[发明专利]一种电子文档的抽样方法及装置

权利要求书

1.一种电子文档的抽样方法，其特征在于，包括：

确定样本电子文档集合对应的字段关键词序列；

根据所述字段关键词序列，确定待抽样电子文档对应的词向量；

根据各个所述待抽样电子文档分别对应的词向量，对各个所述待抽样电子文档进行聚类并划分为至少一个聚类簇；

对所述聚类簇中的所述待抽样电子文档进行抽样，确定所述聚类簇对应的电子文档模板。

2.根据权利要求1所述的方法，其特征在于，所述确定样本电子文档集合对应的字段关键词序列，包括：

对样本电子文档集合中的每个样本电子文档进行分句，确定所述样本电子文档集合对应的文本串集合；

根据预设字段关键词集合，对所述样本电子文档集合对应的文本串集合进行过滤，确定所述样本电子文档集合对应的关键词集合；

根据所述关键词集合，确定样本电子文档集合对应的字段关键词序列。

3.根据权利要求2所述的方法，其特征在于，所述根据所述关键词集合，确定样本电子文档集合对应的字段关键词序列，包括：

针对所述关键词集合中的每个关键词，确定所述关键词在所述样本电子文档集合中的重复次数；

当所述重复次数满足条件时，将所述重复次数对应的所述关键词确定为字段关键词；

通过各个所述字段关键词，形成所述字段关键词序列。

4.根据权利要求1所述的方法，其特征在于，还包括：

针对所述字段关键词序列中每个所述字段关键词，确定所述字段关键词在所述样本电子文档集合中的词频和逆向文件频率指数；

根据所述字段关键词对应的词频和逆向文件频率指数，确定所述字段关键词对应的第一权重值；

则，所述根据所述字段关键词序列，确定待抽样电子文档对应的词向量，包括：

根据所述字段关键词序列中每个所述字段关键词对应的第一权重值，确定待抽样电子文档对应的词向量。

5.根据权利要求4所述的方法，其特征在于，所述根据所述字段关键词序列中每个所述字段关键词对应的第一权重值，确定待抽样电子文档对应的词向量，包括：

若待抽样电子文档中存在所述字段关键词，将所述字段关键词对应的第一权重值确定为所述字段关键词对应的第二权重值；

若待抽样电子文档中不存在所述字段关键词，将预设值确定为所述字段关键词对应的第二权重值；

将所述字段关键词序列中每个所述字段关键词对应的第二权重值，转化为所述待抽样电子文档对应的词向量。

6.根据权利要求1所述的方法，其特征在于，所述根据各个所述待抽样电子文档分别对应的词向量，对各个所述待抽样电子文档进行聚类并划分为至少一个聚类簇，包括：

对各个所述待抽样电子文档分别对应的词向量进行无监督聚类，确定聚类种类；

根据所述聚类种类，对各个所述待抽样电子文档进行聚类并划分为至少一个聚类簇。

7.根据权利要求6所述的方法，其特征在于，所述对各个所述待抽样电子文档分别对应的词向量进行无监督聚类，确定聚类种类，包括：

对各个所述待抽样电子文档进行无监督聚类，确定聚类种类和聚类误差的曲线；

根据所述聚类种类和聚类误差的曲线，确定聚类种类。

8.一种电子文档的抽样装置，其特征在于，包括：

序列确定模块，用于确定样本电子文档集合对应的字段关键词序列；

向量确定模块，用于根据所述字段关键词序列，确定待抽样电子文档对应的词向量；

聚类确定模块，用于根据各个所述待抽样电子文档分别对应的词向量，对各个所述待抽样电子文档进行聚类并划分为至少一个聚类簇；

抽样模块，用于对所述聚类簇中的所述待抽样电子文档进行抽样，确定所述聚类簇对应的电子文档模板。

9.一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行如权利要求1至7中任一所述的方法。

10.一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如权利要求1至7中任一所述的方法。