[发明专利]一种文本信息提取方法、装置、服务器及存储介质

说明书

本发明实施例提供的一种文本信息提取方法、装置、服务器及存储介质。该方法包括：通过Word2Vec模型确定文本中候选词的词向量，并确定不同词向量之间的相似度值；将词向量作为节点，并根据词向量之间的相似度值构建节点之间的边，得到候选词图集；通过TextRank算法，根据所述候选词图集，确定候选词权重；根据候选词权重，确定文本的关键词。通过采用Word2Vec模型将候选词转换为词向量，能够使候选词通过低维的向量进行表示，提高处理效率，通过相似度值计算，并构建图集，能够形象地反映出候选词之间的关联关系，最后通过TextRank算法计算候选词的权重值，从而更加准确全面地确定文本的关键词。

技术领域

本发明实施例涉及文本提取技术领域，尤其涉及一种文本信息提取方法、装置、服务器及存储介质。

背景技术

随着互联网的快速发展，网络的功能越来越全面，网络文章信息的量也快速增长。但是，很多网络文章存在较大的篇幅，人们通常需要消耗大量的时间来阅读整篇文章才能获得关键的新闻信息。对于需要提取文章信息的编辑或者网络的监控人员来说，为了获得关键的文章信息，需要花费大量的时间来阅读大篇幅的文章，大大降低了工作效率。因此，文本关键词和文本摘要的自动提取大大的缩短了人们从大篇幅网络文章中获得关键信息的时间，同时也很好的节约了一些公司或者企业的人力成本。

目前常用的关键词和摘要提取方法为基于TextRank算法的排序方法，TextRank的基本思想基于谷歌的PageRank算法。TextRank一般模型可以表示为一个有向有权图G＝(V,E),由点集合V和边集合E组成，E是V×V的子集。In(Vi)为指向该点Vi的点集合,Out(Vi)为点Vi指向的点集合。点Vi的得分定义如下：

其中,d为阻尼系数,取值范围为0到1,代表从图中某一特定点指向其他任意点的概率。

根据上述算法计算权重值需要根据共现关系构建图集，但是这种方法需要事先建立所有点集之间的边，再在其中通过设置的窗口进行选取，得到存在关联关系的边与候选词节点，构建过程繁琐，处理效率低，并且无法得到每条边权重值的相对大小，导致通过TextRank算法得到的关键词或摘要并不全面精准。另外，传统的文字数字化方法形式简单，转换的向量维度较大，不利于计算与处理。

发明内容

本发明实施例提供了一种文本信息提取方法、装置、服务器及存储介质，解决目前应用TextRank算法进行信息提取过程中关键词或摘要获取不全面精准，处理效率低的问题。

第一方面，本发明实施例提供了一种文本信息提取方法，包括：

通过Word2Vec模型确定文本中候选词的词向量，并确定不同词向量之间的相似度值；

将词向量作为节点，并根据词向量之间的相似度值构建节点之间的边，得到候选词图集；

通过TextRank算法，根据所述候选词图集，确定候选词权重；

根据候选词权重，确定文本的关键词。

第二方面，本发明实施例提供了一种文本信息提取装置，所述装置包括：

第一确定模块，用于通过Word2Vec模型确定文本中候选词的词向量，并确定不同词向量之间的相似度值；

第一构建模块，用于将词向量作为节点，并根据词向量之间的相似度值构建节点之间的边，得到候选词图集；

第一权重确定模块，用于通过TextRank算法，根据所述候选词图集，确定候选词权重；

关键词确定模块，用于根据候选词权重，确定文本的关键词。

第三方面，本发明实施例提供了一种服务器，包括：

一个或多个处理器；