[发明专利]一种稿件数据分类的方法

说明书

技术领域

本发明涉及计算机翻译领域，特别是指一种稿件数据分类的方法。

背景技术

随着全球联系越来越紧密，各语种信息之间的转换需求也越来越大，面对海量的多语信息转换和翻译任务，通常采用任务平均分配和流水作业方法的小规模翻译模式，效率低无法利用信息化平台进行自动化的高效处理，无法满足即时、海量的翻译需求。随着信息技术的发展，基于云计算和互联网技术的的多任务分布式的云翻译平台，成为翻译行业走向信息化、标准化、产业化的重要工作平台。

待处理稿件进入云翻译平台后，首先会对其进行初步的预分类，即将其中一些时间紧急、翻译难度大或翻译流程复杂的待处理稿件标记为可能需人工干预的风险稿件，以便人工监控，并在适当时间将此类稿件转入人工辅助处理流程。以往为了区分出此类稿件，一般是通过人工对稿件进行预览，判断稿件难度、预估翻译时间和确定翻译流程。这种方法虽然分类准确度较高，但对于速度要求高于准确度要求的稿件预分类而言，该方法不能满足平台快速处理的稿件需求，无法实现平台的高吞吐率，同时所需的人力耗费非常巨大。

发明内容

有鉴于此，本发明在于提供一种稿件数据分类的方法，以解决上述人工区分稿件的类型，效率低下的问题。

为解决上述问题，本发明提供一种稿件数据分类的方法，包括：

根据手动分类后的历史稿件数据，确定感知机分类模型中的系数；

提取待分类的稿件数据的输入空间的信息，代入所述分类模型中，并根据所述模型和系数得到对应分类的值；

根据所述分类的值判别所述待分类的稿件数据的类别。

优选地，根据所述历史稿件数据中的以下输入空间、输出空间的各维度信息确定所述系数；

y：该稿件是否为人工干预过的稿件，是：y＝1，否：y＝-1；

X维度的至少包括以下之一：

X₁：稿件被浏览次数；

X₂：稿件领取后被放弃次数；

X₃：稿件被标注次数；

X₄：稿件每百字术语个数；

X₅：稿件紧急度。

优选地，所述感知机模型包括：

f(x)＝sign(WX+b)所述系数为：W，b。

优选地，通过感知机模型确定所述系数之前，还包括：消除错误类别对应的数据。

优选地，通过感知机模型确定所述系数的过程中，还包括：设定学习率系数α。

优选地，确所述系数过程中，还包括：

如果历史数据中存在(X_i，Y_i)，使得Y_i(WX_i+b)≤0，

则：采用以下公式更新W、b；

W←W+αY_iX_i

b←b+αY_i

直到历史数据中所有样本，对于更新后的(W，b)都有Y_i(WX_i+b)＞0；

f(x)＝sign(WX+b)所述系数为：W，b；其中i为输入空间、输出空间中的X、Y的序号；sign为符号函数。

本发明的方法，通过上述的流程，可有效将稿件数据区分为两类，提高了工作效率。该方法能满足平台快速处理的稿件需求，实现平台的高吞吐率，同时提高了的稿件的分类效率。

附图说明

图1是实施例的流程图。

具体实施方式

为清楚说明本发明中的方案，下面给出优选的实施例并结合附图详细说明。

下面结合附图详细说明本发明的实施例，参加图1，具体包括：

S11根据手动分类后的历史稿件数据，确定感知机分类模型中的系数；

S12提取待分类的稿件数据的输入空间信息，代入所述分类模型中，并根据所述模型和系数得到对应分类的值；

S13根据所述分类的值判别所述待分类的稿件数据的类别。

本发明的方法，可实现数据的快速分类，且准确度高，减少人为的干扰，分类效率极大的提高。

实施例中的感知机模型的系数包括输入空间、输出空间和分类超平面等，

输入空间：X＝{X₁，X₂，X₃，X₄，X₅}；

输出空间：Y＝{1，-1}；