[發明專利]挖掘文本數據的方法、裝置、計算機設備和存儲介質

有效

• 申請號: 202010124827.9
• 申請日: 2020-02-27
• 公開（公告）號: CN111353020B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 王文超;陽任科;郟昕
• 申請（專利權）人: 北京奇藝世紀科技有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/35
• 代理公司: 北京華夏泰和知識產權代理有限公司 11662
• 代理人: 張麗穎;李雪

本申請涉及一種挖掘文本數據的方法、裝置、計算機設備和存儲介質。所述方法包括：獲取包括候選字符串的文本數據；根據成詞函數計算候選字符串的分值，得到成詞分值；從候選字符串中篩選出成詞分值大于或等于第一預設閾值的字符串作為第一候選字符串；從第一候選字符串中查找與預設詞典中匹配的字符串作為第一目標字符串，未匹配的字符串作為第二字符串；從第二字符串中查找出成詞分值大于第二預設閾值的字符串作為第二目標字符串；將在預設知識庫中查找到的目標字符串對應的類別作為目標字符串的目標類別。自動劃分作品，對劃分得到的字符串的成詞分數確定目標字符串，并進行實時分類，保證字符串的劃分速度，并較好的分類。

技術領域

本申請涉及計算機技術領域，尤其涉及一種挖掘文本數據的方法、裝置、計算機設備和存儲介質。

背景技術

在文學作品、時事報道等等作品對應的文本數據。現有的對作品中存在的道具、人物進行分析，基本都采用基于字典匹配的方法。基于字典匹配的方法時，需要字典中包含全部的字詞等，而常規的道具字典和演員字典不能100％的涵蓋作品對應的道具元素和人物元素，故在對作品進行數據挖掘時，無法準確的識別出作品中的道具元素和人物元素，從而影響數據挖掘結果，而對文本數據進行人為標注，雖然可以準確的識別文本數據中的道具元素和人物元素，但效率低。

發明內容

為了解決上述技術問題，本申請提供了一種挖掘文本數據的方法、裝置、計算機設備和存儲介質。

第一方面，本申請提供了一種挖掘文本數據的方法，包括：

獲取文本數據，文本數據包括多個候選字符串；

根據預設成詞函數計算各個候選字符串的分值，得到各個候選字符串的成詞分值；

從候選字符串中篩選出成詞分值大于或等于第一預設閾值的字符串作為第一候選字符串；

從第一候選字符串中查找與預設詞典中的字符串匹配的字符串作為第一目標字符串，未匹配的字符串作為第二字符串；

從第二字符串中查找出成詞分值大于第二預設閾值的字符串作為第二目標字符串，第一目標字符串和第二目標字符串組成目標字符串；

查找目標字符串是否位于預設知識庫，預設知識庫中包含字符串和對應的類別；

當目標字符串位于預設知識庫中，將目標字符串在預設知識庫中的類別作為目標字符串的目標類別。

第二方面，本申請提供了一種挖掘文本數據的裝置，包括：

數據獲取模塊，用于獲取文本數據，文本數據包括多個候選字符串；

成詞分值計算模塊，用于根據預設成詞函數計算各個候選字符串的分值，得到各個候選字符串的成詞分值；

第一篩選模塊，用于從候選字符串中篩選出成詞分值大于或等于第一預設閾值的字符串作為第一候選字符串；

詞典查詢模塊，用于從第一候選字符串中查找與預設詞典中的字符串匹配的字符串作為第一目標字符串，未匹配的字符串作為第二字符串；

第二篩選模塊，用于從第二字符串中查找出成詞分值大于第二預設閾值的字符串作為第二目標字符串，第一目標字符串和第二目標字符串組成目標字符串；

知識庫查詢模塊，用于查找目標字符串是否位于預設知識庫，預設知識庫中包含字符串和對應的類別；

分類模塊，用于當目標字符串位于預設知識庫中，將目標字符串在預設知識庫中的類別作為目標字符串的目標類別。

一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在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以下步驟：

獲取文本數據，文本數據包括多個候選字符串；