[发明专利]一种大规模语音数据的核心内容挖掘方法及设备

说明书

本发明提供了一种大规模语音数据的核心内容挖掘方法及设备，属于计算机技术领域。本发明实施例提供的大规模语音数据的核心内容挖掘方法及设备，可以将待处理语音数据集转换为对应的待处理文本数据集，然后通过文本聚类算法对与待处理文本数据集对应的待处理词语文本集进行文本聚类得到对应的至少一个类别，可以将该至少一个类别对应的主题确定为待处理语音数据集的核心内容，将待处理文本数据集中每一条待处理文本数据所属的类别的主题确定为该条待处理文本数据的核心内容，即，确定出每一条待处理语音数据的核心内容。实现了在零先验条件下对大规模语音数据核心内容的挖掘，提高了核心内容挖掘的效率以及准确率。

技术领域

本发明属于计算机技术领域，特别是涉及一种大规模语音数据的核心内挖掘方法及设备。

背景技术

目前，某些客户端由于业务原因，通常会生成大量的语音数据，比如，在涉及电话客服、视频直播以及网络电话等业务的客户端通常会有大量的语音数据。为了更好的了解用户的兴趣点或意图等等，服务商通常会对语音数据的核心内容进行挖掘，以便于为用户提供更好的服务。

现有技术中，在对语音数据的核心内容进行挖掘的时候，通常是需要人工听取语音数据，然后根据个人理解，人工总结出核心内容。

但是，现有技术中采用的人工挖掘的方式，效率低下，且由于个人理解会存在一定偏差，会导致对语音数据的核心内容挖掘的因人而异。

发明内容

本发明提供一种大规模语音数据的核心内挖掘方法及设备，以便解决挖掘效率较低，且内容不统一的问题。

依据本发明的第一方面，提供了一种大规模语音数据的核心内容挖掘方法，该方法包括：

将大规模待处理语音数据集转换为对应的待处理文本数据集；

对所述对应的待处理文本数据集进行预处理，得到所述待处理文本数据对应的待处理词语文本集；

通过文本聚类算法对所述待处理词语文本集进行文本聚类，得到对应的至少一个类别；

将所述至少一个类别对应的主题确定为所述大规模待处理语音数据集的核心内容。

可选的，所述预处理包括：对所述对应的待处理文本数据进行分词处理以及去弱意义词处理。

可选的，所述通过文本聚类算法对所述待处理词语文本集进行文本聚类，得到对应的至少一个类别的步骤，包括：

针对所述待处理词语文本集中的多个所有词语建立词语索引关系向量；

利用文本聚类算法对所述待处理词语文本集进行聚类，得到对应的至少一个类别。

可选的，所述方法还包括：

根据所述文本聚类得到的聚类结果，构建文本分类模型；

其中，所述文本分类模型中包括所述至少一个类别，所述文本分类模型用于对新语音数据集对应的新文本数据集进行文本分类，进而确定所述新语音数据集的核心内容。

可选的，所述文本聚类算法为隐含狄利克雷分布LDA算法、分层狄利克雷HDP算法或概率潜在语义分析PLSA算法。

依据本发明的第二方面，提供了一种大规模语音数据的核心内容挖掘设备，该设备包括：

转换模块，用于将大规模待处理语音数据集转换为对应的待处理文本数据集；

预处理模块，用于对所述对应的待处理文本数据集进行预处理，得到所述待处理文本数据集对应的多个词语构成的文本集；

聚类模块，用于通过文本聚类算法对所述待处理词语文本集进行文本聚类，得到对应的至少一个类别；