CN111507094B - 基于深度学习的文本处理模型训练方法、装置及设备 - Google Patents

Abstract

本申请实施例公开了一种基于深度学习的文本处理模型训练方法、装置及设备，涉及自然语言处理领域。方法包括：调用文本处理模型，对目标文本进行处理，得到多个处理结果的概率，选取概率最高的处理结果作为目标处理结果；获取目标文本的纠错信息，纠错信息包括对目标处理结果进行纠错后得到的纠错处理结果，目标处理结果与纠错处理结果不同；对多个处理结果的概率进行统计处理，获取目标文本的处理结果分布特征；响应于处理结果分布特征满足目标条件，根据目标文本及纠错处理结果，对文本处理模型进行训练，得到训练后的文本处理模型。在文本处理模型输出的处理结果不准确时继续进行训练，提高了文本处理模型的准确度。

Description

基于深度学习的文本处理模型训练方法、装置及设备

技术领域

本申请涉及自然语言处理领域，特别涉及一种基于深度学习的文本处理模型训练方法、装置及设备。

背景技术

随着人工智能技术和自然语言处理技术的发展，目前越来越多地应用模型对文本进行处理，例如文本分类模型、文本翻译模型等。

相关技术中，通常会先获取样本集合，该样本集合中包括多条样本文本和该多条样本文本对应的样本处理结果，根据样本集合对模型进行训练，使用训练后的模型对文本进行处理。其中，模型的训练效果会受到样本集合中样本的数量以及样本处理结果是否准确的影响，从而可能导致训练后的模型的处理结果不够准确。

发明内容

本申请实施例提供了一种基于深度学习的文本处理模型训练方法、装置、设备及介质，可以提高文本处理模型的准确度。所述技术方案如下：

一方面，提供了一种基于深度学习的文本处理模型训练方法，所述方法包括：

调用文本处理模型，对目标文本进行处理，得到多个处理结果的概率，选取概率最高的处理结果作为目标处理结果；

获取所述目标文本的纠错信息，所述纠错信息包括对所述目标处理结果进行纠错后得到的纠错处理结果，所述目标处理结果与所述纠错处理结果不同；

对所述多个处理结果的概率进行统计处理，获取所述目标文本的处理结果分布特征，所述处理结果分布特征用于指示所述文本处理模型处理所述目标文本得到的处理结果的不确定性程度；

响应于所述处理结果分布特征满足目标条件，根据所述目标文本及所述纠错处理结果，对所述文本处理模型进行训练，得到训练后的文本处理模型。

另一方面，提供了一种基于深度学习的文本处理模型训练装置，所述装置包括：

处理模块，用于调用文本处理模型，对目标文本进行处理，得到多个处理结果的概率，选取概率最高的处理结果作为目标处理结果；

纠错信息获取模块，用于获取所述目标文本的纠错信息，所述纠错信息包括对所述目标处理结果进行纠错后得到的纠错处理结果，所述目标处理结果与所述纠错处理结果不同；

特征获取模块，用于对所述多个处理结果的概率进行统计处理，获取所述目标文本的处理结果分布特征，所述处理结果分布特征用于指示所述文本处理模型处理所述目标文本得到的处理结果的不确定性程度；

训练模块，用于响应于所述处理结果分布特征满足目标条件，根据所述目标文本及所述纠错处理结果，对所述文本处理模型进行训练，得到训练后的文本处理模型。

可选地，所述训练模块，包括：

准确度获取单元，用于对所述处理结果分布特征进行统计处理，获取所述目标处理结果的准确度；

训练单元，用于响应于所述目标处理结果的准确度小于预设准确度，根据所述目标文本及所述纠错处理结果，对所述文本处理模型进行训练，得到所述训练后的文本处理模型。

可选地，所述处理结果分布特征为所述目标文本的困惑度，所述困惑度与所述目标处理结果的准确度呈正相关关系；或者，

所述处理结果分布特征为所述目标文本的信息熵，所述信息熵与所述目标处理结果的准确度呈负相关关系。

可选地，所述装置还包括：

删除模块，用于若所述处理结果分布特征不满足所述目标条件，将所述纠错信息删除。

可选地，所述装置还包括：

编码模块，用于对第一文本中的每个汉字字符进行编码，得到所述每个汉字字符对应的汉字特征值；

映射关系获取模块，用于获取包括多个预设特征值以及对应的拼音字符的映射关系，所述多个预设特征值按照顺序排列；

查询模块，用于根据每个汉字特征值与所述多个预设特征值之间的大小关系以及所述多个预设特征值的顺序，查询所述每个汉字特征值对应的拼音字符；

转换模块，用于将所述每个汉字字符分别转换为所述每个汉字特征值对应的拼音字符，得到第二文本；

处理模块，用于调用所述训练后的文本处理模型，对所述第二文本进行处理，得到处理结果。

可选地，所述查询模块，用于对于每个汉字特征值，进行如下查询处理：

确定所述多个预设特征值中位于中间位置的第一预设特征值；

响应于所述第一预设特征值与所述汉字特征值相同，将所述第一预设特征值对应的拼音字符，作为所述汉字特征值对应的拼音字符；

响应于所述第一预设特征值小于所述汉字特征值，根据所述多个预设特征值的顺序确定大于所述第一预设特征值的第二预设特征值，直至确定的预设特征值与所述汉字特征值相同，将所述确定的预设特征值对应的拼音字符作为所述汉字特征值对应的拼音字符；

响应于所述第一预设特征值大于所述汉字特征值，根据所述多个预设特征值的顺序确定小于所述第一预设特征值的第三预设特征值，直至确定的预设特征值与所述汉字特征值相同，将所述确定的预设特征值对应的拼音字符作为所述汉字特征值对应的拼音字符。

可选地，所述查询模块，还用于若所述多个预设特征值按照降序排列，从位于所述第一预设特征值之前的预设特征值中，确定第二预设特征值；

所述查询模块，还用于若所述多个预设特征值按照升序排列，从位于所述第一预设特征值之后的预设特征值中，确定第二预设特征值。

可选地，所述查询模块，还用于若所述多个预设特征值按照降序排列，将所述第一预设特征值的上一预设特征值确定为所述第二预设特征值；或者；

所述查询模块，还用于若所述多个预设特征值按照降序排列，将位于所述多个预设特征值中的第一个预设特征值与所述第一预设特征值的中间位置的预设特征值，确定为所述第二预设特征值。

可选地，所述查询模块，还用于若所述多个预设特征值按照升序排列，将所述第一预设特征值的下一预设特征值确定为所述第二预设特征值；或者；

所述查询模块，还用于若所述多个预设特征值按照升序排列，将位于所述多个预设特征值中的最后一个预设特征值与所述第一预设特征值的中间位置的预设特征值，确定为所述第二预设特征值。

可选地，所述映射关系获取模块，还用于根据当前应用程序所属的应用组，从所述应用组对应的共享文件中获取所述映射关系，所述应用组中包括至少一个应用程序。

可选地，所述处理模块，包括：

获取单元，用于根据当前应用程序所属的应用组，从所述应用组对应的共享文件中获取所述训练后的文本处理模型的模型文件；

处理单元，用于通过调用所述模型文件运行所述训练后的文本处理模型，对所述第二文本进行处理，得到所述处理结果。

再一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现如上述方面所述的基于深度学习的文本处理模型训练方法中所执行的操作。

再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行，以实现如上述方面所述的基于深度学习的文本处理模型训练方法中所执行的操作。

本申请实施例提供的基于深度学习的文本处理模型训练方法、装置、设备及介质，可以通过获取目标文本的纠错信息，对输出的处理结果不够准确的文本处理模型继续训练，提高了文本处理模型的准确度。另外，如果纠错处理结果是错误的处理结果，那么根据目标文本及纠错处理结果，对文本处理模型进行训练，得到的训练后的文本处理模型的准确度会降低，因此，本申请实施例还会根据文本处理模型对目标文本处理后得到的多个处理结果的概率，来获取目标文本的处理结果分布特征，从而获知该文本处理模型处理目标文本得到的处理结果的不确定性程度，在处理结果分布特征满足目标条件时，才会根据目标文本及纠错处理结果，对文本处理模型进行训练，保证了得到的训练后的文本处理模型的准确度越来越高。

并且，本申请实施例还可以根据目标文本的处理结果分布特征，来确定目标处理结果的准确性，在目标处理结果的准确度小于预设准确度时，根据目标文本及纠错处理结果，对文本处理模型进行训练，由于确定了目标处理结果是不准确的，从而根据目标文本和纠错处理结果对文本处理模型进行训练，能够训练后的文本处理模型的准确度。

另外，本申请实施例还会先将每个汉字字符进行编码，得到每个汉字字符对应的汉字特征值，将映射关系中的多个预设特征值按照顺序排列，这样，可以根据每个汉字特征值与映射关系中多个预设特征值之间的大小关系以及多个预设特征值的顺序，查询汉字特征值对应的拼音字符，由于考虑了汉字特征值与映射关系中的预设特征值之间的大小关系，可以根据该多个预设特征值的排列顺序，更快地查询到汉字特征值对应的拼音字符，加快了查询速度，加快了获取第二文本的速度，从而加快了文本处理速度，提高了文本处理效率。

并且，本申请实施例可以将映射关系存储在应用组的共享文件中，应用程序可以根据该应用组的应用组标识，从共享文件中获取该映射关系，以使至少一个应用程序共享该映射关系，减小了计算机设备占用的内存。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种实施环境的示意图；

图2是本申请实施例提供的一种基于深度学习的文本处理模型训练方法的流程图；

图3是本申请实施例提供的另一种基于深度学习的文本处理模型训练方法的流程图；

图4是本申请实施例提供的一种基于深度学习的文本处理方法的流程图；

图5是本申请实施例提供的一种训练文本处理模型的方法的流程图；

图6是本申请实施例提供的一种纠错信息分析方法的流程图；

图7是本申请实施例提供的一种训练文本分类模型的方法的流程图；

图8是本申请实施例提供的一种运行文本分类模型的流程图；

图9是本申请实施例提供的一种查询映射关系的流程图；

图10是本申请实施例提供的一种运行文本分类模型的流程图；

图11是本申请实施例提供的一种确定预测处理结果的流程图；

图12是本申请实施例提供的一种查询映射关系的流程图；

图13是本申请实施例提供的一种基于深度学习的文本处理模型训练装置的结构示意图；

图14是本申请实施例提供的另一种基于深度学习的文本处理模型训练装置的结构示意图；

图15是本申请实施例提供的一种终端的结构框图；

图16是本申请实施例提供的一种服务器的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种概念，但除非特别说明，这些概念不受这些术语限制。这些术语仅用于将一个概念与另一个概念区分。举例来说，在不脱离本申请的范围的情况下，可以将第一预设特征值称为第二预设特征值，且类似地，可将第二预设特征值称为第一预设特征值。

本申请所使用的术语“至少一个”、“多个”、“每个”、“任一”，至少一个包括一个、两个或者两个以上，多个包括两个或者两个以上，而每个是指对应的多个中的每一个，任一是指多个中的任意一个，举例来说，多个特征值包括3个特征值，而每个是指这3个特征值中的每一个特征值，任一是指这3个特征值中的任意一个，可以是第一个，也可以是第二个，还可以是第三个。

人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

其中，自然语言处理(Nature Language processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。

本申请实施例提供的方案采用人工智能的自然语言处理技术来对文本处理模型进行训练以及对文本进行处理，通过如下实施例对本申请实施例提供的方法进行详细说明。

本申请实施例提供的基于深度学习的文本处理模型训练方法可以应用在计算机设备中。

在一种可能实现方式中，该计算机设备可以为手机、电脑、平板电脑等终端。在另一种可能实现方式中，该计算机设备可以是服务器，该服务器可以是一台服务器，也可以是若干台服务器组成的服务器集群，或者是一个云计算服务中心。

在另一种可能实现方式中，该计算机设备可以包括终端和服务器，图1是本申请实施例提供的一种实施环境的示意图，参见图1，该实施环境包括：终端101和服务器102。

在一种可能实现方式中，终端101上可以安装有目标应用，该目标应用可以是具有文本处理功能的应用，或者是与文本处理功能相关的应用。该服务器102可以是为该目标应用提供服务的服务器。

可选地，服务器101调用文本处理模型，对目标文本进行处理，得到多个处理结果的概率，选取概率最高的处理结果作为目标处理结果，将该目标处理结果发送给终端101。终端101获取该目标文本的纠错信息，该纠错信息包括对目标处理结果进行纠错后得到的纠错处理结果，其中，目标处理结果与纠错处理结果不同。终端101向服务器102上传纠错信息，服务器102对得到的多个处理结果的概率进行统计处理，得到该目标文本的处理结果分布特征，响应于该处理结果分布特征满足目标条件，根据目标文本及纠错处理结果，对文本处理模型进行训练，得到训练后的文本处理模型，实现了对文本处理模型的纠错训练，提高了模型准确度。

本申请实施例提供的基于深度学习的文本处理模型训练方法，可以应用于在纠正处理结果后，对文本处理模型重新进行训练的场景下。

例如，根据用户的反馈，对文本处理模型重新进行训练的场景下。

在使用文本处理模型的过程中，若用户认为文本处理模型对目标文本进行处理后得到的目标处理结果不够准确，可以对该目标处理结果进行纠错，并将纠错处理结果、目标处理结果和目标文本进行上传，之后，计算机设备就可以根据上传的纠错处理结果和目标文本，对文本处理模型重新进行训练，以使该文本处理模型更加准确。

图2是本申请实施例提供的一种基于深度学习的文本处理模型训练方法的流程图，本申请实施例的执行主体为计算机设备，该计算机设备可以为图1所示的终端101，也可以为图1所示的服务器102。参见图2，该方法包括：

201、调用文本处理模型，对目标文本进行处理，得到多个处理结果的概率，选取概率最高的处理结果作为目标处理结果。

其中，文本处理模型是采用深度学习算法训练得到的，用于对文本进行处理的模型，其中，对文本进行处理可以是对文本进行分类处理、对文本进行修正处理，根据文本生成对应的解答文本等。可选地，该文本处理模型可以是文本分类模型、文本修正模型、文本生成模型、文本翻译模型等。

可选地，文本处理模型可以是CNN(Convolutional Neural Networks，卷积神经网络)模型、RNN(Recurrent Neural Network，循环神经网络)模型、LSTM(Long Short-TermMemory，长短期记忆)模型、ULMFiT(Universal Language Model Fine-tuning for TextClassification，通用语言模型微调)模型等。

其中，目标文本可以是该文本处理模型处理的任一文本。

202、获取该目标文本的纠错信息，该纠错信息包括对该目标处理结果进行纠错后得到的纠错处理结果，该目标处理结果与该纠错处理结果不同。

203、对该多个处理结果的概率进行统计处理，获取该目标文本的处理结果分布特征，该处理结果分布特征用于指示该文本处理模型处理该目标文本得到的处理结果的不确定性程度。

由于目标处理结果与纠错处理结果不同，则该目标处理结果与纠错处理结果中只有一个处理结果是准确的。在文本处理模型对目标文本进行处理时，会得到多个处理结果的概率，对该多个处理结果的概率进行统计处理，可以得到该目标文本的处理结果分布特征，从而获知该文本处理模型处理该目标文本得到的处理结果的不确定性程度和目标处理结果的准确性。

204、响应于该处理结果分布特征满足目标条件，根据该目标文本及该纠错处理结果，对该文本处理模型进行训练，得到训练后的文本处理模型。

如果处理结果分布特征满足目标条件，则说明目标处理结果的准确性较差，可以认为目标处理结果是不准确的，纠错处理结果是准确的，从而可以根据目标文本以及该纠错处理结果，对文本处理模型进行训练，得到更加准确的训练后的文本处理模型。

本申请实施例提供的基于深度学习的文本处理模型训练方法，可以通过获取目标文本的纠错信息，对输出的处理结果不够准确的文本处理模型继续训练，提高了文本处理模型的准确度。另外，如果纠错处理结果是错误的处理结果，那么根据目标文本及纠错处理结果，对文本处理模型进行训练，得到的训练后的文本处理模型的准确度会降低，因此，本申请实施例还会根据文本处理模型对目标文本处理后得到的多个处理结果的概率，来获取目标文本的处理结果分布特征，从而获知该文本处理模型处理目标文本得到的处理结果的不确定性程度，在处理结果分布特征满足目标条件时，才会根据目标文本及纠错处理结果，对文本处理模型进行训练，保证了得到的训练后的文本处理模型的准确度越来越高。

可选地，该响应于该处理结果分布特征满足目标条件，根据该目标文本及该纠错处理结果，对该文本处理模型进行训练，得到训练后的文本处理模型，包括：

对该处理结果分布特征进行统计处理，获取该目标处理结果的准确度；

响应于该目标处理结果的准确度小于预设准确度，根据该目标文本及该纠错处理结果，对该文本处理模型进行训练，得到该训练后的文本处理模型。

可选地，该处理结果分布特征为该目标文本的困惑度，该困惑度与该目标处理结果的准确度呈正相关关系；或者，

该处理结果分布特征为该目标文本的信息熵，该信息熵与该目标处理结果的准确度呈负相关关系。

可选地，该对该多个处理结果的概率进行统计处理，获取该目标文本的处理结果分布特征之后，该方法还包括：

若该处理结果分布特征不满足该目标条件，将该纠错信息删除。

可选地，该响应于该处理结果分布特征满足目标条件，根据该目标文本及该纠错处理结果，对该文本处理模型进行训练，得到训练后的文本处理模型之后，该方法还包括：

对第一文本中的每个汉字字符进行编码，得到该每个汉字字符对应的汉字特征值；

获取包括多个预设特征值以及对应的拼音字符的映射关系，该多个预设特征值按照顺序排列；

根据每个汉字特征值与该多个预设特征值之间的大小关系以及该多个预设特征值的顺序，查询该每个汉字特征值对应的拼音字符；

将该每个汉字字符分别转换为该每个汉字特征值对应的拼音字符，得到第二文本；

调用该训练后的文本处理模型，对该第二文本进行处理，得到处理结果。

可选地，该根据每个汉字特征值与该多个预设特征值之间的大小关系以及该多个预设特征值的顺序，查询该每个汉字特征值对应的拼音字符，包括：

对于每个汉字特征值，进行如下查询处理：

确定该多个预设特征值中位于中间位置的第一预设特征值；

响应于该第一预设特征值与该汉字特征值相同，将该第一预设特征值对应的拼音字符，作为该汉字特征值对应的拼音字符；

响应于该第一预设特征值小于该汉字特征值，根据该多个预设特征值的顺序确定大于该第一预设特征值的第二预设特征值，直至确定的预设特征值与该汉字特征值相同，将该确定的预设特征值对应的拼音字符作为该汉字特征值对应的拼音字符；

响应于该第一预设特征值大于该汉字特征值，根据该多个预设特征值的顺序确定小于该第一预设特征值的第三预设特征值，直至确定的预设特征值与该汉字特征值相同，将该确定的预设特征值对应的拼音字符作为该汉字特征值对应的拼音字符。

可选地，该根据该多个预设特征值的顺序确定大于该第一预设特征值的第二预设特征值，包括：

若该多个预设特征值按照降序排列，从位于该第一预设特征值之前的预设特征值中，确定第二预设特征值；

若该多个预设特征值按照升序排列，从位于该第一预设特征值之后的预设特征值中，确定第二预设特征值。

可选地，该若该多个预设特征值按照降序排列，从位于该第一预设特征值之前的预设特征值中，确定第二预设特征值，包括：

若该多个预设特征值按照降序排列，将该第一预设特征值的上一预设特征值确定为该第二预设特征值；或者；

若该多个预设特征值按照降序排列，将位于该多个预设特征值中的第一个预设特征值与该第一预设特征值的中间位置的预设特征值，确定为该第二预设特征值。

可选地，该若该多个预设特征值按照升序排列，从位于该第一预设特征值之后的预设特征值中，确定第二预设特征值，包括：

若该多个预设特征值按照升序排列，将该第一预设特征值的下一预设特征值确定为该第二预设特征值；或者；

若该多个预设特征值按照升序排列，将位于该多个预设特征值中的最后一个预设特征值与该第一预设特征值的中间位置的预设特征值，确定为该第二预设特征值。

可选地，该获取包括多个预设特征值以及对应的拼音字符的映射关系，包括：

根据当前应用程序所属的应用组，从该应用组对应的共享文件中获取该映射关系，该应用组中包括至少一个应用程序。

可选地，该调用该训练后的文本处理模型，对该第二文本进行处理，得到处理结果，包括：

根据当前应用程序所属的应用组，从该应用组对应的共享文件中获取该训练后的文本处理模型的模型文件；

通过调用该模型文件运行该训练后的文本处理模型，对该第二文本进行处理，得到该处理结果。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

图3是本申请实施例提供的一种基于深度学习的文本处理模型训练方法的流程图。本申请实施例的执行主体为计算机设备，该计算机设备可以为图1所示的终端101，也可以为图1所示的服务器102，参见图3，该方法包括：

301、调用该文本处理模型，对该目标文本进行处理，得到多个处理结果的概率，选取概率最高的处理结果作为该目标处理结果。

其中，目标文本可以是该计算机设备中的任一文本，例如，该目标文本是计算机设备当前接收到的文本等。其中，通过文本处理模型对目标文本进行处理，会得到多个处理结果的概率，而目标处理结果为概率最高的处理结果。

例如，文本处理模型为广告识别模型，文本处理模型对文本进行处理后，得到多个分类结果的概率，其中，分类结果为“白文本”的概率为10％，分类结果为“广告文本”的概率为90％，则将“广告文本”作为文本对应的目标处理结果。其中，“广告文本”是指该文本为包括广告信息的文本；“白文本”是指该文本为正常文本，不涉及广告等信息的文本。

在文本处理模型的使用过程中，恶意用户或者竞争对手可能会根据文本处理模型对大量文本的处理结果，确定文本处理模型处理文本的规律，从而生成一些目标文本，该目标文本为在任一文本中添加干扰得到的文本，将该目标文本输入至文本处理模型中进行处理，可能会导致文本处理模型输出一个错误的处理结果。

例如，文本处理模型为用于识别目标类型文本的模型，如果目标文本为目标类型文本的话，将该目标文本输入至文本处理模型中，得到的输出结果为该目标文本不是目标类型文本；如果目标文本不是目标类型文本的话，将该目标文本输入至文本处理模型中，得到的输出结果为该目标文本为目标类型文本。

也即是，在通过文本处理模型对目标文本进行处理的时候，该目标文本可能是恶意用户或者竞争对手发送的文本，该文本处理模型对该目标文本进行处理后，得到错误的目标处理结果。

上述步骤301可以是在接收到目标文本后执行，可选地，上述终端接收目标文本的场景可以是在直播间场景中，在直播间中，观看直播的用户可以发送对直播内容的评论信息，直播服务器将用户发送的评论信息转发到观看该直播的其他终端。如果用户发送的评论信息中包括广告内容，会影响其他用户观看直播的体验，从而直播服务器或者终端在接收到该评论信息时，可以通过广告识别模型确定该评论信息是不是广告信息，若直播服务器确定该评论信息为广告信息，则直播服务器可以不转发该评论信息，若终端确定该评论信息为广告信息，则直播服务器不转发该评论信息；若终端确定该评论信息为广告消息，则终端不显示该评论信息。另外，上述终端接收目标文本的场景还可以是在即时通信应用中接收其他联系人发送的即时通信消息的场景，也还可以是其他场景，本申请实施例对应用场景不做限定。

302、获取目标文本的纠错信息，该纠错信息对该目标文本进行处理后得到的目标处理结果，该目标处理结果与该纠错处理结果不同。

其中，纠错信息用于对文本处理模型输出的目标处理结果进行纠错。例如，文本处理模型为广告识别模型，该广告识别模型对目标文本进行处理后，输出的目标结果为“白文本”，其中“白文本”指示该目标文本不是广告文本，对该目标处理结果的纠错信息中包括的纠错处理结果为“广告文本”，该纠错信息指示广告识别模型对该目标文本进行了错误的分类，且正确的处理结果为“广告文本”。

可选地，该纠错信息可以是用户上传的，获取目标文本的纠错信息包括：接收用户上传的纠错信息。例如，文本处理模型为广告识别模型，广告识别模型对终端接收到的文本进行分类，确定该文本为“白文本”，显示该文本。用户在看到显示的文本之后，发现该文本为广告文本，此时，用户可以将该文本的分类设置为“广告文本”，并通过纠错按钮，将该文本、该文本的目标处理结果“白文本”、和纠错处理结果“广告文本”进行上传。

可选地，计算机设备还可以提供一个纠错界面，用户可以在纠错页面中输入纠错信息，计算机设备通过该纠错界面获取用户输入的纠错信息。本申请实施例对获取纠错信息的方式不做限定。

303、对该多个处理结果的概率进行统计处理，获取该目标文本的处理结果分布特征，该处理结果分布特征用于指示该文本处理模型处理该目标文本得到的处理结果的不确定性程度。

其中，步骤302中的纠错信息可能是用户认为文本处理模型输出的目标处理结果不准确，对该目标处理结果进行纠错后上传的；也有可能是用户误操作而不小心上传的；也可能是恶意用户或者竞争对手的对目标处理结果进行恶意纠错而上传的。因此，还需要确定目标处理结果与纠错处理结果中更加准确的处理结果是哪一个。

由于文本处理模型的是经过训练得到的，该文本处理模型的处理结果的准确度会较高，可选地，可以确定文本处理模型的目标处理结果是否正确，若文本处理模型的处理结果正确，则认为纠错处理结果错误；若文本处理模型的目标处理结果的准确度较低，且还存在对该目标处理结果进行纠错得到的纠错处理结果，则可以认为目标处理结果错误，纠错处理结果正确。

其中，处理结果分布特征用于指示该文本处理模型处理该目标文本得到的处理结果的不确定性程度。可选地，该处理结果分布特征可以根据文本处理模型对目标文本进行处理后，得到的多个处理结果的概率来确定。其中，该多个处理结果相差越大，该文本处理模型处理该目标文本得到的处理结果的不确定性程度越低；该多个处理结果相差越小，该文本处理模型处理该目标文本得到的处理结果的不确定性程度越高。并且，文本处理模型处理目标文本得到的处理结果的不确定性越高，目标处理结果的准确度程度越低；文本处理模型处理目标文本得到的处理结果的不确定性程度越低，目标处理结果的准确度越高。

在一种可能实现方式中，该目标文本的处理结果分布特征为该目标文本的困惑度，该困惑度与该准确度呈正相关关系；或者，该目标文本的处理结果分布特征为该目标文本的信息熵，该信息熵与该准确度呈负相关关系。

其中，获取目标文本的困惑度，可以包括：根据困惑度公式，对该多个处理结果的概率进行统计处理，获取该目标文本的困惑度，其中，多个处理结果的差值越小，目标文本的困惑度越高。获取目标文本的信息熵，可以包括：根据信息上公式，对该多个处理结果的概率进行统计处理，获取该目标文本的信息熵，其中，多个处理结果的差值越小，目标文本的信息熵越小。

304、对该目标文本的处理结果分布特征进行统计处理，获取该目标处理结果的准确度。

其中，由于多个处理结果中，目标处理结果所占的概率越高，该目标处理结果的准确度越高；该目标处理结果所占的概率越低，该目标处理结果的准确度越低，因此，根据该目标文本的处理结果分布特征，可以确定文本处理模型对目标文本处理结果的准确度。

例如，在广告识别的场景下，目标处理结果为“广告文本”，其他处理结果为“白文本”，若目标处理结果的概率为99％，其他处理结果的概率为1％，则目标处理结果是准确的；若目标处理结果的概率为51％，其他处理结果的概率为49％，则目标处理结果是不准确的。

可选地，该纠错信息是用户输入的，有些恶意用户可能在纠错信息中随便输入一些信息，若采用这些纠错信息对文本处理模型进行训练，会降低文本处理模型的准确性。例如，有一些恶意用户在上传纠错信息时，随意填写了几个字符，计算机设备在确定纠错处理结果是否正确时，可以先获取纠错信息中的目标文本，确定该目标文本的长度，根据该目标文本的长度，确定纠错处理结果的准确度。其中，目标文本的长度越短，则说明该纠错信息可能是用户随便输入的，则该纠错处理结果的准确度越低，该目标文本的长度越长，则说明该纠错信息可能是用户正常输入的对目标文本的纠错信息，该纠错处理结果的准确度越高。

可选地，在根据该目标文本的处理结果分布特征，获取该目标处理结果的准确度时，可以根据目标文本的困惑度、信息熵和文本长度，来确定目标处理结果是否准确，或者纠错处理结果是否准确。其中，文本长度为纠错信息中携带的目标文本的文本长度。

可选地，可以为目标文本的困惑度、信息熵和文本长度分配不同的权重，根据该目标文本的困惑度和对应的权重、信息熵和对应的权重、目标文本的长度和对应的权重，来获取该目标处理结果的准确度。

305、响应于该目标处理结果的准确度小于预设准确度，根据该目标文本及该纠错处理结果，对该文本处理模型进行训练，得到训练后的文本处理模型。

其中，若目标处理结果的准确度小于预设准确度，可以认为该目标处理结果的准确性较低，纠错处理结果的准确性较高，则可以根据目标文本及该纠错处理结果，对文本处理模型进行训练，得到训练后的文本处理模型。

可选地，根据目标文本及该纠错处理结果，对文本处理模型进行训练，可以包括：将目标文本输入至文本处理模型中，通过文本处理模型对该目标文本进行处理，得到该目标文本对应的处理结果，根据该处理结果与纠错处理结果之间的误差，对该文本处理模型进行训练，得到训练后的文本处理模型，以使该误差收敛。

需要说明的是，本申请实施例仅是以目标处理结果的准确度小于预设准确度为例，对纠错信息的处理过程进行示例性说明，而在另一实施例中，该目标处理结果的准确度大于等于该预设准确度，也就是说，该目标处理结果的准确度较高，纠错处理结果的准确度较低，可选地，该获取该目标处理结果的准确度之后，该方法还包括：若该第一处理结果的准确度大于等于该预设准确度，将该纠错信息删除。

需要说明的是，本申请实施例仅是以一个纠错信息对文本处理模型进行训练为例，对纠错信息的使用进行示例性说明。而在另一实施例中，可以是获取到预设数量阈值的纠错信息后，根据该多条纠错信息，对文本处理模型进行训练；在另一实施例中，还可以是每隔预设时长，获取该预设时长内接收到的多条纠错信息，根据该多条纠错信息，对文本处理模型进行训练。

需要说明的是，本申请实施例仅是以获取目标文本的处理结果分布特征，根据该处理结果分布特征，获取目标处理结果的准确度为例，对处理结果分布特征满足目标条件进行示例性说明，其中，目标条件指示目标处理结果为错误结果的条件。而在其他实施例中，还可以将目标文本的处理结果分布特征、纠错处理结果和目标处理结果输入至分类模型中，通过分类模型根据目标文本的处理结果分布特征、纠错处理结果和目标处理结果，确定纠错处理结果和目标处理结果中准确的处理结果。

可选地，在通过分类模型根据目标文本的处理结果分布特征，确定纠错处理结果和目标处理结果中准确的处理结果之前，该方法还包括：获取目标文本的处理结果分布特征、纠错处理结果、目标处理结果和样本分类结果，其中，该样本分类结果指示目标处理结果和纠错处理结果中准确的处理结果；根据目标文本的处理结果分布特征、纠错处理结果、目标处理结果和样本分类结果对分类模型进行训练。后续，可以通过训练后的分类模型，对任一目标文本的处理结果分布特征、该目标文本对应的纠错处理结果和目标处理结果进行处理，确定纠错处理结果和目标处理结果中准确的处理结果。

需要说明的是，本申请实施例在目标处理结果与纠错处理结果不同时，仅是以目标处理结果的准确度小于预设准确度为例，来对确定目标处理结果和纠错处理结果中准确的处理结果的方法进行示例性说明。

本申请实施例提供的基于深度学习的文本处理模型训练方法，可以通过获取目标文本的纠错信息，对输出的处理结果不够准确的文本处理模型继续训练，提高了文本处理模型的准确度。另外，如果纠错处理结果是错误的处理结果，那么根据目标文本及纠错处理结果，对文本处理模型进行训练，得到的训练后的文本处理模型的准确度会降低，因此，本申请实施例还会根据文本处理模型对目标文本处理后得到的多个处理结果的概率，来获取目标文本的处理结果分布特征，从而获知该文本处理模型处理目标文本得到的处理结果的不确定性程度，在处理结果分布特征满足目标条件时，才会根据目标文本及纠错处理结果，对文本处理模型进行训练，保证了得到的训练后的文本处理模型的准确度越来越高。

并且，本申请实施例还可以根据目标文本的处理结果分布特征，来确定目标处理结果的准确性，在目标处理结果的准确度小于预设准确度时，根据目标文本及纠错处理结果，对文本处理模型进行训练，由于确定了目标处理结果是不准确的，从而根据目标文本和纠错处理结果对文本处理模型进行训练，能够训练后的文本处理模型的准确度。

在对文本处理模型进行训练后，可以通过训练后的文本处理模型，对文本进行处理。可选地，计算机设备可以生成该训练后的文本处理模型对应的模型文件，将该模型文件存储在本地，在需要调用训练后的文本处理模型时，调用该模型文件，以运行该训练后的文本处理模型。

可选地，若计算机设备为终端，还可以在生成训练后的文本处理模型对应的模型文件之前，对该训练后的文本处理模型进行量化处理，以减小该训练后的文本处理模型的大小，使得终端可以更好地运行该训练后的文本处理模型。

另外，如果将训练后的文本处理模型部署在终端上，可能会存在训练后的文本处理模型被盗用或者修改等问题，可选地，可以将训练后的文本处理模型进行水印处理；或者，将该训练后的文本处理模型进行加密。

以下实施例对基于训练后的文本处理模型对文本进行处理的过程进行示例性说明。图4是本申请实施例提供的一种基于深度学习的文本处理方法的流程图，本申请实施例的执行主体为计算机设备，该计算机设备可以为图1所示的终端101，也可以为图1所示的服务器102。参见图4，该方法包括：

401、对第一文本中的每个汉字字符进行编码，得到该每个汉字字符对应的汉字特征值。

其中，不同的汉字字符对应不同的汉字特征值，该汉字特征值可以用于确定唯一对应的汉字字符。

考虑到我们使用的汉字字符有4万个以上，如果使用文本处理模型对包括汉字字符的文本进行处理的话，需要预先使用包括汉字字符的样本集合对文本处理模型进行训练，为了保证文本处理模型的训练效果，该样本集合需要覆盖全部的汉字字符，从而对样本集合的要求较高，且样本集合中包括的样本文本的数量也会比较庞大，会减缓文本处理模型的训练速度。

考虑到汉字字符包括简体字和繁体字，且简体字和对应的繁体字的拼音是相同的，所代表的含义也是相同的，因此，在获取到第一文本之后，可以将汉字字符转换为拼音字符，对包括拼音字符的第二文本进行处理。

并且，若使用训练后的文本处理模型对第二文本进行处理的话，需要预先根据包括拼音字符的样本集合，对文本处理模型进行训练，由于拼音字符的数量远小于汉字字符的数量，因此，在根据包括拼音字符的样本集合，对该文本处理模型进行训练时，会减小样本集合中样本文本的数量，从而提高了文本处理模型的训练速度。

本申请实施例中，不同的汉字字符对应不同的汉字特征值，汉字特征值用于确定唯一对应的汉字字符。汉字特征值为数值形式，不同的汉字特征值的大小不同。可选地，汉字特征值可以是汉字字符的二进制编码，也可以是四进制编码、八进制编码等，本申请实施例对汉字特征值的形式不做限定。

其中，第一文本可以是计算机设备中的任一文本，计算机设备可以通过文本处理模型对第一文本进行处理。第一文本中可以包括至少一个汉字字符，因此可以对第一文本中的每个汉字字符进行编码，得到该每个汉字字符对应的汉字特征值。其中，编码方式可以由计算机设备预先设置。

可选地，第一文本还可以包括至少一个其他字符，如英文字母、阿拉伯数字、运算符号、表情符号等。在将每个汉字字符转换为汉字特征值时，可以保留至少一个其他字符。

另外，有些文本中会交叉出现汉字字符和非汉字字符，非汉字字符的出现可能会导致文本处理模型不能很好地理解该文本的语义。例如，在识别广告的场景下，如果文本中包括“加我联系方式”，文本处理模型可以将该文本确认为广告文本，如果文本中包括“+我联系方式”，文本处理模型可能无法将该文本确认为广告文本。

可选地，为了提高文本处理模型的处理效果，本申请实施例在对文本处理模型进行训练时，还可以考虑文本中的非汉字字符，这样，在通过训练后的文本处理模型对输入的文本进行处理时，如果该文本中包括其他字符，也不会对处理结果造成影响。

402、获取包括多个预设特征值以及对应的拼音字符的映射关系，该多个预设特征值按照顺序排列。

其中，按照顺序排列的多个预设特征值可以是按照升序排列，也可以按照降序排列。

其中，该映射关系可以包括按照顺序排列的多个预设特征值和该多个预设特征值对应的拼音字符，可选地，建立该映射关系可以包括：将汉字字符进行编码，得到该汉字字符的汉字特征值，获取该汉字字符对应的拼音字符，建立该拼音字符与汉字特征值之间的映射关系。

例如，将“我”进行编码，得到汉字特征值“00100010”，获取“我”对应的拼音字符“wo”，建立“00100010”与“wo”的映射关系。又如，该映射关系可以如表1所示。

表1

可选地，文本处理模型无法识别汉字字符和非汉字字符，在将第一文本输入至训练后的文本处理模型时，可以将文本中的字符转换为标识，其中，不同的标识指示不同的字符，表示不同的含义。

可选地，该映射关系中包括按照顺序排列的多个预设特征值以及该多个预设特征值对应的拼音字符。其中，该映射关系中的拼音字符可以是拼音本身，也可以是拼音字符的标识，如表2所示。

预设特征值	标识
		00100010	001
00100011	002
		00100100	003
00100101	004

表2

可选地，拼音字符的标识为拼音字符在为文本处理模型维护的词汇表中的序号，该词汇表中包括全量的拼音字符以及每个拼音字符对应的拼音标识。这样，在将包括拼音标识的第二文本输入至训练后的文本处理模型时，可以根据该词汇表，确定第二文本中每个拼音标识对应的拼音字符。

另外，在一种可能实现方式中，第一文本还可以包括至少一个其他字符，如英文字母、阿拉伯数字、运算符号、表情符号等。并且，在将每个汉字字符转换为汉字特征值时，保留了至少一个其他字符。可选地，在将第一文本中的汉字字符转换为标识时，还可以将至少一个其他字符转换为对应的标识。

可选地，将第一文本中的至少一个其他字符转换为对应的标识，可以包括：获取映射关系，该映射关系包括至少一个其他字符以及每个其他字符对应的标识，其中，不同的标识指示不同的其他字符，表示不同的含义。其中，该映射关系可以如表3所示。

表3

可选地，映射关系可以包括多个其他字符对应的预设特征值以及每个预设特征值对应的标识，如表4所示，根据该映射关系，获取其他字符对应的标识的过程，与根据映射关系，获取汉字字符对应的拼音字符的过程类似，在此不再一一赘述。

预设特征值	标识
		10000001	401
10000010	402
		10000011	403
10000100	404

表4

该词汇表还可以包括至少一个其他字符以及每个其他字符对应的标识，该其他字符可以包括：英文字母、阿拉伯数字、标点符号、运算符号或者表情符号等中的至少一项。在将包括其他字符的第一文本输入至训练后的文本处理模型时，可以将第一文本中的其他字符映射为对应的标识。

可选地，本申请实施例中的映射关系可以包括按照顺序排列的多个预设特征值和该多个预设特征值对应的拼音字符，以及至少一个其他字符以及每个其他字符对应的标识，也就是说，汉字字符的映射关系和其他字符的映射关系位于同一映射关系中；可选地，本申请实施例中的映射关系可以包括第一映射关系和第二映射关系，其中，第一映射关系可以包括按照顺序排列的多个预设特征值和该多个预设特征值对应的拼音字符，第二映射关系可以包括至少一个其他字符以及每个其他字符对应的标识。

可选地，计算机设备上可以安装有多个应用程序，该多个应用程序可以有至少一个应用程序可以获取该映射关系。在一种可能实现方式中，获取映射关系，可以包括：根据当前应用程序所属的应用组，从该应用组对应的共享文件中获取该映射关系，该应用组中包括至少一个应用程序。其中，属于同一应用组的每个应用程序配置有一个应用组标识，可选地，当前应用程序可以向文件管理系统发送应用组标识，文件管理系统根据该应用组标识确定应用程序的身份后，允许该当前应用程序从共享文件中获取映射关系。

可选地，该映射关系可以存储在映射文件中，可以通过从共享文件中获取映射文件，获取该映射关系。

403、对于每个汉字特征值，确定该多个预设特征值中位于中间位置的第一预设特征值。

其中，查询汉字特征值对应的拼音字符时，可以根据二分法来进行查询。该二分法是指将多个预设特征值一分为二，从第一部分的多个预设特征值中查询该汉字特征值对应的拼音字符，或者从第二部分的多个预设特征值中查询该汉字特征值对应的拼音字符，查询范围从整个映射关系变为映射关系的一半，减少了查询的工作量，加快了查询速度。

在获取到第一预设特征值后，第一预设特征值与汉字特征值的关系可以是如下三种中的任一种：第一预设特征值与汉字特征值相同、第一预设特征值小于该汉字特征值和该第一预设特征值大于该汉字特征值。步骤404、步骤405和步骤406分别对该三种情况下，如何确定汉字特征值对应的拼音字符进行说明。

404、响应于该第一预设特征值与该汉字特征值相同，将该第一预设特征值对应的拼音字符，作为该汉字特征值对应的拼音字符。

其中，第一预设特征值与汉字特征值相同，则第一预设特征值对应的拼音字符，即为汉字特征值对应的拼音字符，由于汉字特征值是对汉字字符进行编码得到的，因此，该第一预设特征值对应的拼音字符即为汉字字符对应的拼音字符。

405、响应于该第一预设特征值小于该汉字特征值，根据该多个预设特征值的顺序确定大于该第一预设特征值的第二预设特征值，直至确定的预设特征值与该汉字特征值相同，将该确定的预设特征值对应的拼音字符作为该汉字特征值对应的拼音字符。

如果第一预设特征值小于汉字特征值的话，则需要从该多个预设特征值中确定大于第一预设特征值的第二预设特征值。由于多个预设特征值是按照顺序排列的，因此，确定大于第一预设特征值时，可以按照多个预设特征值的排列顺序，确定大于第一预设特征值的多个预设特征值，从大于第一预设特征值的多个预设特征值中选取第二预设特征值，无需遍历映射关系中全部的预设特征值。

可选地，根据该多个预设特征值的顺序确定大于该第一预设特征值的第二预设特征值，可以包括：若该多个预设特征值按照降序排列，从位于该第一预设特征值之前的预设特征值中，确定第二预设特征值；若该多个预设特征值按照升序排列，从位于该第一预设特征值之后的预设特征值中，确定第二预设特征值。

可选地，在根据多个预设特征值的顺序确定大于该第一预设特征值的第二预设特征值时，可以对大于第一预设特征值的多个预设特征值进行遍历，也可以继续采用二分法来确定第二预设特征值。在一种可能实现方式中，若该多个预设特征值按照降序排列，从位于该第一预设特征值之前的预设特征值中，确定第二预设特征值，可以包括：若该多个预设特征值按照降序排列，将该第一预设特征值的上一预设特征值确定为该第二预设特征值；或者；若该多个预设特征值按照降序排列，将位于该多个预设特征值中的第一个预设特征值与该第一预设特征值的中间位置的预设特征值，确定为该第二预设特征值。

在另一种可能实现方式中，若该多个预设特征值按照升序排列，从位于该第一预设特征值之后的预设特征值中，确定第二预设特征值，可以包括：若该多个预设特征值按照升序排列，将该第一预设特征值的下一预设特征值确定为该第二预设特征值；或者；若该多个预设特征值按照升序排列，将位于该多个预设特征值中的最后一个预设特征值与该第一预设特征值的中间位置的预设特征值，确定为该第二预设特征值。

406、响应于该第一预设特征值大于该汉字特征值，根据该多个预设特征值的顺序确定小于该第一预设特征值的第三预设特征值，直至确定的预设特征值与该汉字特征值相同，将该确定的预设特征值对应的拼音字符作为该汉字特征值对应的拼音字符。

如果第一预设特征值大于汉字特征值的话，则需要从该多个预设特征值中确定小于第一预设特征值的第三预设特征值。由于多个预设特征值是按照顺序排列的，因此，确定小于第一预设特征值时，可以按照多个预设特征值的排列顺序，确定小于第一预设特征值的多个预设特征值，从小于第一预设特征值的多个预设特征值中选取第三预设特征值，无需遍历映射关系中全部的预设特征值。

可选地，根据该多个预设特征值的顺序确定小于该第一预设特征值的第三预设特征值，可以包括：若该多个预设特征值按照降序排列，从位于该第一预设特征值之后的预设特征值中，确定第三预设特征值；若该多个预设特征值按照升序排列，从位于该第一预设特征值之前的预设特征值中，确定第三预设特征值。

可选地，在根据多个预设特征值的顺序确定小于该第一预设特征值的第三预设特征值时，可以对小于第一预设特征值的多个预设特征值进行遍历，也可以继续采用二分法来确定第三预设特征值。在一种可能实现方式中，若该多个预设特征值按照降序排列，从位于该第一预设特征值之后的预设特征值中，确定第三预设特征值，可以包括：若该多个预设特征值按照降序排列，将该第一预设特征值的下一预设特征值确定为该第三预设特征值；或者；若该多个预设特征值按照降序排列，将位于该多个预设特征值中的最后一个预设特征值与该第一预设特征值的中间位置的预设特征值，确定为该第三预设特征值。

在另一种可能实现方式中，若该多个预设特征值按照升序排列，从位于该第一预设特征值之前的预设特征值中，确定第三预设特征值，可以包括：若该多个预设特征值按照升序排列，将该第一预设特征值的上一预设特征值确定为该第三预设特征值；或者；若该多个预设特征值按照升序排列，将位于该多个预设特征值中的第一个预设特征值与该第一预设特征值的中间位置的预设特征值，确定为该第三预设特征值。

可选地，该映射关系可以包括多个结构体，每个结构体包括一个预设特征值和该预设特征值对应的拼音字符，且该多个结构体按照对应的预设特征值排序。其中，在确定多个预设特征值中位于中间位置的第一预设特征值时，可以根据该多个结构体的排列顺序，快速查询到第一预设特征值。在确定其他预设特征值时，也可以根据该多个结构体之间的排列顺序，进行确定。

需要说明的是，本申请实施例仅是以步骤403至步骤406为例，对计算机设备根据每个汉字特征值与该多个预设特征值之间的大小关系以及该多个预设特征值的顺序，查询该每个汉字特征值对应的拼音字符进行示例性说明。可选地，计算机设备可以在多个预设特征值中任意选择一个第四预设特征值，根据第四预设特征值与汉字特征值之间的大小关系和多个预设特征值的顺序，查询汉字特征值对应的拼音字符。

在另一实施例中，相邻预设特征值之间的差值可以是固定值，可选地，计算机设备还可以在多个预设特征值中任意选择一个第五预设特征值，若第五预设特征值与汉字特征值相同，将第一预设特征值对应的拼音字符，作为汉字特征值对应的拼音字符；若第五预设特征值与汉字特征值不同，根据多个预设特征值的顺序以及第五预设特征值与汉字特征值之间的差值，确定与第五预设特征值的序号差等于该差值的第六预设特征值，直至确定的预设特征值与汉字特征值相同，将确定的预设特征值对应的拼音字符作为汉字特征值对应的拼音字符。

其中，第五预设特征值可以是映射关系中的第一个预设特征值、最后一个预设特征值、位于中间位置的预设特征值、或者是没有任何特殊性，随意选取的一个预设特征值。

407、将该每个汉字字符分别转换为该每个汉字特征值对应的拼音字符，得到第二文本。

可选地，拼音字符可以是拼音形式的字符，例如“wo”、“ni”、“ta”等。可选地，该拼音字符还可以是拼音标识，该拼音标识可以确定唯一的拼音字符，可选地，该拼音标识可以为数值形式。

其中，计算机设备在将每个汉字字符转换为拼音字符时，会保持汉字字符与对应的拼音字符的位置一致。

408、调用训练后的文本处理模型，对第二文本进行处理，得到处理结果。

可选地，计算机设备上安装有多个应用程序，该多个应用程序属于至少一个应用组，属于同一应用组的每个应用程序，可以该应用组对应的共享文件中获取文件。

可选地，训练后的文本处理模型可以以模型文件的形式存储在计算机设备上。在一种可能实现方式中，该调用训练后的文本处理模型，对该第二文本进行处理，得到该处理结果，可以包括：根据当前应用程序所属的应用组，从该应用组对应的共享文件中获取该训练后的文本处理模型的模型文件；通过调用该模型文件运行该训练后的文本处理模型，对该第二文本进行处理，得到该处理结果。

可选地，通过调用该模型文件运行该文本处理模型，对该第二文本进行处理，得到该处理结果，可以包括：通过调用该模型文件运行该训练后的文本处理模型，得到多个处理结果的概率，选取概率最高的处理结果作为第二文本对应的处理结果。

其中，应用程序与内存进行交互均是通过虚拟内存地址进行交互的，而不能直接访问文件的物理内存地址，可选地，计算机设备通过调用该模型文件运行该训练后的文本处理模型，对该第二文本进行处理，得到该处理结果，可以包括：将模型文件读取到缓存中，通过缓存加载机器学习框架(tflite)，该机器学习框架用于运行文本处理模型，将第二文本输入至机器学习框架，通过该机器学习框架运行该训练后的文本处理模型，对该第二文本进行处理，得到处理结果。其中，模型文件为训练后的文本处理模型的模型文件。

因此，将模型文件读取到缓存中可以包括：调用read(读取)函数，根据模型文件的物理内存地址，将模型文件复制到缓存中。通过该机器学习框架运行该训练后的文本处理模型，可以包括：该机器学习框架通过读取位于缓存中的模型文件，运行该训练后的文本处理模型。

其中，机器学习框架运行训练后的文本处理模型时，会占用较大的内存，将模型文件读取到缓存中，也会占用较大的内存，如果该计算机设备为终端的话，若运行训练后的文本处理模型所占用的内存超过预设内存阈值，终端会中断运行该训练后的文本处理模型。

可选地，为了避免在终端上运行训练后的文本处理模型时，受到终端硬件的影响，可以通过mmap(一个文件或者其它对象映射进内存)将模型文件的虚拟内存地址映射至内核地址，这样，机器学习框架可以直接根据内核地址，读取模型文件的内容，无需将模型文件读取到缓存中，节约了内存空间，减小了终端中断运行训练后的文本处理模型的概率。

本申请实施例提供的基于深度学习的文本处理方法，先将每个汉字字符进行编码，得到每个汉字字符对应的汉字特征值，将映射关系中的多个预设特征值按照顺序排列，这样，可以根据每个汉字特征值与映射关系中多个预设特征值之间的大小关系以及多个预设特征值的顺序，查询汉字特征值对应的拼音字符，由于考虑了汉字特征值与映射关系中的预设特征值之间的大小关系，可以根据该多个预设特征值的排列顺序，更快地查询到汉字特征值对应的拼音字符，加快了查询速度，加快了获取第二文本的速度，从而加快了文本处理速度，提高了文本处理效率。

并且，本申请实施例可以将映射关系存储在应用组的共享文件中，应用程序可以根据该应用组的应用组标识，从共享文件中获取该映射关系，以使至少一个应用程序共享该映射关系，减小了计算机设备占用的内存。

另外，本申请实施例中，可以直接将汉字字符转换为拼音字符，作为模型的输入，巧妙地捕捉了全量汉字信息。并且，由于拼音字符的数量远小于汉字字符的数量，从而极大地减少了模型的大小和计算要求，使得终端可以部署较多层数的文本处理模型，提高终端上部署的模型的准确率；另外，由于拼音字符可以覆盖全量汉字字符，因此本申请实施例提供的方法也提升了模型对生僻字的识别能力，最终提升了模型对文本的处理效果。

以下实施例以文本处理模型为文本分类模型为例，对上述实施例中的方案进行示例性说明。图5示出了一种基于文本分类模型的训练方法的流程图。如图5所示，该方法包括：

501、获取用户上传的目标文本对应的纠错信息，该纠错信息包括对该目标分类结果进行纠错后得到的纠错分类结果，该目标分类结果与该纠错分类结果不同，目标分类结果为文本分类模型对目标文本进行分类处理得到的处理结果。

502、响应于该目标分类结果的准确度小于预设准确度，根据该目标文本及该纠错分类结果，对该文本分类模型进行训练，得到训练后的文本分类模型。

如果文本分类模型输出的目标分类结果与纠错分类结果不一致，则需要确定纠错分类结果是否标注错误。

在确定纠错分类结果是否标注错误时，可以基于目标文本的分类结果分布特征、纠错分类结果和目标分类结果来分析纠错信息的误差。如图6所示，先获取目标文本的分类结果分布特征601、纠错分类结果602和目标分类结果603，将目标文本的分类结果分布特征601、纠错分类结果602和目标分类结果603输入至分类模型604中，获取分类模型604输出的预测分类结果605，该预测分类结果605可以指示纠错分类结果正确或者错误，若预测分类结果605指示纠错分类结果正确，则保留该目标文本和纠错分类结果。若分类结果605指示纠错分类结果错误，则删除该目标文本和纠错分类结果。

可选地，目标文本的分类结果分布特征601可以是目标文本的困惑度和信息熵中的至少一项。另外，在基于目标文本的分类结果分布特征、纠错分类结果和目标分类结果来分析纠错信息的误差时，还可以考虑文本长度分布，将目标文本的分类结果分布特征、纠错分类结果、目标分类结果和文本长度分布输入至分类模型中，由分类模型输出预测分类结果。

另外，在根据该目标文本及该纠错分类结果，对该文本分类模型进行训练时，可以将目标文本转换为目标拼音文本，根据目标拼音文本和纠错分类结果对该文本分类模型进行训练。

将目标文本转换为目标拼音文本可以去除了相关技术中的分词步骤，直接将汉字字符转换为拼音字符，作为模型的输入，巧妙地捕捉了全量汉字信息。并且，由于拼音字符的数量远小于汉字字符的数量，从而极大地减少了文本分类模型的大小和计算要求，使得终端可以部署较多层数的文本分类模型；另外，由于拼音字符可以覆盖全量汉字字符，因此本申请实施例提供的方法也提升了文本分类模型对生僻字的识别能力，最终提升了文本分类模型的分类效果。

例如，在广告文本采用大量生僻字替换常用汉字，以逃过文本分类模型的情况下，如果使用汉字字符对文本分类模型进行训练，该文本分类模型会生成一个囊括全量汉字字符的向量矩阵来达到识别这些生僻字的目的，而这个向量矩阵可能将占高达百兆的存储，会导致难以在终端上进行部署，或者，部署在服务器，也会对服务器的运行造成一定影响。

为了解决上述问题，在本申请实施例中，维护了一个包括约4万个汉字字符的词汇表，该词汇表囊括了全量的汉字字符。将该全量的汉字字符映射为拼音字符，得到一个将汉字字符转换成拼音字符的映射文件。其中，不带声调的拼音字符总量只在400个左右，通过将汉字字符映射为拼音字符，我们只需在文本预处理中，将每个汉字字符转换为拼音字符，作为token(词条)输入给文本分类模型，这样文本分类模型生成的向量矩阵只包含400个token，但这400个token则几乎可以覆盖全量汉字字符。

除了上述400个token，本申请实施例还添加了300个其他字符token，最终文本分类模型的token数量为700，与直接使用汉字字符相比，token数量减少了50倍以上，同时又几乎可以处理任何生僻字。

另外，在对文本分类模型进行训练后，还可以将训练后的文本分类模型进行量化处理。例如，将训练后的文本分类模型中的模型参数从单精度32位量化为单精度16位，或者单精度8位。通过将训练后的文本分类模型进行量化处理，可以减小训练后的文本分类模型的大小。由于减小了训练后的文本分类模型的大小，因此，还可以将训练后的文本分类模型部署在终端上。

例如，如图7所示，可以获取文本701，将文本701转换为拼音文本702，根据该拼音文本702对第一文本分类模型703进行训练，将训练后的第一文本分类模型703进行量化处理，得到第二文本分类模型704，其中，第一文本分类模型703为更新前的文本分类模型，第二文本分类模型704为训练后的文本分类模型。

通过上述的去除分词操作、转拼音保留700个token，再加上模型混合量化技术的应用，一方面解决了相关技术中文本分类模型无法准确处理生僻字的问题，另一方面成功地将文本分类模型大小限制在2兆以内，使得其在移动端存储占用上不会存在瓶颈。

503、对训练后的文本分类模型进行水印处理。

可选地，该训练后的文本分类模型的大小较小，可以部署在终端上，而用户在终端上对模型的使用是不可控的，为保护知识产权，防止文本分类模型被窃取盗用，还可以对文本分类模型进行水印处理，以使开发人员能够在白盒及黑盒条件下判断一个文本分类模型是否为该开发人员开发的模型。同时，还可以利用已经嵌入模型的水印，对市场中的文本分类应用进行定时监控，确保能够及时发现知识产权受到侵犯的情况。

504、对训练后的文本分类模型进行加密，将加密后的文本分类模型部署在终端上。

505、通过终端部署的文本分类模型，对输入的文本进行分类。

其中，终端上的引擎可供终端上的应用程序或者插件使用，以下以插件调用引擎为例对终端通过文本分类模型，对文本进行分类的过程进行说明，如图8所示：

(1)由于文本分类模型和其他字符映射文件在使用过程中可能会进行更新。因此，服务器可以在文本分类模型或者其他字符映射文件更新后，将更新后的文件下发至终端，终端可以将更新后的文件，存储到共享文件中，这样，分类引擎可以直接从共享文件中获取。

(2)应用程序或者插件，将文本输入至分类引擎中，要求该分类引擎对该文本进行分类。

(3)分类引擎会读取存储在共享文本中的3个文件(汉字映射文件、其他字符映射文件、模型文件)。

(4)分类引擎根据汉字映射文件和其他字符映射文件，对文本进行预处理，通过调用模型文本运行文本分类模型，对预处理后的文本进行分类处理，得到分类结果，并根据分类结果确定该文本的类型。

(5)分类引擎将分类结果输出给到插件或应用程序。

其中，该预处理流程可以包括：根据正则表达式对输入的文本进行拆分，按照拆分规则，将文本中的汉字字符或者其他字符转换为标识，将转换后的标识组成一个标识数组。

如图9所示，对输入的文本901进行拆分，得到文本中的多个字符，如果该字符是汉字字符，则采用第一预设编码方式，获取该汉字字符的汉字特征值1，根据该汉字特征值1查询汉字映射文件902，得到该汉字字符对应的标识904；如果该字符是链接字符的，则采用第二预设编码方式，获取该链接字符的字符特征值2，根据该字符特征值2查询其他字符映射文件903，得到该链接字符对应的标识904；依次类推，可以对不同类型的字符，采用不同的编码方式，在相应的映射文件中，查询对应的标识，在文本中的每个字符查询均查询到对应的标识904之后，将多个标识904组成标识数组905。

其中，如图10所示，文本分类模型的加载过程与处理过程可以包括：

1001、读取文本分类模型的模型文件到缓存中。

1002、通过缓存加载机器学习框架。

1003、将预处理得到的标识数组传入到机器学习框架中。

1004、通过机器学习框架对模型文件进行解析，以运行该模型文件对应的文本分类模型。

1005、输出分类结果。

其中，输出分类结果可以是按照类型的固定顺序输出一个概率数组。

其中，如图11所示，通过文本分类模型获取分类结果的过程可以包括：

1101、文本分类模型对输入的文本进行处理，预测分类结果，得到多个概率。

1102、在得到多个概率之后，可以按照多个分类结果概率大小进行排序，确定多个概率中的最大值概率。

1103、根据该最大值概率确定文本的分类结果。

其中，多个分类结果可以分别是类别1、类别2和类别3，文本的分类结果为类别1、类别2和类别3中概率最大的类别。

需要说明的是，本申请实施例将汉字映射文件、其他字符映射文件、模型文件等分类引擎需要的文件存放到共享文件中，并通过服务器接口拉取服务器中配置的相应文件，从而达到动态更新文件的能力。

其中，其他字符映射文件、模型文件是容易发生改变的文本，需要动态更新，且模型的训练、使用依赖于其他字符映射文件，可选地，可以将其他字符文件和模型文件合并为一个文件进行下发。合成的文件可以如表5所示，

表5

(1)控制信息：用于存储标识本文件的信息，如，该文本的版本号等。

(2)其他字符映射文件长度：用于指示其他字符文件在合成的文件中的位置，根据该字符映射文件长度，可以方便地读取该其他字符映射文件的内容。

(3)其他字符映射文件内容。

(4)模型文件长度：与其他字符映射文件同理。

(5)模型文件内容。

为了使用较少的内存快速查找到字符对应的ID(identification，标识)，本申请将字符对应的特征值和ID存储在一个结构体中，将多个结构体按照对应的特征值进行排序，之后，还可以将每个结构体进行加密，将加密后的每个结构体保存在该文件中。

其中，每个结构体可以如表6所示：

字段名	字段值	类型
			特征值	字符对应的特征值	Int
ID	字符对应的ID	Int

表6

每个结构体可以存储在映射文件中，在映射文件中多个结构体按照对应的特征值进行排序，如表7所示：

表7

另外，需要说明的是，在对文本进行预处理，将文本中的汉字字符和其他字符转换成标识时，会获取映射文件，根据映射文件将汉字字符和其他字符转换成标识。可选地，可以通过二分法来获取汉字字符和其他字符对应的标识，如图12所示，该方法包括：

1201、确定映射关系的起始位置和结束位置。

1202、读取起始位置和结束位置的中间位置对应的预设特征值。

1203、将中间位置对应的预设特征值与汉字特征值进行比较，若中间位置对应的预设特征值与汉字特征值相同，则执行步骤1204；若中间位置对应的预设特征值大于汉字特征值，则执行步骤1205；若中间位置对应的预设特征值小于汉字特征值，则执行步骤1206。

1204、返回该预设特征值对应的拼音字符。

1205、将结束位置更新为上述中间位置之前的位置，根据起始位置和更新的结束位置重新确定更新的中间位置。

1206、将起始位置更新为上述中间位置之后的位置，根据更新的起始位置和结束位置重新确定更新的中间位置。

需要说明的是，在将文本分类模型部署到终端之后，在文本分类模型的使用过程中，可以继续步骤501，从而可以快速地积累样本，通过在应用程序中开发了用户举报模型分类错误的模块，让用户主动反馈分类错误的文本的正确分类，达到了众包的效果，便于及时对模型进行更新迭代。

图13是本申请实施例提供的一种基于深度学习的模型训练装置的结构示意图，如图13所示，该装置包括：

处理模块1301，用于调用文本处理模型，对目标文本进行处理，得到多个处理结果的概率，选取概率最高的处理结果作为目标处理结果；

纠错信息获取模块1302，用于获取该目标文本的纠错信息，该纠错信息包括对该目标处理结果进行纠错后得到的纠错处理结果，该目标处理结果与该纠错处理结果不同；

特征获取模块1303，用于对该多个处理结果的概率进行统计处理，获取该目标文本的处理结果分布特征，该处理结果分布特征用于指示该文本处理模型处理该目标文本得到的处理结果的不确定性程度；

训练模块1304，用于响应于该处理结果分布特征满足目标条件，根据该目标文本及该纠错处理结果，对该文本处理模型进行训练，得到训练后的文本处理模型。

如图14所示，可选地，该训练模块1304，包括：

准确度获取单元1314，用于对该处理结果分布特征进行统计处理，获取该目标处理结果的准确度；

训练单元1324，用于响应于该目标处理结果的准确度小于预设准确度，根据该目标文本及该纠错处理结果，对该文本处理模型进行训练，得到该训练后的文本处理模型。

可选地，该处理结果分布特征为该目标文本的困惑度，该困惑度与该目标处理结果的准确度呈正相关关系；或者，

该处理结果分布特征为该目标文本的信息熵，该信息熵与该目标处理结果的准确度呈负相关关系。

可选地，该装置还包括：

删除模块1305，用于若该处理结果分布特征不满足该目标条件，将该纠错信息删除。

可选地，该装置还包括：

编码模块1306，用于对第一文本中的每个汉字字符进行编码，得到该每个汉字字符对应的汉字特征值；

映射关系获取模块1307，用于获取包括多个预设特征值以及对应的拼音字符的映射关系，该多个预设特征值按照顺序排列；

查询模块1308，用于根据每个汉字特征值与该多个预设特征值之间的大小关系以及该多个预设特征值的顺序，查询该每个汉字特征值对应的拼音字符；

转换模块1309，用于将该每个汉字字符分别转换为该每个汉字特征值对应的拼音字符，得到第二文本；

处理模块1301，用于调用该训练后的文本处理模型，对该第二文本进行处理，得到处理结果。

可选地，该查询模块1308，用于对于每个汉字特征值，进行如下查询处理：

确定该多个预设特征值中位于中间位置的第一预设特征值；

响应于该第一预设特征值与该汉字特征值相同，将该第一预设特征值对应的拼音字符，作为该汉字特征值对应的拼音字符；

响应于该第一预设特征值小于该汉字特征值，根据该多个预设特征值的顺序确定大于该第一预设特征值的第二预设特征值，直至确定的预设特征值与该汉字特征值相同，将该确定的预设特征值对应的拼音字符作为该汉字特征值对应的拼音字符；

响应于该第一预设特征值大于该汉字特征值，根据该多个预设特征值的顺序确定小于该第一预设特征值的第三预设特征值，直至确定的预设特征值与该汉字特征值相同，将该确定的预设特征值对应的拼音字符作为该汉字特征值对应的拼音字符。

可选地，该查询模块1308，还用于若该多个预设特征值按照降序排列，从位于该第一预设特征值之前的预设特征值中，确定第二预设特征值；

该查询模块，还用于若该多个预设特征值按照升序排列，从位于该第一预设特征值之后的预设特征值中，确定第二预设特征值。

可选地，该查询模块1308，还用于若该多个预设特征值按照降序排列，将该第一预设特征值的上一预设特征值确定为该第二预设特征值；或者；

该查询模块1308，还用于若该多个预设特征值按照降序排列，将位于该多个预设特征值中的第一个预设特征值与该第一预设特征值的中间位置的预设特征值，确定为该第二预设特征值。

可选地，该查询模块1308，还用于若该多个预设特征值按照升序排列，将该第一预设特征值的下一预设特征值确定为该第二预设特征值；或者；

该查询模块1308，还用于若该多个预设特征值按照升序排列，将位于该多个预设特征值中的最后一个预设特征值与该第一预设特征值的中间位置的预设特征值，确定为该第二预设特征值。

可选地，该映射关系获取模块1307，还用于根据当前应用程序所属的应用组，从该应用组对应的共享文件中获取该映射关系，该应用组中包括至少一个应用程序。

可选地，该处理模块1301，包括：

获取单元1311，用于根据当前应用程序所属的应用组，从该应用组对应的共享文件中获取该训练后的文本处理模型的模型文件；

处理单元1321，用于通过调用该模型文件运行该训练后的文本处理模型，对该第二文本进行处理，得到该处理结果。

需要说明的是：上述实施例提供的基于深度学习的文本处理模型训练装置在对模型进行训练时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将计算机设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于深度学习的文本处理模型训练装置与基于深度学习的文本处理模型训练方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图15是本申请实施例提供的一种终端的结构框图。该终端1500用于执行上述实施例中终端或智能设备执行的步骤，可以是便携式移动终端，比如：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端1500还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。

通常，终端1500包括有：处理器1501和存储器1502。

处理器1501可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1501可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1501也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1501可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1501还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器1502可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1502还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1502中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1501所执行以实现本申请中方法实施例提供的基于深度学习的文本处理模型训练方法。

在一些实施例中，终端1500还可选包括有：外围设备接口1503和至少一个外围设备。处理器1501、存储器1502和外围设备接口1503之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1503相连。具体地，外围设备包括：射频电路1504、触摸显示屏1505、摄像头组件1506、音频电路1507和电源1509中的至少一种。

外围设备接口1503可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器1501和存储器1502。在一些实施例中，处理器1501、存储器1502和外围设备接口1503被集成在同一芯片或电路板上；在一些其他实施例中，处理器1501、存储器1502和外围设备接口1503中的任意一个或两个可以在单独的芯片或电路板上实现，本申请实施例对此不加以限定。

射频电路1504用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路1504通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1504将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1504包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1504可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路1504还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏1505用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1505是触摸显示屏时，显示屏1505还具有采集在显示屏1505的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1501进行处理。此时，显示屏1505还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏1505可以为一个，设置终端1500的前面板；在另一些实施例中，显示屏1505可以为至少两个，分别设置在终端1500的不同表面或呈折叠设计；在再一些实施例中，显示屏1505可以是柔性显示屏，设置在终端1500的弯曲表面上或折叠面上。甚至，显示屏1505还可以设置成非矩形的不规则图形，也即异形屏。显示屏1505可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。

摄像头组件1506用于采集图像或视频。可选地，摄像头组件1506包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1506还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路1507可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1501进行处理，或者输入至射频电路1504以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端1500的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1501或射频电路1504的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路1507还可以包括耳机插孔。

电源1509用于为终端1500中的各个组件进行供电。电源1509可以是交流电、直流电、一次性电池或可充电电池。当电源1509包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端1500还包括有一个或多个传感器1510。该一个或多个传感器1510包括但不限于：加速度传感器1511、陀螺仪传感器1512、压力传感器1513、光学传感器1515以及接近传感器1515。

加速度传感器1511可以检测以终端1500建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器1511可以用于检测重力加速度在三个坐标轴上的分量。处理器1501可以根据加速度传感器1511采集的重力加速度信号，控制触摸显示屏1505以横向视图或纵向视图进行用户界面的显示。加速度传感器1511还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器1512可以检测终端1500的机体方向及转动角度，陀螺仪传感器1512可以与加速度传感器1511协同采集用户对终端1500的3D动作。处理器1501根据陀螺仪传感器1512采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器1513可以设置在终端1500的侧边框和/或触摸显示屏1505的下层。当压力传感器1513设置在终端1500的侧边框时，可以检测用户对终端1500的握持信号，由处理器1501根据压力传感器1513采集的握持信号进行左右手识别或快捷操作。当压力传感器1513设置在触摸显示屏1505的下层时，由处理器1501根据用户对触摸显示屏1505的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

光学传感器1515用于采集环境光强度。在一个实施例中，处理器1501可以根据光学传感器1515采集的环境光强度，控制触摸显示屏1505的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏1505的显示亮度；当环境光强度较低时，调低触摸显示屏1505的显示亮度。在另一个实施例中，处理器1501还可以根据光学传感器1515采集的环境光强度，动态调整摄像头组件1506的拍摄参数。

接近传感器1515，也称距离传感器，通常设置在终端1500的前面板。接近传感器1515用于采集用户与终端1500的正面之间的距离。在一个实施例中，当接近传感器1515检测到用户与终端1500的正面之间的距离逐渐变小时，由处理器1501控制触摸显示屏1505从亮屏状态切换为息屏状态；当接近传感器1515检测到用户与终端1500的正面之间的距离逐渐变大时，由处理器1501控制触摸显示屏1505从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图15中示出的结构并不构成对终端1500的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

图16是本申请实施例提供的一种服务器的结构示意图，该服务器1600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(Central ProcessingUnits，CPU)1601和一个或一个以上的存储器1602，其中，存储器1602中存储有至少一条指令，至少一条指令由处理器1601加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。

服务器1600可以用于执行上述基于深度学习的文本处理模型训练方法中服务器所执行的步骤。

本申请实施例还提供了一种计算机设备，该计算机设备包括处理器和存储器，该存储器中存储有至少一条指令，该至少一条指令由处理器加载并执行，以实现上述实施例的基于深度学习的文本处理模型训练方法中所执行的操作。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条指令，该至少一条指令由处理器加载并执行，以实现上述实施例的基于深度学习的文本处理模型训练方法中所执行的操作。

本申请实施例还提供了一种计算机程序，该计算机程序中存储有至少一条指令，该至少一条指令由处理器加载并执行，以实现上述实施例的基于深度学习的文本处理模型训练方法中所执行的操作。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (24)

1.一种基于深度学习的文本处理模型训练方法，其特征在于，所述方法包括：

调用文本处理模型，对目标文本进行处理，得到多个处理结果的概率，选取概率最高的处理结果作为目标处理结果；

获取所述目标文本的纠错信息，所述纠错信息包括对所述目标处理结果进行纠错后得到的纠错处理结果，所述目标处理结果与所述纠错处理结果不同；

对所述多个处理结果的概率进行统计处理，获取所述目标文本的处理结果分布特征，所述处理结果分布特征用于指示所述文本处理模型处理所述目标文本得到的处理结果的不确定性程度；其中，所述多个处理结果的概率相差越小，所述不确定性程度越高；所述不确定性程度越高，所述目标处理结果的准确度越低；

响应于所述处理结果分布特征满足目标条件，根据所述目标文本及所述纠错处理结果，对所述文本处理模型进行训练，得到训练后的文本处理模型，所述目标条件指示所述目标处理结果为错误结果的条件。

2.根据权利要求1所述的方法，其特征在于，所述响应于所述处理结果分布特征满足目标条件，根据所述目标文本及所述纠错处理结果，对所述文本处理模型进行训练，得到训练后的文本处理模型，包括：

对所述处理结果分布特征进行统计处理，获取所述目标处理结果的准确度；

响应于所述目标处理结果的准确度小于预设准确度，根据所述目标文本及所述纠错处理结果，对所述文本处理模型进行训练，得到所述训练后的文本处理模型。

3.根据权利要求2所述的方法，其特征在于，所述处理结果分布特征为所述目标文本的困惑度，所述困惑度与所述目标处理结果的准确度呈正相关关系；或者，

所述处理结果分布特征为所述目标文本的信息熵，所述信息熵与所述目标处理结果的准确度呈负相关关系。

4.根据权利要求1所述的方法，其特征在于，所述对所述多个处理结果的概率进行统计处理，获取所述目标文本的处理结果分布特征之后，所述方法还包括：

若所述处理结果分布特征不满足所述目标条件，将所述纠错信息删除。

5.根据权利要求1所述的方法，其特征在于，所述响应于所述处理结果分布特征满足目标条件，根据所述目标文本及所述纠错处理结果，对所述文本处理模型进行训练，得到训练后的文本处理模型之后，所述方法还包括：

对第一文本中的每个汉字字符进行编码，得到所述每个汉字字符对应的汉字特征值；

获取包括多个预设特征值以及对应的拼音字符的映射关系，所述多个预设特征值按照顺序排列；

根据每个汉字特征值与所述多个预设特征值之间的大小关系以及所述多个预设特征值的顺序，查询所述每个汉字特征值对应的拼音字符；

将所述每个汉字字符分别转换为所述每个汉字特征值对应的拼音字符，得到第二文本；

调用所述训练后的文本处理模型，对所述第二文本进行处理，得到处理结果。

6.根据权利要求5所述的方法，其特征在于，所述根据每个汉字特征值与所述多个预设特征值之间的大小关系以及所述多个预设特征值的顺序，查询所述每个汉字特征值对应的拼音字符，包括：

对于每个汉字特征值，进行如下查询处理：

确定所述多个预设特征值中位于中间位置的第一预设特征值；

响应于所述第一预设特征值与所述汉字特征值相同，将所述第一预设特征值对应的拼音字符，作为所述汉字特征值对应的拼音字符；

响应于所述第一预设特征值小于所述汉字特征值，根据所述多个预设特征值的顺序确定大于所述第一预设特征值的第二预设特征值，直至确定的预设特征值与所述汉字特征值相同，将所述确定的预设特征值对应的拼音字符作为所述汉字特征值对应的拼音字符；

响应于所述第一预设特征值大于所述汉字特征值，根据所述多个预设特征值的顺序确定小于所述第一预设特征值的第三预设特征值，直至确定的预设特征值与所述汉字特征值相同，将所述确定的预设特征值对应的拼音字符作为所述汉字特征值对应的拼音字符。

7.根据权利要求6所述的方法，其特征在于，所述根据所述多个预设特征值的顺序确定大于所述第一预设特征值的第二预设特征值，包括：

若所述多个预设特征值按照降序排列，从位于所述第一预设特征值之前的预设特征值中，确定第二预设特征值；

若所述多个预设特征值按照升序排列，从位于所述第一预设特征值之后的预设特征值中，确定第二预设特征值。

8.根据权利要求7所述的方法，其特征在于，所述若所述多个预设特征值按照降序排列，从位于所述第一预设特征值之前的预设特征值中，确定第二预设特征值，包括：

若所述多个预设特征值按照降序排列，将所述第一预设特征值的上一预设特征值确定为所述第二预设特征值；或者；

若所述多个预设特征值按照降序排列，将位于所述多个预设特征值中的第一个预设特征值与所述第一预设特征值的中间位置的预设特征值，确定为所述第二预设特征值。

9.根据权利要求7所述的方法，其特征在于，所述若所述多个预设特征值按照升序排列，从位于所述第一预设特征值之后的预设特征值中，确定第二预设特征值，包括：

若所述多个预设特征值按照升序排列，将所述第一预设特征值的下一预设特征值确定为所述第二预设特征值；或者；

若所述多个预设特征值按照升序排列，将位于所述多个预设特征值中的最后一个预设特征值与所述第一预设特征值的中间位置的预设特征值，确定为所述第二预设特征值。

10.根据权利要求5所述的方法，其特征在于，所述获取包括多个预设特征值以及对应的拼音字符的映射关系，包括：

根据当前应用程序所属的应用组，从所述应用组对应的共享文件中获取所述映射关系，所述应用组中包括至少一个应用程序。

11.根据权利要求5所述的方法，其特征在于，所述调用所述训练后的文本处理模型，对所述第二文本进行处理，得到处理结果，包括：

根据当前应用程序所属的应用组，从所述应用组对应的共享文件中获取所述训练后的文本处理模型的模型文件；

通过调用所述模型文件运行所述训练后的文本处理模型，对所述第二文本进行处理，得到所述处理结果。

12.一种基于深度学习的文本处理模型训练装置，其特征在于，所述装置包括：

处理模块，用于调用文本处理模型，对目标文本进行处理，得到多个处理结果的概率，选取概率最高的处理结果作为目标处理结果；

纠错信息获取模块，用于获取所述目标文本的纠错信息，所述纠错信息包括对所述目标处理结果进行纠错后得到的纠错处理结果，所述目标处理结果与所述纠错处理结果不同；

特征获取模块，用于对所述多个处理结果的概率进行统计处理，获取所述目标文本的处理结果分布特征，所述处理结果分布特征用于指示所述文本处理模型处理所述目标文本得到的处理结果的不确定性程度；其中，所述多个处理结果的概率相差越小，所述不确定性程度越高；所述不确定性程度越高，所述目标处理结果的准确度越低；

训练模块，用于响应于所述处理结果分布特征满足目标条件，根据所述目标文本及所述纠错处理结果，对所述文本处理模型进行训练，得到训练后的文本处理模型，所述目标条件指示所述目标处理结果为错误结果的条件。

13.根据权利要求12所述的装置，其特征在于，所述训练模块，包括：

准确度获取单元，用于对所述处理结果分布特征进行统计处理，获取所述目标处理结果的准确度；

训练单元，用于响应于所述目标处理结果的准确度小于预设准确度，根据所述目标文本及所述纠错处理结果，对所述文本处理模型进行训练，得到所述训练后的文本处理模型。

14.根据权利要求13所述的装置，其特征在于，所述处理结果分布特征为所述目标文本的困惑度，所述困惑度与所述目标处理结果的准确度呈正相关关系；或者，

所述处理结果分布特征为所述目标文本的信息熵，所述信息熵与所述目标处理结果的准确度呈负相关关系。

15.根据权利要求12所述的装置，其特征在于，所述装置还包括：

删除模块，用于若所述处理结果分布特征不满足所述目标条件，将所述纠错信息删除。

16.根据权利要求12所述的装置，其特征在于，所述装置还包括：

编码模块，用于对第一文本中的每个汉字字符进行编码，得到所述每个汉字字符对应的汉字特征值；

映射关系获取模块，用于获取包括多个预设特征值以及对应的拼音字符的映射关系，所述多个预设特征值按照顺序排列；

查询模块，用于根据每个汉字特征值与所述多个预设特征值之间的大小关系以及所述多个预设特征值的顺序，查询所述每个汉字特征值对应的拼音字符；

转换模块，用于将所述每个汉字字符分别转换为所述每个汉字特征值对应的拼音字符，得到第二文本；

处理模块，用于调用所述训练后的文本处理模型，对所述第二文本进行处理，得到处理结果。

17.根据权利要求16所述的装置，其特征在于，所述查询模块，用于对于每个汉字特征值，进行如下查询处理：

确定所述多个预设特征值中位于中间位置的第一预设特征值；

响应于所述第一预设特征值与所述汉字特征值相同，将所述第一预设特征值对应的拼音字符，作为所述汉字特征值对应的拼音字符；

响应于所述第一预设特征值小于所述汉字特征值，根据所述多个预设特征值的顺序确定大于所述第一预设特征值的第二预设特征值，直至确定的预设特征值与所述汉字特征值相同，将所述确定的预设特征值对应的拼音字符作为所述汉字特征值对应的拼音字符；

响应于所述第一预设特征值大于所述汉字特征值，根据所述多个预设特征值的顺序确定小于所述第一预设特征值的第三预设特征值，直至确定的预设特征值与所述汉字特征值相同，将所述确定的预设特征值对应的拼音字符作为所述汉字特征值对应的拼音字符。

18.根据权利要求17所述的装置，其特征在于，所述查询模块，还用于若所述多个预设特征值按照降序排列，从位于所述第一预设特征值之前的预设特征值中，确定第二预设特征值；

所述查询模块，还用于若所述多个预设特征值按照升序排列，从位于所述第一预设特征值之后的预设特征值中，确定第二预设特征值。

19.根据权利要求18所述的装置，其特征在于，所述查询模块，还用于若所述多个预设特征值按照降序排列，将所述第一预设特征值的上一预设特征值确定为所述第二预设特征值；或者；

所述查询模块，还用于若所述多个预设特征值按照降序排列，将位于所述多个预设特征值中的第一个预设特征值与所述第一预设特征值的中间位置的预设特征值，确定为所述第二预设特征值。

20.根据权利要求18所述的装置，其特征在于，所述查询模块，还用于若所述多个预设特征值按照升序排列，将所述第一预设特征值的下一预设特征值确定为所述第二预设特征值；或者；

所述查询模块，还用于若所述多个预设特征值按照升序排列，将位于所述多个预设特征值中的最后一个预设特征值与所述第一预设特征值的中间位置的预设特征值，确定为所述第二预设特征值。

21.根据权利要求16所述的装置，其特征在于，所述映射关系获取模块，还用于根据当前应用程序所属的应用组，从所述应用组对应的共享文件中获取所述映射关系，所述应用组中包括至少一个应用程序。

22.根据权利要求16所述的装置，其特征在于，所述处理模块，包括：

获取单元，用于根据当前应用程序所属的应用组，从所述应用组对应的共享文件中获取所述训练后的文本处理模型的模型文件；

处理单元，用于通过调用所述模型文件运行所述训练后的文本处理模型，对所述第二文本进行处理，得到所述处理结果。

23.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现如权利要求1至11任一项所述的基于深度学习的文本处理模型训练方法中所执行的操作。

24.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行，以实现如权利要求1至11任一项所述的基于深度学习的文本处理模型训练方法中所执行的操作。