CN109994103A - 一种智能语义匹配模型的训练方法 - Google Patents
一种智能语义匹配模型的训练方法 Download PDFInfo
- Publication number
- CN109994103A CN109994103A CN201910231449.1A CN201910231449A CN109994103A CN 109994103 A CN109994103 A CN 109994103A CN 201910231449 A CN201910231449 A CN 201910231449A CN 109994103 A CN109994103 A CN 109994103A
- Authority
- CN
- China
- Prior art keywords
- information
- sample data
- sentence
- semantic
- training sample
- 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
- 238000012549 training Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 239000000284 extract Substances 0.000 claims abstract description 14
- 238000003058 natural language processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及一种智能语义匹配模型的训练方法，所述方法包括：语义处理系统中的语义匹配模型接收语句训练样本数据；语句训练样本数据对应有训练领域信息和样本标注信息；根据训练领域信息对语句训练样本数据进行句式泛化处理，提取语句训练样本数据中的固定语信息和泛化对象信息；对比语句训练样本数据中的固定语信息与样本标注信息中的固定语信息，并对比语句训练样本数据中的泛化对象信息与样本标注信息中的泛化对象信息，根据对比结果更新语义匹配模型；根据语义匹配模型生成语法规则树。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种智能语义匹配模型的训练方法。
背景技术
自然语言处理(Natural Language Processing，NLP)是人工智能中最为困难的问题之一，而对自然语言处理的研究也是充满挑战的。同时，语言模型(Language Model,LM)的建立和训练时自然语言处理中非常重要的组成部分。语言模型是根据语言客观事实而进行的语言抽象数学建模，是一种数字化的对应关系。语言模型与语言客观事实之间的关系，如同数学上的抽象直线与具体直线之间的关系，语言客观事实经过语言模型的描述，可以实现与电子计算机进行自动处理，因而语言模型对于自然语言的信息处理具有重大的意义。
发明内容
本发明的目的是针对现有技术的缺陷，提供一种智能语义匹配模型的训练方法，根据的训练领域信息对比语义匹配模型提取语句匹配样本数据中的固定语信息和泛化对象信息，与标准固定语信息和标准泛化对象信息，对语义匹配模型额提取结果进行修正，从而实现语义匹配模型的学习和训练，进而形成用于语义匹配的语法规则树，使得所生成语法规则树更加合理。
为实现上述目的，本发明提供了一种智能语义匹配模型的训练方法，所述方法包括：
语义处理系统中的语义匹配模型接收语句训练样本数据；所述语句训练样本数据对应有训练领域信息和样本标注信息；
根据所述训练领域信息对所述语句训练样本数据进行句式泛化处理，提取所述语句训练样本数据中的固定语信息和泛化对象信息；
对比所述语句训练样本数据中的固定语信息与所述样本标注信息中的固定语信息，并对比所述语句训练样本数据中的泛化对象信息与所述样本标注信息中的泛化对象信息，根据对比结果更新所述语义匹配模型；
根据所述语义匹配模型生成语法规则树。
优选的，在所述语义匹配模型接收语句训练样本数据之前，所述方法还包括：
所述语义处理系统中的语音转换器接收所述语句语音数据，对所述语句语音数据进行语音识别后，得到所述语句训练样本数据。
优选的，所述语义处理系统中包括多个语义匹配模型；每个所述语义匹配模型对应一个所述训练领域信息。
进一步优选的，所述根据所述训练领域信息对所述语句训练样本数据进行句式泛化处理具体为：
根据所述语句训练样本数据对应的训练领域信息确定相应的语义匹配模型；
通过当前语义匹配模型对所述语句训练样本数据进行句式泛化处理，提取所述语句训练样本数据中的固定语信息和泛化对象信息。
优选的，在对比所述语句训练样本数据中的固定语信息与所述样本标注信息中的固定语信息，并对比所述语句训练样本数据中的泛化对象信息与所述样本标注信息中的泛化对象信息，根据对比结果更新所述语义匹配模型具体为：
当所述语句训练样本数据中的固定语信息与所述样本标注信息中的固定语信息不相符，或者当所述语句训练样本数据中的泛化对象信息与所述样本标注信息中的泛化对象信息不相符时，根据所述样本标注信息中的固定语信息和泛化对象信息更新所述语义匹配模型。
进一步优选的，当所述语句训练样本数据中的固定语信息与所述样本标注信息中的固定语信息相符，并且所述语句训练样本数据中的泛化对象信息与所述样本标注信息中的泛化对象信息相符时，所述方法还包括：
记录并更新匹配正确结果的个数；
当所述匹配正确结果的个数大于预设数量时，根据所述语义匹配模型生成所述语法规则树。
进一步优选的，在所述根据所述语义匹配模型生成所述语法规则树之前，所述方法还包括：
记录并更新匹配错误结果的个数；
根据所述匹配错误结果的个数和所述匹配正确结果的个数得到匹配成功率。
进一步优选的，当所述匹配正确结果的个数大于预设数量个，且所述匹配成功率大于预设百分比时，根据所述语义匹配模型生成所述语法规则树。
本发明实施例提供的智能语义匹配模型的训练方法，根据的训练领域信息对比语义匹配模型提取语句匹配样本数据中的固定语信息和泛化对象信息，与标准固定语信息和标准泛化对象信息，对语义匹配模型额提取结果进行修正，从而实现语义匹配模型的学习和训练，进而形成用于语义匹配的语法规则树，使得所生成语法规则树更加合理。
附图说明
图1为本发明实施例提供的智能语义匹配模型的训练方法的流程图。
具体实施方式
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
本发明实施例提供的一种智能语义匹配模型的训练方法，用于语义处理系统根据被训练的语义匹配模型得到语法规则树，从而根据语法规则树对用户输入的内容进行语义匹配。其方法流程图如图1所示，包括如下步骤：
步骤110，语义处理系统接收语句训练样本数据；
具体的，语义处理系统可以理解为一个具有语句输入、处理和输出功能的系统。语义处理系统包括多个语义匹配模型，语义匹配模型用于接收并训练语句训练样本数据，从而得到语法规则树。每个语义匹配模型对应一个所述训练领域信息。训练领域信息可以理解为当前语句训练样本所属的应用领域，应用领域可以包括“生活周边”应用领域、“笑话故事”应用领域、“听歌”应用领域、“健康”应用领域、“购票”应用领域等。
在一些优选的实施例中，语句训练样本数据的数据源可以是语音形式的数据也可以是文字形式的数据。也就是说，用户可以通过语音或文字的方式向系统输入语句训练样本数据。当语句训练样本数据为语音形式的数据时，语义处理系统中的语音转换器接收语句数据，对语句数据中的语句语音数据进行语音识别，然后得到文字形式的语句训练样本数据。
语句训练样本数据对应有训练领域信息和样本标注信息。样本标注信息可以理解为当前语句训练样本数据所代表的语句中的正确的语义主干。样本标注信息中包括固定语信息和泛化对象信息。例如，在一个“我想去电影院”的语句训练样本数据中，样本标注信息中的固定语信息为“我想去”，样本标注信息中的泛化对象信息为“电影院”，对应的训练领域信息为“生活周边”应用领域；再如，在一个“我想买电影票”的语句训练样本数据中，样本标注信息中的固定语信息为“我想买”，样本标注信息中的泛化对象信息为“电影票”，对应的训练领域信息为“购票”应用领域。
步骤120，根据训练领域信息对语句训练样本数据进行句式泛化处理，提取语句训练样本数据中的固定语信息和泛化对象信息；
具体的，句式泛化处理可以理解为通过一个语句扩展到多种语句的表达形式，并提取语句中关键要素的过程。语义匹配模型首先根据语句训练样本数据对应的训练领域信息确定与该训练领域信息相应的语义匹配模型，然后通过与当前语句训练样本数据具有相同训练领域信息的语义匹配模型对当前语句训练样本数据进行句式泛化处理，提取语句训练样本数据中的固定语信息和泛化对象信息。
在一个具体的例子中，语句训练样本数据为“我想去电影院”，语句训练样本数据对应的训练领域信息为“生活周边”应用领域，则语义处理系统选择训练领域信息为“生活周边”的语义匹配模型对该语句训练样本数据进行句式泛化处理。再如，语句训练样本数据为“我想买电影票”，语句训练样本数据对应的训练领域信息为“购票”应用领域，则语义处理系统选择训练领域信息为“购票”的语义匹配模型对该语句训练样本数据进行句式泛化处理。
步骤130，将提取到的固定语信息和泛化对象信息与样本标注信息进行对比，确定对比结果是否为第一对比结果；
具体的，语义匹配模型对比语句训练样本数据中的固定语信息与样本标注信息中的固定语信息，并对比语句训练样本数据中的泛化对象信息与样本标注信息中的泛化对象信息，得到对比结果。
当语句训练样本数据中的固定语信息与样本标注信息中的固定语信息不相符，或者当语句训练样本数据中的泛化对象信息与样本标注信息中的泛化对象信息不相符时，对比结果为第一对比结果，说明语义匹配模型对当前语句训练样本数据进行的句式泛化处理不准确，则执行下述步骤140。当语句训练样本数据中的固定语信息与样本标注信息中的固定语信息相符，并且语句训练样本数据中的泛化对象信息与样本标注信息中的泛化对象信息也相符时，对比结果为第二对比结果，说明语义匹配模型对当前语句训练样本数据进行的句式泛化处理是准确的，则执行下述步骤141。
步骤140，根据样本标注信息中的固定语信息和泛化对象信息更新语义匹配模型；
具体的，当对比结果为第一对比结果时，说明语句训练样本数据中的固定语信息与样本标注信息中的固定语信息不相符，或者当语句训练样本数据中的泛化对象信息与样本标注信息中的泛化对象信息不相符，则语义匹配模型根据样本标注信息中的固定语信息和泛化对象信息更新语义匹配模型。这一过程可以理解为，根据当前语句训练样本数据中正确的固定语信息和泛化对象信息，对语义匹配模型所提取到的固定语信息和泛化对象信息进行判定和修正，从而实现语义匹配模型自学习的过程。
在执行了本步骤之后，需要返回步骤110，也就是接续接收语句训练样本数据，并进行模型训练。
步骤141，记录并更新匹配正确结果的个数；
具体的，当对比结果不为第二对比结果，也就是当对比结果为第二对比结果时，说明语句训练样本数据中的固定语信息与样本标注信息中的固定语信息相符，并且语句训练样本数据中的泛化对象信息与样本标注信息中的泛化对象信息也相符，匹配正确结果的个数加一，此时，语义处理系统记录并更新匹配错误正确的个数。
步骤150，确定匹配正确结果的个数是否大于预设数量个；
具体的，语义处理系统确定匹配正确结果的个数是否大于预设数量个，当匹配正确结果的个数大于预设数量个时，说明语义匹配模型准确提取当前语句训练样本数据中的固定语信息和泛化对象信息的次数已经超过预设次数，则执行下述步骤160。当匹配正确结果的个数不大于预设数量个时，说明语义匹配模型准确提取当前语句训练样本数据中的固定语信息和泛化对象信息的次数尚未超过预设次数，则返回执行步骤110，也就是接续接收语句训练样本数据，并进行模型训练。
步骤160，根据语义匹配模型生成语法规则树；
具体的，当匹配正确结果的个数大于预设数量个时，说明对当前语义匹配模型进行的训练已满足生成语法规则树的要求，则语义处理系统根据训练后的语义匹配模型生成语法规则树。
在一些优选的实施例中，在确定语义匹配模型进行的训练是否已满足生成语法规则树的要求时，除了需要确定匹配正确结果的个数是否大于预设数量个，还需要确定当前匹配成功率是否大于预设百分比。
进一步具体的，如果语句训练样本数据中的固定语信息与样本标注信息中的固定语信息不相符，或者语句训练样本数据中的泛化对象信息与样本标注信息中的泛化对象信息不相符时，匹配错误结果的个数加一，此时，语义处理系统记录并更新匹配错误结果的个数。语义处理系统根据匹配错误结果的个数和匹配正确结果的个数得到匹配成功率，当匹配正确结果的个数大于预设数量个，且匹配成功率大于预设百分比时，不仅说明语义匹配模型准确提取当前语句训练样本数据中的固定语信息和泛化对象信息的次数已经超过预设次数，而且还说明语义匹配模型提取当前语句训练样本数据中的固定语信息和泛化对象信息的准确率已经达到预设准确率，则执行下述步骤160，否则则需要返回执行步骤110，也就是接续接收语句训练样本数据，并进行模型训练。
本发明实施例提供的智能语义匹配模型的训练方法，根据的训练领域信息对比语义匹配模型提取语句匹配样本数据中的固定语信息和泛化对象信息，与标准固定语信息和标准泛化对象信息，对语义匹配模型额提取结果进行修正，从而实现语义匹配模型的学习和训练，进而形成用于语义匹配的语法规则树，使得所生成语法规则树更加合理。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、用户终端执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种智能语义匹配模型的训练方法，其特征在于，所述方法包括：
语义处理系统中的语义匹配模型接收语句训练样本数据；所述语句训练样本数据对应有训练领域信息和样本标注信息；
根据所述训练领域信息对所述语句训练样本数据进行句式泛化处理，提取所述语句训练样本数据中的固定语信息和泛化对象信息；
对比所述语句训练样本数据中的固定语信息与所述样本标注信息中的固定语信息，并对比所述语句训练样本数据中的泛化对象信息与所述样本标注信息中的泛化对象信息，根据对比结果更新所述语义匹配模型；
根据所述语义匹配模型生成语法规则树。
2.根据权利要求1所述的智能语义匹配模型的训练方法，其特征在于，在所述语义匹配模型接收语句训练样本数据之前，所述方法还包括：
所述语义处理系统中的语音转换器接收所述语句语音数据，对所述语句语音数据进行语音识别后，得到所述语句训练样本数据。
3.根据权利要求1所述的智能语义匹配模型的训练方法，其特征在于，所述语义处理系统中包括多个语义匹配模型；每个所述语义匹配模型对应一个所述训练领域信息。
4.根据权利要求3所述的智能语义匹配模型的训练方法，其特征在于，所述根据所述训练领域信息对所述语句训练样本数据进行句式泛化处理具体为：
根据所述语句训练样本数据对应的训练领域信息确定相应的语义匹配模型；
通过当前语义匹配模型对所述语句训练样本数据进行句式泛化处理，提取所述语句训练样本数据中的固定语信息和泛化对象信息。
5.根据权利要求1所述的智能语义匹配模型的训练方法，其特征在于，在对比所述语句训练样本数据中的固定语信息与所述样本标注信息中的固定语信息，并对比所述语句训练样本数据中的泛化对象信息与所述样本标注信息中的泛化对象信息，根据对比结果更新所述语义匹配模型具体为：
当所述语句训练样本数据中的固定语信息与所述样本标注信息中的固定语信息不相符，或者当所述语句训练样本数据中的泛化对象信息与所述样本标注信息中的泛化对象信息不相符时，根据所述样本标注信息中的固定语信息和泛化对象信息更新所述语义匹配模型。
6.根据权利要求5所述的智能语义匹配模型的训练方法，其特征在于，当所述语句训练样本数据中的固定语信息与所述样本标注信息中的固定语信息相符，并且所述语句训练样本数据中的泛化对象信息与所述样本标注信息中的泛化对象信息相符时，所述方法还包括：
记录并更新匹配正确结果的个数；
当所述匹配正确结果的个数大于预设数量时，根据所述语义匹配模型生成所述语法规则树。
7.根据权利要求6所述的智能语义匹配模型的训练方法，其特征在于，在所述根据所述语义匹配模型生成所述语法规则树之前，所述方法还包括：
记录并更新匹配错误结果的个数；
根据所述匹配错误结果的个数和所述匹配正确结果的个数得到匹配成功率。
8.根据权利要求7所述的智能语义匹配模型的训练方法，其特征在于，当所述匹配正确结果的个数大于预设数量个，且所述匹配成功率大于预设百分比时，根据所述语义匹配模型生成所述语法规则树。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910231449.1A CN109994103A (zh) | 2019-03-26 | 2019-03-26 | 一种智能语义匹配模型的训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910231449.1A CN109994103A (zh) | 2019-03-26 | 2019-03-26 | 一种智能语义匹配模型的训练方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109994103A true CN109994103A (zh) | 2019-07-09 |
Family
ID=67131451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910231449.1A Pending CN109994103A (zh) | 2019-03-26 | 2019-03-26 | 一种智能语义匹配模型的训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109994103A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111554297A (zh) * | 2020-05-15 | 2020-08-18 | 北京百度网讯科技有限公司 | 语音识别方法、装置、设备及可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8527262B2 (en) * | 2007-06-22 | 2013-09-03 | International Business Machines Corporation | Systems and methods for automatic semantic role labeling of high morphological text for natural language processing applications |
| CN105679314A (zh) * | 2015-12-28 | 2016-06-15 | 百度在线网络技术（北京）有限公司 | 语音识别方法和装置 |
| CN107402916A (zh) * | 2017-07-17 | 2017-11-28 | 广州特道信息科技有限公司 | 中文文本的分词方法及装置 |
| CN107644642A (zh) * | 2017-09-20 | 2018-01-30 | 广东欧珀移动通信有限公司 | 语义识别方法、装置、存储介质及电子设备 |
| US20180067923A1 (en) * | 2016-09-07 | 2018-03-08 | Microsoft Technology Licensing, Llc | Knowledge-guided structural attention processing |
| CN107783960A (zh) * | 2017-10-23 | 2018-03-09 | 百度在线网络技术（北京）有限公司 | 用于抽取信息的方法、装置和设备 |
| CN109241288A (zh) * | 2018-10-12 | 2019-01-18 | 平安科技（深圳）有限公司 | 文本分类模型的更新训练方法、装置及设备 |
-
2019
- 2019-03-26 CN CN201910231449.1A patent/CN109994103A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8527262B2 (en) * | 2007-06-22 | 2013-09-03 | International Business Machines Corporation | Systems and methods for automatic semantic role labeling of high morphological text for natural language processing applications |
| CN105679314A (zh) * | 2015-12-28 | 2016-06-15 | 百度在线网络技术（北京）有限公司 | 语音识别方法和装置 |
| US20180067923A1 (en) * | 2016-09-07 | 2018-03-08 | Microsoft Technology Licensing, Llc | Knowledge-guided structural attention processing |
| CN107402916A (zh) * | 2017-07-17 | 2017-11-28 | 广州特道信息科技有限公司 | 中文文本的分词方法及装置 |
| CN107644642A (zh) * | 2017-09-20 | 2018-01-30 | 广东欧珀移动通信有限公司 | 语义识别方法、装置、存储介质及电子设备 |
| CN107783960A (zh) * | 2017-10-23 | 2018-03-09 | 百度在线网络技术（北京）有限公司 | 用于抽取信息的方法、装置和设备 |
| CN109241288A (zh) * | 2018-10-12 | 2019-01-18 | 平安科技（深圳）有限公司 | 文本分类模型的更新训练方法、装置及设备 |
Non-Patent Citations (2)
| Title |
|---|
| AXEL SCHULZ ET AL: "Semantic Abstraction for Generalization of Tweet Classification: An Evaluation on Incident-Related Tweets", 《SEMANTIC WEB》 * |
| 唐果: "基于语义领域向量空间模型的文本相似度计算", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111554297A (zh) * | 2020-05-15 | 2020-08-18 | 北京百度网讯科技有限公司 | 语音识别方法、装置、设备及可读存储介质 |
| CN111554297B (zh) * | 2020-05-15 | 2023-08-22 | 阿波罗智联(北京)科技有限公司 | 语音识别方法、装置、设备及可读存储介质 |
| US11798548B2 (en) | 2020-05-15 | 2023-10-24 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Speech recognition method, apparatus, device and readable storage medium |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112069826B (zh) | 融合主题模型和卷积神经网络的垂直域实体消歧方法 | |
| CN107315737A (zh) | 一种语义逻辑处理方法及系统 | |
| CN108804428A (zh) | 一种译文中术语错译的纠正方法、系统及相关装置 | |
| Andrus et al. | Enhanced story comprehension for large language models through dynamic document-based knowledge graphs | |
| CN107247706A (zh) | 文本断句模型建立方法、断句方法、装置及计算机设备 | |
| Li et al. | Generating long and informative reviews with aspect-aware coarse-to-fine decoding | |
| KR20140134653A (ko) | 텍스트 투 스피치 및 시맨틱스에 기초한 오디오 인적 상호 증명 기법 | |
| CN106897559A (zh) | 一种面向多数据源的症状体征类实体识别方法及装置 | |
| CN111143571B (zh) | 实体标注模型的训练方法、实体标注方法以及装置 | |
| CN112163067A (zh) | 一种语句答复方法、语句答复装置及电子设备 | |
| CN107943793A (zh) | 自然语言的语义解析方法 | |
| CN106980620A (zh) | 一种对中文字串进行匹配的方法及装置 | |
| Gu et al. | Response generation with context-aware prompt learning | |
| CN115048944A (zh) | 一种基于主题增强的开放域对话回复方法及系统 | |
| CN107507613B (zh) | 面向场景的中文指令识别方法、装置、设备和存储介质 | |
| CN116401354A (zh) | 一种文本处理方法、装置、存储介质及设备 | |
| CN117709355B (zh) | 一种提高大语言模型训练效果的方法、装置及介质 | |
| Ostrogonac et al. | Morphology-based vs unsupervised word clustering for training language models for Serbian | |
| CN106933802A (zh) | 一种面向多数据源的社保类实体识别方法及装置 | |
| CN109994103A (zh) | 一种智能语义匹配模型的训练方法 | |
| CN108962228A (zh) | 模型训练方法和装置 | |
| CN109960807A (zh) | 一种基于上下文关联的智能语义匹配方法 | |
| CN109960806A (zh) | 一种自然语言处理方法 | |
| CN109960805A (zh) | 一种基于语义领域划分的智能语义匹配方法 | |
| CN116822530A (zh) | 一种基于知识图谱的问答对生成方法 |
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 |
Application publication date: 20190709 |
|
| RJ01 | Rejection of invention patent application after publication |