(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211148111.8 (22)申请日 2022.09.21 (65)同一申请的已公布的文献号 申请公布号 CN 115249015 A (43)申请公布日 2022.10.28 (73)专利权人 中科雨辰科技有限公司 地址 100093 北京市海淀区清琴麓 苑170号 楼2层 (72)发明人 张正义　林方　傅晓航　李一　 (74)专利代理 机构 北京锺维联合知识产权代理 有限公司 1 1579 专利代理师 安娜 (51)Int.Cl. G06F 40/295(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 16/33(2019.01) G06F 16/35(2019.01) G06F 40/211(2020.01) G06F 40/216(2020.01) G06K 9/62(2022.01) 审查员 张雯 (54)发明名称 基于篇章聚类和语句融合的标注一致性检 验方法及 介质 (57)摘要 本申请涉及电数字数据处理技术领域， 特别 是涉及基于篇章聚类和语句融合的标注一致性 检验方法及介质， 所述方法包括以下步骤： 获取 未标注语料库的c个簇 形成簇集合clu； 遍历clu， 得到cluj的edoj； 获取notj=(nod1， nod2，…， nodm，…， nodE)； 更新clu为nclu={nclu1， nclu2，…， ncluj，…， ncluc}， ncluj为利用notj中 篇章替换cluj中对应篇章得到； 遍历nclu， 将 conm=numm/len(esem)追加到c on； 根据mean(con) 判断目标时间内的标注是否一致。 本发明实现了 对用户标注一 致性的检验。 权利要求书2页 说明书5页 附图1页 CN 115249015 B 2022.12.02 CN 115249015 B 1.一种基于篇 章聚类和语句融合的标注一 致性检验方法， 其特 征在于， 包括以下步骤： S100， 获取未标注语料库的c个簇形成簇集合clu， clu  ={clu1， clu2，…， cluj，…， cluc}， 其中， cluj为第j个簇， j的取值范围为1到c， c为利用聚类模型得到的总簇数， c为正整数； cluj=(docj,1， docj,2，…， docj,x，…， docj,A)， 其中， docj,x为cluj中的第x篇篇章， x的取值范围 为1到A， A为cluj中篇章的总篇数， A为 正整数； S200， 遍历 clu， 得到cluj的edoj， edoj为cluj中fx最大的篇章， fx为kwx在cluj中的关键词 覆盖率， k wx为docj,x的关键词的集 合； S300， 遍历clu， 获取notj =(nod1， nod2，…， nodm，…， nodE)， 其中， nodm为将esem插入到 odm后得到的篇章， odm为otdj中与esem最相似的篇章， otdj为cluj中除了edoj之外的其他篇 章， esem为edoj中的第m个 语句， m的取值范围为1到 E， E为edoj中的语句总数； S400， 更新clu为nclu={nclu1， nclu2，…， ncluj，…， ncluc}， 其中， ncluj为利用notj中篇 章替换cluj中对应篇 章得到； S500， 遍历nclu， 如果在目标时间段内esem在edoj和nodm中均被标注， 则将conm=numm/ len(esem)追加到con， conm为elam与olam的标注一致率， numm为elam与olam中对应标注内容 一样的位置 数， elam为esem在edoj中的标注结果， olam为esem在nodm中的标注结果， len(  )为 求字符串长度函数； con=(con1， con2，…， conb，…， conB)， conb为第b个被追加到con的标注一 致性率， b的取值范围为1到B， B为被追加到con的标注一致率的总数量， con的初始化为 Null； S600， 根据mean(con)判断目标时间内的标注是否一致， mean(  )为取均值函数， 表示对 con1， con2，…， conb，…， conB取平均值。 2.根据权利要求1所述的方法， 其特征在于， 步骤S300中， 确定esem插入到odm中具体位 置的方法包括： S310， 获取simr， simr为encoding(esem)与encoding(odsr)的相似度， encoding(esem)为 对esem进行编码得到的向量， enc oding(odsr)为对odsr进行编码得到的向量， odsr为odm中第 r个语句， r的取值范围为1到 H， H为odm中语句总数； S320， 获取pror， pror为esem适合作为odsr的下一个 语句出现的概 率； S330， 将esem作为poir最大的odsr的下一个语句插入到odm中， poir为语句被插入权重， poir=simr*pror。 3.根据权利要求2所述的方法， 其特 征在于， 步骤S320中， 获取pror的方法包括： 将encoding(odsr)和encoding(esem)拼接后输入至神经网络分类器， 得到pror； 所述神 经网络分类 器为未经激活函数激活的分类 器。 4.根据权利要求1所述的方法， 其特征在于， 步骤S400还包括： 遍历nclu， 更新nclu中各 篇章的标注顺序， 更新后edoj与notj中任意篇章之间的标注篇章间隔量大于等于intj， 且 notj中任意两不同篇 章之间的标注篇 章间隔量大于等于i ntj， intj为预设间隔值。 5.根据权利要求4所述的方法， 其特征在于， intj=floor(A/(e+1))， floor(  )为向下取 整函数， e为 notj中篇章的总数。 6.根据权利要求1所述的方法， 其特征在于， 步骤S300中， 当esem中出现关键词时， 确定 odm的方法包括：权　利　要　求　书 1/2 页 2 CN 115249015 B 2将otdj中fsp最大的篇章作为odm， fsp为esem在dop中的语句覆盖频次， ， dop为otdj中第p篇篇章， p的取值范围为1到A ‑1， Gm为esem中关键词的个数， numh,p为esem中第 h个关键词在dop中出现的频次。 7.根据权利要求1所述的方法， 其特征在于， 步骤S300中， 当esem中没有出现关键词时， 确定odm的方法包括： 将simp最大的dop作为odm， simp为encoding(esem)与encoding(dop)的相似度， encoding (esem)为对esem进行编码得到的向量， encoding(dop)为对dop进行编码得到的向量， dop为 otdj中第p篇篇章， p的取值范围为1到A ‑1。 8.根据权利要 求1所述的方法， 其特征在于， 步骤S2 00中， ， kx为kwx中关键词的个数， numz,y为kwx中第y个关键词在docj,z中出现的频次， A>2。 9.根据权利要求1所述的方法， 其特 征在于， 步骤S10 0中， 获取clu的方法包括： S110， 获取未标注语料库D =(doc1， doc2，…， doci，…， docd)， 其中， doci为第i篇篇章， i的 取值范围为1到d， d为未 标注语料库中篇 章的总篇数， d为 正整数； S120， 遍历D， 利用摘要生成模型得到doci的摘要sumi， 将sumi追加到sum， 得到sum= (sum1， sum2，…， sumi，…， sumd)， sum的初始化 为Null； S130， 遍历sum， 利用文本编码模型得到sumi的向量enci， 将enci追加到enc， 得到enc= (enc1， enc2，…， enci，…， encd)， enc的初始化 为Null； S140， 遍历enc， 利用聚类模型对enci进行聚类， 得到 clu。 10.一种非瞬时性计算机可读存储介质， 所述存储介质中存储有至少一条指令或至少 一段程序， 其特征在于， 所述至少一条指令或所述至少一段程序由处理器加载并执行以实 现如权利要求1 ‑9中任意一项的所述方法。权　利　要　求　书 2/2 页 3 CN 115249015 B 3