一种文本相似度的识别方法、系统、设备和存储介质与流程
本发明实施例涉及文本技术，尤其涉及一种文本相似度的识别方法、系统、设备和存储介质。
背景技术：
随着数字媒体技术和神经网络技术的蓬勃发展，包括文本图像在内的多媒体资源规模越来越大，且神经网络技术的应用也越来越广泛。
多个文本之间的相似度逐渐成为自然语言处理领域中的一个研究热点，但是，传统的文本相似度识别方法，需要依赖基于ocr的复杂模型，才能达到较好的文本相似性检测效果。而文本内容的视觉呈现方式大致相同，在文本识别的早期研究中，特征提取需要经过版面分析、行切分、单字切分、单字识别等过程，而在近几年，基于神经网络的特征提取技术已经成为一个重要的研究方向。在各种神经网络模型中，卷积神经网络是图像处理任务中最强大的网络模型，使图像可以直接作为网络的输入，避免了传统识别方法中复杂的特征提取与数据重建过程。
但是目前还是没有一种很好的方法能将神经网络技术融入文本相似度识别之中，以至于没有办法实现文本之间的相似度的快速确定。
技术实现要素：
本发明实施例提供一种文本相似度的识别方法、系统、设备和存储介质，以实现快速确定文本之间相似度。
为达此目的，本发明实施例提供了一种文本相似度的识别方法，该方法包括：
获取目标文本；
将所述目标文本转换为目标特征矩阵；
将所述目标特征矩阵输入至预先训练好的神经网络模型以得到所述目标文本的目标文本特征；
从预设数据库中获取对比文本的对比文本特征；
根据所述目标文本特征和对比文本特征确定所述目标文本和对比文本的文本相似度。
进一步的，所述将所述目标文本转换为目标特征矩阵包括：
将所述目标文本划分为多个段落；
对每个段落进行分词以得到多个词语或多个单字；
将所述多个词语或多个单字输入至预先训练好的语言模型以得到每个段落的第一特征向量；
将所述第一特征向量进行拼接以得到多个段落的目标特征矩阵。
进一步的，所述将所述目标特征矩阵输入至预先训练好的神经网络模型以得到所述目标文本的目标文本特征包括：
对所述目标特征矩阵进行卷积以得到多个第二特征向量；
对所述第二特征向量池化以得到所述目标文本的目标文本特征。
进一步的，所述根据所述目标文本特征和对比文本特征得到确定目标文本和对比文本的文本相似度之后包括：
获取和所述目标文本相似度最高的目标对比文本。
进一步的，所述获取和所述目标文本相似度最高的目标对比文本之后包括：
获取所述目标对比文本的多个段落的目标对比特征矩阵；
根据所述目标特征矩阵和目标对比特征矩阵确定所述目标文本和目标对比文本相似度最高的段落。
进一步的，所述根据所述目标特征矩阵和对比特征矩阵确定所述目标文本和目标对比文本相似度最高的段落之后包括：
判断所述目标文本和目标对比文本相似度最高的段落之间的段落长度差值；
根据所述段落长度差值确定所述目标文本和目标对比文本的详略关系。
进一步的，所述预先训练好的神经网络模型为cnn神经网络模型。
一方面，本发明实施例还提供了一种文本相似度的识别系统，该系统包括：
文本获取模块，用于获取目标文本；
文本转换模块，用于将所述目标文本转换为目标特征矩阵；
特征获取模块，用于将所述目标特征矩阵输入至预先训练好的神经网络模型以得到所述目标文本的目标文本特征；
对比获取模块，用于从预设数据库中获取对比文本的对比文本特征；
相似确定模块，用于根据所述目标文本特征和对比文本特征确定所述目标文本和对比文本的文本相似度。
另一方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：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一实施例提供的方法。
又一方面，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本发明任一实施例提供的方法。
本发明实施例通过获取目标文本；将所述目标文本转换为目标特征矩阵；将所述目标特征矩阵输入至预先训练好的神经网络模型以得到所述目标文本的目标文本特征；从预设数据库中获取对比文本的对比文本特征；根据所述目标文本特征和对比文本特征确定所述目标文本和对比文本的文本相似度，解决了不能将神经网络技术融入文本相似度识别之中以至于没有办法实现文本之间的相似度的快速确定的问题，实现了快速确定文本之间相似度的效果。
附图说明
图1是本发明实施例一提供的一种文本相似度的识别方法的流程示意图；
图2是本发明实施例二提供的一种文本相似度的识别方法的流程示意图；
图3是本发明实施例二提供的一种文本相似度的识别方法步骤s290之后的流程示意图；
图4是本发明实施例三提供的一种文本相似度的识别系统的结构示意图；
图5为本发明实施例四提供的一种计算机设备的结构示意图。
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。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一模块称为第二模块，且类似地，可将第二模块称为第一模块。第一模块和第二模块两者都是模块，但其不是同一模块。术语“第一”、“第二”等不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明实施例的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
实施例一
如图1所示，本发明实施例一提供了一种文本相似度的识别方法，该方法包括：
s110、获取目标文本。
s120、将目标文本转换为目标特征矩阵。
s130、将目标特征矩阵输入至预先训练好的神经网络模型以得到目标文本的目标文本特征。
本实施例中，首先获取到需要进行相似度识别的目标文本，目标文本可以是新闻、论文、文章等其它文字类文本，然后将目标文本转换为目标特征矩阵，其中目标特征矩阵为目标文本中每个字或词转换成特征向量后组成的特征矩阵，如此就可以将将目标特征矩阵输入至预先训练好的神经网络模型，该预先训练好的神经网络模型的输入为目标特征矩阵，输出为目标文本特征，其中目标文本特征为数值，代表该目标文本的特征，以用来进行相似度的识别，作为优选的，预先训练好的神经网络模型为cnn(convolutionalneuralnetworks,卷积神经网络)神经网络模型。
在一替代实施例中，还可以加上语境的skip-gram(跳字模型)解析，用于识别不同用字的同意义文本。
s140、从预设数据库中获取对比文本的对比文本特征。
s150、根据目标文本特征和对比文本特征确定目标文本和对比文本的文本相似度。
本实施例中，获取到目标文本特征后，就可以根据目标文本特征来识别目标文本和其他需要进行对比的文本的相似度，因此从预设数据库中获取对比文本的对比文本特征。然后根据目标文本特征和对比文本特征就可以确定目标文本和对比文本的文本相似度，数值越接近则越相似，相似度越高。
需要说明的是，其中对比文本的对比文本特征也是使用步骤s110-步骤s130的方法获得的，获得后存储在预设数据库中等待使用，作为优选的，目标文本和目标文本特征也会存储在预设数据库中等待后续使用。
本发明实施例通过获取目标文本；将所述目标文本转换为目标特征矩阵；将所述目标特征矩阵输入至预先训练好的神经网络模型以得到所述目标文本的目标文本特征；从预设数据库中获取对比文本的对比文本特征；根据所述目标文本特征和对比文本特征确定所述目标文本和对比文本的文本相似度，解决了不能将神经网络技术融入文本相似度识别之中以至于没有办法实现文本之间的相似度的快速确定的问题，实现了快速确定文本之间相似度的效果。
实施例二
如图2所示，本发明实施例二提供了一种文本相似度的识别方法，本发明实施例二是在本发明实施例一的基础上进一步的说明解释，该方法包括：
s210、获取目标文本。
s220、将目标文本划分为多个段落。
s230、对每个段落进行分词以得到多个词语或多个单字。
s240、将多个词语或多个单字输入至预先训练好的语言模型以得到每个段落的第一特征向量。
s250、将第一特征向量进行拼接以得到多个段落的目标特征矩阵。
本实施例中，将目标文本转换为目标特征矩阵具体可以先将目标文本划分为多个段落，若无明显的段落分隔符,则以固定长度的句子数为段落划分依据。然后对每个段落进行分词以得到多个词语或多个单字，其中分词方法可以为结巴分词法，示例性的，将段落“每日新闻报道称南美洲发现黄金”进行划分，得到“每日”、“新闻”、“报道”、“称”、“南美洲”、“发现”和“黄金”这些词语或单字，然后将这写词语或单字输入至预先训练好的语言模型以得到每个段落的第一特征向量，其中“每日”的特征向量为【10,2,4,1,3】，“新闻”的特征向量为【8,4,15,34,1】，其他字或词也为5维的特征向量，将这些特征向量进行拼接就可以得到该段落的第一特征向量，即
s260、对目标特征矩阵进行卷积以得到多个第二特征向量。
s270、对第二特征向量池化以得到目标文本的目标文本特征。
本实施例中，得到目标特征矩阵后，就将目标特征矩阵输入至预先训练好的神经网络模型以得到目标文本的目标文本特征，具体的，输入后首先对目标特征矩阵进行卷积以得到多个第二特征向量，分别对每个词或字的特征向量之间做卷积后对每个段落的第一特征向量做卷积，即可以存在多个不同或相同尺寸卷积核，分别在整个目标特征矩阵上滑动做一维卷积，然后对第二特征向量池化，以筛选出卷积核提取的最强特征，过滤掉无用特征，其中池化操作可以采用maxpooling、k-maxpooling或者chunk-maxpooling(都为池化操作的一种方法)等。
s280、从预设数据库中获取对比文本的对比文本特征。
s290、根据目标文本特征和对比文本特征确定目标文本和对比文本的文本相似度。
进一步的，如图3所示，步骤s290之后，还可以包括如下步骤：
s291、获取和目标文本相似度最高的目标对比文本。
本实施例中，根据目标文本特征和对比文本特征确定目标文本和对比文本的文本相似度之后，就可以确定和目标文本相似度最高的目标对比文本，获取目标对比文本后就可以进行和目标文本进行详细的比较分析或其他后续操作。
s292、获取目标对比文本的多个段落的目标对比特征矩阵。
s293、根据目标特征矩阵和目标对比特征矩阵确定目标文本和目标对比文本相似度最高的段落。
本实施例中，全部的文本和对应的文本特征都存储在预设数据库中，具体的存储方式可以为以元组形式存储，具体为唯一id、文章id、段落id、段落长度和文本特征作为一个文本的存储元组。对于预设数据库内的文本，直接按索引得到文本特征，根据文本特征得到相似度即可，对于预设数据库外的目标文本，则需要计算文本特征后得到相似度或入库后索引得到相似度，识别更加快速。
进一步的，获取到目标对比文本后，因存储有段落id和段落长度，继续获取目标对比文本的多个段落的目标对比特征矩阵，然后根据目标特征矩阵和目标对比特征矩阵确定目标文本和目标对比文本相似度最高的段落，方便用户直接对比分析。
s294、判断目标文本和目标对比文本相似度最高的段落之间的段落长度差值。
s295、根据段落长度差值确定目标文本和目标对比文本的详略关系。
进一步的，因预设数据库中还存储有段落长度，可以判断目标文本和目标对比文本相似度最高的段落之间的段落长度差值，然后根据段落长度差值确定目标文本和目标对比文本的详略关系，若目标文本的段落长度与目标对比文本的段落长度的差值大于零，则目标文本为目标对比文本更详细的版本，若目标文本的段落长度与目标对比文本的段落长度的差值小于零，则目标文本为目标对比文本更简略的版本，方便用户分析。
本发明实施例通过获取和目标文本相似度最高的目标对比文本；获取目标对比文本的多个段落的目标对比特征矩阵；根据目标特征矩阵和目标对比特征矩阵确定目标文本和目标对比文本相似度最高的段落；判断目标文本和目标对比文本相似度最高的段落之间的段落长度差值；根据段落长度差值确定目标文本和目标对比文本的详略关系，在实现了快速确定文本之间相似度的基础上，进一步便于用户分析相似文本，大大提高了用户体验。
实施例三
如图4所示，本发明实施例三提供了一种文本相似度的识别系统100，本发明实施例三所提供的文本相似度的识别系统100可执行本发明任意实施例所提供的文本相似度的识别方法，具备执行方法相应的功能模块和有益效果。该文本相似度的识别系统100包括文本获取模块200、文本转换模块300、特征获取模块400、对比获取模块500和相似确定模块600。
具体的，文本获取模块200用于获取目标文本；文本转换模块300用于将目标文本转换为目标特征矩阵；特征获取模块400用于将目标特征矩阵输入至预先训练好的神经网络模型以得到目标文本的目标文本特征；对比获取模块500用于从预设数据库中获取对比文本的对比文本特征；相似确定模块600用于根据目标文本特征和对比文本特征确定目标文本和对比文本的文本相似度。预先训练好的神经网络模型为cnn神经网络模型。
本实施例中，文本转换模块300具体用于将目标文本划分为多个段落；对每个段落进行分词以得到多个词语或多个单字；将多个词语或多个单字输入至预先训练好的语言模型以得到每个段落的第一特征向量；将第一特征向量进行拼接以得到多个段落的目标特征矩阵。特征获取模块400具体用于对目标特征矩阵进行卷积以得到多个第二特征向量；对第二特征向量池化以得到目标文本的目标文本特征。
进一步的，该文本相似度的识别系统100还包括相似应用模块700，相似应用模块700用于获取和目标文本相似度最高的目标对比文本。相似应用模块700还用于获取目标对比文本的多个段落的目标对比特征矩阵；根据目标特征矩阵和目标对比特征矩阵确定目标文本和目标对比文本相似度最高的段落。相似应用模块700还用于判断目标文本和目标对比文本相似度最高的段落之间的段落长度差值；根据段落长度差值确定目标文本和目标对比文本的详略关系。
实施例四
图5为本发明实施例四提供的一种计算机设备12的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图5显示的计算机设备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5所示，计算机设备12以通用计算设备的形式表现。计算机设备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。
计算机设备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计算机设备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。计算机设备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5未显示，通常称为“硬盘驱动器”)。尽管图5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。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。
计算机设备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计算机设备12交互的设备通信，和/或与使得该计算机设备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，计算机设备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。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备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数据处理，例如实现本发明实施例所提供的方法：
获取目标文本；
将目标文本转换为目标特征矩阵；
将目标特征矩阵输入至预先训练好的神经网络模型以得到目标文本的目标文本特征；
从预设数据库中获取对比文本的对比文本特征；
根据目标文本特征和对比文本特征确定目标文本和对比文本的文本相似度。
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申请所有发明实施例提供的方法：
获取目标文本；
将目标文本转换为目标特征矩阵；
将目标特征矩阵输入至预先训练好的神经网络模型以得到目标文本的目标文本特征；
从预设数据库中获取对比文本的对比文本特征；
根据目标文本特征和对比文本特征确定目标文本和对比文本的文本相似度。
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，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。
- 还没有人留言评论。精彩留言会获得点赞！