[发明专利]主题词分类模型创建方法、创建装置及存储介质

说明书

本发明提供一种主题词分类模型创建方法，其包括：获取多个模型训练文档，并提取所述模型训练文档的标签词；基于相似度算法，获取标签词对应的核心主题词组；基于映射内容库，获取核心主题词组对应的第一模型训练文档集合；基于机器学习算法，对多个模型训练文档进行分类操作；基于映射内容库，获取标签词对应的所有模型训练文档的主体类别标识，并根据标签词对应的主体类别标识，确定标签词对应的第二模型训练文档集合；将标签词对应的第一模型训练文档集合和第二模型训练文档集合中重复的模型训练文档作为正样本，映射内容库中的其他模型训练文档作为负样本，创建标签词的主题词分类模型。本发明还提供一种主题词分类模型创建装置及存储介质。

技术领域

本发明涉及数据处理领域，特别是涉及一种主题词分类模型创建方法、创建装置及存储介质。

背景技术

在互联网内容分发系统中，需要通过主题词对文章进行分类，该主题词是指可以代表文章主要内容特征的词，这样用户可以通过主题词方便快捷的了解该文章的内容。

现有的文章主题词一般为文章中出现的标签词，而文章中标签词的提取算法要求文章的标签词必须在该文章中出现过，这样就大大限制了文章主题词的抽象程度以及概括能力。例如一篇描述某个具体黑科技的文章中可能不会出现“黑科技”这个标签词，这样导致使用上述标签词提取算法无法将该文章的主题词设置为“黑科技”。同理“东北风”以及“小资生活”等抽象程度较高的词汇无法成为文章的主题词。

为了解决上述文章主题词的设置问题，现有的主题词分类器通过建立主题词分类模型来使文章主题词判断自动化，但是上述主题词分类模型需要收集大量标注好主题词的文章进行训练，因此需要大量人力物力对大量文章进行较为准确的主题词标注，以便生成较为准确的主题词分类模型。

发明内容

本发明实施例提供一种可准确创建主题词分类模型，创建过程简单且创建成本较低的主题词分类模型创建方法、创建装置及存储介质；以解决现有的主题词分类模型创建方法、创建装置及存储介质中的主题词分类模型的准确性较差或主题词分类模型的创建过程复杂且创建成本较高的技术问题。

本发明实施例提供一种主题词分类模型创建方法，其包括：

获取多个模型训练文档，并提取所述模型训练文档的标签词，以建立所述模型训练文档与所述标签词的映射内容库；

基于相似度算法，获取所述标签词对应的核心主题词组；其中所述核心主题词组中包括多个核心主题词；

基于所述映射内容库，获取所述核心主题词组对应的第一模型训练文档集合；

基于机器学习算法，对多个所述模型训练文档进行分类操作；其中每个类别的模型训练文档具有一个主体类别标识；

基于所述映射内容库，获取所述标签词对应的所有模型训练文档的主体类别标识，并根据所述标签词对应的主体类别标识，确定所述标签词对应的第二模型训练文档集合；以及

将所述标签词对应的第一模型训练文档集合和第二模型训练文档集合中重复的模型训练文档作为正样本，所述映射内容库中的其他模型训练文档作为负样本，创建所述标签词的主题词分类模型。

本发明实施例还提供一种主题词分类模型创建装置，其包括：

映射内容库建立模块，用于获取多个模型训练文档，并提取所述模型训练文档的标签词，以建立所述模型训练文档与所述标签词的映射内容库；

核心主题词组获取模块，用于基于相似度算法，获取所述标签词对应的核心主题词组；其中所述核心主题词组中包括多个核心主题词；

第一模型训练文档集合获取模块，用于基于所述映射内容库，获取所述核心主题词组对应的第一模型训练文档集合；

分类模块，用于基于机器学习算法，对多个所述模型训练文档进行分类操作；其中每个类别的模型训练文档具有一个主体类别标识；