,并根据所述目标文档聚类簇确定所述目标非结构化文档的分类分级结果,可以对企业内部大量的非结构化文档进行快速其准确地类分级,可以提升企业内部数据的安全性,对数据进行合理安排。
在本实施例的一个可选实现方式中,所述非结构化文档的分类分级装置还包括第一模型训练模块,用于获取非结构化文档集,并根据所述非结构化文档集确定训练样本集;
建立无监督对比学习模型,并将所述训练样本集输入至所述无监督对比学习模型中进行训练,得到所述第一模型。
在本实施例的一个可选实现方式,第一模型训练模块,还用于对所述非结构化文档集中的各非结构化文档进行解析,得到各所述非结构化文档的文档特征;
在第一非结构化文档的文档特征满足预设条件的情况下,根据所述第一非结构化文档的文档特征确定所述第一非结构化文档的文档主题;
其中,所述文档特征包括下述至少一项:
文档总字数、文档名称、文档标题、文档目录以及文档正文。
在本实施例的一个可选实现方式,第一模型训练模块,还用于获取全局平均池化层输出的训练样本集中的各非结构化文档的文档向量;
对各所述文档向量进行聚类处理,得到各文档聚类簇;
其中,各所述文档聚类簇分别与各非结构化文档的分类分级结果一一对应。
在本实施例的一个可选实现方式,第一模型训练模块,还用于确定预训练模型;
在所述预训练模型上增加Dropout层以及全局平均池化层,得到所述对比学习模型。
在本实施例的一个可选实现方式第一确定模块420,还用于分别计算所述目标文档向量与第二模型的各文档聚类簇的聚类中心向量的距离;
当所述目标文档向量与第一聚类中心向量的距离小于设定阈值时,确定所述第一聚类中心向量为所述目标聚类中心向量。
在本实施例的一个可选实现方式,第二确定模块430,还用于获取预设的各所述文档聚类簇与各非结构化文档的分类分级结果对应关系表;
根据所述对应关系表确定所述目标非结构化文档的分类分级结果。
本发明实施例所提供的非结构化文档的分类分级装置可执行本发明实施例任意实施例所提供的非结构化文档的分类分级方法,具备执行方法相应的功能模块和有益效果。
实施例三
图5示出了可以用来实施本发明实施例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/或者要求的本发明实施例的实现。
如图5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,例如非结构化文档的分类分级方法。
在一些实施例中,非结构化文档的分类分级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非结构化文档的分类分级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)而被配置为执行非结构化文档的分类分级方法。
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。
用于实施本发明实施例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。
在本发明实施例的上下文中,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,本发明实施例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实施例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,并不构成对本发明实施例保护范围的限制。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。任何在本发明实施例的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明实施例保护范围之内。
Claims (10)
1.一种非结构化文档的分类分级方法,其特征在于,包括:
获取待分类分级的目标非结构化文档,并将所述目标非结构化文档输入至第一模型中,得到与所述目标非结构化文档对应的目标文档向量;
确定与所述目标文档向量匹配的第二模型中的目标聚类中心向量;
确定与所述目标聚类中心向量匹配的目标文档聚类簇,并根据所述目标文档聚类簇确定所述目标非结构化文档的分类分级结果;
其中,所述第二模型为对所述第一模型的各训练样本的文档向量进行聚类得到的聚类模型。
2.根据权利要求1所述的方法,其特征在于,所述第一模型通过如下步骤训练得到:
获取非结构化文档集,并根据所述非结构化文档集确定训练样本集;
建立无监督对比学习模型,并将所述训练样本集输入至所述无监督对比学习模型中进行训练,得到所述第一模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述非结构化文档集确定训练样本集,包括:
对所述非结构化文档集中的各非结构化文档进行解析,得到各所述非结构化文档的文档特征;
在第一非结构化文档的文档特征满足预设条件的情况下,根据所述第一非结构化文档的文档特征确定所述第一非结构化文档的文档主题;
其中,所述文档特征包括下述至少一项:
文档总字数、文档名称、文档标题、文档目录以及文档正文。
4.根据权利要求2所述的方法,其特征在于,在得到所述第一模型之后,还包括:
获取全局平均池化层输出的训练样本集中的各非结构化文档的文档向量;
对各所述文档向量进行聚类处理,得到各文档聚类簇;
其中,各所述文档聚类簇分别与各非结构化文档的分类分级结果一一对应。
5.根据权利要求2所述的方法,其特征在于,所述建立无监督对比学习模型,包括:
确定预训练模型;
在所述预训练模型上增加Dropout层以及全局平均池化层,得到所述对比学习模型。
6.根据权利要求1所述的方法,其特征在于,所述确定与所述目标文档向量匹配的第二模型中的目标聚类中心向量,包括:
分别计算所述目标文档向量与第二模型的各文档聚类簇的聚类中心向量的距离;
当所述目标文档向量与第一聚类中心向量的距离小于设定阈值时,确定所述第一聚类中心向量为所述目标聚类中心向量。
7.根据权利要求1所述的方法,其特征在于,所述根据所述目标文档聚类簇确定所述目标非结构化文档的分类分级结果,包括:
获取预设的各所述文档聚类簇与各非结构化文档的分类分级结果对应关系表;
根据所述对应关系表确定所述目标非结构化文档的分类分级结果。
8.一种非结构化文档的分类分级装置,其特征在于,包括:
获取模块,用于获取待分类分级的目标非结构化文档,并将所述目标非结构化文档输入至第一模型中,得到与所述目标非结构化文档对应的目标文档向量;
第一确定模块,用于确定与所述目标文档向量匹配的第二模型中的目标聚类中心向量;
第二确定模块,用于确定与所述目标聚类中心向量匹配的目标文档聚类簇,并根据所述目标文档聚类簇确定所述目标非结构化文档的分类分级结果;
其中,所述第二模型为对所述第一模型的各训练样本的文档向量进行聚类得到的聚类模型。
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中任一项所述的非结构化文档的分类分级方法。
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中任一项所述的非结构化文档的分类分级方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311265882.XA CN117290758A (zh) | 2023-09-27 | 2023-09-27 | 非结构化文档的分类分级方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311265882.XA CN117290758A (zh) | 2023-09-27 | 2023-09-27 | 非结构化文档的分类分级方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117290758A true CN117290758A (zh) | 2023-12-26 |
Family
ID=89240446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311265882.XA Pending CN117290758A (zh) | 2023-09-27 | 2023-09-27 | 非结构化文档的分类分级方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117290758A (zh) |
-
2023
- 2023-09-27 CN CN202311265882.XA patent/CN117290758A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11741094B2 (en) | Method and system for identifying core product terms | |
CN110334209A (zh) | 文本分类方法、装置、介质及电子设备 | |
CN114549874A (zh) | 多目标图文匹配模型的训练方法、图文检索方法及装置 | |
CN112148881A (zh) | 用于输出信息的方法和装置 | |
CN111753082A (zh) | 基于评论数据的文本分类方法及装置、设备和介质 | |
CN112989235A (zh) | 基于知识库的内链构建方法、装置、设备和存储介质 | |
CN113836316B (zh) | 三元组数据的处理方法、训练方法、装置、设备及介质 | |
CN114722198A (zh) | 产品分类编码确定方法、系统及相关装置 | |
CN112699237B (zh) | 标签确定方法、设备和存储介质 | |
CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
CN116340831B (zh) | 一种信息分类方法、装置、电子设备及存储介质 | |
CN109101487A (zh) | 对话角色区分方法、装置、终端设备及存储介质 | |
CN117216275A (zh) | 一种文本处理方法、装置、设备以及存储介质 | |
CN112685374A (zh) | 日志分类方法、装置及电子设备 | |
CN116644148A (zh) | 关键词识别方法、装置、电子设备及存储介质 | |
CN108733702B (zh) | 用户查询上下位关系提取的方法、装置、电子设备和介质 | |
CN113641823B (zh) | 文本分类模型训练、文本分类方法、装置、设备及介质 | |
CN115827867A (zh) | 文本类型的检测方法及装置 | |
CN113254578B (zh) | 用于数据聚类的方法、装置、设备、介质和产品 | |
CN114528378A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN114676699A (zh) | 实体情感分析方法、装置、计算机设备和存储介质 | |
CN117290758A (zh) | 非结构化文档的分类分级方法、装置、设备及介质 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
CN112528644A (zh) | 实体挂载的方法、装置、设备以及存储介质 | |
CN112926297A (zh) | 处理信息的方法、装置、设备和存储介质 |
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 |