摘要文本的处理方法、设备和存储介质与流程

本技术涉及自然语言处理，尤其涉及一种摘要文本的处理方法、设备和存储介质。

背景技术：

1、在企业财务流水自动化记账场景中，对海量收支流水摘要的特征提取、规则批量生成与凭证自动转化能力，直接关系到账务处理效率、凭证生成准确率与财务人力投入成本。

2、相关技术中，通过财务人员借助电子表格逐条归纳文本规律、手动配置记账规则，再辅以传统文本相似度算法与大语言模型开展数据辅助分析的方式搭建记账规则体系，这种方式下人工归纳主观性强、统一标准缺失，使得特征归纳容易出现疏漏，难以适配大批量非标准化流水数据的规模化规则自动提取场景，导致文本摘要的处理效果不佳。

3、上述内容仅用于辅助理解本技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本技术的主要目的在于提供一种摘要文本的处理方法、设备和存储介质，旨在解决文本摘要的处理效果不佳的技术问题。

2、为实现上述目的，本技术提出一种摘要文本的处理方法，所述方法包括：

3、基于待处理的流水摘要文本，逐一计算所述流水摘要文本中任意两条文本间的相似度，构建所述流水摘要文本的相似矩阵；

4、根据所述相似矩阵中每条文本对应的相似关联累计得分，确定当前轮次的聚簇质心；

5、基于与所述聚簇质心的相似度达到预设相似阈值的文本，聚类生成聚簇集合；

6、将每组所述聚簇集合的聚簇质心作为基准，依次与所述聚簇集合内所有文本求取最长公共子序列，筛选得到所述流水摘要文本的目标文本模式。

7、在一实施例中，将所述流水摘要文本的文本特征按照统一字符格式处理，并剔除无效冗余字符，得到待计算文本集合；

8、对于所述待计算文本集合中的任意两条不同文本组成的文本对，计算所述文本对的相似度；

9、以各所述文本对的文本分别作为行列索引，以所述相似度作为矩阵元素，构建初始矩阵；

10、对所述初始矩阵进行对称性校验与数值边界修正，修正计算偏差与异常值后，得到所述流水摘要文本的相似矩阵。

11、在一实施例中，将所述相似矩阵中每条文本对应的所述相似度，逐一与关联相似阈值对比，确定所有达到所述关联相似阈值的相似关联对；

12、基于每条文本对应所述相似关联对的数量，累加生成文本对应的所述相似关联累计得分，映射得到得分映射集合；

13、根据所述得分映射集合中的所有文本的所述相似关联累计得分，确定所述相似关联累计得分最高值的目标文本；

14、将所述目标文本确定为所述当前轮次的聚簇质心，并关联所述聚簇质心的文本内容以及索引信息。

15、在一实施例中，基于所述相似矩阵中的所述相似关联对，以单条所述流水摘要文本为处理单元逐一归集，得到每条文本对应的相似关联对列表；

16、逐条统计所述相似关联对列表内的有效关联对条目总数，将所述有效关联对条目总数确定为对应文本的所述相似关联累计得分；

17、构建所述流水摘要文本的标识及其对应所述相似关联累计得分的关联关系，映射得到初始得分集合；

18、按照集合完整性规则校验所述初始得分集合，修正遗漏文本与重复映射条目，得到所述得分映射集合。

19、在一实施例中，提取所述聚簇质心对应行内所有未聚类文本的相似度，生成质心相似度比对序列；

20、将所述质心相似度比对序列中的相似度数值逐一与所述预设相似阈值对比判定，筛选出所述相似度数值满足所述预设相似阈值的文本，得到聚簇候选成员集合；

21、将所述当前轮次的聚簇质心嵌入所述聚簇候选成员集合，并将所述聚簇质心作为簇内基准文本，得到聚簇初始集合；

22、对所述聚簇初始集合进行成员去重校验与聚类状态标记，输出所述当前轮次的聚簇集合，并将所述聚簇集合的所有成员标记为已聚类状态。

23、在一实施例中，将所述聚簇集合的聚簇质心作为初始公共子序列的基准，并通过所述聚簇集合的文本构建待比对文本队列；

24、基于所述待比对文本队列中的文本，依次与所述公共子序列的基准求解所述最长公共子序列，整理得到公共子序列集合；

25、基于所述公共子序列集合，结合所述聚簇质心，筛选可变片段并统一替换为标准化通配符，得到所述流水摘要文本的目标文本模式。

26、在一实施例中，将所述公共子序列集合中的公共子序列与质心文本进行逐字符位置的对齐匹配，并标记所述质心文本中未被所述公共子序列覆盖的字符区间，得到可变片段位置；

27、将所述质心文本中对应可变片段位置的字符片段统一替换为所述标准化通配符，生成文本初始模式；

28、基于所述文本初始模式，将连续相邻的多个通配符合并为单个所述标准化通配符，并剔除模式首尾冗余的通配符片段，得到文本规整模式；

29、将所述文本规整模式与所述聚簇集合内的文本进行泛化匹配校验，确认所有文本被匹配覆盖后，得到所述流水摘要文本的目标文本模式。

30、在一实施例中，基于所述目标文本模式，按照检索增强机制调取企业财务知识库与预设分类规则模板，构建分类推理框架；

31、在所述分类推理框架内嵌入典型业务分类样本示例，结合根据所述相似关联累计得分设置的思维链约束逻辑，生成分类推理提示指令；

32、将所述目标文本模式与所述分类推理提示指令输入大语言模型中，引导模型优化按照模式主语语义进行收支类别的逐步推理划分，输出初始分类结果集合；

33、对所述初始分类结果集合进行分类一致性校验和格式规整处理，修正偏离分类规则的异常条目后，得到所述流水摘要文本的分类结果。

34、此外，为实现上述目的，本技术还提出一种摘要文本的处理设备，所述摘要文本的处理设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的摘要文本的处理方法的步骤。

35、此外，为实现上述目的，本技术还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的摘要文本的处理方法的步骤。

36、本技术提供了一种摘要文本的处理方法，包括通过基于待处理流水摘要文本逐一两两计算相似度构建全量相似矩阵，依托相似矩阵统计各文本相似关联累计得分确定每轮全局最优聚簇质心，筛选相似度达标文本生成对应聚簇集合，再以各组聚簇质心为基准和簇内文本求取最长公共子序列并筛选生成流水摘要目标文本模式的完整前置处理流程，解决了传统文本算法适配短文本非标准化流水摘要效果差、随机聚类算法结果不稳定、海量流水摘要直接送入大模型受窗口限制导致分类精度低、人工整理文本模式规则人力成本高昂且易遗漏的技术问题，无需分词与专用词库即可完成海量短文本压缩降量，依靠全局确定性聚类消除聚类结果随机偏差，缩减了待输入大模型的数据体量规避上下文缺失缺陷，降低了文本规则梳理人力与模型推理计算成本，同时保障提取的文本模式具备通用泛化能力，提升了流水摘要模式提取效率、稳定性与分类准确度。

37、综上所述，本技术通过构建全量相似矩阵确定全局最优聚簇、提取公共子序列生成文本模式，解决了文本摘要处理效果不佳的技术问题，达到了提升聚类稳定性、海量短文本处理效率与大模型分类精准的效果。