[發明專利]提取目標文本片段的方法、裝置、設備及存儲介質

在審

• 申請號: 202110028022.9
• 申請日: 2021-01-08
• 公開（公告）號: CN112765444A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 張超
• 申請（專利權）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G06F16/953
• 分類號: G06F16/953;G06F40/216;G06F40/289
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 張志江

本申請公開了一種提取目標文本片段的方法、裝置、設備及存儲介質，該方法包括：對目標文本進行切分處理，以獲得詞語序列向量；基于所述詞語序列向量和訓練獲得的文本類別向量，獲得詞語權重向量；根據每個詞語在各文本類別上的權重，獲取在各文本類別上權重高于閾值的N個目標詞語；基于N個所述目標詞語，獲得屬于各文本類別的目標文本片段。由此可見，該方法利用模型訓練獲得的文本類別向量以及由目標文本切分獲得詞語序列向量，來獲得每個詞語在各文本類別上的權重，由于權重可表征詞語在各文本類別上的重要性，實現了對目標文本分類別進行目標文本片段的提取，提高了目標文本片段提取的準確率。

技術領域

本申請涉及人工智能技術領域，尤其涉及一種提取目標文本片段的方法、裝置、設備及存儲介質。

背景技術

隨著互聯網技術的發展，網絡輿情(例如，廣告)鋪天蓋地。然而，由于網絡監管的全面覆蓋難度較大，因此，在網絡上存在大量的不符合實際情況的虛假網絡輿情，這些網絡輿情會對大眾造成誤導。由于網絡輿情一般篇幅較長，因此，為了高效的識別，需要將其中的包含重要信息的目標文本片段識別出來。

現有的主要采用TextRank、TF-IDF等無監督的方案，可以挖掘出文本片段，但無法分類別進行提取。

上述內容僅用于輔助理解本申請的技術方案，并不代表承認上述內容是現有技術。

發明內容

本申請的主要目的在于提供一種提取目標文本片段的方法、裝置、設備及存儲介質，旨在解決現有無法分類進行目標文本片段提取的技術問題。

為實現上述目的，本申請提供一種提取目標文本片段的方法，所述方法包括：

對目標文本進行切分處理，以獲得詞語序列向量；其中，所述詞語序列向量中包括由所述目標文本切分獲得的多個詞語；

基于所述詞語序列向量和訓練獲得的文本類別向量，獲得詞語權重向量；其中，所述詞語權重向量中包含每個詞語在各文本類別上的權重，所述文本類別向量中包含多個文本類別；

根據每個詞語在各文本類別上的權重，獲取在各文本類別上權重高于閾值的N個目標詞語，N為正整數；

基于N個所述目標詞語，獲得屬于各文本類別的目標文本片段。

可選地，所述對目標文本進行切分處理，以獲得詞語序列向量的步驟之前，所述方法還包括：

獲取包括多個樣本文本的樣本文本集合以及所述樣本文本的文本類別集合；其中，所述文本類別集合中包含多個所述文本類別；

基于所述樣本文本集合和所述文本類別集合，獲得表征每個樣本文本在每個所述文本類別上的重要性的文本權重向量；

基于所述文本權重向量，獲得每個所述文本類別在所述每個樣本文本上的類別向量；

基于所述文本權重向量和所述類別向量，通過模型訓練獲得所述文本類別向量。

可選地，所述基于所述樣本文本集合和所述文本類別集合，獲得表征每個樣本文本在每個所述文本類別上的重要性的文本權重向量的步驟，具體包括：

基于所述文本類別集合，獲得初始文本類別向量；

對每個所述樣本文本進行切分處理，以獲得每個所述樣本文本的樣本詞語序列向量；

基于所述初始文本類別向量和所述樣本詞語序列向量，獲得每個所述樣本文本的所述文本權重向量。

可選地，所述樣本詞語序列向量中包括由所述目標文本切分獲得的多個樣本詞語；所述基于所述初始文本類別向量和所述樣本詞語序列向量，獲得每個所述樣本文本的所述文本權重向量的步驟，具體包括：

基于所述初始文本類別向量和所述樣本詞語序列向量，獲得每個樣本詞語在各文本類別上的樣本詞語權重向量；