[發明專利]基于標題的文檔聚類方法、裝置、終端設備及介質

有效

• 申請號: 201911047481.0
• 申請日: 2019-10-30
• 公開（公告）號: CN110888981B
• 公開（公告）日: 2022-11-01
• 發明（設計）人: 趙洋;王宇;王亞奇;朱繼剛
• 申請（專利權）人: 深圳價值在線信息科技股份有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35
• 代理公司: 深圳中一聯合知識產權代理有限公司 44414
• 代理人: 李娟

本申請實施例適用于文本處理技術領域，提供了一種基于標題的文檔聚類方法、裝置、終端設備及介質，所述方法包括：采集多個文檔，各個文檔分別具有相應的文檔標題；針對任一文檔，計算所述文檔的文檔標題與其他各個文檔的文檔標題之間的第一相似度；將所述第一相似度大于第一預設閾值的多份文檔聚類為初始文檔簇；針對所述初始文檔簇中的各個目標文檔，分別計算所述目標文檔的文檔標題與多個第二文檔的文檔標題之間的第二相似度；根據所述第二相似度更新所述初始文檔簇，得到目標文檔簇，并設置所述目標文檔簇的簇關鍵詞。本實施例通過對各個文檔的標題進行處理，可以將具有高度關聯性的標題所對應的文檔聚為一類，降低了聚類時的計算復雜度。

技術領域

本申請屬于文本處理技術領域，特別是涉及一種基于標題的文檔聚類方法、裝置、終端設備及介質。

背景技術

文檔標題對于查找文檔內容有著至關重要的作用，通過將檢索關鍵詞與標題中的各個詞語進行匹配，可以查找出包含檢索關鍵詞的多份文檔。

以金融領域中的大量公告文檔為例，對公告文檔的標題的查找通常使用的是結合數據庫存儲的方式來進行檢索。輸入關鍵詞，如“募集”、“資金”、“存放情況”、“專項報告”等，系統會在數據庫中進行全部內容的檢索與關鍵詞匹配，然后輸出標題中包含該關鍵詞的文檔。但是，按照上述檢索方式需要檢索的內容非常多，檢索過程耗時較長。并且，通過對標題進行簡單的關鍵詞匹配，檢索結果的準確率也較低，所獲得的文檔可能并非用戶實際期望檢索的內容。

發明內容

有鑒于此，本申請實施例提供了一種基于標題的文檔聚類方法、裝置、終端設備及介質，以解決現有技術中檢索文檔標題時耗時較長、準確率較低的問題。

本申請實施例的第一方面提供了一種基于標題的文檔聚類方法，包括：

采集多個文檔，各個文檔分別具有相應的文檔標題；

針對任一文檔，計算所述文檔的文檔標題與其他各個文檔的文檔標題之間的第一相似度；

將所述第一相似度大于第一預設閾值的多份文檔聚類為初始文檔簇；

針對所述初始文檔簇中的各個目標文檔，分別計算所述目標文檔的文檔標題與多個第二文檔的文檔標題之間的第二相似度，所述目標文檔為所述初始文檔簇中第一相似度大于所述第一預設閾值且小于第二預設閾值之間的文檔，所述第二文檔為不屬于所述初始文檔簇的文檔；

根據所述第二相似度更新所述初始文檔簇，得到目標文檔簇，并設置所述目標文檔簇的簇關鍵詞。

本申請實施例的第二方面提供了一種基于標題的文檔聚類裝置，包括：

文檔采集模塊，用于采集多個文檔，各個文檔分別具有相應的文檔標題；

第一相似度計算模塊，用于針對任一文檔，計算所述文檔的文檔標題與其他各個文檔的文檔標題之間的第一相似度；

初始文檔簇聚類模塊，用于將所述第一相似度大于第一預設閾值的多份文檔聚類為初始文檔簇；

第二相似度計算模塊，用于針對所述初始文檔簇中的各個目標文檔，分別計算所述目標文檔的文檔標題與多個第二文檔的文檔標題之間的第二相似度，所述目標文檔為所述初始文檔簇中第一相似度大于所述第一預設閾值且小于第二預設閾值之間的文檔，所述第二文檔為不屬于所述初始文檔簇的文檔；

目標文檔簇生成模塊，用于根據所述第二相似度更新所述初始文檔簇，得到目標文檔簇，并設置所述目標文檔簇的簇關鍵詞。

本申請實施例的第三方面提供了一種終端設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現上述第一方面所述基于標題的文檔聚類方法的步驟。