CN113569027B - 一种文档标题处理方法、装置及电子设备 - Google Patents
一种文档标题处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113569027B CN113569027B CN202110851076.5A CN202110851076A CN113569027B CN 113569027 B CN113569027 B CN 113569027B CN 202110851076 A CN202110851076 A CN 202110851076A CN 113569027 B CN113569027 B CN 113569027B
- Authority
- CN
- China
- Prior art keywords
- document
- title
- target
- word segmentation
- frequency
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 196
- 238000000034 method Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 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
- 238000012795 verification Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 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
- 230000018109 developmental process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening 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
- 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
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3346—Query execution using probabilistic model
-
- 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
- G06F16/35—Clustering; Classification
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/374—Thesaurus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- 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
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种文档标题处理方法、装置及电子设备,涉及搜索、大数据等人工智能领域。具体方案为:在目标字典树中查询与待处理标题匹配的第一高频分词,其中,目标字典树包括N个文档类别的文档标题的N个高频分词表,每个高频分词表对应一个文档类别,N为正整数,任一高频分词表包括对应文档类别的文档标题中词频大于预设词频的分词;基于第一高频分词生成目标标题。由于目标字典树包括N个文档类别的文档标题的N个高频分词表,从目标字典树中查询到的匹配的第一高频分词即为N个文档类别的文档标题中的高频分词,通过第一高频分词实现对待处理标题的泛化,得到目标标题,可提高对目标标题泛化的效果,提高得到的目标标题的准确性。
Description
技术领域
本公开涉及计算机技术中的搜索、大数据等人工智能领域,尤其涉及一种文档标题处理方法、装置及电子设备。
背景技术
随着互联网技术的发展,用户通过网络平台进行信息分享越来越普遍,例如,可以在文档数据库(简称文库)等网路平台上传其拥有的文档资料等,文库是一种在线互动式文档分享平台,可汇集海量文档。用户将文档上传至网络平台进行分享过程中,文档标题由用户上传文档时的指定,尽可能详尽概括文档的内容,便于后续文档在平台的检索和曝光等。但网络平台实际在文库定价、文档归类等场景中,文档标题也是作为代表文档内容的重要特征使用,而在这些场景中,文档标题的个性化部分对整体作用不大,更需要获得相对泛化的文档标题。
目前常采用的对标题进行泛化的方法,主要是通过同义词或近义词替换对文档的原始标题进行处理得到目标标题,实现文档的标题泛化。
发明内容
本公开提供一种文档标题处理方法、装置及电子设备。
第一方面,本公开一个实施例提供一种文档标题处理方法,所述方法包括:
在目标字典树中查询与待处理标题匹配的第一高频分词,其中,所述目标字典树包括N个文档类别的文档标题的N个高频分词表,每个高频分词表对应一个文档类别,N为正整数,任一高频分词表包括对应文档类别的文档标题中词频大于预设词频的分词;
基于所述第一高频分词生成目标标题。
在本实施例的文档标题处理方法中,可通过在目标字典树中查询与待处理标题匹配的第一高频分词,由于目标字典树包括N个文档类别的文档标题的N个高频分词表,任一高频分词表中的分词在对应文档类别的文档标题中的词频大于预设词频,从目标字典树中查询到的匹配的第一高频分词即为N个文档类别的文档标题中的高频分词,通过第一高频分词确定目标标题,也即是基于目标字典树中与待处理标题匹配的高频分词实现对待处理标题的泛化,得到目标标题,可提高对目标标题泛化的效果,提高得到的目标标题的准确性。
第二方面,本公开一个实施例提供一种文档标题处理装置,所述装置包括:
查询模块,用于在目标字典树中查询与待处理标题匹配的第一高频分词,其中,所述目标字典树包括N个文档类别的文档标题的N个高频分词表,每个高频分词表对应一个文档类别,N为正整数,任一高频分词表包括对应文档类别的文档标题中词频大于预设词频的分词;
标题生成模块,用于基于所述第一高频分词生成目标标题。
第三方面,本公开一个实施例还提供一种电子设备,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本公开如第一方面提供的文档标题处理方法。
第四方面,本公开一个实施例还提供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本公开如第一方面提供的文档标题处理方法。
第五方面,本公开一个实施例提供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本公开如第一方面提供的文档标题处理方法。
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是本公开提供的一个实施例的文档标题处理方法的流程示意图之一;
图2是本公开提供的一个实施例的文档标题处理方法的流程示意图之二;
图3是本公开提供的一个实施例的文档标题处理方法中构建N个高频分词表的流程示意图;
图4是本公开提供的一个实施例的文档标题处理方法中获取第一高频分词以及利用第一高频分词确定目标标题的流程示意图;
图5是本公开提供的一个实施例的文档标题处理装置的结构图;
图6是用来实现本公开实施例的文档标题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。
如图1所示,根据本公开的实施例,本公开提供一种文档标题处理方法,可应用于文档定价、文档分类等场景中,该方法包括:
步骤S101:在目标字典树中查询与待处理标题匹配的第一高频分词。
其中,目标字典树包括N个文档类别的文档标题的N个高频分词表,每个高频分词表对应一个文档类别,N为正整数,任一高频分词表包括对应文档类别的文档标题中词频大于预设词频的分词。
字典树,又称前缀树,是一种有序的多叉树,其中的键(Key)通常是字符串,与二叉查找树不同,键不是直接保存在节点中,而是由节点在树中的位置决定。一个节点的所有子孙都有相同的前缀,也就是这个节点对应的字符串,而根节点对应空字符串。字典树具有的基本性质包括:根节点不包含字符,除根节点以外每个节点只包含一个字符;从根节点到某一个节点,路径上经过的字符连接起来,为该节点对应的字符串;以及每个节点的所有子节点包含的字符串不相同。
目标字典树通过N个文档类别的文档标题的N个高频分词表构建得到,可以理解,N个高频分词表的分词通过字典树结构来存储,目标字典树中的根节点为空,目标字典树中除根节点之外的其他节点中的一个节点对应高频分词表的分词中的单个字符,节点对应的字符串即是从根节点到该节点的路径上经过每个节点的字符连接起来的字符串(包括该节点的字符)。需要说明的是,一般情况下,不是所有的节点都有对应的值(Value),只有叶子节点和部分内部节点所对应的键才有相关的值,有对应值的节点是高频分词表中一个分词的最后一个字符的节点,有对应值的节点对应的字符串为高频分词表中的一个分词,即高频分词表中的每个分词的最后一个字符在目标字典树中的节点有对应的值,且该节点对应的字符串为一个分词,这个值如何取,可根据实际情况设置,例如,在本实施例中,节点对应的值可以设置为该节点对应的分词所在文档标题的文档的类别等。
在本实施例的上述步骤中,N个高频分词表是基于N个文档类别的文档标题分类进行高频分词统计确定的,即对每个文档类别的文档标题分别进行高频分词统计,每个文档类别对应一个高频分词表,从而得到N个高频分词表。待处理标题可以理解为待泛化的标题,获取待处理标题后,可通过遍历目标字典树,查询与待处理标题匹配的第一高频分词,N个高频分词表中包括该第一高频分词,第一高频分词为N个高频分词表中的至少一个分词,通过在目标经典树中查询匹配的第一高频分词,可提高查询效率,从而可提高整体对标题处理的效率。
另外需要说明的是,有多种匹配逻辑(即匹配算法)在目标字典树中对待处理标题进行匹配,在本公开实施例中不作限定,例如,作为一个示例,可以采用无交叉最长匹配逻辑在目标字典树中查询与待处理标题匹配的第一高频分词。例如,针对待处理标题“幼儿园语言精品教案例子”,假如高频分词表中同时包含“幼儿”和“幼儿园”的高频分词,最长匹配会匹配到“幼儿园”,而不是“幼儿”,即实现最长匹配。另外“教案”和“案例”同时存在于高频分词表中,但“教案例”不是高频分词表中的分词,无交叉匹配从前往后匹配到“教案”的高频分词后,下一次匹配则是从“例”开始继续匹配,将不会匹配“案例”,即实现无交叉匹配,无交叉最长匹配为既满足无交叉匹配又满足最长匹配。
而且在本实施例中,任一高频分词表包括对应文档类别的文档标题中词频大于预设词频的分词,例如,对于一个高频分词表A1,对应的文档类别为L1,则该高频分词表A1包括文档类别L1的文档标题中词频大于预设词频的分词,又例如,对于一个高频分词表A2,对应的文档类别为L2,则该高频分词表A2包括文档类别L2的文档标题中词频大于预设词频的分词。
步骤S102:基于第一高频分词生成目标标题。
获得匹配的第一高频分词后,可利用第一高频分词来生成目标标题,实现对待处理标题的泛化。
在本实施例的文档标题处理方法中,可通过在目标字典树中查询与待处理标题匹配的第一高频分词,由于目标字典树包括N个文档类别的文档标题的N个高频分词表,任一高频分词表中的分词在对应文档类别的文档标题中的词频大于预设词频,从目标字典树中查询到的匹配的第一高频分词即为N个文档类别的文档标题中的高频分词,通过第一高频分词确定目标标题,也即是基于目标字典树中与待处理标题匹配的高频分词实现对待处理标题的泛化,得到目标标题,可提高对目标标题泛化的效果,提高得到的目标标题的准确性。
在一个实施例中,基于第一高频分词生成目标标题之后,还包括:
在目标标题的字数大于预设字数,且目标标题与待处理标题之间至少部分不同的情况下,将目标标题作为待处理标题对应的文档的标题。
在对待处理标题进行泛化得到目标标题之后,还需对泛化的目标标题进行有效性验证,即可验证目标标题的字符是否大于预设字数且目标标题与待处理标题之间是否至少部分不同(即两者是否不完全相同),若满足目标标题的字数大于预设字数,且目标标题与待处理标题之间至少部分不同,表示对目标标题有效性验证通过或表示泛化准确,可改变待处理标题的文档的原始标题(即待处理标题),实现该文档的标题的更新,将目标标题作为待处理标题对应的文档的标题。本实施例中,将通过验证的目标标题作为待处理标题对应的文档的标题,实现对该文档的标题的泛化,提高泛化效果,提高作为文档的标题的准确性。
另外,需要说明的是,在目标标题的字数不大于预设字数,或者目标标题与待处理标题相同的情况下,可将待处理标题对应的文档的标题维持为待处理标题,即不更新该文档的原始标题(待处理标题)。
在一个实施例中,目标字典树还包括N个高频分词表中分词所在文档标题的文档类别;
基于第一高频分词生成目标标题,包括:
将第一高频分词中的条件分词进行过滤,得到第二高频分词,条件分词所在文档标题的文档类别与待处理标题对应文档的文档类别不匹配;
在第二高频分词的数量为至少两个的情况下,对第二高频分词进行合并,得到目标标题;或者,在第二高频分词的数量为一个的情况下,将第二高频分词确定为目标标题。
第一高频分词的数量至少一个,即可以是一个或多个,在利用第一高频分词生成目标标题的过程中,第一高频分词中可能存在与待处理标题对应文档的类别不匹配的条件分词,即可将不满足要求的条件分词过滤掉,得到第二高频分词,得到的第二高频分词的数量至少一个。然后再基于第二高频分词确定目标标题,如果第二高频分词的数量为至少两个,则可以将至少两个第二高频分词按照先后顺序进行合并得到目标标题,这里的先后顺序,可以是按照待处理标题的第一个字符到最后一个字符的顺序,在目标字典树中依次匹配到第二高频分词的先后顺序。若第一高频分词的数量为一个,则将该第一高频分词确定为目标标题即可。
需要说明的是,本实施例中的高频分词的文档类别与待处理标题的文档类别不匹配,可以理解为高频分词对应的文档类别与待处理标题的文档类别之间不包括相同的文档类别。例如,若某个第一高频分词对应的文档类别为一个(即该第一高频分词出现在一个文档类别下)以及待处理标题的文档的类别也是一个,此时的类别不匹配可以为类别不相同。若某个第一高频分词对应的文档类别为一个以及待处理标题的文档的类别为至少两个,此时的类别不匹配可以为待处理标题的文档的类别不包括该第一高频分词对应的文档类别。若某个第一高频分词对应的文档类别为至少两个以及待处理标题的文档的类别为一个,此时的类别不匹配可以为该第一高频分词对应的文档类别不包括待处理标题的文档的类别。若某个第一高频分词对应的文档类别和待处理标题的文档的类别分别至少两个,此时的类别不匹配可以为该第一高频分词对应的文档类别与待处理标题的文档类别之间不存在一个相同的文档类别。
在本实施例中,在利用第二高频分词确定目标标题的过程中,需要先对第二高频分词进行过滤,即过滤掉其中的条件分词,使过滤后得到的第二高频分词与待处理标题的文档的类别的适配程度,利用过滤后得到的第二高频分词确定目标标题,从而可提高目标标题与待处理标题的文档的适配程度,提高标题泛化效果,提高得到的目标标题的准确性。
在一个实施例中,目标字典树通过如下方式构建:
获取多个文档标题以及多个文档标题的文档的类别;
对多个文档标题分别进行切词,得到多个文档标题的分词;
基于多个文档标题的文档的类别,对多个文档标题进行聚类,得到N个文档类别分别对应的文档标题;
分别对N个文档类别中每个文档类别的文档标题的分词词频进行统计,确定N个文档类别中每个文档类别的高频分词表;
基于N个高频分词表构建目标字典树。
也即是多个文档标题包括N个文档类别的文档标题,在构建目标字典树的过程中,可先获取多个文档标题的文档的类别,然后利用多个文档标题的文档的类别对对多个文档标题进行聚类,如此,可得到N个文档类别的文档标题。另外,需要对多个文档标题的每个文档进行切词,得到多个文档标题的每个文档标题对应的分词,例如,可以采用NLPC(定制自然语言处理)切词,可确保单个分词的合理性等。由于在每个文档类别下,有对应的文档标题,对每个文档类别下的文档标题分别进行分词词频统计,即同一个文档类别下的文档标题的分词一起进行词频统计,即分类进行分词词频统计,不同文档类别之间互不干扰,得到N个文档类别中每个文档类别的高频分词表,即得到N个高频分词表,然后通过N个高频分词表构建目标字典树。
在本实施例中,由于不同文档类别下文档数量可能存在差异,不同文档类别下文档标题数量可能存在差异,则不同文档类别的高频分词会有所不同,因此通过分类统计分词词频,有利于提高统计的高频分词的准确性,从而提高得到的N个高频分词表的准确性,通过在包括N个高频分词表的目标经典树中查询待处理标题匹配的第一高频分词,可提高得到第一高频分词的准确性,利用第一高频分词确定目标标题,可提高得到的目标标题的准确性。
作为一个示例,在分别对N个文档类别中每个文档类别的文档标题的分词词频进行统计,确定N个文档类别中每个文档类别的高频分词表的过程中,可先分别对N个文档类别中每个文档类别的文档标题的分词词频进行统计得到N个文档类别中每个文档类别的文档标题的高频分词,然后可将N个文档类别中每个文档类别的文档标题的高频分词中的预设字符(例如,非中文字符、数字字符、标点字符、字母(包括大小写字母)等)过滤,以更新N个文档类别中每个文档类别的文档标题的高频分词,然后根据过滤预设字符后的N个文档类别的文档标题的高频分词,生成N个高频分词表,如此,可提高得到的高频分词表的准确性。
在一个实施例中,目标字典树中的目标节点与目标文档类别对应,目标节点为目标高频分词表的目标分词的最后一个字符的节点,目标高频分词表为N个高频分词表中任一字表,目标分词为目标高频分词表中任一分词,目标文档类别为目标分词所在文档标题的文档的类别。
可以理解,目标节点的键为目标分词的最后一个字符,目标节点的值为目标文档类别。在本实施例中,通过将目标分词的最后一个字符的节点对应目标文档类别,而目标分词的最后一个字符的节点对应的字符串即是该目标分词,目标分词为目标高频分词表中任一分词,目标高频分词表为多个高频分词表中任一字表,如此,在匹配到第一高频分词后,可通过目标字典树中该第一高频分词的最后一个字符的节点,确定第一高频分词所在文档标题的文档类别,即是该节点对应的文档类别,如此,可提高在目标经典树中确定高频分词表中高频分词对应的文档类别的效率和准确性。
需要说明的是,同一高频分词可能出现在至少两个文档类别下,则该高频分词的最后一个字符的节点的文档类别包括上述至少两个文档类别,例如,可形成该节点的文档类别列表(List)。
下面以一个具体实施例对上述文档标题处理方法的过程加以说明。如图2所示,本实施例的文档标题处理方法的流程如下:
步骤S201:获取N个文档类别中每个文档类别的文档标题的高频分词,并根据N个文档类别的文档标题的高频分词构建N个高频分词表;
步骤S202:利用N个高频分词表,统一构建目标字典树;
步骤S203:目标字典树中匹配获取待处理标题对应的第一高频分词,并利用第一高频分词生成目标标题。
如图3所示,具体地,上述多个文档标题可以理解为文库中海量文档标题,步骤S201构建N个高频分词表的流程如下:
步骤S301:获取多个文档标题;
步骤S302:多个文档标题分别进行切词,获得多个文档标题的分词;
步骤S303:分类进行分词词频统计;
步骤S304:通过预设词频进行分词过滤,得到N个文档类别的每个文档类别的文档标题的高频分词;
步骤S305:通过预设字符对N个文档类别的文档标题的高频分词进行过滤;
步骤S306:通过过滤后的N个文档类别的文档标题的高频分词,构建N个高频分词表。
如图4所示,具体地,步骤S203获取第一高频分词并利用第一高频分词实现待处理标题的泛化得到目标标题的流程如下:
步骤S401:获取待处理标题以及待处理标题对应文档的文档类别;
步骤S402:在目标字典树中对待处理标题进行匹配,确定第一高频分词;
步骤S403:将第一高频分词中所在文档标题的文档类别与待处理标题对应的文档类别不匹配的条件分词过滤,筛选出第一高频分词中与待处理标题对应的文档类别匹配的第二高频分词;
步骤S404:合并第一高频分词,得到目标标题;
步骤S405:判断目标标题的字数是否大于预设字数,且所述目标标题与所述待处理标题之间是否至少部分不同;
若目标标题的字数大于预设字数,且所述目标标题与所述待处理标题之间至少部分不同,则执行步骤S406,否则执行步骤S407;
步骤S406:将目标标题作为待处理标题对应的文档的标题;
步骤S407:将待处理标题对应的文档的标题维持不变。
通过本公开上述基于高频分词的文档标题泛化方案,可实现文档的待处理标题的实时在线定性泛化,在文库海量文档标题中泛化准确率可以达到94.4%,覆盖率可以达81.5%,在文档智能定价、文档分类等场景中发挥了重要作用。
如图5所示,根据本公开的实施例,本公开还提供一种文档标题处理装置500,装置包括:
查询模块501,用于在目标字典树中查询与待处理标题匹配的第一高频分词,其中,目标字典树包括N个文档类别的文档标题的N个高频分词表,每个高频分词表对应一个文档类别,N为正整数,任一高频分词表包括对应文档类别的文档标题中词频大于预设词频的分词;
标题生成模块502,用于基于第一高频分词生成目标标题。
在一个实施例中,装置500还包括:
第一确定模块,用于在目标标题的字数大于预设字数,且目标标题与待处理标题之间至少部分不同的情况下,将目标标题作为待处理标题对应的文档的标题。
在一个实施例中,目标字典树还包括N个高频分词表中分词所在文档标题的文档类别;
标题生成模块502,包括:
第一过滤模块,用于将第一高频分词中的条件分词进行过滤,得到第二高频分词,条件分词所在文档标题的文档类别与待处理标题对应文档的文档类别不匹配;
第二确定模块,用于在第二高频分词的数量为至少两个的情况下,对第二高频分词进行合并,得到目标标题;或者,在第二高频分词的数量为一个的情况下,将第二高频分词确定为目标标题。
在一个实施例中,目标字典树通过如下方式构建:
获取多个文档标题以及多个文档标题的文档的类别,多个文档标题包括N个文档类别的文档标题;
对多个文档标题分别进行切词,得到多个文档标题的分词;
基于多个文档标题的文档的类别,对多个文档标题进行聚类,得到N个文档类别分别对应的文档标题;
分别对N个文档类别中每个文档类别的文档标题的分词词频进行统计,确定N个文档类别中每个文档类别的高频分词表;
基于N个高频分词表构建目标字典树。
在一个实施例中,目标字典树中的目标节点与目标文档类别对应,目标节点为目标高频分词表的目标分词的最后一个字符的节点,目标高频分词表为N个高频分词表中任一字表,目标分词为目标高频分词表中任一分词,目标文档类别为目标分词所在文档标题的文档的类别。
上述各实施例的文档标题处理装置为实现上述应用于第一车辆中的各实施例的文档标题处理方法的装置,技术特征对应,技术效果对应,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、一种可读存储介质以及一种计算机程序产品。
本公开实施例的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本公开所提供的文档标题处理方法。
本公开实施例的计算机程序产品,包括计算机程序,所述计算机程序用于使计算机执行本公开各实施例提供的文档标题处理方法。
图6示出了可以用来实施本公开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/或者要求的本公开的实现。
如图6所示,电子设备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RAM603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。
电子设备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允许电子设备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(I)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,例如文档标题处理方法。例如,在一些实施例中,文档标题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RAM603并由计算单元601执行时,可以执行上文描述的文档标题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)而被配置为执行文档标题处理方法。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)、互联网和区块链网络。
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,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
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 (10)
1.一种文档标题处理方法,所述方法包括:
在目标字典树中查询与待处理标题匹配的第一高频分词,其中,所述目标字典树包括N个文档类别的文档标题的N个高频分词表,每个高频分词表对应一个文档类别,N为正整数,任一高频分词表包括对应文档类别的文档标题中词频大于预设词频的分词;
基于所述第一高频分词生成目标标题;
其中,所述目标字典树通过如下方式构建:
获取多个文档标题以及所述多个文档标题的文档的类别,所述多个文档标题包括所述N个文档类别的文档标题;
对所述多个文档标题分别进行切词,得到所述多个文档标题的分词;
基于所述多个文档标题的文档的类别,对所述多个文档标题进行聚类,得到所述N个文档类别分别对应的文档标题;
分别对所述N个文档类别中每个文档类别的文档标题的分词词频进行统计,确定所述N个文档类别中每个文档类别的高频分词表;
基于所述N个高频分词表构建所述目标字典树。
2.根据权利要求1所述的方法,其中,所述基于所述第一高频分词生成目标标题之后,还包括:
在所述目标标题的字数大于预设字数,且所述目标标题与所述待处理标题之间至少部分不同的情况下,将所述目标标题作为所述待处理标题对应的文档的标题。
3.根据权利要求1所述的方法,其中,所述目标字典树还包括所述N个高频分词表中分词所在文档标题的文档类别;
所述基于所述第一高频分词生成目标标题,包括:
将所述第一高频分词中的条件分词进行过滤,得到第二高频分词,所述条件分词所在文档标题的文档类别与所述待处理标题对应文档的文档类别不匹配;
在所述第二高频分词的数量为至少两个的情况下,对所述第二高频分词进行合并,得到所述目标标题;或者,
在所述第二高频分词的数量为一个的情况下,将所述第二高频分词确定为所述目标标题。
4.根据权利要求1所述的方法,其中,所述目标字典树中的目标节点与目标文档类别对应,所述目标节点为目标高频分词表的目标分词的最后一个字符的节点,所述目标高频分词表为所述N个高频分词表中任一字表,所述目标分词为所述目标高频分词表中任一分词,所述目标文档类别为所述目标分词所在文档标题的文档的类别。
5.一种文档标题处理装置,所述装置包括:
查询模块,用于在目标字典树中查询与待处理标题匹配的第一高频分词,其中,所述目标字典树包括N个文档类别的文档标题的N个高频分词表,每个高频分词表对应一个文档类别,N为正整数,任一高频分词表包括对应文档类别的文档标题中词频大于预设词频的分词;
标题生成模块,用于基于所述第一高频分词生成目标标题;
其中,所述目标字典树通过如下方式构建:
获取多个文档标题以及所述多个文档标题的文档的类别,所述多个文档标题包括所述N个文档类别的文档标题;
对所述多个文档标题分别进行切词,得到所述多个文档标题的分词;
基于所述多个文档标题的文档的类别,对所述多个文档标题进行聚类,得到所述N个文档类别分别对应的文档标题;
分别对所述N个文档类别中每个文档类别的文档标题的分词词频进行统计,确定所述N个文档类别中每个文档类别的高频分词表;
基于所述N个高频分词表构建所述目标字典树。
6.根据权利要求5所述的装置,其中,还包括:
第一确定模块,用于在所述目标标题的字数大于预设字数,且所述目标标题与所述待处理标题之间至少部分不同的情况下,将所述目标标题作为所述待处理标题对应的文档的标题。
7.根据权利要求5所述的装置,其中,所述目标字典树还包括所述N个高频分词表中分词所在文档标题的文档类别;
所述标题生成模块,包括:
第一过滤模块,用于将所述第一高频分词中的条件分词进行过滤,得到第二高频分词,所述条件分词所在文档标题的文档类别与所述待处理标题对应文档的文档类别不匹配;
第二确定模块,用于在所述第二高频分词的数量为至少两个的情况下,对所述第二高频分词进行合并,得到所述目标标题;或者,在所述第二高频分词的数量为一个的情况下,将所述第二高频分词确定为所述目标标题。
8.根据权利要求5所述的装置,其中,所述目标字典树中的目标节点与目标文档类别对应,所述目标节点为目标高频分词表的目标分词的最后一个字符的节点,所述目标高频分词表为所述N个高频分词表中任一字表,所述目标分词为所述目标高频分词表中任一分词,所述目标文档类别为所述目标分词所在文档标题的文档的类别。
9.一种电子设备,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1-4任一所述的文档标题处理方法。
10.一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1-4任一所述的文档标题处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110851076.5A CN113569027B (zh) | 2021-07-27 | 2021-07-27 | 一种文档标题处理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110851076.5A CN113569027B (zh) | 2021-07-27 | 2021-07-27 | 一种文档标题处理方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113569027A CN113569027A (zh) | 2021-10-29 |
CN113569027B true CN113569027B (zh) | 2024-02-13 |
Family
ID=78167986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110851076.5A Active CN113569027B (zh) | 2021-07-27 | 2021-07-27 | 一种文档标题处理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569027B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018010579A1 (zh) * | 2016-07-13 | 2018-01-18 | 阿里巴巴集团控股有限公司 | 字符串的分词方法、装置及设备 |
CN108304384A (zh) * | 2018-01-29 | 2018-07-20 | 上海名轩软件科技有限公司 | 拆词方法及设备 |
CN108509417A (zh) * | 2018-03-20 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 标题生成方法及设备、存储介质、服务器 |
CN110147433A (zh) * | 2019-05-21 | 2019-08-20 | 北京鸿联九五信息产业有限公司 | 一种基于字典树的文本模板提取方法 |
CN111930929A (zh) * | 2020-07-09 | 2020-11-13 | 车智互联(北京)科技有限公司 | 一种文章标题生成方法、装置及计算设备 |
CN112148881A (zh) * | 2020-10-22 | 2020-12-29 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201200643D0 (en) * | 2012-01-16 | 2012-02-29 | Touchtype Ltd | System and method for inputting text |
US9619450B2 (en) * | 2013-06-27 | 2017-04-11 | Google Inc. | Automatic generation of headlines |
-
2021
- 2021-07-27 CN CN202110851076.5A patent/CN113569027B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018010579A1 (zh) * | 2016-07-13 | 2018-01-18 | 阿里巴巴集团控股有限公司 | 字符串的分词方法、装置及设备 |
CN108304384A (zh) * | 2018-01-29 | 2018-07-20 | 上海名轩软件科技有限公司 | 拆词方法及设备 |
CN108509417A (zh) * | 2018-03-20 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 标题生成方法及设备、存储介质、服务器 |
CN110147433A (zh) * | 2019-05-21 | 2019-08-20 | 北京鸿联九五信息产业有限公司 | 一种基于字典树的文本模板提取方法 |
CN111930929A (zh) * | 2020-07-09 | 2020-11-13 | 车智互联(北京)科技有限公司 | 一种文章标题生成方法、装置及计算设备 |
CN112148881A (zh) * | 2020-10-22 | 2020-12-29 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
Non-Patent Citations (1)
Title |
---|
用户生成内容的图书主题标签研究――以豆瓣读书用户生成评论为例;陈婵;;文献与数据学报(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113569027A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN113408660B (zh) | 图书聚类方法、装置、设备和存储介质 | |
CN112989235B (zh) | 基于知识库的内链构建方法、装置、设备和存储介质 | |
CN114444619B (zh) | 样本生成方法、训练方法、数据处理方法以及电子设备 | |
CN113033194B (zh) | 语义表示图模型的训练方法、装置、设备和存储介质 | |
CN112560425B (zh) | 模板生成方法、装置、电子设备及存储介质 | |
CN114610914A (zh) | 一种信息处理方法、装置及电子设备 | |
CN113569027B (zh) | 一种文档标题处理方法、装置及电子设备 | |
CN116226533A (zh) | 基于关联性预测模型的新闻关联推荐方法、装置及介质 | |
CN115329150A (zh) | 生成搜索条件树的方法、装置、电子设备及存储介质 | |
CN112860626B (zh) | 一种文档排序方法、装置及电子设备 | |
WO2021196470A1 (zh) | 信息推送方法、装置、设备及存储介质 | |
CN114860872A (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN114218431A (zh) | 视频搜索方法、装置、电子设备以及存储介质 | |
CN113377921B (zh) | 用于匹配信息的方法、装置、电子设备以及介质 | |
CN111858917A (zh) | 文本分类方法和装置 | |
CN113377922B (zh) | 用于匹配信息的方法、装置、电子设备以及介质 | |
CN113971216B (zh) | 数据处理方法、装置、电子设备和存储器 | |
CN113220841B (zh) | 确定鉴别信息的方法、装置、电子设备和存储介质 | |
CN113901214B (zh) | 表格信息的提取方法、装置、电子设备及存储介质 | |
CN117033801B (zh) | 一种业务推荐方法、装置、设备和存储介质 | |
CN117539987A (zh) | 一种关键词查找方法、装置、电子设备及介质 | |
CN114359610B (zh) | 实体分类的方法、装置、设备以及存储介质 | |
CN113011490B (zh) | 模型训练方法、装置及电子设备 | |
CN112926319B (zh) | 一种领域词汇的确定方法、装置、设备以及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |