[发明专利]文本数据标注方法、装置、电子设备和存储介质

权利要求书

1.一种文本数据标注方法，包括：

用待标注文本数据集合中每个待标注文本数据对应的文本特征向量生成待分类特征向量集合；

基于所述待分类特征向量集合进行聚类，得到至少一个待分类特征向量子集合；

对于每个所述待分类特征向量子集合，执行以下标注操作：基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取，得到与该待分类特征向量子集合对应的文本主题；将该待分类特征向量子集合中待分类特征向量对应的待标注文本数据的主题类别标注为该待分类特征向量子集合对应的文本主题。

2.根据权利要求1所述的方法，其中，所述基于所述待分类特征向量集合进行聚类，得到至少一个待分类特征向量子集合，包括：

基于所述待分类特征向量集合进行密度聚类，得到密度聚类结果，所述密度聚类结果包括M个密度聚类簇和N个噪声聚类簇，每个密度聚类簇和噪声聚类簇均包括至少一个待分类特征向量，所述M和N为自然数；

基于所述M个密度聚类簇中的待分类特征向量进行距离聚类，得到D个距离聚类簇，每个距离聚类簇包括至少一个待分类特征向量，所述D为自然数；

将所述N个噪声聚类簇和所述D个距离聚类簇确定为所述至少一个待分类特征向量子集合。

3.根据权利要求2所述的方法，其中，在基于所述M个密度聚类簇中的待分类特征向量进行距离聚类，得到D个距离聚类簇之后，所述方法还包括：

将所述N个噪声聚类簇中的每个待分类特征向量标记为单一类别；

对于所述D个距离聚类簇中的每个待分类特征向量，根据该待分类特征向量与各所述距离聚类簇的质心的距离，将该待分类特征向量标记为单一类别或非单一类别。

4.根据权利要求3所述的方法，其中，所述基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取，得到与该待分类特征向量子集合对应的文本主题，包括：

基于该待分类特征向量子集合中标记为单一类别的待分类特征向量对应的待标注文本数据进行主题提取，得到与该待分类特征向量子集合对应的文本主题。

5.根据权利要求3或4所述的方法，其中，所述根据该待分类特征向量与各所述距离聚类簇的质心的距离，将该待分类特征向量标记为单一类别或非单一类别，包括：

确定该待分类特征向量与各所述距离聚类簇的质心的距离的最大值和平均值；

响应于确定所确定的最大值与平均值的差值大于预设距离差值阈值，将该待分类特征向量标记为单一类别；

响应于确定所确定的最大值与平均值的差值不大于所述预设距离差值阈值，将该待分类文本向量标记为非单一类别。

6.根据权利要求5所述的方法，其中，所述对于每个所述待分类特征向量子集合，将该待分类特征向量子集合中待分类特征向量对应的待标注文本数据的主题类别标注为该待分类特征向量子集合对应的文本主题，包括：

对于每个所述噪声聚类簇，将该噪声聚类簇中每个待分类特征向量对应的待标注文本数据的主题类别标注为该噪声聚类簇对应的文本主题；

对于每个所述距离聚类簇，将该距离聚类簇中被标记为单一类别的待分类特征向量对应的待标注文本数据的主题类别标注为该距离聚类簇对应的文本主题；

对于每个所述距离聚类簇，将该距离聚类簇中被标记为非单一类别的待分类特征向量，执行以下多类别标注操作：根据该待分类特征向量与各所述距离聚类簇的质心的距离，从各所述距离聚类簇中选取至少两个与该待分类特征向量相关的相关距离聚类簇；将该待分类特征向量对应的待标注文本数据的主题类别标注为所确定的相关距离聚类簇对应的文本主题。

7.根据权利要求1所述的方法，其中，所述基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行主题提取，得到与该待分类特征向量子集合对应的文本主题，包括：

基于该待分类特征向量子集合中待分类特征向量对应的待标注文本数据进行关键词提取，得到至少一个主题关键词；

按照预设业务主题规则，基于所述至少一个主题关键词和相应的词性生成与该待分类特征向量子集合对应的文本主题。