CN111666405A - 用于识别文本蕴含关系的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于识别文本蕴含关系的方法和装置。该方法的一具体实施方式包括：获取前提句和假设句；确定前提句对应的前提句向量序列和假设句对应的假设句向量序列；将前提句向量序列与假设句向量序列输入至预先训练的句匹配模型，得到句匹配信息，并将前提句向量序列与假设句向量序列输入预先训练的词匹配模型，得到词匹配信息；基于句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系。该实施方式提供了一种基于词匹配信息与句匹配信息的文本蕴含关系识别机制，丰富了文本蕴含关系的识别方法。

Description

用于识别文本蕴含关系的方法和装置

技术领域

本申请实施例涉及计算机技术领域，尤其涉及用于识别文本蕴含关系的方法和装置。

背景技术

文本蕴含识别(Recognizing Textual Entailment，RTE)，也称为自然语言推理，指的是判断一句自然语言的前提文本(Premise，P)能否推理出一句自然语言的假设文本(Hypothesis，H)。通常的任务是做分类，一般分为：前提蕴含假设、两者矛盾、两者中立。

现有的文本蕴含识别方法主要是利用模型将前提文本与假设文本表示成向量，再基于二者的相似度确定文本蕴含关系。

发明内容

本申请实施例提出了用于识别文本蕴含关系的方法和装置。

第一方面，本申请的一些实施例提供了一种用于识别文本蕴含关系的方法，该方法包括：获取前提句和假设句；确定前提句对应的前提句向量序列和假设句对应的假设句向量序列；将前提句向量序列与假设句向量序列输入至预先训练的句匹配模型，得到句匹配信息，并将前提句向量序列与假设句向量序列输入预先训练的词匹配模型，得到词匹配信息；基于句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系。

在一些实施例中，句匹配模型，包括：双重注意力机制加权后的长短期记忆网络模型。

在一些实施例中，词匹配模型，包括：自注意力机制加权后的长短期记忆网络模型。

在一些实施例中，基于句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系，包括：提取前提句与假设句的目标特征；基于目标特征、句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系。

在一些实施例中，目标特征包括经由以下步骤确定的特征：获取训练样本集合，其中，训练样本包括样本前提句、样本假设句和表征样本前提句与样本假设句的文本蕴含关系的标注结果；将训练样本集合中的样本前提句、样本假设句以及提取出的样本前提句与样本假设句的各个备选特征作为输入，将表征输入的样本前提句与样本假设句的文本蕴含关系的标注结果作为输出，训练得到至少一个备选特征的权重，至少一个备选特征包括以下至少一项：表征前提句与假设句的子序列的长度的特征，表征前提句的子序列与假设句的子序列之间的长度差的特征，表征前提句的子序列与假设句的子序列之间的距离的特征，表征文本是否完全匹配的特征，前提句与假设句的词频-逆文本频率指数特征，前提句与假设句中包括的量词的特征，表征前提句与假设句之间的重复度的特征；根据预先设置的权重阈值筛选至少一个备选特征得到目标特征。

在一些实施例中，确定前提句对应的前提句向量序列和假设句对应的假设句向量序列，包括：对前提句和假设句进行预处理；确定前提句词序列中各个词对应的词向量得到前提句词向量序列，并确定假设句词序列中各个词对应的词向量得到假设句词向量序列。

在一些实施例中，确定前提句词序列中各个词对应的词向量得到前提句向量序列，并确定假设句词序列中各个词对应的词向量得到假设句向量序列，包括：针对前提句词序列或假设句词序列中的未登录词：获取该未登录词包括的字的字向量；将所获取的字向量输入至预先训练的词向量生成模型，生成该未登录词的词向量。

在一些实施例中，确定前提句对应的前提句向量序列和假设句对应的假设句向量序列，包括：确定前提句字序列中各个字对应的字向量得到前提句字向量序列，并确定假设句词序列中各个字对应的字向量得到假设句字向量序列；以及基于句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系，包括：基于根据词向量序列得到的句匹配信息、词匹配信息以及预先训练的分类模型确定第一分类概率；基于根据字向量序列得到的句匹配信息、词匹配信息以及预先训练的分类模型确定第二分类概率；基于第一分类概率与第二分类概率生成前提句与假设句的文本蕴含关系。

第二方面，本申请的一些实施例提供了一种用于识别文本蕴含关系的装置，该装置包括：获取单元，被配置成获取前提句和假设句；确定单元，被配置成确定前提句对应的前提句向量序列和假设句对应的假设句向量序列；输入单元，被配置成将前提句向量序列与假设句向量序列输入至预先训练的句匹配模型，得到句匹配信息，并将前提句向量序列与假设句向量序列输入预先训练的词匹配模型，得到词匹配信息；生成单元，被配置成基于句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系。

在一些实施例中，句匹配模型，包括：双重注意力机制加权后的长短期记忆网络模型。

在一些实施例中，词匹配模型，包括：自注意力机制加权后的长短期记忆网络模型。

在一些实施例中，生成单元，包括：提取子单元，被配置成提取前提句与假设句的目标特征；第一生成子单元，被配置成基于目标特征、句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系。

在一些实施例中，装置还包括目标特征确定单元，目标特征确定单元，包括：获取子单元，被配置成获取训练样本集合，其中，训练样本包括样本前提句、样本假设句和表征样本前提句与样本假设句的文本蕴含关系的标注结果；训练子单元，被配置成将训练样本集合中的样本前提句、样本假设句以及提取出的样本前提句与样本假设句的各个备选特征作为输入，将表征输入的样本前提句与样本假设句的文本蕴含关系的标注结果作为输出，训练得到至少一个备选特征的权重，至少一个备选特征包括以下至少一项：表征前提句与假设句的子序列的长度的特征，表征前提句的子序列与假设句的子序列之间的长度差的特征，表征前提句的子序列与假设句的子序列之间的距离的特征，表征文本是否完全匹配的特征，前提句与假设句的词频-逆文本频率指数特征，前提句与假设句中包括的量词的特征，表征前提句与假设句之间的重复度的特征；筛选子单元，被配置成根据预先设置的权重阈值筛选至少一个备选特征得到目标特征。

在一些实施例中，确定单元，包括：预处理子单元，被配置成对前提句和假设句进行预处理；第一确定子单元，被配置成确定前提句词序列中各个词对应的词向量得到前提句词向量序列，并确定假设句词序列中各个词对应的词向量得到假设句词向量序列。

在一些实施例中，第一确定子单元，进一步被配置成：针对前提句词序列或假设句词序列中的未登录词：获取该未登录词包括的字的字向量；将所获取的字向量输入至预先训练的词向量生成模型，生成该未登录词的词向量。

在一些实施例中，确定单元，包括：第二确定子单元，被配置成确定前提句字序列中各个字对应的字向量得到前提句字向量序列，并确定假设句词序列中各个字对应的字向量得到假设句字向量序列；以及生成单元，包括：第三确定子单元，被配置成基于根据词向量序列得到的句匹配信息、词匹配信息以及预先训练的分类模型确定第一分类概率；第四确定子单元，被配置成基于根据字向量序列得到的句匹配信息、词匹配信息以及预先训练的分类模型确定第二分类概率；第二生成子单元，被配置成基于第一分类概率与第二分类概率生成前提句与假设句的文本蕴含关系。

第三方面，本申请的一些实施例提供了一种设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的方法。

第四方面，本申请的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述的方法。

本申请实施例提供的用于识别文本蕴含关系的方法和装置，通过获取前提句和假设句，并确定前提句对应的前提句向量序列和假设句对应的假设句向量序列，而后将前提句向量序列与假设句向量序列输入至预先训练的句匹配模型，得到句匹配信息，并将前提句向量序列与假设句向量序列输入预先训练的词匹配模型，得到词匹配信息，最后基于句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系，提供了一种基于词匹配信息与句匹配信息的文本蕴含关系识别机制，丰富了文本蕴含关系的识别方法。

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是本申请的一些可以应用于其中的示例性系统架构图；

图2是根据本申请的用于识别文本蕴含关系的方法的一个实施例的流程图；

图3是根据本申请的用于识别文本蕴含关系的方法的应用场景的一个示意图；

图4是根据本申请的用于识别文本蕴含关系的方法的又一个实施例的流程图；

图5是根据本申请的用于识别文本蕴含关系的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的一些实施例的服务器或终端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用于识别文本蕴含关系的方法或用于识别文本蕴含关系的装置的实施例的示例性系统架构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和服务器105。网络104用以在终端设备101、102、103和服务器105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与服务器105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，例如文本处理类应用、图像处理类应用、电子商务类应用、搜索类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

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上安装的应用提供支持的后台服务器，服务器105可以获取前提句和假设句；确定前提句对应的前提句向量序列和假设句对应的假设句向量序列；将前提句向量序列与假设句向量序列输入至预先训练的句匹配模型，得到句匹配信息，并将前提句向量序列与假设句向量序列输入预先训练的词匹配模型，得到词匹配信息；基于句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系。

需要说明的是，本申请实施例所提供的用于识别文本蕴含关系的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，用于识别文本蕴含关系的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络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、网络和服务器。

继续参考图2，示出了根据本申请的用于识别文本蕴含关系的方法的一个实施例的流程200。该用于识别文本蕴含关系的方法，包括以下步骤：

步骤201，获取前提句和假设句。

在本实施例中，用于识别文本蕴含关系的方法执行主体(例如图1所示的服务器或终端)可以首先获取前提句和假设句。前提句和假设句可以从问答系统、信息检索系统、信息抽取系统、机器翻译系统等系统中获取，例如，信息抽取系统在进行事实挖掘时，需要判断事实的前后描述是否一致不矛盾，就可将事实的前后描述文本分别作为前提句和假设句。

步骤202，确定前提句对应的前提句向量序列和假设句对应的假设句向量序列。

在本实施例中，上述执行主体可以确定步骤201获取的前提句对应的前提句向量序列和步骤201获取的假设句对应的假设句向量序列。前提句向量序列可以是前体句中包括的部分或全部元素的向量所组成的序列，例如，前体句中包括的词或字的向量组成的序列。同样，假设句向量序列可以是假设句中包括的部分或全部元素的向量所组成的序列。

在本实施例的一些可选实现方式中，确定前提句对应的前提句向量序列和假设句对应的假设句向量序列，包括：对前提句和假设句进行预处理；确定前提句词序列中各个词对应的词向量得到前提句词向量序列，并确定假设句词序列中各个词对应的词向量得到假设句词向量序列。

在本实现方式中，预处理可以包括去除前提句和假设句中最长的公共子序列、删除停用词等，由于前提句和假设句中可能存在一些字面上匹配但对蕴含推理无关的内容，这样的内容会引导模型将其他关系误判为蕴含的关系，所以在预处理时可以考虑去除，也可以同时将去除与未去除最长的公共子序列的前提句和假设句作为后续判断的依据。

在这里，词向量可以是用于表示词的特征的向量，词向量的每一维的值可以代表一个具有一定的语义和语法上解释的特征。其中，特征可以是用于对词的基本要素进行表征的各种信息。上述执行主体可以利用各种词向量生成方式生成各个词的词向量，例如，可以使用现有的词向量生成工具(例如word2vec等)生成，或者利用训练神经网络的方式生成。

在本实施例的一些可选实现方式中，确定前提句词序列中各个词对应的词向量得到前提句向量序列，并确定假设句词序列中各个词对应的词向量得到假设句向量序列，包括：针对前提句词序列或假设句词序列中的未登录词：获取该未登录词包括的字的字向量；将所获取的字向量输入至预先训练的词向量生成模型，生成该未登录词的词向量。未登录词可以是训练得到词向量时未出现(在测试集中)的词。无论中英文，都会出现未登录词的现象，真实场景下的词可能在训练语料中不曾出现，现有技术中在遇到未登录词时，使用一个特殊符号来代替，从而造成所有未登录词都只映射到了同一个词向量中，造成模型使用词向量时无法区分所有未登录词。本实现方式利用预训练的字向量和词向量，构造了一个字向量到词向量的模型，每当使用时出现未登录词，都可以往该模型中输入未登录词的字序列，得到未登录词的词向量，供后续模型的使用。

词向量生成模型可以是将预训练好的词向量生成一个词表，通过词表中的每个词构造(字序列-词)对，得到训练样本。该模型使用字向量作为输入，用预训练的字向量作为初始化，经过一个长短时记忆网络(Bi-directional Long Short-Term Memory，Bi-LSTM)层，再经过平均池化(average pooling)层，输出词向量。将词向量与预训与词向量计算均方误差(MSE)损失函数，最小化该目标。需要说明的是，词向量生成模型不限于以上的举例说明，可以用于表征词包括的字的字向量与词的词向量的对应关系即可，例如，还可以经过最大池化(max pooling)层，输出词向量，或采用其他类型的损失函数。

在本实施例的一些可选实现方式中，确定前提句对应的前提句向量序列和假设句对应的假设句向量序列，包括：确定前提句字序列中各个字对应的字向量得到前提句字向量序列，并确定假设句词序列中各个字对应的字向量得到假设句字向量序列。

在本实现方式中，字向量可以是用于表示字的特征的向量，字向量的每一维的值可以代表一个具有一定的语义和语法上解释的特征。其中，特征可以是用于对字的基本要素进行表征的各种信息。上述执行主体可以利用各种字向量生成方式生成各个字的字向量，例如，可以使用现有的字向量生成工具生成，或者利用训练神经网络的方式生成。由于与英文文本不一样，中文文本使用词向量，需要经过分词的阶段，中文分词经常会出现分词错误的现象，这种错误会传播，从而影响后续的任务，而使用字向量可以避免分词错误引入的误差。

步骤203，将前提句向量序列与假设句向量序列输入至预先训练的句匹配模型，得到句匹配信息，并将前提句向量序列与假设句向量序列输入预先训练的词匹配模型，得到词匹配信息。

在本实施例中，上述执行主体可以将步骤202中得到的前提句向量序列与步骤202中得到的假设句向量序列输入至预先训练的句匹配模型，得到句匹配信息，并将步骤202中得到的前提句向量序列与步骤202中得到的假设句向量序列输入预先训练的词匹配模型，得到词匹配信息。

在这里，句匹配模型可以用于表征前提句向量序列、假设句向量序列与句匹配信息之间的对应关系，句匹配信息可以包括句匹配矩阵，可以用于表征句子层面的匹配关系。作为示例，句匹配模型可以是技术人员基于对大量的前提句向量序列、假设句向量序列和句匹配信息的统计而预先制定的、存储有前提句向量序列、假设句向量序列和句匹配信息的对应关系的对应关系表；同样可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对前提句向量序列和假设句向量序列的一个或多个进行量化与计算，得到的用于表征句匹配信息的计算结果的计算公式。

词匹配模型可以用于表征前提句词向量序列中元素的向量、假设词向量序列中元素的向量与词匹配信息之间的对应关系，元素的向量可以包括单个字向量、词向量或若干个字向量、词向量的组合，词匹配信息可以包括词匹配矩阵，可以用于表征词层面的匹配关系。作为示例，词匹配模型可以是技术人员基于对大量的前提句词向量序列中元素的向量、假设词向量序列中元素的向量和词匹配信息的统计而预先制定的、存储有前提句词向量序列中元素的向量、假设词向量序列中元素的向量和词匹配信息的对应关系的对应关系表；同样可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对前提句词向量序列中元素的向量和假设词向量序列中元素的向量的一个或多个进行量化与计算，得到的用于表征词匹配信息的计算结果的计算公式。

在本实施例的一些可选实现方式中，句匹配模型，包括：双重注意力机制(Co-Attention)加权后的长短期记忆网络模型。长短期记忆网络可以采用Bi-LSTM网络。在本实施例的一些可选实现方式中，词匹配模型，包括：自注意力机制加权(Self-Attention)后的长短期记忆网络模型。长短期记忆网络可以采用Bi-LSTM网络。此外，句匹配模型、词匹配模型也可以采用其他注意力机制与循环神经网络的组合。

步骤204，基于句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系。

在本实施例中，上述执行主体可以基于步骤203中得到的句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系。文本蕴含关系可以包括前提蕴含假设、两者矛盾、两者中立。分类模型可以包括朴素贝叶斯模型(Naive BayesianModel，NBM)或支持向量机(Support Vector Machine，SVM)等用于分类的模型。分类模型可以用于表征句匹配信息、词匹配信息与分类结果即文本蕴含关系的对应关系。分类模型的输出可以包括分类结果及其概率，可以将概率最大的分类结果指示的文本蕴含关系作为前提句与假设句的文本蕴含关系。

在本实施例中，句匹配模型、词匹配模型与分类模型可以作为一个整体同时进行训练，即将预先设置的样本集合中样本前提句和样本假设句作为整体的输入，预先标注的样本前提句与样本假设句的文本蕴含关系作为整体的输出，训练初始的句匹配模型、词匹配模型与分类模型，得到句匹配模型、词匹配模型与分类模型。不同于现有技术，单纯的基于词级别交互的模型与单纯的基于句子级别匹配的模型都各有长处短处，本实施例提出了将词级别的交互方法和使用句向量匹配的方法结合，把词级别交互和句向量匹配的方法合并到一起，可以端到端地进行学习。

此外，在训练时，还可以进行样本数据的增强。例如，在数据样本中，前提句和假设句中可能存在一些字面上匹配但对蕴含推理无关的内容，这样的文本会引导模型将其他关系误判为蕴含的关系。本实现方式中将前提句和假设句的最长公共子序列去除，把剩余的文本作为输入，从而将数据量增加了一倍，有效地提高了分类效果。

在本实施例的一些可选实现方式中，基于句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系，还可以包括：基于根据词向量序列得到的句匹配信息、词匹配信息以及预先训练的分类模型确定第一分类概率；基于根据字向量序列得到的句匹配信息、词匹配信息以及预先训练的分类模型确定第二分类概率；基于第一分类概率与第二分类概率生成前提句与假设句的文本蕴含关系。

在本实现方式中，根据字向量序列得到的句匹配信息、词匹配信息的方法可以参见根据词向量序列得到的句匹配信息、词匹配信息的方法，即可以将前提句字向量序列与假设句字向量序列输入至预先训练的句匹配模型，得到句匹配信息，并将前提句字向量序列与假设句字向量序列输入预先训练的词匹配模型，得到词匹配信息。

在这里，基于第一分类概率与第二分类概率生成前提句与假设句的文本蕴含关系，可以包括将第一分类概率与第二分类概率进行平均，选取分类概率最大的分类结果作为最终结果输出，还可以设置第一分类概率与第二分类概率的权重进行加权。本实现方式结合字向量与词向量，即利用了分词的信息，同时能够避免分词错误引入的误差，进一步提高了识别的准确度。

继续参见图3，图3是根据本实施例的用于识别文本蕴含关系的方法的应用场景的一个示意图。在图3的应用场景中，服务器311首先获取前提句301和假设句302，而后确定前提句301对应的前提句向量序列303和假设句302对应的假设句向量序列304，并将前提句向量序列303与假设句向量序列304输入至预先训练的句匹配模型305，得到句匹配信息307，并将前提句向量序列303与假设句向量序列304输入预先训练的词匹配模型306，得到词匹配信息308；基于句匹配信息307、词匹配信息308以及预先训练的分类模型309生成前提句301和假设句302的文本蕴含关系310。

本申请的上述实施例提供的方法通过获取前提句和假设句；确定前提句对应的前提句向量序列和假设句对应的假设句向量序列；将前提句向量序列与假设句向量序列输入至预先训练的句匹配模型，得到句匹配信息，并将前提句向量序列与假设句向量序列输入预先训练的词匹配模型，得到词匹配信息；基于句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系，提供了一种基于词匹配信息与句匹配信息的文本蕴含关系识别机制，丰富了文本蕴含关系的识别方法。

进一步参考图4，其示出了用于识别文本蕴含关系的方法的又一个实施例的流程400。该用于识别文本蕴含关系的方法的流程400，包括以下步骤：

步骤401，获取前提句和假设句。

在本实施例中，用于识别文本蕴含关系的方法执行主体(例如图1所示的服务器或终端)可以获取前提句和假设句。

步骤402，确定前提句对应的前提句向量序列和假设句对应的假设句向量序列。

在本实施例中，上述执行主体可以确定步骤401获取的前提句对应的前提句向量序列和步骤401获取的假设句对应的假设句向量序列。

步骤403，将前提句向量序列与假设句向量序列输入至预先训练的句匹配模型，得到句匹配信息，并将前提句向量序列与假设句向量序列输入预先训练的词匹配模型，得到词匹配信息。

在本实施例中，上述执行主体可以将步骤402中得到的前提句向量序列与步骤402中得到的假设句向量序列输入至预先训练的句匹配模型，得到句匹配信息，并将步骤402中得到的前提句向量序列与步骤402中得到的假设句向量序列输入预先训练的词匹配模型，得到词匹配信息。

步骤404，提取前提句与假设句的目标特征。

在本实施例中，上述执行主体可以提取步骤401中得到的前提句与假设句的目标特征。目标特征可以是工作人员基于经验预先设置的，也可以是通过预先设置的规则确定的。

在本实施例的一些可选实现方式中，目标特征包括经由以下步骤确定的特征：获取训练样本集合，其中，训练样本包括样本前提句、样本假设句和表征样本前提句与样本假设句的文本蕴含关系的标注结果；将训练样本集合中的样本前提句、样本假设句以及提取出的样本前提句与样本假设句的各个备选特征作为输入，将表征输入的样本前提句与样本假设句的文本蕴含关系的标注结果作为输出，训练得到至少一个备选特征的权重；根据预先设置的权重阈值筛选至少一个备选特征得到目标特征。作为示例，对于备选特征，可以通过Xgboost算法，训练文本蕴含模型得到各个特征的重要程度，重要程度可以通过权重体现，Xgboost算法是一种集成学习(Boosting)算法。

在本实现方式中，至少一个备选特征可以包括以下至少一项：表征前提句与假设句的子序列的长度的特征，表征前提句的子序列与假设句的子序列之间的长度差的特征，表征前提句的子序列与假设句的子序列之间的距离的特征，表征文本是否完全匹配的特征，前提句与假设句的词频-逆文本频率指数(TF-IDF)特征，前提句与假设句中包括的量词的特征，表征前提句与假设句之间的重复度的特征。

在这里，前提句与假设句的子序列的可以是基于N-Gram(N元语言模型)确定的，可以包括单个字的序列，单个词的序列，两个字的序列，两个词的序列，三个字的序列，三个词的序列等。前提句的子序列与假设句的子序列之间的距离可以包括汉明距离，戴斯(dice)距离，杰卡德(jaccard)距离，序列编辑距离，串编辑距离等。前提句与假设句的TF-IDF特征可以包括：前提句与假设句各自的词序列的TF-IDF之和，前提句与假设句中匹配的词的TF-IDF之和与两个文本词序列的TF-IDF之和的比值。量词的特征可以包括前提句与假设句中各自出现的量词对应的数字，与前提句与假设句中量词数字是否匹配。表征前提句与假设句之间的重复度的特征可以包括前提句与假设句中匹配的词的数量与前提句与假设句减去匹配数量的总长度之比，以及前提句与假设句中匹配的字的数量与前提句与假设句减去匹配数量的总长度之比。

步骤405，基于目标特征、句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系。

在本实施例中，上述执行主体可以基于步骤404中得到的目标特征、步骤403中得到的句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系。分类模型可以包括朴素贝叶斯模型(Naive Bayesian Model，NBM)或支持向量机(Support Vector Machine，SVM)等用于分类的模型。分类模型可以用于表征目标特征、句匹配信息、词匹配信息与分类结果即文本蕴含关系的对应关系。分类模型的输出可以包括分类结果及其概率，可以将概率最大的分类结果指示的文本蕴含关系作为前提句与假设句的文本蕴含关系。

在本实施例中，句匹配模型、词匹配模型与分类模型可以作为一个整体同时进行训练，即将预先设置的样本集合中样本前提句和样本假设句作为整体的输入，预先标注的样本前提句与样本假设句的文本蕴含关系作为整体的输出，训练初始的句匹配模型、词匹配模型与分类模型，得到句匹配模型、词匹配模型与分类模型。作为示例，可以将目标特征、句匹配信息、词匹配信息进行拼接，最终经过分类层，输出分类概率。不同于现有的深度学习方法，本实施例在深度学习模型的分类输出层中加入了目标特征层，显式地提供手工特征，能够引导深度学习模型更好地学习其他人类难以挖掘的特征，提高了模型输出结果的准确度。

在本实施例中，步骤401、步骤402、步骤403的操作与步骤201、步骤203、步骤203的操作基本相同，在此不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于识别文本蕴含关系的方法的流程400中除句匹配信息、词匹配信息外，还基于目标特征生成前提句与假设句的文本蕴含关系，由此，本实施例描述的方案中进一步提高了文本蕴含关系识别的准确度。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于识别文本蕴含关系的装置的一个实施例，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，本实施例的用于识别文本蕴含关系的装置500包括：获取单元501、确定单元502、输入单元503、生成单元504。其中，获取单元，被配置成获取前提句和假设句；确定单元，被配置成确定前提句对应的前提句向量序列和假设句对应的假设句向量序列；输入单元，被配置成将前提句向量序列与假设句向量序列输入至预先训练的句匹配模型，得到句匹配信息，并将前提句向量序列与假设句向量序列输入预先训练的词匹配模型，得到词匹配信息；生成单元，被配置成基于句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系。

在本实施例中，用于识别文本蕴含关系的装置500的获取单元501、确定单元502、输入单元503、生成单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。

在本实施例的一些可选实现方式中，句匹配模型，包括：双重注意力机制加权后的长短期记忆网络模型。

在本实施例的一些可选实现方式中，词匹配模型，包括：自注意力机制加权后的长短期记忆网络模型。

在本实施例的一些可选实现方式中，生成单元，包括：提取子单元，被配置成提取前提句与假设句的目标特征；第一生成子单元，被配置成基于目标特征、句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系。

在本实施例的一些可选实现方式中，装置还包括目标特征确定单元，目标特征确定单元，包括：获取子单元，被配置成获取训练样本集合，其中，训练样本包括样本前提句、样本假设句和表征样本前提句与样本假设句的文本蕴含关系的标注结果；训练子单元，被配置成将训练样本集合中的样本前提句、样本假设句以及提取出的样本前提句与样本假设句的各个备选特征作为输入，将表征输入的样本前提句与样本假设句的文本蕴含关系的标注结果作为输出，训练得到至少一个备选特征的权重，至少一个备选特征包括以下至少一项：表征前提句与假设句的子序列的长度的特征，表征前提句的子序列与假设句的子序列之间的长度差的特征，表征前提句的子序列与假设句的子序列之间的距离的特征，表征文本是否完全匹配的特征，前提句与假设句的词频-逆文本频率指数特征，前提句与假设句中包括的量词的特征，表征前提句与假设句之间的重复度的特征；筛选子单元，被配置成根据预先设置的权重阈值筛选至少一个备选特征得到目标特征。

在本实施例的一些可选实现方式中，确定单元，包括：预处理子单元，被配置成对前提句和假设句进行预处理；第一确定子单元，被配置成确定前提句词序列中各个词对应的词向量得到前提句词向量序列，并确定假设句词序列中各个词对应的词向量得到假设句词向量序列。

在本实施例的一些可选实现方式中，第一确定子单元，进一步被配置成：针对前提句词序列或假设句词序列中的未登录词：获取该未登录词包括的字的字向量；将所获取的字向量输入至预先训练的词向量生成模型，生成该未登录词的词向量。

在本实施例的一些可选实现方式中，确定单元，包括：第二确定子单元，被配置成确定前提句字序列中各个字对应的字向量得到前提句字向量序列，并确定假设句词序列中各个字对应的字向量得到假设句字向量序列；以及生成单元，包括：第三确定子单元，被配置成基于根据词向量序列得到的句匹配信息、词匹配信息以及预先训练的分类模型确定第一分类概率；第四确定子单元，被配置成基于根据字向量序列得到的句匹配信息、词匹配信息以及预先训练的分类模型确定第二分类概率；第二生成子单元，被配置成基于第一分类概率与第二分类概率生成前提句与假设句的文本蕴含关系。

本申请的上述实施例提供的装置，通过获取前提句和假设句；确定前提句对应的前提句向量序列和假设句对应的假设句向量序列；将前提句向量序列与假设句向量序列输入至预先训练的句匹配模型，得到句匹配信息，并将前提句向量序列与假设句向量序列输入预先训练的词匹配模型，得到词匹配信息；基于句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系，提供了一种基于词匹配信息与句匹配信息的文本蕴含关系识别机制，丰富了文本蕴含关系的识别方法。

下面参考图6，其示出了适于用来实现本申请实施例的服务器或终端的计算机系统600的结构示意图。图6示出的服务器或终端仅仅是一个示例，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。

以下部件可以连接至I/O接口605：包括诸如键盘、鼠标等的输入部分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，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——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。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

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：一种处理器包括获取单元、确定单元、输入单元和生成单元。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，获取单元还可以被描述为“被配置成获取前提句和假设句的单元”。

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装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：获取前提句和假设句；确定前提句对应的前提句向量序列和假设句对应的假设句向量序列；将前提句向量序列与假设句向量序列输入至预先训练的句匹配模型，得到句匹配信息，并将前提句向量序列与假设句向量序列输入预先训练的词匹配模型，得到词匹配信息；基于句匹配信息、词匹配信息以及预先训练的分类模型生成前提句与假设句的文本蕴含关系。

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 (18)

1.一种用于识别文本蕴含关系的方法，包括：

获取前提句和假设句；

确定所述前提句对应的前提句向量序列和所述假设句对应的假设句向量序列；

将所述前提句向量序列与所述假设句向量序列输入至预先训练的句匹配模型，得到句匹配信息，并将所述前提句向量序列与所述假设句向量序列输入预先训练的词匹配模型，得到词匹配信息；

基于所述句匹配信息、所述词匹配信息以及预先训练的分类模型生成所述前提句与所述假设句的文本蕴含关系。

2.根据权利要求1所述的方法，其中，所述句匹配模型，包括：

双重注意力机制加权后的长短期记忆网络模型。

3.根据权利要求1所述的方法，其中，所述词匹配模型，包括：

自注意力机制加权后的长短期记忆网络模型。

4.根据权利要求1所述的方法，其中，所述基于所述句匹配信息、所述词匹配信息以及预先训练的分类模型生成所述前提句与所述假设句的文本蕴含关系，包括：

提取所述前提句与所述假设句的目标特征；

基于所述目标特征、所述句匹配信息、所述词匹配信息以及预先训练的分类模型生成所述前提句与所述假设句的文本蕴含关系。

5.根据权利要求4所述的方法，其中，所述目标特征包括经由以下步骤确定的特征：

获取训练样本集合，其中，训练样本包括样本前提句、样本假设句和表征样本前提句与样本假设句的文本蕴含关系的标注结果；

将所述训练样本集合中的样本前提句、样本假设句以及提取出的样本前提句与样本假设句的各个备选特征作为输入，将表征输入的样本前提句与样本假设句的文本蕴含关系的标注结果作为输出，训练得到至少一个备选特征的权重，所述至少一个备选特征包括以下至少一项：表征前提句与假设句的子序列的长度的特征，表征前提句的子序列与假设句的子序列之间的长度差的特征，表征前提句的子序列与假设句的子序列之间的距离的特征，表征文本是否完全匹配的特征，前提句与假设句的词频-逆文本频率指数特征，前提句与假设句中包括的量词的特征，表征前提句与假设句之间的重复度的特征；

根据预先设置的权重阈值筛选所述至少一个备选特征得到目标特征。

6.根据权利要求1-5中任一项所述的方法，其中，所述确定所述前提句对应的前提句向量序列和所述假设句对应的假设句向量序列，包括：

对所述前提句和所述假设句进行预处理；

确定所述前提句词序列中各个词对应的词向量得到前提句词向量序列，并确定所述假设句词序列中各个词对应的词向量得到假设句词向量序列。

7.根据权利要求6所述的方法，其中，所述确定所述前提句词序列中各个词对应的词向量得到前提句向量序列，并确定所述假设句词序列中各个词对应的词向量得到假设句向量序列，包括：

针对所述前提句词序列或所述假设句词序列中的未登录词：获取该未登录词包括的字的字向量；将所获取的字向量输入至预先训练的词向量生成模型，生成该未登录词的词向量。

8.根据权利要求6所述的方法，其中，所述确定所述前提句对应的前提句向量序列和所述假设句对应的假设句向量序列，包括：

确定所述前提句字序列中各个字对应的字向量得到前提句字向量序列，并确定所述假设句词序列中各个字对应的字向量得到假设句字向量序列；以及

所述基于所述句匹配信息、所述词匹配信息以及预先训练的分类模型生成所述前提句与所述假设句的文本蕴含关系，包括：

基于根据所述词向量序列得到的句匹配信息、词匹配信息以及预先训练的分类模型确定第一分类概率；

基于根据所述字向量序列得到的句匹配信息、词匹配信息以及预先训练的分类模型确定第二分类概率；

基于所述第一分类概率与所述第二分类概率生成所述前提句与所述假设句的文本蕴含关系。

9.一种用于识别文本蕴含关系的装置，包括：

获取单元，被配置成获取前提句和假设句；

确定单元，被配置成确定所述前提句对应的前提句向量序列和所述假设句对应的假设句向量序列；

输入单元，被配置成将所述前提句向量序列与所述假设句向量序列输入至预先训练的句匹配模型，得到句匹配信息，并将所述前提句向量序列与所述假设句向量序列输入预先训练的词匹配模型，得到词匹配信息；

生成单元，被配置成基于所述句匹配信息、所述词匹配信息以及预先训练的分类模型生成所述前提句与所述假设句的文本蕴含关系。

10.根据权利要求9所述的装置，其中，所述句匹配模型，包括：

双重注意力机制加权后的长短期记忆网络模型。

11.根据权利要求9所述的装置，其中，所述词匹配模型，包括：

自注意力机制加权后的长短期记忆网络模型。

12.根据权利要求9所述的装置，其中，所述生成单元，包括：

提取子单元，被配置成提取所述前提句与所述假设句的目标特征；

第一生成子单元，被配置成基于所述目标特征、所述句匹配信息、所述词匹配信息以及预先训练的分类模型生成所述前提句与所述假设句的文本蕴含关系。

13.根据权利要求12所述的装置，其中，所述装置还包括目标特征确定单元，所述目标特征确定单元，包括：

获取子单元，被配置成获取训练样本集合，其中，训练样本包括样本前提句、样本假设句和表征样本前提句与样本假设句的文本蕴含关系的标注结果；

训练子单元，被配置成将所述训练样本集合中的样本前提句、样本假设句以及提取出的样本前提句与样本假设句的各个备选特征作为输入，将表征输入的样本前提句与样本假设句的文本蕴含关系的标注结果作为输出，训练得到至少一个备选特征的权重，所述至少一个备选特征包括以下至少一项：表征前提句与假设句的子序列的长度的特征，表征前提句的子序列与假设句的子序列之间的长度差的特征，表征前提句的子序列与假设句的子序列之间的距离的特征，表征文本是否完全匹配的特征，前提句与假设句的词频-逆文本频率指数特征，前提句与假设句中包括的量词的特征，表征前提句与假设句之间的重复度的特征；

筛选子单元，被配置成根据预先设置的权重阈值筛选所述至少一个备选特征得到目标特征。

14.根据权利要求9-13中任一项所述的装置，其中，所述确定单元，包括：

预处理子单元，被配置成对所述前提句和所述假设句进行预处理；

第一确定子单元，被配置成确定所述前提句词序列中各个词对应的词向量得到前提句词向量序列，并确定所述假设句词序列中各个词对应的词向量得到假设句词向量序列。

15.根据权利要求14所述的装置，其中，所述第一确定子单元，进一步被配置成：

针对所述前提句词序列或所述假设句词序列中的未登录词：获取该未登录词包括的字的字向量；将所获取的字向量输入至预先训练的词向量生成模型，生成该未登录词的词向量。

16.根据权利要求14所述的装置，其中，所述确定单元，包括：

第二确定子单元，被配置成确定所述前提句字序列中各个字对应的字向量得到前提句字向量序列，并确定所述假设句词序列中各个字对应的字向量得到假设句字向量序列；以及

所述生成单元，包括：

第三确定子单元，被配置成基于根据所述词向量序列得到的句匹配信息、词匹配信息以及预先训练的分类模型确定第一分类概率；

第四确定子单元，被配置成基于根据所述字向量序列得到的句匹配信息、词匹配信息以及预先训练的分类模型确定第二分类概率；

第二生成子单元，被配置成基于所述第一分类概率与所述第二分类概率生成所述前提句与所述假设句的文本蕴含关系。

17.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。

18.一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-8中任一所述的方法。

Images