CN110738997B - 一种信息修正方法、装置、电子设备及存储介质 - Google Patents
一种信息修正方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110738997B CN110738997B CN201911025095.1A CN201911025095A CN110738997B CN 110738997 B CN110738997 B CN 110738997B CN 201911025095 A CN201911025095 A CN 201911025095A CN 110738997 B CN110738997 B CN 110738997B
- Authority
- CN
- China
- Prior art keywords
- clarification
- information
- historical
- recognition result
- correction information
- 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.)
- Active
Links
- 238000012937 correction Methods 0.000 title claims abstract description 238
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000005352 clarification Methods 0.000 claims abstract description 311
- 230000002452 interceptive effect Effects 0.000 claims abstract description 28
- 238000012986 modification Methods 0.000 claims abstract description 18
- 230000004048 modification Effects 0.000 claims abstract description 18
- 230000003993 interaction Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 20
- 238000002372 labelling Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000005065 mining Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000012958 reprocessing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 240000006927 Foeniculum vulgare Species 0.000 description 1
- 235000004204 Foeniculum vulgare Nutrition 0.000 description 1
- 241000222336 Ganoderma Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- 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
- G10L15/08—Speech classification or search
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (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)
- Signal Processing (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了一种信息修正方法、装置、电子设备及存储介质,涉及语音识别技术。具体实现方案为:获取与用户当前输入的交互语音匹配的语音识别结果,并在所述语音识别结果中进行实体识别,得到实体特征信息;根据最近一次获取的历史语音识别结果,以及所述语音识别结果,生成前后句关联信息;根据所述前后句关联信息,以及所述实体特征信息,获取与所述历史语音识别结果匹配的澄清修正信息。本申请实施例实现了只需通过输入语音即可修改上一次历史语音识别结果中因口误、同音问题语音识别错误的字或词,避免了用户手动输入修改,提升了修改效率,使得语音交互过程更加自然。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及语音识别技术领域,具体涉及一种信息修正方法、装置、电子设备及存储介质。
背景技术
近年来,深度学习加速了语音技术的发展,语音识别性能大幅度提升,部分场景下甚至已经达到或超越了人类。在语音搜索、智能音箱、语音助手、语音输入法等场景,语音交互成为最重要也是目前最理想的交互方式。但是汉语普遍存在发音相同或相近的字和词,可能会出现语音识别会错误地识别成其他同音的字或词,因此需要对用户语音识别结果进行修改。
目前,针对语音搜索和输入法场景,语音识别出错后,用户只能通过手动输入修改识别后的文本内容,但该方法增加了用户的操作成本,使用体验很差。而针对智能音箱、语音导航等智能设备场景,除语音外没有提供其他输入设备,用户基本没有办法更改语音识别的语句,使得音箱无法了解到用户的真正诉求,导致智能化低,用户体验差。
发明内容
本申请实施例提供了一种信息修正方法、装置、电子设备及存储介质,以解决现有技术中只能通过手动输入方式修改上次语音识别结果中的识别错误的字或词或者在某些智能设备场景下无法修改上次语音识别结果的技术问题。
第一方面,本申请实施例提供了一种信息修正方法,包括:
获取与用户当前输入的交互语音匹配的语音识别结果,并在所述语音识别结果中进行实体识别,得到实体特征信息;
根据最近一次获取的历史语音识别结果,以及所述语音识别结果,生成前后句关联信息;
根据所述前后句关联信息,以及所述实体特征信息,获取与所述历史语音识别结果匹配的澄清修正信息。
上述申请中的一个实施例具有如下优点或有益效果:在语音场景下引入用户澄清机制,通过获取当前的语音识别结果以及上一次的历史语音识别结果,生成前后句关联信息,进而根据前后句关联信息和当前语句中的实体特征信息,确定与历史语音识别结果匹配的澄清修正信息,由此实现了只需通过输入语音即可修改上一次历史语音识别结果中因口误、同音问题语音识别错误的字或词,避免了用户手动输入修改,提升了修改效率,使得语音交互过程更加自然。
可选的,所述根据所述前后句关联信息,以及所述实体特征信息,获取与所述历史语音识别结果匹配的澄清修正信息包括:
将所述前后句关联信息,以及所述实体特征信息输入至预先训练的自动澄清模型中;
如果确定所述自动澄清模型输出至少一项备选澄清修正信息,则确定所述语音识别结果为澄清指令;
在所述至少一项备选澄清修正信息中,确定出与所述历史语音识别结果匹配的澄清修正信息。
可选的,在所述至少一项备选澄清修正信息中,确定出与所述历史语音识别结果匹配的澄清修正信息,包括:
根据各所述备选澄清修正信息与所述历史语音识别结果之间的关联指数,在所述备选澄清修正信息中确定出与所述历史语音识别结果匹配的澄清修正信息。
上述申请中的一个实施例具有如下优点或有益效果:通过引入自动澄清模型,根据该模型的输出可快速判断出当前的语音识别结果是否为澄清指令,也即是否需要修改上一次历史语音识别结果,由此可避免影响正常的语音交互过程,若判断是澄清指令则根据与历史语音识别结果之间的关联指数,筛选出匹配的澄清修正信息,由此确保修改历史语音识别结果的准确性以及提升修改效率。
可选的,在获取与用户输入的交互语音匹配的语音识别结果之前,所述方法还包括:
根据澄清指令模板集,在与多条历史用户交互语音匹配的多条历史用户语音识别结果,挖掘出历史澄清指令;
获取与每个所述历史澄清指令关联的最近一条历史用户语音识别结果作为与所述历史澄清指令对应的待澄清信息;
获取与各所述待澄清信息分别对应的澄清修正信息标注结果;
对各所述历史澄清指令进行实体识别,得到与各所述历史澄清指令分别对应的实体特征信息;
根据所述历史澄清指令以及对应的所述待澄清信息,生成历史前后句关联信息;
根据所述历史前后句关联信息、所述实体特征信息以及所述澄清修正信息标注结果,构造训练样本;
使用所述训练样本,对机器学习模型进行训练,得到所述自动澄清模型。
上述申请中的一个实施例具有如下优点或有益效果:通过大数据挖掘可以获得丰富的训练样本,而且训练样本中还引入了实体特征信息,由此训练得到的自动澄清模型的精度高。
可选的,在根据澄清指令模板集,在与多条历史用户交互语音匹配的多条历史用户语音识别结果,挖掘出历史澄清指令之前,所述方法还包括:
根据与多条历史用户交互语音匹配的多条历史用户语音识别结果,生成所述澄清指令模板集。
上述申请中的一个实施例具有如下优点或有益效果:通过生成澄清指令模板集可提升历史澄清指令的挖掘效率。
可选的,所述根据与多条历史用户交互语音匹配的多条历史用户语音识别结果,生成所述澄清指令模板集包括:
获取种子模板集合;
使用所述多条历史用户语音识别结果与所述种子模板集合进行匹配,得到扩展语料集合;
对所述扩展语料集合进行模板提取,得到扩展模板集合;
对所述种子模板集合,以及所述扩展模板集合的模板交集进行相似模板归并,和/或不合理模板剔除处理后,得到所述澄清指令模板集。
上述申请中的一个实施例具有如下优点或有益效果:通过对种子模板集合,以及扩展模板集合的模板交集进行相似模板归并,和/或不合理模板剔除处理,得到所述澄清指令模板集,可减少重复或不合理模板,降低模板数量,提高模板的质量,进而确保挖掘历史澄清指令的准确性。
可选的,所述根据各所述备选澄清修正信息与所述历史语音识别结果之间的关联指数,在所述备选澄清修正信息中确定出与所述历史语音识别结果匹配的澄清修正信息之前,所述方法还包括下述至少一项:
根据各所述备选澄清修正信息与所述历史语音识别结果的音节特征参数之间的相似度,计算所述关联指数;
根据各所述备选澄清修正信息与所述历史语音识别结果的拼音序列之间的相似度,计算所述关联指数;以及
根据各所述备选澄清修正信息与所述历史语音识别结果的字符序列之间的相似度,计算所述关联指数。
上述申请中的一个实施例具有如下优点或有益效果:根据备选澄清修正信息与历史语音识别结果的音节特征、拼音序列或字符序列之间相似度,确定关联指数,可筛选出与历史语音识别结果最匹配的澄清修正信息,进而保证对历史语音识别结果修正的准确性。
可选的,所述根据各所述备选澄清修正信息与所述历史语音识别结果之间的关联指数,在所述备选澄清修正信息中确定出与所述历史语音识别结果匹配的澄清修正信息包括:
按照所述关联指数,对各所述备选澄清修正信息进行排序,获取关联指数最大的目标备选澄清修正信息;
如果所述目标备选澄清修正信息的关联指数大于等于设定的阈值门限,则将所述目标备选澄清修正信息作为所述选澄清修正信息;
如果所述目标备选澄清修正信息的关联指数小于所述阈值门限,则在澄清指令模板集中,获取与所述语音识别结果匹配的至少一个目标澄清指令模板;
根据所述至少一个目标澄清指令模板,提取所述语音识别结果中包括的澄清信息;
在所述澄清信息中,使用与历史语音识别结果关联的至少一个目标澄清信息,对所述历史语音识别结果进行修正,得到新的备选澄清修正信息;
在所述目标备选澄清修正信息以及所述新的备选澄清修正信息中,确定与所述历史语音识别结果匹配的澄清修正信息。
上述申请中的一个实施例具有如下优点或有益效果:通过判断目标备选澄清修正信息与历史语音识别结果的关联指数是否满足预设要求,若满足可直接作为澄清修正信息,若不满足可通过指令触发的方式澄清修正信息,由此可实现快速准确的筛选出最佳的澄清修正信息。
可选的,在所述目标备选澄清修正信息以及所述新的备选澄清修正信息中,确定与所述历史语音识别结果匹配的澄清修正信息包括:
对各所述澄清修正信息进行语法规则,和/或场景符合度校验,并根据校验结果,确定所述澄清修正信息。
上述申请中的一个实施例具有如下优点或有益效果:根据语法规则、场景符合度校验确定,可进一步提升确定澄清修正信息的准确性。
可选的,在根据所述前后句关联信息,以及所述实体特征信息,获取与所述历史语音识别结果匹配的澄清修正信息之后,所述方法还包括:
对所述澄清修正信息重新进行处理,并反馈处理结果。
上述申请中的一个实施例具有如下优点或有益效果:通过对澄清修正信息进行处理,可确保处理结果满足用户真实需求,提升语音交互体验。
第二方面,本申请实施例还提供了一种信息修正装置,包括:
获取识别模块,用于获取与用户当前输入的交互语音匹配的语音识别结果,并在所述语音识别结果中进行实体识别,得到实体特征信息;
第一向量生成模块,用于根据最近一次获取的历史语音识别结果,以及所述语音识别结果,生成前后句关联信息;
修正信息获取模块,用于根据所述前后句关联信息,以及所述实体特征信息,获取与所述历史语音识别结果匹配的澄清修正信息。
第三方面,本申请实施例还提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请任意实施例所述的信息修正方法。
第四方面,本本申请实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本申请任意实施例所述的信息修正方法。
上述申请中的一个实施例具有如下优点或有益效果:在语音场景下引入用户澄清机制,通过获取当前的语音识别结果以及上一次的历史语音识别结果,生成前后句关联信息,进而根据前后句关联信息和当前语句中的实体特征信息,确定与历史语音识别结果匹配的澄清修正信息,由此实现了只需通过输入语音即可修改上一次历史语音识别结果中因口误、同音问题而识别错误的字或词,避免了用户手动输入修改,提升了修改效率,使得语音交互过程更加自然。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请实施例的一种信息修正方法的流程示意图;
图2是根据本申请实施例的训练自动澄清模型的方法的流程示意图;
图3是根据本申请实施例的另一种信息修正方法的流程示意图;
图4是根据本申请实施例的一种信息修正装置的结构示意图;
图5是用来实现本申请实施例的信息修正方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是本申请实施例的信息修正方法的流程示意图,本实施例可适用于对用户上一次历史语音识别结果进行修正的情况。该方法可由一种信息修正装置来执行,该装置采用软件和/或硬件的方式实现,优选是配置于电子设备中,例如配置于安装有语音输入法APP、具有语音输入或者语音搜索功能的APP的移动终端、智能音箱,或者具有语音导航功能的车载设备。如图1所示,该方法具体包括如下:
S101、获取与用户当前输入的交互语音匹配的语音识别结果,并在所述语音识别结果中进行实体识别,得到实体特征信息。
在移动终端或智能设备的主界面上或信息输入界面上获取用户当前输入的交互语音,并对获取到的当前交互语音进行解析,得到与之匹配的语音识别结果。本申请实施例中,由于用户因口误、同音问题而导致语音识别错误的字或词大多是地名、人名、品牌词等实体词,因此在获得用户输入的交互语音匹配的语音识别结果后,可对语音识别结果进行实体识别,可选的,利用预先训练的实体标注模型进行实体识别,得到实体特征信息。
S102、根据最近一次获取的历史语音识别结果,以及所述语音识别结果,生成前后句关联信息。
其中,前后句关联信息为用于反映历史语音识别结果(前句)以及语音识别结果(后句)之间句子关联性的参数。可选的,前后句关联信息可以通过前后句特征向量矩阵的方式表示,例如将最近一次获取的历史语音识别结果和当前获取的语音识别结果中的每个字通过查词向量表,映射得到前后句特征向量矩阵。
S103、根据所述前后句关联信息,以及所述实体特征信息,获取与所述历史语音识别结果匹配的澄清修正信息。
作为一种可选的实施方式,可按如下操作获取澄清修正信息:
S1.将前后句关联信息,以及实体特征信息输入至预先训练的自动澄清模型中。
可选的,在实体特征信息输入至自动澄清模型之前,使用encode-decode模型对实体特征信息进行自编码,将实体特征信息映射成一个实数向量,进而将其与前后句关联信息一起输入至自动澄清模型中,其中,自动澄清模型可选的使用Transformer深度学习模型构建,并通过预先标注的训练样本训练得到,用于输出备选澄清修正信息。
S2.如果确定所述自动澄清模型输出至少一项备选澄清修正信息,则确定所述语音识别结果为澄清指令。
如果自动澄清模型输出至少一项备选澄清修正信息,则确定用户当前输入的交互语音对应的语音识别结果为澄清指令,也即需要对获取的最近一次历史语音识别结果进行修正。
S3.在所述至少一项备选澄清修正信息中,确定出与所述历史语音识别结果匹配的澄清修正信息。
可选的,根据各所述备选澄清修正信息与所述历史语音识别结果之间的关联指数,在所述备选澄清修正信息中确定出与所述历史语音识别结果匹配的澄清修正信息。其中,澄清修正信息为使用与用户当前输入的交互语音匹配的语音识别结果,对该历史语音识别结果进行修正后得到的结果,例如,历史语音识别结果为“导航去济宁市”,而根据用户当前输入的交互语音可知实际是去集宁市,则将历史语音识别结果修改为“导航去集宁市”,则“导航去集宁市”即为澄清修正信息。关联指数用于表征备选澄清修正信息与所述历史语音识别结果之间的相关程度。而在计算关联指数时,可根据各备选澄清修正信息与历史语音识别结果的音节特征参数之间的相似度,计算关联指数;或者根据各备选澄清修正信息与历史语音识别结果的拼音序列之间的相似度,计算关联指数;或者根据各所述备选澄清修正信息与所述历史语音识别结果的字符序列之间的相似度,计算关联指数。
本申请实施例中,关联指数越大,则利用其对应的备选澄清修正信息修正历史语音识别结果越准确。因此,可选的从各备选澄清修正信息中筛选出与历史语音识别结果之间关联指数最大的,作为与历史语音识别结果匹配的澄清修正信息。
本申请实施例中,在语音场景下引入用户澄清机制,通过获取当前的语音识别结果以及上一次的历史语音识别结果,生成前后句关联信息,进而根据前后句关联信息和当前语句中的实体特征信息,确定与历史语音识别结果匹配的澄清修正信息,由此实现了只需通过输入语音即可修改上一次历史语音识别结果中因口误、同音问题而识别错误的字或词,避免了用户手动输入修改,提升了修改效率,使得语音交互过程更加自然。而且确定澄清修正信息过程中参考了备选修正信息与历史语音识别结果之间的关联指数,由此确保修改历史语音识别结果的准确性。
进一步的,在获取与历史语音识别结果匹配的澄清修正信息之后,对澄清修正信息重新进行处理,例如,进行智能家居控制,或者发起网络搜索等,并反馈处理结果。由此可确保处理结果满足用户真实需求,提升语音交互体验。
图2是本申请实施例的训练自动澄清模型的方法的流程示意图,如图2所示,该方法具体包括如下:
S201、根据澄清指令模板集,在与多条历史用户交互语音匹配的多条历史用户语音识别结果中,挖掘出历史澄清指令。
其中,澄清指令模板集是根据与多条历史用户交互语音匹配的多条历史用户语音识别结果生成的。可选的,首先获取种子模板集合,其中种子模板集合为预先根据表达习惯设计的用户常说的模板。示例性的,用户表达的一类语句通常符合某种模式,具有相同模式的语句可归纳成模板,如:草字头的茴、草字头的芝,可以提取模板:[草字头]的[W],[W]这个槽位中限定了匹配的字;力气的力,露水的露,可以提取模板:[W1][W2]的[W1],W2是用户认为正确的字。其次,使用多条历史用户语音识别结果与种子模板集合进行匹配,得到扩展语料集合,也即是利用种子模板从海量用户数据中自动挖掘相似的文本表达。进而对扩展语料集合进行模板提取,得到扩展模板集合。最后,对种子模板集合,以及扩展模板集合的模板交集进行相似模板归并,和/或不合理模板(例如不符合语法规则,或者模板中包括违规字符)剔除处理,以减少其中重复或不合理模板,得到最终的澄清指令模板集。
进一步的,为了丰富澄清指令模板集,还可以针对特殊人群通过人工手段进行澄清指令模板挖掘。例如,针对未成年人群体,在线时长超过设定阈值的网民群体等,通过对至少两个用户群体的历史用户语音识别结果进行人工标注得到人工标注模板,进而将人工标注模板加入至所述澄清指令模板集中。
在得到澄清指令模板集后,在与多条历史用户交互语音匹配的多条历史用户语音识别结果中,通过匹配的方式,挖掘出历史澄清指令。
S202、获取与每个所述历史澄清指令关联的最近一条历史用户语音识别结果作为与所述历史澄清指令对应的待澄清信息。
S203、获取与各所述待澄清信息分别对应的澄清修正信息标注结果。
将待澄清信息分别对应的澄清修正信息进行标注,例如通过添加标签的方式进行标注,作为训练数据。
S204、对各所述历史澄清指令进行实体识别,得到与各所述历史澄清指令分别对应的实体特征信息。
本申请实施例中,针对一些特殊情况,例如在智能家居场景下,用户会用带屏音箱控制家里的品牌电器,例如用户输入放入语音“打开美的空调”,可能会误识别成“美丽空调”;在语音导航、语音输入法场景下,某些地名或人民实体词识别结果不是用户真实的表达,例如用户输入的语音“导航去集宁市”,会被识别成“济宁市”。由此可知,识别错误的通常是实体名词,因此需要对各历史澄清指令进行实体识别,得到与各历史澄清指令分别对应的实体特征信息。可选的,预先搜集地名、人名、品牌词、公司名以及成语等实体,训练得到实体标注模型,进而根据实体标注模型,标注语句中出现的实体。
S205、根据所述历史澄清指令以及对应的所述待澄清信息,生成历史前后句关联信息。
可选的,历史前后句关联信息可以通过历史前后句特征向量矩阵的方式表示,例如根据历史澄清指令以及对应的待澄清信息中的每个字通过查词向量表,映射得到历史前后句特征向量矩阵。
S206、根据所述历史前后句关联信息、所述实体特征信息以及所述澄清修正信息标注结果,构造训练样本。
S207、使用所述训练样本,对机器学习模型进行训练,得到所述自动澄清模型。
本申请实施例中,根据与多条历史用户交互语音匹配的多条历史用户语音识别结果,生成澄清指令模板集,丰富了澄清指模板令集,而基于澄清指令模板集挖掘历史澄清指令及其对应的待澄清信息,作为训练样本,而且训练样本中还引入了实体特征信息,由此训练得到的自动澄清模型的精度高。
图3是本申请实施例提供的另一种信息修正方法的流程示意图,本实施例在上述实施例的基础上进一步进行优化,如图3所示,该方法具体包括如下:
S301、获取与用户当前输入的交互语音匹配的语音识别结果,并在所述语音识别结果中进行实体识别,得到实体特征信息。
S302、根据最近一次获取的历史语音识别结果,以及所述语音识别结果,生成前后句关联信息。
S303、将前后句关联信息,以及实体特征信息输入至预先训练的自动澄清模型中。
S304、如果确定所述自动澄清模型输出至少一项备选澄清修正信息,则确定所述语音识别结果为澄清指令。
S305、按照各备选澄清修正信息与历史语音识别结果之间关联指数,对各备选澄清修正信息进行排序,获取关联指数最大的目标备选澄清修正信息。
本申请实施例中,预设了一个关联指数的阈值,若目标备选澄清修正信息对应的关联指数大于阈值,则执行S306,否则执行S307-S310确定澄清修正信息。
S306、如果所述目标备选澄清修正信息的关联指数大于等于设定的阈值门限,则将所述目标备选澄清修正信息作为所述澄清修正信息。
若目标备选澄清修正信息的关联指数大于等于设定的阈值门限,则表示目标备选澄清修正信息与上一次的历史语音识别结果强相关,可直接作为最终的澄清修正信息。
S307、如果所述目标备选澄清修正信息的关联指数小于所述阈值门限,则在澄清指令模板集中,获取与所述语音识别结果匹配的至少一个目标澄清指令模板。
可选的,根据语音识别结果与各澄清指令模板的匹配程度,以及各澄清指令模板的关联属性参数,计算与各所述澄清指令模板对应的得分值,进而根据得分值,获取与所述语音识别结果匹配的至少一个目标澄清指令模板。其中,计算澄清指令模板对应的得分可按照如下方式进行:根据所述语音识别结果与所述澄清指令模板集中各澄清指令模板的匹配程度,计算与各所述澄清指令模板对应的匹配度得分;根据所述澄清指令模板集中各澄清指令模板的历史使用频率,计算与各所述澄清指令模板对应的使用度得分;根据所述历史语音识别结果与各澄清指令模板质检的字符长度差异值,计算与各所述澄清指令模板对应的关联度得分;根据各所述澄清指令模板的所述匹配度得分、使用度得分以及关联度得分,计算与各所述澄清指令模板对应的得分值。
S308、根据所述至少一个目标澄清指令模板,提取所述语音识别结果中包括的澄清信息。
示例性的,某一目标澄清指令模板为[W1][W2]的[W1],语音识别结果为“第二个字是露水的露”,则澄清信息为“露”。
S309、在所述澄清信息中,使用与历史语音识别结果关联的至少一个目标澄清信息,对所述历史语音识别结果进行修正,得到新的备选澄清修正信息。
在所述澄清信息中,获取与历史语音识别结果关联的至少一个目标澄清信息,具体可通过上述的计算关联指数的方法进行确定。针对任一目标澄清信息,在历史语音识别结果定位一个待替换信息,并进行替换,由此得到新的备选澄清修正信息。
S310、在所述目标备选澄清修正信息以及所述新的备选澄清修正信息中,确定与所述历史语音识别结果匹配的澄清修正信息。
可选的,对各备选澄清修正信息进行语法规则,和/或场景符合度校验,并根据校验结果,确定最终的澄清修正信息。
本申请实施例中,通过判断目标备选澄清修正信息与历史语音识别结果的关联指数是否满足预设要求,若满足可直接作为澄清修正信息,若不满足可通过指令触发的方式确定澄清修正信息,由此可实现快速准确的筛选出最佳的澄清修正信息。
图4是本申请实施例的信息修正装置的结构示意图,本实施例可适用于对用户上一次历史语音识别结果进行修正的情况。该装置可实现本申请任意实施例所述的信息修正方法。该装置400具体包括如下:
获取识别模块401,用于获取与用户当前输入的交互语音匹配的语音识别结果,并在所述语音识别结果中进行实体识别,得到实体特征信息;
第一向量生成模块402,用于根据最近一次获取的历史语音识别结果,以及所述语音识别结果,生成前后句关联信息;
修正信息获取模块403,用于根据所述前后句关联信息,以及所述实体特征信息,获取与所述历史语音识别结果匹配的澄清修正信息。
可选的,所述修正信息获取模块包括:
输入单元,用于将所述前后句关联信息,以及所述实体特征信息输入至预先训练的自动澄清模型中;
输出单元,用于如果确定所述自动澄清模型输出至少一项备选澄清修正信息,则确定所述语音识别结果为澄清指令;
修正信息获取单元,用于在所述至少一项备选澄清修正信息中,确定出与所述历史语音识别结果匹配的澄清修正信息。
可选的,所述修正信息获取单元具体用于:
根据各所述备选澄清修正信息与所述历史语音识别结果之间的关联指数,在所述备选澄清修正信息中确定出与所述历史语音识别结果匹配的澄清修正信息。
可选的,所述装置还包括:
挖掘模块,用于根据澄清指令模板集,在与多条历史用户交互语音匹配的多条历史用户语音识别结果,挖掘出历史澄清指令;
待澄清信获取模块,用于获取与每个所述历史澄清指令关联的最近一条历史用户语音识别结果作为与所述历史澄清指令对应的待澄清信息;
标注结果获取模块,用于获取与各所述待澄清信息分别对应的澄清修正信息标注结果;
实体识别模块,用于对各所述历史澄清指令进行实体识别,得到与各所述历史澄清指令分别对应的实体特征信息;
第二向量生成模块,用于根据所述历史澄清指令以及对应的所述待澄清信息,生成历史前后句关联信息;
样本构造模块,用于根据所述历史前后句关联信息、所述实体特征信息以及所述澄清修正信息标注结果,构造训练样本;
训练模块,用于使用所述训练样本,对机器学习模型进行训练,得到所述自动澄清模型。
可选的,所述装置还包括:
模板生成模块,用于根据与多条历史用户交互语音匹配的多条历史用户语音识别结果,生成所述澄清指令模板集。
可选的,所述模板生成模块包括:
种子模板获取单元,用于获取种子模板集合;
匹配单元,用于使用所述多条历史用户语音识别结果与所述种子模板集合进行匹配,得到扩展语料集合;
提取单元,用于对所述扩展语料集合进行模板提取,得到扩展模板集合;
筛选单元,用于对所述种子模板集合,以及所述扩展模板集合的模板交集进行相似模板归并,和/或不合理模板剔除处理后,得到所述澄清指令模板集。
可选的,所述装置还包括关联指数计算模块,用于执行如下任意一项:
根据各所述备选澄清修正信息与所述历史语音识别结果的音节特征参数之间的相似度,计算所述关联指数;
根据各所述备选澄清修正信息与所述历史语音识别结果的拼音序列之间的相似度,计算所述关联指数;以及
根据各所述备选澄清修正信息与所述历史语音识别结果的字符序列之间的相似度,计算所述关联指数。
可选的,所述修正信息获取单元包括:
排序子单元,用于按照所述关联指数,对各所述备选澄清修正信息进行排序,获取关联指数最大的目标备选澄清修正信息;
第一筛选子单元,用于如果所述目标备选澄清修正信息的关联指数大于等于设定的阈值门限,则将所述目标备选澄清修正信息作为所述选澄清修正信息;
第二筛选子单元,用于如果所述目标备选澄清修正信息的关联指数小于所述阈值门限,则在澄清指令模板集中,获取与所述语音识别结果匹配的至少一个目标澄清指令模板;
澄清信息筛选子单元,用于根据所述至少一个目标澄清指令模板,提取所述语音识别结果中包括的澄清信息;
修正子单元,用于在所述澄清信息中,使用与历史语音识别结果关联的至少一个目标澄清信息,对所述历史语音识别结果进行修正,得到新的备选澄清修正信息;
修正信息确定子单元,用于在所述目标备选澄清修正信息以及所述新的备选澄清修正信息中,确定与所述历史语音识别结果匹配的澄清修正信息。
可选的,所述修正信息确定子单元具体用于:
对各所述澄清修正信息进行语法规则,和/或场景符合度校验,并根据校验结果,确定所述澄清修正信息。
可选的,所述装置还包括:
处理模块,用于对所述澄清修正信息重新进行处理,并反馈处理结果。
本申请实施例所提供的信息修改装置可执行本申请任意实施例所提供的信息修改方法,具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图5所示,是根据本申请实施例的信息修正方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的信息修正方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的信息修正方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的信息修正的方法对应的程序指令/模块(例如,附图4所示的获取识别模块401、第一向量生成模块402和修正信息获取模块403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的信息修正方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据实现信息修正方法的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至实现信息修正方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现信息修正方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与实现信息修正方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,在语音场景下引入用户澄清机制,通过获取当前的语音识别结果以及上一次的历史语音识别结果,生成前后句关联信息,进而根据前后句关联信息和当前语句中的实体特征信息,确定与历史语音识别结果匹配的澄清修正信息,由此实现了只需通过输入语音即可修改上一次历史语音识别结果中因口误、同音问题而识别错误的字或词,避免了用户手动输入修改,提升了修改效率,使得语音交互过程更加自然。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (16)
1.一种信息修正方法,其特征在于,包括:
获取与用户当前输入的交互语音匹配的语音识别结果,并在所述语音识别结果中进行实体识别,得到实体特征信息;
根据最近一次获取的历史语音识别结果,以及所述语音识别结果,生成前后句关联信息;其中,前后句关联信息为用于反映历史语音识别结果以及所述语音识别结果之间句子关联性的参数;
根据所述前后句关联信息,以及所述实体特征信息,获取与所述历史语音识别结果匹配的澄清修正信息;
其中,所述根据所述前后句关联信息,以及所述实体特征信息,获取与所述历史语音识别结果匹配的澄清修正信息包括:
将所述前后句关联信息,以及所述实体特征信息输入至预先训练的自动澄清模型中;
如果确定所述自动澄清模型输出至少一项备选澄清修正信息,则确定所述语音识别结果为澄清指令;
根据各所述备选澄清修正信息与所述历史语音识别结果之间的关联指数,在所述备选澄清修正信息中确定出与所述历史语音识别结果匹配的澄清修正信息;
其中,根据各所述备选澄清修正信息与所述历史语音识别结果之间的关联指数,在所述备选澄清修正信息中确定出与所述历史语音识别结果匹配的澄清修正信息,包括:
按照所述关联指数,对各所述备选澄清修正信息进行排序,获取关联指数最大的目标备选澄清修正信息;
如果所述目标备选澄清修正信息的关联指数大于等于设定的阈值门限,则将所述目标备选澄清修正信息作为所述选澄清修正信息;
如果所述目标备选澄清修正信息的关联指数小于所述阈值门限,则在澄清指令模板集中,获取与所述语音识别结果匹配的至少一个目标澄清指令模板;
根据所述至少一个目标澄清指令模板,提取所述语音识别结果中包括的澄清信息;
在所述澄清信息中,使用与历史语音识别结果关联的至少一个目标澄清信息,对所述历史语音识别结果进行修正,得到新的备选澄清修正信息;
在所述目标备选澄清修正信息以及所述新的备选澄清修正信息中,确定与所述历史语音识别结果匹配的澄清修正信息。
2.根据权利要求1所述的方法,其特征在于,在获取与用户输入的交互语音匹配的语音识别结果之前,所述方法还包括:
根据澄清指令模板集,在与多条历史用户交互语音匹配的多条历史用户语音识别结果,挖掘出历史澄清指令;
获取与每个所述历史澄清指令关联的最近一条历史用户语音识别结果作为与所述历史澄清指令对应的待澄清信息;
获取与各所述待澄清信息分别对应的澄清修正信息标注结果;
对各所述历史澄清指令进行实体识别,得到与各所述历史澄清指令分别对应的实体特征信息;
根据所述历史澄清指令以及对应的所述待澄清信息,生成历史前后句关联信息;
根据所述历史前后句关联信息、所述实体特征信息以及所述澄清修正信息标注结果,构造训练样本;
使用所述训练样本,对机器学习模型进行训练,得到所述自动澄清模型。
3.根据权利要求2所述的方法,其特征在于,在根据澄清指令模板集,在与多条历史用户交互语音匹配的多条历史用户语音识别结果,挖掘出历史澄清指令之前,所述方法还包括:
根据与多条历史用户交互语音匹配的多条历史用户语音识别结果,生成所述澄清指令模板集。
4.根据权利要求3所述的方法,其特征在于,所述根据与多条历史用户交互语音匹配的多条历史用户语音识别结果,生成所述澄清指令模板集包括:
获取种子模板集合;
使用所述多条历史用户语音识别结果与所述种子模板集合进行匹配,得到扩展语料集合;
对所述扩展语料集合进行模板提取,得到扩展模板集合;
对所述种子模板集合,以及所述扩展模板集合的模板交集进行相似模板归并,和/或不合理模板剔除处理后,得到所述澄清指令模板集。
5.根据权利要求1所述的方法,其特征在于,所述根据各所述备选澄清修正信息与所述历史语音识别结果之间的关联指数,在所述备选澄清修正信息中确定出与所述历史语音识别结果匹配的澄清修正信息之前,所述方法还包括下述至少一项:
根据各所述备选澄清修正信息与所述历史语音识别结果的音节特征参数之间的相似度,计算所述关联指数;
根据各所述备选澄清修正信息与所述历史语音识别结果的拼音序列之间的相似度,计算所述关联指数;以及
根据各所述备选澄清修正信息与所述历史语音识别结果的字符序列之间的相似度,计算所述关联指数。
6.根据权利要求1所述的方法,其特征在于,在所述目标备选澄清修正信息以及所述新的备选澄清修正信息中,确定与所述历史语音识别结果匹配的澄清修正信息包括:
对各所述澄清修正信息进行语法规则,和/或场景符合度校验,并根据校验结果,确定所述澄清修正信息。
7.根据权利要求1所述的方法,其特征在于,在根据所述前后句关联信息,以及所述实体特征信息,获取与所述历史语音识别结果匹配的澄清修正信息之后,所述方法还包括:
对所述澄清修正信息重新进行处理,并反馈处理结果。
8.一种信息修正装置,其特征在于,包括:
获取识别模块,用于获取与用户当前输入的交互语音匹配的语音识别结果,并在所述语音识别结果中进行实体识别,得到实体特征信息;
第一向量生成模块,用于根据最近一次获取的历史语音识别结果,以及所述语音识别结果,生成前后句关联信息;其中,前后句关联信息为用于反映历史语音识别结果以及所述语音识别结果之间句子关联性的参数;
修正信息获取模块,用于根据所述前后句关联信息,以及所述实体特征信息,获取与所述历史语音识别结果匹配的澄清修正信息;
其中,所述修正信息获取模块包括:
输入单元,用于将所述前后句关联信息,以及所述实体特征信息输入至预先训练的自动澄清模型中;
输出单元,用于如果确定所述自动澄清模型输出至少一项备选澄清修正信息,则确定所述语音识别结果为澄清指令;
修正信息获取单元,用于根据各所述备选澄清修正信息与所述历史语音识别结果之间的关联指数,在所述备选澄清修正信息中确定出与所述历史语音识别结果匹配的澄清修正信息;
其中,所述修正信息获取单元包括:
排序子单元,用于按照所述关联指数,对各所述备选澄清修正信息进行排序,获取关联指数最大的目标备选澄清修正信息;
第一筛选子单元,用于如果所述目标备选澄清修正信息的关联指数大于等于设定的阈值门限,则将所述目标备选澄清修正信息作为所述选澄清修正信息;
第二筛选子单元,用于如果所述目标备选澄清修正信息的关联指数小于所述阈值门限,则在澄清指令模板集中,获取与所述语音识别结果匹配的至少一个目标澄清指令模板;
澄清信息筛选子单元,用于根据所述至少一个目标澄清指令模板,提取所述语音识别结果中包括的澄清信息;
修正子单元,用于在所述澄清信息中,使用与历史语音识别结果关联的至少一个目标澄清信息,对所述历史语音识别结果进行修正,得到新的备选澄清修正信息;
修正信息确定子单元,用于在所述目标备选澄清修正信息以及所述新的备选澄清修正信息中,确定与所述历史语音识别结果匹配的澄清修正信息。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
挖掘模块,用于根据澄清指令模板集,在与多条历史用户交互语音匹配的多条历史用户语音识别结果,挖掘出历史澄清指令;
待澄清信获取模块,用于获取与每个所述历史澄清指令关联的最近一条历史用户语音识别结果作为与所述历史澄清指令对应的待澄清信息;
标注结果获取模块,用于获取与各所述待澄清信息分别对应的澄清修正信息标注结果;
实体识别模块,用于对各所述历史澄清指令进行实体识别,得到与各所述历史澄清指令分别对应的实体特征信息;
第二向量生成模块,用于根据所述历史澄清指令以及对应的所述待澄清信息,生成历史前后句关联信息;
样本构造模块,用于根据所述历史前后句关联信息、所述实体特征信息以及所述澄清修正信息标注结果,构造训练样本;
训练模块,用于使用所述训练样本,对机器学习模型进行训练,得到所述自动澄清模型。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
模板生成模块,用于根据与多条历史用户交互语音匹配的多条历史用户语音识别结果,生成所述澄清指令模板集。
11.根据权利要求10所述的装置,其特征在于,所述模板生成模块包括:
种子模板获取单元,用于获取种子模板集合;
匹配单元,用于使用所述多条历史用户语音识别结果与所述种子模板集合进行匹配,得到扩展语料集合;
提取单元,用于对所述扩展语料集合进行模板提取,得到扩展模板集合;
筛选单元,用于对所述种子模板集合,以及所述扩展模板集合的模板交集进行相似模板归并,和/或不合理模板剔除处理后,得到所述澄清指令模板集。
12.根据权利要求8所述的装置,其特征在于,所述装置还包括关联指数计算模块,用于执行如下任意一项:
根据各所述备选澄清修正信息与所述历史语音识别结果的音节特征参数之间的相似度,计算所述关联指数;
根据各所述备选澄清修正信息与所述历史语音识别结果的拼音序列之间的相似度,计算所述关联指数;以及
根据各所述备选澄清修正信息与所述历史语音识别结果的字符序列之间的相似度,计算所述关联指数。
13.根据权利要求8所述的装置,其特征在于,所述修正信息确定子单元具体用于:
对各所述澄清修正信息进行语法规则,和/或场景符合度校验,并根据校验结果,确定所述澄清修正信息。
14.根据权利要求8所述的装置,其特征在于,所述装置还包括:
处理模块,用于对所述澄清修正信息重新进行处理,并反馈处理结果。
15.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的信息修正方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的信息修正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911025095.1A CN110738997B (zh) | 2019-10-25 | 2019-10-25 | 一种信息修正方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911025095.1A CN110738997B (zh) | 2019-10-25 | 2019-10-25 | 一种信息修正方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738997A CN110738997A (zh) | 2020-01-31 |
CN110738997B true CN110738997B (zh) | 2022-06-17 |
Family
ID=69271445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911025095.1A Active CN110738997B (zh) | 2019-10-25 | 2019-10-25 | 一种信息修正方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738997B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021217619A1 (zh) * | 2020-04-30 | 2021-11-04 | 深圳市优必选科技股份有限公司 | 基于标签平滑的语音识别方法、终端及介质 |
CN113761843B (zh) * | 2020-06-01 | 2023-11-28 | 华为技术有限公司 | 语音编辑方法、电子设备及计算机可读存储介质 |
CN113889117A (zh) * | 2020-07-02 | 2022-01-04 | 阿里巴巴集团控股有限公司 | 语音交互相关系统、方法、装置及设备 |
CN113673232B (zh) * | 2021-08-24 | 2023-10-13 | 平安科技(深圳)有限公司 | 文本标注方法、装置、设备及介质 |
CN115339559B (zh) * | 2021-11-19 | 2024-08-09 | 钭俊龙 | 一种安全性好的两轮电动平衡车及控制方法 |
CN117942067A (zh) * | 2022-10-20 | 2024-04-30 | 华为技术有限公司 | 体型测量方法及电子设备 |
CN117407513A (zh) * | 2023-11-13 | 2024-01-16 | 北京百度网讯科技有限公司 | 基于大语言模型的提问处理方法、装置、设备和存储介质 |
CN118447828B (zh) * | 2024-07-08 | 2024-09-20 | 上海弋途科技有限公司 | 基于语音数据回流的车载人机交互模型优化方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007293600A (ja) * | 2006-04-25 | 2007-11-08 | Ziosoft Inc | 医療用サーバ装置、入力装置、校正装置、閲覧装置、音声入力レポートシステムおよびプログラム |
CN103645876A (zh) * | 2013-12-06 | 2014-03-19 | 百度在线网络技术(北京)有限公司 | 语音输入方法和装置 |
CN108009136A (zh) * | 2017-10-31 | 2018-05-08 | 努比亚技术有限公司 | 一种消息修正的方法及移动终端、计算机可读存储介质 |
CN108877792A (zh) * | 2018-05-30 | 2018-11-23 | 北京百度网讯科技有限公司 | 用于处理语音对话的方法、装置、电子设备以及计算机可读存储介质 |
-
2019
- 2019-10-25 CN CN201911025095.1A patent/CN110738997B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007293600A (ja) * | 2006-04-25 | 2007-11-08 | Ziosoft Inc | 医療用サーバ装置、入力装置、校正装置、閲覧装置、音声入力レポートシステムおよびプログラム |
CN103645876A (zh) * | 2013-12-06 | 2014-03-19 | 百度在线网络技术(北京)有限公司 | 语音输入方法和装置 |
CN108009136A (zh) * | 2017-10-31 | 2018-05-08 | 努比亚技术有限公司 | 一种消息修正的方法及移动终端、计算机可读存储介质 |
CN108877792A (zh) * | 2018-05-30 | 2018-11-23 | 北京百度网讯科技有限公司 | 用于处理语音对话的方法、装置、电子设备以及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110738997A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738997B (zh) | 一种信息修正方法、装置、电子设备及存储介质 | |
CN110717327B (zh) | 标题生成方法、装置、电子设备和存储介质 | |
CN111859994B (zh) | 机器翻译模型获取及文本翻译方法、装置及存储介质 | |
CN108287858B (zh) | 自然语言的语义提取方法及装置 | |
CN111625635A (zh) | 问答处理、语言模型的训练方法、装置、设备及存储介质 | |
AU2017408800B2 (en) | Method and system of mining information, electronic device and readable storable medium | |
CN111709248A (zh) | 文本生成模型的训练方法、装置及电子设备 | |
KR102554758B1 (ko) | 기계 번역에서 모델 트레이닝 방법, 장치, 전자 기기 및 기록 매체 | |
CN111324727A (zh) | 用户意图识别方法、装置、设备和可读存储介质 | |
CN108847241A (zh) | 将会议语音识别为文本的方法、电子设备及存储介质 | |
CN110597994A (zh) | 事件元素识别方法和装置 | |
CN110020422A (zh) | 特征词的确定方法、装置和服务器 | |
CN112185348A (zh) | 多语种语音识别方法、装置及电子设备 | |
CN111160013B (zh) | 文本纠错方法及装置 | |
CN112269862B (zh) | 文本角色标注方法、装置、电子设备和存储介质 | |
CN111339268A (zh) | 实体词识别方法和装置 | |
CN112489637A (zh) | 语音识别方法和装置 | |
CN112633017A (zh) | 翻译模型训练、翻译处理方法、装置、设备和存储介质 | |
CN111708800A (zh) | 查询方法、装置及电子设备 | |
CN112466277B (zh) | 韵律模型训练方法、装置、电子设备及存储介质 | |
CN112001169A (zh) | 文本纠错的方法、装置、电子设备和可读存储介质 | |
CN114841274B (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN111126061A (zh) | 对联信息生成方法和装置 | |
CN112102833A (zh) | 语音识别方法、装置、设备及存储介质 | |
CN111858880A (zh) | 获取查询结果的方法、装置、电子设备和可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |