CN111950256A - 断句处理方法、装置、电子设备和计算机存储介质 - Google Patents
断句处理方法、装置、电子设备和计算机存储介质 Download PDFInfo
- Publication number
- CN111950256A CN111950256A CN202010578568.7A CN202010578568A CN111950256A CN 111950256 A CN111950256 A CN 111950256A CN 202010578568 A CN202010578568 A CN 202010578568A CN 111950256 A CN111950256 A CN 111950256A
- Authority
- CN
- China
- Prior art keywords
- word
- sequence
- sentence
- vector
- words
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 190
- 238000002372 labelling Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 230000015654 memory Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000003058 natural language processing Methods 0.000 abstract 1
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical 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
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了断句处理方法、装置、电子设备和计算机存储介质，涉及自然语言处理和深度学习技术领域。具体实现方案为：获取待识别句子，对待识别句子进行分词处理，得到包含多个词语的词序列，根据词序列中各词语的词向量，生成词向量序列，将词向量序列输入序列标注模型，以得到词向量序列中每一个词向量对应的词语在句子中的位置，根据各词语在句子中的位置，对待识别句子进行断句。本实施例中通过将句子转化为对应的词向量序列，利用序列标注模型，标注词向量序列中对应的每一个词语在文本中的位置，基于该位置进行断句，提高了断句的效率和准确性。
Description
技术领域
本申请涉及计算机技术领域，主要涉及自然语言处理和深度学习技术领域，具体涉及断句处理方法、装置、电子设备和计算机存储介质。
背景技术
在文本进行处理的过程中，存在编辑人员由于粗心大意或者输入错误造成的标点符号缺失问题，这类标点符号缺失问题，会造成文本阅读和理解的障碍。
因此，如何对文本进行准确的断句是本领域技术人员亟待解决的技术问题。
发明内容
本申请提供了一种用于断句处理方法、装置、电子设备和计算机存储介质。
本申请第一方面，提供了一种断句处理方法，通过将句子转化为对应的词向量序列，利用序列标注模型，标注词向量序列中对应的每一个词语在句子中的位置，基于该位置进行断句，提高了断句的效率和准确性。
本申请的第二方面提出一种断句处理装置。
本申请的第三方面提出一种电子设备。
本申请的第四方面提出一种存储有计算机指令的非瞬时计算机可读存储介质。
根据第一方面，提供了一种断句处理方法，该方法包括：
获取待识别句子；
对所述待识别句子进行分词处理，得到包含多个词语的词序列；
根据所述词序列中各词语的词向量，生成词向量序列；
将所述词向量序列输入序列标注模型，以得到所述词向量序列中每一个词向量的标注，其中，所述标注用于指示对应词语在句子中的位置；
根据各词语在句子中的位置，对所述待识别句子进行断句。
根据第二方面，提供了一种断句处理装置，该装置包括：
获取模块，用于获取待识别句子；
处理模块，用于对所述待识别句子进行分词处理，得到包含多个词语的词序列；
生成模块，用于根据所述词序列中各词语的词向量，生成词向量序列；
标注模块，用于将所述词向量序列输入序列标注模型，以得到所述词向量序列中每一个词向量的标注，其中，所述标注用于指示对应词语在句子中的位置；
断句模块，用于根据各词语在句子中的位置，对所述待识别句子进行断句。
根据第三方面，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第一方面所述的断句处理方法。
根据第四方面，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，其特征在于，所述计算机指令用于使所述计算机执行第一方面所述的断句处理方法。
本申请实施例所提供的技术方案，可以包含以下的技术效果：
获取待识别句子，对待识别句子进行分词处理，得到包含多个词语的词序列，根据词序列中各词语的词向量，生成词向量序列，将词向量序列输入序列标注模型，以得到词向量序列中每一个词向量对应的词语在句子中的位置，根据各词语在句子中的位置，对待识别句子进行断句。本实施例中通过将句子转化为对应的词向量序列，利用序列标注模型，标注词向量序列中对应的每一个词语在句子中的位置，基于该位置进行断句，提高了断句的效率和准确性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
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为本申请实施例所提供的一种断句处理方法的流程示意图；
图2为本申请实施例所提供的另一种断句处理方法的流程示意图；
图3为本申请实施例所提供的又一种断句处理方法的流程示意图；
图4为本申请实施例的序列标注的结构示意图；
图5为本申请实施例所提供的再一种断句处理方法的流程示意图；
图6为本申请实施例提供的一种断句处理装置的结构示意图；
图7是本申请实施例的断句处理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。
下面参考附图描述本申请实施例的断句处理方法、装置、电子设备和计算机存储介质。
图1为本申请实施例所提供的一种断句处理方法的流程示意图。
如图1所示，该方法包括以下步骤：
步骤101，获取待识别句子。
其中，待识别的句子为未采用断句标识断句的句子，断句标识，是指对句子进行分割的符号，可以是标点符号，也可以是特殊的标识，例如“/”。也就是说待识别的句子中是缺少了断句标识的句子，而这种句子，在阅读和理解上都会带来障碍。
例如，待识别的句子为：百度是一家人工智能公司总部在北京。对于不了解百度公司的人，有可能会在阅读时断句错误，而导致理解错误，错误理解为“百度是一家人工智能公司的总部，在北京”。
需要说明的是，本实施例中的待识别的句子，可以为语义上独立的一个句子，也可以为具有关联关系的多个句子拼接得到的句子。
步骤102，对待识别句子进行分词处理，得到包含多个词语的词序列。
其中，词语中包含的字符数量可以为一个或多个，本实施例中不作限定。
本实施例中，采用现有的分词工具对待识别的句子进行分词处理后，得到该句子中包含的多个词语，按照多个词语在句子中的出现顺序和位置，得到包含多个词语的词序列。
例如，待识别的句子为“百度是一家人工智能公司总部在北京”，分词处理后得到的词语的词序列为{百度、是、一家、人工智能、公司、总部、在、北京}。
步骤103，根据词序列中各词语的词向量，生成词向量序列。
由于模型无法处理字符串的信息，因此，需要将词序列中的字符串信息转化为词向量，作为一种可能的实现方式，可以采用词向量模型Word Embedding，例如，通过word2vec模型，将词序列中的每一个词语转化为预设维度的词向量，进而根据每一个词的词向量生成词向量序列，也就是说词向量序列中包含的是每一个词语的词向量。
作为另一种可能的实现方式，也可以采用训练得到的深度神经网络模型，生成词向量序列，例如，ERAIN模型(Enhanced Representation from kNowledge IntEgration)，而根据深度神经网络模型生成的词向量序列中可以包含词的语义信息和上下文信息，可提高后续进行断句的准确性。
步骤104，将词向量序列输入序列标注模型，以得到词向量序列中每一个词向量的标注，其中，标注用于指示对应词语在句子中的位置。
其中，序列标注模型，是通过深度学习的算法训练得到的，深度学习的算法相较于现有技术中的机器学习的算法，不需要人工标注，模型训练的效果和准确性更好。
本实施例中，序列标注模型已经学习到了词向量序列中每一个词向量和对应的词语在原句子中的位置的对应关系，将词向量序列输入序列标注模型，以得到词向量序列中每一个词向量的标注。
例如，输入的词序列{百度、是、一家、人工智能、公司、总部、在、北京}，对应的词向量序列为{C1、C2、C3、C4、C5、C6、C7、C8}，利用序列标注模型进行标注后，得到各词语在句子中的位置。
本实施例中，标注用于指示对应词语在句子中的位置，下面采用两个实施例进行说明：
作为一种可能的实现方式，词语在句子中的位置可以包含词语为句子的首位置或非首位置，也就是说标注后得到的序列中指示了对应的词语在句子中是首位置还是非首位置，例如，采用符号标识B-sen标注属于句子首句子的词语，采用符号标识I-sen标注属于句子非首句子的词语，从而标注后的序列为{B-sen、I-sen、I-sen、I-sen、I-sen、B-sen、I-sen、I-sen}。本实施例中，通过标注后得到的序列中指示了对应的词语在句子中是首位置还是非首位置，可以准确，快速定位需要断句的位置，提高了断句的准确性。
作为另一种可能的实现方式，词语在句子中的位置可以包含对应词语属于一个句子，还是属于另一个句子，例如，采用符号标识B-sen标注属于一个句子，采用符号标识I-sen标注属于另一个句子，从而标注后的序列为{A-sen、A-sen、A-sen、A-sen、A-sen、B-sen、B-sen、B-sen}，实现了准确，快速定位需要断句的位置，提高了断句的准确性。
需要说明的是，本实施例中，是以待识别的句子中包含两个相互联系的子句子为例进行说明的，实际应用中，当待识别的句子中包含更多个子句子时，可以采用不同的符号标识，以标注相应的词语所属的句子。
步骤105，根据各词语在句子中的位置，对待识别句子进行断句。
进而，根据输出序列中各词语在句子中的位置，识别句子的断句位置。
例如：输出的标注后的序列为{B-sen、I-sen、I-sen、I-sen、I-sen、B-sen、I-sen、I-sen}，其中，标注符号指示了各个词语在句子中是首位置还是非首位置，由于一个句子只有一个首位置，从而根据相邻的两个首位置即可确定标注序列中需要进行断句的位置，如下“|”指示的位置：
{B-sen、I-sen、I-sen、I-sen、I-sen|B-sen、I-sen、I-sen}，
映射到各词语上，则为：百度是一家人工智能公司|总部在北京。
需要说明的是，当各词语在句子中的位置为指示对应的句子时，原理相同，此处不再赘述。
本实施例的断句识别方法中，获取待识别句子，对待识别句子进行分词处理，得到包含多个词语的词序列，根据词序列中各词语的词向量，生成词向量序列，将词向量序列输入序列标注模型，以得到词向量序列中每一个词向量对应的词语在句子中的位置，根据各词语在句子中的位置，对待识别句子进行断句。本实施例中通过将句子转化为对应的词向量序列，利用序列标注模型，标注词向量序列中对应的每一个词语在文本中的位置，基于该位置进行断句，提高了断句的效率和准确性。
上一实施例中，是将词向量序列出入序列标注模型进行标注，而序列中各个词语的上下文信息和词性，对于识别各个词语在句子中的位置较为重要，因此，为了提高断句的准确性，本实施例中的词向量序列中携带了各个词语的词性和上下文信息。基于上述实施例，图2为本申请实施例所提供的另一种断句处理方法的流程示意图。
如图2所示，上述步骤103，还可以包含以下步骤：
步骤201，根据词序列中各词语的上下文语义信息和词性，对各词语进行编码，以得到各词语的词向量。
步骤202，根据各词语的词向量，生成词向量序列。
实际应用中，在对句子进行断句处理时，句子中的词语的上下文信息对于理解该词在句子中的位置或者说是属于子句子具有相关性，同时，一个句子中通常包含不同词性的词语，例如，包含主语、宾语、谓语等，而词语的词性信息对于区分词语在句子中的位置也具有帮助，因此，本申请中获取词序列中各词语的上下文语义信息和词性，根据词序列中各词语的上下文语义信息和词性，对各词语进行编码，以得到各词语的词向量，根据各词语的词向量，生成词向量序列，由于生成的词向量序列中包含了语法级别信息和语义级别信息，可以提供断句处理的准确性，同时，也不需要人工进行标注，降低了人力成本，提高了效率。
基于上述实施例，本申请通过一下两个实施例具体说明如何得到包含上下文语义信息和词性信息的词向量。
在本申请的一个实施例中，图3为本申请实施例所提供的又一种断句处理方法的流程示意图，如图3所示，该方法包含以下步骤：
步骤301，对词序列中的各词语进行词法分析，识别得到各词语的词性特征向量。
其中，词语的词性特征，即词语的词性，例如，相应词语在句子中是形容词、名词，介词还是动词等。
本实施例中，参照图4的序列标注的结构示意图进行说明。
作为一种可能的实现方式，将词序列输入词法分析模型，以识别得到各词语的词性特征向量。
步骤302，采用语义表示模型，对词序列中的各词语进行编码，以得到各词语的上下文语义向量。
作为一种可能的实现方式，将词序列输入语义表示模型，例如，语义表示模型ERNIE，ERNIE模型通过对词语等语义单元的掩码，使得模型学习完整概念的语义表示，得到各词语的上下文语义向量更能包含句子上下语义信息。
步骤303，根据各词语的词性特征向量和各词语的上下文语义向量进行融合，得到各词语的词向量。
具体地，针对每一个词语，将相应词语的词性特征向量和上下文语义向量进行融合，作为一种可能的实现方式，可将相应词语的词性特征向量和上下文语义向量输入全连接层，得到全连接层确定的词语的词性特征向量和上下文语义向量所占的权重，根据权重，对相应词语的词性特征向量和上下文语义向量进行加权融合，得到各词语的词向量。
需要理解的是，通过权重加权融合得到各词语的词向量，该权重指示了各词语的词性特征向量和上下文语义向量，在后续进行词向量标注时的贡献大小，也就是说根据融合得到的词向量在进行词向量标注时，是以该词语的上下文语义为主，还是以词语的词性特征为主。例如，上下文语义向量的权重较大，则根据融合得到的词向量在进行词向量标注时，是以该词语的上下文语义为主。
可选地，在进行词性分析时，还可以获取每个词语是否是专属名词，以提高词向量中包含的信息。
本实施例的断句处理方法中，根据词序列，获取得到词序列中各个词语的词性特征，并利用语义表示模型，对词序列中的各词语进行编码，以得到各词语的上下文语义向量，根据各词语的词性特征向量和各词语的上下文语义向量进行融合，得到各词语的词向量，实现了序列中各词语的词向量中均包含上下文语义信息和词性特征信息，提高了各词语的词向量包含的信息，以及包含的语法级别信息和语义级别信息所占的比重，以提高后续进行断句标注的准确性。
在本申请的一个实施例中，图5为本申请实施例所提供的再一种断句处理方法的流程示意图，如图5所示，该方法包含以下步骤：
步骤501，将词序列中的各词语进行词法分析，以得到各词语的词性特征向量。
具体，可参照上一实施例中的步骤301，原理相同，此处不再赘述。
步骤502，将词序列中的各词语进行向量化表示，以得到各词语的字符向量。
其中，各词语的字符向量不包含词语的上下文信息。
步骤503，将各词语的字符向量和各词语的词性特征向量拼接，以得到各词语的拼接向量。
步骤504，将各词语的拼接向量输入语义表示模型，以得到各词语的词向量。
其中，各词语的词向量包含上下文信息和词性特征信息。
本实施例中，语义表示模型可以为ERNIE(Enhanced Representation fromkNowledge IntEgration)模型，也可以为语义表示模型(Bidirectional EncoderRepresentation from Transformers，BERT)。其中，ERNIE模型通过对词语等语义单元的掩码，使得模型学习完整概念的语义表示，得到各词语的上下文语义向量更能包含句子上下语义信息。
本实施例的断句处理方法中，将词序列中的各词语进行词法分析得到词性特征向量，对词序列中的各词语进行向量化表示，以得到各词语的字符向量，并将字符向量和词性特征向量进行拼接后，利用训练好的语义表示模型，得到包含语法级别信息和语义级别信息的词向量，增强了各词语的词向量携带的信息，进而提高后续进行断句标注的准确性。
上述实施例中，是以序列标注模型，对词向量的序列进行标注，并根据标注指示的对应词语在句子中的位置，对待识别句子进行断句，因此，本实施例提供了一种序列标注模型的训练方法，具体如下：
针对训练样本集中的每个样本，该样本为词序列，对该词序列标注期望的序列标注结果，将该样本输入序列标注模型，根据序列标注模型输出的序列标注结果和对应的期望的序列标注结果之间的差异，调整序列标注模型的参数，以使得模型输出的序列标注结果和期望的序列标注结果之间的差异最小化。本实施例中的序列标注模型，具体可以通过深度学习的方式对文本分类模型进行训练，相对于其他机器学习方法，深度学习在大数据集上的表现更好，可提高序列标注模型的训练效果。
为了实现上述实施例，本申请还提供了一种断句处理装置。
图6为本申请实施例提供的一种断句处理装置的结构示意图。
如图6所示，该装置包含：获取模块51、处理模块52、生成模块53、标注模块54和断句模块55。
获取模块51，用于获取待识别句子。
处理模块52，用于对待识别句子进行分词处理，得到包含多个词语的词序列。
生成模块53，用于根据词序列中各词语的词向量，生成词向量序列。
标注模块54，用于将词向量序列输入序列标注模型，以得到词向量序列中每一个词向量的标注，其中，标注用于指示对应词语在句子中的位置。
断句模块55，用于根据各词语在句子中的位置，对所述待识别句子进行断句。
可选地，在本发明实施例的一种可能的实现方式中，上述生成模块53，包括：
编码单元，用于根据所述词序列中各词语的上下文语义信息和词性，对各词语进行编码，以得到各词语的词向量；
生成单元，用于根据所述各词语的词向量，生成所述词向量序列。
在本发明实施例的一种可能的实现方式中，上述编码单元，具体用于：
对所述词序列中的各词语进行词法分析，识别得到所述各词语的词性特征向量；采用语义表示模型，对所述词序列中的各词语进行编码，以得到所述各词语的上下文语义向量；根据所述各词语的词性特征向量和所述各词语的上下文语义向量进行融合，得到各词语的词向量。
在本发明实施例的另一种可能的实现方式中，上述编码单元，具体还用于：
将所述词序列中的各词语进行词法分析，以得到所述各词语的词性特征向量；将所述词序列中的各词语进行向量化表示，以得到各词语的字符向量；将所述各词语的字符向量和所述各词语的词性特征向量拼接，以得到所述各词语的拼接向量；将所述各词语的拼接向量输入语义表示模型，以得到所述各词语的词向量。
在本发明实施例的一种可能的实现方式中，所述各词语在句子中的位置，包含句子的首位置和非首位置。
在本发明实施例的一种可能的实现方式中，所述序列标注模型是经过训练得到的，所述装置，还包括：
训练模块，用于获取训练样本集，对所述训练样本集中的每个样本标注期望的序列标注结果，将所述样本输入序列标注模型，根据所述序列标注模型输出的序列标注结果和对应的期望的序列标注结果之间的差异，调整所述序列标注模型的参数。
需要说明的是，前述对断句处理方法实施例的解释说明也适用于本实施例的断句处理装置，原理相同，此处不再赘述。
本实施例的断句识别装置中，获取待识别句子，对待识别句子进行分词处理，得到包含多个词语的词序列，根据词序列中各词语的词向量，生成词向量序列，将词向量序列输入序列标注模型，以得到词向量序列中每一个词向量对应的词语在句子中的位置，根据各词语在句子中的位置，对待识别句子进行断句。本实施例中通过将句子转化为对应的词向量序列，利用序列标注模型，标注词向量序列中对应的每一个词语在文本中的位置，基于该位置进行断句，提高了断句的效率和准确性。
为了实现上述实施例，本申请实施例提出了一种电子设备，包：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如前述方法实施例所述的断句处理方法。
为了实现上述实施例，本申请实施例提出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如前述方法实施例所述的断句处理方法。
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7所示，是根据本申请实施例的断句处理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7所示，该电子设备包括：一个或多个处理器701、存储器702，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7中以一个处理器701为例。
存储器702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断句处理方法。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断句处理方法。
存储器702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断句处理的方法对应的程序指令/模块(例如，附图6所示的获取模块51、处理模块52、生成模块53、标注模块54和断句模块55)。处理器701通过运行存储在存储器702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断句处理方法。
存储器702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断句处理方法的电子设备的使用所创建的数据等。此外，存储器702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702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至断句处理方法的电子设备。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。
断句处理方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与断句处理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704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，获取待识别句子，对待识别句子进行分词处理，得到包含多个词语的词序列，根据词序列中各词语的词向量，生成词向量序列，将词向量序列输入序列标注模型，以得到词向量序列中每一个词向量对应的词语在句子中的位置，根据各词语在句子中的位置，对待识别句子进行断句。本实施例中通过将句子转化为对应的词向量序列，利用序列标注模型，标注词向量序列中对应的每一个词语在文本中的位置，基于该位置进行断句，提高了断句的效率和准确性。
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 (14)
1.一种断句处理方法，所述方法包括：
获取待识别句子；
对所述待识别句子进行分词处理，得到包含多个词语的词序列；
根据所述词序列中各词语的词向量，生成词向量序列；
将所述词向量序列输入序列标注模型，以得到所述词向量序列中每一个词向量的标注，其中，所述标注用于指示对应词语在句子中的位置；
根据各词语在句子中的位置，对所述待识别句子进行断句。
2.根据权利要求1所述的断句处理方法，其中，所述根据所述词序列中各词语的词向量，生成词向量序列，包括：
根据所述词序列中各词语的上下文语义信息和词性，对各词语进行编码，以得到各词语的词向量；
根据所述各词语的词向量，生成所述词向量序列。
3.根据权利要求2所述的断句处理方法，所述根据所述词序列中各词语的上下文语义信息和词性，对各词语进行编码，以得到各词语的词向量，包括：
对所述词序列中的各词语进行词法分析，识别得到所述各词语的词性特征向量；
采用语义表示模型，对所述词序列中的各词语进行编码，以得到所述各词语的上下文语义向量；
根据所述各词语的词性特征向量和所述各词语的上下文语义向量进行融合，得到各词语的词向量。
4.根据权利要求2所述的断句处理方法，所述根据所述词序列中各词语的上下文语义信息和词性，对各词语进行编码，以得到各词语的词向量，包括：
将所述词序列中的各词语进行词法分析，以得到所述各词语的词性特征向量；
将所述词序列中的各词语进行向量化表示，以得到各词语的字符向量；
将所述各词语的字符向量和所述各词语的词性特征向量拼接，以得到所述各词语的拼接向量；
将所述各词语的拼接向量输入语义表示模型，以得到所述各词语的词向量。
5.根据权利要求1-4任一项所述的断句处理方法，其中，所述各词语在句子中的位置，包含句子的首位置和非首位置。
6.根据权利要求1-4任一项所述的断句处理方法，所述序列标注模型是经过训练得到的，所述方法，还包括：
获取训练样本集；
对所述训练样本集中的每个样本标注期望的序列标注结果；
将所述样本输入序列标注模型，根据所述序列标注模型输出的序列标注结果和对应的期望的序列标注结果之间的差异，调整所述序列标注模型的参数。
7.一种断句处理装置，所述装置包括：
获取模块，用于获取待识别句子；
处理模块，用于对所述待识别句子进行分词处理，得到包含多个词语的词序列；
生成模块，用于根据所述词序列中各词语的词向量，生成词向量序列；
标注模块，用于将所述词向量序列输入序列标注模型，以得到所述词向量序列中每一个词向量的标注，其中，所述标注用于指示对应词语在句子中的位置；
断句模块，用于根据各词语在句子中的位置，对所述待识别句子进行断句。
8.根据权利要求7所述的断句处理装置，其中，所述生成模块，包括：
编码单元，用于根据所述词序列中各词语的上下文语义信息和词性，对各词语进行编码，以得到各词语的词向量；
生成单元，用于根据所述各词语的词向量，生成所述词向量序列。
9.根据权利要求8所述的断句处理装置，所述编码单元，具体用于：
对所述词序列中的各词语进行词法分析，识别得到所述各词语的词性特征向量；
采用语义表示模型，对所述词序列中的各词语进行编码，以得到所述各词语的上下文语义向量；
根据所述各词语的词性特征向量和所述各词语的上下文语义向量进行融合，得到各词语的词向量。
10.根据权利要求8所述的断句处理装置，所述编码单元，具体用于：
将所述词序列中的各词语进行词法分析，以得到所述各词语的词性特征向量；
将所述词序列中的各词语进行向量化表示，以得到各词语的字符向量；
将所述各词语的字符向量和所述各词语的词性特征向量拼接，以得到所述各词语的拼接向量；
将所述各词语的拼接向量输入语义表示模型，以得到所述各词语的词向量。
11.根据权利要求7-10任一项所述的断句处理装置，其中，所述各词语在句子中的位置，包含句子的首位置和非首位置。
12.根据权利要求7-10任一项所述的断句处理装置，所述序列标注模型是经过训练得到的，所述装置，还包括：
训练模块，用于获取训练样本集，对所述训练样本集中的每个样本标注期望的序列标注结果，将所述样本输入序列标注模型，根据所述序列标注模型输出的序列标注结果和对应的期望的序列标注结果之间的差异，调整所述序列标注模型的参数。
13.一种电子设备，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权利要求1-6中任一项所述的断句处理方法。
14.一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权利要求1-6中任一项所述的断句处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010578568.7A CN111950256A (zh) | 2020-06-23 | 2020-06-23 | 断句处理方法、装置、电子设备和计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010578568.7A CN111950256A (zh) | 2020-06-23 | 2020-06-23 | 断句处理方法、装置、电子设备和计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111950256A true CN111950256A (zh) | 2020-11-17 |
Family
ID=73337200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010578568.7A Pending CN111950256A (zh) | 2020-06-23 | 2020-06-23 | 断句处理方法、装置、电子设备和计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950256A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112632973A (zh) * | 2020-12-31 | 2021-04-09 | 中国农业银行股份有限公司 | 一种文本处理的方法、装置、设备及存储介质 |
| CN112735413A (zh) * | 2020-12-25 | 2021-04-30 | 浙江大华技术股份有限公司 | 一种基于摄像装置的指令分析方法、电子设备和存储介质 |
| CN112784574A (zh) * | 2021-02-02 | 2021-05-11 | 网易（杭州）网络有限公司 | 一种文本分割方法、装置、电子设备及介质 |
| CN113362809A (zh) * | 2021-07-02 | 2021-09-07 | 上海淇玥信息技术有限公司 | 语音识别方法、装置和电子设备 |
| CN114386419A (zh) * | 2022-01-11 | 2022-04-22 | 平安科技（深圳）有限公司 | 实体识别模型训练方法、装置、设备以及存储介质 |
| CN114420102A (zh) * | 2022-01-04 | 2022-04-29 | 广州小鹏汽车科技有限公司 | 语音断句方法、装置、电子设备及存储介质 |
| CN114519357A (zh) * | 2022-01-17 | 2022-05-20 | 天津大学 | 基于机器学习的自然语言处理方法和系统 |
| CN112735413B (zh) * | 2020-12-25 | 2024-05-31 | 浙江大华技术股份有限公司 | 一种基于摄像装置的指令分析方法、电子设备和存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027291A (zh) * | 2019-11-27 | 2020-04-17 | 达而观信息科技（上海）有限公司 | 文本中标点符号添加、模型训练方法、装置及电子设备 |
-
2020
- 2020-06-23 CN CN202010578568.7A patent/CN111950256A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027291A (zh) * | 2019-11-27 | 2020-04-17 | 达而观信息科技（上海）有限公司 | 文本中标点符号添加、模型训练方法、装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 李自荐迟呈英战学刚: "基于Bi-LSTM 与CＲF 的泰语句子切分模型", 中国知网网络首发 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112735413A (zh) * | 2020-12-25 | 2021-04-30 | 浙江大华技术股份有限公司 | 一种基于摄像装置的指令分析方法、电子设备和存储介质 |
| CN112735413B (zh) * | 2020-12-25 | 2024-05-31 | 浙江大华技术股份有限公司 | 一种基于摄像装置的指令分析方法、电子设备和存储介质 |
| CN112632973A (zh) * | 2020-12-31 | 2021-04-09 | 中国农业银行股份有限公司 | 一种文本处理的方法、装置、设备及存储介质 |
| CN112784574A (zh) * | 2021-02-02 | 2021-05-11 | 网易（杭州）网络有限公司 | 一种文本分割方法、装置、电子设备及介质 |
| CN112784574B (zh) * | 2021-02-02 | 2023-09-15 | 网易（杭州）网络有限公司 | 一种文本分割方法、装置、电子设备及介质 |
| CN113362809A (zh) * | 2021-07-02 | 2021-09-07 | 上海淇玥信息技术有限公司 | 语音识别方法、装置和电子设备 |
| CN114420102A (zh) * | 2022-01-04 | 2022-04-29 | 广州小鹏汽车科技有限公司 | 语音断句方法、装置、电子设备及存储介质 |
| CN114420102B (zh) * | 2022-01-04 | 2022-10-14 | 广州小鹏汽车科技有限公司 | 语音断句方法、装置、电子设备及存储介质 |
| CN114386419A (zh) * | 2022-01-11 | 2022-04-22 | 平安科技（深圳）有限公司 | 实体识别模型训练方法、装置、设备以及存储介质 |
| CN114386419B (zh) * | 2022-01-11 | 2023-07-25 | 平安科技（深圳）有限公司 | 实体识别模型训练方法、装置、设备以及存储介质 |
| CN114519357A (zh) * | 2022-01-17 | 2022-05-20 | 天津大学 | 基于机器学习的自然语言处理方法和系统 |
| CN114519357B (zh) * | 2022-01-17 | 2023-12-08 | 天津大学 | 基于机器学习的自然语言处理方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111950256A (zh) | 断句处理方法、装置、电子设备和计算机存储介质 | |
| CN111967268A (zh) | 文本中的事件抽取方法、装置、电子设备和存储介质 | |
| CN112560912A (zh) | 分类模型的训练方法、装置、电子设备和存储介质 | |
| CN111274764B (zh) | 语言生成方法、装置、计算机设备及存储介质 | |
| US20210390260A1 (en) | Method, apparatus, device and storage medium for matching semantics | |
| CN110717327A (zh) | 标题生成方法、装置、电子设备和存储介质 | |
| CN111523326A (zh) | 实体链指方法、装置、设备以及存储介质 | |
| CN112036162B (zh) | 文本纠错的适配方法、装置、电子设备及存储介质 | |
| CN113220836B (zh) | 序列标注模型的训练方法、装置、电子设备和存储介质 | |
| CN111859951A (zh) | 语言模型的训练方法、装置、电子设备及可读存储介质 | |
| US11615242B2 (en) | Method and apparatus for structuring data, related computer device and medium | |
| WO2020215456A1 (zh) | 一种基于教师监督的文本标注方法和设备 | |
| CN112633017B (zh) | 翻译模型训练、翻译处理方法、装置、设备和存储介质 | |
| CN112434492B (zh) | 文本标注方法、装置及电子设备 | |
| CN111950291A (zh) | 语义表示模型的生成方法、装置、电子设备及存储介质 | |
| KR20210157342A (ko) | 언어 모델의 훈련 방법, 장치, 전자 기기 및 판독 가능 기록 매체 | |
| US20220358292A1 (en) | Method and apparatus for recognizing entity, electronic device and storage medium | |
| CN111783443A (zh) | 文本扰动检测方法、扰动还原方法、扰动处理方法和装置 | |
| CN111339759A (zh) | 领域要素识别模型训练方法、装置及电子设备 | |
| CN111950292A (zh) | 文本纠错模型的训练方法、文本纠错处理方法和装置 | |
| CN111078878A (zh) | 文本处理方法、装置、设备及计算机可读存储介质 | |
| CN112507697A (zh) | 事件名的生成方法、装置、设备及介质 | |
| CN111753532A (zh) | 西文文本的纠错方法和装置、电子设备及存储介质 | |
| CN112397050B (zh) | 韵律预测方法、训练方法、装置、电子设备和介质 | |
| CN112528605B (zh) | 文本风格处理方法、装置、电子设备和存储介质 |
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 |