[發(fā)明專利]一種文檔分類方法、裝置及系統(tǒng)有效
| 申請?zhí)枺?/td> | 201110237502.2 | 申請日： | 2011-08-18 |
| 公開（公告）號： | CN102279887A | 公開（公告）日： | 2011-12-14 |
| 發(fā)明（設(shè)計）人： | 徐興軍 | 申請（專利權(quán)）人： | 北京百度網(wǎng)訊科技有限公司 |
| 主分類號： | G06F17/30 | 分類號： | G06F17/30 |
| 代理公司： | 深圳市威世博知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44280 | 代理人： | 何青瓦;李慶波 |
| 地址： | 100085 北京市*** | 國省代碼： | 北京;11 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 文檔 分類 方法 裝置 系統(tǒng) | ||
1.一種文檔分類方法，其特征在于，包括：
對不同用戶所上傳的文檔內(nèi)容進行判重，將內(nèi)容重復(fù)度超過預(yù)設(shè)閾值的文檔構(gòu)成重復(fù)文檔集；
獲得用戶對上傳文檔所標注的類別信息；
對重復(fù)文檔集中的文檔類別信息進行統(tǒng)計，獲得具有最多標注次數(shù)的類別；
判斷所述最多標注次數(shù)與該重復(fù)文檔集的總標注次數(shù)的比值是否大于預(yù)設(shè)的閾值，如果是，則將所述標注次數(shù)最多的類別確定為該重復(fù)文檔集中文檔的類別。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括：
利用已確定類別的文檔作為語料，訓(xùn)練文檔自動分類模型。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲得用戶對上傳文檔所標注的類別信息，包括：
獲得用戶在上傳文檔時對文檔標注的類別信息；
或
獲得用戶對所上傳文檔最后一次更新標注的類別信息。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對重復(fù)文檔集中的文檔類別信息進行統(tǒng)計，包括：
對標注次數(shù)超過預(yù)設(shè)閾值的重復(fù)文檔集中的文檔類別信息進行統(tǒng)計。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對重復(fù)文檔集中的文檔類別信息進行統(tǒng)計，包括：
對于重復(fù)文檔集中由同一用戶上傳的多篇文檔，判斷該用戶對每篇文檔所標注的類別信息是否相同，如果是，則將所述多篇文檔的類別信息標注次數(shù)記為1次；如果否，則將所述多篇文檔的類別信息標注次數(shù)記為0次。
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，在獲得用戶對上傳文檔所標注的類別信息之前，還包括：
采用預(yù)設(shè)的分類模型，對用戶所上傳的文檔的類別進行預(yù)判斷；
將預(yù)判斷結(jié)果發(fā)送給用戶，供用戶選擇或修改。
7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述對用戶所上傳的文檔的類別進行預(yù)判斷，包括：
計算用戶所上傳文檔屬于每個類別的概率，并按照概率的大小排序生成預(yù)判斷結(jié)果。
8.根據(jù)權(quán)利要求6或7所述的方法，其特征在于，還包括：
利用已確定類別的文檔作為語料，對所述預(yù)設(shè)的分類模型進行修正。
9.一種文檔分類裝置，其特征在于，包括：
判重單元，用于對不同用戶所上傳的文檔內(nèi)容進行判重，將內(nèi)容重復(fù)度超過預(yù)設(shè)閾值的文檔構(gòu)成重復(fù)文檔集；
類別信息獲得單元，用于獲得用戶對上傳文檔所標注的類別信息；
類別信息統(tǒng)計單元，用于對重復(fù)文檔集中的文檔類別信息進行統(tǒng)計，獲得具有最多標注次數(shù)的類別；
文檔分類確定單元，用于判斷所述最多標注次數(shù)與該重復(fù)文檔集的總標注次數(shù)的比值是否大于預(yù)設(shè)的閾值，如果是，則將所述標注次數(shù)最多的類別確定為該重復(fù)文檔集中文檔的類別。
10.根據(jù)權(quán)利要求9所述的裝置，其特征在于，還包括：
分類模型訓(xùn)練單元，用于利用已確定類別的文檔作為語料，訓(xùn)練文檔自動分類模型。
11.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述類別信息獲得單元，具體配置為：
用于獲得用戶在上傳文檔時對文檔標注的類別信息；
或
用于獲得用戶對所上傳文檔最后一次更新標注的類別信息。
12.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述類別信息統(tǒng)計單元，具體配置為：
用于對標注次數(shù)超過預(yù)設(shè)閾值的重復(fù)文檔集中的文檔類別信息進行統(tǒng)計，獲得具有最多標注次數(shù)的類別。
13.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述類別信息統(tǒng)計單元，具體配置為：
用于對重復(fù)文檔集中由同一用戶上傳的多篇文檔，判斷該用戶對每篇文檔所標注的類別信息是否相同，如果是，則將所述多篇文檔的類別信息標注次數(shù)記為1次；如果否，則將所述多篇文檔的類別信息標注次數(shù)記為0次。
14.根據(jù)權(quán)利要求9所述的裝置，其特征在于，還包括：
文檔分類預(yù)判單元，用于在所述類別信息獲得單元獲得用戶對上傳文檔所標注的類別信息之前，采用預(yù)設(shè)的分類模型，對用戶所上傳的文檔的類別進行預(yù)判斷；
預(yù)判結(jié)果發(fā)送單元，用于將于預(yù)判斷結(jié)果發(fā)送給用戶，供用戶選擇或修改。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于北京百度網(wǎng)訊科技有限公司，未經(jīng)北京百度網(wǎng)訊科技有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201110237502.2/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
