CN116881432A - 文本推送方法、装置、电子设备和存储介质 - Google Patents
文本推送方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116881432A CN116881432A CN202310369222.XA CN202310369222A CN116881432A CN 116881432 A CN116881432 A CN 116881432A CN 202310369222 A CN202310369222 A CN 202310369222A CN 116881432 A CN116881432 A CN 116881432A
- Authority
- CN
- China
- Prior art keywords
- text
- candidate
- determining
- keyword
- target
- 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 53
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000003058 natural language processing Methods 0.000 abstract description 13
- 238000012549 training Methods 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 19
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000013145 classification model Methods 0.000 description 7
- 230000002354 daily effect Effects 0.000 description 6
- 238000002372 labelling Methods 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013507 mapping Methods 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
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种文本推送方法,涉及人工智能技术领域,尤其涉及自然语言处理、深度学习、预训练模型技术,可应用在智慧城市、智慧政务场景下。具体实现方案为:获取与目标类别相关联的目标文本集合,其中,目标类别包括关键词组,目标文本具有与目标类别相关联的置信度;根据置信度从目标文本集合中确定多个候选文本;针对每个候选文本,确定候选文本和关键词组之间的相似度;根据相似度和置信度,从多个候选文本中确定至少一个候选文本作为与目标类别相关联的推荐文本;以及推送推荐文本。本公开还提供了一种文本推送装置、电子设备和存储介质。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自然语言处理、深度学习、预训练模型技术,可应用在智慧城市、智慧政务场景下。更具体地,本公开提供了一种文本推送方法、装置、电子设备和存储介质。
背景技术
互联网上每日产生数以千万级别的新闻、事件报道等数据。对于海量的新闻数据如何进行推送和展示是热点问题。
发明内容
本公开提供了一种文本推荐方法、装置、设备以及存储介质。
根据第一方面,提供了一种文本推荐方法,该方法包括:获取与目标类别相关联的目标文本集合,其中,目标类别包括关键词组,目标文本具有与目标类别相关联的置信度;根据置信度从目标文本集合中确定多个候选文本;针对每个候选文本,确定候选文本和关键词组之间的相似度;根据相似度和置信度,从多个候选文本中确定至少一个候选文本作为与目标类别相关联的推荐文本;以及推送推荐文本。
根据第二方面,提供了一种文本推荐装置,该装置包括:目标文本获取模块,用于获取与目标类别相关联的目标文本集合,其中,目标类别包括关键词组,目标文本具有与目标类别相关联的置信度;候选文本确定模块,用于根据置信度从目标文本集合中确定多个候选文本;相似度确定模块,用于针对每个候选文本,确定候选文本和关键词组之间的相似度;推荐文本确定模块,用于根据相似度和置信度,从多个候选文本中确定至少一个候选文本作为与目标类别相关联的推荐文本;以及推送模块,用于推送推荐文本。
根据第三方面,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,指令被至少一个处理器执行,以使至少一个处理器能够执行根据本公开提供的方法。
根据第四方面,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,该计算机指令用于使计算机执行根据本公开提供的方法。
根据第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序存储于可读存储介质和电子设备其中至少之一上,所述计算机程序在被处理器执行时实现根据本公开提供的方法。
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是根据本公开的一个实施例的可以应用文本推送方法和装置的示例性***架构示意图;
图2是根据本公开的一个实施例的文本推送方法的流程图;
图3是根据本公开的另一个实施例的文本推送方法的流程图;
图4是根据本公开的一个实施例的文本推送方法的***图;
图5是根据本公开的一个实施例的文本推送装置的框图;
图6是根据本公开的一个实施例的文本推送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。
新闻数据可以包括事件报道等文本数据。对新闻数据进行推送,可以先将新闻数据映射到对应的类别(或标签)上,按照类别对新闻数据进行推送和展示。例如,类别可以包括体育、娱乐、政务等,对新闻数据按照类别进行划分,可以得到体育类新闻数据、娱乐类新闻数据、政务类新闻数据等。接下来,可以对每个类别下的新闻数据进行相关性排序,将与类别最相关的数据进行推送展示,可以使用户更加精准快速的了解对应类别下的关键新闻信息。。
目前,将新闻数据映射到对应的类别的方法,一般采用基于预置关键词进行关键词匹配的方式。例如,体育类别体系中,类别为“体育”,该类别下预置的关键词包括[“足球”,“篮球”,“乒乓球”,“球星”、......],现有的映射方法为遍历每条新闻数据,如果这条数据命中“体育”对应的关键词组中的一个或者多个关键词,则将该条新闻数据映射为“体育”类别。关键词组的制定往往需要专业领域人员进行选择,并且后期关键词的维护成本较高,包括关键词的增加、删除、更新等。
这种关键词匹配的方式几乎不会考虑文本本身的语义信息,很容易产生映射错误的情况,因此精确度往往不高。并且新闻数据的变化日新月异,关键词组也需要随之进行更新,这种更新成本相对较高。
此外,目前对类别下的新闻数据进行相关性排序的方法,一般通过一些人工制定的规则、策略来对每条新闻数据进行打分,然后按照分数进行排序。比如按照每条数据命中关键词的数量,每多命中一个关键词,则对应分值增加,然后再结合一些数据的发布时间、数据长度等文本特征来进行综合排序。
但是,采用人工制定的策略进行相关性排序的方法,打分机制很容易受到数据质量的影响,例如文本某部分文段重复描述,导致文本命中的关键词的数量虚假偏高。文本的物理特征(例如长度、发布时间等非语义特征)也很难体现出文本与类别之间的相关度,因此排序正确率低。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
图1是根据本公开一个实施例的可以应用文本推送方法和装置的示例性***架构示意图。需要注意的是,图1所示仅为可以应用本公开实施例的***架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。
如图1所示,根据该实施例的***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,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105进行交互,以接收或发送消息等。终端设备101、102、103可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机等等。
本公开实施例所提供的文本推送方法一般可以由服务器105执行。相应地,本公开实施例所提供的文本推送装置一般可以设置于服务器105中。本公开实施例所提供的文本推送方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的文本推送装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
图2是根据本公开的一个实施例的文本推送方法的流程图。
如图2所示,该文本推送方法200包括操作S210~操作S250。
在操作S210,获取与目标类别相关联的目标文本集合。
例如,每日产生的新闻数据可以包括多个类别,如“体育”、“娱乐”、“政务”等。新闻数据可以包括新闻文本。
每个类别可以预置有关键词组,关键词组包括多个关键词。例如,“体育”的关键词组包括[“足球”,“篮球”,“乒乓球”,“球星”、......]。各类别下的新闻文本可以存储在数据库中,通过使用类别的关键词对数据库进行查询,可以得到与类别关联的文本集合。
例如,目标类别可以是“体育”,使用“足球”,“篮球”,“乒乓球”,“球星”中的一个或多个关键词对数据库进行查询,可以从数据库中召回“体育”类别下的文本集合,作为目标文本集合。
在操作S220,根据置信度从目标文本集合中确定多个候选文本。
例如,数据库中每个新闻文本具有置信度,该置信度表示该新闻文本与所属类别之间的相关度。具体地,新闻文本a的类别为“体育”,新闻文本a的置信度可以表示新闻文本a属于“体育”类别的概率。
新闻文本的类别和置信度均可以是通过基于深度学习的自然语言处理模型得到的。该自然语言处理模型可以是使用历史新闻文本进行训练得到的,该历史新闻文本具有标注好的类别标签。通过训练使模型学习到属于同一类别的新闻文本的语义表征的共性,从而使得模型对于新闻文本具有类别划分的能力。。
例如,对于每日新产生的新闻文本,可以输入训练好的自然语言处理模型进行类别划分,得到新闻文本的类别。并且模型可以输出该新闻文本属于各个类别的概率,与最大概率值对应类别为该新闻文本所属于的类别,该最大概率值可以作为该新闻文本的置信度。
各类别下的新闻文本内容、类别以及置信度可以存储到数据库中。
在使用目标类别的关键词从数据库中召回与目标类别关联的目标文本集合时,还可以基于置信度对目标文本进行粗排序。例如目标文本可以按照置信度从高到低的顺序进行排序。
可以从粗排序结果中选取前N个(N为大于1的整数,例如N=100个)目标文本作为候选文本,该候选文本用于后续进一步的精排序和文本推荐。
在操作S230,针对每个候选文本,确定候选文本和关键词组之间的相似度。
例如,关键词组可以表示为关键词字符串[关键词a-关键词b-关键词c]。对候选文本进行分词处理,可以得到候选文本的多个分词,组成候选文本的分词字符串例如[分词a-分词b-分词c-分词d-......]。
针对关键词字符串[关键词a-关键词b-关键词c]中每个关键词,可以根据该关键词在候选文本中出现的词频,计算该关键词的TF-IDF(Term Frequency Inverse DocumentFrequency,词频-逆文件频率)权重,关键词的TF-IDF权重越高,表示该关键词对候选文本的语义贡献度越大。根据关键词组中多个关键词各自的权重,可以确定关键词组的特征向量。
例如,关键词a的权重为0.75,关键词b的权重为0.1,关键词c的权重为0.65,可以确定关键词组的特征向量为[0.75,0.10,0.65]。
类似地,针对候选文本的分词字符串[分词a-分词b-分词c-分词d-......]中的每个分词,可以根据该分词在候选文本中出现的词频,计算该分词的TF-IDF权重,分词的TF-IDF权重越高,表示该分词对候选文本的语义贡献度越大。根据分词字符串中多个分词各自的权重,可以确定候选文本的特征向量。
例如,分词a的权重为0.70,分词b的权重为0.25,分词c的权重为0.15,分词d的权重为0.50,可以确定候选文本的特征向量为[0.70,0.25,0.15,0.50,......]。
根据关键词组的特征向量和候选文本的特征向量之间的相似度,由于特征向量中的TF-IDF权重越大,表示关键词或分词对于候选文本的语义贡献度越大,因此,关键词组的特征向量和候选文本的特征向量之间的相似度可以作为关键词组和候选文本之间的语义相似度。
在操作S240,根据相似度和置信度,从多个候选文本中确定至少一个候选文本作为与目标类别相关联的推荐文本。
在操作S250,推送推荐文本。
结合相似度和置信度可以共同确定候选文本的综合评估值,基于综合评估值可以对多个候选文本进行精排序。例如候选文本可以按照综合评估值从高到低的顺序进行排序。
可以从精排序结果中选取前M个(M为大于1的整数,例如M=20)候选文本作为推荐文本,该推荐文本可用于推送和展示。
置信度是由基于深度学习的自然语言处理模型得到的,自然语言处理模型是基于属于同一类别的文本的语义共性来对文本进行划分并确定置信度的,因此,置信度也与候选文本的语义相关。
因此,结合相似度和置信度共同确定候选文本的综合评估值,该综合评估值能够从语义层面体现候选文本与类别之间的相关性,相比于基于人工策略的排序方式,本实施例基于语义相关的综合评估值对多个候选文本进行精排序,能够提高排序准确度。
本实施例根据候选文本的置信度以及候选文本与类别关键词组之间的相似度对候选文本进行精排序,排序结果更为精细和可靠,能够提高文本推荐效果。
图3是根据本公开的另一个实施例的文本推送方法的流程图。
如图3所示,该文本推送方法300包括操作S310~操作S330、操作S341~操作S342、操作S351~S353以及操作S360~操作S380。
在操作S310,确定原始文本的类别,并确定原始文本与类别相关联的置信度。
原始文本可以是每日新产生的新闻文本。该原始文本可以包括标题和内容。可以利用训练好的基于深度学习的自然语言处理模型对原始文本进行分类。
例如,可以将原始文本的标题和内容拼接在一起,输入自然语言处理模型,得到原始文本的类别以及原始文本属于各个类别的概率。
例如,自然语言处理模型可以输出原始文本属于体育的概率、属于娱乐的概率以及属于政务的概率。如果属于体育的概率最大,可以确定原始文本的类别为体育,且可以将该原始文本属于体育的概率作为该原始文本的置信度。
在操作S320,将原始文本、原始文本的类别以及置信度添加到数据库中。
对于每日新产生的原始文本,在确定类别之后,可以将原始文本的文本内容、类别和置信度相关联的存储在数据库中。数据库例如为Elastic Search数据库。
如下表1示出了原始文本在数据库中存储的各字段的类型和含义。
表1
字段名 | 类型名 | 含义 |
id | keyword | 原始文本标识 |
text | text | 原始文本内容 |
industry | keyword | 原始文本类别 |
confidence | double | 置信度 |
insert_time | data | 原始文本***时间 |
如表1所示,每一条原始文本具有标识,可以将同一原始文本的标识、文本内容、置信度和***时间关联起来,存储到数据库中。
在操作S330,使用目标类别的关键词,从数据库中获取与目标类别相关联的目标文本集合,并根据置信度从目标文本集合中确定多个候选文本。
操作S330用于对数据库中的存量数据进行召回和粗排序。
召回是指在数据库检索平台,输入目标类别的关键词,数据库检索平台可以根据输入的关键词,对数据库中的全量数据进行过滤,得到属于目标类别的初始文本集合,作为目标文本集合。
例如,目标类别可以是“体育”,目标类别的关键词可以是目标类别的关键词组中的一个或多个关键词,如“足球”、“篮球”、“乒乓球”中的一个或多个,也可以直接使用“体育”作为关键词进行查询,得到体育类别的目标文本集合。
粗排序是指针对召回的目标文本集合,按照目标文本的置信度由高到低进行排序,得到粗排序结果。
召回和粗排序的目的是从数据库中的全量数据中确定待推送数据的候选范围,例如可以从全量的几万条数据中选取粗排序结果中的前N(例如N=100)个目标文本作为候选文本。
上述操作S310~操作S330,使用深度学***没有限制,后期也没有重复维护关键词组的工作。
接下来是精排序步骤,精排序步骤包括操作S341~操作S342确定关键词组的特征向量的步骤、操作S341~操作S342确定候选文本的特征向量的步骤以及操作S360计算关键词组和候选文本之间的相似度的步骤。
在操作S341,针对每个关键词,根据该关键词在候选文本中的词频以及包含该关键词的候选文本的数量,确定该关键词的权重。
关键词组包括多个关键词,例如包括关键词a、关键词b和关键词c。对多个关键词进行拼接,得到关键词字符串,例如[关键词a-关键词b-关键词c]。
针对每个关键词,可以计算该关键词相对于候选文本的TF-IDF权重。TF-IDF包括TF(term frequency,词频)和IDF(inverse document frequency,逆文件频率)。TF-IDF可以用如下公式(1)表示。
TF-IDF=TF*IDF (1)
例如,计算关键词a的TF-IDF权重时,关键词a的TF=当前候选文本中关键词a出现次数/当前候选文本中所有分词数量,其中当前候选文本中所有分词是对当前候选文本进行分词处理得到的。
关键词a的IDF=log(|所有候选文本的数量|/(包含关键词a的候选文本数量+1))。
利用上述公式(1),可以计算关键词a的TF-IDF权重。
类似地,还可以计算关键词组中的关键词b的TF-IDF权重、关键词c的TF-IDF权重等等。
关键词的TF-IDF权重越高,表示该关键词对候选文本的语义贡献度越大。
在操作S342,根据多个关键词各自的权重,确定关键词组的特征。
关键词组中多个关键词各自的TF-IDF权重,可以组成关键词组的特征向量。例如关键词a的权重为0.75,关键词b的权重为0.1,关键词c的权重为0.65,可以确定关键词组的特征向量为[0.75,0.10,0.65]。
在操作S351,将候选文本划分为多个分词。
例如,可以利用NLTK(Natural Language Toolkit,自然语言处理工具包)对召回的候选文本进行分词处理,得到多个分词。候选文本的多个分词进行拼接得到候选文本的分词字符串,例如[分词a-分词b-分词c-分词d-......]。
在操作S352,针对每个分词,根据该分词在候选文本中的词频以及包含该分词的候选文本的数量,确定该分词的权重。
例如,计算分词a的TF-IDF权重时,分词a的TF=当前候选文本中分词a出现次数/当前候选文本中所有分词数量。
分词a的IDF=log(|所有候选文本的数量|/(包含分词a的候选文本数量+1))。
利用上述公式(1),可以计算分词a的TF-IDF权重。
类似地,还可以计算分词b的TF-IDF权重、分词c的TF-IDF权重等等。
分词的TF-IDF权重越高,表示该分词对候选文本的语义贡献度越大。
在操作S353,根据候选文本中的多个分词各自的权重,确定候选文本的特征。
例如,分词a的权重为0.70,分词b的权重为0.25,分词c的权重为0.15,分词d的权重为0.50,可以确定候选文本的特征向量为[0.70,0.25,0.15,0.50,......]。
在操作S360,根据候选文本的特征和关键词组的特征,确定候选文本和关键词组之间的相似度。
针对每个候选文本,可以计算该候选文本的特征向量与关键词组的特征向量之间的余弦相似度。
由于关键词组的特征向量中的TF-IDF权重以及候选文本的特征向量中的TF-IDF权重与候选文本的语义相关,因此,该关键词组和候选文本之间的余弦相似度可以作为语义相似度。
在操作S370,对相似度和置信度进行加权处理,得到综合评估值,根据综合评估值,从多个候选文本中确定至少一个候选文本作为与目标类别相关联的推荐文本。
在操作S380,输出和展示推荐文本。
例如,可以根据以下公式(2)对相似度和置信度进行加权处理,得到综合评估值。
综合评估值=A*(相似度)+B*(置信度) (2)
其中,A和B均为大于0小于1的数,且A+B=1,例如A=0.5,B=0.5。
基于综合评估值可以对多个候选文本进行精排序。例如候选文本可以按照综合评估值从高到低的顺序进行排序。
可以从精排序结果中选取前M个(M为大于1的整数,例如M=20)候选文本作为推荐文本,该推荐文本可用来推送和展示。
本实施例根据候选文本的置信度以及候选文本与类别关键词组之间的相似度对候选文本进行精排序,排序结果更为精细和可靠,能够提高文本推荐效果。
图4是根据本公开的一个实施例的文本推送方法的***图。
如图4所示,本实施例包括三个阶段。
第一阶段是对基于深度学习的自然语言处理模型进行训练,包括数据标注模块和模型训练模块。
数据标注模块主要目的是为模型训练提供可学习的样本,其中数据来源可以为历史新闻数据,在进行待标注数据选取时,应尽量做到各类别历史数据的均匀采样,避免因为数据分布偏差导致的模型构建效果不佳的问题。在选取好待标注样本后,可进行人工标注或使用模型进行标注,将历史新闻数据标注上对应的类别标签,即可得到标注数据。
自然语言处理模型可以采用深度学习中主流的文本分类模型Bert,Bert是一种预训练模型,可适用于文本分类、实体抽取、阅读理解等多种文本领域的下游任务中。本实施例可以将Bert应用于文本分类场景。
在模型训练模块,Bert文本分类模型可接收的输入为新闻文本以及对应的类别标签。首先Bert文本分类模型会将接收的文本进行编码,转化为向量格式,然后通过内部自注意力机制以及全连接层网络的计算,得到最终的类别输出概率,将此输出概率与数据的真实类别标签做损失计算,然后经过反向传播进行梯度更新,如此反复,得到最终训练的文本分类模型。
第二阶段是使用训练好的文本分类模型进行新闻数据的类别划分以及将确定类别后的新闻数据进行存储。第二阶段包括模型预测模块和数据库。
模型预测模块主要基于第一阶段训练得到的文本分类模型,针对每一条待预测的新闻数据进行类别划分。该待预测的新闻数据可以是每日实时产生的,模型预测模块可以对新产生的新闻数据进行实时处理。例如针对一条新闻数据“XX篮球比赛在XX中心成功举办”,文本分类模型预测的类别可以为“体育”,同时预测类别的概率为“0.95”,则标记该条数据的类别为“体育”,置信度为“0.95”。
可以选取ElasticSearch数据库用于存储原始文本,ElasticSearch数据库可以在容量和交互性上达到一个非常不错的平衡,同时ElasticSearch数据库支持全文检索、倒排索引、过滤、匹配、聚合等各种操作。
可以按照上述表1的数据类型和格式将新闻数据的文本内容、类别和置信度存储到ElasticSearch数据库。
第三阶段是目标类别的新闻数据的相关性排序。包括召回模块、粗排序模块、精排序模块以及输出和展示模块。
召回模块根据用户输入的目标类别或目标类别的关键词对数据库中的全量数据进行过滤,得到目标类别的原始文本集合。
粗排序模块根据原始文本的置信度对召回的原始文本进行排序,得到粗排序结果。可以从粗排序模块中选取多个(例如前100个)候选文本用于后续的精排序。
精排序模块用于针对候选文本,计算候选文本与目标类别的关键词组之间的相似度,基于置信度和相似度综合进行排序,得到精排序结果。
可以从精排序结果中选取多个(例如前20个)候选文本作为推荐文本,输出并展示该推荐文本。
图5是根据本公开的一个实施例的文本推送装置的框图。
如图5所示,该文本推送装置500包括目标文本获取模块501、候选文本确定模块502、相似度确定模块503、推荐文本确定模块504和推送模块505。
目标文本获取模块501用于获取与目标类别相关联的目标文本集合,其中,目标类别包括关键词组,目标文本具有与目标类别相关联的置信度。
候选文本确定模块502用于根据置信度从目标文本集合中确定多个候选文本。
相似度确定模块503用于针对每个候选文本,确定候选文本和关键词组之间的相似度。
推荐文本确定模块504用于根据相似度和置信度,从多个候选文本中确定至少一个候选文本作为与目标类别相关联的推荐文本。
推送模块505用于推送推荐文本。
根据本公开的实施例,关键词组包括多个关键词,相似度确定模块503包括第一特征确定单元、第二特征确定单元和相似度确定单元。
第一特征确定单元用于根据多个关键词各自在候选文本中的词频,确定关键词组的特征。
第二特征确定单元用于将候选文本划分为多个分词,根据多个分词各自在候选文本中的词频,确定候选文本的特征。
相似度确定单元用于根据候选文本的特征和关键词组的特征,确定候选文本和关键词组之间的相似度。
第一特征确定单元包括第一权重确定子单元和第一特征确定子单元。
第一权重确定子单元用于针对每个关键词,根据该关键词在候选文本中的词频以及包含该关键词的候选文本的数量,确定该关键词的权重。
第一特征确定子单元用于根据多个关键词各自的权重,确定关键词组的特征。
第二特征确定单元包括第二权重确定子单元和第二特征确定子单元。
第二权重确定子单元用于针对每个分词,根据该分词在候选文本中的词频以及包含该分词的候选文本的数量,确定该分词的权重。
第二特征确定子单元用于根据候选文本中的多个分词各自的权重,确定候选文本的特征。
推荐文本确定模块504包括处理单元和推荐文本确定单元。
处理单元用于对相似度和置信度进行加权处理,得到综合评估值。
推荐文本确定单元用于根据综合评估值,从多个候选文本中确定至少一个候选文本作为与目标类别相关联的推荐文本。
文本推送装置500还包括类别确定模块和添加模块。
类别确定模块用于确定原始文本的类别,并确定原始文本与类别相关联的置信度。
添加模块用于将原始文本、原始文本的类别以及置信度添加到数据库中。
目标文本获取模块501用于使用目标类别的关键词,从数据库中获取与目标类别相关联的目标文本集合。
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,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,例如文本推送方法。例如,在一些实施例中,文本推送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文本推送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)而被配置为执行文本推送方法。
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)、复杂可编程逻辑设备(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 (17)
1.一种文本推送方法,包括:
获取与目标类别相关联的目标文本集合,其中,所述目标类别包括关键词组,所述目标文本具有与所述目标类别相关联的置信度;
根据所述置信度从所述目标文本集合中确定多个候选文本;
针对每个候选文本,确定所述候选文本和所述关键词组之间的相似度;
根据所述相似度和所述置信度,从所述多个候选文本中确定至少一个候选文本作为与所述目标类别相关联的推荐文本;以及
推送所述推荐文本。
2.根据权利要求1所述的方法,其中,所述关键词组包括多个关键词;所述针对每个候选文本,确定所述候选文本和所述关键词组之间的相似度包括:针对每个候选文本,
根据所述多个关键词各自在所述候选文本中的词频,确定所述关键词组的特征;
将所述候选文本划分为多个分词,根据所述多个分词各自在所述候选文本中的词频,确定所述候选文本的特征;以及
根据所述候选文本的特征和所述关键词组的特征,确定所述候选文本和所述关键词组之间的相似度。
3.根据权利要求2所述的方法,其中,所述根据所述多个关键词各自在所述候选文本中的词频,确定所述关键词组的特征包括:
针对每个关键词,根据该关键词在所述候选文本中的词频以及包含该关键词的候选文本的数量,确定该关键词的权重;以及
根据所述多个关键词各自的权重,确定所述关键词组的特征。
4.根据权利要求2所述的方法,其中,所述将所述候选文本划分为多个分词,根据所述多个分词各自在所述候选文本中的词频,确定所述候选文本的特征包括:
针对每个分词,根据该分词在所述候选文本中的词频以及包含该分词的候选文本的数量,确定该分词的权重;以及
根据所述候选文本中的多个分词各自的权重,确定所述候选文本的特征。
5.根据权利要求1至4中任一项所述的方法,其中,所述根据所述相似度和所述置信度,从所述多个候选文本中确定至少一个候选文本作为与所述目标类别相关联的推荐文本包括:
对所述相似度和所述置信度进行加权处理,得到综合评估值;以及
根据所述综合评估值,从所述多个候选文本中确定至少一个候选文本作为与所述目标类别相关联的推荐文本。
6.根据权利要求1至5中任一项所述的方法,还包括:
确定原始文本的类别,并确定所述原始文本与所述类别相关联的置信度;以及
将所述原始文本、原始文本的类别以及所述置信度添加到数据库中。
7.根据权利要求6所述的方法,其中,所述获取与目标类别相关联的目标文本集合包括:
使用所述目标类别的关键词,从所述数据库中获取与所述目标类别相关联的目标文本集合。
8.一种文本推送装置,包括:
目标文本获取模块,用于获取与目标类别相关联的目标文本集合,其中,所述目标类别包括关键词组,所述目标文本具有与所述目标类别相关联的置信度;
候选文本确定模块,用于根据所述置信度从所述目标文本集合中确定多个候选文本;
相似度确定模块,用于针对每个候选文本,确定所述候选文本和所述关键词组之间的相似度;
推荐文本确定模块,用于根据所述相似度和所述置信度,从所述多个候选文本中确定至少一个候选文本作为与所述目标类别相关联的推荐文本;以及
推送模块,用于推送所述推荐文本。
9.根据权利要求8所述的装置,其中,所述关键词组包括多个关键词;所述相似度确定模块包括:
第一特征确定单元,用于根据所述多个关键词各自在所述候选文本中的词频,确定所述关键词组的特征;
第二特征确定单元,用于将所述候选文本划分为多个分词,根据所述多个分词各自在所述候选文本中的词频,确定所述候选文本的特征;以及
相似度确定单元,用于根据所述候选文本的特征和所述关键词组的特征,确定所述候选文本和所述关键词组之间的相似度。
10.根据权利要求9所述的装置,其中,所述第一特征确定单元包括:
第一权重确定子单元,用于针对每个关键词,根据该关键词在所述候选文本中的词频以及包含该关键词的候选文本的数量,确定该关键词的权重;以及
第一特征确定子单元,用于根据所述多个关键词各自的权重,确定所述关键词组的特征。
11.根据权利要求9所述的装置,其中,所述第二特征确定单元包括:
第二权重确定子单元,用于针对每个分词,根据该分词在所述候选文本中的词频以及包含该分词的候选文本的数量,确定该分词的权重;以及
第二特征确定子单元,用于根据所述候选文本中的多个分词各自的权重,确定所述候选文本的特征。
12.根据权利要求8至11中任一项所述的装置,其中,所述推荐文本确定模块包括:
处理单元,用于对所述相似度和所述置信度进行加权处理,得到综合评估值;以及
推荐文本确定单元,用于根据所述综合评估值,从所述多个候选文本中确定至少一个候选文本作为与所述目标类别相关联的推荐文本。
13.根据权利要求8至12中任一项所述的装置,还包括:
类别确定模块,用于确定原始文本的类别,并确定所述原始文本与所述类别相关联的置信度;以及
添加模块,用于将所述原始文本、原始文本的类别以及所述置信度添加到数据库中。
14.根据权利要求13所述的装置,其中,所述目标文本获取模块用于使用所述目标类别的关键词,从所述数据库中获取与所述目标类别相关联的目标文本集合。
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至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根据权利要求1至7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序存储于可读存储介质和电子设备其中至少之一上,所述计算机程序在被处理器执行时实现根据权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310369222.XA CN116881432A (zh) | 2023-04-07 | 2023-04-07 | 文本推送方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310369222.XA CN116881432A (zh) | 2023-04-07 | 2023-04-07 | 文本推送方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116881432A true CN116881432A (zh) | 2023-10-13 |
Family
ID=88262722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310369222.XA Pending CN116881432A (zh) | 2023-04-07 | 2023-04-07 | 文本推送方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881432A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851671A (zh) * | 2024-01-04 | 2024-04-09 | 国家电投集团科学技术研究院有限公司 | 一种科技情报资讯推送方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241667A (zh) * | 2016-12-26 | 2018-07-03 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
CN112380331A (zh) * | 2020-11-16 | 2021-02-19 | 北京京东尚科信息技术有限公司 | 信息推送的方法和装置 |
US20230026656A1 (en) * | 2021-07-21 | 2023-01-26 | The Boeing Company | Machine learning for categorizing text |
-
2023
- 2023-04-07 CN CN202310369222.XA patent/CN116881432A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241667A (zh) * | 2016-12-26 | 2018-07-03 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
CN112380331A (zh) * | 2020-11-16 | 2021-02-19 | 北京京东尚科信息技术有限公司 | 信息推送的方法和装置 |
US20230026656A1 (en) * | 2021-07-21 | 2023-01-26 | The Boeing Company | Machine learning for categorizing text |
Non-Patent Citations (2)
Title |
---|
张振豪 等: "基于关键词相似度的短文本分类方法研究", 计算机应用研究, 31 January 2020 (2020-01-31), pages 26 - 29 * |
杜阳: "结合半监督聚类的中文短文本分类技术研究", 中国优秀硕士学位论文全文数据库 信息科技辑, 15 February 2021 (2021-02-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851671A (zh) * | 2024-01-04 | 2024-04-09 | 国家电投集团科学技术研究院有限公司 | 一种科技情报资讯推送方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112559747B (zh) | 事件分类处理方法、装置、电子设备和存储介质 | |
CN113590796B (zh) | 排序模型的训练方法、装置和电子设备 | |
CN111090771B (zh) | 歌曲搜索方法、装置及计算机存储介质 | |
CN111444304A (zh) | 搜索排序的方法和装置 | |
CN112100396A (zh) | 一种数据处理方法和装置 | |
CN115495555A (zh) | 一种基于深度学习的文献检索方法和*** | |
CN112506864B (zh) | 文件检索的方法、装置、电子设备及可读存储介质 | |
CN111538903B (zh) | 搜索推荐词确定方法、装置、电子设备及计算机可读介质 | |
CN113326420A (zh) | 问题检索方法、装置、电子设备和介质 | |
CN116028618B (zh) | 文本处理、文本检索方法、装置、电子设备及存储介质 | |
CN114116997A (zh) | 知识问答方法、装置、电子设备及存储介质 | |
CN112380847A (zh) | 兴趣点处理方法、装置、电子设备及存储介质 | |
CN112579729A (zh) | 文档质量评价模型的训练方法、装置、电子设备和介质 | |
CN116881432A (zh) | 文本推送方法、装置、电子设备和存储介质 | |
CN110688572A (zh) | 冷启动状态下搜索意图的识别方法 | |
CN113408280A (zh) | 负例构造方法、装置、设备和存储介质 | |
CN115248890A (zh) | 用户兴趣画像的生成方法、装置、电子设备以及存储介质 | |
US20220318253A1 (en) | Search Method, Apparatus, Electronic Device, Storage Medium and Program Product | |
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 | |
CN114201607B (zh) | 一种信息处理的方法和装置 | |
CN114491232B (zh) | 信息查询方法、装置、电子设备和存储介质 | |
CN116383340A (zh) | 信息搜索方法、装置、电子设备和存储介质 | |
CN108733702B (zh) | 用户查询上下位关系提取的方法、装置、电子设备和介质 | |
CN114661890A (zh) | 一种知识推荐方法、装置、***及存储介质 | |
CN114329206A (zh) | 标题生成方法和装置、电子设备、计算机可读介质 |
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 |