[發明專利]主題抽取方法、裝置、設備及存儲介質

在審

• 申請號: 202011622906.9
• 申請日: 2020-12-31
• 公開（公告）號: CN114691824A
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 韓旭紅
• 申請（專利權）人: 北京千里日成科技有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/35;G06F40/258;G06F40/30;G06N20/00
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 林哲生

本發明公開了一種主題抽取方法、裝置、設備及存儲介質，該方法包括：將多個文本中包含的關鍵詞聚類到多個候選主題類別；確定每個文本歸屬的候選主題類別；對于每個關鍵詞和候選主題類別，確定關鍵詞相對候選主題類別的重要程度；對于每個文本和候選主題類別，確定文本與候選主題類別的關聯程度；結合關鍵詞相對候選主題類別的重要程度，調整關鍵詞所在的候選主題類別，并結合文本與候選主題類別的關聯程度，調整文本歸屬的候選主題類別；如不滿足設定的主題抽取結束條件，則返回確定關鍵詞相對候選主題類別的重要程度的操作，直至滿足主題抽取結束條件。本申請可以減少主題抽取的復雜度，并能更為準確從文本中抽取主題。

技術領域

本發明涉及自然語言處理技術領域，尤其涉及一種主題抽取方法、裝置、設備及存儲介質。

背景技術

主題抽取是自然語言處理領域一項非常重要的任務。主題抽取是對給定的多個文本分析，確定出多個文本包含的主題分類，并得到每個主題分類下的關鍵詞。

目前，在對文本進行主題抽取時，需要人工設置主題數量，并在主題抽取過程中根據經驗不斷調整主題數量，使得主題抽取的復雜度較高，很容易出現由于主題數量設置偏差而導致無法較好的歸類出主題分類，從而出現由于主題歸類存在偏差，而導致后續的工作受到影響，例如，在進行文本分析前通常會先進行文本的分類，在分類時就涉及到主題抽取和歸類，如果文本的主題抽取和歸類存在錯誤，后續的文本分析工作就會出現偏差。

發明內容

鑒于上述問題，本發明提供一種克服上述問題或者至少部分地解決上述問題的一種主題抽取方法、裝置、設備及存儲介質。

一方面，本申請提供了一種主題抽取方法，包括：

對多個文本中包含的關鍵詞進行聚類，得到聚類出的多個候選主題類別，每個候選主題類別包括至少一個關鍵詞，其中，每個文本包含至少一個關鍵詞；

分別確定每個文本歸屬的候選主題類別；

對于每個關鍵詞，分別確定該關鍵詞相對于每個候選主題類別的重要程度，其中，該重要程度是結合歸屬于該候選主題類別的文本集合中的各文本以及該文本集合中具有該關鍵詞的各文本確定得到的；

對于每個文本，分別確定該文本與每個候選主題類別的關聯程度，其中，所述關聯程度是結合該文本中各關鍵詞相對該候選主題類別的重要程度確定得到的；

結合所述關鍵詞相對所述候選主題類別的重要程度，調整所述關鍵詞所在的候選主題類別，并結合所述文本與所述候選主題類別的關聯程度，調整所述文本歸屬的候選主題類別；

在本次調整所述文本歸屬的候選主題類別后，判斷是否滿足設定的主題抽取結束條件，如滿足，則將當前得到的各候選主題類別確定為抽取出的主題；否則返回對于每個關鍵詞，分別確定該關鍵詞相對于每個候選主題類別的重要程度的操作，直至滿足所述主題抽取結束條件。

在一種可能的實現方式中，所述分別確定每個文本歸屬的候選主題類別，包括：

針對任意一個文本，分別確定各所述候選主題類別中包含的屬于所述文本中的關鍵詞的數量，并將包含所述文本中關鍵詞的數量最多的候選主題類別確定為所述文本歸屬的候選主題類別。

在又一種可能的實現方式中，在對于每個文本，分別確定該文本與每個候選主題類別的關聯程度之前，還包括：

確定所述文本的文本特征向量和所述文本中各關鍵詞的關鍵詞特征向量；

針對所述文本中每個關鍵詞，依據所述文本的文本特征向量和所述關鍵詞的關鍵詞特征向量，確定所述關鍵詞與所述文本的特征相似度；

所述對于每個文本，分別確定該文本與每個候選主題類別的關聯程度，包括：