[发明专利]文章画像提取方法、装置、电子设备及存储介质

权利要求书

1.一种文章画像提取方法，其特征在于，所述方法包括：

基于语料库对应的词频矩阵对所述语料库中的每个文章的主题概率分布进行提取，基于每个文章的主题概率分布确定每个文章的主题关键词集合；

基于所述语料库对应的文本向量矩阵对所述语料库中所有文章进行聚类，得到多个簇；对所述多个簇中各个簇分别进行关键词提取得到各个簇的簇关键词集合，及确定各个簇的簇中心文章标题；

针对每个文章，基于所述文章的主题关键词集合及所述文章所属簇的簇关键词集合，确定所述文章的文章关键词；

基于所述文章的文章关键词及所述文章所属簇的簇中心文章标题，确定所述文章的文章画像。

2.根据权利要求1所述的文章画像提取方法，其特征在于，所述基于每个文章的主题概率分布确定每个文章的主题关键词集合，包括：

基于每个文章的主题概率分布，选取每个文章的主题概率分布中N个最大主题概率；N为整数；

基于所选取的N个最大主题概率分别对应的主题关键词，确定每个文章的主题关键词集合。

3.根据权利要求1所述的文章画像提取方法，其特征在于，所述对所述多个簇中各个簇分别进行关键词提取得到各个簇的簇关键词集合，包括：

基于所述多个簇，统计各个簇中各个文章的关键词在所述文章中出现的次数；将各个文章中出现次数最大的关键词进行组合，得到各个簇的簇关键词集合。

4.根据权利要求1所述的文章画像提取方法，其特征在于，所述确定各个簇的簇中心文章标题，包括：

基于所述多个簇，分别计算各个簇中各个文章对应的向量与各个簇中所有文章对应的向量的距离，确定各个簇的簇中心向量；

基于所述簇中心向量，确定各个簇的簇中心文章标题。

5.根据权利要求4所述的文章画像提取方法，其特征在于，所述基于所述簇中心向量，确定各个簇的簇中心文章标题，包括：

基于所述簇中心向量，确定各个簇中与所述簇中心向量的距离最近的向量对应的文章为簇中心文章；

基于所述簇中心文章的标题，确定各个簇的簇中心文章标题。

6.根据权利要求1所述的文章画像提取方法，其特征在于，所述针对每个文章，基于所述文章的主题关键词集合及所述文章所属簇的簇关键词集合，确定所述文章的文章关键词，包括：

基于所述文章的主题关键词集合和所述文章所属簇的簇关键词集合，确定所述文章的主题关键词集合和所述文章所属簇的簇关键词集合的交集；

基于所述文章的主题关键词集合和所述文章所属簇的簇关键词集合的交集、以及所述簇关键词集合中除所述交集之外的预设数目的簇关键词，确定所述文章的文章关键词。

7.一种文章画像提取装置，其特征在于，所述装置包括：

提取模块，用于基于语料库对应的词频矩阵对所述语料库中的每个文章的主题概率分布进行提取，基于每个文章的主题概率分布确定每个文章的主题关键词集合；

聚类模块，用于基于所述语料库对应的文本向量矩阵对所述语料库中所有文章进行聚类，得到多个簇；对所述多个簇中各个簇分别进行关键词提取得到各个簇的簇关键词集合，及确定各个簇的簇中心文章标题；

第一确定模块，用于针对每个文章，基于所述文章的主题关键词集合及所述文章所属簇的簇关键词集合，确定所述文章的文章关键词；

第二确定模块，用于基于所述文章的文章关键词及所述文章所属簇的簇中心文章标题，确定所述文章的文章画像。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述文章画像提取方法的步骤。

9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述文章画像提取方法的步骤。

10.一种计算机程序产品，其上存储有可执行指令，其特征在于，该指令被处理器执行时使处理器实现如权利要求1至6中任一项所述文章画像提取方法的步骤。