CN107610706A - 语音搜索结果的处理方法和处理装置 - Google Patents
语音搜索结果的处理方法和处理装置 Download PDFInfo
- Publication number
- CN107610706A CN107610706A CN201710822725.2A CN201710822725A CN107610706A CN 107610706 A CN107610706 A CN 107610706A CN 201710822725 A CN201710822725 A CN 201710822725A CN 107610706 A CN107610706 A CN 107610706A
- Authority
- CN
- China
- Prior art keywords
- voice messaging
- voice
- user
- search result
- discrimination model
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 37
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 34
- 239000000284 extract Substances 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000006854 communication Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000012517 data analytics Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Telephonic Communication Services (AREA)
Abstract
本申请实施例公开了语音搜索结果的处理方法和处理装置。该方法的一具体实施方式包括:接收用户输入的语音信息,并提取语音信息的声学特征;基于声学特征,提取语音信息的辨识矢量i‑vector特征;将i‑vector特征在预先训练的判别模型中进行识别,其中,判别模型用于识别语音信息所对应的用户的身份信息;基于判别模型的识别结果,对获取到的与语音信息相关的搜索结果进行处理。该实施方式可以使搜索结果更加符合用户的需求,从而改善用户的搜索体验。
Description
技术领域
本申请涉及计算机技术领域,具体涉及语音识别技术领域,尤其涉及语音搜索结果的处理方法和处理装置。
背景技术
随着互联网的快速发展,网络上的信息资源不断丰富,信息数据量也在飞速增长。在当今社会,通过搜索引擎来查找所需信息已成为现代人的主要信息获取方式。同时,伴随语音识别技术的广泛应用,语音搜索已成为搜索引擎中的主要搜索方式。这样可以方便各类人群快速获取所需信息。因此,如何根据用户输入的语音来对搜索结果进行处理,从而使搜索结果更加符合用户的需求显得尤为重要。
发明内容
本申请实施例的目的在于提出一种改进的语音搜索结果的处理方法和处理装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了一种语音搜索结果的处理方法,该方法包括:接收用户输入的语音信息,并提取语音信息的声学特征;基于声学特征,提取语音信息的辨识矢量i-vector特征;将i-vector特征在预先训练的判别模型中进行识别,其中,判别模型用于识别语音信息所对应的用户的身份信息;基于判别模型的识别结果,对获取到的与语音信息相关的搜索结果进行处理。
在一些实施例中,声学特征包括梅尔频率倒谱系数特征,以及基于声学特征,提取语音信息的辨识矢量i-vector特征,包括:对于提取到的梅尔频率倒谱系数特征中的每一特征分量,计算该特征分量在预先构建的高斯混合模型中的后验概率,并获取该特征分量在高斯混合模型中的各阶统计量;根据梅尔频率倒谱系数特征的各特征分量的各阶统计量,提取语音信息的i-vector特征。
在一些实施例中,根据梅尔频率倒谱系数特征的各特征分量的各阶统计量,提取语音信息的i-vector特征,包括:响应于检测到结束语音输入的操作,则根据梅尔频率倒谱系数特征的各特征分量的各阶统计量,提取语音信息的i-vector特征。
在一些实施例中,身份信息包括用于指示用户是否为儿童的信息,以及方法还包括训练判别模型的步骤,包括:获取不同年龄阶段儿童的样本语音;对于每个年龄阶段儿童的样本语音,提取该样本语音的i-vector特征,利用机器学习法,将该样本语音的i-vector特征作为输入,将用于指示该样本语音所对应的用户为儿童的身份信息作为输出,训练得到该年龄阶段的童声模型;利用线性回归学习法,基于不同年龄阶段的童声模型,生成判别模型。
在一些实施例中,基于判别模型的识别结果,对获取到的与语音信息相关的搜索结果进行处理,包括:若判别模型识别出语音信息所对应的用户的身份为儿童,则对获取到的与语音信息相关的搜索结果的内容进行过滤处理,并将处理后的搜索结果发送给用户。
在一些实施例中,接收用户输入的语音信息,并提取语音信息的声学特征,包括:接收用户输入的语音信息,并对语音信息进行语音活动检测,生成有效的语音信息;提取有效的语音信息的声学特征。
在一些实施例中,方法还包括:自检测到启动语音输入的操作开始,确定用户当前输入的语音信息的时长是否大于预设时长;若确定当前输入的语音信息的时长大于预设时长,则向用户发送提示信息。
第二方面,本申请实施例提供了一种语音搜索结果的处理装置,该装置包括:接收单元,配置用于接收用户输入的语音信息,并提取语音信息的声学特征;提取单元,配置用于基于声学特征,提取语音信息的辨识矢量i-vector特征;识别单元,配置用于将i-vector特征在预先训练的判别模型中进行识别,其中,判别模型用于识别语音信息所对应的用户的身份信息;处理单元,配置用于基于判别模型的识别结果,对获取到的与语音信息相关的搜索结果进行处理。
在一些实施例中,声学特征包括梅尔频率倒谱系数特征,以及提取单元包括:计算子单元,配置用于对于提取到的梅尔频率倒谱系数特征中的每一特征分量,计算该特征分量在预先构建的高斯混合模型中的后验概率,并获取该特征分量在高斯混合模型中的各阶统计量;第一提取子单元,配置用于根据梅尔频率倒谱系数特征的各特征分量的各阶统计量,提取语音信息的i-vector特征。
在一些实施例中,第一提取子单元进一步配置用于:响应于检测到结束语音输入的操作,则根据梅尔频率倒谱系数特征的各特征分量的各阶统计量,提取语音信息的i-vector特征。
在一些实施例中,身份信息包括用于指示用户是否为儿童的信息,以及装置还包括训练单元,配置用于:获取不同年龄阶段儿童的样本语音;对于每个年龄阶段儿童的样本语音,提取该样本语音的i-vector特征,利用机器学习法,将该样本语音的i-vector特征作为输入,将用于指示该样本语音所对应的用户为儿童的身份信息作为输出,训练得到该年龄阶段的童声模型;利用线性回归学习法,基于不同年龄阶段的童声模型,生成判别模型。
在一些实施例中,处理单元进一步配置用于:若判别模型识别出语音信息所对应的用户的身份为儿童,则对获取到的与语音信息相关的搜索结果的内容进行过滤处理,并将处理后的搜索结果发送给用户。
在一些实施例中,接收单元包括:接收子单元,配置用于接收用户输入的语音信息,并对语音信息进行语音活动检测,生成有效的语音信息;第二提取子单元,配置用于提取有效的语音信息的声学特征。
在一些实施例中,装置还包括:确定单元,配置用于自检测到启动语音输入的操作开始,确定用户当前输入的语音信息的时长是否大于预设时长;发送单元,配置用于若确定当前输入的语音信息的时长大于预设时长,则向用户发送提示信息。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实施例所描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实施例所描述的方法。
本申请实施例提供的语音搜索结果的处理方法和处理装置,首先,通过提取接收到的用户输入的语音信息的声学特征,可以进一步提取该语音信息的i-vector特征。然后,将该i-vector特征在预先训练的判别模型中进行识别,从而可以识别出该语音信息所对应的用户的身份信息。最后,根据判别模型的识别结果(即身份信息),可以对根据语音信息所获取到的搜索结果进行处理,从而使搜索结果更加符合用户的需求,提高用户的搜索体验。
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是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的语音搜索结果的处理方法的一个实施例的流程图;
图3是根据本申请的训练判别模型的一个实施例的流程图;
图4是根据本申请的语音搜索结果的处理方法的一个应用场景的示意图;
图5是根据本申请的语音搜索结果的处理装置的一个实施例的结构示意图;
图6是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。
图1示出了可以应用本申请的语音搜索结果的处理方法或处理装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104、数据库服务器105和服务器106。网络104用以在终端设备101、102、103和数据库服务器105、服务器106之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与数据库服务器105、服务器106进行交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如网页浏览器应用、搜索类应用等。
终端设备101、102、103可以是具有显示屏并且支持网页搜索与浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。
数据库服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的搜索网页提供支持的数据库服务器。
服务器106也可以是提供各种服务的服务器,例如对终端设备101、102、103输入的语音信息进行分析的数据分析服务器。数据分析服务器可以从数据库服务器105获取与语音信息相关的搜索结果,并基于语音信息的i-vector特征在判别模型中的识别结果,可以对搜索结果进行分析等处理,例如将处理后的搜索结果反馈给终端设备。
需要说明的是,本申请实施例所提供的语音搜索结果的处理方法一般由服务器106执行,相应地,语音搜索结果的处理装置一般设置于服务器106中。
需要指出的是,当服务器106具有数据库服务器105的功能时,系统架构100可以不设置数据库服务器105。
应该理解,图1中的终端设备、网络、数据库服务器和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络、数据库服务器和服务器。
继续参考图2,示出了根据本申请的语音搜索结果的处理方法的一个实施例的流程200。该的语音搜索结果的处理方法,可以包括以下步骤:
步骤201,接收用户输入的语音信息,并提取语音信息的声学特征。
在本实施例中,语音搜索结果的处理方法运行于其上的电子设备(例如图1所示的服务器106)可以通过有线连接方式或者无线连接方式,接收用户在终端设备(例如图1所示的终端设备101、102、103)所显示的浏览器的输入框中输入的语音信息,并提取该语音信息的声学特征。在这里,用户可以利用终端设备提供的语音输入法输入语音信息,也可以通过拷贝的方式输入预先存储的语音信息。语音信息可以来自于使用上述终端设备的用户本人,也可以来自于其他用户。语音信息的内容可以包含数字、字母、文字等字符,且语音信息的语种在本申请中并不限制,例如可以是中文和/或英文等。
在本实施例中,电子设备可以对用户输入的语音信息进行识别,并提取该语音信息的声学特征。这里的声学特征可以是(但不限于)线性预测倒谱系数(linear predictioncepstrum coefficient,LPCC)。
作为示例,声学特征还可以是梅尔频率倒谱系数(Mel-Frequency CepstralCoefficients,MFCC)。具体地,电子设备可以先对接收到的语音信息预加重,即将语音信息通过一个高通滤波器,以提升高频部分,以消除发音系统的抑制,突出高频部分的共振峰。然后,电子设备对语音信息分帧,即将N个采样点集合成一个观测单位,称为帧。通常情况下N的值为256或512,涵盖的时长约为20~30ms(毫秒)左右。为了避免相邻两帧的变化过大,可以使两相邻帧之间有一段重叠区域。此重叠区域包含了M个采样点,通常M的值约为N的1/2或1/3,即以10ms的时长进行帧移。之后,电子设备可以对分帧后的语音信息进行加窗、快速傅里叶变换、三角滤波器组过滤、对数运算等一系列处理。最后,经离散余弦变换就可以得到语音信息的梅尔频率倒谱系数特征x={x1,x2,···,xt}。其中,t表示语音信息包含的帧数,xi表示第i帧的特征分量,1≤i≤t,且i和t均为正整数。需要说明的是,梅尔频率倒谱系数是语音识别中常用的声学特征,其提取过程在此不再赘述。
在本实施例的一些可选地实现方式中,电子设备在接收到用户输入的语音信息后,可以先对语音信息进行语音活动检测,以生成有效的语音信息。然后电子设备提取该有效的语音信息的声学特征。其中,语音活动检测(Voice Activity Detection,VAD))通常又称为语音端点检测或语音边界检测,是指在噪声环境中检测语音的存在与否。在这里,电子设备可以将语音信息中的静音部分或纯噪音部分等不包含有效内容的语音部分去除。
步骤202,基于声学特征,提取语音信息的辨识矢量i-vector特征。
在本实施例中,电子设备可以基于步骤201中提取的声学特征,来进一步地提取上述语音信息的辨识矢量(identifying vector,i-vector)特征。
在本实施例的一些可选地实现方式中,若电子设备提取的声学特征为梅尔频率倒谱系数特征,此时,对于提取到的梅尔频率倒谱系数特征中的每一特征分量,电子设备可以计算该特征分量在预先构建的高斯混合模型中的后验概率,并获取该特征分量在高斯混合模型中的各阶统计量;然后,可以根据梅尔频率倒谱系数特征的各特征分量的各阶统计量,提取语音信息的i-vector特征。这里的高斯混合模型通常是用高斯概率密度函数(正态分布曲线)精确地量化事物。它可以被理解为是一个将事物分解为若干的基于高斯概率密度函数形成的模型,可以用于判断某一样本是否属于某一类别。
具体地,首先,电子设备可以根据已分类的样本语音,来构建并训练得到高斯混合模型(Gaussian mixture model,GMM)为:
其中,Λ={ωj,μj,Σj}为GMM中的各参数;j表示第j个高斯模型,j=1,2,···,C;C表示高斯混合模型包含的高斯模型的数量;ωj表示第j个高斯模型的权值因子;μj表示第j个高斯模型的期望;Σj表示第j个高斯模型的方差;x表示多维变量,即声学特征;N(x|μj,Σj)表示多维变量在第j个高斯模型的似然概率。这里的样本语音及其分类方式与下面判别模型的训练有关。
然后,计算MFCC特征中的每一特征分量在GMM中的后验概率为:
其中,c表示第c个高斯模型,c=1,2,···,C;ωc表示第c个高斯模型的权值因子;μc表示第c个高斯模型的期望;Σc表示第c个高斯模型的方差;xi表示第i帧的特征分量,i=1,2,···,t;N(xi|μc,Σc)表示第i帧的特征分量在第c个高斯模型的似然概率;N(xi|μj,Σj)表示第i帧的特征分量在第j个高斯模型的似然概率。
接着,电子设备可以获取每一特征分量在高斯混合模型中的零阶、一阶和二阶统计量分别为:
其中,T表示全变量空间。
最后,电子设备可以根据MFCC特征中的各特征分量的零阶、一阶和二阶统计量,得到语音信息h的i-vector特征表示为:
E[w(h)]=L-1(h)TT∑-1F(h);
其中,L(h)=I+TT∑-1(N(h)T);I表示单位矩阵;F(h)表示语音信息h在GMM中的一阶统计量;N(h)表示语音信息h在GMM中的零阶统计量。
需要说明的是,在说话人识别的应用技术中,高斯混合模型、以高斯混合模型为基础的高斯混合模型-统一背景模型(GMM-UBM)以及i-vector特征的技术已比较成熟,这些方法的详细分析过程在此不再赘述。而且基于i-vector特征的模型与传统声学模型(如深度神经网络DNN或循环神经网络RNN)相比,结构更加简单,在不影响准确率的情况下,可以极大地降低识别计算量,从而提高处理效率。
进一步地,为了实现语音信息的高并发处理,且降低处理延时的问题,电子设备可以将上述i-vector特征的提取过程分为两个阶段。第一阶段是:响应于检测到启动语音输入的操作,电子设备可以对每段语音信息进行实时处理,直至获取到该段语音信息中的每一特征分量的各阶统计量。第二阶段是:响应于检测到结束语音输入的操作,电子设备可以根据第一阶段得到的数据,提取每段语音信息的i-vector特征。其中,启动语音输入的操作和结束语音输入的操作可以(但不限于)是用户对语音输入法进行相关操作而触发的。采用流式处理方法。也就是说,电子设备可以采用流式处理方法,这样可以减小在接收到完整的语音信息后,再进行特征提取所产生的延时问题。
步骤203,将i-vector特征在预先训练的判别模型中进行识别。
在本实施例中,电子设备可以将步骤202中提取的i-vector特征在预先训练的判别模型中进行识别。其中,判别模型用于识别语音信息所对应的用户的身份信息。例如,电子设备可以计算i-vector特征与判别模型之间的快速余弦距离,并将计算得到的快速余弦距离的值与预设值进行比较,从而识别用户的身份信息。预设值可以根据实际情况进行设置。这里的身份信息可以包含用于指示用户是否为男性或女性的信息。作为示例,身份信息中还可以包含用于指示用户所属年龄段(如30岁-40岁)的信息。
在本实施例的一些应用场景中,电子设备可以获取成年男性和/或成年女性的样本语音集合。然后对样本语音集合中的每一样本语音,提取该样本语音的i-vector特征,具体提取过程可以参见步骤202。最后电子设备可以利用机器学习法,将该样本语音的i-vector特征作为输入,并将用于指示该样本语音所对应的用户为成年男性或成年女性的身份信息作为输出,训练得到判别模型。
可选地,电子设备可以获取不同年龄阶段的成年男性的样本语音集合;然后提取样本语音集合中的每一样本语音的i-vector特征;之后利用机器学习法,将该样本语音的i-vector特征作为输入,将用于指示该样本语音所对应的用户为某一年龄阶段男性的身份信息作为输出,训练得到判别模型。这样,判别模型不仅可以识别出用户为男性,还可以识别出该用户的年龄段。
步骤204,基于判别模型的识别结果,对获取到的与语音信息相关的搜索结果进行处理。
在本实施例中,电子设备可以从与其通信连接的数据库服务器(例如图1所示的数据库服务器105)获取与语音信息相关的搜索结果。这里的搜索结果可以是与语音信息相关的各种搜索结果,如网页、图片、视频、新闻等等。并且电子设备可以基于步骤203的识别结果,对这些搜索结果进行处理。例如,若判别模型识别出用户为成年男性,则可以将这些搜索结果直接反馈给上述终端设备,以供用户浏览。再例如,判别模型识别出用户为男性,则可以对这些搜索结果(如各种衬衫)进行筛选,并将筛选后的搜索结果(如男士衬衫)反馈给上述终端设备。可以理解的是,电子设备获取搜索结果的方式在本申请中并不限制。
在一些应用场景中,若判别模型识别出语音信息所对应的用户的身份为儿童,则电子设备可以对获取到的与语音信息相关的搜索结果的内容进行过滤处理,并将处理后的搜索结果发送给用户。这里的过滤处理主要是将搜索结果中不适合儿童阅读的敏感内容删除或遮挡。儿童一般指年龄在0-14岁之间的人群。这样,可以减少或避免儿童用户接收到不健康的网络信息,从而向儿童用户提供更好地服务和网络环境,保护儿童的身心健康。
作为示例,电子设备上可以将搜索结果的内容与预先存储有敏感词词库进行比对。当搜索结果的内容中包含敏感词词库中的敏感词时,可以对搜索结果中的相应内容进行过滤处理。其中,敏感词词库中的敏感词可以根据实际需求设置。
在本实施例的一些可选地实现方式中,为了进一步提供处理效率,本申请提供的语音搜索结果的处理方法还可以包括长语音截断方案。具体地,电子设备可以自检测到启动语音输入的操作开始,确定用户当前输入的语音信息的时长是否大于预设时长(如20秒);若确定当前输入的语音信息的时长大于预设时长,则向用户发送提示信息。其中,提示信息可以是用于提示用户停止语音输入的信息,以提示用户执行与结束语音输入相关的操作。提示信息还可以是用于提示用户语音输入已停止的信息,即电子设备已停止接收用户后续输入的语音信息。这样,当语音信息大于预设时长时,电子设备可以停止语音信息的接收,并将已接收到的语音信息进行上述第二阶段的处理过程,从而快速返回判别模型的识别结果,进而快速处理搜索结果。
本实施例提供的语音搜索结果的处理方法,通过提取接收到的用户输入的语音信息的声学特征,可以进一步提取该语音信息的i-vector特征。然后,将该i-vector特征在预先训练的判别模型中进行识别,从而可以识别出该语音信息所对应的用户的身份信息。最后,根据判别模型的识别结果(即身份信息),可以对根据语音信息所获取到的搜索结果进行处理,从而使搜索结果更加符合用户的需求,提高用户的搜索体验。
在本实施例的一些可选地实现方式中,身份信息还可以包括用于指示用户是否为儿童的信息。此时,电子设备还可以通过图3所示的步骤训练得到判别模型。具体参见图3,此处不再赘述。
进一步参见图3,其示出了根据本申请的训练判别模型的一个实施例的流程图。训练判别模型可以包括以下步骤:
步骤301,获取不同年龄阶段儿童的样本语音。
在本实施例中,语音搜索结果的处理方法运行于其上的电子设备(例如图1所示的服务器106)可以从本地或与其通信连接的数据库服务器(例如图1所示的数据库服务器105)获取不同年龄阶段儿童的样本语音。其中,儿童一般指年龄在0-14岁之间的人群。这里的儿童主要指已会交流说话的儿童。而年龄阶段的具体划分在本申请中并不限制。
步骤302,对于每个年龄阶段儿童的样本语音,提取该样本语音的i-vector特征,利用机器学习法,将该样本语音的i-vector特征作为输入,将用于指示该样本语音所对应的用户为儿童的身份信息作为输出,训练得到该年龄阶段的童声模型。
在本实施例中,电子设备可以根据图2实施例中的步骤201和步骤202,提取样本语音的i-vector特征。然后利用机器学习法,训练得到与每个年龄阶段相对应的童声模型。可以理解的是,本实施例中的电子设备需要根据不同年龄阶段儿童的样本语音,来构建所需的高斯混合模型。也就是说,电子设备获取的样本语音既可以用于构建高斯混合模型,又可以用于训练判别模型。
步骤303,利用线性回归学习法,基于不同年龄阶段的童声模型,生成判别模型。
在本实施例中,电子设备可以基于不同年龄阶段的童声模型,利用线性回归学习法,得到不同年龄阶段的童声模型的插值参数,从而生成判别模型。其中,判别模型是各童声模型与对应的插值参数的乘积的总和。
本实施例训练得到的判别模型,对各个年龄阶段的童声的判断都有一定的鲁棒性,这样在童声识别时,既提高了识别结果的准确度,有降低了识别过程的复杂度和计算量。
继续参见图4,图4是根据图2实施例的语音搜索结果的处理方法的一个应用场景的示意图。在图4的应用场景中,如图中401所示,用户可以在终端上显示的浏览器网页所提供的输入框内输入“游戏”的语音信息。服务器在接收到该语音信息后,首先可以提取该语音信息的声学特征;然后进一步提取该语音信息的i-vector特征;之后将该i-vector特征在判别模型中进行识别,并识别出该用户的身份为儿童。此时,如图中402所示,服务器可以获取到与该语音信息相关的搜索结果“按电子游戏内容目的进行分类:1)动作游戏:玩家控制游戏人物用各种方式消灭敌人···2)恋爱游戏:玩家回到初恋的年代···”,并对该搜索结果的内容进行过滤处理,即遮挡内容中的“消灭”、“恋爱”和“初恋”等敏感词。最后,如图中403所示,服务器可以将将处理后的搜索结果发送给用户所使用的终端,以供用户查阅浏览。
进一步参见图5,作为对上述各图所示方法的实现,本申请提供了一种语音搜索结果的处理装置的一个实施例。该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的语音搜索结果的处理装置500可以包括:接收单元501,配置用于接收用户输入的语音信息,并提取语音信息的声学特征;提取单元502,配置用于基于声学特征,提取语音信息的辨识矢量i-vector特征;识别单元503,配置用于将i-vector特征在预先训练的判别模型中进行识别,其中,判别模型用于识别语音信息所对应的用户的身份信息;处理单元504,配置用于基于判别模型的识别结果,对获取到的与语音信息相关的搜索结果进行处理。
在本实施例中,接收单元501、提取单元502、识别单元503和处理单元504的具体实现方式及产生的有益效果,可以分别参见图2所示实施例中的步骤201、步骤202、步骤203和步骤204的相关描述,此处不再赘述。
在本实施例的一些可选的实现方式中,声学特征可以包括梅尔频率倒谱系数特征,以及提取单元502可以包括:计算子单元(图中未示出),配置用于对于提取到的梅尔频率倒谱系数特征中的每一特征分量,计算该特征分量在预先构建的高斯混合模型中的后验概率,并获取该特征分量在高斯混合模型中的各阶统计量;第一提取子单元(图中未示出),配置用于根据梅尔频率倒谱系数特征的各特征分量的各阶统计量,提取语音信息的i-vector特征。
可选地,第一提取子单元可以进一步配置用于:响应于检测到结束语音输入的操作,则根据梅尔频率倒谱系数特征的各特征分量的各阶统计量,提取语音信息的i-vector特征。
在一些应用场景中,身份信息可以包括用于指示用户是否为儿童的信息,以及装置500还可以包括训练单元(图中未示出),配置用于:获取不同年龄阶段儿童的样本语音;对于每个年龄阶段儿童的样本语音,提取该样本语音的i-vector特征,利用机器学习法,将该样本语音的i-vector特征作为输入,将用于指示该样本语音所对应的用户为儿童的身份信息作为输出,训练得到该年龄阶段的童声模型;利用线性回归学习法,基于不同年龄阶段的童声模型,生成判别模型。
作为示例,处理单元504可以进一步配置用于:若判别模型识别出语音信息所对应的用户的身份为儿童,则对获取到的与语音信息相关的搜索结果的内容进行过滤处理,并将处理后的搜索结果发送给用户。
在本实施例的一些可选的实现方式中,接收单元501可以包括:接收子单元(图中未示出),配置用于接收用户输入的语音信息,并对语音信息进行语音活动检测,生成有效的语音信息;第二提取子单元(图中未示出),配置用于提取有效的语音信息的声学特征。
可选地,装置500还可以包括:确定单元(图中未示出),配置用于自检测到启动语音输入的操作开始,确定用户当前输入的语音信息的时长是否大于预设时长;发送单元(图中未示出),配置用于若确定当前输入的语音信息的时长大于预设时长,则向用户发送提示信息。
下面参考图6,其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600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标、触摸屏等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开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,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请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是——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:一种处理器包括接收单元、提取单元、识别单元和处理单元。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,接收单元还可以被描述为“接收用户输入的语音信息,并提取语音信息的声学特征的单元”。
作为另一方面,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上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收用户输入的语音信息,并提取语音信息的声学特征;基于声学特征,提取语音信息的辨识矢量i-vector特征;将i-vector特征在预先训练的判别模型中进行识别,其中,判别模型用于识别语音信息所对应的用户的身份信息;基于判别模型的识别结果,对获取到的与语音信息相关的搜索结果进行处理。
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上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 (13)
1.一种语音搜索结果的处理方法,其特征在于,所述方法包括:
接收用户输入的语音信息,并提取所述语音信息的声学特征;
基于所述声学特征,提取所述语音信息的辨识矢量i-vector特征;
将所述i-vector特征在预先训练的判别模型中进行识别,其中,所述判别模型用于识别所述语音信息所对应的用户的身份信息;
基于所述判别模型的识别结果,对获取到的与所述语音信息相关的搜索结果进行处理。
2.根据权利要求1所述的方法,其特征在于,所述声学特征包括梅尔频率倒谱系数特征,以及
所述基于所述声学特征,提取所述语音信息的辨识矢量i-vector特征,包括:
对于提取到的梅尔频率倒谱系数特征中的每一特征分量,计算该特征分量在预先构建的高斯混合模型中的后验概率,并获取该特征分量在所述高斯混合模型中的各阶统计量;
根据所述梅尔频率倒谱系数特征的各特征分量的各阶统计量,提取所述语音信息的i-vector特征。
3.根据权利要求2所述的方法,其特征在于,所述根据所述梅尔频率倒谱系数特征的各特征分量的各阶统计量,提取所述语音信息的i-vector特征,包括:
响应于检测到结束语音输入的操作,则根据所述梅尔频率倒谱系数特征的各特征分量的各阶统计量,提取所述语音信息的i-vector特征。
4.根据权利要求1所述的方法,其特征在于,所述身份信息包括用于指示用户是否为儿童的信息,以及所述方法还包括训练判别模型的步骤,包括:
获取不同年龄阶段儿童的样本语音;
对于每个年龄阶段儿童的样本语音,提取该样本语音的i-vector特征,利用机器学习法,将该样本语音的i-vector特征作为输入,将用于指示该样本语音所对应的用户为儿童的身份信息作为输出,训练得到该年龄阶段的童声模型;
利用线性回归学习法,基于不同年龄阶段的童声模型,生成判别模型。
5.根据权利要求4所述的方法,其特征在于,所述基于所述判别模型的识别结果,对获取到的与所述语音信息相关的搜索结果进行处理,包括:
若所述判别模型识别出所述语音信息所对应的用户的身份为儿童,则对获取到的与所述语音信息相关的搜索结果的内容进行过滤处理,并将处理后的搜索结果发送给所述用户。
6.根据权利要求1所述的方法,其特征在于,所述接收用户输入的语音信息,并提取所述语音信息的声学特征,包括:
接收用户输入的语音信息,并对所述语音信息进行语音活动检测,生成有效的语音信息;
提取所述有效的语音信息的声学特征。
7.根据权利要求1-6之一所述的方法,其特征在于,所述方法还包括:
自检测到启动语音输入的操作开始,确定所述用户当前输入的语音信息的时长是否大于预设时长;
若确定当前输入的语音信息的时长大于预设时长,则向所述用户发送提示信息。
8.一种语音搜索结果的处理装置,其特征在于,所述装置包括:
接收单元,配置用于接收用户输入的语音信息,并提取所述语音信息的声学特征;
提取单元,配置用于基于所述声学特征,提取所述语音信息的辨识矢量i-vector特征;
识别单元,配置用于将所述i-vector特征在预先训练的判别模型中进行识别,其中,所述判别模型用于识别所述语音信息所对应的用户的身份信息;
处理单元,配置用于基于所述判别模型的识别结果,对获取到的与所述语音信息相关的搜索结果进行处理。
9.根据权利要求8所述的装置,其特征在于,所述身份信息包括用于指示用户是否为儿童的信息,以及所述装置还包括训练单元,配置用于:
获取不同年龄阶段儿童的样本语音;
对于每个年龄阶段儿童的样本语音,提取该样本语音的i-vector特征,利用机器学习法,将该样本语音的i-vector特征作为输入,将用于指示该样本语音所对应的用户为儿童的身份信息作为输出,训练得到该年龄阶段的童声模型;
利用线性回归学习法,基于不同年龄阶段的童声模型,生成判别模型。
10.根据权利要求9所述的装置,其特征在于,所述处理单元进一步配置用于:
若所述判别模型识别出所述语音信息所对应的用户的身份为儿童,则对获取到的与所述语音信息相关的搜索结果的内容进行过滤处理,并将处理后的搜索结果发送给所述用户。
11.根据权利要求8-10之一所述的装置,其特征在于,所述装置还包括:
确定单元,配置用于自检测到启动语音输入的操作开始,确定所述用户当前输入的语音信息的时长是否大于预设时长;
发送单元,配置用于若确定当前输入的语音信息的时长大于预设时长,则向所述用户发送提示信息。
12.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,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,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
13.一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,所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710822725.2A CN107610706A (zh) | 2017-09-13 | 2017-09-13 | 语音搜索结果的处理方法和处理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710822725.2A CN107610706A (zh) | 2017-09-13 | 2017-09-13 | 语音搜索结果的处理方法和处理装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107610706A true CN107610706A (zh) | 2018-01-19 |
Family
ID=61061963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710822725.2A Pending CN107610706A (zh) | 2017-09-13 | 2017-09-13 | 语音搜索结果的处理方法和处理装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107610706A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108391005A (zh) * | 2018-02-07 | 2018-08-10 | 宁夏凯速德科技有限公司 | 终端app的打开方法和装置 |
CN108694954A (zh) * | 2018-06-13 | 2018-10-23 | 广州势必可赢网络科技有限公司 | 一种性别年龄识别方法、装置、设备及可读存储介质 |
CN109658931A (zh) * | 2018-12-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 语音交互方法、装置、计算机设备及存储介质 |
CN110046305A (zh) * | 2019-04-23 | 2019-07-23 | 江西财经大学 | 一种人工智能深度学习的方法 |
WO2020019831A1 (zh) * | 2018-07-23 | 2020-01-30 | 深圳大学 | 特定人群识别方法、电子装置及计算机可读存储介质 |
CN111199742A (zh) * | 2018-11-20 | 2020-05-26 | 阿里巴巴集团控股有限公司 | 一种身份验证方法、装置及计算设备 |
CN111243607A (zh) * | 2020-03-26 | 2020-06-05 | 北京字节跳动网络技术有限公司 | 用于生成说话人信息的方法、装置、电子设备和介质 |
CN111862991A (zh) * | 2019-04-30 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 一种婴儿哭声的识别方法及系统 |
EP3882788A4 (en) * | 2018-11-14 | 2022-08-10 | Neosapience, Inc. | METHOD OF SEARCHING FOR CONTENT WITH THE SAME VOICE AS A TARGET SPEAKER'S VOICE AND DEVICE FOR IMPLEMENTING THE SAME |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6253181B1 (en) * | 1999-01-22 | 2001-06-26 | Matsushita Electric Industrial Co., Ltd. | Speech recognition and teaching apparatus able to rapidly adapt to difficult speech of children and foreign speakers |
CN105895080A (zh) * | 2016-03-30 | 2016-08-24 | 乐视控股(北京)有限公司 | 语音识别模型训练方法、说话人类型识别方法及装置 |
CN106599110A (zh) * | 2016-11-29 | 2017-04-26 | 百度在线网络技术(北京)有限公司 | 基于人工智能的语音搜索方法及装置 |
CN107146601A (zh) * | 2017-04-07 | 2017-09-08 | 南京邮电大学 | 一种用于说话人识别系统的后端i‑vector增强方法 |
CN107146615A (zh) * | 2017-05-16 | 2017-09-08 | 南京理工大学 | 基于匹配模型二次识别的语音识别方法及系统 |
-
2017
- 2017-09-13 CN CN201710822725.2A patent/CN107610706A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6253181B1 (en) * | 1999-01-22 | 2001-06-26 | Matsushita Electric Industrial Co., Ltd. | Speech recognition and teaching apparatus able to rapidly adapt to difficult speech of children and foreign speakers |
CN105895080A (zh) * | 2016-03-30 | 2016-08-24 | 乐视控股(北京)有限公司 | 语音识别模型训练方法、说话人类型识别方法及装置 |
CN106599110A (zh) * | 2016-11-29 | 2017-04-26 | 百度在线网络技术(北京)有限公司 | 基于人工智能的语音搜索方法及装置 |
CN107146601A (zh) * | 2017-04-07 | 2017-09-08 | 南京邮电大学 | 一种用于说话人识别系统的后端i‑vector增强方法 |
CN107146615A (zh) * | 2017-05-16 | 2017-09-08 | 南京理工大学 | 基于匹配模型二次识别的语音识别方法及系统 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108391005A (zh) * | 2018-02-07 | 2018-08-10 | 宁夏凯速德科技有限公司 | 终端app的打开方法和装置 |
CN108694954A (zh) * | 2018-06-13 | 2018-10-23 | 广州势必可赢网络科技有限公司 | 一种性别年龄识别方法、装置、设备及可读存储介质 |
WO2020019831A1 (zh) * | 2018-07-23 | 2020-01-30 | 深圳大学 | 特定人群识别方法、电子装置及计算机可读存储介质 |
EP3882788A4 (en) * | 2018-11-14 | 2022-08-10 | Neosapience, Inc. | METHOD OF SEARCHING FOR CONTENT WITH THE SAME VOICE AS A TARGET SPEAKER'S VOICE AND DEVICE FOR IMPLEMENTING THE SAME |
US11664015B2 (en) | 2018-11-14 | 2023-05-30 | Neosapience, Inc. | Method for searching for contents having same voice as voice of target speaker, and apparatus for executing same |
CN111199742A (zh) * | 2018-11-20 | 2020-05-26 | 阿里巴巴集团控股有限公司 | 一种身份验证方法、装置及计算设备 |
CN109658931A (zh) * | 2018-12-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 语音交互方法、装置、计算机设备及存储介质 |
CN109658931B (zh) * | 2018-12-19 | 2024-05-10 | 平安科技(深圳)有限公司 | 语音交互方法、装置、计算机设备及存储介质 |
CN110046305A (zh) * | 2019-04-23 | 2019-07-23 | 江西财经大学 | 一种人工智能深度学习的方法 |
CN111862991A (zh) * | 2019-04-30 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 一种婴儿哭声的识别方法及系统 |
CN111243607A (zh) * | 2020-03-26 | 2020-06-05 | 北京字节跳动网络技术有限公司 | 用于生成说话人信息的方法、装置、电子设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610706A (zh) | 语音搜索结果的处理方法和处理装置 | |
US11062699B2 (en) | Speech recognition with trained GMM-HMM and LSTM models | |
CN112259106B (zh) | 声纹识别方法、装置、存储介质及计算机设备 | |
CN108829822B (zh) | 媒体内容的推荐方法和装置、存储介质、电子装置 | |
CN105976812B (zh) | 一种语音识别方法及其设备 | |
CN110265040A (zh) | 声纹模型的训练方法、装置、存储介质及电子设备 | |
CN108428446A (zh) | 语音识别方法和装置 | |
CN109389971A (zh) | 基于语音识别的保险录音质检方法、装置、设备和介质 | |
CN107491534A (zh) | 信息处理方法和装置 | |
CN107707745A (zh) | 用于提取信息的方法和装置 | |
CN107391760A (zh) | 用户兴趣识别方法、装置及计算机可读存储介质 | |
WO2021179717A1 (zh) | 一种语音识别的前端处理方法、装置及终端设备 | |
CN109190124B (zh) | 用于分词的方法和装置 | |
CN107919137A (zh) | 远程审批方法、装置、设备及可读存储介质 | |
CN109801635A (zh) | 一种基于注意力机制的声纹特征提取方法及装置 | |
CN110738998A (zh) | 基于语音的个人信用评估方法、装置、终端及存储介质 | |
WO2021169365A1 (zh) | 声纹识别的方法和装置 | |
CN110473552A (zh) | 语音识别认证方法及系统 | |
CN115102789B (zh) | 一种反通信网络诈骗研判预警拦截综合平台 | |
CN110930978A (zh) | 一种语种识别方法、装置和用于语种识别的装置 | |
CN111402922B (zh) | 基于小样本的音频信号分类方法、装置、设备及存储介质 | |
CN113314150A (zh) | 基于语音数据的情绪识别方法、装置及存储介质 | |
CN114927126A (zh) | 基于语义分析的方案输出方法、装置、设备以及存储介质 | |
CN108322770A (zh) | 视频节目识别方法、相关装置、设备和系统 | |
CN108268602A (zh) | 分析文本话题点的方法、装置、设备和计算机存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180119 |