CN112347793B - 一种基于规则与学习的语义解析方法、装置和电子设备 - Google Patents

一种基于规则与学习的语义解析方法、装置和电子设备 Download PDF

Info

Publication number
CN112347793B
CN112347793B CN202011595286.4A CN202011595286A CN112347793B CN 112347793 B CN112347793 B CN 112347793B CN 202011595286 A CN202011595286 A CN 202011595286A CN 112347793 B CN112347793 B CN 112347793B
Authority
CN
China
Prior art keywords
rule
natural language
structured
text
sentences
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
Application number
CN202011595286.4A
Other languages
English (en)
Other versions
CN112347793A (zh
Inventor
钱泓锦
李晓桐
刘占亮
杨玉树
窦志成
曹岗
文继荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhiyuan Artificial Intelligence Research Institute
Original Assignee
Beijing Zhiyuan Artificial Intelligence Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zhiyuan Artificial Intelligence Research Institute filed Critical Beijing Zhiyuan Artificial Intelligence Research Institute
Priority to CN202011595286.4A priority Critical patent/CN112347793B/zh
Publication of CN112347793A publication Critical patent/CN112347793A/zh
Application granted granted Critical
Publication of CN112347793B publication Critical patent/CN112347793B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/194—Calculation of difference between files
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/55—Rule-based translation
    • G06F40/56—Natural language generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开了一种基于规则与学习的语义解析方法、装置和电子设备。该方法包括：基于规则集中的原有规则识别自然语言语句，生成结构化语句；判断所述结构化语句是否能完整的表达所述自然语言语句的语义，如果不能，则获取所述自然语言语句和所述结构化语句的差异文本，并将所述差异文本输入预先训练的学习模型，生成新的规则；利用所述新的规则更新所述规则集。采用本发明提供的方法利用机器学习得到了新的规则，扩展了自然语言的解析范围，使得不断更新的规则集不仅可以识别规则范围内的文本，还能灵活的随着语言发展而改变；而且该方法的可扩展性强，泛化能力强，解决了基于规则解析局限性的问题。

Description

一种基于规则与学习的语义解析方法、装置和电子设备
技术领域
本发明涉及自然语言理解技术领域，尤其涉及一种基于规则与学习的语义解析方法、装置和电子设备。
背景技术
自然语言理解（NLU，Natural Language Understanding）是自然语言处理(NLP，Natrual Language Processing)的子领域，其目标是将人类语言解析成机器可理解并且结构化的完整语义。随着人工智能技术的发展，算法的丰富，算力的提升，自然语言理解也在新的时代迎来了新的发展。
目前，NLU工具主要包括百度的DDParser，腾讯的TexSmart，Rasa NLU，Facebook的Duckling，以及Google Syntaxnet。其中，前两者使用机器学习方法，后三者使用基于规则的识别方法。但是，这些NLU工具都有一定的局限性，完全使用深度学习的NLU工具（例如DDParser与TexSmart）的解析效果受模型训练影响，模型效果不稳定，例如Textsmart无法将时间段解析成结构化数据，无法识别出节日所代表的具体时间等。而基于规则的NLU工具（例如Duckling）仅仅可以识别规则范围内的文本，不能灵活的随着语言发展而改变，后期维护困难，泛化能力弱。
发明内容
为了解决现有技术中存在的问题，本发明提供了如下技术方案。
本发明一方面提供了一种基于规则与学习的语义解析方法，包括：
基于规则集中的原有规则识别自然语言语句，生成结构化语句；
判断所述结构化语句是否能完整的表达所述自然语言语句的语义；如果不能，则获取所述自然语言语句和所述结构化语句的差异文本；
将所述差异文本输入预先训练的学习模型，生成新的规则；
利用所述新的规则更新所述规则集。
优选地，所述判断所述结构化语句是否能完整的表达所述自然语言语句的语义，包括：
计算所述结构化语句对所述自然语言语句的拟合度；
判断计算得到的拟合度是否达到拟合度阈值，如果未达到拟合度阈值，则所述结构化语句未能完整的表达所述自然语言语句的语义。
优选地，按照下式计算所述拟合度：
Figure 42589DEST_PATH_IMAGE001
其中
Figure 385977DEST_PATH_IMAGE002
为文本编辑距离函数，
Figure 873590DEST_PATH_IMAGE003
为所述自然语言语句，
Figure 241378DEST_PATH_IMAGE004
为所述结构化语句，
Figure 472639DEST_PATH_IMAGE005
为由
Figure 591905DEST_PATH_IMAGE004
生成的自然语言文本。
优选地，所述获取所述自然语言语句和所述结构化语句的差异文本包括：
根据
Figure 719261DEST_PATH_IMAGE003
和
Figure 556767DEST_PATH_IMAGE005
的差异生成所述差异文本。
优选地，将所述差异文本输入预先训练的学习模型，生成新的规则包括：
判断差异文本的数量是否达到预设阈值，若是，则将所述差异文本输入预先训练的学习模型。
优选地，所述利用所述新的规则更新所述规则集包括：
对所述新的规则进行除冗操作，得到除冗后的新规则；
将所述除冗后的新规则加入所述规则集并与所述规则集中的原有规则进行除冗操作，得到更新后的规则集。
优选地，所述除冗操作包括：
计算待除冗操作的两个规则的文本编辑距离，当所述文本编辑距离低于距离阈值时，将待除冗操作的两个规则合并为一个规则。
本发明另一方面提供了一种基于规则与学习的语义解析装置，包括：
规则解析模块，用于基于规则集中的原有规则识别自然语言语句，生成结构化语句；
判断模块，用于判断所述结构化语句是否能完整的表达所述自然语言语句的语义；如果不能，则获取所述自然语言语句和所述结构化语句的差异文本；
新规则生成模块，用于将所述差异文本输入预先训练的学习模型，生成新的规则；
更新模块，用于利用所述新的规则更新所述规则集。
本发明第三方面提供了一种存储器，存储有多条指令，所述指令用于实现上述的方法。
本发明第四方面提供了一种电子设备，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行上述的方法。
本发明的有益效果是：本发明提供了一种基于规则与学习的语义解析方法、装置和电子设备，该方法中，首先基于规则集中的原有规则识别自然语言语句，生成结构化语句；如果所述结构化语句不能完整的表达所述自然语言语句的语义，则获取所述自然语言语句和所述结构化语句的差异文本，并将所述差异文本输入预先训练的学习模型，生成新的规则；最后利用所述新的规则更新所述规则集。采用本发明提供的方法可以实现规则的学习，扩展自然语言的解析范围，不仅可以识别规则范围内的文本，还能灵活的随着语言发展而改变，而且该方法的可扩展性强，泛化能力强，解决了基于规则解析局限性的问题，同时利用机器学习得到了新的规则。
附图说明
图1为本发明所述基于规则与学习的语义解析方法流程图；
图2为本发明所述基于规则与学习的语义解析装置结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施，该终端可以包括一个或多个如下部件：处理器、存储器和显示屏。其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储器内的指令、程序、代码集或指令集，以及调用存储在存储器内的数据，执行终端的各种功能和处理数据。
存储器可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory，ROM)。存储器可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
实施例一
如图1所示，本发明实施例提供了一种基于规则与学习的语义解析方法，包括：
S101，基于规则集中的原有规则识别自然语言语句，生成结构化语句；
S102，判断所述结构化语句是否能完整的表达所述自然语言语句的语义，如果不能，则获取所述自然语言语句和所述结构化语句的差异文本；
S103，将所述差异文本输入预先训练的学习模型，生成新的规则；
S104，利用所述新的规则更新所述规则集。
在步骤S101中，规则集中存储有大量预先写好的原有规则，原有规则的表达形式可以采用自定义的上下文无关文法规则。语法实例可如下所示：
<day_duration> = <cn_number><day_cn_before>
| <cn_number><day_cn_after>
| <day_cn_before><cn_number>
| <day_cn_after><cn_number>
| <last_day>
| <today>
| <next_day>
| <before_day>
| <after_day>;
在该语法实例的左部，<day_duration>是一个非终结符，右部是9个产生式，每个产生式都有与其对应的声明。部分产生式的具体声明可如下所示：
<last_day> = “昨天” | “昨日”;
<today> = “今天” | “今日”;
<next_day> = “明天” | “明日” | “翌日”;
<before_day> = “前天” | “大前天”;
<after_day> = “后天” | “大后天”;
利用规则集中存储的大量原有规则识别自然语言语句，将其解析成结构化语句。具体的可以采用现有技术实现。例如，对自然语言语句“2020年10月1日”进行识别，生成的结构化语句可如下所示：
{
“pos”: {
“start_byte”:0,
“end_byte”:4
},
“text”:“2020”,
“type”:“year”,
},
{
“pos”:{
“start_byte”:7,
“start_byte”:9,
},
“text”:“10”,
“type”:“month”,
},
{
“pos”:{
“start_byte”:12,
“end_byte”:13;
},
“text”:“1”,
“type”:“day”,
}。
步骤S102中，通过计算结构化语句对所述自然语言语句的拟合度来判断所述结构化语句是否能完整的表达所述自然语言语句的语义。如果计算得到的拟合度达到了设定的阈值，说明原有规则可以覆盖自然语言语句所包含的信息，语义解析成功，无需生成新的规则。如果计算得到的拟合度未达到设定的阈值，说明步骤S101中得到的所述结构化语句未能完整的表达所述自然语言语句的语义，基于原有规则的实体识别不能将自然语言语句中的信息完全提取出来，语义解析失败，需要补充新的规则。
具体的，本发明实施例中，按照下式计算所述拟合度：
Figure 529402DEST_PATH_IMAGE001
其中
Figure 768754DEST_PATH_IMAGE002
为文本编辑距离函数，
Figure 660486DEST_PATH_IMAGE003
为所述自然语言语句，
Figure 513517DEST_PATH_IMAGE004
为所述结构化语句，
Figure 821002DEST_PATH_IMAGE005
为由
Figure 649280DEST_PATH_IMAGE004
生成的自然语言文本。具体来说，结构化语句
Figure 118439DEST_PATH_IMAGE004
中包括key-value形式的语义信息对，可以将其还原成自然语言文本，基于由结构化语句还原的自然语言文本和原自然语言语句之间的差异可以计算得到拟合度。
其中，根据
Figure 664958DEST_PATH_IMAGE003
和
Figure 776134DEST_PATH_IMAGE005
的差异生成所述差异文本，即利用原有规则无法成功解析的部分文本。
可选地，在步骤S103中，判断差异文本的数量是否达到预定阈值，若是，则将所述差异文本输入预先训练的学习模型，生成新的规则，若否，则继续累积差异文本。作为一个示例，可以构建一个学习案例集，当判断某一个结构化语句对所述自然语言语句的拟合度低于阈值时，将该结构化语句、自然语言语句以及二者的差异文本作为一条案例存入学习案例集中。可选地，学习案例集的数据存储形式为四元组，包括4部分信息，分别表示为
Figure 990077DEST_PATH_IMAGE006
和
Figure 630137DEST_PATH_IMAGE007
。其中，
Figure 663952DEST_PATH_IMAGE003
为所述自然语言语句，
Figure 578819DEST_PATH_IMAGE004
为所述结构化语句，
Figure 709586DEST_PATH_IMAGE005
为由
Figure 45846DEST_PATH_IMAGE004
生成的自然语言文本，
Figure 770219DEST_PATH_IMAGE007
为
Figure 223197DEST_PATH_IMAGE003
与
Figure 474050DEST_PATH_IMAGE005
的差异文本。当所述学习案例集中的案例数量达到预设阈值时，将所述案例中的差异文本输入学习模型。由此，不在每次语义解析失败时都基于差异文本进行学习，而是累积一定数量后再集中进行学习并生成规则，减少了计算成本，提高了生成效率。
作为一个示例，所述学习模型包括Seq2Seq模型。通过人工标注训练语料，以拟合度为优化目标训练得到。训练好的Seq2Seq模型以差异文本
Figure 987071DEST_PATH_IMAGE007
为输入，输出其对应的规则
Figure 464320DEST_PATH_IMAGE008
。
本发明实施例中，使用深度学习模型产生新的规则，由于学习模型足够复杂，因此可以学习更为精细的规则，从而满足复杂的自然语句的语义解析需求；本方法具有较强的可扩展性，可以选择多种学习模型，可以使用新的学习模型提升系统的整体性能，还可以采用集成模型进行训练提升系统整体学习规则的性能。
步骤S104中，利用所述新的规则更新所述规则集，具体包括：
对所述新的规则进行除冗操作，得到除冗后的新规则；
将所述除冗后的新规则加入所述规则集并与所述规则集中的原有规则进行除冗操作，得到更新后的规则集。
所述除冗操作包括：
计算待除冗操作的两个规则的文本编辑距离，当所述文本编辑距离低于距离阈值时，将待除冗操作的两个规则合并为一个规则。
本发明实施例中，将生成的多个新规则在加入规则集之前进行除冗处理，然后对除冗后得到的新规则与原有规则进行除冗，有效控制了规则集的规模，提升了规则解析的效率。
进一步地，在将除冗后的新规则加入所述规则集之前进行人工校验。若校验正确，则将该新规则加入所述规则集并与原有规则除冗；若校验不正确，则不加入所述规则集，并将该新规则及对应的差异文本加入训练数据，对所述学习模型进行迭代训练。
实施例二
如图2所示，本发明的另一方面还包括和前述方法流程完全对应一致的功能模块架构，即本发明实施例还提供了一种基于规则与学习的语义解析装置，包括：
规则解析模块201，用于基于规则集中的原有规则识别自然语言语句，生成结构化语句；
判断模块202，用于判断所述结构化语句是否能完整的表达所述自然语言语句的语义；如果不能，则获取所述自然语言语句和所述结构化语句的差异文本；
新规则生成模块203，用于将所述差异文本输入预先训练的学习模型，生成新的规则；
更新模块204，用于利用所述新的规则更新所述规则集。
所述判断模块具体的用于：
计算所述结构化语句对所述自然语言语句的拟合度；
判断计算得到的拟合度是否达到拟合度阈值，如果未达到拟合度阈值，则所述结构化语句未能完整的表达所述自然语言语句的语义。
其中，按照下式计算所述拟合度：
Figure 455410DEST_PATH_IMAGE001
其中
Figure 560769DEST_PATH_IMAGE002
为文本编辑距离函数，
Figure 244691DEST_PATH_IMAGE003
为所述自然语言语句，
Figure 678078DEST_PATH_IMAGE004
为所述结构化语句，
Figure 738438DEST_PATH_IMAGE005
为由
Figure 901566DEST_PATH_IMAGE004
生成的自然语言文本。
所述判断模块用于获取所述自然语言语句和所述结构化语句的差异文本包括：
根据
Figure 694072DEST_PATH_IMAGE003
和
Figure 677072DEST_PATH_IMAGE005
的差异生成所述差异文本。
所述新规则生成模块具体的用于：判断差异文本的数量是否达到预设阈值，若是，则将所述差异文本输入预先训练的学习模型。
所述更新模块具体的用于：
对所述新的规则进行除冗操作，得到除冗后的新规则；
将所述除冗后的新规则加入所述规则集并与所述规则集中的原有规则进行除冗操作，得到更新后的规则集。
进一步地，所述除冗操作包括：
计算待除冗操作的两个规则的文本编辑距离，当所述文本编辑距离低于距离阈值时，将待除冗操作的两个规则合并为一个规则。
该装置可通过上述实施例一提供的基于规则与学习的语义解析方法实现，具体的实现方法可参见实施例一中的描述，在此不再赘述。
本发明还提供了一种存储器，存储有多条指令，所述指令用于实现如实施例一所述的方法。
本发明还提供了一种电子设备，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如实施例一所述的方法。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种基于规则与学习的语义解析方法，其特征在于，包括：
基于规则集中的原有规则识别自然语言语句，生成结构化语句；
判断所述结构化语句是否能完整的表达所述自然语言语句的语义；如果不能，则获取所述自然语言语句和所述结构化语句的差异文本；
将所述差异文本输入预先训练的学习模型，生成新的规则；
利用所述新的规则更新所述规则集；
所述判断所述结构化语句是否能完整的表达所述自然语言语句的语义，包括：
计算所述结构化语句对所述自然语言语句的拟合度；
判断计算得到的拟合度是否达到拟合度阈值，如果未达到拟合度阈值，则所述结构化语句未能完整的表达所述自然语言语句的语义；
按照下式计算所述拟合度：
Figure DEST_PATH_IMAGE001
其中
Figure DEST_PATH_IMAGE002
为文本编辑距离函数，
Figure DEST_PATH_IMAGE003
为所述自然语言语句，
Figure DEST_PATH_IMAGE004
为所述结构化语句，
Figure DEST_PATH_IMAGE005
为由
Figure 652233DEST_PATH_IMAGE004
生成的自然语言文本；
所述获取所述自然语言语句和所述结构化语句的差异文本包括：
根据
Figure 225166DEST_PATH_IMAGE003
和
Figure 536062DEST_PATH_IMAGE005
的差异生成所述差异文本。
2.如权利要求1所述的基于规则与学习的语义解析方法，其特征在于，将所述差异文本输入预先训练的学习模型，生成新的规则包括：
判断差异文本的数量是否达到预设阈值，若是，则将所述差异文本输入预先训练的学习模型。
3.如权利要求1所述的基于规则与学习的语义解析方法，其特征在于，所述利用所述新的规则更新所述规则集包括：
对所述新的规则进行除冗操作，得到除冗后的新规则；
将所述除冗后的新规则加入所述规则集并与所述规则集中的原有规则进行除冗操作，得到更新后的规则集。
4.如权利要求3所述的基于规则与学习的语义解析方法，其特征在于，所述除冗操作包括：
计算待除冗操作的两个规则的文本编辑距离，当所述文本编辑距离低于距离阈值时，将待除冗操作的两个规则合并为一个规则。
5.一种基于规则与学习的语义解析装置，其特征在于，包括：
规则解析模块，用于基于规则集中的原有规则识别自然语言语句，生成结构化语句；
判断模块，用于判断所述结构化语句是否能完整的表达所述自然语言语句的语义；如果不能，则获取所述自然语言语句和所述结构化语句的差异文本，包括：根据
Figure 134533DEST_PATH_IMAGE003
和
Figure 126670DEST_PATH_IMAGE005
的差异生成所述差异文本；所述判断模块具体的用于：
计算所述结构化语句对所述自然语言语句的拟合度；
判断计算得到的拟合度是否达到拟合度阈值，如果未达到拟合度阈值，则所述结构化语句未能完整的表达所述自然语言语句的语义；
其中，按照下式计算所述拟合度：
Figure 214712DEST_PATH_IMAGE001
其中
Figure 888270DEST_PATH_IMAGE002
为文本编辑距离函数，
Figure 618329DEST_PATH_IMAGE003
为所述自然语言语句，
Figure 739737DEST_PATH_IMAGE004
为所述结构化语句，
Figure 139626DEST_PATH_IMAGE005
为由
Figure 425113DEST_PATH_IMAGE004
生成的自然语言文本；
新规则生成模块，用于将所述差异文本输入预先训练的学习模型，生成新的规则；
更新模块，用于利用所述新的规则更新所述规则集。
6.一种存储器，其特征在于，存储有多条指令，所述指令用于实现如权利要求1-4任一项所述的方法。
7.一种电子设备，其特征在于，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如权利要求1-4任一项所述的方法。
CN202011595286.4A 2020-12-30 2020-12-30 一种基于规则与学习的语义解析方法、装置和电子设备 Active CN112347793B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011595286.4A CN112347793B (zh) 2020-12-30 2020-12-30 一种基于规则与学习的语义解析方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011595286.4A CN112347793B (zh) 2020-12-30 2020-12-30 一种基于规则与学习的语义解析方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN112347793A CN112347793A (zh) 2021-02-09
CN112347793B true CN112347793B (zh) 2021-05-14

Family

ID=74427273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011595286.4A Active CN112347793B (zh) 2020-12-30 2020-12-30 一种基于规则与学习的语义解析方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN112347793B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130056095A (ko) * 2011-11-21 2013-05-29 경희대학교 산학협력단 임상의사결정지원장치를 위한 데이터 처리 방법과 장치
CN109783808A (zh) * 2018-12-20 2019-05-21 出门问问信息科技有限公司 一种修正自然语言理解模块的方法、装置及电子设备
CN111339759B (zh) * 2020-02-21 2023-07-25 北京百度网讯科技有限公司 领域要素识别模型训练方法、装置及电子设备
CN111639163A (zh) * 2020-04-29 2020-09-08 深圳壹账通智能科技有限公司 问题生成模型的训练方法、问题生成方法及其相关设备

Also Published As

Publication number Publication date
CN112347793A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN110008472B (zh) 一种实体抽取的方法、装置、设备和计算机可读存储介质
US11031009B2 (en) Method for creating a knowledge base of components and their problems from short text utterances
CN109543165B (zh) 基于循环卷积注意力模型的文本生成方法及装置
CN108628834B (zh) 一种基于句法依存关系的词语表示学习方法
CN108287820A (zh) 一种文本表示的生成方法及装置
CN114036300A (zh) 一种语言模型的训练方法、装置、电子设备及存储介质
CN107608951B (zh) 报表生成方法和系统
CN107291692B (zh) 基于人工智能的分词模型的定制方法、装置、设备和介质
CN110826345B (zh) 一种机器翻译方法和装置
JP5809381B1 (ja) 自然言語処理システム、自然言語処理方法、および自然言語処理プログラム
KR101836996B1 (ko) 러프 셋을 이용한 형태소 품사 태깅 코퍼스 오류 자동 검출 장치 및 그 방법
Chua et al. Text normalization infrastructure that scales to hundreds of language varieties
CN114065741B (zh) 用于验证表述的真实性的方法、设备、装置和介质
CN112347793B (zh) 一种基于规则与学习的语义解析方法、装置和电子设备
CN110287999B (zh) 基于隐变量模型的故事生成方法及装置
CN112632956A (zh) 文本匹配方法、装置、终端和存储介质
KR20120045906A (ko) 코퍼스 오류 교정 장치 및 그 방법
JP5462819B2 (ja) 基本木獲得装置、構文解析装置、方法、及びプログラム
US20180011833A1 (en) Syntax analyzing device, learning device, machine translation device and storage medium
CN114330375A (zh) 一种基于固定范式的术语翻译方法及系统
CN114818684A (zh) 文本复述模型的训练方法、文本复述方法和装置
CN109597638B (zh) 基于实时计算引擎解决数据处理、设备联动的方法及装置
CN115759087B (zh) 中文分词的方法、装置及电子设备
JP6062816B2 (ja) 形態素解析器生成装置、形態素解析器生成方法、及び、プログラム
CN109446537A (zh) 一种针对机器翻译的译文评估方法及装置

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