一种聊天数据分段方法、装置及存储介质与流程

本发明涉及数据处理领域，具体涉及一种聊天数据分段方法、装置及存储介质。

背景技术：

随着社交网络的飞速发展，存在数据量非常庞大的聊天数据，一份聊天数据由众多消息组成，少则几条，多则几十万条，谈论着各式各样的内容。因此需要对如此多的聊天数据进行分析处理存在很大的难度。例如在直接对整份聊天数据进行分类和话题分析等任务时，由于聊天数据篇幅长短不一，话题丰富，很难得到理想的效果。所以在聊天数据进行分析挖掘时，往往需要对聊天数据进行分段处理，使得各个段落篇幅在一定范围内，并且期望将不同的话题内容切分到不同段落中，将相关的上下文内容切分到同一个段落中。

对于聊天数据的分段方法，目前采用的方案大多是按照一定的时间间隔或者数量进行切分。这些方法可以实现将各个段落的篇幅控制在一定范围内，但是容易将相关的上下文内容切分到不同的段落中，并且容易将不相关的话题切分到同个段落当中。因此，目前的分段方式无法在聊天数据中达到所期望的效果，对聊天数据的分析处理带来很大的困扰。

有鉴于此，研究出一种更加系统更加合理的聊天数据切分方法是亟须解决的问题之一。

技术实现要素：

针对上述提到传统的聊天数据分段方法容易将不相关的话题切分到同个段落当中，且将相关的上下文内容切分到不同的段落中等问题，本申请的实施例的目的在于提出了一种聊天数据分段方法、装置及存储介质，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种聊天数据分段方法，包括以下步骤：

s1：对聊天数据进行切分获得多个预分段段落；

s2：通过话题切换的特征语句库与预分段段落的句子向量相似度判断预分段段落是否是包含不同话题内容的段落，若是，则对预分段段落进行再分段获得再分段段落，并对再分段段落重复步骤s2，若否，则进入下一步；以及

s3：通过计算相邻的再分段段落的段落向量相似度判断再分段段落是否存在内容相关的相邻的段落，若是，则对再分段段落进行合并获得终分段段落，对终分段段落重复步骤s3，若否，则将再分段段落作为终分段段落。

在一些实施例中，步骤s1包括以下步骤：s11：通过聊天数据的消息数量设置切分阈值，根据切分阈值按照时间先后顺序对聊天数据进行切分得到预分段段落；s12：将切分后的剩余消息数量或总消息数量小于或等于切分阈值的聊天数据设置为一个预分段段落。

通过设置切分阈值进行预分段可以得到初步分段的结果，有利于后面的处理。

在一些实施例中，步骤s2包括以下步骤：

s21：计算话题切换的特征语句库中每个特征语句的句子向量和预分段段落中的句子向量；s22：将预分段段落中的句子向量与话题切换的特征语句库中的特征语句的句子向量进行相似度比较，获得句子向量相似度s11,s12…sij，其中，sij为预分段段落中第i个句子与特征语句库中第j个特征语句的相似度；s23：设置在预分段段落中进行再分段的分段阈值，判断句子向量相似度sij是否大于或等于分段阈值，若是，则以预分段段落中的第i个句子作为分割线对预分段段落进行再分段得到再分段段落，并对再分段段落重复步骤s22和s23，若否，则将预分段段落作为再分段段落。

通过设置话题切换的特征语句库将与用于话题切换相似的语句作为切分点进行段落切分，有效将不同话题的内容进行再分段。此为本申请的重要发明点之一。

在一些实施例中，步骤s3包括以下步骤：s31：计算出每个再分段段落的段落向量；s32：计算出相邻的再分段段落的段落向量相似度s1,s2,s3…st，其中，段落总数为t，sm为第m段和第m+1段的相似度计算结果；s33：设置在相邻的再分段段落进行合并的合并阈值，判断段落向量相似度sm是否大于或等于合并阈值，若是，则将相邻的第m段和第m+1段进行合并获得终分段段落，并对终分段段落重复步骤s32和s33，若否，则将再分段段落作为终分段段落。

通过对比相邻段落的段落相似度对含有相关内容的前后段落进行合并，以减少段落分段的误差。此为本申请的重要发明点之一。

在一些实施例中，相似度计算采用包括余弦相似度算法。

第二方面，本申请实施例提供了一种聊天数据分段装置，包括：

预分段模块，被配置为对聊天数据进行切分获得多个预分段段落；

再分段模块，被配置为通过话题切换的特征语句库与预分段段落的句子向量相似度判断预分段段落是否是包含不同话题内容的段落，若是，则对预分段段落进行再分段获得再分段段落，并将再分段段落再输入再分段模块进行再分段，若否，则进入下一步；以及

合并模块，被配置为通过计算相邻的再分段段落的段落向量相似度判断再分段段落是否存在内容相关的相邻的段落，若是，则对再分段段落进行合并获得终分段段落，将终分段段落输入合并模块进行合并，若否，则将再分段段落作为终分段段落。

在一些实施例中，预分段模块包括：

段落切分模块，被配置为通过聊天数据的消息数量设置切分阈值，根据切分阈值按照时间先后顺序对聊天数据进行切分得到预分段段落；

段落归类模块，被配置为将切分后的剩余消息数量或总消息数量小于或等于切分阈值的聊天数据设置为一个预分段段落。

在一些实施例中，再分段模块包括：

句子向量计算模块，被配置为计算话题切换的特征语句库中每个特征语句的句子向量和预分段段落中的句子向量；

第一相似度计算模块，被配置为将预分段段落中的句子向量与话题切换的特征语句库中的特征语句的句子向量进行相似度比较，获得句子向量相似度s11，s12…sij，其中，sij为预分段段落中第i个句子与特征语句库中第j个特征语句的相似度；

再分段计算模块，被配置为设置在预分段段落中进行再分段的分段阈值，判断句子向量相似度sij是否大于或等于分段阈值，若是，则以预分段段落中的第i个句子作为分割线对预分段段落进行再分段得到再分段段落，并将再分段段落输入第一相似度计算模块和合并计算模块进行再分段，若否，则将预分段段落作为再分段段落。

在一些实施例中，合并模块包括：

段落向量计算模块，被配置为计算出每个再分段段落的段落向量；

第一相似度计算模块，被配置为计算出相邻的再分段段落的段落向量相似度s1,s2,s3…st，其中，段落总数为t，sm为第m段和第m+1段的相似度计算结果；

合并计算模块，被配置为设置在相邻的再分段段落进行合并的合并阈值，判断段落向量相似度sm是否大于或等于合并阈值，若是，则将相邻的第m段和第m+1段进行合并获得终分段段落，并对终分段段落重复段落向量计算模块和第一相似度计算模块进行合并，若否，则将再分段段落作为终分段段落。

第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的一种聊天数据分段方法和装置，通过对聊天数据进行切分获得多个预分段段落；通过话题切换的特征语句库与预分段段落的句子向量相似度判断预分段段落是否是包含不同话题内容的段落进行再分段，并通过计算相邻的再分段段落的段落向量相似度判断再分段段落是否存在内容相关的相邻的段落对再分段段落进行合并。从而实现了对聊天数据的分段，不仅可以使得分段后的段落篇幅在一定范围内，并且能将不同的话题内容切分到不同段落中，将相关的上下文内容切分到同一个段落中，解决以往的分段方法在聊天数据分段中存在的不足，能够更加适用于聊天数据的分段。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2为本发明的实施例的聊天数据分段方法的流程示意图；

图3为本发明的实施例的聊天数据分段方法的步骤s1的流程示意图；

图4为本发明的实施例的聊天数据分段方法的步骤s2的流程示意图；

图5为本发明的实施例的聊天数据分段方法的步骤s3的流程示意图；

图6为本发明的实施例的聊天数据分段方装置的示意图；

图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

图1示出了可以应用本申请实施例的聊天数据分段方法或聊天数据分段装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果(例如包含标准标题行和对应的分段包含的数据的标准文件)。

需要说明的是，本申请实施例所提供的聊天数据分段方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，聊天数据分段装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述系统架构可以不包括网络，而只需服务器或终端设备。

继续参考图2，其示出了根据本申请的实施例的一种聊天数据分段方法，该方法包括以下步骤：

s1：对聊天数据进行切分获得多个预分段段落。

在本实施例中，如图3所示，步骤s1包括以下步骤：

s11：通过聊天数据的消息数量设置切分阈值，根据切分阈值按照时间先后顺序对聊天数据进行切分得到预分段段落。

其中，段落预分段的目的是用于初步对聊天数据进行切分，将成千上万的聊天数据切分成消息数量较少的预分段段落。预分段的切分方法有多种，在优选的实施例中，通过设置切分阈值来进行分段，切分阈值可以为此预分段段落中最大段落消息数量，也可以设置为具有一定消息数量规律的段落字数数量。以最大段落消息数量作为切分阈值可以有效准确地将聊天数据初步切分成具有一定消息数量的预分段段落。

s12：将切分后的剩余消息数量或总消息数量小于或等于切分阈值的聊天数据设置为一个预分段段落。

具体地，将根据切分阈值进行切分后剩余消息数量小于或等于切分阈值的聊天数据归为一个预分段段落，或是将总消息数量小于或等于切分阈值的聊天数据归为一个预分段段落。

s2：通过话题切换的特征语句库与预分段段落的句子向量相似度判断预分段段落是否是包含不同话题内容的段落，若是，则对预分段段落进行再分段获得再分段段落，并对再分段段落重复步骤s2，若否，则进入步骤s3。

在本实施例中，如图4所示，步骤s2具体包括以下步骤：

s21：计算话题切换的特征语句库中每个特征语句的句子向量和预分段段落中的句子向量。

其中，话题切换的特征语句库中的特征语句可以依靠人工积累收集出来，也可以通过神经网络筛选得出用于话题切换的语句。在其他优选的实施例中，特征语句也可以采用其他方式获得。

在本实施例中，句子向量包含了句子上下文关系，句子向量可以直接使用doc2vec计算得到，也可以用bow、tfidf或lda等算法计算得到。

s22：将预分段段落中的句子向量与话题切换的特征语句库中的特征语句的句子向量进行相似度比较，获得句子向量相似度s11，s12…sij，其中，sij为预分段段落中第i个句子与特征语句库中第j个特征语句的相似度。

具体地，相似度比较采用相似度算法进行计算，在优选的实施例中，相似度比较采用余弦相似度算法：用向量空间中两个向量夹角的余弦值作为衡量两个个体之间差异的大小，余弦值越接近1，表示两个向量越相似；余弦值越接近0，表示两个向量越不相似。

假设有预分段段落中的句子向量a(a1,a2,a3，…，an)和特征语句库的句子向量b(b1，b2，b3，…，bn)，那么余弦相似度s计算方式如下：

s23：设置在预分段段落中进行再分段的分段阈值，判断句子向量相似度sij是否大于或等于分段阈值，若是，则以预分段段落中的第i个句子作为分割线对预分段段落进行再分段得到再分段段落，并对再分段段落重复步骤s22和s23，若否，则将预分段段落作为再分段段落。

在本实施例中，分段阈值与句子向量相似度sij之间的比较可以准确地将预分段段落中包含多个话题内容的部分再进一步地进行切分。分段阈值根据再分段效果进行调整，以获得更好的分段效果。

s3：通过计算相邻的再分段段落的段落向量相似度判断再分段段落是否存在内容相关的相邻的段落，若是，则对再分段段落进行合并获得终分段段落，对终分段段落重复步骤s3，若否，则将再分段段落作为终分段段落。

在本实施例中，如图5所示，步骤s3包括以下步骤：

s31：计算出每个再分段段落的段落向量。

具体地，段落向量包含了该段落的上下文关系，段落向量可以直接使用doc2vec计算得到，也可以用bow、tfidf或lda等算法计算得到。

s32：计算出相邻的再分段段落的段落向量相似度s1,s2,s3…st，其中，段落总数为t，sm为第m段和第m+1段的相似度计算结果。

具体地，相似度比较采用相似度算法进行计算，在优选的实施例中，相似度比较采用余弦相似度算法：用向量空间中两个向量夹角的余弦值作为衡量两个个体之间差异的大小，余弦值越接近1，表示两个向量越相似；余弦值越接近0，表示两个向量越不相似。

假设有第m段的段落向量a和第m+1段的段落向量b，那么余弦相似度sm计算方式如下：

s33：设置在相邻的再分段段落进行合并的合并阈值，判断段落向量相似度sm是否大于或等于合并阈值，若是，则将相邻的第m段和第m+1段进行合并获得终分段段落，并对终分段段落重复步骤s32和s33，若否，则将再分段段落作为终分段段落。

在本实施例中，合并阈值用于合并相邻且内容相关的再分段段落，使话题相关的上下文内容合并在同一个终分段段落中，提高分段的准确度。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种聊天数据分段装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

该装置包括：

预分段模块1，被配置为对聊天数据进行切分获得多个预分段段落；

再分段模块2，被配置为通过话题切换的特征语句库与预分段段落的句子向量相似度判断预分段段落是否是包含不同话题内容的段落，若是，则对预分段段落进行再分段获得再分段段落，并将再分段段落再输入再分段模块进行再分段，若否，则进入下一步；以及

合并模块3，被配置为通过计算相邻的再分段段落的段落向量相似度判断再分段段落是否存在内容相关的相邻的段落，若是，则对再分段段落进行合并获得终分段段落，将终分段段落输入合并模块进行合并，若否，则将再分段段落作为终分段段落。

在具体的实施例中，预分段模块1包括：

段落切分模块，被配置为通过聊天数据的消息数量设置切分阈值，根据切分阈值按照时间先后顺序对聊天数据进行切分得到预分段段落；

段落归类模块，被配置为将切分后的剩余消息数量或总消息数量小于或等于切分阈值的聊天数据设置为一个预分段段落。

在具体的实施例中，再分段模块2包括：

句子向量计算模块，被配置为计算话题切换的特征语句库中每个特征语句的句子向量和预分段段落中的句子向量；

第一相似度计算模块，被配置为将预分段段落中的句子向量与话题切换的特征语句库中的特征语句的句子向量进行相似度比较，获得句子向量相似度s11，s12…sij，其中，sij为预分段段落中第i个句子与特征语句库中第j个特征语句的相似度；

再分段计算模块，被配置为设置在预分段段落中进行再分段的分段阈值，判断句子向量相似度sij是否大于或等于分段阈值，若是，则以预分段段落中的第i个句子作为分割线对预分段段落进行再分段得到再分段段落，并将再分段段落输入第一相似度计算模块和合并计算模块进行再分段，若否，则将预分段段落作为再分段段落。

在具体的实施例中，合并模块3包括：

段落向量计算模块，被配置为计算出每个再分段段落的段落向量；

第一相似度计算模块，被配置为计算出相邻的再分段段落的段落向量相似度s1,s2,s3…st，其中，段落总数为t，sm为第m段和第m+1段的相似度计算结果；

合并计算模块，被配置为设置在相邻的再分段段落进行合并的合并阈值，判断段落向量相似度sm是否大于或等于合并阈值，若是，则将相邻的第m段和第m+1段进行合并获得终分段段落，并对终分段段落重复段落向量计算模块和第一相似度计算模块进行合并，若否，则将再分段段落作为终分段段落。

本申请实施例提供的一种聊天数据分段方法和装置，通过对聊天数据进行切分获得多个预分段段落；通过话题切换的特征语句库与预分段段落的句子向量相似度判断预分段段落是否是包含不同话题内容的段落进行再分段，并通过计算相邻的再分段段落的段落向量相似度判断再分段段落是否存在内容相关的相邻的段落对再分段段落进行合并。从而实现了对聊天数据的分段，不仅可以使得分段后的段落篇幅在一定范围内，并且能将不同的话题内容切分到不同段落中，将相关的上下文内容切分到同一个段落中，解决以往的分段方法在聊天数据分段中存在的不足，能够更加适用于聊天数据的分段，提高聊天数据分段的准确度。

下面参考图7，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统700操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也可以根据需要连接至i/o接口707。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的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介质或者是上述两者的任意组合。计算机可读介质例如可以是——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。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本申请中，计算机可读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。而在本申请中，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申请的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)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：该装置包括预分段模块、再分段模块和合并模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，预分段模块还可以被描述为“将聊天数据根据时间和消息数量进行分段的模块”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：s1：对聊天数据进行切分获得多个预分段段落；s2：通过话题切换的特征语句库与预分段段落的句子向量相似度判断预分段段落是否是包含不同话题内容的段落，若是，则对预分段段落进行再分段获得再分段段落，并对再分段段落重复步骤s2，若否，则进入下一步；以及s3：通过计算相邻的再分段段落的段落向量相似度判断再分段段落是否存在内容相关的相邻的段落，若是，则对再分段段落进行合并获得终分段段落，对终分段段落重复步骤s3，若否，则将再分段段落作为终分段段落。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。