CN112328735A - 热点话题确定方法、装置及终端设备 - Google Patents
热点话题确定方法、装置及终端设备 Download PDFInfo
- Publication number
- CN112328735A CN112328735A CN202011256659.5A CN202011256659A CN112328735A CN 112328735 A CN112328735 A CN 112328735A CN 202011256659 A CN202011256659 A CN 202011256659A CN 112328735 A CN112328735 A CN 112328735A
- Authority
- CN
- China
- Prior art keywords
- topic
- word
- short
- text
- short 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 100
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009849 deactivation Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000008452 qiyu Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/268—Morphological analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本发明适用于大数据分析技术领域,提供了一种热点话题确定方法、装置及终端设备。其中所述热点话题确定方法,包括:获取短文本集,并根据所述短文本集确定各个短文本分别对应的特征词集;基于改进的BTM模型,根据所述各个短文本分别对应的特征词集确定所述短文本集对应的主题向量;根据所述各个短文本分别对应的特征词集确定各个短文本分别对应的文本向量;根据所述短文本集对应的主题向量和所述各个短文本分别对应的文本向量,确定所述各个短文本分别对应的主题词;计算所述各个短文本分别对应的主题词的话题热度值,根据所述各个短文本分别对应的主题词的话题热度值确定热点话题。本发明能够提高确定热点话题的可靠性和准确性。
Description
技术领域
本发明属于大数据分析技术领域,尤其涉及一种热点话题确定方法、装置及终端设备。
背景技术
微博作为一个能够共享各种信息、获取热门话题的社交新闻媒体,其在许多热点事件的发布和传播中发挥了重要作用。由于大多微博限定在140字以内,因此会产生大量的短文本信息。如何从这些微博短文本中高效、准确地发现热点话题已经成为了当前研究中的难点与重点问题。
目前,通常根据一种适用于短文本的词对主题模型(Biterm Topic Model,BTM)确定短文本的热点话题。但是,这种方法确定的热点话题的热度不一定高,即确定热点话题的准确性较低。
发明内容
有鉴于此,本发明实施例提供了一种热点话题确定方法、装置及终端设备,以解决现有技术中直接基于BTM主题模型生成的话题其话题热度不一定高,即确定热点话题准确性较低的问题。
本发明实施例的第一方面提供了一种热点话题确定方法,包括:
获取短文本集,并根据短文本集确定各个短文本分别对应的特征词集;
基于改进的BTM模型,根据各个短文本分别对应的特征词集确定短文本集对应的主题向量;
根据各个短文本分别对应的特征词集确定各个短文本分别对应的文本向量;
根据短文本集对应的主题向量和各个短文本分别对应的文本向量,确定各个短文本分别对应的主题词;
计算各个短文本分别对应的主题词的话题热度值,根据各个短文本分别对应的主题词的话题热度值确定热点话题。
本发明实施例的第二方面提供了一种热点话题确定装置,包括:
获取处理模块,用于获取短文本集,并根据短文本集确定各个短文本分别对应的特征词集;
主题向量模块,用于基于改进的BTM模型,根据特征词集确定主题向量;
文本向量模块,用于根据特征词集确定各个短文本分别对应的文本向量;
主题词模块,用于根据主题向量和各个短文本分别对应的文本向量,确定短文本集对应的主题词;
权重处理模块,用于计算短文本集对应的主题词的话题热度值,根据短文本集对应的主题词的话题热度值确定热点话题。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如任一项热点话题确定方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如任一项热点话题确定方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:
本发明实施例通过获取短文本集,并根据短文本集确定各个短文本分别对应的特征词集,基于改进的BTM模型,根据特征词集确定主题向量和各个短文本分别对应的文本向量,根据主题向量和各个短文本分别对应的文本向量,确定短文本集对应的主题词,计算短文本集对应的主题词的话题热度值,根据短文本集对应的主题词的话题热度值确定热点话题。本发明实施例通过改进的BTM模型能够提高发现热点话题的可靠性和准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种热点话题确定方法的实现流程示意图;
图2是本发明实施例提供的一种热点话题确定装置的示意图;
图3是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
参见图1,其示出了本发明实施例提供的一种热点话题确定方法的实现流程示意图,如图1所示,上述热点话题确定方法,可以包括:
S101,获取短文本集,并根据短文本集确定各个短文本分别对应的特征词集。
可选的,上述短文本可以是微博短文本。微博作为一个能够共享各种信息、获取热门话题的社交新闻媒体,微博信息发布大多在140字以内,可以选取多篇微博短文本,形成微博短文本集,对微博短文本集进行特征词提取,得到各个微博短文本分别对应的特征词集。其中,可以根据实际需要直接单独对每篇微博短文本进行特征词提取,或直接对多篇微博短文本集进行特征词提取,得到各个微博短文本分别对应的特征词集。
S102,基于改进的BTM模型,根据各个短文本分别对应的特征词集确定短文本集对应的主题向量。
可选的,改进的BTM模型加入词与词之间的语义关系,对各个微博短文本分别对应的特征词集进行主题建模,可以得到每个微博短文本分的所有特征词集的主题向量,也即微博短文本集对应的主题向量。
S103,根据各个短文本分别对应的特征词集确定各个短文本分别对应的文本向量。
可选的,采用Doc2Vec句向量模型对微博短文本特征词集建模,得到每篇文本中的所有句向量,将每篇文本中的全部句向量加和并进行归一化,得到文本向量,可以包括:
S1031,传统的获得文本向量的方法是利用文本中所有词的词向量直接相加取平均值来获得整个文本的文本向量,但词向量直接相加的方法通常会造成很大的误差。Doc2Vec模型能够充分利用文本信息,训练结果信息损失较小。因此,可以采用Doc2Vec句向量模型对各个微博短文本分别对应的特征词集D={d1,d2,d3,...,dn}进行训练;将文本di中每个词映射到向量空间中形成一个向量,并且每个文本di映射到向量空间中形成一个独立的向量,最后,产生每篇文本中的所有句向量{v(di),v(p1),v(p2),...,v(pm)}。
S1032,将每篇文本中的全部句向量加和并进行归一化,得到文本向量{v(d1),v(d2),v(d3),...,v(dn)},计算公式如下:
其中,v(di)表示第i个文本的文本向量,m表示文本中句子数量,v(pi,j)表示第i个文本的文本向量中第j个句子的句向量。
S104,根据短文本集对应的主题向量和各个短文本分别对应的文本向量,确定各个短文本分别对应的主题词。
可选的,采用余弦相似度计算每篇短文本的文本向量与主题向量中的所有主题的相似度,并选择余弦值最大时对应的主题作为该篇短文本的主题,计算公式如下:
其中,v(tj)为短文本集对应的第j个主题的主题向量,v(di)为第i篇短文本的文本向量。
S105,计算各个短文本分别对应的主题词的话题热度值,根据各个短文本分别对应的主题词的话题热度值确定热点话题。
可选的,计算每篇微博短文本的主题词对应的话题热度值,可以根据话题热度值大小关系,确定当前的热点话题。
本发明实施例通过获取短文本集,并根据短文本集确定各个短文本分别对应的特征词集,基于改进的BTM模型,根据各个短文本分别对应的特征词集确定短文本集对应的主题向量和各个短文本分别对应的文本向量,根据短文本集对应的主题向量和各个短文本分别对应的文本向量,确定各个短文本分别对应的主题词,计算各个短文本分别对应的主题词的话题热度值,根据各个短文本分别对应的主题词的话题热度值确定热点话题。本发明实施例通过改进的BTM模型能够提高发现热点话题的可靠性和准确性。
在本发明的一个实施例中,基于改进的BTM模型,根据各个短文本分别对应的特征词集确定短文本集对应的主题向量,可以包括:
基于Glove建模方法,根据各个短文本分别对应的特征词集得到所述各个短文本分别对应的词向量;
计算各个短文本分别对应的词向量中的各个词对的基于语义关系的突发概率;
根据各个短文本分别对应的词向量中的各个词对的基于语义关系的突发概率和BTM模型,确定短文本集对应的主题向量。
可选的,BTM主题模型未考虑到词对中词与词之间的语义关系,因此,对对每篇短文本对应的特征词集采用Glove建模得到词向量,并进行基于语义关系的词对突发概率计算,其结果作为BTM主题模型的先验知识,再根据BTM主题模型进行主题建模,得到短文本集对应的主题向量。
具体的,加入词对突发概率计算的BTM主题模型称为R-BBTM主题模型,R-BBTM文档生成过程可以包括:
S201,对各个短文本分别对应的短文本特征词集进行采样,包括:
采样一个突发主题分布θ~Dirchlet(α);
采样一个背景词分布φ0~Dirchlet(β)。
S202,对每个突发主题k∈[1,K],采样一个词分布φk~Dirchlet(β)。
S203,对词对集B中的每个词对bi=(wi,1,wi,2),采样一个分布ei~Bernoulli(ηbi);若ei=0,抽取的两个词wi,1,wi,2~Multi(φ0);若ei=1,抽取的突发主题z~Multi(θ),抽取的两个词wi,1,wi,2~Multi(φz)。
其中,K值由困惑度确定,困惑度越小表明建模效果越好,α、β为先验参数,在R-BBTM中,词对集B为:
由于算法中参数难以准确确定,可以采用吉布斯采样算法进行近似估计:
其中,c0,w表示词汇w被分配给背景词分布的次数,表示分配给背景词分布的总词汇数,ck表示词对被分配给突发主题k的数量,表示词对被分配给突发主题的总数,ck,w表示词汇w被分配给突发主题k的次数,表示分配给突发主题的总词汇数,表示词对bi忽略不计,W表示词汇表大小。
确定主题数目K后,根据经验取α=50/K,β=0.01,得到突发主题-词分布φk,w和主题分布θk:
为了提高热点话题发现的质量,取训练结果分布概率前N个主题,组成主题向量,减小非热点话题的影响,N可以根据实际需要进行设置。
在本发明的一个实施例中,计算各个短文本分别对应的词向量中的各个词对的基于语义关系的突发概率的计算公式为:
其中,b为各个短文本分别对应的特征词集中由任意两个特征词组成的词对,t为第t个时间片,ηb,t为词对b在时间片t上的基于语义关系的突发概率,μ为词对b中两个特征词之间的语义空间距离,cb,t为词对b在时间片t上出现的总次数,为词对b在前s个时间片上出现的总次数的均值,δ是一个接近0的正数,为了避免概率为0。
其中,b=(w1,w2)为短文本对应的特征词集中词w1和词w2组成的词对,|Mt|为时间片t上的短文本数量,j为时间片t上第j条短文本,cb,j,t为时间片t上词对b在第j条短文本中出现的次数。
示例性的,经微博短文本特征词提取后,有300篇微博短文本,划分为5个时间片,第5个时间片上有60篇微博短文本,其中,‘七夕’与‘情人节’两个词汇组成词对b,在前4个时间片上词对b平均出现20次;在第5个时间片上词对b出现次数为100次,词对b中‘七夕’与‘情人节’两词之间语义空间距离为μ=0.72,则在第5时间片上,词对b的突发概率为:
在本发明的一个实施例中,根据短文本集确定各个短文本分别对应的特征词集,可以包括:
对短文本集进行预处理,得到预处理后的各个短文本分别对应的词汇集;
计算预处理后的各个短文本分别对应的词汇集中的各个词汇的重要性分值,并根据预处理后的各个短文本分别对应的词汇集中的各个词汇的重要性分值确定预处理后的各个短文本分别对应的特征词集。
可选的,计算经过预处理后的各个短文本分别对应的词汇集中的各个词汇的重要性分值,并判断各个词汇的重要性分值是否大于阈值ρ,若该词汇的重要性分值大于阈值ρ,则将该词汇加入到该短文本对应的特征词集中;若该词汇的重要性分值不大于阈值ρ,则将该词汇过滤掉。
可选的,阈值取值范围为ρ∈(0,1),阈值ρ可以通过实验根据主题凝聚度确定,当阈值ρ取值越精确时,主题凝聚度越高。
在本发明的一个实施例中,对短文本集进行预处理,得到预处理后的各个短文本分别对应的词汇集,可以包括:
对短文本集划分时间片,得到每个时间片对应的短文本的集合;
对每个时间片对应的短文本的集合分别进行过滤处理,得到每个时间片对应的过滤后的短文本的集合;
对每个时间片对应的过滤后的短文本的集合分别进行分词和词性标注,得到每个时间片对应的各个过滤后的短文本的初始词集;
对每个时间片对应的各个过滤后的短文本的初始词集分别进行去停用词处理,得到预处理后的各个短文本分别对应的词汇集。
可选的,划分时间片具体可以包括:对微博短文本集进行按时隙划分,即将微博短文本按照发布日期进行分片,得到每个时间片对应的微博短文本的集合。
可选的,过滤处理具体可以包括:删除不带有标题(“#话题#”)的微博短文本;删除表情符、链接、标记性符号等无用信息;删除少于10个字的微博短文本;删除微博短文本中所有的标点符号,得到每个时间片对应的过滤后的微博短文本的集合。
可选的,分词和词性标注具体可以采用jieba分词技术作为分词工具或者其他分词工具将微博短文本拆分成各种词语,以完成词义的分析;同时,只将词性为名词或动词的词语保存到分词结果中,提高算法效率,得到每个时间片对应的各个过滤后的微博短文本的初始词集。
可选的,去停用词处理具体可以采用哈工大停用词表或者其他去停用词方法来删除如“啊”、“哈”、“呢”等无意义的语气词,得到预处理后的各个微博短文本分别对应的词汇集,经过该技术的处理,不仅可以节省储存空间,减少后期研究过程中的数据冗杂问题,还可以提高热点话题发现的准确度。
上述对短文本集进行预处理的过程可以根据实际需要进行具体设置。
在本发明的一个实施例中,计算预处理后的各个短文本分别对应的词汇集中的各个词汇的重要性分值的计算公式为:
其中,w为预处理后的各个短文本分别对应的词汇集中的任意一个词汇,t为第t个时间片,scorew,t为词汇w在时间片t上的重要性分值,tfw,t为词汇w在时间片t上的频率,idfw,t为词汇w在时间片t上的逆文本频率,cw,t为词汇w在时间片t上出现的总次数,为词汇w在前s个时间片上出现总次数的均值,δ是一个接近0的正数,根据经验取值0.01,用来避免概率为0。
其中,tfw,t表示词汇w在时间片t上的频率,Wt为时间片t上的词汇表大小,i表示词汇表里第i个词汇。
其中,idfw,t为词汇w在时间片t上的逆文本频率,j为时间片t上第j条短文本,|Mt|为时间片t上的短文本数量,|{j:w∈dj}|为时间片t上包含词汇w的文本数量。
其中,cw,t为词汇w在时间片t上出现的总次数,cw,j,t为时间片t上词汇w在第j条短文本中出现的次数。
示例性的,微博经短文本预处理后,有1000篇微博短文本,划分为5个时间片,第5个时间片上有200篇微博短文本,词汇数量为2000,其中,‘七夕’一词,在第5个时间片上99篇短文本中出现过,并且一共出现了300次;在前4个时间片上平均出现10次,通过实验确定阈值ε=0.01,则在第5时间片上,‘七夕’的重要性分值为:
由于score七夕,5=0.0436>ε=0.01,因此,该词‘七夕’加入到该微博短文本特征词集中。
在本发明的一个实施例中,计算各个短文本分别对应的主题词的话题热度值的计算公式为:
Htopic_w=ctopic_w×ln(cf,topic_w+ccom,topic_w+cl,topic_w)×ηtopic_w
其中,计算各个短文本分别对应的主题词的话题热度值在同一个时间片上计算,即公式中可以不出现时间片t,topic_w为各个短文本分别对应的主题词中的任意一个,Htopic_w为主题词为topic_w的话题热度值,ctopic_w为主题词为topic_w的短文本的数量,cf,topic_w为主题词为topic_w的短文本的总转发数,ccom,topic_w为主题词为topic_w的短文本的总评论数,cl,topic_w为主题词为topic_w的短文本的总点赞数,ηtopic_w为主题词为topic_w在主题建模后的突发主题分布概率。
ctopic_w、cf,topic_w、ccom,topic_w、cl,topic_w和ηtopic_w的计算公式如下:
其中,ctopic_w为主题词为topic_w的短文本的数量,|Mt|为短文本数量,Nj,topic_w为主题词为topic_w的短文本。
其中,cf,topic_w为主题词为topic_w的短文本的总转发数,cj,f,topic_w为主题词为topic_w的第j篇短文本的转发数量。
其中,ccom,topic_w为主题词topic_w为的短文本的总评论数,cj,com,topic_w为主题词为topic_w的第j篇短文本评论数量。
其中,cl,topic_w为主题词为topic_w的短文本的总点赞数,cj,l,topic_w为主题词为topic_w的第j篇短文本点赞数量。
其中,φk,topic_w为主题词为topic_w所在主题k下的分布概率,θk为主题分布概率,N为根据主题分布概率排序,保留前N个主题数量。
示例性的,主题词为‘七夕’的微博短文本数量有100篇,主题词为‘七夕’的微博短文本总转发数为10000,主题词为‘七夕’的微博短文本总评论数为30000,主题词为‘七夕’的微博短文本总点赞数为80000,主题词‘七夕’主题模型建模后的分布概率3.52%。则主题词‘七夕’的话题热度值为:
H七夕=100×ln(10000+30000+80000)×0.0352=41.167
根据主题词的话题热度值计算公式,可以对一个话题进行定量的热度估计,对得到的话题热度值进行由大到小排序,选择排序在前话题热度值对应的话题作为最终短文本的热点话题。
本发明实施例针对目前基于主题模型的微博短文本热点话题发现存在特征稀疏、词与词之间缺乏语义联系以及微博短文本信息利用不充分等问题,提出了一种基于R-BBTM和Doc2Vec的微博短文本热点话题确定方法。本发明实施例提出了一种新的微博短文本特征词提取方法,该方法可以提取出潜在热点话题词,排除非热点话题词的影响,减少了算法执行时间,提高了算法精度。本发明实施例考虑到先验知识中词对里两个词之间的语义关系,提出了一种改进的BTM主题模型即R-BBTM主题模型,提高了热点话题发现的准确性。本发明实施例提出了一种新的话题热度计算方法,提高了热点话题发现的质量。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上述热点话题确定方法,本发明实施例还提供了一种热点话题确定装置,和上述热点话题确定方法具有同样的有益效果。参见图2,示出了本发明实施例提供的一种热点话题确定装置的示意图,如图2所示,一种热点话题确定装置2,包括:
获取处理模块20,用于获取短文本集,并根据短文本集确定各个短文本分别对应的特征词集;
主题向量模块21,用于基于改进的BTM模型,根据各个短文本分别对应的特征词集确定短文本集对应的主题向量;
文本向量模块22,用于根据各个短文本分别对应的特征词集确定各个短文本分别对应的文本向量;
主题词模块23,用于根据短文本集对应的主题向量和各个短文本分别对应的文本向量,确定各个短文本分别对应的主题词;
权重处理模块24,用于计算各个短文本分别对应的主题词的话题热度值,根据各个短文本分别对应的主题词的话题热度值确定热点话题。
可选的,主题向量模块21可以包括短文本处理单元、词对计算单元和第一处理单元;
短文本处理单元,用于基于Glove建模方法,根据各个短文本分别对应的特征词集得到特征词集对应的词向量;
词对计算单元,用于计算各个短文本分别对应的词向量中的各个词对的基于语义关系的突发概率;
第一处理单元,用于根据各个短文本分别对应的词向量中的各个词对的基于语义关系的突发概率和BTM模型,确定短文本集对应的主题向量。
可选的,词对计算单元可以具体用于:
计算各个短文本分别对应的词向量中的各个词对的基于语义关系的突发概率,计算公式为:
其中,b为各个短文本分别对应的特征词集中由任意两个特征词组成的词对,t为第t个时间片,ηb,t为词对b在时间片t上的突发概率,μ为词对b中两个特征词之间的语义空间距离,cb,t为词对b在时间片t上出现的总次数,为词对b在前s个时间片上出现的总次数的均值,δ是一个接近0的正数。
可选的,获取处理模块20可以包括预处理单元和特征词集确定单元;
预处理单元,用于对短文本集进行预处理,得到预处理后的各个短文本分别对应的词汇集;
特征词集确定单元,用于计算预处理后的各个短文本分别对应的词汇集中的各个词汇的重要性分值,并根据预处理后的各个短文本分别对应的词汇集中的各个词汇的重要性分值确定预处理后的各个短文本分别对应的特征词集。
可选的,预处理单元可以包括划分子单元、过滤子单元、分词和词性标注子单元及去停用词子单元;
划分子单元,用于对短文本集划分时间片,得到每个时间片对应的短文本的集合;
过滤子单元,用于对每个时间片对应的短文本的集合分别进行过滤处理,得到每个时间片对应的过滤后的短文本的集合;
分词和词性标注子单元,用于对每个时间片对应的过滤后的短文本的集合分别进行分词和词性标注,得到每个时间片对应的各个过滤后的短文本的初始词集;
去停用词子单元,用于对每个时间片对应的各个过滤后的短文本的初始词集分别进行去停用词处理,得到预处理后的各个短文本分别对应的词汇集。
可选的,特征词集确定单元还可以用于:
计算预处理后的各个短文本分别对应的词汇集中的各个词汇的重要性分值,计算公式为:
其中,w为预处理后的各个短文本分别对应的词汇集中的任意一个词汇,t为第t个时间片,scorew,t为词汇w在时间片t上的重要性分值,tfw,t为词汇w在时间片t上的频率,idfw,t为词汇w在时间片t上的逆文本频率,cw,t为词汇w在时间片t上出现的总次数,为词汇w在前s个时间片上出现总次数的均值,δ是一个很小的正数。
可选的,权重处理模块24还可以用于:
计算各个短文本分别对应的主题词的话题热度值,计算公式为:
Htopic_w=ctopic_w×ln(cf,topic_w+ccom,topic_w+cl,topic_w)×ηtopic_w
其中,topic_w为各个短文本分别对应的主题词中的任意一个,Htopic_w为主题词为topic_w的话题热度值,ctopic_w为主题词为topic_w的短文本的数量,cf,topic_w为主题词为topic_w的短文本的总转发数,ccom,topic_w为主题词为topic_w的短文本的总评论数,cl,topic_w为主题词为topic_w的短文本的总点赞数,ηtopic_w为主题词为topic_w在主题建模后的突发主题分布概率。
由上述可知,本发明实施例通过获取短文本集,并根据短文本集确定各个短文本分别对应的特征词集;基于改进的BTM模型,根据各个短文本分别对应的特征词集确定短文本集对应的主题向量;根据各个短文本分别对应的特征词集确定各个短文本分别对应的文本向量;根据短文本集对应的主题向量和各个短文本分别对应的文本向量,确定各个短文本分别对应的主题词;计算各个短文本分别对应的主题词的话题热度值,根据各个短文本分别对应的主题词的话题热度值确定热点话题。基于改进的BTM模型,将词的语义信息考虑进去,提高了热点话题确定的可靠性,并且采用计算话题热度值,提高了热点话题确定的准确性。
参见图3,其示出了本发明实施例提供的终端设备示意图,如图3所示,一种终端设备3示意图,包括:处理器30、存储器31以及存储在存储器31中并可在处理器30上运行的计算机程序32。处理器30执行计算机程序32时实现上述各个热点话题确定方法实施例中的步骤,例如图1所示的S101至S105,或者,处理器30执行计算机程序32时实现上述各装置实施例中各模块/单元的功能,例如图2所示热点话题确定装置2及模块20至24的功能。
示例性的,计算机程序32可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器31中,并由处理器30执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序32在终端设备3中的执行过程。例如,计算机程序52可以被分割成获取处理模块20、主题向量模块21、文本向量模块22、主题词模块23及权重处理模块24,各模块具体功能如下:
获取处理模块20,用于获取短文本集,并根据短文本集确定各个短文本分别对应的特征词集;
主题向量模块21,用于基于改进的BTM模型,根据各个短文本分别对应的特征词集确定短文本集对应的主题向量;
文本向量模块22,用于根据各个短文本分别对应的特征词集确定各个短文本分别对应的文本向量;
主题词模块23,用于根据短文本集对应的主题向量各个短文本分别对应的文本向量,确定各个短文本分别对应的主题词;
权重处理模块24,用于计算各个短文本分别对应的主题词的话题热度值,根据各个短文本分别对应的主题词的话题热度值确定热点话题。
处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器31可以是终端设备3的内部存储单元,例如终端设备3的硬盘或内存。存储器31也可以是终端设备3的外部存储设备,例如终端设备3上配备的插接式硬盘,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,存储器31还可以既包括终端设备3的内部存储单元也包括外部存储设备。存储器31用于存储计算机程序以及终端所需的其他程序和数据。存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将终端设备的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元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单元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,也可以采用软件功能单元的形式实现。
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取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序的指令来完成,计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带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)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种热点话题确定方法,其特征在于,包括:
获取短文本集,并根据所述短文本集确定各个短文本分别对应的特征词集;
基于改进的BTM模型,根据所述各个短文本分别对应的特征词集确定所述短文本集对应的主题向量;
根据所述各个短文本分别对应的特征词集确定各个短文本分别对应的文本向量;
根据所述短文本集对应的主题向量和所述各个短文本分别对应的文本向量,确定所述各个短文本分别对应的主题词;
计算所述各个短文本分别对应的主题词的话题热度值,根据所述各个短文本分别对应的主题词的话题热度值确定热点话题。
2.如权利要求1所述的热点话题确定方法,其特征在于,所述基于改进的BTM模型,根据所述各个短文本分别对应的特征词集确定所述短文本集对应的主题向量,包括:
基于Glove建模方法,根据所述各个短文本分别对应的特征词集得到所述各个短文本分别对应的词向量;
计算所述各个短文本分别对应的词向量中的各个词对的基于语义关系的突发概率;
根据所述各个短文本分别对应的词向量中的各个词对的基于语义关系的突发概率和BTM模型,确定所述短文本集对应的主题向量。
4.如权利要求1所述的热点话题确定方法,其特征在于,所述根据所述短文本集确定各个短文本分别对应的特征词集,包括:
对所述短文本集进行预处理,得到预处理后的各个短文本分别对应的词汇集;
计算所述预处理后的各个短文本分别对应的词汇集中的各个词汇的重要性分值,并根据所述预处理后的各个短文本分别对应的词汇集中的各个词汇的重要性分值确定预处理后的各个短文本分别对应的特征词集。
5.如权利要求4所述的热点话题确定方法,其特征在于,所述对所述短文本集进行预处理,得到预处理后的各个短文本分别对应的词汇集,包括:
对所述短文本集划分时间片,得到每个时间片对应的短文本的集合;
对所述每个时间片对应的短文本的集合分别进行过滤处理,得到每个时间片对应的过滤后的短文本的集合;
对所述每个时间片对应的过滤后的短文本的集合分别进行分词和词性标注,得到每个时间片对应的各个过滤后的短文本的初始词集;
对所述每个时间片对应的各个过滤后的短文本的初始词集分别进行去停用词处理,得到预处理后的各个短文本分别对应的词汇集。
7.如权利要求1至6任一项所述的热点话题确定方法,其特征在于,所述计算所述各个短文本分别对应的主题词的话题热度值的计算公式为:
Htopic_w=ctopic_w×ln(cf,topic_w+ccom,topic_w+cl,topic_w)×ηtopic_w
其中,topic_w为所述各个短文本分别对应的主题词中的任意一个,Htopic_w为主题词为topic_w的话题热度值,ctopic_w为主题词为topic_w的短文本的数量,cf,topic_w为主题词为topic_w的短文本的总转发数,ccom,topic_w为主题词为topic_w的短文本的总评论数,cl,topic_w为主题词为topic_w的短文本的总点赞数,ηtopic_w为主题词为topic_w在主题建模后的突发主题分布概率。
8.一种热点话题确定装置,其特征在于,包括:
获取处理模块,用于获取短文本集,并根据所述短文本集确定各个短文本分别对应的特征词集;
主题向量模块,用于基于改进的BTM模型,根据所述各个短文本分别对应的特征词集确定所述短文本集对应的主题向量;
文本向量模块,用于根据所述各个短文本分别对应的特征词集确定各个短文本分别对应的文本向量;
主题词模块,用于根据所述短文本集对应的主题向量和所述各个短文本分别对应的文本向量,确定所述各个短文本分别对应的主题词;
权重处理模块,用于计算所述各个短文本分别对应的主题词的话题热度值,根据所述各个短文本分别对应的主题词的话题热度值确定热点话题。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述热点话题确定方法的步骤。
10.一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任一项所述热点话题确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011256659.5A CN112328735A (zh) | 2020-11-11 | 2020-11-11 | 热点话题确定方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011256659.5A CN112328735A (zh) | 2020-11-11 | 2020-11-11 | 热点话题确定方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112328735A true CN112328735A (zh) | 2021-02-05 |
Family
ID=74318929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011256659.5A Pending CN112328735A (zh) | 2020-11-11 | 2020-11-11 | 热点话题确定方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112328735A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112860883A (zh) * | 2021-02-08 | 2021-05-28 | 国网河北省电力有限公司营销服务中心 | 电力工单短文本热点话题识别方法、装置及终端 |
CN112860893A (zh) * | 2021-02-08 | 2021-05-28 | 国网河北省电力有限公司营销服务中心 | 短文本分类方法及终端设备 |
CN116860703A (zh) * | 2023-07-13 | 2023-10-10 | 杭州再启信息科技有限公司 | 基于人工智能的数据处理***、方法及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289487A (zh) * | 2011-08-09 | 2011-12-21 | 浙江大学 | 基于主题模型的网络突发热点事件检测方法 |
CN103745000A (zh) * | 2014-01-24 | 2014-04-23 | 福州大学 | 一种中文微博客的热点话题检测方法 |
CN111368072A (zh) * | 2019-08-20 | 2020-07-03 | 河北工程大学 | 基于BTM和GloVe相似度线性融合的微博热点话题发现算法 |
CN111667830A (zh) * | 2020-06-08 | 2020-09-15 | 中国民航大学 | 基于管制员指令语义识别的机场管制决策支持***及方法 |
-
2020
- 2020-11-11 CN CN202011256659.5A patent/CN112328735A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289487A (zh) * | 2011-08-09 | 2011-12-21 | 浙江大学 | 基于主题模型的网络突发热点事件检测方法 |
CN103745000A (zh) * | 2014-01-24 | 2014-04-23 | 福州大学 | 一种中文微博客的热点话题检测方法 |
CN111368072A (zh) * | 2019-08-20 | 2020-07-03 | 河北工程大学 | 基于BTM和GloVe相似度线性融合的微博热点话题发现算法 |
CN111667830A (zh) * | 2020-06-08 | 2020-09-15 | 中国民航大学 | 基于管制员指令语义识别的机场管制决策支持***及方法 |
Non-Patent Citations (6)
Title |
---|
林特: "短文本流突发性话题发现:BBTM改进算法", 《电脑知识与技术》, 31 January 2017 (2017-01-31), pages 2 - 3 * |
王秀红: "《多理论视角下专利隐性价值评估研究》", 镇江:江苏大学出版社, pages: 115 - 117 * |
胡悦: "微博舆情热点发现及趋势预测研究", 《中国优秀硕士学位论文全文数据库》 * |
胡悦: "微博舆情热点发现及趋势预测研究", 《中国优秀硕士学位论文全文数据库》, 15 April 2018 (2018-04-15), pages 3 * |
黄畅 等: "面向微博热点话题发现的改进BBTM模型研究", 《计算机科学与探索》 * |
黄畅 等: "面向微博热点话题发现的改进BBTM模型研究", 《计算机科学与探索》, 25 September 2018 (2018-09-25), pages 3 - 4 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112860883A (zh) * | 2021-02-08 | 2021-05-28 | 国网河北省电力有限公司营销服务中心 | 电力工单短文本热点话题识别方法、装置及终端 |
CN112860893A (zh) * | 2021-02-08 | 2021-05-28 | 国网河北省电力有限公司营销服务中心 | 短文本分类方法及终端设备 |
CN112860893B (zh) * | 2021-02-08 | 2023-02-28 | 国网河北省电力有限公司营销服务中心 | 短文本分类方法及终端设备 |
CN116860703A (zh) * | 2023-07-13 | 2023-10-10 | 杭州再启信息科技有限公司 | 基于人工智能的数据处理***、方法及存储介质 |
CN116860703B (zh) * | 2023-07-13 | 2024-04-16 | 杭州再启信息科技有限公司 | 基于人工智能的数据处理***、方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10838997B2 (en) | Method and device for generating text tag | |
CN111222305B (zh) | 一种信息结构化方法和装置 | |
CN107133213B (zh) | 一种基于算法的文本摘要自动提取方法与*** | |
WO2020224219A1 (zh) | 中文分词方法、装置、电子设备及可读存储介质 | |
CN109299280B (zh) | 短文本聚类分析方法、装置和终端设备 | |
CN110298035B (zh) | 基于人工智能的字向量定义方法、装置、设备及存储介质 | |
CN112328735A (zh) | 热点话题确定方法、装置及终端设备 | |
WO2021189951A1 (zh) | 文本搜索方法、装置、计算机设备和存储介质 | |
CN110569354B (zh) | 弹幕情感分析方法及装置 | |
CN109284502B (zh) | 一种文本相似度计算方法、装置、电子设备及存储介质 | |
CN108304377B (zh) | 一种长尾词的提取方法及相关装置 | |
CN111460170B (zh) | 一种词语识别方法、装置、终端设备及存储介质 | |
CN113158687B (zh) | 语义的消歧方法及装置、存储介质、电子装置 | |
CN116386800B (zh) | 基于预训练语言模型的医疗病历数据分割方法和*** | |
CN112885478A (zh) | 医疗文献的检索方法、装置、电子设备及存储介质 | |
CN112632261A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN114186061A (zh) | 语句意图预测方法、装置、存储介质及计算机设备 | |
CN111737420A (zh) | 一种基于争议焦点的类案检索方法及***及装置及介质 | |
CN110347807B (zh) | 问题信息处理方法及装置 | |
CN112182159A (zh) | 一种基于语义表示的个性化检索式对话方法和*** | |
CN116756316A (zh) | 医疗文本的信息识别方法、装置、介质及设备 | |
CN111401069A (zh) | 会话文本的意图识别方法、意图识别装置及终端 | |
CN107729509B (zh) | 基于隐性高维分布式特征表示的篇章相似度判定方法 | |
CN113962221A (zh) | 一种文本摘要的提取方法、装置、终端设备和存储介质 | |
CN113177402A (zh) | 词语替换方法、装置、电子设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210205 |