[发明专利]短文本数据增强方法、系统及检测认证服务平台

说明书

本发明涉及一种短文本数据增强方法，包括以下步骤：获取短文本文档合集，打开短文本文档合集内的所有文档，读取各文档的文本内容；将各文本内容作为文本数据增强项分别传送至临时存储区中；将临时存储区中的各文本数据增强项分别写入对应的文档中。上述短文本数据增强方法，通过读取文档的文本内容，将文本内容作为文本数据增强项传送至临时存储区中，将文本数据增强项写入文档中，在不引用外部信息的情况下，利用自身数据信息，增加文本长度，增强主题信息，有效提高主题质量，缓解了文本内容过少、文本稀疏性太强而无法深入理解主题信息的问题，有利于文本主题的挖掘。

技术领域

本发明涉及数据挖掘领域，特别是涉及一种短文本数据增强方法、系统及检测认证服务平台。

背景技术

近年来，信息技术高速发展，随之而来的就是大量的文本信息，快速、准确的理解文本的主题信息并进行分类是信息处理的一个重要环节。文本根据长度的不同分为长文本和短文本两类，在实际情况中，短文本大量存在，且在搜索引擎发挥着重要作用。但是，短文本信息由于包含主题信息量少，文本数据稀疏导致文本特征稀疏，主题质量差，难以挖掘文本主题。

例如，当前建立的检测认证平台通过用户搜索内容为用户匹配相应检测认证机构，但因为用户搜索内容过短，搜索出的检测认证机构不一定符合用户需求，因此弥补搜索内容主题质量差、难以挖掘文本主题的缺陷成为当前需解决的一个重点问题。

针对短文本数据的稀疏性问题，当前主要有三种处理方法来弥补短文本信息量少的缺陷，一是利用多语言知识转换来拓展特征信息；二是从语义角度拓展特征的语义信息，以扩充特征维度；三是加入短文本的元数据信息以扩充特征空间。三种短文本数据拓展与选择方法虽然能在一定程度上缓解短文本的特征稀疏性问题，但在数据源上或语义知识库的选取会直接影响短文本数据的拓展与选择的效果，造成文本主题挖掘出现偏差。

发明内容

基于此，有必要针对短文本包含主题信息量少、文本数据稀疏导致难以挖掘文本主题的问题，提供一种短文本数据增强方法、系统及检测认证服务平台。

一种短文本数据增强方法，包括以下步骤：

获取短文本文档合集，打开短文本文档合集内的所有文档，读取各文档的文本内容；

将各文本内容作为文本数据增强项分别传送至临时存储区中；

将临时存储区中的各文本数据增强项分别写入对应的文档中。

上述短文本数据增强方法，通过读取文档的文本内容，将文本内容作为文本数据增强项传送至临时存储区中，将文本数据增强项写入文档中，在不引用外部信息的情况下，利用自身数据信息，增加文本长度，增强主题信息，有效提高主题质量，缓解了文本内容过少、文本稀疏性太强而无法深入理解主题信息的问题，有利于文本主题的挖掘。

一种短文本数据增强系统，包括：

短文本获取模块，用于获取短文本文档合集，打开短文本文档合集内的所有文档，读取各文档的文本内容；

特征增强项获取模块，用于将各文本内容作为文本数据增强项分别传送至临时存储区中；

文本数据增强模块，用于将临时存储区中的各文本数据增强项分别写入对应的文档中。

上述短文本数据增强系统，短文本获取模块读取文档的文本内容，特征增强项获取模块将文本内容作为文本数据增强项传送至临时存储区中，文本数据增强模块将文本数据增强项写入文档中，在不引用外部信息的情况下，利用自身数据信息，增加文本长度，增强主题信息，有效提高主题质量，缓解了文本内容过少、文本稀疏性太强而无法深入理解主题信息的问题，有利于文本主题的挖掘。

一种计算机设备，包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述的短文本数据增强方法的步骤。