一种文本属性的划分方法、装置、服务器和存储介质与流程

本发明实施例涉及计算机技术领域，尤其涉及一种文本属性的划分方法、装置、服务器和存储介质。

背景技术：

随着深度学习技术的快速发展，深度学习算法已经被广泛应用到文本识别领域。例如从文本集合中自动识别“车牌号”、“身份证号”、“银行卡号”、“电话号码”等特定应用。然而，这些应用基本上都属于封闭式问题，即首先限定一个目标分类的具体范围，在已经知道目标分类都具备什么样的显性特征前提下，通过有监督的训练和预测，判断新的文本数据属于哪一种属性分类。

但是，随着互联网的高速发展，各种新型的文本数据层出不穷。在互联网文本中，可能随时会出现新的属性类型，这些新属性对于用户信息的挖掘应用十分重要，但却无法被封闭式的文本识别方法提取出来，造成信息的流失和浪费。例如，如果一个系统只能够识别“车牌号”和“手机号”两种文本属性，当出现新的文本类型如“手机识别码”时，该系统将被迫将其以较低的置信度划分为“车牌号”或“手机号”，而无法给出额外的新属性划分。

要想解决这一问题，现有技术通常采用人工的方式，即根据人的经验判断，不定期的对文本识别的属性集合进行扩充和变更，并为新属性创建标注数据集。这种方式效率低下，会带来大量的人力浪费。

技术实现要素：

本发明实施例提供一种文本属性的划分方法、装置、服务器和存储介质，可以基于文本数据自身的特征对文本属性进行自动划分，提高了效率。

第一方面，本发明实施例提供了一种文本属性的划分方法，包括：

将文本数据转化为矢量数据；

将所述矢量数据作为预先基于深度神经网络构建的分类模型的输入，并将所述分类模型中特征转化部分的输出作为所述文本数据对应的特征数据，其中所述分类模型还包括特征重构部分，所述特征转化部分用于从矢量数据中抽象得到特征数据，所述特征重构部分用于将特征数据经过重构得到矢量数据；

对所述文本数据对应的特征数据进行聚类，并依据聚类结果对所述文本数据进行属性划分。

第二方面，本发明实施例还提供了一种文本属性的划分装置，该装置包括：

矢量数据模块，用于将文本数据转化为矢量数据；

特征转化模块，用于将所述矢量数据作为预先基于深度神经网络构建的分类模型的输入，并将所述分类模型中特征转化部分的输出作为所述文本数据对应的特征数据，其中所述分类模型还包括特征重构部分，所述特征转化部分用于从矢量数据中抽象得到特征数据，所述特征重构部分用于将特征数据经过重构得到矢量数据；

属性划分模块，用于对所述文本数据对应的特征数据进行聚类，并依据聚类结果对所述文本数据进行属性划分。

第三方面，本发明实施例还提供了一种服务器，所述服务器包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的文本属性的划分方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的文本属性的划分方法。

本发明实施例通过将文本数据转化为矢量数据，将所述矢量数据作为预先基于深度神经网络构建的分类模型的输入，并将所述分类模型中特征转化部分的输出作为所述文本数据对应的特征数据，对所述文本数据对应的特征数据进行聚类，并依据聚类结果对所述文本数据进行属性划分。本发明实施例的技术方案可以基于文本数据自身的特征对文本属性进行自动划分，提高了效率，还通过特征重构部分对分类模型的参数进行训练，减小了属性划分的误差。

附图说明

图1为本发明实施例一中的文本属性的划分方法的流程图；

图2为本发明实施例二中的文本属性的划分方法的流程图；

图3为本发明实施例三中的文本属性的划分装置的结构示意图；

图4为本发明实施例四中的服务器的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一中的文本属性的划分方法的流程图，本实施例可适用于文本划分的情况，该方法可以由文本属性的划分装置来执行，该装置可以采用软件和/或硬件的方式实现，例如，该装置可配置于服务器中。如图1所示，该方法具体可以包括：

步骤110、将文本数据转化为矢量数据。

在本实施例中，所述文本数据可以为从互联网中获取的非结构化短文本数据集合，或者对长文本进行分词后得到的短文本片段集合数据。

具体的，文本数据转化为矢量数据的具体过程可以为：将所有的短文本进行去重后，对每一条短文本中的每个字符之间用空格分开，作为语料库。采用cbow或skip-gram算法进行训练，从而将每一个字符转化为一个k维的矢量(k可根据实际应用情况设定)，并采用归一化函数统一将各个字符在k维空间中的坐标调整到0至1之间。随后，对每一条文本截取前s个字符的k维向量，不足s个字符的用k维的零向量填充。最终，所有的短文本都将被转化为一个s×k的二维矩阵。

步骤120、将所述矢量数据作为预先基于深度神经网络构建的分类模型的输入，并将所述分类模型中特征转化部分的输出作为所述文本数据对应的特征数据，其中所述分类模型还包括特征重构部分，所述特征转化部分用于从矢量数据中抽象得到特征数据，所述特征重构部分用于将特征数据经过重构得到矢量数据。

其中，所述分类模型可以基于深度神经网络构建，所述分类模型可以包括特征转化部分和特征重构部分，可选的，所述特征转化部分依次包括输入层、卷积层、池化层和长短期记忆网络层，所述特征重构部分依次包括重复层、长短期记忆网络层、上采样层和卷积层。其中，所述长短期记忆网络层可以采用其他类型的循环层来替代。

并且，所述特征转化部分用于从矢量数据中抽象得到特征数据，所述特征重构部分用于将特征数据经过重构得到矢量数据。所述特征数据不受既有的文本属性类型的限制。

具体的，可以将步骤110中的矢量数据作为预先构建的分类模型的输入，基于深度神经网络对所述分类模型中的特征转化部分和特征重构部分的参数进行训练，直到所述特征重构部分的输出与输入满足迭代停止条件为止，取特征转化部分的输出作为所述文本数据对应的特征数据。其中，所述迭代停止条件可以为所述特征重构部分的输出和特征转化部分的输入(矢量数据)无限趋于接近。在分类模型训练时，矢量化的文本数据既可以作为输入数据，也可以作为监督标注，因此构成了没有外部标注情况下的自监督学习。

步骤130、对所述文本数据对应的特征数据进行聚类，并依据聚类结果对所述文本数据进行属性划分。

具体的，对于非结构化文本数据对应的特征数据，可以根据所述非结构化文本数据的特征数据在特征空间内的k维均方标准差σ的大小确定聚类的簇个数，簇个数c＝f(σ，p)，f为根据σ计算c的函数，p为调整参数。函数f的形式可以采用线性函数、对数函数和指数函数等多种形式。根据c的大小，利用k-means算法，可以在特征空间内对特征数据进行无监督聚类，将特征数据聚为c个簇。

按照聚类的簇标号，可以对原始的短文本数据进行标注，实现对文本数据的属性划分。结果可以通过表格和/或图进行展现，并可以由人工对各个簇的真实含义以及是否为新发现的属性进行最终确认。

本实施例通过将文本数据转化为矢量数据，将所述矢量数据作为预先基于深度神经网络构建的分类模型的输入，并将所述分类模型中特征转化部分的输出作为所述文本数据对应的特征数据，对所述文本数据对应的特征数据进行聚类，并依据聚类结果对所述文本数据进行属性划分。本实施例的技术方案可以基于文本数据自身的特征对文本属性进行自动划分，提高了效率，还通过特征重构部分对分类模型的参数进行训练，减小了属性划分的误差。

实施例二

图2为本发明实施例二中的文本属性的划分方法的流程图，本实施例在上述实施例的基础上，进一步说明了结构化文本数据属性的划分方法，相应的，本实施例的方法可以包括：

步骤210、将结构化文本数据整理为无字段标签和有字段标签两种格式的数据。

其中，所述无字段标签的数据可以为去掉了字段名称，并将所有字段下的数据组合在一起并去重的数据，所述有字段标签的数据可以为包含原始的字段信息，并将各字段内的文本数据进行去重的数据。

具体的，可以将从互联网中获取的结构化文本数据整理为两种格式的数据，两种格式可以为无字段标签的数据和有字段标签的数据。

步骤220、对无字段标签格式的数据进行字符分离操作，将得到的字符作为语料库。

具体的，可以将无字段标签格式的数据进行字符分离操作，即每一条文本中的每个字符之间用空格分开，得到的字符可以作为语料库。

步骤230、依据所述语料库将有字段标签格式的数据转化为矢量数据。

具体的，可以将步骤220中获取的语料库，采用cbow或skip-gram算法进行训练，从而将每一个字符转化为一个k维的矢量(k可根据实际应用情况设定)，并采用归一化函数统一将各个字符在k维空间中的坐标调整到0至1之间。随后，对每一条文本截取前s个字符的k维向量，不足s个字符的用k维的零向量填充。有字段标签格式的数据都被转化为一个s×k的二维矩阵。

步骤240、将所述矢量数据作为预先基于深度神经网络构建的分类模型的输入，并将所述分类模型中特征转化部分的输出作为所述文本数据对应的特征数据。

其中，所述基于深度神经网络构建的分类模型可以包括特征转化部分和特征重构部分。可选的，分类模型依次包括：

第1层为s×k的输入层，用于将数据传递给神经网络；

第2层为卷积层，可以为一维卷积层，卷积核大小1×3，数据填充方式采用相同数据填充，卷积核数量设为k，该层用于提取文本中的局部特征；

第3层为池化层，可以为一维最大池化层，池化大小1×2，该层用于数据的重采样；

第4层为长短期记忆网络层，神经元数量设为k，用于在k个维度理解文本的上下文含义；

第5层为重复层，将上一层的输出重复s/2遍；

第6层为长短期记忆网络层，神经元数量根据k的大小设定，并将每一步的结果全部输出；

第7层为上采样层，可以为一维上采样层，采样大小1×2；

第8层为卷积层，可以为一维卷积层，卷积核大小1×3，数据填充方式采用相同数据填充，卷积核数量根据k的大小设定。

在上述分类模型的结构中，第1层至第4层为特征转化部分，第5层至第8层为特征重构部分，所述特征转化部分用于从矢量数据中抽象得到特征数据，所述特征重构部分用于将特征数据经过重构得到矢量数据。在分类模型中，可以采用不同的激活函数和损失函数来实现训练。

具体的，可以将步骤230中的矢量数据作为预先构建的分类模型的输入，基于深度神经网络对所述分类模型中的特征转化部分和特征重构部分的参数进行训练，直到所述特征重构部分的输出与输入满足迭代停止条件为止，取第4层的输出作为所述文本数据对应的特征数据。

步骤250、对所述文本数据对应的特征数据进行聚类，并依据聚类结果对所述文本数据进行属性划分。

对于结构化文本数据的特征数据，可以根据特征数据在特征空间内的k维均方标准差的大小是否超过预先设定的阈值分为干净数据和混杂数据，其中所述阈值可以自行设定，可以定义小于该阈值的特征数据为干净数据，反之定义大于该阈值的特征数据为混杂数据；可以将所述干净数据作为一个簇；根据所述混杂数据在特征空间的方差大小确定混杂数据的簇的个数，并根据混杂数据的簇的个数对所述混杂数据进行聚类；根据聚类后的干净数据和混杂数据的簇在特征空间中的相互距离，进行簇合并，获得结构化文本数据的特征数据的聚类结果。

具体的，根据上述聚类结果，可以对原始的结构化文本数据进行标注，实现对结构化文本数据的属性划分。所述结构化文本数据预设格式可以包括key-value格式、mutipart格式、json格式和xml格式中的至少一种。

本实施例通过结构化文本数据整理为无字段标签和有字段标签两种格式的数据，对无字段标签格式的数据进行字符分离操作，将得到的字符作为语料库，并依据所述语料库将有字段标签格式的数据转化为矢量数据，将所述矢量数据作为预先基于深度神经网络构建的分类模型的输入，并将所述分类模型中特征转化部分的输出作为所述文本数据对应的特征数据，对所述文本数据对应的特征数据进行聚类，并依据聚类结果对所述文本数据进行属性划分。本实施例的技术方案可以基于文本数据自身的特征对文本属性进行自动划分，提高了效率，还通过特征重构部分对分类模型的参数进行训练，减小了属性划分的误差，且在保证结构化文本数据的原始信息的基础上实现属性划分。

实施例三

图3为本发明实施例三中的文本属性的划分装置的结构示意图，所述装置可以包括：

矢量数据模块310，用于将文本数据转化为矢量数据；

特征转化模块320，用于将所述矢量数据作为预先基于深度神经网络构建的分类模型的输入，并将所述分类模型中特征转化部分的输出作为所述文本数据对应的特征数据，其中所述分类模型还包括特征重构部分，所述特征转化部分用于从矢量数据中抽象得到特征数据，所述特征重构部分用于将特征数据经过重构得到矢量数据；

属性划分模块330，用于对所述文本数据对应的特征数据进行聚类，并依据聚类结果对所述文本数据进行属性划分。

进一步的，所述矢量数据模块310具体可以用于：

将结构化文本数据整理为无字段标签和有字段标签两种格式的数据；

对无字段标签格式的数据进行字符分离操作，将得到的字符作为语料库；

依据所述语料库将有字段标签格式的数据转化为矢量数据。

进一步的，该装置还可以包括分类模型构建模块，所述分类模型构建模块具体用于：

将文本数据对应的矢量数据作为输入，基于深度神经网络对所述分类模型中的特征转化部分和特征重构部分的参数进行训练，直到所述特征重构部分的输出与输入满足迭代停止条件为止。

示例性的，所述特征转化部分可以依次包括输入层、卷积层、池化层和长短期记忆网络层；所述特征重构部分依次包括重复层、长短期记忆网络层、上采样层和卷积层。

进一步的，所述属性划分模块330具体可以用于：

对于结构化文本数据对应的特征数据，根据所述结构化文本数据对应的特征数据在特征空间的分布特性将所述结构化文本数据对应的特征数据分为干净数据和混杂数据；将所述干净数据作为一个簇；根据所述混杂数据在特征空间的方差大小确定混杂数据的簇的个数，并根据混杂数据的簇的个数对所述混杂数据进行聚类；根据聚类后的干净数据和混杂数据的簇在特征空间中的相互距离，进行簇合并，获得结构化文本数据对应的特征数据的聚类结果。

本发明实施例所提供的文本属性的划分装置可执行本发明任意实施例所提供的文本属性的划分方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4为本发明实施例四中的服务器的结构示意图。图4示出了适于用来实现本发明实施方式的示例性服务器412的框图。图4显示的服务器412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，服务器412以通用计算设备的形式表现。服务器412的组件可以包括但不限于：一个或者多个处理器416，系统存储器428，连接不同系统组件(包括系统存储器428和处理器416)的总线418。

总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器416或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

服务器412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)430和/或高速缓存存储器432。服务器412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom，dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。

服务器412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该服务器412交互的设备通信，和/或与使得该服务器412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口422进行。并且，服务器412还可以通过网络适配器420与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与服务器412的其它模块通信。应当明白，尽管图中未示出，可以结合服务器412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理器416通过运行存储在系统存储器428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的文本属性的划分方法，该方法包括：

将文本数据转化为矢量数据；

将所述矢量数据作为预先基于深度神经网络构建的分类模型的输入，并将所述分类模型中特征转化部分的输出作为所述文本数据对应的特征数据，其中所述分类模型还包括特征重构部分，所述特征转化部分用于从矢量数据中抽象得到特征数据，所述特征重构部分用于将特征数据经过重构得到矢量数据；

对所述文本数据对应的特征数据进行聚类，并依据聚类结果对所述文本数据进行属性划分。

实施例五

本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的文本属性的划分方法，该方法包括：

将文本数据转化为矢量数据；

将所述矢量数据作为预先基于深度神经网络构建的分类模型的输入，并将所述分类模型中特征转化部分的输出作为所述文本数据对应的特征数据，其中所述分类模型还包括特征重构部分，所述特征转化部分用于从矢量数据中抽象得到特征数据，所述特征重构部分用于将特征数据经过重构得到矢量数据；

对所述文本数据对应的特征数据进行聚类，并依据聚类结果对所述文本数据进行属性划分。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。