CN113220840A - 文本处理方法、装置、设备以及存储介质 - Google Patents

Abstract

本公开提供了一种文本处理方法、装置、设备以及存储介质，涉及大数据、文本处理领域。具体实现方案为：将待处理文本分别与分类结果表中的各个已处理文本进行比较，根据比较结果确定与待处理文本相似的至少一个已处理文本，将确定出的已处理文本作为待处理文本的相似文本；其中，分类结果表包含多个已处理文本和各个已处理文本对应的分类中心；根据待处理文本与各个相似文本的相关度，确定待处理文本的分类结果。根据本公开的技术方案，可以实现对待处理文本的聚类处理，并且降低了文本处理过程中的计算量，提高了文本处理的效率。

Description

文本处理方法、装置、设备以及存储介质

技术领域

本公开涉及数据处理技术领域，尤其涉及大数据、文本处理领域。

背景技术

在搜索引擎的应用场景中，用户通过输入查询文本，搜索得到相应的内容和信息。针对查询文本，通常需要进行文本处理以得到查询文本的分类结果，从而实现对搜索数据的整理归纳，为用户提供良好的搜索体验以及为内容生产者提供参考意义。但由于查询文本是不断变化的，其分类结果受数据集的影响较大，相关技术中的文本处理方法无法满足稳定且持续化的文本分类需求。

发明内容

本公开提供了一种用于文本处理方法、装置、设备以及存储介质。

根据本公开的一方面，提供了一种文本处理方法，包括：

将待处理文本分别与分类结果表中的各个已处理文本进行比较，根据比较结果确定与待处理文本相似的至少一个已处理文本，将确定出的已处理文本作为待处理文本的相似文本；其中，分类结果表包含多个已处理文本和各个已处理文本对应的分类中心；

根据待处理文本与各个相似文本的相关度，确定待处理文本的分类结果。

根据本公开的另一方面，提供了一种文本处理装置，包括：

相似文本确定模块，用于将待处理文本分别与分类结果表中的各个已处理文本进行比较，根据比较结果确定与待处理文本相似的至少一个已处理文本，将确定出的已处理文本作为待处理文本的相似文本；其中，分类结果表包含多个已处理文本和各个已处理文本对应的分类中心；

分类结果确定模块，用于根据待处理文本与各个相似文本的相关度，确定待处理文本的分类结果。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。

根据本公开的另一方面，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，该计算机指令用于使计算机执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。

根据本公开的技术方案，通过根据待处理文本与相似文本的相关度确定待处理文本的分类结果，可以实现对待处理文本的聚类处理，尤其是在查询文本数据量较大搜索场景下，可以对查询文本进行整理归纳，为用户提供较好的搜索体验的同时，还可以帮助内容生产者生产优质内容提供参考意义。并且，降低了文本处理过程中的计算量，提高了文本处理的效率。

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示出根据本公开实施例的文本处理方法的流程图；

图2示出根据本公开实施例的文本处理方法中的确定待处理文本的分类结果的具体流程图；

图3示出根据本公开实施例的文本处理方法中的确定待处理文本的分类结果的具体流程图；

图4示出根据本公开实施例的文本处理方法中的确定待处理文本的分类结果的具体流程图；

图5示出根据本公开实施例的文本处理方法中的确定与待处理文本相似的已处理文本的具体流程图；

图6示出根据本公开实施例的文本处理方法的确定与待处理文本相似的已处理文本的流程图；

图7示出根据本公开实施例的文本处理方法的具体流程图；

图8示出根据本公开实施例的文本处理方法的更新分类结果表的具体流程图；

图9是可以实现本公开水冷的文本处理方法的场景图；

图10示出根据本公开实施例的文本处理装置的示意图；

图11是用来实现本公开实施例的文本处理方法的电子设备的框图。

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。

下面参考图1至图10描述根据本公开实施例的文本处理方法。

图1示出根据本公开实施例的文本处理方法的流程图。

如图1所示，该方法包括以下步骤：

S101：将待处理文本分别与分类结果表中的各个已处理文本进行比较，根据比较结果确定与待处理文本相似的至少一个已处理文本，将确定出的已处理文本作为待处理文本的相似文本；其中，分类结果表包含多个已处理文本和各个已处理文本对应的分类中心；

S102：根据待处理文本与各个相似文本的相关度，确定待处理文本的分类结果。

示例性地，在步骤S101中，可以通过字面匹配的方式，确定出待处理文本在分类结果表中的比较结果。比较结果用于表征分类结果表中是否存在至少一个与待处理文本字面匹配的已处理文本。

通过确定待处理文本在分类结果表中的匹配情况，可以判断出待处理文本是否为已经预先处理过的已处理文本，如果匹配情况为分类结果表中存在至少一个与待处理文本字面匹配的已处理文本，则可以直接将相匹配的已处理文本所对应的分类中心确定为待处理文本的分类结果。

在一个具体示例中，分类结果表可以为存储于MySQL(一种关系型数据库)的数据表，且分类结果表中包括多个已处理文本以及多个分类中心，每个已处理文本均对应有一个分类中心，且每个分类中心可以对应有一个或多个已处理文本。其中，分类结果表的主键采用ID(Identity Document，序列号)化的格式，用于表征分类中心，已处理文本可以表示为“query_ID”。

在一个具体示例中，在比较结果为待处理文本与任一个已处理文本均不匹配的情况下，换而言之，在分类结果表中不存在与待处理文本相匹配的已处理文本的情况下，即待处理文本为新增文本。在此基础上，在分类结果表中确定出与待处理文本相似的至少一个已处理文本，作为待处理文本的相似文本。

在一个示例中，可以通过向量检索的方式，从分类结果表中确定出待处理文本对应的相似文本。具体地，可以通过计算待处理文本的向量化表示与已处理文本的向量化表示之间的向量距离，并将向量距离大于或等于预设的向量距离阈值已处理文本确定为相似文本。

示例性地，在步骤S102中，相关度用于表征待处理文本与相似文本在语义或其他维度上的相关程度。例如，可以通过计算待处理文本与相似文本的语义相似度，和/或通过计算待处理文本与相似文本对应的分类中心的语义相似度，得到待处理文本与相似文本的相关度。

进一步地，可以根据相关度与预设的相关度阈值的比较结果，确定出待处理文本的分类结果。

在一个示例中，在待处理文本与相似文本的相关度大于或等于相关度阈值的情况下，则将相似文本对应的分类中心确定为待处理文本的分类结果。在待处理文本与任一个相似文本的相关度均小于相关度阈值的情况下，则将待处理文本的文本内容确定为待处理文本的分类结果。

本公开实施例的文本处理方法可以应用于搜索场景下对搜索文本的文本聚类处理。

在一个具体示例中，基于搜索引擎的历史搜索记录，获取批量的未处理的查询文本，作为待处理文本。将待处理文本与分配结果表中的各已处理文本进行比较，判断在预先建立的分类结果表中是否存在与待处理文本相匹配的已处理文本，即在分类结果表中检索与待处理文本相匹配的已处理文本，作为待处理文本对应的相似文本。基于检索到的相似文本，构建相似文本集。遍历相似文本集，按照预设顺序计算待处理文本与各相似文本的相关度，在计算到某个相似文本的相关度满足预设条件的情况下，则终止相关度的计算，并将该相似文本对应的分类中心确定为待处理文本的分类结果。在待处理文本与任一个相似文本的相关度均不满足预设条件的情况下，则将待处理文本的文本内容确定为待处理文本的分类结果。此外，还可以根据确定出的待处理文本的分类结果，对分类结果表进行更新。

根据本公开实施例的文本处理方法，通过根据待处理文本与相似文本的相关度确定待处理文本的分类结果，可以实现对待处理文本的聚类处理，尤其是在查询文本数据量较大搜索场景下，可以对查询文本进行整理归纳，为用户提供较好的搜索体验的同时，还可以帮助内容生产者生产优质内容提供参考意义。并且，降低了文本处理过程中的计算量，提高了文本处理的效率。

如图2所示，在一种实施方式中，相关度包括第一语义相似度和第二语义相似度，其中，第一语义相似度为待处理文本与相似文本的语义相似度，第二语义相似度为待处理文本与相似文本对应的分类中心的语义相似度。步骤S102具体包括：

S201：确定第一语义相似度和第二语义相似度均满足对应条件的相似文本，将确定出的相似文本对应的分类中心作为待处理文本的分类结果。

示例性地，第一语义相似度和第二语义相似度均满足对应条件，可以是第一语义相似度大于或等于第一相似度阈值且第二语义相似度大于或等于第二相似度阈值。

在步骤S201之前，需要计算第一语义相似度和第二语义相似度。

在一个示例中，计算第一语义相似度和第二语义相似度的具体步骤包括：基于相似文本，构建相似文本集；遍历相似文本集，计算待处理文本与相似文本的第一语义相似度；在第一语义相似度满足第一相似度阈值的情况下，计算待处理文本与相似文本对应的分类中心的第二语义相似度。

其中，相似文本的数量可以为预设数量，即相似文本集中包括预设数量个相似文本。多个相似文本可以按照预设顺序进行排列，例如根据待处理文本的向量表示与相似文本的向量表示之间的向量距离的大小，按照向量距离由小到大的顺序对多个相似文本进行排列。可以理解的是，向量距离越小，则待处理文本与相似文本之间的相似程度越大；向量距离越大，则待处理文本与相似文本之间的相似程度越小。

示例性地，可以按照上述的预设顺序遍历相似文本集，依次计算待处理文本与相似文本之间的相关度。具体而言，按照向量距离由小到大的顺序依次访问相似文本集，计算相似文本与待处理文本之间的第一语义相似度，在第一语义相似度满足第一相似度阈值的情况下，则计算待处理文本与相似文本对应的分类中心的第二语义相似度。

由此，可以按照相似文本与待处理文本的相似程度依次计算待处理文本与相似文本的相关度，从而优先计算与待处理文本相似程度高的相似文本之间的相关度，在第一语义相似度不满足对应的预设条件的情况下则无需再计算第二语义相似度，从而减少了相关度的计算量，提高了待处理文本的分类结果的确定效率。

在一个具体示例中，基于第一语义相似度和第二语义相似度确定出待处理文本的分类结果，具体可以通过比较待处理文本与某个相似文本的第一语义相似度是否满足对应的预设条件，例如比较待处理文本与某个相似文本的第一语义相似度是否大于或等于第一相似度阈值；然后，在第一语义相似度阈值满足对应的预设条件的情况下，再去计算待处理文本与该相似文本对应的分类中心的第二语义相似度，然后比较第二语义相似度是否满足对应的预设条件，例如比较第二语义相似度是否大于或等于第二相似度阈值。根据第二语义相似度是否满足对应的预设条件的判断结果，确定出待处理文本的分类结果。例如，在第二语义相似度满足对应预设条件的情况下，则说明待处理文本与该相似文本对应的分类中心之间的语义较为接近，可以将相似文本对应的分类中心确定为待处理文本的分类结果；在第二语义相似度不符合预设条件的情况下，则不能将该相似文本对应的分类中心确定为待处理文本的分类结果。

在本公开实施例中，计算第一语义相似度和第二语义相似度可以采用各种训练好的语义相似度计算模型来实现，具体地，可以通过计算待处理文本与相似文本之间的余弦相似度、欧氏距离、曼哈顿距离和Jaccard相似系数(Jaccard Coefficient)中的至少一项，得到二者之间的第一语义相似度以及第二语义相似度。

根据上述实施方式，通过判断待处理文本与相似文本的第一语义相似度以及待处理文本与相似文本对应的分类中心的第二语义相似度是否满足对应的预设条件，确定出待处理文本的分类结果，可以结合待处理文本与相似文本的语义相似程度以及待处理文本与相似文本对应的分类中心的语义相似程度确定待处理文本的分类结果，且在二者均满足对应的预设条件的情况下，则将相应的相似文本对应的分类中心确定为待处理文本的分类结果。由此，在待处理文本的数据量以及分类结果表中的数据量较大的情况下，可以确保分类结果的具有较高的精准度，确保最终得到的文本簇中各个文本与分类中心的语义较为接近，避免文本与分类中心之间的语义***较大的情况发生，提高了对待处理文本的分类聚簇效果。

如图3所示，在一种实施方式中，步骤S102还包括以下步骤：

S301：在不存在第一语义相似度和第二语义相似度均满足对应条件的相似文本的情况下，将待处理文本的文本内容确定为待处理文本的分类结果。

可以理解的是，在不存在第一语义相似度和第二语义相似度均满足对应条件的情况下，可以是第一语义相似度和第二语义相似度中存在至少一个不满足对应条件。例如，第一语义相似度和第二语义相似度中的至少一个小于对应的相似度阈值。

在一个示例中，在第一语义相似度不满足第一相似度阈值的情况下，则停止计算待处理文本与相似文本的分类中心之间的第二语义相似度。按照预设顺序访问相似文本集中的下一个相似文本，并计算待处理文本与下一个相似文本之间的第一语义相似度，并根据第一语义相似度是否满足第一相似度阈值，计算后续的第二语义相似度或者计算待处理文本与再下一个相似文本之间第一语义相似度，以此循环。

在另一个示例中，在第一语义相似度满足第一相似度阈值的情况下，计算待处理文本与相似文本对应的分类中心的第二语义相似度。在第二语义相似度不满足第二相似度阈值的情况下，则按照预设顺序访问相似文本集中的下一个相似文本，并计算待处理文本与下一个相似文本之间的第一语义相似度，并根据第一语义相似度是否满足第一相似度阈值，计算后续的第二语义相似度或者计算待处理文本与再下一个相似文本之间的第一语义相似度，以此循环。

在待处理文本与所有的相似文本的第一语义相似度和/或第二语义相似度不满足对应条件的情况下，则说明待处理文本与相似文本集中的任一个相似文本的相关度均不满足预设条件，即待处理文本可以作为一个新的分类中心添加至分类结果表中。

通过上述实施方式，可以在分类结果表中原有的分类中心的基础上，确定出与原有的分类中心均不相关的待处理文本的分类结果。

如图4所示，在一种实施方式中，该方法还包括以下步骤：

S401：在比较结果为分类结果表中存在与待处理文本相匹配的已处理文本的情况下，将与待处理文本相匹配的已处理文本对应的分类中心，确定为待处理文本的分类结果。

通过上述实施方式，在确定出分类结果表中存在与待处理文本相匹配的已处理文本的情况下，可以直接将相匹配的已处理文本对应的分类中心确定为待处理文本的分类结果，后续无需再从分类结果表中确定出相似文本以及计算待处理文本与相似文本的相关度，从而极大地减少了后续的计算量，提高了文本处理的效率。

如图5所示，在一种实施方式中，步骤S101还包括以下步骤：

S501：在比较结果为分类结果表中不存在与待处理文本相匹配的已处理文本的情况下，在分类结果表中确定与待处理文本相似的至少一个已处理文本。

可以理解的是，在上述情况中，待处理文本与分类结果表中的任一个分类中心均不相关或相关度较低，则需要在原有的所有分类中心的基础上，将待处理文本的文本内容作为新的分类中心添加至分类结果表中。

如图6所示，在一种实施方式中，步骤S102具体包括以下步骤：

S601：对待处理文本进行向量化处理，得到待处理文本的向量化表示；

S602：基于待处理文本的向量化表示，通过向量检索的方式在分类结果表中确定出满足预设条件的已处理文本，作为待处理文本对应的相似文本。

示例性地，在步骤S601中，可以通过现有的各种向量化处理方法对待处理文本进行向量化处理。例如，可以采用Ernie(Enhanced Representation through KnowledgeIntegration，一种语言表示模型)对待处理文本进行向量化处理。

示例性地，在步骤S602中，可以采用K最近邻(KNN，K-Nearest Neighbor，KNN)分类算法或者近似最近邻算法(Approximate Nearest Neighbor，ANN)，在分类结果表中检索出与待处理文本相似的已处理文本，作为待处理文本的相似文本。

以近似最近邻算法为例，可以采用聚类量化的方法在聚类结果表中进行向量索引。具体而言，可以通过k均值聚类算法(k-means clustering algorithm)，即通过计算待处理文本的向量化表示与聚类结果表中的各聚类中心之间的向量距离，根据向量距离的大小确定出相似的聚类中心，再计算相似的聚类中心对应的各已处理文本的向量表示与待处理文本的向量表示之间的向量距离，根据向量距离召回满足向量距离阈值的已处理文本作为待处理文本对应的相似文本。

在一个具体示例中，在步骤S602中，还可以通过向量检索的方式，检索出待处理文本与各已处理文本之间的向量距离，并按照向量距离由小到大的顺序对多个已处理文本进行排序，并从中截取中预设数量个已处理文本作为相似文本，并构建相似文本集。

根据上述实施方式，通过利用向量检索的方式确定出待处理文本对应的相似文本，降低了召回相似文本的计算量，提高了对相似文本的召回效率。

如图7所示，在一种实施方式中，该方法还包括以下步骤：

S701：基于待处理文本的分类结果，更新分类结果表。

示例性地，在步骤S701中，针对批量的待处理文本，可以在确定出单个的待处理文本的分类结果后，对分类结果表进行更新；也可以在确定出全部的待处理文本的分类结果后，统一对分类结果表进行更新。

在一个具体示例中，待处理文本可以为周期性的批量文本数据，通过定期对待处理文本进行文本处理，并在确定出所有待处理文本的分类结果后，统一对分类结果表进行更新。

通过上述实施方式，可以实现对待处理文本的周期性处理，并且实现对分类结果表的持续性更新，进而在搜索引擎的应用场景中为内容生产者提供稳定且持续化的生产参考数据。

如图8所示，在一种实施方式中，步骤S701具体包括：

S801：在待处理文本的分类结果为待处理文本的文本内容的情况下，将待处理文本的文本内容作为新的分类中心并添加至分类结果表。

示例性地，可以将待处理文本全部的文本内容确定为其分类结果，并作为新的分类中心添加至分类结果表中。

此外，在本公开的其他示例中，步骤S701还可以包括：

在待处理文本的分类结果为相似文本对应的分类中心的情况下，将待处理文本作为已处理文本，并添加至分类结果表中分类中心对应的文本簇中。

通过上述实施方式，可以实现对分类结果表中已有的分类中心所对应的文本簇的文本扩充，以及对分类结果表已有的分类中心的基础上增添新的分类中心，从而对分类结果表进行不断地扩充和更新，实现了针对文本的持续化处理方案。

下面参考图9以一个具体应用场景描述根据本公开实施例的文本处理方法。该应用场景具体可以为针对搜索引擎的查询文本(即图示中的搜索query)的聚类处理。

如图9所示，该方法具体包括以下详细步骤：

(1)根据搜索引擎的历史搜索记录，获取天级别数据量的查询文本。根据预先建立的聚类结果表，判断聚类结果表中是否存在与各查询文本相匹配的已处理文本，即判断各查询文本是新出现的查询文本还是已出现的查询文本。其中，聚类结果表包括已处理文本和对应的聚类中心。

(2)针对每一个新出现的查询文本，进行向量化处理得到向量表示，然后通过ANN向量检索在聚类结果表中确定出预设数量的相似查询文本列表。

(3)基于相似查询文本列表，首先按照向量距离从小到大的顺序对相似文本列表中的所有相似查询文本进行排序。然后调用相似度服务，针对每个新出现的查询文本，按照相似文本列表中相似文本的排列顺序依次计算新出现的查询文本与相似查询文本的相似度。

具体地，如果新出现的查询文本与相似查询文本的相似度小于阈值，则计算新出现的查询文本与下一个相似查询文本的相似度；如果新出现的查询文本与相似查询文本的相似度大于阈值，则在聚类结果表中查询该相似查询文本对应的聚类中心，再计算新出现的查询文本和聚类中心的相似度，如果新出现的查询文本和聚类中心的相似度小于阈值，则说明这个查询文本不应该加入到这个聚类中心对应的文本簇中，则计算新出现的查询文本与下一个相似查询文本的相似度；如果新出现的查询文本和聚类中心的相似度大于阈值，则认为这个新出现的查询文本可以加入到这个聚类中心对应的文本簇中。

(4)如果遍历完整个相似查询文本列表，都没有找到满足条件的相似查询文本，则将新出现的该查询文本的文本内容作为其聚类结果。然后，将该查询文本的聚类结果作为新的聚类中心，更新ANN的向量索引以及更新聚类结果表，将该查询文本登记为新的聚类中心。将更新后的聚类结果表输出，得到产出结果。

(5)针对已出现的查询文本，则将聚类结果表中与已出现的查询文本相匹配的已处理文本所对应的聚类中心，确定为已出现的查询文本的聚类结果。

作为本公开实施例的另一方面，本公开实施例提供了一种文本处理装置。

如图10所示，该文本处理装置包括：

相似文本确定模块1001，用于将待处理文本分别与分类结果表中的各个已处理文本进行比较，根据比较结果确定与待处理文本相似的至少一个已处理文本，将确定出的已处理文本作为待处理文本的相似文本；其中，分类结果表包含多个已处理文本和各个已处理文本对应的分类中心；

分类结果确定模块1002，用于根据待处理文本与各个相似文本的相关度，确定待处理文本的分类结果。

在一种实施方式中，相关度包括第一语义相似度和第二语义相似度，其中，第一语义相似度为待处理文本与相似文本的语义相似度，第二语义相似度为待处理文本与相似文本对应的分类中心的语义相似度；

分类结果确定模块1002还用于：

确定第一语义相似度和第二语义相似度均满足对应条件的相似文本，将确定出的相似文本对应的分类中心作为待处理文本的分类结果。

在一种实施方式中，分类结果确定模块1002还用于：

在不存在第一语义相似度和第二语义相似度均满足对应条件的相似文本的情况下，将待处理文本的文本内容确定为待处理文本的分类结果。

在一种实施方式中，分类结果确定模块1002还用于：

在比较结果为分类结果表中存在与待处理文本相匹配的已处理文本的情况下，将与待处理文本相匹配的已处理文本对应的分类中心，确定为待处理文本的分类结果。

在一种实施方式中，相似文本确定模块1001还用于：

在比较结果为分类结果表中不存在与待处理文本相匹配的已处理文本的情况下，在分类结果表中确定与待处理文本相似的至少一个已处理文本。

在一种实施方式中，相似文本确定模块1001包括：

向量化处理子模块，用于对待处理文本进行向量化处理，得到待处理文本的向量化表示；

相似文本确定子模块，用于基于待处理文本的向量化表示，通过向量检索的方式在分类结果表中确定出满足预设条件的已处理文本，作为待处理文本对应的相似文本。

在一种实施方式中，该装置还包括：

分类结果表更新模块，用于基于待处理文本的分类结果，更新分类结果表。

在一种实施方式中，分类结果表更新模块还用于：

在待处理文本的分类结果为待处理文本的文本内容的情况下，将待处理文本的文本内容作为新的分类中心添加至分类结果表。

本公开实施例各装置中的各单元、模块或子模块的功能可以参见上述方法实施例中的对应描述，在此不再赘述。

根据本公开的实施例，本公开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11示出了可以用来实施本公开的实施例的示例电子设备1100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/或要求的本公开的实现。

如图11所示，电子设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序来执行各种适当的动作和处理。在RAM 1103中，还可存储电子设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入输出(I/O)接口1105也连接至总线1104。

电子设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许电子设备1100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1101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1101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1101执行上文所描述的各个方法和处理，例如文本处理方法。例如，在一些实施例中，文本处理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1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM1102和/或通信单元1109而被载入和/或安装到电子设备1100上。当计算机程序加载到RAM 1103并由计算单元1101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，计算单元1101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***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***、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。

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。

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 (19)

1.一种文本处理方法，包括：

将待处理文本分别与分类结果表中的各个已处理文本进行比较，根据比较结果确定与所述待处理文本相似的至少一个已处理文本，将确定出的已处理文本作为所述待处理文本的相似文本；其中，所述分类结果表包含多个已处理文本和各个所述已处理文本对应的分类中心；

根据所述待处理文本与各个所述相似文本的相关度，确定所述待处理文本的分类结果。

2.根据权利要求1所述的方法，其中，所述相关度包括第一语义相似度和第二语义相似度，其中，所述第一语义相似度为所述待处理文本与所述相似文本的语义相似度，所述第二语义相似度为所述待处理文本与所述相似文本对应的分类中心的语义相似度；

所述根据所述待处理文本与各个所述相似文本的相关度，确定所述待处理文本的分类结果，包括：

确定所述第一语义相似度和所述第二语义相似度均满足对应条件的相似文本，将确定出的相似文本对应的分类中心作为所述待处理文本的分类结果。

3.根据权利要求2所述的方法，所述根据所述待处理文本与各个所述相似文本信息的相关度，确定所述待处理文本的分类结果，还包括：

在不存在所述第一语义相似度和所述第二语义相似度均满足对应条件的相似文本的情况下，将所述待处理文本的文本内容确定为所述待处理文本的分类结果。

4.根据权利要求1至3任一项所述的方法，还包括：

在所述比较结果为所述分类结果表中存在与所述待处理文本相匹配的已处理文本的情况下，将与所述待处理文本相匹配的已处理文本对应的分类中心确定为所述待处理文本的分类结果。

5.根据权利要求1至3任一项所述的方法，其中，所述根据比较结果确定与所述待处理文本相似的至少一个已处理文本，包括：

在所述比较结果为所述分类结果表中不存在与所述待处理文本相匹配的已处理文本的情况下，在所述分类结果表中确定与所述待处理文本相似的至少一个已处理文本。

6.根据权利要求5所述的方法，其中，所述在所述分类结果表中确定与所述待处理文本相似的至少一个已处理文本，包括：

对所述待处理文本进行向量化处理，得到所述待处理文本的向量化表示；

基于所述待处理文本的向量化表示，通过向量检索的方式在所述分类结果表中确定出满足预设条件的已处理文本，作为所述待处理文本对应的相似文本。

7.根据权利要求1至6任一项所述的方法，还包括：

基于所述待处理文本的分类结果，更新所述分类结果表。

8.根据权利要求7所述的方法，其中，所述基于所述待处理文本的分类结果，更新所述分类结果表，包括：

在所述待处理文本的分类结果为待处理文本的文本内容的情况下，将所述待处理文本的文本内容作为新的分类中心添加至所述分类结果表。

9.一种文本处理装置，包括：

相似文本确定模块，用于将待处理文本分别与分类结果表中的各个已处理文本进行比较，根据比较结果确定与所述待处理文本相似的至少一个已处理文本，将确定出的已处理文本作为所述待处理文本的相似文本；其中，所述分类结果表包含多个已处理文本和各个所述已处理文本对应的分类中心；

分类结果确定模块，用于根据所述待处理文本与各个所述相似文本的相关度，确定所述待处理文本的分类结果。

10.根据权利要求9所述的装置，其中，所述相关度包括第一语义相似度和第二语义相似度，其中，所述第一语义相似度为所述待处理文本与所述相似文本的语义相似度，所述第二语义相似度为所述待处理文本与所述相似文本对应的分类中心的语义相似度；

所述分类结果确定模块还用于：

确定所述第一语义相似度和所述第二语义相似度均满足对应条件的相似文本，将确定出的相似文本对应的分类中心作为所述待处理文本的分类结果。

11.根据权利要求10所述的装置，其中，所述分类结果确定模块还用于：

在不存在所述第一语义相似度和所述第二语义相似度均满足对应条件的相似文本的情况下，将所述待处理文本的文本内容确定为所述待处理文本的分类结果。

12.根据权利要求9至11任一项所述的装置，其中，所述分类结果确定模块还用于：

在所述比较结果为所述分类结果表中存在与所述待处理文本相匹配的已处理文本的情况下，将与所述待处理文本相匹配的已处理文本对应的分类中心，确定为所述待处理文本的分类结果。

13.根据权利要求9至11任一项所述的装置，其中，所述相似文本确定模块还用于：

在所述比较结果为所述分类结果表中不存在与所述待处理文本相匹配的已处理文本的情况下，在所述分类结果表中确定与所述待处理文本相似的至少一个已处理文本。

14.根据权利要求13所述的装置，其中，所述相似文本确定模块包括：

向量化处理子模块，用于对所述待处理文本进行向量化处理，得到所述待处理文本的向量化表示；

相似文本确定子模块，用于基于所述待处理文本的向量化表示，通过向量检索的方式在所述分类结果表中确定出满足预设条件的已处理文本，作为所述待处理文本对应的相似文本。

15.根据权利要求9至14任一项所述的装置，还包括：

分类结果表更新模块，用于基于所述待处理文本的分类结果，更新所述分类结果表。

16.根据权利要求15所述的装置，其中，所述分类结果表更新模块还用于：

在所述待处理文本的分类结果为待处理文本的文本内容的情况下，将所述待处理文本的文本内容作为新的分类中心添加至所述分类结果表。

17.一种电子设备，其特征在于，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1-8中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。

Images