CN113807091B - 词语挖掘方法、装置、电子设备和可读存储介质 - Google Patents
词语挖掘方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN113807091B CN113807091B CN202110925212.0A CN202110925212A CN113807091B CN 113807091 B CN113807091 B CN 113807091B CN 202110925212 A CN202110925212 A CN 202110925212A CN 113807091 B CN113807091 B CN 113807091B
- Authority
- CN
- China
- Prior art keywords
- search
- identification information
- search statement
- statement
- preset
- 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
- 238000005065 mining Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000006399 behavior Effects 0.000 claims abstract description 128
- 239000013598 vector Substances 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims description 26
- 238000002372 labelling Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 38
- 238000003062 neural network model Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000014509 gene expression Effects 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
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 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
- 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
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/3347—Query execution using vector based 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
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
- G06F16/337—Profile generation, learning or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—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
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种词语挖掘方法、装置、电子设备和可读存储介质,涉及自然语言处理、深度学习、云服务等人工智能技术领域。词语挖掘方法包括:获取搜索数据;将所述搜索数据中的第一标识信息、搜索语句与第二标识信息作为节点,将第一标识信息与搜索语句之间的关系、第一标识信息与第二标识信息之间的关系以及搜索语句与第二标识信息之间的关系作为边,构建行为图谱;根据所述行为图谱中具有预设标签的搜索语句,得到所述行为图谱中每个搜索语句的标签向量;根据所述标签向量,确定所述行为图谱中的目标搜索语句;从所述目标搜索语句中提取目标词,将所述目标词作为所述搜索数据的词语挖掘结果。本公开能够提升词语挖掘的准确性与效率。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及自然语言处理、深度学习、云服务等人工智能技术领域。提供了一种词语挖掘方法、装置、电子设备和可读存储介质。
背景技术
随着智能手机和移动互联网的普及,互联网开始贯穿人们的衣食住行,互联网中也不断地出现一些新的网络用语,这些新的网络用语具有一定的隐蔽性。由于互联网中存在的一些敏感词,是由相关人员刻意为逃避监管所创造出来的,因此这些敏感词的隐蔽性更强,导致现有技术在挖掘互联网中的敏感词时,存在挖掘准确性与挖掘效率较低的技术问题。
发明内容
根据本公开的第一方面,提供了一种词语挖掘方法,包括:获取搜索数据;将所述搜索数据中的第一标识信息、搜索语句与第二标识信息作为节点,将第一标识信息与搜索语句之间的关系、第一标识信息与第二标识信息之间的关系以及搜索语句与第二标识信息之间的关系作为边,构建行为图谱;根据所述行为图谱中具有预设标签的搜索语句,得到所述行为图谱中每个搜索语句的标签向量;根据所述标签向量,确定所述行为图谱中的目标搜索语句;从所述目标搜索语句中提取目标词,将所述目标词作为所述搜索数据的词语挖掘结果。
根据本公开的第二方面,提供了一种词语挖掘装置,包括:获取单元,用于获取搜索数据;构建单元,用于将所述搜索数据中的第一标识信息、搜索语句与第二标识信息作为节点,将第一标识信息与搜索语句之间的关系、第一标识信息与第二标识信息之间的关系以及搜索语句与第二标识信息之间的关系作为边,构建行为图谱;处理单元,用于根据所述行为图谱中具有预设标签的搜索语句,得到所述行为图谱中每个搜索语句的标签向量;确定单元,用于根据所述标签向量,确定所述行为图谱中的目标搜索语句;挖掘单元,用于从所述目标搜索语句中提取目标词,将所述目标词作为所述搜索数据的词语挖掘结果。
根据本公开的第三方面,提供了一种电子设备,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如上所述的方法。
根据本公开的第四方面,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,其中,所述计算机指令用于使所述计算机执行如上所述的方法。
根据本公开的第五方面,提供了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如上所述的方法。
由以上技术方案可以看出,本实施例能够根据搜索数据中搜索行为之间的关联性来挖掘目标词,从而提升了在挖掘目标词时的准确性与效率。
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是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开第四实施例的示意图;
图5是根据本公开第五实施例的示意图
图6是用来实现本公开实施例的词语挖掘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机构的描述。
图1是根据本公开第一实施例的示意图。如图1所示,本实施例的词语挖掘方法,具体可以包括如下步骤:
S101、获取搜索数据;
S102、将所述搜索数据中的第一标识信息、搜索语句与第二标识信息作为节点,将第一标识信息与搜索语句之间的关系、第一标识信息与第二标识信息之间的关系以及搜索语句与第二标识信息之间的关系作为边,构建行为图谱;
S103、根据所述行为图谱中具有预设标签的搜索语句,得到所述行为图谱中每个搜索语句的标签向量;
S104、根据所述标签向量,确定所述行为图谱中的目标搜索语句;
S105、从所述目标搜索语句中提取目标词,将所述目标词作为所述搜索数据的词语挖掘结果。
本实施例的词语挖掘方法,在根据搜索数据中的第一标识信息、搜索语句与第二标识信息构建行为图谱之后,通过行为图谱中具有预设标签的第一搜索语句与行为图谱中各节点之间的关系,确定行为图谱中的目标搜索语句,进而将从目标搜索语句中提取得到的目标词作为搜索数据的词语挖掘结果,由于本实施例能够根据搜索数据中搜索行为之间的关联性来挖掘目标词,因此提升了在挖掘目标词时的准确性与效率。
本实施例执行S101获取的搜索数据为不同输入端进行搜索时产生的行为数据;本实施例可以根据对应不同输入端的日志数据来获取搜索数据。
本实施例执行S101获取的搜索数据中,包含第一标识信息、搜索语句与第二标识信息;其中,第一标识信息为输入端的标识信息,例如输入端ID、输入端UID等;搜索语句为输入端搜索时输入的查询文本(query);第二标识信息为输入端搜索时由服务器端生成的对话(Session)标识信息,例如SessionID,同一个对话标识信息对应输入端在一段时间内进行的全部搜索行为。
本实施例执行S101获取的搜索数据中,还可以包含输入端搜索时的时间信息,例如第二标识信息的搜索时间范围、搜索语句的搜索时间等。
本实施例在执行S101获取搜索数据之后,执行S102根据获取的搜索数据构建行为图谱。
本实施例执行S102构建的行为图谱中,包含多个节点与多个节点之间的边;其中,本实施例将搜索数据中的第一标识信息、搜索语句与第二标识信息作为行为图谱中的节点,将第一标识信息与搜索语句之间的关系、第一标识信息与第二标识信息之间的关系以及第二标识信息与搜索语句之间的关系作为行为图谱中的边。
具体地,本实施例在执行S102构建行为图谱时,第一标识信息与搜索语句之间的关系为搜索行为关系,用于表示不同的搜索语句由哪个输入端输入;第一标识信息与第二标识信息之间的关系为搜索行为关系,用于表示不同的对话由哪个输入端发起;第二标识信息与搜索语句之间的关系为搜索归属关系,用于表示在同一个对话中输入端输入了哪些搜索语句。
举例来说,若本实施例执行S101获取的搜索数据中包含输入端1、搜索语句1、搜索语句2、Session1与Session2,若输入端1在Session1中输入了搜索语句1,在Session2中输入了搜索语句2,则本实施例执行S102构建的行为图谱中,建立输入端1与搜索语句1之间的边、输入端1与搜索语句2之间的边、输入端1与Session1之间的边、输入端1与Session2之间的边、Session1与搜索语句1之间的边以及Session2与搜索语句2之间的边。
另外,本实施例在执行S102将第一标识信息、搜索语句与第二标识信息作为节点,将第一标识信息与搜索语句之间的关系、第一标识信息与第二标识信息之间的关系以及搜索语句与第二标识信息之间的关系作为边,构建行为图谱时,可以采用的可选实现方式为:获取已知目标词;将已知目标词、第一标识信息、搜索语句与第二标识信息作为节点;将第一标识信息与搜索语句之间的关系、第一标识信息与第二标识信息之间的关系、搜索语句与第二标识信息之间的关系以及搜索语句与已知目标词之间的关系作为边,构建行为图谱;本实施例构建的行为图谱中,搜索语句与已知目标词之间的关系为搜索涉敏关系,用于表示输入端输入的搜索语句是否涉及敏感内容。
在本实施例中,已知目标词为已知敏感词。也就是说,本实施例在构建行为图谱时,还会添加已知目标词以及搜索语句与已知目标词之间的关系,从而提升了行为图谱的完整性,进一步提升了在标注行为图谱中搜索语句的预设标签时的准确性。
本实施例在执行S102将搜索语句与已知目标词之间的关系作为边时,可以将搜索语句与已知目标词进行匹配,根据匹配结果确定搜索语句中包含的已知目标词,进而在行为图谱中建立搜索语句与该搜索语句中所包含的已知目标词之间的边。
举例来说,若本实施例执行S102获取的已知目标词为目标词1与目标词2,若搜索语句1中包含目标词2、搜索语句2中包含目标词1,则本实施例执行S102构建的行为图谱中,建立搜索语句1与目标词2之间的边、建立搜索语句2与目标词1之间的边。
本实施例在执行S102构建行为图谱之后,执行S103根据行为图谱中具有预设标签的搜索语句,得到行为图谱中每个搜索语句的标签向量;其中,本实施例中的预设标签为敏感标签,本实施例中的标签向量用于指示搜索语句属于不同的预设标签的概率信息。
本实施例在执行S103时,行为图谱中具有预设标签的搜索语句为第一搜索语句,该第一搜索语句中包含已知目标词,第一搜索语句的预设标签为与所包含的已知目标词对应的标签。
若本实施例在执行S102构建的行为图谱中,包含了已知目标词以及搜索语句与已知目标词之间的关系,则本实施例执行S103时,可以直接将与已知目标词存在连接关系的搜索语句作为第一搜索语句,并根据所连接的已知目标词得到第一搜索语句的预设标签。
若本实施例在执行S102构建的行为图谱中,未包含已知目标词以及搜索语句与已知目标词之间的关系,则本实施例执行S103时,可以将从行为图谱中选取的特定语句作为第一搜索语句,并对第一搜索语句的预设标签进行标注。
具体地,本实施例在执行S103根据行为图谱中具有预设标签的搜索语句,得到行为图谱中每个搜索语句的标签向量时,可以采用的可选实现方式为:根据行为图谱中预设的节点之间的关系,确定每个搜索语句的相邻搜索语句,相邻搜索语句中包含第一搜索语句;根据所确定的相邻搜索语句的预设标签,得到每个搜索语句的标签向量。
也就是说,本实施例执行S103得到行为图谱中每个搜索语句的标签向量,即为根据行为图谱中节点之间的关系,将具有预设标签的搜索语句的预设标签传递给没有预设标签的搜索语句。
本实施例在执行S103根据行为图谱中预设的节点之间的关系,确定每个搜索语句的相邻搜索语句时,可以采用的可选实现方式为:针对行为图谱中的每个搜索语句,将与当前搜索语句具有同一个第一标识信息和/或同一个第二标识信息的搜索语句,作为当前搜索语句的相邻搜索语句。
本实施例执行S103使用的第一标识信息,可以为预设的第一标识信息,例如对应指定输入端的标识信息;本实施例执行S103使用的第二标识信息,可以为预设的第二标识信息,例如包含具有预设标签的搜索语句的对话标识信息。
也就是说,本实施例基于“若用户输入了包含目标词的搜索语句进行搜索之后,该用户输入的其他搜索语句可能会包含目标词”、“若用户在一次对话中输入了包含目标词的搜索语句进行搜索,该用户在本次对话中输入的其他搜索语句可能会包含目标词”的假设,能够准确地确定行为图谱中每个搜索语句的相邻搜索语句,进而提升所得到的概率信息的准确性。
本实施例在执行S103根据所确定的相邻搜索语句的预设标签,得到每个搜索语句的标签向量时,可以采用的可选实现方式为:针对每个搜索语句,根据相邻搜索语句的数量与不同的预设标签的出现次数,得到每个搜索语句属于不同的预设标签的概率信息,作为每个搜索语句的标签向量;根据搜索语句中验证样本的标签向量与标注结果计算损失值,本实施例中的验证样本是预先设置的,例如在行为图谱中选取一定数量的搜索语句作为验证样本并进行标注,本实施例可以计算标签向量与标注结果之间的相似度作为损失值;在确定计算得到的损失值不满足预设条件的情况下,将每个搜索语句的标签向量中最大概率值对应的预设标签作为每个搜索语句的预设标签之后,转至执行根据相邻搜索语句的数量与不同的预设标签的出现次数,得到每个搜索语句属于不同的预设标签的概率信息,作为每个搜索语句的标签向量的步骤,直至计算得到的损失值满足预设条件为止。
也就是说,本实施例结合预设的验证样本,通过不断迭代的方式来得到行为图谱中每个搜索语句的标签向量,能够提升所得到的标签向量的准确性,从而相应地提升所提取的目标词的准确性。
举例来说,若本实施例中的预设标签包含标签1、标签2与标签3,若验证样本为行为图谱中的搜索语句1,若搜索语句1的预设标签为标签2,则搜索语句1的标注结果为(0,1,0),若所得到的搜索语句1的标签向量为(0.1,0.7,0.2),则计算(0,1,0)与(0.1,0.7,0.2)之间的相似度,例如余弦相似度,作为损失值。
本实施例在执行S103确定计算得到的损失值是否满足预设条件时,可以为确定计算得到的损失值是否大于预设损失阈值,也可以为确定计算得到的损失值大于预设损失阈值的次数是否超过预设次数。
本实施例在执行S103得到行为图谱中每个搜索语句的标签向量之后,执行S104根据所得到标签向量确定行为图谱中的目标搜索语句。
本实施例在执行S104根据所得到的标签向量确定行为图谱中的目标搜索语句时,可以采用的可选实现方式为:针对每个搜索语句,将当前搜索语句的标签向量中最大概率值所对应的预设标签,作为当前搜索语句的标注标签;获取标注标签的标签阈值;在确定最大概率值大于所获取的标签阈值的情况下,将当前搜索语句作为目标搜索语句。
也就是说,本实施例通过设置标注标签的标签阈值的方式,能够尽可能的避免将不包含目标词的搜索语句作为目标搜索语句的问题,从而更加准确地确定行为图谱中的目标搜索语句。
本实施例在执行S104根据所得到的标签向量确定行为图谱中的目标搜索语句时,还可以直接将概率值不全为零的标签向量所对应的搜索语句作为目标搜索语句。
另外,本实施例在执行S104确定了行为图谱中的目标搜索语句之后,还可以包含以下内容:筛除所确定的目标搜索语句中的已知搜索语句。
本实施例在执行S104确定目标搜索语句之后,执行S105从所确定的目标搜索语句中提取目标词,将所提取的目标词作为搜索数据的词语挖掘结果,本实施例执行S106从目标搜索语句中提取的目标词为敏感词。
具体地,本实施例在执行S105从所确定的目标搜索语句中提取目标词时,可以采用的可选实现方式为:将目标搜索语句输入预先训练得到的目标词预测模型;根据目标词预测模型的输出结果,提取目标搜索语句中的目标词。
另外,本实施例在执行S105从目标搜索语句中提取目标词时,还可以根据目标搜索语句与目标搜索语句的标注标签来提取目标词,例如将目标搜索语句与目标搜索语句的标注标签一同输入至目标词预测模型,从而提升所提取的目标词的准确性。
本实施例在执行S105从目标搜索语句中提取出目标词之后,即可将所提取的目标词作为搜索数据的词语挖掘结果。
利用本实施例执行S105所得到的词语挖掘结果,可以对文本中是否出现目标词进行准确地判断,或者将词语挖掘结果作为已知目标词来继续提取其他搜索数据中的目标词。
根据本实施例的上述方法,在根据搜索数据中的第一标识信息、搜索语句与第二标识信息构建行为图谱之后,通过行为图谱中具有预设标签的第一搜索语句与行为图谱中各节点之间的关系,确定行为图谱中的目标搜索语句,进而将从目标搜索语句中提取得到的目标词作为搜索数据的词语挖掘结果,由于本实施例能够根据搜索数据中搜索行为之间的关联性来挖掘目标词,因此提升了在挖掘目标词时的准确性与效率。
图2是根据本公开第二实施例的示意图。如图2所示,本实施例采用以下方式预先训练得到目标词预测模型:
S201、获取训练数据,所述训练数据中包含多个训练语句与多个训练语句的目标词标注结果;
S202、构建包含第一网络层、第二网络层与第三网络层的神经网络模型;
S203、使用所述多个训练语句与多个训练语句的目标词标注结果对所述神经网络模型进行训练,得到所述目标词预测模型。
其中,本实施例执行S201获取的训练数据中,训练语句的目标词标注结果通过BIO标注方法得到,目标词标注结果中的标签B表示目标词的开始,标签I表示目标词的内容,标签O表示目标词的外部。
本实施例执行S202构建的神经网络模型中,第一网络层用于输出所输入的语句中各语义单元(例如字或者词)的语义信息,第一网络层可以为预训练模型,例如ERNIE;第二网络层用于根据第一网络层的输出结果,输出所输入的语句中各语义单元的预测标签,第二网络层可以为长短期记忆网络(Long Short-Term Memory,LSTM),例如双向长短期记忆网络;第三网络层用于根据第二网络层的输出结果,输出所输入语句的最优标签序列,第三网络层可以为条件随机场(Conditional Random Field,CRF)模型。
本实施例在执行S203使用多个训练语句与多个训练语句的目标词标注结果对神经网络模型进行训练,得到目标词预测模型时,可以采用的可选实现方式为:将多个训练语句分别输入神经网络模型,得到由神经网络模型针对每个训练语句输出的目标词预测结果;根据训练语句的目标词预测结果与目标词标注结果计算得到的损失函数值,调整神经网络模型的参数,直至神经网络模型收敛,得到目标词预测模型。
利用本实施例训练得到的目标词预测模型,能够更加准确地对目标搜索语句中的目标词进行提取。
图3是根据本公开第三实施例的示意图。如图3所示,本实施例在执行S105“从所述目标搜索语句中提取目标词”之后,还包括如下步骤:
S301、根据所述目标词得到第一样本集与第二样本集;
S302、计算所述第一样本集与第二样本集之间的匹配度;
S303、在确定所述匹配度满足预设条件的情况下,将所述目标词作为所述搜索数据的词语挖掘结果。
也就是说,本实施例根据由目标词所构建的第一样本集与第二样本集之间的匹配度,对从目标搜索语句中提取的目标词进行验证,能够确保所提取的目标词具有较高的质量,进而提升词语挖掘的准确性。
本实施例在执行S301根据目标词得到第一样本集与第二样本集时,可以采用的可选实现方式为:使用所提取的目标词替换已知搜索语句中的目标词,根据替换文本得到第一样本集;使用所提取的目标词进行搜索,根据搜索结果中包含目标词的文本得到第二样本集。
另外,本实施例在执行S301根据目标词得到第一样本集与第二样本集时,可以采用的可选实现方式为:按照预设的时间间隔,使用所提取的目标词进行搜索;在确定搜索结果中包含目标词的文本的数量超过预设召回阈值的情况下,根据目标词得到第一样本集与第二样本集。
本实施例在执行S302计算第一样本集与第二样本集之间的匹配度时,可以将两个样本集中相同或者相似度超过预设相似度阈值的文本的数量,作为第一样本集与第二样本集之间的匹配度;还可以将两个样本集中相同或者相似度超过预设相似度阈值的文本的数量与第二样本集中全部文本的数量之间的相除结果,作为第一样本集与第二样本集之间的匹配度。
图4是根据本公开第四实施例的示意图。图4示出了本实施例使用预先训练得到的目标词预测模型提取目标搜索语句中的目标词的流程图:目标搜索语句由字1、字2、字3、字4、字5与字6构成;将目标搜索语句输入目标词预测模型,经过第一网络层、第二网络层与第三网络层的处理,输出对应的标签序列“BIOOOO”;根据标签序列,将目标搜索语句中对应标签B与标签I的字提取出来作为目标词,即提取字1与字2来得到目标词。
图5是根据本公开第五实施例的示意图。如图5所示,本实施例的词语挖掘装置500,包括:
获取单元501、用于获取搜索数据;
构建单元502、用于将所述搜索数据中的第一标识信息、搜索语句与第二标识信息作为节点,将第一标识信息与搜索语句之间的关系、第一标识信息与第二标识信息之间的关系以及搜索语句与第二标识信息之间的关系作为边,构建行为图谱;
处理单元503、用于根据所述行为图谱中具有预设标签的搜索语句,得到所述行为图谱中每个搜索语句的标签向量;
确定单元504、用于根据所述标签向量,确定所述行为图谱中的目标搜索语句;
挖掘单元505、用于从所述目标搜索语句中提取目标词,将所述目标词作为所述搜索数据的词语挖掘结果。
获取单元501获取的搜索数据为不同输入端进行搜索时产生的行为数据;获取单元501可以根据对应不同输入端的日志数据来获取搜索数据。
获取单元501获取的搜索数据中,包含第一标识信息、搜索语句与第二标识信息;其中,第一标识信息为输入端标识信息;搜索语句为输入端搜索时输入的查询文本(query);第二标识信息为输入端搜索时由服务器端生成的对话(Session)标识信息。
获取单元501获取的搜索数据中,还可以包含输入端搜索时的时间信息,例如第二标识信息的搜索时间范围、搜索语句的搜索时间等。
本实施例在由获取单元501获取搜索数据之后,由构建单元502根据获取的搜索数据构建行为图谱。
构建单元502构建的行为图谱中,包含多个节点与多个节点之间的边;其中,构建单元502将搜索数据中的第一标识信息、搜索语句与第二标识信息作为行为图谱中的节点,将第一标识信息与搜索语句之间的关系、第一标识信息与第二标识信息之间的关系以及第二标识信息与搜索语句之间的关系作为行为图谱中的边。
具体地,构建单元502在构建行为图谱时,第一标识信息与搜索语句之间的关系为搜索行为关系,用于表示不同的搜索语句由哪个输入端输入;第一标识信息与第二标识信息之间的关系为搜索行为关系,用于表示不同的对话由哪个输入端发起;第二标识信息与搜索语句之间的关系为搜索归属关系,用于表示在同一个对话中输入端输入了哪些搜索语句。
另外,构建单元502在将第一标识信息、搜索语句与第二标识信息作为节点,将第一标识信息与搜索语句之间的关系、第一标识信息与第二标识信息之间的关系以及搜索语句与第二标识信息之间的关系作为边,构建行为图谱时,可以采用的可选实现方式为:获取已知目标词;将已知目标词、第一标识信息、搜索语句与第二标识信息作为节点;将第一标识信息与搜索语句之间的关系、第一标识信息与第二标识信息之间的关系、搜索语句与第二标识信息之间的关系以及搜索语句与已知目标词之间的关系作为边,构建行为图谱。
也就是说,构建单元502在构建行为图谱时,还会添加已知目标词以及搜索语句与已知目标词之间的关系,从而提升了行为图谱的完整性,进一步提升了在标注行为图谱中搜索语句的预设标签时的准确性。
构建单元502将搜索语句与已知目标词之间的关系作为边时,可以将搜索语句与已知目标词进行匹配,根据匹配结果确定搜索语句中包含的已知目标词,进而在行为图谱中建立搜索语句与该搜索语句中所包含的已知目标词之间的边。
本实施例在由构建单元502构建行为图谱之后,由处理单元503根据行为图谱中具有预设标签的搜索语句,得到行为图谱中每个搜索语句的标签向量;其中,处理单元503所得到的标签向量用于指示搜索语句属于不同的预设标签的概率信息。
行为图谱中具有预设标签的搜索语句为第一搜索语句;若构建单元502构建的行为图谱中,包含了已知目标词以及搜索语句与已知目标词之间的关系,则处理单元503可以直接将与已知目标词存在连接关系的搜索语句作为第一搜索语句,并根据所连接的已知目标词得到第一搜索语句的预设标签。
若构建单元502构建的行为图谱中,未包含已知目标词以及搜索语句与已知目标词之间的关系,则处理单元503可以将从行为图谱中选取的特定语句作为第一搜索语句,并对第一搜索语句的预设标签进行标注。
处理单元503在根据行为图谱中具有预设标签的搜索语句,得到行为图谱中每个搜索语句的标签向量时,可以采用的可选实现方式为:根据行为图谱中预设的节点之间的关系,确定每个搜索语句的相邻搜索语句;根据所确定的相邻搜索语句的目标标签,得到每个搜索语句的标签向量。
也就是说,处理单元503得到行为图谱中每个搜索语句的标签向量,即为根据行为图谱中节点之间的关系,将具有预设标签的搜索语句的预设标签传递给没有预设标签的搜索语句。
处理单元503在根据行为图谱中预设的节点之间的关系,确定每个搜索语句的相邻搜索语句时,可以采用的可选实现方式为:针对行为图谱中的每个搜索语句,将与当前搜索语句具有同一个第一标识信息和/或同一个第二标识信息的搜索语句,作为当前搜索语句的相邻搜索语句。
处理单元503使用的第一标识信息,可以为预设的第一标识信息,例如对应指定输入端的输入端标识信息;处理单元503使用的第二标识信息,可以为预设的第二标识信息,例如包含具有预设标签的搜索语句的对话标识信息。
处理单元503在根据所确定的相邻搜索语句的预设标签,得到每个搜索语句的标签向量时,可以采用的可选实现方式为:针对每个搜索语句,根据相邻搜索语句的数量与不同的预设标签的出现次数,得到每个搜索语句属于不同的预设标签的概率信息,作为每个搜索语句的标签向量;根据搜索语句中验证样本的标签向量与标注结果计算损失值;在确定计算得到的损失值不满足预设条件的情况下,将每个搜索语句的标签向量中最大概率值对应的预设标签作为每个搜索语句的预设标签之后,转至执行根据相邻搜索语句的数量与不同的预设标签的出现次数,得到每个搜索语句属于不同的预设标签的概率信息,作为每个搜索语句的标签向量的步骤,直至计算得到的损失值满足预设条件为止。
也就是说,处理单元503结合预设的验证样本,通过不断迭代的方式来得到行为图谱中每个搜索语句的标签向量,能够提升所得到的标签向量的准确性,从而相应地提升所提取的目标词的准确性。
处理单元503在确定计算得到的损失值是否满足预设条件时,可以为确定计算得到的损失值是否大于预设损失阈值,也可以为确定计算得到的损失值大于预设损失阈值的次数是否超过预设次数。
本实施例在由处理单元503得到行为图谱中每个搜索语句的标签向量之后,由确定单元504根据所得到标签向量确定行为图谱中的目标搜索语句。
确定单元504在根据所得到的标签向量确定行为图谱中的目标搜索语句时,可以采用的可选实现方式为:针对每个搜索语句,将当前搜索语句的标签向量中最大概率值所对应的预设标签,作为当前搜索语句的标注标签;获取标注标签的标签阈值;在确定最大概率值大于所获取的标签阈值的情况下,将当前搜索语句作为目标搜索语句。
也就是说,确定单元504通过设置标注标签的标签阈值的方式,能够尽可能的避免将不包含目标词的搜索语句作为目标搜索语句的问题,从而更加准确地确定行为图谱中的目标搜索语句。
确定单元504在根据所得到的标签向量确定行为图谱中的目标搜索语句时,还可以直接将概率值不全为零的标签向量所对应的搜索语句作为目标搜索语句。
另外,确定单元504在确定了行为图谱中的目标搜索语句之后,还可以包含以下内容:筛除所确定的目标搜索语句中的已知搜索语句。
本实施例在由确定单元504确定目标搜索语句之后,由挖掘单元505从所确定的目标搜索语句中提取目标词,将所提取的目标词作为搜索数据的词语挖掘结果。
挖掘单元505在从所确定的目标搜索语句中提取目标词时,可以采用的可选实现方式为:将目标搜索语句输入预先训练得到的目标词预测模型;根据目标词预测模型的输出结果,提取目标搜索语句中的目标词。
另外,挖掘单元505在从目标搜索语句中提取目标词时,还可以根据目标搜索语句与目标搜索语句的标注标签来提取目标词,例如将目标搜索语句与目标搜索语句的标注标签一同输入至目标词预测模型,从而提升所提取的目标词的准确性。
本实施例的词语挖掘装置500中还包括训练单元506,用于采用以下方式预先训练得到目标词预测模型:获取训练数据,所获取的训练数据中包含多个训练语句与多个训练语句的目标词标注结果;构建包含第一网络层、第二网络层与第三网络层的神经网络模型;使用多个训练语句与多个训练语句的目标词标注结果对神经网络模型进行训练,得到目标词预测模型。
其中,训练单元506获取的训练数据中,训练语句的目标词标注结果通过BIO标注方法得到,目标词标注结果中的标签B表示目标词的开始,标签I表示目标词的内容,标签O表示目标词的外部。
训练单元506构建的神经网络模型中,第一网络层用于输出所输入的语句中各语义单元(例如字或者词)的语义信息;第二网络层用于根据第一网络层的输出结果,输出所输入的语句中各语义单元的预测标签;第三网络层用于根据第二网络层的输出结果,输出所输入语句的最优标签序列。
训练单元506在使用多个训练语句与多个训练语句的目标词标注结果对神经网络模型进行训练,得到目标词预测模型时,可以采用的可选实现方式为:将多个训练语句分别输入神经网络模型,得到由神经网络模型针对每个训练语句输出的目标词预测结果;根据训练语句的目标词预测结果与目标词标注结果计算得到的损失函数值,调整神经网络模型的参数,直至神经网络模型收敛,得到目标词预测模型。
本实施例的词语挖掘装置500中还包括评估单元507,用于挖掘单元505在从目标搜索语句中提取目标词之后,执行以下内容:根据目标词得到第一样本集与第二样本集;计算第一样本集与第二样本集之间的匹配度;在确定匹配度满足预设条件的情况下,将目标词作为搜索数据的词语挖掘结果。
评估单元507在根据目标词得到第一样本集与第二样本集时,可以采用的可选实现方式为:使用所提取的目标词替换已知搜索语句中的目标词,根据替换文本得到第一样本集;使用所提取的目标词进行搜索,根据搜索结果中包含目标词的文本得到第二样本集。
另外,评估单元507在根据目标词得到第一样本集与第二样本集时,可以采用的可选实现方式为:按照预设的时间间隔,使用所提取的目标词进行搜索;在确定搜索结果中包含目标词的文本的数量超过预设召回阈值的情况下,根据目标词得到第一样本集与第二样本集。
评估单元507在计算第一样本集与第二样本集之间的匹配度时,可以将两个样本集中相同或者相似度超过预设相似度阈值的文本的数量,作为第一样本集与第二样本集之间的匹配度;还可以将两个样本集中相同或者相似度超过预设相似度阈值的文本的数量与第二样本集中全部文本的数量之间的相除结果,作为第一样本集与第二样本集之间的匹配度。
本公开的技术方案中,所涉及的用户个人信息的获取,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。
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。
如图6所示,是根据本公开实施例的词语挖掘方法的电子设备的框图。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,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、ROM602以及RAM603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,例如词语挖掘方法。例如,在一些实施例中,词语挖掘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ROM602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词语挖掘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)而被配置为执行词语挖掘方法。
此处描述的***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的词语挖掘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。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 (16)
1.一种词语挖掘方法,包括:
获取搜索数据;
将所述搜索数据中的第一标识信息、搜索语句与第二标识信息作为节点,将第一标识信息与搜索语句之间的关系、第一标识信息与第二标识信息之间的关系以及搜索语句与第二标识信息之间的关系作为边,构建行为图谱,所述第一标识信息为输入搜索语句的输入端的标识信息,所述第二标识信息为服务器端针对输入端输入的搜索语句所生成的对话标识信息;
根据所述行为图谱中具有预设标签的搜索语句,得到所述行为图谱中每个搜索语句的标签向量;
根据所述标签向量,确定所述行为图谱中的目标搜索语句;
从所述目标搜索语句中提取目标词,将所述目标词作为所述搜索数据的词语挖掘结果。
2.根据权利要求1所述的方法,其中,所述将所述搜索数据中的第一标识信息、搜索语句与第二标识信息作为节点,将第一标识信息与搜索语句之间的关系、第一标识信息与第二标识信息之间的关系以及搜索语句与第二标识信息之间的关系作为边,构建行为图谱包括:
获取已知目标词;
将所述已知目标词、第一标识信息、搜索语句与第二标识信息作为节点;
将第一标识信息与搜索语句之间的关系、第一标识信息与第二标识信息之间的关系、搜索语句与第二标识信息之间的关系以及搜索语句与已知目标词之间的关系作为边,构建行为图谱。
3.根据权利要求1所述的方法,其中,所述根据所述行为图谱中具有预设标签的搜索语句,得到所述行为图谱中每个搜索语句的标签向量包括:
根据所述行为图谱中预设的节点之间的关系,确定每个搜索语句的相邻搜索语句;
根据所述相邻搜索语句的预设标签,得到每个搜索语句的标签向量。
4.根据权利要求3所述的方法,其中,所述根据所述行为图谱中预设的节点之间的关系,确定每个搜索语句的相邻搜索语句包括:
针对每个搜索语句,将与当前搜索语句具有同一个第一标识信息和/或同一个第二标识信息的搜索语句,作为当前搜索语句的相邻搜索语句。
5.根据权利要求3所述的方法,其中,所述根据所述相邻搜索语句的敏感标签,得到每个搜索语句的标签向量包括:
针对每个搜索语句,根据相邻搜索语句的数量与不同的预设标签的出现次数,得到每个搜索语句属于不同的预设标签的概率信息,作为每个搜索语句的标签向量;
根据搜索语句中验证样本的标签向量与标注结果计算损失值;
在确定计算得到的损失值不满足预设条件的情况下,将每个搜索语句的标签向量中最大概率值对应的预设标签作为每个搜索语句的预设标签之后,转至执行根据相邻搜索语句的数量与不同的预设标签的出现次数,得到每个搜索语句属于不同的预设标签的概率信息,作为每个搜索语句的标签向量的步骤,直至计算得到的损失值满足预设条件为止。
6.根据权利要求1所述的方法,其中,所述根据所述标签向量,确定所述行为图谱中的目标搜索语句包括:
针对每个搜索语句,将当前搜索语句的标签向量中最大概率值对应的预设标签,作为当前搜索语句的标注标签;
获取所述标注标签的标签阈值;
在确定最大概率值大于所述标签阈值的情况下,将当前搜索语句作为目标搜索语句。
7.根据权利要求1所述的方法,还包括,
在从所述目标搜索语句中提取目标词之后,根据所述目标词得到第一样本集与第二样本集;
计算所述第一样本集与第二样本集之间的匹配度;
在确定所述匹配度满足预设条件的情况下,将所述目标词作为所述搜索数据的词语挖掘结果。
8.一种词语挖掘装置,包括:
获取单元,用于获取搜索数据;
构建单元,用于将所述搜索数据中的第一标识信息、搜索语句与第二标识信息作为节点,将第一标识信息与搜索语句之间的关系、第一标识信息与第二标识信息之间的关系以及搜索语句与第二标识信息之间的关系作为边,构建行为图谱,所述第一标识信息为输入搜索语句的输入端的标识信息,所述第二标识信息为服务器端针对输入端输入的搜索语句所生成的对话标识信息;
处理单元,用于根据所述行为图谱中具有预设标签的搜索语句,得到所述行为图谱中每个搜索语句的标签向量;
确定单元,用于根据所述标签向量,确定所述行为图谱中的目标搜索语句;
挖掘单元,用于从所述目标搜索语句中提取目标词,将所述目标词作为所述搜索数据的词语挖掘结果。
9.根据权利要求8所述的装置,其中,所述构建单元在将所述搜索数据中的第一标识信息、搜索语句与第二标识信息作为节点,将第一标识信息与搜索语句之间的关系、第一标识信息与第二标识信息之间的关系以及搜索语句与第二标识信息之间的关系作为边,构建行为图谱时,具体执行:
获取已知目标词;
将所述已知目标词、第一标识信息、搜索语句与第二标识信息作为节点;
将第一标识信息与搜索语句之间的关系、第一标识信息与第二标识信息之间的关系、搜索语句与第二标识信息之间的关系以及搜索语句与已知目标词之间的关系作为边,构建行为图谱。
10.根据权利要求8所述的装置,其中,所述处理单元在根据所述行为图谱中具有预设标签的搜索语句,得到所述行为图谱中每个搜索语句的标签向量时,具体执行:
根据所述行为图谱中预设的节点之间的关系,确定每个搜索语句的相邻搜索语句;
根据所述相邻搜索语句的预设标签,得到每个搜索语句的标签向量。
11.根据权利要求10所述的装置,其中,所述处理单元在根据所述行为图谱中预设的节点之间的关系,确定每个搜索语句的相邻搜索语句时,具体执行:
针对每个搜索语句,将与当前搜索语句具有同一个第一标识信息和/或同一个第二标识信息的搜索语句,作为当前搜索语句的相邻搜索语句。
12.根据权利要求10所述的装置,其中,所述处理单元在根据所述相邻搜索语句的预设标签,得到每个搜索语句的标签向量时,具体执行:
针对每个搜索语句,根据相邻搜索语句的数量与不同的预设标签的出现次数,得到每个搜索语句属于不同的预设标签的概率信息,作为每个搜索语句的标签向量;
根据搜索语句中验证样本的标签向量与标注结果计算损失值;
在确定计算得到的损失值不满足预设条件的情况下,将每个搜索语句的标签向量中最大概率值对应的预设标签作为每个搜索语句的预设标签之后,转至执行根据相邻搜索语句的数量与不同的预设标签的出现次数,得到每个搜索语句属于不同的预设标签的概率信息,作为每个搜索语句的标签向量的步骤,直至计算得到的损失值满足预设条件为止。
13.根据权利要求8所述的装置,其中,所述确定单元在根据所述标签向量,确定所述行为图谱中的目标搜索语句时,具体执行:
针对每个搜索语句,将当前搜索语句的标签向量中最大概率值对应的预设标签,作为当前搜索语句的标注标签;
获取所述标注标签的标签阈值;
在确定最大概率值大于所述标签阈值的情况下,将当前搜索语句作为目标搜索语句。
14.根据权利要求8所述的装置,还包括评估单元,用于执行,
在所述挖掘单元从所述目标搜索语句中提取目标词之后,根据所述目标词得到第一样本集与第二样本集;
计算所述第一样本集与第二样本集之间的匹配度;
在确定所述匹配度满足预设条件的情况下,将所述目标词作为所述搜索数据的词语挖掘结果。
15.一种电子设备,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1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110925212.0A CN113807091B (zh) | 2021-08-12 | 2021-08-12 | 词语挖掘方法、装置、电子设备和可读存储介质 |
KR1020220072455A KR20230024832A (ko) | 2021-08-12 | 2022-06-14 | 단어 마이닝 방법, 장치, 전자 기기 및 판독 가능 기록 매체 |
EP22184155.4A EP4134838A1 (en) | 2021-08-12 | 2022-07-11 | Word mining method and apparatus, electronic device and readable storage medium |
US17/812,120 US20230052623A1 (en) | 2021-08-12 | 2022-07-12 | Word mining method and apparatus, electronic device and readable storage medium |
JP2022125610A JP2023026362A (ja) | 2021-08-12 | 2022-08-05 | 単語マイニング方法、装置、電子機器、及び読み取り可能な記憶媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110925212.0A CN113807091B (zh) | 2021-08-12 | 2021-08-12 | 词语挖掘方法、装置、电子设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807091A CN113807091A (zh) | 2021-12-17 |
CN113807091B true CN113807091B (zh) | 2022-07-22 |
Family
ID=78893492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110925212.0A Active CN113807091B (zh) | 2021-08-12 | 2021-08-12 | 词语挖掘方法、装置、电子设备和可读存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230052623A1 (zh) |
EP (1) | EP4134838A1 (zh) |
JP (1) | JP2023026362A (zh) |
KR (1) | KR20230024832A (zh) |
CN (1) | CN113807091B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11880511B1 (en) * | 2023-01-30 | 2024-01-23 | Kiloma Advanced Solutions Ltd | Real-time automatic multilingual input correction |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8160998B2 (en) * | 2004-06-04 | 2012-04-17 | Vitalsource Technologies, Inc. | System, method and computer program product for providing content based upon a representation of the same |
CN101751422A (zh) * | 2008-12-08 | 2010-06-23 | 北京摩软科技有限公司 | 一种移动终端智能搜索的方法、移动终端和服务器 |
US20130024439A1 (en) * | 2011-07-20 | 2013-01-24 | Microsoft Corporation | Modeling search in a social graph |
US8904171B2 (en) * | 2011-12-30 | 2014-12-02 | Ricoh Co., Ltd. | Secure search and retrieval |
US9679078B2 (en) * | 2014-05-21 | 2017-06-13 | Facebook, Inc. | Search client context on online social networks |
CN105262913A (zh) * | 2015-09-08 | 2016-01-20 | 广东亿迅科技有限公司 | 基于数据挖掘的cti***及自动化控制方法 |
CN106445989A (zh) * | 2016-06-03 | 2017-02-22 | 新乡学院 | 基于查询点击图的检索推荐模型优化 |
US10049420B1 (en) * | 2017-07-18 | 2018-08-14 | Motorola Solutions, Inc. | Digital assistant response tailored based on pan devices present |
CN108763556A (zh) * | 2018-06-01 | 2018-11-06 | 北京奇虎科技有限公司 | 基于需求词的用户挖掘方法及装置 |
US20210192134A1 (en) * | 2019-09-04 | 2021-06-24 | Brain Technologies, Inc. | Natural query completion for a real-time morphing interface |
CN111159348B (zh) * | 2019-12-30 | 2023-10-20 | 苏州电力设计研究院有限公司 | 基于实体检索词的用户行为意图挖掘方法 |
CN111259162B (zh) * | 2020-01-08 | 2023-10-03 | 百度在线网络技术(北京)有限公司 | 对话交互方法、装置、设备和存储介质 |
CN111274407B (zh) * | 2020-01-15 | 2023-07-07 | 北京百度网讯科技有限公司 | 知识图谱中三元组置信度计算方法和装置 |
JP7472587B2 (ja) * | 2020-03-26 | 2024-04-23 | 富士通株式会社 | エンコーディングプログラム、情報処理装置およびエンコーディング方法 |
CN111488386B (zh) * | 2020-04-14 | 2023-09-29 | 北京易数科技有限公司 | 数据查询方法和装置 |
CN112148890B (zh) * | 2020-09-23 | 2023-07-25 | 中国科学院自动化研究所 | 基于网络群体智能的教学知识点图谱*** |
US11625434B2 (en) * | 2020-12-04 | 2023-04-11 | Maplebear Inc. | Attribute node widgets in search results from an item graph |
-
2021
- 2021-08-12 CN CN202110925212.0A patent/CN113807091B/zh active Active
-
2022
- 2022-06-14 KR KR1020220072455A patent/KR20230024832A/ko unknown
- 2022-07-11 EP EP22184155.4A patent/EP4134838A1/en not_active Withdrawn
- 2022-07-12 US US17/812,120 patent/US20230052623A1/en active Pending
- 2022-08-05 JP JP2022125610A patent/JP2023026362A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
CN113807091A (zh) | 2021-12-17 |
KR20230024832A (ko) | 2023-02-21 |
EP4134838A1 (en) | 2023-02-15 |
US20230052623A1 (en) | 2023-02-16 |
JP2023026362A (ja) | 2023-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560501B (zh) | 语义特征的生成方法、模型训练方法、装置、设备及介质 | |
CN113836314B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN113407610B (zh) | 信息抽取方法、装置、电子设备和可读存储介质 | |
CN113722493A (zh) | 文本分类的数据处理方法、设备、存储介质及程序产品 | |
CN113553412A (zh) | 问答处理方法、装置、电子设备和存储介质 | |
CN112528641A (zh) | 建立信息抽取模型的方法、装置、电子设备和可读存储介质 | |
CN114548110A (zh) | 语义理解方法、装置、电子设备及存储介质 | |
CN112632987A (zh) | 词槽的识别方法、装置及电子设备 | |
CN113408273B (zh) | 文本实体识别模型的训练与文本实体识别方法、装置 | |
CN113807091B (zh) | 词语挖掘方法、装置、电子设备和可读存储介质 | |
CN114417118A (zh) | 一种异常数据处理方法、装置、设备以及存储介质 | |
CN112560425A (zh) | 模板生成方法、装置、电子设备及存储介质 | |
CN114647727A (zh) | 应用于实体信息识别的模型训练方法、装置和设备 | |
CN114328855A (zh) | 文档查询方法、装置、电子设备和可读存储介质 | |
CN114254650A (zh) | 一种信息处理方法、装置、设备及介质 | |
CN114492370A (zh) | 网页识别方法、装置、电子设备和介质 | |
CN114417862A (zh) | 文本匹配方法、文本匹配模型的训练方法和装置 | |
CN114048315A (zh) | 确定文档标签的方法、装置、电子设备和存储介质 | |
CN113204616A (zh) | 文本抽取模型的训练与文本抽取的方法、装置 | |
CN113204667A (zh) | 音频标注模型的训练与音频标注的方法、装置 | |
CN113051926A (zh) | 文本抽取方法、设备和存储介质 | |
CN112905917A (zh) | 内链生成方法、模型训练方法、相关装置及电子设备 | |
CN114492409B (zh) | 文件内容的评价方法、装置、电子设备及程序产品 | |
CN116069914B (zh) | 训练数据的生成方法、模型训练方法以及装置 | |
CN114896993B (zh) | 翻译模型的生成方法、装置、电子设备及存储介质 |
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 |