[发明专利]基于标题的文档聚类方法、装置、终端设备及介质

说明书

本申请实施例适用于文本处理技术领域，提供了一种基于标题的文档聚类方法、装置、终端设备及介质，所述方法包括：采集多个文档，各个文档分别具有相应的文档标题；针对任一文档，计算所述文档的文档标题与其他各个文档的文档标题之间的第一相似度；将所述第一相似度大于第一预设阈值的多份文档聚类为初始文档簇；针对所述初始文档簇中的各个目标文档，分别计算所述目标文档的文档标题与多个第二文档的文档标题之间的第二相似度；根据所述第二相似度更新所述初始文档簇，得到目标文档簇，并设置所述目标文档簇的簇关键词。本实施例通过对各个文档的标题进行处理，可以将具有高度关联性的标题所对应的文档聚为一类，降低了聚类时的计算复杂度。

技术领域

本申请属于文本处理技术领域，特别是涉及一种基于标题的文档聚类方法、装置、终端设备及介质。

背景技术

文档标题对于查找文档内容有着至关重要的作用，通过将检索关键词与标题中的各个词语进行匹配，可以查找出包含检索关键词的多份文档。

以金融领域中的大量公告文档为例，对公告文档的标题的查找通常使用的是结合数据库存储的方式来进行检索。输入关键词，如“募集”、“资金”、“存放情况”、“专项报告”等，系统会在数据库中进行全部内容的检索与关键词匹配，然后输出标题中包含该关键词的文档。但是，按照上述检索方式需要检索的内容非常多，检索过程耗时较长。并且，通过对标题进行简单的关键词匹配，检索结果的准确率也较低，所获得的文档可能并非用户实际期望检索的内容。

发明内容

有鉴于此，本申请实施例提供了一种基于标题的文档聚类方法、装置、终端设备及介质，以解决现有技术中检索文档标题时耗时较长、准确率较低的问题。

本申请实施例的第一方面提供了一种基于标题的文档聚类方法，包括：

采集多个文档，各个文档分别具有相应的文档标题；

针对任一文档，计算所述文档的文档标题与其他各个文档的文档标题之间的第一相似度；

将所述第一相似度大于第一预设阈值的多份文档聚类为初始文档簇；

针对所述初始文档簇中的各个目标文档，分别计算所述目标文档的文档标题与多个第二文档的文档标题之间的第二相似度，所述目标文档为所述初始文档簇中第一相似度大于所述第一预设阈值且小于第二预设阈值之间的文档，所述第二文档为不属于所述初始文档簇的文档；

根据所述第二相似度更新所述初始文档簇，得到目标文档簇，并设置所述目标文档簇的簇关键词。

本申请实施例的第二方面提供了一种基于标题的文档聚类装置，包括：

文档采集模块，用于采集多个文档，各个文档分别具有相应的文档标题；

第一相似度计算模块，用于针对任一文档，计算所述文档的文档标题与其他各个文档的文档标题之间的第一相似度；

初始文档簇聚类模块，用于将所述第一相似度大于第一预设阈值的多份文档聚类为初始文档簇；

第二相似度计算模块，用于针对所述初始文档簇中的各个目标文档，分别计算所述目标文档的文档标题与多个第二文档的文档标题之间的第二相似度，所述目标文档为所述初始文档簇中第一相似度大于所述第一预设阈值且小于第二预设阈值之间的文档，所述第二文档为不属于所述初始文档簇的文档；

目标文档簇生成模块，用于根据所述第二相似度更新所述初始文档簇，得到目标文档簇，并设置所述目标文档簇的簇关键词。

本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述基于标题的文档聚类方法的步骤。