主题抽取方法、装置、电子设备以及存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及自然语言处理、计算机视觉、深度学习技术领域，尤其涉及主题抽取方法、装置、电子设备以及存储介质。

背景技术

随着互联网的快速发展，互联网上的信息也呈爆炸式的增长，在互联网上进行文本搜索或者文本推荐时，一般是提供对应的主题中包括搜索词的文本；或者，向用户推荐与已有文本主题相似度较高的文本。因此，如何准确确定文本的主题，已经成为一个重要的研究方向。

发明内容

本公开提供了一种主题抽取方法、装置、电子设备以及存储介质。

根据本公开的一方面，提供了一种主题抽取方法，包括：确定待处理的文本，以及所述文本中的候选主题语句；对所述候选主题语句进行去冗余处理，以获取与所述候选主题语句对应的精简语句；将所述精简语句，确定为所述文本的主题。

根据本公开的另一方面，提供了一种主题精简模型的训练方法，包括：确定训练语料，其中，所述训练语料包括：预设数量的样本长标题以及对应的样本短标题，所述样本长标题所属的文本以及对应的样本短标题所属的文本对应相同事件；以所述样本长标题为输入，以对应的样本短标题为输出，对初始的主题精简模型进行训练，得到预设的主题精简模型，以对待处理的候选主题语句进行去冗余处理，得到精简语句。

根据本公开的另一方面，提供了一种主题抽取装置，包括：第一确定模块，用于确定待处理的文本，以及所述文本中的候选主题语句；处理模块，用于对所述候选主题语句进行去冗余处理，以获取与所述候选主题语句对应的精简语句；第二确定模块，用于将所述精简语句，确定为所述文本的主题。

根据本公开的另一方面，提供了一种主题精简模型的训练装置，包括：确定模块，用于确定训练语料，其中，所述训练语料包括：预设数量的样本长标题以及对应的样本短标题，所述样本长标题所属的文本以及对应的样本短标题所属的文本对应相同事件；训练模块，用于以所述样本长标题为输入，以对应的样本短标题为输出，对初始的主题精简模型进行训练，得到预设的主题精简模型，以对待处理的候选主题语句进行去冗余处理，得到精简语句。

根据本公开的又一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开上述一方面提出的主题抽取方法；或者，另一方面提出的主题精简模型的训练方法。

根据本公开的再一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开上述一方面提出的主题抽取方法；或者，另一方面提出的主题精简模型的训练方法。

根据本公开的再一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开上述一方面提出的主题抽取方法的步骤；或者，另一方面提出的主题精简模型的训练方法的步骤。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3主题抽取的框架示意图；

图4是根据本公开第三实施例的示意图；

图5是根据本公开第四实施例的示意图；

图6是根据本公开第五实施例的示意图；

图7是用来实现本公开实施例的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

相关技术中，主题抽取方案主要为，从文本中抽取语句直接作为文本的主题，该方案抽取到的主题过于冗余，主题抽取效率差，抽取准确度低。

针对上述问题，本公开提出一种主题抽取方法、装置、电子设备以及存储介质。

图1是根据本公开第一实施例的示意图，需要说明的是，本公开实施例的主题抽取方法可应用于主题抽取装置，该装置可被配置于电子设备中，以使该电子设备可以执行主题抽取功能。

其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。

如图1所示，该主题抽取方法可以包括如下步骤：

步骤101，确定待处理的文本，以及文本中的候选主题语句。

在本公开实施例中，待处理的文本，可以为需要进行主题抽取的文本。抽取的主题可以用于相似文本的推荐以及素材的推荐等。例如，针对用户阅读或者选中的文本，确定该文本的主题后，可以向该用户推荐与该文本类似的文本或者类似的素材。

在本公开实施例中，文本例如可以为论文、新闻等，可以根据实际需要进行设定，此处不做具体限定。

在本公开实施例中，文本中可以包括一个或者多个语句。候选主题语句，可以为从文本中的一个或者多个语句中选择出的可以表示文本的主要意思的语句。其中，针对每个文本，候选主题语句的数量可以为一个或者多个，可以根据实际需要设定候选主题语句的数量。

步骤102，对候选主题语句进行去冗余处理，以获取与候选主题语句对应的精简语句。

在本公开实施例中，对候选主题语句进行去冗余处理，指的是去除候选主题语句中冗余的字或者词语，生成字数较少的精简语句。例如，候选主题语句例如可以为“破浪2020|风口浪尖，17家物业公司上市创历史新高”，生成的精简语句可以为“17家物业公司上市创新高”。

在本公开实施例中，为了进一步得到更好的精简语句，提高精简语句生成的准确度，可以结合模型来获取精简语句。对应的，主题抽取装置执行步骤102的过程例如可以为，将候选主题语句输入预设的主题精简模型，以获取与候选主题语句对应的精简语句。其中，主题精简模型可以为语义表示模型。

在本公开实施例中，为了进一步提高精简语句的准确度，确保精简语句和对应的候选主题语句之间内容的一致性，确保精简语句和对应的候选主题语句对应相同事件，主题精简模型的训练过程例如可以为，确定主题精简模型的训练语料，其中，训练语料包括：一定数量的样本长标题以及对应的样本短标题，样本长标题所属的文本以及对应的样本短标题所属的文本对应相同事件；以样本长标题为输入，以对应的样本短标题为输出，对初始的主题精简模型进行训练，得到预设的主题精简模型。其中，为了提高训练得到的主题精简模型的准确度，初始的主题精简模型可以为经过预训练的语义表示模型。

在本公开实施例中，样本长标题，为字数大于或者等于预设数量阈值的标题；样本短标题，为字数小于预设数量阈值的标题。

步骤103，将精简语句，确定为文本的主题。

本公开实施例的主题抽取方法，通过确定待处理的文本，以及文本中的候选主题语句；对候选主题语句进行去冗余处理，以获取与候选主题语句对应的精简语句；将精简语句，确定为文本的主题，从而能够对抽取到的候选主题语句进行去冗余处理，避免抽取到的主题过于冗余，提高抽取到的主题的准确度，提高主题抽取效率。

为了进一步提高主题抽取效率，可以提高候选主题语句的抽取效率，如图2所示，图2是根据本公开第二实施例的示意图，在本公开实施例中，可以结合文本确定文本中的每个语句是否为候选主题语句，提高选出的候选主题语句与文本之间的相关性。图2所示实施例可以包括以下步骤：

步骤201，确定待处理的文本，以及文本中的至少一个语句。

在本公开实施例中，获取待处理的文本之后，可以对文本进行分句处理，获取文本中的至少一个语句。其中，可以根据语句结束符对文本进行划分，得到各个语句。或者，可以将文本输入用于划分语句的模型，得到各个语句。

步骤202，针对至少一个语句中的每个语句，根据语句以及文本，确定语句是否为文本中的候选主题语句。

在本公开实施例中，在一种示例中，为了进一步提高候选主题语句抽取的准确度，可以根据语句以及文本，确定语句与文本之间的相关度；按照相关度对语句中的各个文本进行降序排序，选择排序在前的预设数量个语句，作为候选主题语句；或者，将对应的相关度大于预设相关度阈值的语句，作为候选主题语句。

在另一种示例中，为了进一步提高候选主题语句抽取的准确度，主题抽取装置执行步骤202的过程例如可以为，将语句以及文本的参考内容输入预设的主题抽取模型，以确定语句是否为文本中的候选主题语句；其中，参考内容为文本的所有内容，或者，参考内容为文本的标题以及摘要内容。

其中，文本的摘要内容，可以对文本按照摘要算法进行计算获取；或者，调用其他系统提供的摘要接口，生成文本的摘要内容。

在本公开实施例中，为了进一步提高候选主题语句抽取的准确度，主题抽取模型的训练过程例如可以为，确定主题抽取模型的训练语料，其中，训练语料包括：一定数量的文本的样本参考内容以及对应的样本主题语句；以样本参考内容为输入，以对应的样本主题语句为输出，对初始的主题抽取模型进行训练，得到预设的主题抽取模型。其中，为了提高训练得到的主题抽取模型的准确度，初始的主题抽取模型可以为经过预训练的语义表示模型。

步骤203，对候选主题语句进行去冗余处理，以获取与候选主题语句对应的精简语句。

步骤204，将精简语句，确定为文本的主题。

其中，需要说明的是，步骤203和步骤204可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。

本公开实施例的主题抽取方法，通过确定待处理的文本，以及文本中的至少一个语句；针对至少一个语句中的每个语句，根据语句以及文本，确定语句是否为文本中的候选主题语句；对候选主题语句进行去冗余处理，以获取与候选主题语句对应的精简语句；将精简语句，确定为文本的主题，从而能够对抽取到的候选主题语句进行去冗余处理，避免抽取到的主题过于冗余，提高抽取到的主题的准确度，提高主题抽取效率。

为了更加清楚地说明上述实施例，现举例进行说明。

举例而言，如图3所示，是主题抽取的框架示意图。在图3中，以文本为新闻举例进行说明。需要先获取新闻对应的新闻标题和新闻摘要，将新闻标题和新闻摘要输入主题抽取模型，获取新闻标题和新闻摘要中的候选主题语句(主题句)；然后将候选主题语句输入主题精简模型，获取对应的精简语句(简短的主题句)。其中，主题精简模型可以为基于序列标注的模型，例如语义表示模型。

图4是根据本公开第三实施例的示意图，需要说明的是，本公开实施例的主题精简模型的训练方法可应用于主题精简模型的训练装置，该装置可被配置于电子设备中，以使该电子设备可以执行主题精简模型的训练功能。

如图4所示，该主题精简模型的训练方法可以包括如下步骤：

步骤401，确定训练语料，其中，训练语料包括：预设数量的样本长标题以及对应的样本短标题，样本长标题所属的文本以及对应的样本短标题所属的文本对应相同事件。

在本公开实施例中，主题精简模型的训练装置执行步骤401的过程例如可以为，获取对应相同事件的至少两个文本的标题；将至少两个标题中对应字数大于或者等于预设数量阈值的标题作为样本长标题；将至少两个标题中对应字数小于预设数量阈值的标题作为样本长标题对应的样本短标题。

其中，对应相同事件的至少两个文本的标题内容基本上一致，采用对应相同事件的至少两个文本的标题来确定训练语料，确保精简语句和对应的候选主题语句之间内容的一致性，确保精简语句和对应的候选主题语句对应相同事件，且避免人工手动获取训练语料，降低准备训练语料的人工成本，减少训练语料的准备时间，能够及时对主题精简模型进行训练。

在本公开实施例中，各个文本对应的事件，可以通过事件抽取算法对文本进行事件抽取，或者，通过事件抽取模型对文本进行事件抽取。

步骤402，以样本长标题为输入，以对应的样本短标题为输出，对初始的主题精简模型进行训练，得到预设的主题精简模型，以对待处理的候选主题语句进行去冗余处理，得到精简语句。

在本公开实施例中，对候选主题语句进行去冗余处理，指的是去除候选主题语句中冗余的字或者词语，生成字数较少的精简语句。例如，候选主题语句例如可以为“破浪2020|风口浪尖，17家物业公司上市创历史新高”，生成的精简语句可以为“17家物业公司上市创新高”。

在本公开实施例中，为了提高训练得到的主题精简模型的准确度，初始的主题精简模型可以为经过预训练的语义表示模型。

在本公开实施例中，在主题精简模型的训练过程中，以样本长标题为输入，根据主题精简模型输出的预测短标题以及样本长标题对应的样本短标题，构建损失函数，根据损失函数的值对主题精简模型的系数进行调整，实现对主题精简模型的训练。

本公开实施例的主题精简模型的训练方法，通过确定训练语料，其中，训练语料包括：预设数量的样本长标题以及对应的样本短标题，样本长标题所属的文本以及对应的样本短标题所属的文本对应相同事件；以样本长标题为输入，以对应的样本短标题为输出，对初始的主题精简模型进行训练，得到预设的主题精简模型，以对待处理的候选主题语句进行去冗余处理，得到精简语句，从而能够对抽取到的候选主题语句进行去冗余处理，避免抽取到的主题过于冗余，提高抽取到的主题的准确度，提高主题抽取效率。

为了实现上述实施例，本公开还提出一种主题抽取装置。

如图5所示，图5根据本公开第四实施例的示意图。该主题抽取装置500包括：第一确定模块510、处理模块520和第二确定模块530。

其中，第一确定模块510，用于确定待处理的文本，以及所述文本中的候选主题语句；

处理模块520，用于对所述候选主题语句进行去冗余处理，以获取与所述候选主题语句对应的精简语句；

第二确定模块530，用于将所述精简语句，确定为所述文本的主题。

作为本公开实施例的一种可能实现方式，所述处理模块520具体用于，将所述候选主题语句输入预设的主题精简模型，以获取与所述候选主题语句对应的精简语句。

作为本公开实施例的一种可能实现方式，所述主题精简模型为语义表示模型。

本公开实施例的主题抽取装置，通过确定待处理的文本，以及文本中的候选主题语句；对候选主题语句进行去冗余处理，以获取与候选主题语句对应的精简语句；将精简语句，确定为文本的主题，从而能够对抽取到的候选主题语句进行去冗余处理，避免抽取到的主题过于冗余，提高抽取到的主题的准确度，提高主题抽取效率。

为了实现上述实施例，本公开还提出一种主题精简模型的训练装置。

如图6所示，图6根据本公开第五实施例的示意图。该主题精简模型的训练装置600包括：确定模块610和训练模块620。

其中，确定模块610，用于确定训练语料，其中，所述训练语料包括：预设数量的样本长标题以及对应的样本短标题，所述样本长标题所属的文本以及对应的样本短标题所属的文本对应相同事件；

训练模块620，用于以所述样本长标题为输入，以对应的样本短标题为输出，对初始的主题精简模型进行训练，得到预设的主题精简模型，以对待处理的候选主题语句进行去冗余处理，得到精简语句。

作为本公开实施例的一种可能实现方式，所述确定模块610具体用于，获取对应相同事件的至少两个文本的标题；将至少两个所述标题中对应字数大于或者等于预设数量阈值的标题作为样本长标题；将至少两个所述标题中对应字数小于所述预设数量阈值的标题作为所述样本长标题对应的样本短标题。

作为本公开实施例的一种可能实现方式，所述初始的主题精简模型为经过预训练的语义表示模型。

本公开实施例的主题精简模型的训练装置，通过确定训练语料，其中，训练语料包括：预设数量的样本长标题以及对应的样本短标题，样本长标题所属的文本以及对应的样本短标题所属的文本对应相同事件；以样本长标题为输入，以对应的样本短标题为输出，对初始的主题精简模型进行训练，得到预设的主题精简模型，以对待处理的候选主题语句进行去冗余处理，得到精简语句，从而能够对抽取到的候选主题语句进行去冗余处理，避免抽取到的主题过于冗余，提高抽取到的主题的准确度，提高主题抽取效率。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均在征得用户同意的前提下进行，并且均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703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。

电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如主题抽取方法或者主题精简模型的训练方法。例如，在一些实施例中，主题抽取方法或者主题精简模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的主题抽取方法或者主题精简模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行主题抽取方法或者主题精简模型的训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。