CN112685996A - 文本标点预测方法、装置、可读介质和电子设备 - Google Patents
文本标点预测方法、装置、可读介质和电子设备 Download PDFInfo
- Publication number
- CN112685996A CN112685996A CN202011545195.XA CN202011545195A CN112685996A CN 112685996 A CN112685996 A CN 112685996A CN 202011545195 A CN202011545195 A CN 202011545195A CN 112685996 A CN112685996 A CN 112685996A
- Authority
- CN
- China
- Prior art keywords
- punctuation
- predicted
- probability
- text
- word
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000011218 segmentation Effects 0.000 claims abstract description 70
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 101100340610 Mus musculus Igdcc3 gene Proteins 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 235000021178 picnic Nutrition 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000590419 Polygonia interrogationis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Machine Translation (AREA)
Abstract
本公开涉及一种文本标点预测方法、装置、可读介质和电子设备,属于自然语言处理技术领域,能够使得断句结果更为合理。一种文本标点预测方法,包括:采用标点预测模型来预测目标文本的预测标点;采用分词方法对所述目标文本进行分词,得到分词结果;利用所述分词结果对所述预测标点进行修正。
Description
技术领域
本公开涉及自然语言处理技术领域,具体地,涉及一种文本标点预测方法、装置、可读介质和电子设备。
背景技术
语音识别的结果只含有常规文本,不含有标点等信息。将识别结果展示在屏幕上就需要对文本按照语义句级别进行展示,所以需要对语音识别结果的标点进行预测。
常见的预测标点的方法主要是将标点预测任务作为序列标注任务来处理。然而,序列标注任务属于端到端模型,预测结果容易不可控,使得标点预测结果不合理。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种文本标点预测方法,包括:采用标点预测模型来预测目标文本的预测标点;采用分词方法对所述目标文本进行分词,得到分词结果;利用所述分词结果对所述预测标点进行修正。
第二方面,本公开提供一种文本标点预测装置,包括:标点预测模块,用于采用标点预测模型来预测目标文本的预测标点;分词模块,用于采用分词方法对所述目标文本进行分词,得到分词结果;修正模块,用于利用所述分词结果对所述预测标点进行修正。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现本公开第一方面所述方法的步骤。
通过采用上述技术方案,由于将标点预测模型的标点预测与分词方法的分词结果相结合来确定目标文本的标点,因此能够使得最终的标点预测结果更为合理,使得标点预测不会出现在一个合理的词语的中间部分。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据本公开一种实施例的文本标点预测方法的流程图。
图2是根据本公开一种实施例的文本标点预测方法的又一流程图。
图3是根据本公开一种实施例的文本标点预测装置的示意框图。
图4是根据本公开一种实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
图1是根据本公开一种实施例的文本标点预测方法的流程图。如图1所示,该方法可以包括以下步骤S11至S13。
在步骤S11中,采用标点预测模型来预测目标文本的预测标点。
目标文本可以是任何需要对其标点进行预测的文本。例如,目标文本可以是语音识别后的无标点的文本,也可以是非语音识别途径得到的无标点的文本。
目标文本的预测标点可以包括目标文本中的每个字后所接的标点的标点类型以及该标点类型的概率。标点类型可以包括无标点、逗号、句号、感叹号、问号、分号、顿号等等。
标点预测模型是能够预测目标文本中的每个字后所接的标点的标点类型以及标点类型的概率的模型。
标点预测模型可以采用神经网络模型、自监督预测模型等来实现。标点预测模型可以通过如下方式进行训练,以使其能够更精确地预测目标文本的标点位置和标点类型。
在进行训练时,可以首先向标点预测模型中输入文本语料,文本语料可以包括样本文本和样本文本所对应的真实标点。一个示例性的样本文本为“划时代的伟大发明因为可以进一步深挖人工智能机器视觉机器人技术等”,该样本文本所对应的真实标点可以是[0000000200000000000020002000000],也即样本文本中每个字后面所接的标点,其中0表示无标点,2表示逗号。需要说明的是,真实标点的表示方式多种多样,其可以根据实际所使用的预测模型框架来进行设置,本公开对此不作限制。
然后,由标点预测模型预测样本文本的预测标点。也即,利用标点预测模型预测样本文本中每个字后面所接的标点类型及该标点类型的概率。例如,预测每个字后面不接标点的概率、接句号的概率、接逗号的概率、接感叹号的概率、接问号的概率等等。
举例而言。样本文本为“今天天气真好我们出去郊游吧”,则标点预测模型的标点预测结果为:
[0.9 0.05 0.05 0.0 0.0]
[0.9 0.05 0.05 0.0 0.0]
[0.9 0.05 0.05 0.0 0.0]
[0.9 0.05 0.05 0.0 0.0]
[0.9 0.05 0.05 0.0 0.0]
[0.0 0.05 0.9 0.05 0.0]
[0.9 0.05 0.05 0.0 0.0]
[0.9 0.05 0.05 0.0 0.0]
[0.9 0.05 0.05 0.0 0.0]
[0.9 0.05 0.05 0.0 0.0]
[0.9 0.05 0.05 0.0 0.0]
[0.9 0.05 0.05 0.0 0.0]
[0.0 0.05 0.05 0.9 0.0]
其中,上面列出的各行标点预测结果分别表示样本文本“今天天气真好我们出去郊游吧”中的每个字的标点预测结果。例如,第一行表示字“今”后面无标点、接句号、接逗号、接感叹号和接问号的概率,第二行表示字“天”后面无标点、接句号、接逗号、接感叹号和接问号的概率,其他行以此类推。
然后,就可以利用真实标点对样本文本的预测标点进行优化,得到最终的标点预测模型。
也即,可以通过真实标点结果和预测标点结果计算损失,利用梯度下降不断减小该损失,当该损失较为稳定且长时间不再减小时,就得到了针对输入的文本语料的收敛的标点预测模型。
在对标点预测模型训练完成之后,就可以用其进行标点预测。例如,可以用训练完成的标点预测模型来预测目标文本“划时代的伟大发明因为可以进一步深挖人工智能机器视觉机器人技术等”的标点预测结果,该标点预测结果可以包括该目标文本中每个字后面所接的标点的标点类型以及该标点类型的概率,而且可以将每个字后面标点类型概率最大的标点类型作为该字后面所接的预测标点,这样就能够得到最终需要被展示的带预测标点的目标文本。例如,经过如上处理后,目标文本“划时代的伟大发明因为可以进一步深挖人工智能机器视觉机器人技术等”的最终展示结果为“划时代的伟大发明,因为可以进一步深挖人工,智能机器,视觉机器人技术等”。
在步骤S12中,采用分词方法对目标文本进行分词,得到分词结果。
分词方法可以是uni-gram的viterbi算法或者其他类型的分词算法,本公开对此不作限制。
在一个实施例中,可以首先计算目标文本中当前要被分词的字所处的所有路径的路径分数;然后,基于路径分数最大的路径,确定当前要被分词的字的分词结果。
以目标文本是“北京你好”为例。在对“好”字进行分词时,可以计算当前要被分词的字“好”的最优路径。由于在“好”字之前,已经分出了“北京”这个词语,所以假设“北京你”的分数为score1,“北京”的分数为score2,则“好”的概率为p(“好”)=“好”出现的次数/所有词语总次数,“你好”的概率为p(“你好”)=“你好”出现的次数/所有词语总次数。然后,如果score1+logp(“好”)<score2+logp(“你好”),则将“你好”视作一个词语,从而得到分词结果。
同样地,目标文本“划时代的伟大发明因为可以进一步深挖人工智能机器视觉机器人技术等”的分词结果可以为“划时代的伟大发明因为可以进一步深挖人工智能机器视觉机器人技术等”,其中,空格是词语的分隔符,可以看到,分词结果中“人工”和“智能”不会被分成两个词语,“机器”和“视觉”不会被分成两个词语。
在步骤S13中,利用分词结果对预测标点进行修正。
也即,如果标点预测模型预测出在目标文本中的某个字后面有标点(例如逗号、句号、感叹号、问号、分号等等),则继续判断该字是否是分词结果中词语的中间部分(也即非词语结尾),如果分词结果指示该字属于词语的中间部分,这就表明标点预测模型所预测的标点是位于分词结果中单个词语内的,则在这种情况下,就将该预测标点修正为无标点。反之,如果分词结果指示该字属于词语的结尾字,则保持标点预测模型的标点预测结果不变。
仍然以前面的示例为例。假设标点预测模型的标点预测结果是“划时代的伟大发明,因为可以进一步深挖人工,智能机器,视觉机器人技术等”,而分词结果是“划时代的伟大发明因为可以进一步深挖人工智能机器视觉机器人技术等”,由于字“工”是词语“人工智能”的中间部分,所以需要将标点预测模型所预测的字“工”后面的逗号修正为无标点。
另外,在根据本公开实施例的文本标点预测的整个过程中,可以先利用标点预测模型来预测整个目标文本的标点,然后利用分词结果逐个对预测的标点进行修正;也可以是,在利用标点预测模型预测出一个标点之后,就利用分词结果对该标点进行修正,接着利用标点预测模型预测下一个标点,并利用分词结果对下一个标点进行修正,如此重复,直至完成所有预测标点的修正为止。
通过采用上述技术方案,由于将标点预测模型的标点预测与分词方法的分词结果相结合来确定目标文本的标点,因此能够使得最终的标点预测结果更为合理,使得标点预测不会出现在一个合理的词语的中间部分。
图2是根据本公开一种实施例的文本标点预测方法的又一流程图。如图2所示,在图1的基础上,该方法还包括:
在步骤S14中,获取修正后的预测标点所对应的字的语义标点概率。
语义标点概率是从自然语言的语义层面上得到的标点信息。例如,可以使用标点预测模型来获取修正后的预测标点所对应的字的语义标点概率。也即,可以利用标点预测模型来获取修正后的预测标点的标点类型概率,作为该预测标点的语义标点概率。
仍然以目标文本是“划时代的伟大发明因为可以进一步深挖人工智能机器视觉机器人技术等”为例。在使用分词结果对标点预测模型所预测的标点进行修正之后,假设修正得到的标点预测结果是“划时代的伟大发明,因为可以进一步深挖人工智能,机器视觉,机器人技术等”,则,在该步骤S14中,获取修正后的预测标点所对应的字,也即字“明”、“能”、“觉”的语义标点概率。
在步骤S15中,获取修正后的预测标点所对应的字的声学标点概率。
声学标点概率是从声音特征的角度得到的标点预测概率。声音特征例如是每个字之间的停顿信息,如果停顿时间长久,则说明这很可能是一个句子的结尾,如果停顿时间短暂,则说明这很可能是句子中间的停顿。因此,基于每个字之间的停顿信息,就能够得到声学标点概率。
在步骤S16中,基于语义标点概率和声学标点概率,对修正后的预测标点进行二次修正。
在一个实施例中,可以首先利用权重对语义标点概率和声学标点概率进行插值,得到修正的标点概率。例如,假设语义标点概率为punc_score,声学标点概率为blank_score,则可以利用“weight1*punc_score+weight2*blank_score”得到修正的标点概率,其中weight1和weight2分别是语义标点概率和声学标点概率的权重。
另外,语义标点概率和声学标点概率的权重会根据不同的业务(例如,字幕场景业务、电销场景业务等等)进行调整,如果声学标点概率很高就会将声学标点概率的权重调高,如果语义标点概率很高就会将语义标点概率的权重调高。而且,可以通过在业务的测试集上进行测试,选取测试结果最好的权重作为语义标点概率和声学标点概率的权重。
然后,可以在修正的标点概率大于预设阈值的情况下,保持修正后的预测标点不变;在修正的标点概率小于预设阈值的情况下,将修正后的预测标点修正为无标点。
通过上述技术方案,就能够进一步将语义标点信息和声学标点信息相结合,以对修正后的预测标点进行二次修正,这样就能够使得标点预测结果更为合理。
图3是根据本公开一种实施例的文本标点预测装置的示意框图。如图3所示,该文本标点预测装置包括:标点预测模块31,用于采用标点预测模型来预测目标文本的预测标点;分词模块32,用于采用分词方法对目标文本进行分词,得到分词结果;修正模块33,用于利用分词结果对预测标点进行修正。
通过采用上述技术方案,由于将标点预测模型的标点预测与分词方法的分词结果相结合来确定目标文本的标点,因此能够使得最终的标点预测结果更为合理,使得标点预测不会出现在一个合理的词语的中间部分。
可选地,所述目标文本的预测标点包括所述目标文本中的每个字后所接的标点的标点类型以及该标点类型的概率。
可选地,根据本公开实施例的文本标点预测装置还包括训练模块(未示出),用于通过如下方式训练标点预测模型:向标点预测模型中输入文本语料,文本语料包括样本文本和样本文本所对应的真实标点;由标点预测模型预测样本文本的预测标点;利用真实标点对样本文本的预测标点进行优化,得到最终的标点预测模型。
可选地,分词模块32还用于:计算目标文本中当前要被分词的字所处的所有路径的路径分数;基于路径分数最大的路径,确定当前要被分词的字的分词结果。
可选地,修正模块33还用于:在分词结果指示预测标点位于分词结果中单个词语内的情况下,将预测标点修正为无标点。
可选地,修正模块33还用于:获取修正后的预测标点所对应的字的语义标点概率;获取修正后的预测标点所对应的字的声学标点概率;基于语义标点概率和声学标点概率,对修正后的预测标点进行二次修正。
可选地,修正模块33还用于:利用权重对语义标点概率和声学标点概率进行插值,得到修正的标点概率;在修正的标点概率大于预设阈值的情况下,保持修正后的预测标点不变;在修正的标点概率小于预设阈值的情况下,将修正后的预测标点修正为无标点。
下面参考图4,其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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,还存储有电子设备600操作所需的各种程序和数据。处理装置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。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
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,其包括承载在非暂态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装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上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存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储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。在本公开中,计算机可读存储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。而在本公开中,计算机可读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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
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电子设备执行时,使得该电子设备:采用标点预测模型来预测目标文本的预测标点;采用分词方法对所述目标文本进行分词,得到分词结果;利用所述分词结果对所述预测标点进行修正。
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公开的操作的计算机程序代码,上述程序设计语言包括但不限于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,图示了按照本公开各种实施例的系统、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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例1提供了一种文本标点预测方法,包括:采用标点预测模型来预测目标文本的预测标点;采用分词方法对所述目标文本进行分词,得到分词结果;利用所述分词结果对所述预测标点进行修正
根据本公开的一个或多个实施例,示例2提供了示例1的方法,所述目标文本的预测标点包括所述目标文本中的每个字后所接的标点的标点类型以及该标点类型的概率。
根据本公开的一个或多个实施例,示例3提供了示例1的方法,其中,所述标点预测模型通过如下方式进行训练:向所述标点预测模型中输入文本语料,所述文本语料包括样本文本和所述样本文本所对应的真实标点;由所述标点预测模型预测所述样本文本的预测标点;利用所述真实标点对所述样本文本的预测标点进行优化,得到最终的标点预测模型。
根据本公开的一个或多个实施例,示例4提供了示例1的方法,其中,所述采用分词方法对所述目标文本进行分词,包括:计算所述目标文本中当前要被分词的字所处的所有路径的路径分数;基于路径分数最大的路径,确定当前要被分词的字的分词结果。
根据本公开的一个或多个实施例,示例5提供了示例1的方法,其中,所述利用所述分词结果对所述预测标点进行修正,包括:在所述分词结果指示所述预测标点位于所述分词结果中单个词语内的情况下,将所述预测标点修正为无标点。
根据本公开的一个或多个实施例,示例6提供了示例1至5中任一的方法,其中,所述方法还包括:获取修正后的预测标点所对应的字的语义标点概率;获取修正后的预测标点所对应的字的声学标点概率;基于所述语义标点概率和所述声学标点概率,对修正后的预测标点进行二次修正。
根据本公开的一个或多个实施例,示例7提供了示例6的方法,其中,所述基于所述语义标点概率和所述声学标点概率,对修正后的预测标点进行二次修正,包括:利用权重对所述语义标点概率和所述声学标点概率进行插值,得到修正的标点概率;在修正的标点概率大于预设阈值的情况下,保持所述修正后的预测标点不变;在修正的标点概率小于所述预设阈值的情况下,将所述修正后的预测标点修正为无标点。
以上描述仅为本公开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,本公开中所涉及的公开范围,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公开构思的情况下,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。例如上述特征与本公开中公开的(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。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (10)
1.一种文本标点预测方法,其特征在于,包括:
采用标点预测模型来预测目标文本的预测标点;
采用分词方法对所述目标文本进行分词,得到分词结果;
利用所述分词结果对所述预测标点进行修正。
2.根据权利要求1所述的方法,其特征在于,所述目标文本的预测标点包括所述目标文本中的每个字后所接的标点的标点类型以及该标点类型的概率。
3.根据权利要求1所述的方法,其特征在于,所述标点预测模型通过如下方式进行训练:
向所述标点预测模型中输入文本语料,所述文本语料包括样本文本和所述样本文本所对应的真实标点;
由所述标点预测模型预测所述样本文本的预测标点;
利用所述真实标点对所述样本文本的预测标点进行优化,得到最终的标点预测模型。
4.根据权利要求1所述的方法,其特征在于,所述采用分词方法对所述目标文本进行分词,包括:
计算所述目标文本中当前要被分词的字所处的所有路径的路径分数;
基于路径分数最大的路径,确定当前要被分词的字的分词结果。
5.根据权利要求1所述的方法,其特征在于,所述利用所述分词结果对所述预测标点进行修正,包括:
在所述分词结果指示所述预测标点位于所述分词结果中单个词语内的情况下,将所述预测标点修正为无标点。
6.根据权利要求1至5中任一权利要求所述的方法,其特征在于,所述方法还包括:
获取修正后的预测标点所对应的字的语义标点概率;
获取修正后的预测标点所对应的字的声学标点概率;
基于所述语义标点概率和所述声学标点概率,对修正后的预测标点进行二次修正。
7.根据权利要求6所述的方法,其特征在于,所述基于所述语义标点概率和所述声学标点概率,对修正后的预测标点进行二次修正,包括:
利用权重对所述语义标点概率和所述声学标点概率进行插值,得到修正的标点概率;
在修正的标点概率大于预设阈值的情况下,保持所述修正后的预测标点不变;
在修正的标点概率小于所述预设阈值的情况下,将所述修正后的预测标点修正为无标点。
8.一种文本标点预测装置,其特征在于,包括:
标点预测模块,用于采用标点预测模型来预测目标文本的预测标点;
分词模块,用于采用分词方法对所述目标文本进行分词,得到分词结果;
修正模块,用于利用所述分词结果对所述预测标点进行修正。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011545195.XA CN112685996B (zh) | 2020-12-23 | 2020-12-23 | 文本标点预测方法、装置、可读介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011545195.XA CN112685996B (zh) | 2020-12-23 | 2020-12-23 | 文本标点预测方法、装置、可读介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112685996A true CN112685996A (zh) | 2021-04-20 |
CN112685996B CN112685996B (zh) | 2024-03-22 |
Family
ID=75451398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011545195.XA Active CN112685996B (zh) | 2020-12-23 | 2020-12-23 | 文本标点预测方法、装置、可读介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112685996B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313562A (zh) * | 2021-07-29 | 2021-08-27 | 太平金融科技服务(上海)有限公司深圳分公司 | 产品数据处理方法、装置、计算机设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108628813A (zh) * | 2017-03-17 | 2018-10-09 | 北京搜狗科技发展有限公司 | 处理方法和装置、用于处理的装置 |
CN110032732A (zh) * | 2019-03-12 | 2019-07-19 | 平安科技(深圳)有限公司 | 一种文本标点预测方法、装置、计算机设备及存储介质 |
CN110688822A (zh) * | 2019-09-27 | 2020-01-14 | 上海智臻智能网络科技股份有限公司 | 标点符号的添加方法及设备、介质 |
CN110705264A (zh) * | 2019-09-27 | 2020-01-17 | 上海智臻智能网络科技股份有限公司 | 标点符号的校正方法及设备、介质 |
CN111241810A (zh) * | 2020-01-16 | 2020-06-05 | 百度在线网络技术(北京)有限公司 | 标点预测方法及装置 |
CN111414745A (zh) * | 2020-04-03 | 2020-07-14 | 龙马智芯(珠海横琴)科技有限公司 | 文本标点确定方法与装置、存储介质、电子设备 |
-
2020
- 2020-12-23 CN CN202011545195.XA patent/CN112685996B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108628813A (zh) * | 2017-03-17 | 2018-10-09 | 北京搜狗科技发展有限公司 | 处理方法和装置、用于处理的装置 |
CN110032732A (zh) * | 2019-03-12 | 2019-07-19 | 平安科技(深圳)有限公司 | 一种文本标点预测方法、装置、计算机设备及存储介质 |
WO2020181808A1 (zh) * | 2019-03-12 | 2020-09-17 | 平安科技(深圳)有限公司 | 一种文本标点预测方法、装置、计算机设备及存储介质 |
CN110688822A (zh) * | 2019-09-27 | 2020-01-14 | 上海智臻智能网络科技股份有限公司 | 标点符号的添加方法及设备、介质 |
CN110705264A (zh) * | 2019-09-27 | 2020-01-17 | 上海智臻智能网络科技股份有限公司 | 标点符号的校正方法及设备、介质 |
CN111241810A (zh) * | 2020-01-16 | 2020-06-05 | 百度在线网络技术(北京)有限公司 | 标点预测方法及装置 |
CN111414745A (zh) * | 2020-04-03 | 2020-07-14 | 龙马智芯(珠海横琴)科技有限公司 | 文本标点确定方法与装置、存储介质、电子设备 |
Non-Patent Citations (3)
Title |
---|
QIAN CHEN等: "Controllable Time-Delay Transformer for Real-Time Punctuation Prediction and Disfluency Detection", ICASSP 2020 - 2020 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP) * |
张慧;蒋晔;: "CRF模型的自动标点预测方法研究", 网络新媒体技术, no. 03 * |
李雅昆;潘晴;EVERETT X.WANG;: "基于改进的多层BLSTM的中文分词和标点预测", 计算机应用, no. 05 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313562A (zh) * | 2021-07-29 | 2021-08-27 | 太平金融科技服务(上海)有限公司深圳分公司 | 产品数据处理方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112685996B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969012B (zh) | 文本纠错方法、装置、存储介质及电子设备 | |
CN110807515A (zh) | 模型生成方法和装置 | |
CN109933217B (zh) | 用于推送语句的方法和装置 | |
CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
CN112883967B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN112883968B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN111738010B (zh) | 用于生成语义匹配模型的方法和装置 | |
CN112906381B (zh) | 对话归属的识别方法、装置、可读介质和电子设备 | |
CN112883966B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN111667810A (zh) | 多音字语料的获取方法、装置、可读介质和电子设备 | |
CN111968647A (zh) | 语音识别方法、装置、介质及电子设备 | |
US20220391425A1 (en) | Method and apparatus for processing information | |
CN110008926B (zh) | 用于识别年龄的方法和装置 | |
CN112182175A (zh) | 智能问答方法、装置、设备及可读存储介质 | |
CN114038465B (zh) | 语音处理方法、装置和电子设备 | |
CN111078849A (zh) | 用于输出信息的方法和装置 | |
CN113902838A (zh) | 动画生成方法、装置、存储介质及电子设备 | |
CN112685996B (zh) | 文本标点预测方法、装置、可读介质和电子设备 | |
CN112241761A (zh) | 模型训练方法、装置和电子设备 | |
CN111931494A (zh) | 用于生成预测信息的方法、装置、电子设备和介质 | |
US20230281983A1 (en) | Image recognition method and apparatus, electronic device, and computer-readable medium | |
CN113033552B (zh) | 文本识别方法、装置和电子设备 | |
CN115129877A (zh) | 标点符号预测模型的生成方法、装置和电子设备 | |
CN113592557A (zh) | 广告投放结果的归因方法、装置、存储介质及电子设备 |
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 |