CN112926298A - 新闻内容识别方法、相关装置及计算机程序产品 - Google Patents
新闻内容识别方法、相关装置及计算机程序产品 Download PDFInfo
- Publication number
- CN112926298A CN112926298A CN202110230022.7A CN202110230022A CN112926298A CN 112926298 A CN112926298 A CN 112926298A CN 202110230022 A CN202110230022 A CN 202110230022A CN 112926298 A CN112926298 A CN 112926298A
- Authority
- CN
- China
- Prior art keywords
- news
- similarity
- title
- preset
- repeated
- 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
- 238000004590 computer program Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction 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
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F40/295—Named entity recognition
-
- 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)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了新闻内容识别方法、装置、电子设备、计算机可读存储介质及计算机程序产品，涉及深度学习、云服务、自然语言处理等人工智能技术领域。该方法的一具体实施方式包括：从新闻的标题和正文中提取实体，并将任意两个新闻的实体间的交并比作为相应两个新闻的实体相似度；利用预设的语义模型对新闻的标题进行词向量化，得到标题词向量，并根据任意两个新闻的标题词向量计算标题语义相似度；其中，语义模型用于表征标题与预设维度数的词向量之间的语义对应关系；根据实体相似度和标题语义相似度，确定重复新闻。该实施方式通过同时使用实体相似度和标题语义相似度，提升了确定出任意两个新闻是否属于重复新闻的结论的准确性。
Description
技术领域
本申请涉及文本处理技术领域，具体涉及深度学习、云服务、自然语言处理等人工智能技术领域，尤其涉及新闻内容识别方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
在热点新闻排行榜单时，总会有一些新闻重复出现。这些新闻可能内容几乎完全一样，但是标题以及内容有一些细微的差别。例如，可能标题或者内容中的“，”更换成了“。”，或者意思相同，但是换了一种表述方法。如果不做新闻去重工作，舆情***的热点新闻排行榜单经常会出现重复的新闻，影响用户的使用体验。
发明内容
本申请实施例提出了一种新闻内容识别方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面，本申请实施例提出了一种新闻内容识别方法，包括：从新闻的标题和正文中提取实体，并将任意两个新闻的实体间的交并比作为相应两个新闻的实体相似度；利用预设的语义模型对新闻的标题进行词向量化，得到标题词向量，并根据任意两个新闻的标题词向量计算标题语义相似度；其中，语义模型用于表征标题与预设维度数的词向量之间的语义对应关系；根据实体相似度和标题语义相似度，确定重复新闻。
第二方面，本申请实施例提出了一种新闻内容识别装置，包括：实体相似度计算单元，被配置成从新闻的标题和正文中提取实体，并将任意两个新闻的实体间的交并比作为相应两个新闻的实体相似度；标题语义相似度计算单元，被配置成利用预设的语义模型对新闻的标题进行词向量化，得到标题词向量，并根据任意两个新闻的标题词向量计算标题语义相似度；其中，语义模型用于表征标题与预设维度数的词向量之间的语义对应关系；重复新闻确定单元，被配置成根据实体相似度和标题语义相似度，确定重复新闻。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：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，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的新闻内容识别方法。
第四方面，本申请实施例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，该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的新闻内容识别方法。
第五方面，本申请实施例提供了一种包括计算机程序的计算机程序产品，该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的新闻内容识别方法。
本申请实施例提供的新闻内容识别方法、装置、电子设备、计算机可读存储介质及计算机程序产品，首先，从新闻的标题和正文中提取实体，并将任意两个新闻的实体间的交并比作为相应两个新闻的实体相似度；然后，利用预设的语义模型对新闻的标题进行词向量化，得到标题词向量，并根据任意两个新闻的标题词向量计算标题语义相似度；其中，语义模型用于表征标题与预设维度数的词向量之间的语义对应关系；最后，根据实体相似度和标题语义相似度，确定重复新闻。
本申请所提供的技术方案通过同时使用实体相似度和标题语义相似度，进而通过综合新闻的字词层面和语义层面这两个方面，提升确定出任意两个新闻是否属于重复新闻的结论的准确性。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性***架构；
图2为本申请实施例提供的一种新闻内容识别方法的流程图；
图3为本申请实施例提供的另一种新闻内容识别方法的流程图；
图4为本申请实施例提供的一种新闻质量标签附加方法的流程图；
图5为本申请实施例提供的一种新闻内容识别装置的结构框图；
图6为本申请实施例提供的一种适用于执行新闻内容识别方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
图1示出了可以应用本申请的新闻内容识别方法、装置、电子设备及计算机可读存储介质的实施例的示例性***架构100。
如图1所示，***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、无线通信链路或者光纤电缆等等。
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和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用，例如新闻资讯类应用、在线购物类应用、即时通讯类应用等。
终端设备101、102、103和服务器105可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，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；当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中，其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器；服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。
服务器105通过内置的各种应用可以提供各种服务，以可以向订阅用户提供热榜新闻服务的新闻资讯类应用为例，服务器105在运行该新闻资讯类应用时可实现如下效果：首先，通过网络104各来源站点爬取其发布的新闻；然后，从爬取到的各新闻的标题和正文中提取实体，并将任意两个新闻的实体间的交并比作为相应两个新闻的实体相似度；然后，利用预设的语义模型对新闻的标题进行词向量化，得到标题词向量，并根据任意两个新闻的标题词向量计算标题语义相似度；其中，语义模型用于表征标题与预设维度数的词向量之间的语义对应关系；最后，根据实体相似度和标题语义相似度，确定重复新闻。后续，服务器105可以通过对重复新闻进行去重处理，以便于基于经去重处理后的新闻来生成不包含重复内容的新闻热榜，并将其推送给订阅用户的终端设备101、102、103，从而实现提升用户阅读体验的目的。
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。
请参考图2，图2为本申请实施例提供的一种新闻内容识别方法的流程图，其中流程200包括以下步骤：
步骤201：从新闻的标题和正文中提取实体，并将任意两个新闻的实体间的交并比作为相应两个新闻的实体相似度；
本步骤旨在由新闻内容识别方法的执行主体(例如图1所示的服务器105)从新闻的标题和正文中提取出实体，并将任意两个新闻的实体间的交并比作为相应两个新闻的实体相似度。
其中，标题包括主标题和可能存在的副标题；实体提取可通过多种方式实现，例如基于新闻知识构建的知识图谱、实体关键词匹配、实体提取模型等等；为尽可能保证实体相似度可以较好的从字词层面描述两个新闻的相似程度，实体相似度中还可以体现每个实体在各篇新闻中的出现次数的比较结果；交并比是指交集与并集的比值。
进行实体提取操作的新闻既包括之前爬取到的历史新闻，也包括最新爬取或接收到的最新发布的新闻。
步骤202：利用预设的语义模型对新闻的标题进行词向量化，得到标题词向量，并根据任意两个新闻的标题词向量计算标题语义相似度；
本步骤旨在由上述执行主体通过对新闻的标题进行词向量化，即执行Embedding操作，从而得到能够尽可能体现其标题语义的标题词向量，进而根据标题词向量之间的相似度确定不同新闻的标题语义相似度。
其中，该语义模型用于表征标题与预设维度数的词向量之间的语义对应关系，为得以使该语义模型能够表征该语义对应关系，在训练时可采用标注语义好的新闻语料作为训练样本，维度数则可以根据实际需求自行设置或调整，例如设定产生的标题词向量为一个100维的词向量。
具体的，该语义模型可选用多种具体的相关模型作为模型架构，例如DSSM(DeepStructured Semantic Models，深度语义匹配模型)及其各式变体，也可以采用诸如NNLM(Neural Network Language Model，神经网络语言模型)、C&W模型(由Ronan Collobert和Jason Weston发表在《A Unified Architecture for Natural Language Processing:Deep Neural Networks with Multitask Learning》中提出的词向量的计算方法)等，上述模型大多无法直接拿来用于实现本步骤的目的，但在其基础上按照本步骤的目的调整后也可以实现类似的效果。
步骤203：根据实体相似度和标题语义相似度，确定重复新闻。
在步骤201和步骤202的基础上，本步骤旨在由上述执行主体根据实体相似度和标题语义相似度，共同确定任意两个新闻是否属于重复新闻，即确定重复新闻。
其中，在同时根据实体相似度和标题语义相似度来确定重复新闻时，两个相似度可基于相同的地位来共同影响结论的产生，也可以基于不同的地位来对结论的产生造成不同的影响，具体可以可结合新闻类型、新闻篇幅、来源站点、场景下的偏好等所有可能造成影响的因素，此处不做具体限定。
应当理解的是，步骤201和步骤202所执行的操作之前并不存在因果和依赖关系，完全可以分别单独执行，流程图2仅是采用一种示意的方式排列了步骤201和步骤202，也可以将两步骤放为并列关系。
本申请实施例提供的新闻内容识别方法：通过同时使用实体相似度和标题语义相似度，进而通过综合新闻的字词层面和语义层面这两个方面，提升确定出任意两个新闻是否属于重复新闻的结论的准确性。
请参考图3，图3为本申请实施例提供的另一种新闻内容识别方法的流程图，其中流程300包括以下步骤：
步骤301：从新闻的标题和正文中提取实体，并将任意两个新闻的实体间的交并比作为相应两个新闻的实体相似度；
步骤302：利用预设的语义模型对新闻的标题进行词向量化，得到标题词向量，并根据任意两个新闻的标题词向量计算标题语义相似度；
上述步骤301-步骤302与上一实施例中的步骤201-步骤202一致，此处不对重复技术特征做重复说明，可参见对步骤201-步骤202的说明。
步骤303：基于经第一预设权值加权的实体相似度和经第二预设权值加权的标题语义相似度，计算相应两个新闻的综合相似度；
本步骤旨在由上述执行主体以加权的方式计算得到综合相似度。其中，预先为实体相似度设置的权值被命名为第一预设权值，预先为标题语义相似度设置的权值被命名为第二预设权值，以区别加权对象。
加权计算法的标准展开为：第一预设权值×实体相似度+第二预设权值×标题语义相似度＝综合相似度，在标准展开的基础上，还可以结合实际情况增加一些修正基础或修正系数等。
通常的，在不考虑各种因素的情况下，第一预设权值和第二预设权值的大小可以直接采用相同大小，即地位均等，第一预设权值和第二预设权值各为单位1的一半。若考虑到新闻类型、新闻篇幅、来源站点、场景下的偏好等所有可能造成影响的因素，第一预设权值和第二预设权值的大小则不同，例如在新闻类型为简报时，正文篇幅较短，此时的第二预设权值大小可以大于第一预设权值；当新闻类型为长篇深度报道时，正文篇幅较长，此时的第二预设权值可以小于第一预设权值。其它因素可参见上述例子，此处不再一一赘述。
以单纯考虑新闻类型为例，本步骤可具体为：获取两个新闻所属的目标新闻类型；获取与目标新闻类型对应的第一预设权值和第二预设权值；利用第一预设权值对实体相似度进行加权、利用第二预设权值对标题语义相似度进行加权。例如当新闻类型为军事新闻时，实体相似度的第一预设权值为60％、标题语义相似度的第二预设权值为40％。
步骤304：将综合相似度小于预设阈值的两个新闻确定为重复新闻；
其中，预设阈值作为衡量是否属于重复新闻的临界值，因此将综合相似度小于预设阈值的两个新闻确定为重复新闻。
步骤305：对重复新闻进行去重处理，并根据经去重处理后的新闻生成新闻热榜。
在步骤304的基础上，本步骤旨在通过进行去重处理滤除掉多余的重复新闻，使得相同的新闻内容仅保留一份，并进一步通过新闻的访问热度生成按访问热度排序的新闻热榜。
具体的，去重处理可基于多种去重原则，例如在采用发布优先原则下，可仅保留至少两个重复新闻中发布时间最早的新闻，或者在采用站点优先级原则下，则可仅保留至少两个重复新闻中来源站点的优先级评级最高的新闻，等等。去重处理的目的应为剩下更权威、更易于用户查看，可基于此目的合理的设置去重原则。
在图2所示实施例的基础上，本实施例通过步骤303-步骤304为步骤203提供的上位方案给出了一种具体的加权综合及重复新闻确定方案，以通过预先设置的权值结合加权计算法得到与实际场景下更匹配的综合相似度，从而基于综合相似度使得确定出的重复新闻的结论更准确；还通过步骤305提供了一种通过经去重处理后的新闻生成新闻热榜的方法，将上述的新闻内容判重方案具体应用在了热榜生成方面，消除了因相同或高相似内容新闻在热榜内重复出现对用户阅读体验造成的不良影响。
应当理解的是，步骤303-304所提供的加权综合及重复新闻确定方案和步骤305提供的热榜生成应用方案之间，完全不存在必然的关联和因果关系，即使不适用加权综合方案、使用常规技术方案也可以，只是有可能对最后的结果准确性略有影响。因此加权综合方案和热榜生成应用方案完全可以单独与图2所示的实施例单独形成不同的实施例，本实施例仅作为同时包含两方案的优选实施例存在。
在上述实施例提供的对重复新闻进行去重处理的基础上，还可以通过对经去重处理被去除的重复新闻所属的来源站点进行追踪，并结合统计周期内同一站点被去除的重复新闻数量评判相应的来源站点的新闻质量等级，从而基于新闻质量等级来防止接收低质量新闻站点的投稿，以尽可能的从源头降低重复新闻的收录。
一种包括且不限于的实现方式可参见图4所示的流程图，其流程400包括以下步骤：
步骤401：确定在进行去重处理时被去除的重复新闻所属的来源站点；
步骤402：根据预设统计周期内来源站点被去除的重复新闻数，为来源站点附加相应的新闻质量标签；
例如在两周的统计周期内，若一个来源站点被去除的重复新闻数不超过其总收录数的10％，则可以对其附加一级新闻质量标签，若介于10％-30％，则可以对其附加二级新闻质量标签，若介于30％-50％则可以对其附加三级新闻质量标签，若超过50％则可以对其附加四级新闻质量标签；
步骤403：根据新闻质量标签确定来源站点的新闻质量，并屏蔽新闻指令小于预设质量的来源站点。
例如可将附加有等级超过二级的新闻质量标签的来源站点屏蔽掉，即后续不再收录这些来源站点的新闻。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种新闻内容识别装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的新闻内容识别装置500可以包括：实体相似度计算单元501、标题语义相似度计算单元502、重复新闻确定单元503。其中，实体相似度计算单元501，被配置成从新闻的标题和正文中提取实体，并将任意两个新闻的实体间的交并比作为相应两个新闻的实体相似度；标题语义相似度计算单元502，被配置成利用预设的语义模型对新闻的标题进行词向量化，得到标题词向量，并根据任意两个新闻的标题词向量计算标题语义相似度；其中，语义模型用于表征标题与预设维度数的词向量之间的语义对应关系；重复新闻确定单元503，被配置成根据实体相似度和标题语义相似度，确定重复新闻。
在本实施例中，新闻内容识别装置500中：实体相似度计算单元501、标题语义相似度计算单元502、重复新闻确定单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，重复新闻确定单元503可以包括：
综合相似度加权计算子单元，被配置成基于经第一预设权值加权的实体相似度和经第二预设权值加权的标题语义相似度，计算相应两个新闻的综合相似度；
重复新闻确定子单元，被配置成将综合相似度小于预设阈值的两个新闻确定为重复新闻。
在本实施例的一些可选的实现方式中，该综合相似度加权计算子单元可以被进一步配置成：
获取两个新闻所属的目标新闻类型；
获取与目标新闻类型对应的第一预设权值和第二预设权值；
利用第一预设权值对实体相似度进行加权、利用第二预设权值对标题语义相似度进行加权。
在本实施例的一些可选的实现方式中，新闻内容识别装置500还可以包括：
重复新闻去重及新闻热榜生成单元，被配置成对重复新闻进行去重处理，并根据经去重处理后的新闻生成新闻热榜；其中，构成新闻热榜的新闻均为至少两个重复新闻中发布时间最早的或来源站点的优先级评级最高的。
在本实施例的一些可选的实现方式中，新闻内容识别装置500还可以包括：
来源站点确定单元，被配置成确定在进行去重处理时被去除的重复新闻所属的来源站点；
新闻质量标签附加单元，被配置成根据预设统计周期内来源站点被去除的重复新闻数，为来源站点附加相应的新闻质量标签；
站点新闻质量确定单元，被配置成根据新闻质量标签确定来源站点的新闻质量，并屏蔽新闻质量小于预设等级的来源站点。
本实施例作为对应于上述方法实施例的装置实施例存在，本实施例提供的新闻内容识别装置：通过同时使用实体相似度和标题语义相似度，进而通过综合新闻的字词层面和语义层面这两个方面，提升确定出任意两个新闻是否属于重复新闻的结论的准确性。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本申请的实施例的示例电子设备600的示意性框图。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/或者要求的本申请的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如新闻内容识别方法。例如，在一些实施例中，新闻内容识别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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的新闻内容识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行新闻内容识别方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、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***的***(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***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***、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***、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请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。
在本申请的上下文中，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***、装置或设备使用或与指令执行***、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***、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***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***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(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***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***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***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***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，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大，业务扩展性弱的缺陷。
本申请实施例所提供的技术方案和所达成的有益效果为：通过同时使用实体相似度和标题语义相似度，进而通过综合新闻的字词层面和语义层面这两个方面，提升确定出任意两个新闻是否属于重复新闻的结论的准确性。
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，只要能够实现本申请公开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，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (13)
1.一种新闻内容识别方法，包括：
从新闻的标题和正文中提取实体，并将任意两个新闻的实体间的交并比作为相应两个新闻的实体相似度；
利用预设的语义模型对新闻的标题进行词向量化，得到标题词向量，并根据任意两个新闻的标题词向量计算标题语义相似度；其中，所述语义模型用于表征标题与预设维度数的词向量之间的语义对应关系；
根据所述实体相似度和所述标题语义相似度，确定重复新闻。
2.根据权利要求1所述的方法，其中，所述根据所述实体相似度和所述标题语义相似度，确定重复新闻，包括：
基于经第一预设权值加权的实体相似度和经第二预设权值加权的标题语义相似度，计算相应两个新闻的综合相似度；
将所述综合相似度小于预设阈值的两个新闻确定为所述重复新闻。
3.根据权利要求2所述的方法，其中，所述基于经第一预设权值加权的实体相似度和经第二预设权值加权的标题语义相似度，包括：
获取所述两个新闻所属的目标新闻类型；
获取与所述目标新闻类型对应的第一预设权值和第二预设权值；
利用所述第一预设权值对所述实体相似度进行加权、利用所述第二预设权值对所述标题语义相似度进行加权。
4.根据权利要求1-3任一项所述的方法，还包括：
对所述重复新闻进行去重处理，并根据经所述去重处理后的新闻生成新闻热榜；其中，构成所述新闻热榜的新闻均为至少两个重复新闻中发布时间最早的或来源站点的优先级评级最高的。
5.根据权利要求4所述的方法，还包括：
确定在进行所述去重处理时被去除的重复新闻所属的来源站点；
根据预设统计周期内所述来源站点被去除的重复新闻数，为所述来源站点附加相应的新闻质量标签；
根据所述新闻质量标签确定所述来源站点的新闻质量，并屏蔽新闻质量小于预设质量的来源站点。
6.一种新闻内容识别装置，包括：
实体相似度计算单元，被配置成从新闻的标题和正文中提取实体，并将任意两个新闻的实体间的交并比作为相应两个新闻的实体相似度；
标题语义相似度计算单元，被配置成利用预设的语义模型对新闻的标题进行词向量化，得到标题词向量，并根据任意两个新闻的标题词向量计算标题语义相似度；其中，所述语义模型用于表征标题与预设维度数的词向量之间的语义对应关系；
重复新闻确定单元，被配置成根据所述实体相似度和所述标题语义相似度，确定重复新闻。
7.根据权利要求6所述的装置，其中，所述重复新闻确定单元包括：
综合相似度加权计算子单元，被配置成基于经第一预设权值加权的实体相似度和经第二预设权值加权的标题语义相似度，计算相应两个新闻的综合相似度；
重复新闻确定子单元，被配置成将所述综合相似度小于预设阈值的两个新闻确定为所述重复新闻。
8.根据权利要求7所述的装置，其中，所述综合相似度加权计算子单元被进一步配置成：
获取所述两个新闻所属的目标新闻类型；
获取与所述目标新闻类型对应的第一预设权值和第二预设权值；
利用所述第一预设权值对所述实体相似度进行加权、利用所述第二预设权值对所述标题语义相似度进行加权。
9.根据权利要求6-8任一项所述的装置，还包括：
重复新闻去重及新闻热榜生成单元，被配置成对所述重复新闻进行去重处理，并根据经所述去重处理后的新闻生成新闻热榜；其中，构成所述新闻热榜的新闻均为至少两个重复新闻中发布时间最早的或来源站点的优先级评级最高的。
10.根据权利要求9所述的装置，还包括：
来源站点确定单元，被配置成确定在进行所述去重处理时被去除的重复新闻所属的来源站点；
新闻质量标签附加单元，被配置成根据预设统计周期内所述来源站点被去除的重复新闻数，为所述来源站点附加相应的新闻质量标签；
站点新闻质量确定单元，被配置成根据所述新闻质量标签确定所述来源站点的新闻质量，并屏蔽新闻质量小于预设质量的来源站点。
11.一种电子设备，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1-5中任一项所述的新闻内容识别方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的新闻内容识别方法。
13.一种计算机程序产品，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1-5中任一项所述的新闻内容识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110230022.7A CN112926298A (zh) | 2021-03-02 | 2021-03-02 | 新闻内容识别方法、相关装置及计算机程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110230022.7A CN112926298A (zh) | 2021-03-02 | 2021-03-02 | 新闻内容识别方法、相关装置及计算机程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112926298A true CN112926298A (zh) | 2021-06-08 |
Family
ID=76173000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110230022.7A Pending CN112926298A (zh) | 2021-03-02 | 2021-03-02 | 新闻内容识别方法、相关装置及计算机程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112926298A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505835A (zh) * | 2021-07-14 | 2021-10-15 | 杭州隆埠科技有限公司 | 新闻相似去重的方法及装置 |
| CN114780712A (zh) * | 2022-04-06 | 2022-07-22 | 科技日报社 | 一种基于质量评价的新闻专题生成方法及装置 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5576954A (en) * | 1993-11-05 | 1996-11-19 | University Of Central Florida | Process for determination of text relevancy |
| CA2498376A1 (en) * | 2004-03-02 | 2005-09-02 | Microsoft Corporation | Principles and methods for personalizing newsfeeds via an analysis of information novelty and dynamics |
| CN1822000A (zh) * | 2006-02-14 | 2006-08-23 | 北大方正集团有限公司 | 一种自动检测新闻事件的方法 |
| CN101350032A (zh) * | 2008-09-23 | 2009-01-21 | 胡辉 | 判断网页内容是否相同的方法 |
| CN102012917A (zh) * | 2010-11-26 | 2011-04-13 | 百度在线网络技术（北京）有限公司 | 信息处理装置以及处理方法 |
| CN102662965A (zh) * | 2012-03-07 | 2012-09-12 | 上海引跑信息科技有限公司 | 一种自动发现互联网热点新闻主题的方法及*** |
| CN103377239A (zh) * | 2012-04-26 | 2013-10-30 | 腾讯科技（深圳）有限公司 | 计算文本间相似度的方法和装置 |
| US20160103916A1 (en) * | 2014-10-10 | 2016-04-14 | Salesforce.Com, Inc. | Systems and methods of de-duplicating similar news feed items |
| CN106202057A (zh) * | 2016-08-30 | 2016-12-07 | 东软集团股份有限公司 | 相似新闻信息的识别方法和装置 |
| US20170004128A1 (en) * | 2015-07-01 | 2017-01-05 | Institute for Sustainable Development | Device and method for analyzing reputation for objects by data mining |
| CN108170773A (zh) * | 2017-12-26 | 2018-06-15 | 百度在线网络技术（北京）有限公司 | 新闻事件挖掘方法、装置、计算机设备和存储介质 |
| CN108334628A (zh) * | 2018-02-23 | 2018-07-27 | 北京东润环能科技股份有限公司 | 一种新闻事件聚类的方法、装置、设备和储存介质 |
| CN108595464A (zh) * | 2018-01-31 | 2018-09-28 | 深圳市富途网络科技有限公司 | 一种实现多源相似新闻去重的方法及*** |
| CN109710728A (zh) * | 2018-11-26 | 2019-05-03 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 新闻话题自动发现方法 |
| CN110162796A (zh) * | 2019-05-31 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 新闻专题创建方法和装置 |
| CN110413863A (zh) * | 2019-08-01 | 2019-11-05 | 信雅达***工程股份有限公司 | 一种基于深度学习的舆情新闻去重与推送方法 |
| CN111382276A (zh) * | 2018-12-29 | 2020-07-07 | 中国科学院信息工程研究所 | 一种事件发展脉络图生成方法 |
-
2021
- 2021-03-02 CN CN202110230022.7A patent/CN112926298A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5576954A (en) * | 1993-11-05 | 1996-11-19 | University Of Central Florida | Process for determination of text relevancy |
| CA2498376A1 (en) * | 2004-03-02 | 2005-09-02 | Microsoft Corporation | Principles and methods for personalizing newsfeeds via an analysis of information novelty and dynamics |
| CN1822000A (zh) * | 2006-02-14 | 2006-08-23 | 北大方正集团有限公司 | 一种自动检测新闻事件的方法 |
| CN101350032A (zh) * | 2008-09-23 | 2009-01-21 | 胡辉 | 判断网页内容是否相同的方法 |
| CN102012917A (zh) * | 2010-11-26 | 2011-04-13 | 百度在线网络技术（北京）有限公司 | 信息处理装置以及处理方法 |
| CN102662965A (zh) * | 2012-03-07 | 2012-09-12 | 上海引跑信息科技有限公司 | 一种自动发现互联网热点新闻主题的方法及*** |
| CN103377239A (zh) * | 2012-04-26 | 2013-10-30 | 腾讯科技（深圳）有限公司 | 计算文本间相似度的方法和装置 |
| US20160103916A1 (en) * | 2014-10-10 | 2016-04-14 | Salesforce.Com, Inc. | Systems and methods of de-duplicating similar news feed items |
| US20170004128A1 (en) * | 2015-07-01 | 2017-01-05 | Institute for Sustainable Development | Device and method for analyzing reputation for objects by data mining |
| CN106202057A (zh) * | 2016-08-30 | 2016-12-07 | 东软集团股份有限公司 | 相似新闻信息的识别方法和装置 |
| CN108170773A (zh) * | 2017-12-26 | 2018-06-15 | 百度在线网络技术（北京）有限公司 | 新闻事件挖掘方法、装置、计算机设备和存储介质 |
| CN108595464A (zh) * | 2018-01-31 | 2018-09-28 | 深圳市富途网络科技有限公司 | 一种实现多源相似新闻去重的方法及*** |
| CN108334628A (zh) * | 2018-02-23 | 2018-07-27 | 北京东润环能科技股份有限公司 | 一种新闻事件聚类的方法、装置、设备和储存介质 |
| CN109710728A (zh) * | 2018-11-26 | 2019-05-03 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 新闻话题自动发现方法 |
| CN111382276A (zh) * | 2018-12-29 | 2020-07-07 | 中国科学院信息工程研究所 | 一种事件发展脉络图生成方法 |
| CN110162796A (zh) * | 2019-05-31 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 新闻专题创建方法和装置 |
| CN110413863A (zh) * | 2019-08-01 | 2019-11-05 | 信雅达***工程股份有限公司 | 一种基于深度学习的舆情新闻去重与推送方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王伟;赵东岩;赵伟;: "中文新闻关键事件的主题句识别", 北京大学学报(自然科学版), no. 05, 27 June 2011 (2011-06-27) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505835A (zh) * | 2021-07-14 | 2021-10-15 | 杭州隆埠科技有限公司 | 新闻相似去重的方法及装置 |
| CN114780712A (zh) * | 2022-04-06 | 2022-07-22 | 科技日报社 | 一种基于质量评价的新闻专题生成方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10891322B2 (en) | Automatic conversation creator for news | |
| CN113836314B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
| CN114861889B (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
| CN112926298A (zh) | 新闻内容识别方法、相关装置及计算机程序产品 | |
| CN111861596A (zh) | 一种文本分类方法和装置 | |
| CN112560461A (zh) | 新闻线索的生成方法、装置、电子设备及存储介质 | |
| CN115481227A (zh) | 人机交互对话方法、装置以及设备 | |
| CN114244795B (zh) | 一种信息的推送方法、装置、设备及介质 | |
| CN113806522A (zh) | 摘要生成方法、装置、设备以及存储介质 | |
| CN113377924A (zh) | 数据处理方法、装置、设备以及存储介质 | |
| CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
| CN110852057A (zh) | 一种计算文本相似度的方法和装置 | |
| CN117743577A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN112948584A (zh) | 短文本分类方法、装置、设备以及存储介质 | |
| CN112906368A (zh) | 行业文本增量方法、相关装置及计算机程序产品 | |
| CN116597443A (zh) | 素材标签处理方法、装置、电子设备及介质 | |
| CN114444514B (zh) | 语义匹配模型训练、语义匹配方法及相关装置 | |
| CN114048315A (zh) | 确定文档标签的方法、装置、电子设备和存储介质 | |
| CN114218431A (zh) | 视频搜索方法、装置、电子设备以及存储介质 | |
| CN114065784A (zh) | 训练方法、译文方法、装置、电子设备以及存储介质 | |
| CN112784600A (zh) | 信息排序方法、装置、电子设备和存储介质 | |
| CN113239273A (zh) | 用于生成文本的方法、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 | |
| CN113377922B (zh) | 用于匹配信息的方法、装置、电子设备以及介质 | |
| CN116069914B (zh) | 训练数据的生成方法、模型训练方法以及装置 |
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 |