文本主题分类方法、装置、电子设备以及存储介质

技术领域

本发明实施例涉及云计算技术领域，尤其涉及一种文本主题分类方法、装置、电子设备以及存储介质。

背景技术

资讯主题分类是资讯管理的核心模块，例如将创作或者外部接入的资讯信息按股票、资讯、财经等主题进行分类以便于进一步提供查询、全文检索等功能。

资讯主题分类同文本分类相似，通常做法均是首先对大量文本进行预处理形成分类器训练语料，通过训练语料训练神经网络分类器，最后对待分类的文本通过分类器进行标签提取，但此类处理方法在实施过程缺乏一定的兼容性和灵活性。

发明内容

本发明提供一种文本主题分类方法、装置、电子设备以及存储介质，以实现提高文本分类的准确性，同时增加文本分类的灵活性和实用性。

第一方面，本发明实施例提供了一种文本主题分类方法，该方法包括：

获取待分类文本，基于训练好的主题关联词识别模型确定所述待分类文本的主题关联词列表；

基于预设级别的主题库确定所述主题关联词列表中各主题关联词的预设级别的主题以及所述预设级别的主题在所述待分类文本中的频次；

基于所述预设级别的主题在所述待分类文本中的频次以及所述预设级别的主题的预设权重确定所述主题的主题概率值，并基于预设主题概率阈值确定所述待分类文本的目标主题。

可选的，所述主题关联词识别模型的训练方法包括：

获取用于模型训练的历史分类文本，并确定各历史分类文本的主题关联词标签，其中，所述主题关联词标签至少包括：标签起始标识以及标签结束标识；

基于各所述历史分类文本对待训练的主题关联词识别模型进行迭代训练，直到迭代训练的主题关联词识别模型满足预设条件，得到训练完成的主题关联词识别模型。

可选的，在所述获取待分类文本，基于训练好的主题关联词识别模型确定所述待分类文本的主题关联词列表之前，还包括：

建立初始主题库；其中，所述初始主题词库包括主题词库、主题语料库以及主题关联词库；

获取所述初始主题词库中的各主题，并基于所述主题语料库确定所述各主题分别对应的语料文本；

基于所述主题关联词库确定所述语料文本对应的主题关联词；

将所述各主题、所述主题对应的语料文本以及所述语料文本对应的主题关联词对应存储，以形成主题库。

可选的，所述主题库中包括至少一个预设级别的主题子库，所述预设级别对应的各主题、所述主题对应的语料文本以及所述语料文本对应的主题关联词分别存储。

可选的，在所述主题库中，上一级别的主题关联词库中包括当前级别的主题关联词库中的各主题关联词；上一级别的主题语料库中包括当前级别的主题语料库中的各主题语料。

可选的，所述获取待分类文本之后，还包括：

对所述待分类文本进行格式预处理，其中，所述格式预处理包括去除文本中的不可读字符与空格；

将格式预处理后的待分类文本进行分词预处理，得到分词预处理后的待分类文本。

可选的，所述获取待分类文本，基于训练好的主题关联词识别模型确定所述待分类文本的主题关联词列表，包括：

将所述待分类文本输入至训练好的主题关联词识别模型，得到所述主题关联词识别模型的输出结果；其中，所述输出结果为将识别出的主题关联词进行特殊标记的待分类文本；

提取所述识别出的各主题关联词，并对所述各主题关联词进行去重处理得到所述待分类文本的主题关联词列表。

可选的，所述主题关联词列表包括：各主题关联词以及所述各主题关联词分别对应的词频；其中，所述词频基于所述各主题关联词在所述待分类文本中出现的频次确定。

可选的，所述基于预设级别的主题库确定所述主题关联词列表中各主题关联词的预设级别的主题以及所述预设级别的主题的频次，包括：

基于所述预设级别的主题库确定所述主题关联词列表中各主题关联词对应的预设级别的主题；

根据所述各主题关联词的词频确定所述各主题关联词对应的预设级别的主题的频次。

可选的，所述待分类文本包括标题文本和内容文本，所述主题关联词列表包括所述标题文本对应的第一主题关联词子列表和所述内容文本对应的第二主题关联词子列表，所述主题包括第一主题关联词子列表对应的第一主题以及第二主题关联词子列表对应的第二主题；

相应的，所述基于所述预设级别的主题的频次以及所述预设级别的主题的预设权重确定所述待分类文本的预设级别的主题概率值，包括：

分别确定所述预设级别的第一主题对应的第一预设权重，以及所述预设级别的第二主题对应的第二预设权重；

将所述预设级别的第一主题的频次、所述第一预设权重、所述预设级别的第二主题的频次以及所述第二预设权重进行加权求和，确定所述待分类文本的预设级别的主题概率值。

可选的，所述基于预设主题概率阈值确定所述待分类文本的目标主题，包括：

根据各所述预设级别的遍历顺序，若确定当前级别的主题概率值大于等于预设主题概率阈值，则将所述当前级别的主题作为所述待分类文本的目标主题。

可选的，所述基于预设主题概率阈值确定所述待分类文本的目标主题，还包括：

若所述当前级别的主题概率值小于预设主题概率阈值，则基于所述主题库确定所述当前级别的主题对应的上一级别的主题；

基于所述上一级别的主题的频次、所述上一级别的主题的预设权重以及所述预设主题概率阈值确定所述待分类文本的目标主题。

第二方面，本发明实施例还提供了一种文本主题分类装置，该装置包括：

主题关联词列表确定模块，用于获取待分类文本，基于训练好的主题关联词识别模型确定所述待分类文本的主题关联词列表；其中，所述待分类文本包括标题文本和内容文本，所述主题关联词列表包括所述标题文本对应的第一主题关联词子列表和所述内容文本对应的第二主题关联词子列表；

主题频次确定模块，用于基于预设级别的主题库确定所述主题关联词列表中各主题关联词的预设级别的主题以及所述预设级别的主题在所述待分类文本中的频次；

目标主题确定模块，用于基于所述预设级别的主题在所述待分类文本中的频次以及所述预设级别的主题的预设权重确定所述主题的主题概率值，并基于预设主题概率阈值确定所述待分类文本的目标主题。

第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：

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本发明任意实施例提供的文本主题分类方法。

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本发明任意实施例提供的文本主题分类方法。

本发明实施例的技术方案具体包括：获取待分类文本，基于训练好的主题关联词识别模型确定该待分类的主题关联词列表；进一步的，基于预设级别的主题库确定该主题关联词列表中的各主题关联词的预设级别的主题以及该预设级别的主题在所述待分类文本中的频次，该操作避免了单一层级的文本分类的局限性，提高了文本主题分类的灵活性和实用性；再一步的，基于该预设级别的主题在该待分类文本中的频次以及该预设级别的主题的预设权重确定该主题的主题概率值，并基于预设主题概率阈值确定该待分类文本的目标主题，该操作逻辑清楚，并且基于预设权重各预设主题概率阈值确定目标主题进一步的提高了文本主题分类的灵活性和准确性。本实施例的技术方案通过预先设定至少一个级别的主题库，并基于该主题库与预先确定的待分类的各主题关联词确定待分类文本对应该预设级别的主题，并根据计算出的该主题的主题概率值与预设主题概率阈值确定该主题是否为待分类文本的目标主题，本实施例的技术方案整体逻辑清楚，处理灵活，准确性高，实现了提高文本分类的准确性，同时增加文本分类的灵活性和实用性。

附图说明

为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。

图1是本发明实施例一提供的文本主题分类方法的流程示意图；

图2是本发明实施例二提供的文本主题分类方法的流程示意图；

图3是本发明实施例三提供的文本主题分类方法的流程示意图；

图4是本发明实施例四提供的文本主题分类方法的流程示意图；

图5是本发明实施例五提供的文本主题分类装置的结构示意图；

图6为本发明实施例六提供的电子设备的结构示意图。

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为本发明实施例一提供的一种文本主题分类方法的流程图，本实施例可适用于在对文本进行主题分类的情况，具体的，更适用于基于预设级别的主题库对文本进行分类的情况。该方法可以由文本主题分类装置来执行，该装置可以由软件和/或硬件的方式来实现。

在对本实施例的技术方案进行介绍之前，先对本实施例的应用场景进行实例性的介绍：随着大数据时代的发展，各资讯信息的主题分类作为资讯信息管理的核心模块，其分类结果的准确性与灵活性越来越重要。资讯信息主题分类例如创作或者外部接入的资讯信息按股票、资讯、财经等主题进行分类，以便于进一步提供查询、全文检索等。对资讯信息的主题分类与对文本分类的方法相似，通常的分类方法是首先对大量文本进行预处理形成分类器训练语料，通过训练语料训练神经网络分类器，最后对待分类的文本通过分类器进行标签提取。此类处理方法适用性有一定的缺陷，当处理多级主题时准确性有待提高；同时，类别发生变化时需要重新训练分类模型以适应新的分类类别，实施过程缺乏一定的兼容性和灵活性。

为了解决上述技术问题，本实施例的技术方案具体通过获取待分类文本，基于训练好的主题关联词识别模型确定该待分类的主题关联词列表；进一步的，基于预设级别的主题库确定该主题关联词列表中的各主题关联词的预设级别的主题以及该预设级别的主题在待分类文本中的频次，该操作避免了单一层级的文本分类的局限性，提高了文本主题分类的灵活性和实用性；再一步的，基于该预设级别的主题在该待分类文本中的频次以及该预设级别的主题的预设权重确定该主题的主题概率值，并基于预设主题概率阈值确定该待分类文本的目标主题，该操作逻辑清楚，并且基于预设权重各预设主题概率阈值确定目标主题进一步的提高了文本主题分类的灵活性和准确性。

如图1所示，本实施例提提供的技术方案具体包括以下步骤：

S110、获取待分类文本，基于训练好的主题关联词识别模型确定待分类文本的主题关联词列表。

在本实施例中，文本可以是资讯文献、资讯新闻等资讯信息；待分类文本可以是待确定资讯归属类别的资讯信息；具体的，资讯的归属类别也是资讯主题，具体包括社会主题、军事主题、体育主题以及娱乐主题等资讯主题。进一步的，资讯主题包括至少一个级别的主题，当资讯主题为多级主题时，非末级主题包含至少一个子主题。

具体的，获取待分类文本可以是基于实现当前文本主题分类的装置中的输入模块获取得到，还可以是从预设位置的文本存储数据库中获取得到，本实施例对获取待分类文本的方式不加以限制。

为了方便训练好的主题关联词识别模型识别待分类文本的主题关键词，本实施例的技术方案还包括对待分类文本进行预处理。预处理包括格式预处理与分词预处理；可选的，对待分类文本进行格式预处理包括去除文本中的不可读字符与空格，以使减小主题关键词识别模型的计算量，实现快速得到待分类文本的主题关键词；可选的，对待分类文本进行分词预处理包括对格式预处理后的待分类文本进行分词，以得到分词预处理后的待分类文本。具体的，本实施例中的分词方法可以是双向分词，也可以是其他分词方法，本实施例对分词方法不加以限定。

将预处理后的待分类文本输入至训练好的主题关联词识别模型中，并得到该识别模型的输出结果；其中，该输出结果为将识别模型识别出的待分类文本中的各主题关键词作特殊标记的待分类文本；具体的，特殊标记可以是加下划线、加粗或者是其他颜色等实现区别显示各主题关键词的标记。本实施例中，待分类文本中识别出的主题关键词的个数为至少一个。进一步的，当识别出的各主题关键词均为相同词语时，均将所有词语进行特殊标记。将待分类文本中做特殊标记的主题关联词进行提取，并对提取出的各主题关联词进行去重处理，得到各不相同的主题关联词，将各不相同的主题关联词形成该待分类文本的主题关联词列表。

可选的，主题关联词列表中还对应存储各不相同的主题关联词的词频。其中，主题关联词的词频即是该主题关联词在该待分类文本中出现的次数。具体的，统计主题关联词的词频的方可以是：分别统计主题关联词列表中各主题关联词在该待分类文本中出现的频次。具体的，基于主题关联词列表中任一主题关联词进行介绍，从待分类文本的起始位置开始遍历，当出现该主题关联词时，相应的该主题关联词的对应的频次加一，遍历到待分类文本的结束位置，得到该主题关联词对应的频次。

S120、基于预设级别的主题库确定主题关联词列表中各主题关联词的预设级别的主题以及预设级别的主题在待分类文本中的频次。

本发明实施例中，主题库为预先建立好的主题库；该主题库中至少包括主题词库、主题语料库和关联词库，其中主题词库中各主题、和主题语料库中的各主题语料以及主题关联词中的各主题关联词对应存储。进一步的，主题库中包括至少一个级别的主题子库，即当主题库中包括主题子库时，主题库中的各主题包括至少一个级别的子主题；并且，上一级别主题对应的主题关联词库中包括当前级别的主题对应的主题关联词库中的各主题关联词。

在本实施例中，可以是基于主题库中的各子主题的级别顺序，确定预设级别的主题库；具体的，根据各级别主题子库的遍历顺序确定预设级别的主题库；可选的，可以是优先从级别最低的主题子库开始遍历，确定预设级别的主题库，并基于预设级别的主题库确定主题关联词列表中各主题关联词的预设级别的主题。

当然，确定主题关联词列表中各主题关联词的预设级别的主题的方法还可以是：基于各主题关联词确定该关联词对应的各级别的至少一个主题，并基于各级别的主题对应的主题子库的级别，确定预设级别的主题；具体的，可以优先将级别最低的主题子库的各主题确定为预设级别的主题。需要说明的是，本实施例中确定的同一级别的主题的数量可以是一个，也可以为多个，本实施例对主题的数量不加以限制。

可选的，基于预设级别的主题库确定所述主题关联词列表中各主题关联词的预设级别的主题以及所述预设级别的主题的频次的方可以是：基于所述预设级别的主题库确定所述主题关联词列表中各主题关联词对应的预设级别的主题；根据所述各主题关联词的词频确定所述各主题关联词对应的预设级别的主题的频次。

具体的，以确定主题关联词库中任一主题关联词对应的主题的频次为例进行介绍：基于主题语料库确定当前主题关联词对应的至少一个语料文本，并基于各语料文本以及主题词库确定各语料文本分别对应的至少一个主题。基于主题关联词列表确定的当前主题关联词的词频，并将该词频作为至少一个主题的频次。

S130、基于预设级别的主题在待分类文本中的频次以及预设级别的主题的预设权重确定主题的主题概率值，并基于预设主题概率阈值确定待分类文本的目标主题。

在本发明实施例中，主题概率值可以是基于主题的频次与主题的预设权重得到的该主题是否为目标主题的概率值；主题概率阈值时判断各主题是否为目标主题的标准，其中，各级别的主题概率阈值可相同，也可以不相同，本实施例对此不加以限制。主题的预设权重可以是预先确定的，各预设级别的主题的权重可以相同也可以不同，本实施例对此不加以限制。具体的，将预设级别的主题与该主题的预设权重进行加权求和计算，得到该主题在该预设级别的主题概率值，并将该主题概率值与预设主题概率阈值进行比较，以确定待分类文本的目标主题。

可选的，确定该主题概率值与预设主题概率阈值的比较结果，若确定当前级别的主题概率值大于等于预设主题概率阈值，则将所述当前级别的主题作为所述待分类文本的目标主题；若所述当前级别的主题概率值小于预设主题概率阈值，则基于所述主题库确定所述当前级别的主题对应的上一级别的主题；基于所述上一级别的主题的频次、所述上一级别的主题的预设权重以及所述预设主题概率阈值确定所述待分类文本的目标主题。

具体的，基于当前级别的主题确定上一级别的主题的方法可以是：查询主题库中的主题词库，基于查询结果确定当前级别所属的上一级主题，并将当前级别的至少一个主题分别对应的主题在待分类文本中的频次相加，得到上一级主题在待分类文本中的频次。当然也可以通过该级别的主题库确定上一级主题对应的各主题关联词，并基于各主题关联词在待分类文本中出现的频次确定该上一级主题在待分类文本中的频次，本实施例对确定上一级主题以及该上一级主题在待分类文本中的频次的方法不加以限定。

本发明实施例的技术方案具体包括：获取待分类文本，基于训练好的主题关联词识别模型确定该待分类的主题关联词列表；进一步的，基于预设级别的主题库确定该主题关联词列表中的各主题关联词的预设级别的主题以及该预设级别的主题在待分类文本中的频次，该操作避免了单一层级的文本分类的局限性，提高了文本主题分类的灵活性和实用性；再一步的，基于该预设级别的主题在该待分类文本中的频次以及该预设级别的主题的预设权重确定该主题的主题概率值，并基于预设主题概率阈值确定该待分类文本的目标主题，该操作逻辑清楚，并且基于预设权重各预设主题概率阈值确定目标主题进一步的提高了文本主题分类的灵活性和准确性。本实施例的技术方案通过预先设定至少一个级别的主题库，并基于该主题库与预先确定的待分类的各主题关联词确定待分类文本对应该预设级别的主题，并根据计算出的该主题的主题概率值与预设主题概率阈值确定该主题是否为待分类文本的目标主题，本实施例的技术方案整体逻辑清楚，处理灵活，准确性高，实现了提高文本分类的准确性，同时增加文本分类的灵活性和实用性。

实施例二

图2为本发明实施例二提供的一种文本主题分类方法的流程图，本实施例在上述各实施例的基础上，增加了步骤“预先训练主题关联词识别模型。”其中与上述各实施例相同或相应的术语的解释在此不再赘述。

参见图2，本实施例提供的文本主题分类方法包括：

S210、获取用于模型训练的历史分类文本，并确定各历史分类文本的主题关联词标签，其中，主题关联词标签至少包括：标签起始标识以及标签结束标识。

在本实施例中，各用于训练的历史分类文本的主题关联词标签可以是基于人工标注得到，并将标记后的历史分类文本作为模型训练的输入数据。具体的，标记过的主题关联词的标签格式至少包括:标签起始标识以及标签结束标识；关联起始标识和关联结束标识可以是同一个字，也可以是不同的字，本实施例对此不加以限制。例如，当主题关联词只有一个字，即主题关联词为“爱”时，该字既作为标签起始标识也作为标签结束标识；再比如，当主题关联词有两个字，即主题关联词为“喜欢”时，“喜”字作为标签开始标识，“欢”字作为标签结束标识。在一些实施例中，标记的主题关联词的标签格式还可以包括:标签起始标识、标签中间标识以及标签结束标识，例如，当主题关联词为多个字，即主题关联词为“我喜欢你”时，“我”字作为标签开始标识，“喜”和“欢”字均作为标签中间标识，“你”作为标签结束标识。在本实施例中，依照上述格式进行主题关联词标注的有益效果在于：可以使模型更加准确的识别主题关键词，提高了模型的学习能力。

S220、基于各历史分类文本对待训练的主题关联词识别模型进行迭代训练，直到迭代训练的主题关联词识别模型满足预设条件，得到训练完成的主题关联词识别模型。

在本实施例中，主体关联词识别模型可以是基于biLSTM_CRF算法的识别模型；其中，biLSTM，指的是双向LSTM；CRF指的是条件随机场。当然还可以是基于其他算法的识别模型，本实施例对此不加以限制。

具体的，训练主题关联词识别模型的方法可以是：将任一历史分类文本输入至对待训练的主题关联词识别模型，得到所述历史分类文本的分类预测结果；基于所述分类预测结果和所述历史分类文本的主题标签生成损失函数，并基于所述损失函数对所述待训练的分类文本识别模型进行参数调节。可选的，损失函数可以是交叉熵损失函数，具体的表达式如下述公式所示：

其中，t

S230、获取待分类文本，基于训练好的主题关联词识别模型确定待分类文本的主题关联词列表。

S240、基于预设级别的主题库确定主题关联词列表中各主题关联词的预设级别的主题以及预设级别的主题在待分类文本中的频次。

S250、基于预设级别的主题在待分类文本中的频次以及预设级别的主题的预设权重确定主题的主题概率值，并基于预设主题概率阈值确定待分类文本的目标主题。

本实施例的技术方案预先训练主题关键词识别模型，得到训练好的主题关键词识别模型，并基于至少一个级别的主题库与预先确定的待分类的各主题关联词确定待分类文本对应该预设级别的主题，并根据计算出的该主题的主题概率值与预设主题概率阈值确定该主题是否为待分类文本的目标主题，本实施例的技术方案整体逻辑清楚，处理灵活，准确性高，实现了提高文本分类的准确性，同时增加文本分类的灵活性和实用性。

实施例三

图3为本发明实施例三提供的一种文本主题分类方法的流程图，本实施例在上述各实施例的基础上，增加了步骤“预先建立主题库，其中主题库中包括至少一个预设级别的主题子库。”其中与上述各实施例相同或相应的术语的解释在此不再赘述。

参见图3，本实施例提供的文本主题分类方法包括：

S310、预先建立初始主题库，其中，初始主题库中包括至少一个预设级别的主题子库。

在本实施例中，初始主题库包括初始主体词库、主体语料库一级主体关联词库。可选的，建立主题库的方法可以是：获取获取所述初始主题词库中的各主题，并基于所述主题语料库确定所述各主题分别对应的语料文本；基于所述主题关联词库确定所述语料文本对应的主题关联词；将所述各主题、所述主题对应的语料文本以及所述语料文本对应的主题关联词对应存储，以形成主题库。

具体的，基于分类需求确定从互联网数据爬取到的各资讯类别，即各主题。由于主题包括至少一个级别，所以当前主题若为非末级主题，则该主题包括至少一个子主题，例如新闻主题包括但不限于财经、时政、评论等主题；财经主题包括但不限于股票、基金等主题。根据历史数据以及相关材料进行整理，确定与主题库中的个主题对应的主体语料，形成主题语料库；其中，主题库中的一个主题可以对应多条主题语料。以确定主题语料库中任一主题语料对应的至少一个主题关联词的方法为例进行示例性的介绍：确定当前主题语料中具有业务关联性的词作为当前主题语料的主题关联词；其中，业务关联性为当前语料与改主题语料对应的主题具有业务关系的实体词汇；一条主题语料中主题关联词的数量可以为一个，也可以为多个，本实施例对此不加以限制。将所述各主题、所述主题对应的语料文本以及所述语料文本对应的主题关联词对应存储，以形成主题库。

需要说明的是，在本实施例中主题库中包括至少一个预设级别的主题子库，所述预设级别对应的各主题、所述主题对应的语料文本以及所述语料文本对应的主题关联词分别存储。在所述主题库中，上一级别的主题关联词库中包括当前级别的主题关联词库中的各主题关联词；上一级别的主题语料库中包括当前级别的主题语料库中的各主题语料。

S320、获取待分类文本，基于训练好的主题关联词识别模型确定待分类文本的主题关联词列表。

S330、基于预设级别的主题库确定主题关联词列表中各主题关联词的预设级别的主题以及预设级别的主题在待分类文本中的频次。

S340、基于预设级别的主题在待分类文本中的频次以及预设级别的主题的预设权重确定主题的主题概率值，并基于预设主题概率阈值确定待分类文本的目标主题。

本实施例的技术方案通过预先设定至少一个级别的主题库，并基于该主题库与预先确定的待分类的各主题关联词确定待分类文本对应该预设级别的主题，并根据计算出的该主题的主题概率值与预设主题概率阈值确定该主题是否为待分类文本的目标主题，本实施例的技术方案整体逻辑清楚，处理灵活，准确性高，实现了提高文本分类的准确性，同时增加文本分类的灵活性和实用性。

实施例四

图4为本发明实施例四提供的一种文本主题分类方法的流程图，本实施例在上述各实施例的基础上，将步骤“获取待分类文本，基于训练好的主题关联词识别模型确定待分类文本的主题关联词列表”细化为“获取待分类文本，基于训练好的主题关联词识别模型确定待分类文本的主题关联词列表；其中，待分类文本包括标题文本和内容文本，主题关联词列表包括标题文本对应的第一主题关联词子列表和内容文本对应的第二主题关联词子列表”其中与上述各实施例相同或相应的术语的解释在此不再赘述。

如图4所示，该方法具体包括以下步骤：

S410、获取待分类文本，基于训练好的主题关联词识别模型确定待分类文本的主题关联词列表；其中，待分类文本包括标题文本和内容文本，主题关联词列表包括标题文本对应的第一主题关联词子列表和内容文本对应的第二主题关联词子列表。

在本实施例中，待分类文本包括标题文本和内容文本，分别将待分类文本的标题文本和内容文本输入至训练好的主题关联词识别模型，得到待分类文本的主题关联词列表；其中，主题关联词列表包括标题文本对应的第一主题关联词子列表和内容文本对应的第二主题关联词子列表。具体的，可以顺序分别将标题内容和文本内容输入至主题关键词子模型中，分别得到标题文本对应的第一主题关联词子列表和内容文本对应的第二主题关联词子列表；当然，还可以是分别将标题文本和内容文本同时输入至主题关键词识别模型中的标题文本对应的第一主题关键词识别子模型和文本内容对应的第二主题关键词识别子模型中，分别得到标题文本对应的第一主题关联词子列表和内容文本对应的第二主题关联词子列表。上述实施例只是作为可选实施例，本实施例对得到标题文本对应的第一主题关联词子列表和内容文本对应的第二主题关联词子列表的顺序不加以限制

S420、基于预设级别的主题库确定主题关联词列表中各主题关联词的预设级别的主题以及预设级别的主题在待分类文本中的频次。

在本发明实施例中，预设级别的主题包括标题文本对应的预设级别的第一主题和文本对应的预设级别的第二主题。确定预设级别的第一主题和预设级别的第一主题在标题文本中的频次以及确定预设级别的第二主题和预设级别的第二主题在内容文本中的频次的方法可以依照上述实施例中介绍的确定预设级别的主题以及改主题在待分类文本中的频次的方法进行确定，本实施例在此不再进行赘述。

S430、基于预设级别的主题在待分类文本中的频次以及预设级别的主题的预设权重确定主题的主题概率值，并基于预设主题概率阈值确定待分类文本的目标主题。

本发明实施例中，预设级别的主题还可以是第一主题关联词子列表对应的预设级别的第一主题以及第二主题关联词子列表对应的预设级别的第二主题；预设级别的主题的预设权重可以包括第一主题对应的第一预设权重以及所述预设级别的第二主题对应的第二预设权重。

具体的，确定第一预设权重以及第二预设权重，并将预设级别的第一主题的频次、所述第一预设权重、所述预设级别的第二主题的频次以及所述第二预设权重进行加权求和，确定所述待分类文本的预设级别的主题概率值。具体的，确定主题概率值的方法可以依照上述实施例中介绍的方法，本实施例不再加以赘述。

本实施例的技术方案通过预先将待分类文本区分为标题文本和内容文本，并基于少一个级别的主题库与预先确定的待分类的各标题文本对应的第一主题关联词和内容文本对应的第二主题关联词确定待分类文本对应的该预设级别的第一主题和第二主题，并根据计算出的该第一主题和第二主题的主题概率值的融合值与预设主题概率阈值确定该主题是否为待分类文本的目标主题，本实施例的技术方案了单一维度的资讯主题分类的局限性，实现了提高文本分类的准确性，同时增加文本分类的灵活性和实用性。

在本实施例中，还提供了另一种文本主题分类确定方法的可选实施例，该实施例具体包括：

基于待分类文本的结构确定待分类文本的标题内容和文本内容，例如待分类文本可以是：“2021年5月1日起我国调整部分钢铁产品关税。为更好保障钢铁资源供应，推动钢铁行业高质量发展，经国务院批准，国务院关税税则委员会近日发布公告，自2021年5月1日起，调整部分钢铁产品关税。其中，对生铁、粗钢、再生钢铁原料、铬铁等产品实行零进口暂定税率；适当提高硅铁、铬铁、高纯生铁等产品的出口关税，调整后分别实行25％出口税率、20％出口暂定税率、15％出口暂定税率。上述调整措施，有利于降低进口成本，扩大钢铁资源进口，支持国内压减粗钢产量，引导钢铁行业降低能源消耗总量，促进钢铁行业转型升级和高质量发展。”根据结构确定标题内容包括“2021年5月1日起我国调整部分钢铁产品关税”内容文本包括“为更好保障钢铁资源供应，推动钢铁行业高质量发展，经国务院批准，国务院关税税则委员会近日发布公告，自2021年5月1日起，调整部分钢铁产品关税。其中，对生铁、粗钢、再生钢铁原料、铬铁等产品实行零进口暂定税率；适当提高硅铁、铬铁、高纯生铁等产品的出口关税，调整后分别实行25％出口税率、20％出口暂定税率、15％出口暂定税率。上述调整措施，有利于降低进口成本，扩大钢铁资源进口，支持国内压减粗钢产量，引导钢铁行业降低能源消耗总量，促进钢铁行业转型升级和高质量发展。”分别将上述标题文本和内容文本输入至主题关联词识别模型中，得到标题文本对应的预设级别的第一主题关联词子列表“{钢铁，关税}”，与内容文本对应的预设级别的第二主题关联词子列表“{钢铁，关税，钢铁，关税，生铁，粗钢，钢铁，铬铁，硅铁，铬铁，生铁，关税，钢铁，粗钢，钢铁，钢铁}”。分别统计第一主题关联词子列表与第二主题偶关联词子列表中的各主题关联词分别在上述标题文本和内容文本中的词频，并基于预设级别的主题库，确定标题文本对应的预设级别的第一主题和预设级别的第一主题的频次包括“{2，行业，{(钢铁，1)}}”，以及内容文本对应的预设级别的第二主题和预设级别的第二主题的频次包括“{2，行业，{(钢铁，6)，(粗钢，2)，(生铁，2)，(硅铁，1)，(铬铁，2)}}”。上述展示的主题以及主题频次的格式为“{主题级别，主题名称，{(关联词，关联词词频)}}”，其中主题级别中二级主题为末级主题。预设级别的第一主题的第一预设权重为0.7，预设级别的第二主题的第二预设权重为0.3，计算上述待分类文本的该预设级别的主题的主题概率值的计算方法可以是：{2，行业，1*0.3+13*0.7＝9.4}}。将该主题的主题概率值与预设主题概率阈值10进行比较，该预设级别的主题的概率值小于预设主题概率阈值，放弃该文本主题分类结果，并基于主题库分别确定第一主题和第二主题分别对应的上一级别的主题；具体的上亿级别的第一主题包括“{{1，财经，{(关税，1)，钢铁，1)}}”，上一级别的第二主题包括“{2，行业，{(钢铁，6)，(粗钢，2)，(生铁，2)，(硅铁，1)，(铬铁，2)}}”。根据上述第一主题的频次、第一预设权重、第二主题的频次以及第二预设权重确定上亿级别的主题的主题概率值为“{{1，财经，2*0.3+16*0.7＝11.8}”，将该主题的主题概率值与预设主题概率阈值10进行比较，该预设级别的主题的概率值大于预设主题概率阈值，将该主题确定为待分类文本的目标主题。

以下是本发明实施例提供的文本主题分类装置的实施例，该装置与上述各实施例的文本主题分类方法属于同一个发明构思，在文本主题分类装置的实施例中未详尽描述的细节内容，可以参考上述文本主题分类方法的实施例。

实施例五

图5为本发明实施例五提供的文本主题分类装置的结构示意图，本实施例可适用于在对文本进行主题分类的情况，具体的，更适用于基于预设级别的主题库对文本进行分类的情况。

如图5所示，该文本主题分类装置的具体结构包括：主题关联词列表确定模块510、主题频次确定模块520和目标主题确定模块530；其中，

主题关联词列表确定模块510，用于获取待分类文本，基于训练好的主题关联词识别模型确定待分类文本的主题关联词列表；其中，待分类文本包括标题文本和内容文本，主题关联词列表包括标题文本对应的第一主题关联词子列表和内容文本对应的第二主题关联词子列表；

主题频次确定模块520，用于基于预设级别的主题库确定主题关联词列表中各主题关联词的预设级别的主题以及预设级别的主题在待分类文本中的频次；

目标主题确定模块530，用于基于预设级别的主题在待分类文本中的频次以及预设级别的主题的预设权重确定主题的主题概率值，并基于预设主题概率阈值确定待分类文本的目标主题。

本发明实施例的技术方案具体包括：获取待分类文本，基于训练好的主题关联词识别模型确定该待分类的主题关联词列表；进一步的，基于预设级别的主题库确定该主题关联词列表中的各主题关联词的预设级别的主题以及该预设级别的主题在待分类文本中的频次，该操作避免了单一层级的文本分类的局限性，提高了文本主题分类的灵活性和实用性；再一步的，基于该预设级别的主题在该待分类文本中的频次以及该预设级别的主题的预设权重确定该主题的主题概率值，并基于预设主题概率阈值确定该待分类文本的目标主题，该操作逻辑清楚，并且基于预设权重各预设主题概率阈值确定目标主题进一步的提高了文本主题分类的灵活性和准确性。本实施例的技术方案通过预先设定至少一个级别的主题库，并基于该主题库与预先确定的待分类的各主题关联词确定待分类文本对应该预设级别的主题，并根据计算出的该主题的主题概率值与预设主题概率阈值确定该主题是否为待分类文本的目标主题，本实施例的技术方案整体逻辑清楚，处理灵活，准确性高，实现了提高文本分类的准确性，同时增加文本分类的灵活性和实用性。

在上述实施例的基础上，该装置还包括：模型训练模块，

相应的，模型训练模块，包括：

主题关联词标签确定单元，用于获取用于模型训练的历史分类文本，并确定各历史分类文本的主题关联词标签，其中，主题关联词标签至少包括：标签起始标识以及标签结束标识。

模型训练单元，用于基于各历史分类文本对待训练的主题关联词识别模型进行迭代训练，直到迭代训练的主题关联词识别模型满足预设条件，得到训练完成的主题关联词识别模型。

在上述实施例的基础上，该装置还包括：主题库建立模块，

相应的，主题库建立模块，包括：

初始主题库建立单元，用于建立初始主题库；其中，初始主题词库包括主题词库、主题语料库以及主题关联词库。

语料文本确定单元，用于获取初始主题词库中的各主题，并基于主题语料库确定各主题分别对应的语料文本。

主题关联词确定单元，用于基于主题关联词库确定语料文本对应的主题关联词。

主题库建立单元，用于将各主题、主题对应的语料文本以及语料文本对应的主题关联词对应存储，以形成主题库。

在上述实施例的基础上，主题库中包括至少一个预设级别的主题子库，预设级别对应的各主题、主题对应的语料文本以及语料文本对应的主题关联词分别存储。

在上述实施例的基础上，在主题库中，上一级别的主题关联词库中包括当前级别的主题关联词库中的各主题关联词；上一级别的主题语料库中包括当前级别的主题语料库中的各主题语料。在上述实施例的基础上，该装置还包括：

在上述实施例的基础上，该装置还包括：

格式预处理单元，用于在获取待分类文本之后，对待分类文本进行格式预处理，其中，格式预处理包括去除文本中的不可读字符与空格。

分词预处理单元，用于将格式预处理后的待分类文本进行分词预处理，得到分词预处理后的待分类文本。

在上述实施例的基础上，主题关联词列表确定模块510，包括：

输出结果获取单元，用于将待分类文本输入至训练好的主题关联词识别模型，得到主题关联词识别模型的输出结果；其中，输出结果为将识别出的主题关联词进行特殊标记的待分类文本。

主题关联词列表获取单元，用于提取识别出的各主题关联词，并对各主题关联词进行去重处理得到待分类文本的主题关联词列表。

在上述实施例的基础上，主题关联词列表包括：各主题关联词以及各主题关联词分别对应的词频；其中，词频基于各主题关联词在待分类文本中出现的频次确定。

在上述实施例的基础上，主题频次确定模块520，包括：

预设级别的主题确定单元，用于基于预设级别的主题库确定主题关联词列表中各主题关联词对应的预设级别的主题。

主题的频次确定单元，用于根据各主题关联词的词频确定各主题关联词对应的预设级别的主题的频次。

在上述实施例的基础上，待分类文本包括标题文本和内容文本，主题关联词列表包括标题文本对应的第一主题关联词子列表和内容文本对应的第二主题关联词子列表，主题包括第一主题关联词子列表对应的第一主题以及第二主题关联词子列表对应的第二主题；

相应的，目标主题确定模块530，包括：

预设权重确定单元，用于分别确定预设级别的第一主题对应的第一预设权重，以及预设级别的第二主题对应的第二预设权重。

主题概率值确定单元，用于将预设级别的第一主题的频次、第一预设权重、预设级别的第二主题的频次以及第二预设权重进行加权求和，确定待分类文本的预设级别的主题概率值。

在上述实施例的基础上，目标主题确定模块530，包括：

第一目标主题确定单元，用于根据各预设级别的遍历顺序，若确定当前级别的主题概率值大于等于预设主题概率阈值，则将当前级别的主题作为待分类文本的目标主题。

在上述实施例的基础上，目标主题确定模块530，包括：

上一级别的主题确定单元，用于若当前级别的主题概率值小于预设主题概率阈值，则基于主题库确定当前级别的主题对应的上一级别的主题。

第二目标主题确定单元，用于基于上一级别的主题的频次、上一级别的主题的预设权重以及预设主题概率阈值确定待分类文本的目标主题。

本发明实施例所提供的文本主题分类装置可执行本发明任意实施例所提供的文本主题分类方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述文本主题分类装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

实施例六

图6为本发明实施例六提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图6显示的电子设备12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6所示，电子设备12以通用计算电子设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18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。

电子设备12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电子设备12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28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)30和/或高速缓存存储器32。电子设备12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34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6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18相连。系统存储器28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42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42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42通常执行本发明所描述的实施例中的功能和/或方法。

电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12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22进行。并且，电子设备12还可以通过网络适配器20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6所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图6中未示出，可以结合电子设备12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。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及样本数据获取，例如实现本发实施例所提供的一种文本主题分类方法步骤，文本主题分类方法包括：

获取待分类文本，基于训练好的主题关联词识别模型确定所述待分类文本的主题关联词列表；

基于预设级别的主题库确定所述主题关联词列表中各主题关联词的预设级别的主题以及所述预设级别的主题在所述待分类文本中的频次；

基于所述预设级别的主题在所述待分类文本中的频次以及所述预设级别的主题的预设权重确定所述主题的主题概率值，并基于预设主题概率阈值确定所述待分类文本的目标主题。

当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的样本数据获取方法的技术方案。

实施例七

本实施例七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例如实现本发实施例所提供的一种文本主题分类方法步骤，文本主题分类方法包括：

获取待分类文本，基于训练好的主题关联词识别模型确定所述待分类文本的主题关联词列表；

基于预设级别的主题库确定所述主题关联词列表中各主题关联词的预设级别的主题以及所述预设级别的主题在所述待分类文本中的频次；

基于所述预设级别的主题在所述待分类文本中的频次以及所述预设级别的主题的预设权重确定所述主题的主题概率值，并基于预设主题概率阈值确定所述待分类文本的目标主题。

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)。

本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

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。