CN107608970A - 词性标注模型生成方法和装置 - Google Patents
词性标注模型生成方法和装置 Download PDFInfo
- Publication number
- CN107608970A CN107608970A CN201710910875.9A CN201710910875A CN107608970A CN 107608970 A CN107608970 A CN 107608970A CN 201710910875 A CN201710910875 A CN 201710910875A CN 107608970 A CN107608970 A CN 107608970A
- Authority
- CN
- China
- Prior art keywords
- word
- speech
- sentence
- neutral net
- predicted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000007935 neutral effect Effects 0.000 claims abstract description 96
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000015654 memory Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000007787 long-term memory Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000006854 communication Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Abstract
本申请公开了词性标注模型生成方法和装置。该方法的一具体实施方式包括：利用用于生成词语对应的词向量的神经网络生成用于训练的语句中的每一个词语对应的词向量；基于生成的所述语句中的每一个词语对应的词向量，基于预测出的所述语句中的每一个词语的词性和每一个词语的标注的词性，调整所述对词性标注模型对应的神经网络的参数。一方面，对词性标注模型对应的神经网络进行训练的开销为以字粒度特征进行的训练的开销，同时，具有诸如保证同一个词内的所有字都预测为同一个词性的利用词粒度特征进行训练的优点。另一方面，最终得到的词性标注模型占用的存储空间小，使得词性标注模型可以应用于嵌入式系统中。
Description
技术领域
本申请涉及计算机领域，具体涉及自然语音处理领域，尤其涉及词性标注模型生成方法和装置。
背景技术
词性标注模型通过对词性标注模型对应的神经网络进行训练而生成。目前，通常采用的训练方式为使用词粒度特征或使用字粒度特征。在使用词粒度特征进行训练时，输入层节点数量需设置为所有可能出现的词语的数量，由于词库庞大例如汉语词汇数量在百万级别，导致训练开销大，占用大量存储空间。在使用字粒度特征进行训练时，无法保证同一个词内的所有字都预测为同一个词性，在单字对应的词性标注错误的情况下，在训练过程中难以根据与在时序上相邻输入的词性之间关系进行自校正。
发明内容
本申请提供了一种词性标注模型生成方法和装置，用于解决上述背景技术部分存在的技术问题。
第一方面，本申请提供了词性标注模型生成方法，该方法包括：将用于对词性标注模型对应的神经网络进行训练的语句中的每一个字对应的字向量依次输入到词性标注模型对应的神经网络中的用于生成词语对应的词向量的神经网络，以及利用用于生成词语对应的词向量的神经网络生成所述语句中的每一个词语对应的词向量；基于生成的所述语句中的每一个词语对应的词向量，对所述语句中的每一个词语的词性进行预测，得到预测出的所述语句中的每一个词语的词性，以及基于预测出的所述语句中的每一个词语的词性和每一个词语的标注的词性，调整所述对词性标注模型对应的神经网络的参数。
第二方面，本申请提供了词性标注模型生成装置，该装置包括：生成单元，配置用于将用于对词性标注模型对应的神经网络进行训练的语句中的每一个字对应的字向量依次输入到词性标注模型对应的神经网络中的用于生成词语对应的词向量的神经网络，以及利用用于生成词语对应的词向量的神经网络生成所述语句中的每一个词语对应的词向量；训练单元，配置用于基于生成的所述语句中的每一个词语对应的词向量，对所述语句中的每一个词语的词性进行预测，得到预测出的所述语句中的每一个词语的词性，以及基于预测出的所述语句中的每一个词语的词性和每一个词语的标注的词性，调整所述对词性标注模型对应的神经网络的参数。
本申请提供的词性标注模型生成方法和装置，通过将用于对词性标注模型对应的神经网络进行训练的语句中的每一个字对应的字向量依次输入到词性标注模型对应的神经网络中的用于生成词语对应的词向量的神经网络，以及利用用于生成词语对应的词向量的神经网络生成所述语句中的每一个词语对应的词向量；基于生成的所述语句中的每一个词语对应的词向量，对所述语句中的每一个词语的词性进行预测，得到预测出的所述语句中的每一个词语的词性，以及基于预测出的所述语句中的每一个词语的词性和每一个词语的标注的词性，调整所述对词性标注模型对应的神经网络的参数。一方面，对词性标注模型对应的神经网络进行训练的开销为以字粒度特征进行的训练的开销，同时，具有诸如保证同一个词内的所有字都预测为同一个词性的利用词粒度特征进行训练的优点。另一方面，最终得到的词性标注模型占用的存储空间小，使得词性标注模型可以应用于嵌入式系统中。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出了根据本申请的词性标注模型生成方法的一个实施例的流程图；
图2示出了适用于本申请的词性标注模型生成方法的神经网络的结构示意图；
图3示出了根据本申请的词性标注模型生成装置的一个实施例的结构示意图；
图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参考图1，其示出了根据本申请的词性标注模型生成方法的一个实施例的流程。该方法包括以下步骤：
步骤101，利用用于生成词语对应的词向量的神经网络基于输入的每一个字对应的字向量，生成语句中的每一个词语对应的词向量。
在本实施例中，为了生成对语句中的词语的词性进行标注的词性标注模型，需要对词性标注模型对应的神经网络进行训练，训练后的词性标注模型对应的神经网络可以称之为词性标注模型。可以首先创建词性标注模型对应的神经网络，对词性标注模型对应的神经网络中的参数进行初始化，然后，利用训练样本对词性标注模型对应的神经网络进行训练。
在对词性标注模型对应的神经网络进行训练时，在一次训练过程中，可以预先对一个用于训练的语句进行分词，得到多个词语，对多个词语中的每一个词语的词性进行标注，得到每一个词语的标注的词性。
在一次训练过程中，可以获取用于训练的语句中的每一个字对应的字向量。一个字对应的字向量表示该字的特征。可以通过字向量查询矩阵，得到用于训练的语句中的每一个字对应的字向量。然后，可以将用于对词性标注模型对应的神经网络进行训练的语句中的每一个字对应的字向量依次输入到词性标注模型对应的神经网络中的用于生成词语对应的词向量的神经网络，利用用于生成词语对应的词向量的神经网络生成语句中的每一个词语对应的词向量。一个词语对应的词向量可以表示该词语的特征。
用于生成词语对应的词向量的神经网络可以将属于同一个词语的字对应的字向量进行融合，得到一个词语对应的词向量。在依次将语句中的每个字对应的字向量依次输入到用于生成词语对应的词向量的神经网络之前，可以预先确定语句中的每一个词语包含的字的数量。在依次将每个字对应的字向量依次输入到用于生成词语对应的词向量的神经网络的过程中，输入的第一个字对应的字向量作为新输入的第一个字向量，在检测到从新输入的第一个字向量开始，新输入了第一个词语包含的字的数量的字向量之后，可以基于新输入的第一个词语中的每一个字对应的字向量，生成用于训练的语句中的第一个词语对应的词向量。然后，输入的第一个词语的最后一个字的下一个字对应的字向量作为新输入的第一个字向量，在检测到从新输入的第一个字向量开始，新输入了第二个词语包含的字的数量的字向量之后，可以基于新输入的第二个词语中的每一个字对应的字向量，生成第二个词语对应的词向量。依次类推，直至用于训练的语句中的每一个词语对应的词向量。
在本实施例的一些可选的实现方式中，用于生成词语对应的词向量的神经网络的类型为双向长短期记忆网络(Long Short-Term Memory，简称LSTM)。
可以将用于对词性标注模型对应的神经网络进行训练的语句中的每一个字对应的字向量依次输入到词性标注模型对应的神经网络中的用于生成词语对应的词向量的双向LSTM中，由用于生成词语对应的词向量的双向LSTM生成用于训练的语句中的每一个词语对应的词向量。
步骤102，预测出每一个词语的词性，基于预测出的每一个词语的词性和每一个词语的标注的词性，调整神经网络的参数。
在本实施例中，在通过步骤101利用词性标注模型对应的神经网络张工的用于生成词语对应的词向量的神经网络基于输入的用于训练的语句中的每一个字对应的字向量，生成语句中的每一个词语对应的词向量之后，可以根据用于训练的语句中的每一个词语对应的词向量，预测出的每一个词语的词性。然后，可以基于预测出的每一个词语的词性和每一个词语的标注的词性，调整词性标注模型对应的神经网络的参数。
在本实施例的一些可选的实现方式中，在对用于训练的语句中的每一个词语的词性进行预测时，可以由词性标注模型对应的神经网络中的用于对词语的词性进行预测的神经网络响应于接收到用于生成词语对应的词向量的神经网络输入的用于训练的语句中的每一个词语对应的词向量，对用于训练的语句中的每一个词语的词性进行预测，得到初步预测出的用于训练的语句中的每一个词语的词性的概率分布。然后，可以基于初步预测出的每一个词语的词性的概率分布，确定最终预测出的每一个词语的词性。
在本实施例的一些可选的实现方式中，用于对词语的词性进行预测的神经网络包括多个依次连接的双向LSTM，每一个双向长短期记忆网络对应用于对词语的词性进行预测的神经网络的一层。
在本实施例的一些可选的实现方式中，在基于词性标注模型对应的神经网络中的用于对词语的词性进行预测的神经网络初步预测出的每一个词语的词性的概率分布，确定最终预测出的每一个词语的词性时，可以利用条件随机场算法(conditional randomfield algorithm，简称CRF)基于初步预测出的每一个词语的词性的概率分布，得到词性转移概率矩阵。然后，可以采用维特比算法基于词性转移概率矩阵，计算出概率最大路径，将位于概率最大路径上的每一个词语的词性分别作为最终预测出的每一个词语的词性。
图2示出了适用于本申请的词性标注模型生成方法的神经网络的结构示意图。
在图2中，示出了词性标注模型对应的神经网络中的输入层、字向量查询矩阵、双向LSTM字融合层、多层双向LSTM、CRF推理层。双向LSTM字融合层包含用于生成用于训练的语句中的每一个词语对应的词向量的双向LSTM多层双向LSTM中的每一层包含一个双向LSTM。
对于用于训练的语句“今天天气怎们样”，“今天天气怎们样”中的“今天”、“天气”、“怎么样”的词性分别进行标注。将“今天”拆分为“今”、“天”，将“天气”拆分为“天”、“气”，将“怎么样”拆分为“怎”、“么”、“样”。通过字向量查询矩阵，得到每个字对应的字向量。
将“今”、“天”对应的字向量输入到双向LSTM字融合层中，在双向LSTM字融合层中对“今”、“天”各自对应的字向量进行融合，生成“今天”对应的词向量V1。将“天”、“气”各自对应字向量输入到双向LSTM字融合层中，在双向LSTM字融合层中对“天”、“气”对应的字向量进行融合，生成“天气”对应的词向量V2。将“怎”、“么”、“样”各自对应的字向量输入到双向LSTM字融合层中，在双向LSTM字融合层中对“怎”、“么”、“样”各自对应的字向量进行融合，生成“怎么样”对应的词向量V3。将V1，V2，V3作为多层双向LSTM的输入，通过多层双向LSTM以及输出层层之后，可以得到初步预测出的“今天”、“天气”、“怎么样”各自对应的词性的概率分布。
在CRF推理层可以采用CRF算法基于输出层输出的“今天”、“天气”、“怎么样”各自对应的词性的概率分布，计算出词性转移概率矩阵，可以采用维特比算法计算出概率最大路径，得到“今天”、“天气”、“怎么样”的最终预测出的词性。可以将“今天”、“天气”、“怎么样”的最终预测出的词性与各自标注的词性的误差作为目标函数，进行梯度反向传播，自动调整词性标注模型对应的神经网络的参数。
在本实施例中，对词性标注模型对应的神经网络进行训练的方式结合了词粒度和字粒度的优点。词性标注模型对应的神经网络的输入层的节点数量仅需设置为所有可能出现的字的数量，极大地减少了最终得到的词性标注模型占用的存储空间，使得词性标注模型能够应用到嵌入式系统上。
对词性标注模型对应的神经网络进行训练的开销为以字粒度特征进行的训练的开销，同时，具有诸如保证同一个词内的所有字都预测为同一个词性的利用词粒度特征进行训练的优点。
通过用于生成词语对应的词向量的神经网络基于输入的用于训练的语句中的每一个字对应的字向量，生成语句中的每一个词语对应的词向量，能够在一定程度上纠正用于训练的语句中的部分词语分词错误对训练过程的影响，通过对词语上下文的理解，对错别字也具有鲁棒性。
此外，在诸如LSTM初步预测出每一个词语的词性的基础上加入CRF计算概率最大路径，减少了词性标注模型对应的神经网络的训练过程中整个句子的误差，提升词性标注模型对应的神经网络的训练效果。
请参考图3，作为对上述各图所示方法的实现，本申请提供了一种词性标注模型生成装置的一个实施例，该装置实施例与图1所示的方法实施例相对应。
如图3所示，词性标注模型生成装置包括：生成单元301，训练单元302。其中，生成单元301配置用于将用于对词性标注模型对应的神经网络进行训练的语句中的每一个字对应的字向量依次输入到词性标注模型对应的神经网络中的用于生成词语对应的词向量的神经网络，以及利用用于生成词语对应的词向量的神经网络生成所述语句中的每一个词语对应的词向量；训练单元302配置用于基于生成的所述语句中的每一个词语对应的词向量，对所述语句中的每一个词语的词性进行预测，得到预测出的所述语句中的每一个词语的词性，以及基于预测出的所述语句中的每一个词语的词性和每一个词语的标注的词性，调整所述对词性标注模型对应的神经网络的参数。
在本实施例的一些可选的实现方式中，训练单元包括：预测子单元，配置用于利用词性标注模型对应的神经网络中的用于对词语的词性进行预测的神经网络响应于接收到用于生成词语对应的词向量的神经网络输入的所述语句中的每一个词语对应的词向量，基于所述语句中的每一个词语对应的词向量，对所述语句中的每一个词语的词性进行预测，得到初步预测出的每一个词语的词性的概率分布；基于初步预测出的每一个词语的词性的概率分布，确定最终预测出的每一个词语的词性。
在本实施例的一些可选的实现方式中，用于生成词语对应的词向量的神经网络的类型为双向长短期记忆网络。
在本实施例的一些可选的实现方式中，用于对词语的词性进行预测的神经网络包括多个依次连接的双向长短期记忆网络，每一个双向长短期记忆网络对应用于对词语的词性进行预测的神经网络的一层。
在本实施例的一些可选的实现方式中，预测子单元进一步配置用于：利用条件随机场算法基于初步预测出的每一个词语的词性的概率分布，得到词性转移概率矩阵；采用维特比算法基于词性转移概率矩阵，计算出概率最大路径，将位于概率最大路径上的每一个词语的词性分别作为最终预测出的每一个词语的词性。
图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
如图4所示，计算机系统包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中，还存储有计算机系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405：输入部分406；输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地，本申请的实施例中描述的过程可以被实现为计算机程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包括用于执行流程图所示的方法的指令。该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的方法中限定的上述功能。
本申请还提供了一种电子设备，该电子设备可以配置有一个或多个处理器；存储器，用于存储一个或多个程序，一个或多个程序中可以包含用以执行上述步骤101-102中描述的操作的指令。当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器执行上述步骤101-102中描述的操作。
本申请还提供了一种计算机可读介质，该计算机可读介质可以是电子设备中所包括的；也可以是单独存在，未装配入电子设备中。上述计算机可读介质承载有一个或者多个程序，当一个或者多个程序被电子设备执行时，使得电子设备：将用于对词性标注模型对应的神经网络进行训练的语句中的每一个字对应的字向量依次输入到词性标注模型对应的神经网络中的用于生成词语对应的词向量的神经网络，以及利用用于生成词语对应的词向量的神经网络生成所述语句中的每一个词语对应的词向量；基于生成的所述语句中的每一个词语对应的词向量，对所述语句中的每一个词语的词性进行预测，得到预测出的所述语句中的每一个词语的词性，以及基于预测出的所述语句中的每一个词语的词性和每一个词语的标注的词性，调整所述对词性标注模型对应的神经网络的参数。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括生成单元，训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，生成单元还可以被描述为“用于将用于对词性标注模型对应的神经网络进行训练的语句中的每一个字对应的字向量依次输入到词性标注模型对应的神经网络中的用于生成词语对应的词向量的神经网络，以及利用用于生成词语对应的词向量的神经网络生成所述语句中的每一个词语对应的词向量的单元”。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种词性标注模型生成方法，其特征在于，所述方法包括：
将用于对词性标注模型对应的神经网络进行训练的语句中的每一个字对应的字向量依次输入到词性标注模型对应的神经网络中的用于生成词语对应的词向量的神经网络，以及利用用于生成词语对应的词向量的神经网络生成所述语句中的每一个词语对应的词向量；
基于生成的所述语句中的每一个词语对应的词向量，对所述语句中的每一个词语的词性进行预测，得到预测出的所述语句中的每一个词语的词性，以及基于预测出的所述语句中的每一个词语的词性和每一个词语的标注的词性，调整所述对词性标注模型对应的神经网络的参数。
2.根据权利要求1所述的方法，其特征在于，基于生成的所述语句中的每一个词语对应的词向量，对所述语句中的每一个词语的词性进行预测包括：
利用词性标注模型对应的神经网络中的用于对词语的词性进行预测的神经网络响应于接收到用于生成词语对应的词向量的神经网络输入的所述语句中的每一个词语对应的词向量，基于所述语句中的每一个词语对应的词向量，对所述语句中的每一个词语的词性进行预测，得到初步预测出的每一个词语的词性的概率分布；
基于初步预测出的每一个词语的词性的概率分布，确定最终预测出的每一个词语的词性。
3.根据权利要求2所述的方法，其特征在于，用于生成词语对应的词向量的神经网络的类型为双向长短期记忆网络。
4.根据权利要求3所述的方法，其特征在于，用于对词语的词性进行预测的神经网络包括多个依次连接的双向长短期记忆网络，每一个双向长短期记忆网络对应用于对词语的词性进行预测的神经网络的一层。
5.根据权利要求4所述的方法，其特征在于，基于初步预测出的每一个词语的词性的概率分布，确定最终预测出的每一个词语的词性包括：
利用条件随机场算法基于初步预测出的每一个词语的词性的概率分布，得到词性转移概率矩阵；
采用维特比算法基于词性转移概率矩阵，计算出概率最大路径，将位于概率最大路径上的每一个词语的词性分别作为最终预测出的每一个词语的词性。
6.一种词性标注模型生成装置，其特征在于，所述装置包括：
生成单元，配置用于将用于对词性标注模型对应的神经网络进行训练的语句中的每一个字对应的字向量依次输入到词性标注模型对应的神经网络中的用于生成词语对应的词向量的神经网络，以及利用用于生成词语对应的词向量的神经网络生成所述语句中的每一个词语对应的词向量；
训练单元，配置用于基于生成的所述语句中的每一个词语对应的词向量，对所述语句中的每一个词语的词性进行预测，得到预测出的所述语句中的每一个词语的词性，以及基于预测出的所述语句中的每一个词语的词性和每一个词语的标注的词性，调整所述对词性标注模型对应的神经网络的参数。
7.根据权利要求6所述的装置，其特征在于，训练单元包括：
预测子单元，配置用于利用词性标注模型对应的神经网络中的用于对词语的词性进行预测的神经网络响应于接收到用于生成词语对应的词向量的神经网络输入的所述语句中的每一个词语对应的词向量，基于所述语句中的每一个词语对应的词向量，对所述语句中的每一个词语的词性进行预测，得到初步预测出的每一个词语的词性的概率分布；基于初步预测出的每一个词语的词性的概率分布，确定最终预测出的每一个词语的词性。
8.根据权利要求7所述的装置，其特征在于，用于生成词语对应的词向量的神经网络的类型为双向长短期记忆网络。
9.根据权利要求8所述的装置，其特征在于，用于对词语的词性进行预测的神经网络包括多个依次连接的双向长短期记忆网络，每一个双向长短期记忆网络对应用于对词语的词性进行预测的神经网络的一层。
10.根据权利要求9所述的装置，其特征在于，预测子单元进一步配置用于：利用条件随机场算法基于初步预测出的每一个词语的词性的概率分布，得到词性转移概率矩阵；采用维特比算法基于词性转移概率矩阵，计算出概率最大路径，将位于概率最大路径上的每一个词语的词性分别作为最终预测出的每一个词语的词性。
11.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710910875.9A CN107608970B (zh) | 2017-09-29 | 2017-09-29 | 词性标注模型生成方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710910875.9A CN107608970B (zh) | 2017-09-29 | 2017-09-29 | 词性标注模型生成方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107608970A true CN107608970A (zh) | 2018-01-19 |
| CN107608970B CN107608970B (zh) | 2024-04-26 |
Family
ID=61067463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710910875.9A Active CN107608970B (zh) | 2017-09-29 | 2017-09-29 | 词性标注模型生成方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107608970B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108255815A (zh) * | 2018-02-07 | 2018-07-06 | 苏州金螳螂文化发展股份有限公司 | 文本的分词方法和装置 |
| CN109002436A (zh) * | 2018-07-12 | 2018-12-14 | 上海金仕达卫宁软件科技有限公司 | 基于长短期记忆网络的医疗文本术语自动识别方法及系统 |
| CN109325225A (zh) * | 2018-08-28 | 2019-02-12 | 昆明理工大学 | 一种通用的基于关联的词性标注方法 |
| CN109344406A (zh) * | 2018-09-30 | 2019-02-15 | 阿里巴巴集团控股有限公司 | 词性标注方法、装置和电子设备 |
| CN110472253A (zh) * | 2019-08-15 | 2019-11-19 | 哈尔滨工业大学 | 一种基于混合粒度的句子级机器翻译质量估计模型训练方法 |
| CN110516034A (zh) * | 2019-06-28 | 2019-11-29 | 中兴通讯股份有限公司 | 日志管理方法、装置、网络设备和可读存储介质 |
| CN110737758A (zh) * | 2018-07-03 | 2020-01-31 | 百度在线网络技术（北京）有限公司 | 用于生成模型的方法和装置 |
| CN110929520A (zh) * | 2019-11-25 | 2020-03-27 | 北京明略软件系统有限公司 | 非命名实体对象抽取方法、装置、电子设备及存储介质 |
| CN111104482A (zh) * | 2019-12-18 | 2020-05-05 | 北京百度网讯科技有限公司 | 数据处理方法和装置 |
| CN111444676A (zh) * | 2018-12-28 | 2020-07-24 | 北京深知无限人工智能研究院有限公司 | 词性标注方法、装置、设备及存储介质 |
| CN111737999A (zh) * | 2020-06-24 | 2020-10-02 | 深圳前海微众银行股份有限公司 | 一种序列标注方法、装置、设备及可读存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6173261B1 (en) * | 1998-09-30 | 2001-01-09 | At&T Corp | Grammar fragment acquisition using syntactic and semantic clustering |
| CN105740226A (zh) * | 2016-01-15 | 2016-07-06 | 南京大学 | 使用树形神经网络和双向神经网络实现中文分词 |
| CN106557462A (zh) * | 2016-11-02 | 2017-04-05 | 数库（上海）科技有限公司 | 命名实体识别方法和系统 |
| CN106569998A (zh) * | 2016-10-27 | 2017-04-19 | 浙江大学 | 一种基于Bi‑LSTM、CNN和CRF的文本命名实体识别方法 |
| CN106815194A (zh) * | 2015-11-27 | 2017-06-09 | 北京国双科技有限公司 | 模型训练方法及装置和关键词识别方法及装置 |
| CN107092596A (zh) * | 2017-04-24 | 2017-08-25 | 重庆邮电大学 | 基于attention CNNs和CCR的文本情感分析方法 |
| CN107145484A (zh) * | 2017-04-24 | 2017-09-08 | 北京邮电大学 | 一种基于隐多粒度局部特征的中文分词方法 |
| CN107168954A (zh) * | 2017-05-18 | 2017-09-15 | 北京奇艺世纪科技有限公司 | 文本关键词生成方法及装置和电子设备及可读存储介质 |
| CN107291795A (zh) * | 2017-05-03 | 2017-10-24 | 华南理工大学 | 一种结合动态词嵌入和词性标注的文本分类方法 |
-
2017
- 2017-09-29 CN CN201710910875.9A patent/CN107608970B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6173261B1 (en) * | 1998-09-30 | 2001-01-09 | At&T Corp | Grammar fragment acquisition using syntactic and semantic clustering |
| CN106815194A (zh) * | 2015-11-27 | 2017-06-09 | 北京国双科技有限公司 | 模型训练方法及装置和关键词识别方法及装置 |
| CN105740226A (zh) * | 2016-01-15 | 2016-07-06 | 南京大学 | 使用树形神经网络和双向神经网络实现中文分词 |
| CN106569998A (zh) * | 2016-10-27 | 2017-04-19 | 浙江大学 | 一种基于Bi‑LSTM、CNN和CRF的文本命名实体识别方法 |
| CN106557462A (zh) * | 2016-11-02 | 2017-04-05 | 数库（上海）科技有限公司 | 命名实体识别方法和系统 |
| CN107092596A (zh) * | 2017-04-24 | 2017-08-25 | 重庆邮电大学 | 基于attention CNNs和CCR的文本情感分析方法 |
| CN107145484A (zh) * | 2017-04-24 | 2017-09-08 | 北京邮电大学 | 一种基于隐多粒度局部特征的中文分词方法 |
| CN107291795A (zh) * | 2017-05-03 | 2017-10-24 | 华南理工大学 | 一种结合动态词嵌入和词性标注的文本分类方法 |
| CN107168954A (zh) * | 2017-05-18 | 2017-09-15 | 北京奇艺世纪科技有限公司 | 文本关键词生成方法及装置和电子设备及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| MAREK REI 等: "Attending to Characters in Neural Sequence Labeling Models", 《ARXIV:1611.04361V1》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108255815A (zh) * | 2018-02-07 | 2018-07-06 | 苏州金螳螂文化发展股份有限公司 | 文本的分词方法和装置 |
| CN110737758A (zh) * | 2018-07-03 | 2020-01-31 | 百度在线网络技术（北京）有限公司 | 用于生成模型的方法和装置 |
| US11501182B2 (en) | 2018-07-03 | 2022-11-15 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for generating model |
| CN110737758B (zh) * | 2018-07-03 | 2022-07-05 | 百度在线网络技术（北京）有限公司 | 用于生成模型的方法和装置 |
| CN109002436A (zh) * | 2018-07-12 | 2018-12-14 | 上海金仕达卫宁软件科技有限公司 | 基于长短期记忆网络的医疗文本术语自动识别方法及系统 |
| CN109325225B (zh) * | 2018-08-28 | 2022-04-12 | 昆明理工大学 | 一种通用的基于关联的词性标注方法 |
| CN109325225A (zh) * | 2018-08-28 | 2019-02-12 | 昆明理工大学 | 一种通用的基于关联的词性标注方法 |
| CN109344406A (zh) * | 2018-09-30 | 2019-02-15 | 阿里巴巴集团控股有限公司 | 词性标注方法、装置和电子设备 |
| CN109344406B (zh) * | 2018-09-30 | 2023-06-20 | 创新先进技术有限公司 | 词性标注方法、装置和电子设备 |
| CN111444676A (zh) * | 2018-12-28 | 2020-07-24 | 北京深知无限人工智能研究院有限公司 | 词性标注方法、装置、设备及存储介质 |
| CN110516034A (zh) * | 2019-06-28 | 2019-11-29 | 中兴通讯股份有限公司 | 日志管理方法、装置、网络设备和可读存储介质 |
| WO2020259280A1 (zh) * | 2019-06-28 | 2020-12-30 | 中兴通讯股份有限公司 | 日志管理方法、装置、网络设备和可读存储介质 |
| CN110472253A (zh) * | 2019-08-15 | 2019-11-19 | 哈尔滨工业大学 | 一种基于混合粒度的句子级机器翻译质量估计模型训练方法 |
| CN110472253B (zh) * | 2019-08-15 | 2022-10-25 | 哈尔滨工业大学 | 一种基于混合粒度的句子级机器翻译质量估计模型训练方法 |
| CN110929520A (zh) * | 2019-11-25 | 2020-03-27 | 北京明略软件系统有限公司 | 非命名实体对象抽取方法、装置、电子设备及存储介质 |
| CN110929520B (zh) * | 2019-11-25 | 2023-12-08 | 北京明略软件系统有限公司 | 非命名实体对象抽取方法、装置、电子设备及存储介质 |
| CN111104482A (zh) * | 2019-12-18 | 2020-05-05 | 北京百度网讯科技有限公司 | 数据处理方法和装置 |
| CN111737999A (zh) * | 2020-06-24 | 2020-10-02 | 深圳前海微众银行股份有限公司 | 一种序列标注方法、装置、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107608970B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107608970A (zh) | 词性标注模型生成方法和装置 | |
| US9990558B2 (en) | Generating image features based on robust feature-learning | |
| US10643131B1 (en) | Training variational autoencoders to generate disentangled latent factors | |
| US11449684B2 (en) | Contrastive pre-training for language tasks | |
| CN107273503A (zh) | 用于生成同语言平行文本的方法和装置 | |
| CN109325541A (zh) | 用于训练模型的方法和装置 | |
| WO2019111118A1 (en) | Robust gradient weight compression schemes for deep learning applications | |
| CN107168952A (zh) | 基于人工智能的信息生成方法和装置 | |
| US11488067B2 (en) | Training machine learning models using teacher annealing | |
| WO2018156942A1 (en) | Optimizing neural network architectures | |
| CN107526725A (zh) | 基于人工智能的用于生成文本的方法和装置 | |
| CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
| CN108090218B (zh) | 基于深度强化学习的对话系统生成方法和装置 | |
| US11475220B2 (en) | Predicting joint intent-slot structure | |
| US11663488B2 (en) | Initialization of parameters for machine-learned transformer neural network architectures | |
| CN109344404A (zh) | 情境感知的双重注意力自然语言推理方法 | |
| CN109558605A (zh) | 用于翻译语句的方法和装置 | |
| CN109522395A (zh) | 自动问答方法及装置 | |
| CN113095129A (zh) | 姿态估计模型训练方法、姿态估计方法、装置和电子设备 | |
| WO2021195095A1 (en) | Neural architecture search with weight sharing | |
| CN108182472A (zh) | 用于生成信息的方法和装置 | |
| CN109684624A (zh) | 一种自动识别订单地址路区的方法和装置 | |
| CN112632283A (zh) | 模型生成方法、文本分类方法、装置、设备及介质 | |
| CN108280513B (zh) | 模型生成方法和装置 | |
| US20210056353A1 (en) | Joint representation learning from images and text |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |