CN112686035A - 一种未登录词进行向量化的方法和装置 - Google Patents
一种未登录词进行向量化的方法和装置 Download PDFInfo
- Publication number
- CN112686035A CN112686035A CN201910992882.7A CN201910992882A CN112686035A CN 112686035 A CN112686035 A CN 112686035A CN 201910992882 A CN201910992882 A CN 201910992882A CN 112686035 A CN112686035 A CN 112686035A
- Authority
- CN
- China
- Prior art keywords
- word
- character
- vectorized
- unknown
- vector
- 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 52
- 239000013598 vector Substances 0.000 claims abstract description 148
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 28
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 239000003550 marker Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- -1 rare brand words Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Machine Translation (AREA)
Abstract
本发明公开了一种未登录词进行向量化的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:将待向量化的未登录词进行拆分,得到未登录词的待向量化字符;根据每个待向量化字符在未登录词中的位置,确定每个待向量化字符相对于未登录词的位置标记;根据所述位置标记,确定每个待向量化字符所在参与成词的词向量;根据确定的参与成词的词向量,确定未登录词的词向量。该方法考虑构成未登录词中每个字符的位置信息,根据该待向量化字符所在参与成词的词向量,得到了未登录词更合理的向量化表示。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种未登录词进行向量化的方法和装置。
背景技术
对文本进行向量化是当前自然语言领域文本预处理最常用、也是最有效的一种方法。具体的,通过将文本表示成低维、稠密的实数向量,以及利用机器学习、深度学习相关算法模型对向量化后的文本进行高级特征抽取,可实现各种文本挖掘任务,如:情感分类、话题聚类、文本相似度判定。
现有技术在实现过程中,存在的问题包括:将简单的字符向量累加得到词向量,或者将包括该未登录词的字符的所有成词都查找出,根据查找出的成词的向量表示确定未登录词的词向量,所以无法得到准确合理的未登录词的词向量,导致无法真实、合理地刻画该词的语义信息。
发明内容
有鉴于此,本发明实施例提供一种未登录词进行向量化的方法和装置,能够考虑构成未登录词中每个字符的位置信息,根据该待向量化字符所在参与成词的词向量,得到了未登录词更合理的向量化表示。
为实现上述目的,根据本发明实施例的一个方面,提供了一种未登录词进行向量化的方法。
本发明实施例的未登录词进行向量化的方法包括:将待向量化的未登录词进行拆分,得到所述未登录词的待向量化字符;根据每个待向量化字符在所述未登录词中的位置,确定每个待向量化字符相对于所述未登录词的位置标记;根据所诉位置标记,确定每个待向量化字符所在参与成词的词向量;根据确定的参与成词的词向量,确定所述未登录词的词向量。
可选地,所述根据确定的参与成词的词向量,确定所述未登录词的词向量包括:确定每个待向量化字符在其所在参与成词中的语义贡献度,以及根据所述语义贡献度确定该待向量化字符的加权向量表示;根据每个待向量化字符的加权向量表示,确定所述未登录词的词向量。
可选地,确定每个待向量化字符在其所在参与成词中的语义贡献度包括:确定每个待向量化字符的初始向量表示;对于每个待向量化字符,计算其初始向量表示与其所在参与成词的词向量的余弦相似度值;所述余弦相似度值为该待向量化字符在其所在参与成词中的语义贡献度。
可选地,根据每个待向量化字符在所述未登录词中的位置,确定每个待向量化字符相对于所述未登录词的位置标记包括:确定预设的位置标记分类;所述位置标记分类中包括左字符、中字符和右字符;根据所述位置标记分类以及每个待向量化字符在所述未登录词中的位置,确定每个待向量化字符相对于所述未登录词的位置标记。
可选地,根据所述位置标记,确定每个待向量化字符所在参与成词的词向量包括:
获取词库,所述词库中包括至少一个成词和成词的词向量,所述词向量通过Word2vec训练得到;对于每个待向量化字符,根据其相对于所述未登录词的位置标记,在所述词库中查找出该待向量化字符所在参与成词,以及所述参与成词的词向量;
在根据确定的参与成词的词向量,确定所述未登录词的词向量之后,还包括:将所述未登录词和其词向量添加至所述词库。
可选地,所述待向量化字符相对于其所在参与成词的位置标记,与所述待向量化字符相对于所述未登录词的位置标记相同。
为实现上述目的,根据本发明实施例的另一个方面,提供了一种未登录词进行向量化的装置。
本发明实施例的未登录词进行向量化的装置包括:
拆分模块,用于将待向量化的未登录词进行拆分,得到所述未登录词的待向量化字符;
位置标记模块,用于根据每个待向量化字符在所述未登录词中的位置,确定每个待向量化字符相对于所述未登录词的位置标记;
参与成词模块,用于根据所述位置标记,确定每个待向量化字符所在参与成词的词向量;
词向量模块,用于根据确定的参与成词的词向量,确定所述未登录词的词向量。
可选地,所述词向量模块还用于,确定每个待向量化字符在其所在参与成词中的语义贡献度,以及根据所述语义贡献度确定该待向量化字符的加权向量表示;根据每个待向量化字符的加权向量表示,确定所述未登录词的词向量。
可选地,所述词向量模块还用于,确定每个待向量化字符的初始向量表示;对于每个待向量化字符,计算其初始向量表示与其所在参与成词的词向量的余弦相似度值;所述余弦相似度值为该待向量化字符在其所在参与成词中的语义贡献度。
可选地,所述位置标记模块还用于,确定预设的位置标记分类;所述位置标记分类中包括左字符、中字符和右字符;根据所述位置标记分类以及每个待向量化字符在所述未登录词中的位置,确定每个待向量化字符相对于所述未登录词的位置标记。
可选地,所述参与成词模块还用于,获取词库,所述词库中包括至少一个成词和成词的词向量,所述词向量通过Word2vec训练得到;对于每个待向量化字符,根据其相对于所述未登录词的位置标记,在所述词库中查找出该待向量化字符所在参与成词,以及所述参与成词的词向量;
还包括添加模块,用于将所述未登录词和其词向量添加至所述词库。
可选地,所述待向量化字符相对于其所在参与成词的位置标记,与所述待向量化字符相对于所述未登录词的位置标记相同。
为实现上述目的,根据本发明实施例的再一个方面,提供了一种电子设备。
本发明实施例的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一项的未登录词进行向量化的方法。
为实现上述目的,根据本发明实施例的再一个方面,提供了一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现上述任一项的未登录词进行向量化的方法。
上述发明中的一个实施例具有如下优点或有益效果:根据每个待向量化字符在未登录词中的位置,确定待向量化字符相对于未登录词的位置标记。以及,对于每个待向量化字符,根据其相对于未登录词的位置标记,确定该待向量化字符所在参与成词的词向量。其中,该待向量化字符相对于其所在参与成词的位置标记,与该待向量化字符相对于未登录词的位置标记相同。由于每个字符在词组中的位置标记不同,则其含义很可能会有很大的区别,考虑到构成未登录词中每个字符的位置信息,可对词的进行更细致准确的区分,对于区别较大的词,在进行词向量化是可不相互作为参考。因此,本发明的一个实施例考虑到了构成未登录词中每个字符的位置信息,可得到未登录词更合理的向量化表示。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例一的未登录词进行向量化的方法的主要流程的示意图;
图2是根据本发明实施例二的未登录词进行向量化的方法的示意图;
图3是根据本发明实施例三的未登录词进行向量化的方法的示意图;
图4是根据本发明实施例四的未登录词进行向量化的方法的示意图;
图5是根据本发明实施例五的未登录词进行向量化的装置的主要模块的示意图;
图6是本发明实施例六可以应用于其中的示例性系统架构图;
图7是适于用来实现本发明实施例七的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明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,而不会背离本发明的范围和精神。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。
文本中词或字符进行向量化通常是基于一个词向量库W2V,该W2V是利用Skip-Gram或CBOW方法对大型的语料预训练得到。Word2Vec模型中,主要有Skip-Gram和CBOW(Continuous Bag of Words)两种模型。Skip-Gram是根据当前词语来预测上下文的概率。CBOW中上下文是有一个固定的窗口,比如:window=3,表示左右各取3个词。利用窗口内的词来预测目标词,窗口内的词对目标词的影响是一样的,且无关顺序,窗口外的词不考虑。其中,每个词或字符都用一个固定维度的向量表示,以及字符是指构成中文词组的一个汉字。但是,在实现过程中,会出现待分析语料中的词不在预训练好的词向量库中,即:未登录词(未登录词即没有被收录在词向量库中的词)。未登录词出现的原因:一个是因为有一些低频词没参与到词向量的预训练中,如某些商品中的稀有品牌词、产品词等;另一个是因为当前待分析的语料中会有一些新词,也没有包含在预训练的词向量中,如新品中的词、评论中新的用语等。这些未登录词的缺失,对全面理解文本的语义会出现一定的影响。
现有技术中,对未登录词进行向量化主要是通过以下方式实现:一、用一个d维的0向量代替,其中d是W2V中词向量的维度,随机产生d维的随机数,将未词中的每个字符取出,然后将字符的向量进行累加,即得到词的向量。二、将未登录词的字符拆分出来,并将每个字符的向量表示之和作为该未登录词的词向量;或者,将包括该未登录词的字符的所有成词都查找出,根据查找出的成词的向量表示确定未登录词的词向量。
上述现有技术在实现过程中,存在的问题包括:无法真实、合理的刻画该词的语义信息,尤其是针对全部赋0和随机生成这两种情况;只是基于是否包含相同的字符,确定其词组之间在语义上的相似度,是非常不合理的,例如“架子”和“架子鼓”。仅从字符上分析,两个词也是非常相近的,但“架子”和“架子鼓”不是相近词组。所以将简单的字符向量累加得到词向量,或者将包括该未登录词的字符的所有成词都查找出,根据查找出的成词的向量表示确定未登录词的词向量,无法得到准确合理的未登录词的词向量。
图1是根据本发明实施例一的未登录词进行向量化的方法的主要流程的示意图,如图1所示,本发明实施例一的未登录词进行向量化的方法主要包括:
步骤S101:将待向量化的未登录词进行拆分,得到未登录词的待向量化字符。其中,字符是指构成中文词组的一个汉字。例如,对于未登录词为“平板电脑”的情况下,将该未登录词进行拆分后,得到其待向量化字符分别为:“平”、“板”、“电”和“脑”。
步骤S102:根据每个待向量化字符在未登录词中的位置,确定每个待向量化字符相对于未登录词的位置标记。
具体的,可根据预设的位置标记分类进行,相应的,词库中词组的位置标记与未登录词的位置标记的方式一致。例如,预设的位置标记分类为:从左至右对词中的字符进行位置标记。对于上述示例,待向量化字符“平”相对于未登录词“平板电脑”的位置标记为位置1,待向量化字符“板”相对于未登录词“平板电脑”的位置标记为位置2,待向量化字符“电”相对于未登录词“平板电脑”的位置标记为位置3,待向量化字符“脑”相对于未登录词“平板电脑”的位置标记为位置4。该情况下,词库中所有词的分类也是按照从左至右对词中的字符进行位置标记。
或者,预设的位置标记分类中包括左字符、中字符和右字符,按照该预设的位置标记分类对词中的字符进行位置标记。其中,左字符是指未登录词中最左侧位置的字符,右字符是指未登录词中最右侧位置的字符,未登录词中左字符与右字符之间的字符全部为中字符。对于上述示例,待向量化字符“平”相对于未登录词“平板电脑”的位置标记为左字符,待向量化字符“板”和“电”相对于未登录词“平板电脑”的位置标记为中字符,待向量化字符“脑”相对于未登录词“平板电脑”的位置标记为右字符。
步骤S103:根据所述位置标记,确定每个待向量化字符所在参与成词的词向量。
对于每个待向量化字符,根据其相对于未登录词的位置标记,确定该待向量化字符所在参与成词的词向量。其中,该待向量化字符相对于其所在参与成词的位置标记,与该待向量化字符相对于未登录词的位置标记相同。待向量化字符所在参与成词是指,包含该待向量化字符的词组且位置标记一致,例如“平安”“水平”和“一马平川”中都包括字符“平”。如果“平”在“平板电脑”的位置标记为左字符,则“平”在“平安”“水平”和“一马平川”中的位置标记分别为左字符、右字符、中字符。因此,通过步骤S103可确定出待向量化字符“平”的参与成词为“平安”。
在本发明实施例中,某个字符相对于两个词组的位置标记相同,不一定是指该字符在两个词组中的位置相同。例如,“机”相对于“手机”的位置标记为右字符,“机”相对于“战斗机”的位置标记也为右字符,但是“机”在“手机”和“战斗机”中的位置并不相同。
步骤S104:根据确定的参与成词的词向量,确定未登录词的词向量。
本发明实施例一,根据每个待向量化字符在未登录词中的位置,确定待向量化字符相对于未登录词的位置标记。以及,对于每个待向量化字符,根据其相对于未登录词的位置标记,确定该待向量化字符所在参与成词的词向量。其中,该待向量化字符相对于其所在参与成词的位置标记,与该待向量化字符相对于未登录词的位置标记相同。由于每个字符在词组中的位置标记不同,则其含义很可能会有很大的区别,例如“架子”和“架子鼓”。仅从字符上分析,两个词也是非常相近的,但“子”是“架子”的右侧字符,是“架子鼓”的中间字符,对字符的位置信息进行考虑,可判断“架子”和“架子鼓”不是相近词组。所以考虑到构成未登录词中每个字符的位置信息,可对词的进行更细致准确的区分,将区别较大的词筛选出,并在进行词向量化时不相互作为参考。本发明的一个实施例可基于未登录词中每个字符的位置信息,得到未登录词更合理的向量化表示。
图2是根据本发明实施例二的未登录词进行向量化的方法的示意图,如图2所示,本发明实施例二的未登录词进行向量化的方法包括:
步骤S201:将待向量化的未登录词进行拆分,得到未登录词的待向量化字符。
步骤S202:根据每个待向量化字符在未登录词中的位置,确定待向量化字符相对于未登录词的位置标记。在本发明实施例二中,确定预设的位置标记分类;位置标记分类中包括左字符、中字符和右字符。根据位置标记分类以及每个待向量化字符在未登录词中的位置,确定待向量化字符相对于未登录词的位置标记。例如,未登录词为“手机”,则拆分之后的左字符为“手”、右字符为“机”、没有中字符。如果未登录词为“手机壳”,则拆分之后的左字符为“手”、中字符为“机”、右字符为“壳”。如果未登录词为“平板电脑”,则左字符为“平”、中字符为“板”和“电”、右字符为“脑”。
步骤S203:对于每个待向量化字符,根据其相对于未登录词的位置标记,确定该待向量化字符所在参与成词的词向量。其中,该待向量化字符相对于其所在参与成词的位置标记,与该待向量化字符相对于未登录词的位置标记相同。
步骤S204:确定每个待向量化字符在其所在参与成词中的语义贡献度,以及根据语义贡献度确定该待向量化字符的加权向量表示。
具体的,确定每个待向量化字符的初始向量表示。对于每个待向量化字符,计算其初始向量表示与其所在参与成词的词向量的余弦相似度值。其中,余弦相似度值为该待向量化字符在其所在参与成词中的语义贡献度。计算字符在参与成词中的语义贡献度,具体通过计算两个向量之间的相似度确定,因此在其他实施例中,还可通过其他方式确定字符的向量表示与参与成词的词向量之间的相似,例如计算欧氏距离的方式或者计算曼哈顿距离的方式等。
步骤S205:根据每个待向量化字符的加权向量表示,确定未登录词的词向量。
本发明实施例二,根据每个待向量化字符在未登录词中的位置,确定待向量化字符相对于未登录词的位置标记。以及,对于每个待向量化字符,根据其相对于未登录词的位置标记,确定该待向量化字符所在参与成词的词向量。其中,该待向量化字符相对于其所在参与成词的位置标记,与该待向量化字符相对于未登录词的位置标记相同。由于每个字符在词组中的位置标记不同,则其含义很可能会有很大的区别,考虑到构成未登录词中每个字符的位置信息,可对词的进行更细致准确的区分,对于区别较大的词,在进行词向量化是可不相互作为参考。并且,根据每个待向量化字符在其所在参与成词中的语义贡献度,确定该待向量化字符的加权向量表示,然后进一步确定出未登录词的词向量。因此,本发明实施例二不仅考虑了构成未登录词中每个字符的位置信息,也考虑了字符在成词过程中的贡献度,最终得到未登录词更合理的向量化表示。
图3是根据本发明实施例三的未登录词进行向量化的方法的示意图,如图3所示,本发明实施例三的未登录词进行向量化的方法包括:
步骤S301:对待分析文本进行分词处理,获取待向量化的未登录词。
步骤S302:将待向量化的未登录词进行拆分,得到未登录词的待向量化字符。
步骤S303:根据每个待向量化字符在未登录词中的位置,确定待向量化字符相对于未登录词的位置标记。
步骤S304:获取词库,词库中包括至少一个成词和成词的词向量,词向量通过Word2vec训练得到。
步骤S305:对于每个待向量化字符,根据其相对于未登录词的位置标记,在词库中查找出该待向量化字符所在参与成词,以及参与成词的词向量。
步骤S306:根据确定的参与成词的词向量,确定未登录词的词向量。
步骤S307:将未登录词和其词向量添加至词库。
本发明实施例三,在通过Word2vec训练得到词库的基础上,可通过简单的方式,不需要通过机器学习、调整模型参数即可确定出词库中不包括的词(未登录词)的词向量。建立了未登录词与词库中词之间合理的语义关联,对词库中的词向量进行了丰富。
图4是根据本发明实施例四的未登录词进行向量化的方法的示意图,如图4所示,本发明实施例四的未登录词进行向量化的方法包括:
首先通过对待分析文本进行分词,以及基于现有的词库,得到未登录词集合UKw={w1,w2,...,wN},其中未登录词集合UKw(UnKnown words)中的wi(i=1,2,...,N)表示第i个未登录词,N表示未登录词的总数。
对于某一个未登录词wi,分拆得到组成该词的字符sij(j=1,2,...,M),即:词wi由M个汉字(字符)组成,将字符按位置分为左、中、右三类,其中:左字符即为Si1,右字符即为SiM,剩余为中间字符sij(j=2,...,M-1)。
分别查找左字符、中字符、右字符所参与的已有成词(参与成词),并计算每个字符在其所在的参与成词的语义贡献度。以左字符Si1为例,假设在已有成词中找到K个词xk(k=1,2,...,K),并保证字符Si1在这些词中的位置均在最左边,然后计算Si1与每个xk之间的向量的余弦相似度ck=cos(Vec(si1),Vec(xk))。Vec(Si1)是通过Word2vec训练得到的,只不过是按照字符粒度来训练每个字符对应的向量,跟按照词粒度训练的有区别,但是向量的维度是一样的。以及,Vec(xk)是按照词粒度训练的词向量,可以提前训练好的。
计算的余弦相似度值越高,表明该字符在形成该词过程中的语义贡献度越大。最后得到左字符Si1所参与的所有成词加权之和,如下:
同理,可以得到右字符SiM、中字符Sij(j=2,...,M-1)所参与的所有成词加权之和VecR、VecM。
在对未登录词Wi向量化计算的过程中,根据得到的未登录词中左字符、中字符、右字符在其他成词过程中的语义贡献度,以及对应成词的向量加权和,可得到未登录词的词向量,如下:
Vec(wi)=VecL+VecM+VecR
完整的未登录词Wi的向量化公式如下:
其中,N1、Nm、Nr分别是左字符参与的成词个数、中字符参与的成词个数、右字符参与的成词个数。
图5是根据本发明实施例五未登录词进行向量化的装置的主要模块的示意图,如图5所示,本发明实施例五的未登录词进行向量化的装置500包括拆分模块501、位置标记模块502和参与成词模块503、词向量模块504。
拆分模块501用于,将待向量化的未登录词进行拆分,得到未登录词的待向量化字符。
位置标记模块502用于,根据每个待向量化字符在未登录词中的位置,确定每个待向量化字符相对于未登录词的位置标记。位置标记模块还用于,确定预设的位置标记分类,位置标记分类中包括左字符、中字符和右字符。以及,还用于根据位置标记分类以及每个待向量化字符在未登录词中的位置,确定待向量化字符相对于未登录词的位置标记。
参与成词模块503用于,根据所述位置标记,确定每个待向量化字符所在参与成词的词向量。其中,该待向量化字符相对于其所在参与成词的位置标记,与该待向量化字符相对于未登录词的位置标记相同。参与成词模块还用于,获取词库,词库中包括至少一个成词和成词的词向量,词向量通过Word2vec训练得到。对于每个待向量化字符,参与成词模块根据其相对于未登录词的位置标记,在词库中查找出该待向量化字符所在参与成词,以及参与成词的词向量。本发明实施例五的未登录词进行向量化的装置还包括添加模块,用于在词向量模块确定未登录词的词向量之后,将未登录词和其词向量添加至词库。
词向量模块504用于,根据确定的参与成词的词向量,确定未登录词的词向量。词向量模块还用于,确定每个待向量化字符在其所在参与成词中的语义贡献度。以及根据语义贡献度确定该待向量化字符的加权向量表示。并且,根据每个待向量化字符的加权向量表示,确定未登录词的词向量。
词向量模块还用于,确定每个待向量化字符的初始向量表示。对于每个待向量化字符,还用于计算其初始向量表示与其所在参与成词的词向量的余弦相似度值。其中,余弦相似度值为该待向量化字符在其所在参与成词中的语义贡献度。
本方式实施例五,根据每个待向量化字符在未登录词中的位置,确定待向量化字符相对于未登录词的位置标记。以及,对于每个待向量化字符,根据其相对于未登录词的位置标记,确定该待向量化字符所在参与成词的词向量。其中,该待向量化字符相对于其所在参与成词的位置标记,与该待向量化字符相对于未登录词的位置标记相同。由于每个字符在词组中的位置标记不同,则其含义很可能会有很大的区别,对字符的位置信息进行考虑,会对词的进行更细致准确的区分,对于区别较大的词,在进行词向量化是可不相互作为参考。因此,本发明实施例五考虑到了构成未登录词中每个字符的位置信息,可得到未登录词更合理的向量化表示。
图6示出了可以应用本发明实施例六的未登录词进行向量化的方法或未登录词进行向量化的装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604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601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,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。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果反馈给终端设备。
需要说明的是,本发明实施例六所提供的未登录词进行向量化的方法一般由服务器605执行,相应地,未登录词进行向量化的装置一般设置于服务器605中。
应该理解,图6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。
下面参考图7,其示出了适于用来实现本发明实施例六的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例,不应对本发明实施例六的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;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707;包括硬盘等的存储部分708;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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,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710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708。
特别地,根据本发明公开的实施例七,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,本发明公开的实施例七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。在这样的实施例七中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示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。在本发明中,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。而在本发明中,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存储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。
附图中的流程图和框图,图示了按照本发明各种实施例七的系统、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,上述模块、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,框图或流程图中的每个方框、以及框图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。
描述于本发明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。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括拆分模块、位置标记模块、参与成词模块和词向量模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,拆分模块还可以被描述为“将待向量化的未登录词进行拆分,得到所述未登录词的待向量化字符的模块”。
作为另一方面,本发明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设备中所包含的;也可以是单独存在,而未装配入该设备中。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一个该设备执行时,使得该设备包括:将待向量化的未登录词进行拆分,得到未登录词的待向量化字符;根据每个待向量化字符在未登录词中的位置,确定待向量化字符相对于未登录词的位置标记;对于每个待向量化字符,根据其相对于未登录词的位置标记,确定该待向量化字符所在参与成词的词向量;根据确定的参与成词的词向量,确定未登录词的词向量。
本发明实施例,根据每个待向量化字符在未登录词中的位置,确定待向量化字符相对于未登录词的位置标记。以及,对于每个待向量化字符,根据其相对于未登录词的位置标记,确定该待向量化字符所在参与成词的词向量。其中,该待向量化字符相对于其所在参与成词的位置标记,与该待向量化字符相对于未登录词的位置标记相同。由于每个字符在词组中的位置标记不同,则其含义很可能会有很大的区别,对字符的位置信息进行考虑,会对词的进行更细致准确的区分,对于区别较大的词,在进行词向量化是可不相互作为参考。因此,本发明实施例考虑到了构成未登录词中每个字符的位置信息,可得到未登录词更合理的向量化表示。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种未登录词进行向量化的方法,其特征在于,包括:
将待向量化的未登录词进行拆分,得到所述未登录词的待向量化字符;
根据每个待向量化字符在所述未登录词中的位置,确定每个待向量化字符相对于所述未登录词的位置标记;
根据所述位置标记,确定每个待向量化字符所在参与成词的词向量;
根据确定的参与成词的词向量,确定所述未登录词的词向量。
2.根据权利要求1所述的方法,其特征在于,所述根据确定的参与成词的词向量,确定所述未登录词的词向量包括:
确定每个待向量化字符在其所在参与成词中的语义贡献度,以及根据所述语义贡献度确定该待向量化字符的加权向量表示;
根据每个待向量化字符的加权向量表示,确定所述未登录词的词向量。
3.根据权利要求2所述的方法,其特征在于,确定每个待向量化字符在其所在参与成词中的语义贡献度包括:
确定每个待向量化字符的初始向量表示;
对于每个待向量化字符,计算其初始向量表示与其所在参与成词的词向量的余弦相似度值;所述余弦相似度值为该待向量化字符在其所在参与成词中的语义贡献度。
4.根据权利要求1所述的方法,其特征在于,根据每个待向量化字符在所述未登录词中的位置,确定每个待向量化字符相对于所述未登录词的位置标记包括:
确定预设的位置标记分类;所述位置标记分类中包括左字符、中字符和右字符;
根据所述位置标记分类以及每个待向量化字符在所述未登录词中的位置,确定每个待向量化字符相对于所述未登录词的位置标记。
5.根据权利要求1所述的方法,其特征在于,根据所述位置标记,确定每个待向量化字符所在参与成词的词向量包括:
获取词库,所述词库中包括至少一个成词和成词的词向量,所述词向量通过Word2vec训练得到;对于每个待向量化字符,根据其相对于所述未登录词的位置标记,在所述词库中查找出该待向量化字符所在参与成词,以及所述参与成词的词向量;
在根据确定的参与成词的词向量,确定所述未登录词的词向量之后,还包括:将所述未登录词和其词向量添加至所述词库。
6.根据权利要求1所述的方法,其特征在于,所述待向量化字符相对于其所在参与成词的位置标记,与所述待向量化字符相对于所述未登录词的位置标记相同。
7.一种未登录词进行向量化的装置,其特征在于,包括:
拆分模块,用于将待向量化的未登录词进行拆分,得到所述未登录词的待向量化字符;
位置标记模块,用于根据每个待向量化字符在所述未登录词中的位置,确定每个待向量化字符相对于所述未登录词的位置标记;
参与成词模块,用于根据所述位置标记,确定每个待向量化字符所在参与成词的词向量;
词向量模块,用于根据确定的参与成词的词向量,确定所述未登录词的词向量。
8.根据权利要求7所述的装置,其特征在于,所述词向量模块还用于,确定每个待向量化字符在其所在参与成词中的语义贡献度,以及根据所述语义贡献度确定该待向量化字符的加权向量表示;根据每个待向量化字符的加权向量表示,确定所述未登录词的词向量。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910992882.7A CN112686035B (zh) | 2019-10-18 | 一种未登录词进行向量化的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910992882.7A CN112686035B (zh) | 2019-10-18 | 一种未登录词进行向量化的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112686035A true CN112686035A (zh) | 2021-04-20 |
CN112686035B CN112686035B (zh) | 2024-07-16 |
Family
ID=
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989818A (zh) * | 2021-05-12 | 2021-06-18 | 北京明略软件系统有限公司 | 一种未登录词词向量生成方法及装置 |
CN113342934A (zh) * | 2021-05-31 | 2021-09-03 | 北京明略软件系统有限公司 | 一种词向量的确定方法、装置、存储介质和电子装置 |
CN113342932A (zh) * | 2021-05-31 | 2021-09-03 | 北京明略软件系统有限公司 | 目标词向量的确定方法、装置、存储介质和电子装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014002774A1 (ja) * | 2012-06-25 | 2014-01-03 | 日本電気株式会社 | 同義語抽出システム、方法および記録媒体 |
JP2014002237A (ja) * | 2012-06-18 | 2014-01-09 | Nippon Telegr & Teleph Corp <Ntt> | 音声認識単語追加装置とその方法とプログラム |
CN107273355A (zh) * | 2017-06-12 | 2017-10-20 | 大连理工大学 | 一种基于字词联合训练的中文词向量生成方法 |
CN108874765A (zh) * | 2017-05-15 | 2018-11-23 | 阿里巴巴集团控股有限公司 | 词向量处理方法及装置 |
CN109145294A (zh) * | 2018-08-07 | 2019-01-04 | 北京三快在线科技有限公司 | 文本实体识别方法及装置、电子设备、存储介质 |
CN109359233A (zh) * | 2018-09-13 | 2019-02-19 | 广州帷策智能科技有限公司 | 基于自然语言处理技术的公网海量信息监测方法和系统 |
CN109472022A (zh) * | 2018-10-15 | 2019-03-15 | 平安科技(深圳)有限公司 | 基于机器学习的新词识别方法及终端设备 |
CN109918579A (zh) * | 2019-01-29 | 2019-06-21 | 罗向阳 | 基于语义特性提取位置指示词的位置推断方法 |
CN110119505A (zh) * | 2018-02-05 | 2019-08-13 | 阿里巴巴集团控股有限公司 | 词向量生成方法、装置以及设备 |
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014002237A (ja) * | 2012-06-18 | 2014-01-09 | Nippon Telegr & Teleph Corp <Ntt> | 音声認識単語追加装置とその方法とプログラム |
WO2014002774A1 (ja) * | 2012-06-25 | 2014-01-03 | 日本電気株式会社 | 同義語抽出システム、方法および記録媒体 |
CN108874765A (zh) * | 2017-05-15 | 2018-11-23 | 阿里巴巴集团控股有限公司 | 词向量处理方法及装置 |
CN107273355A (zh) * | 2017-06-12 | 2017-10-20 | 大连理工大学 | 一种基于字词联合训练的中文词向量生成方法 |
CN110119505A (zh) * | 2018-02-05 | 2019-08-13 | 阿里巴巴集团控股有限公司 | 词向量生成方法、装置以及设备 |
CN109145294A (zh) * | 2018-08-07 | 2019-01-04 | 北京三快在线科技有限公司 | 文本实体识别方法及装置、电子设备、存储介质 |
CN109359233A (zh) * | 2018-09-13 | 2019-02-19 | 广州帷策智能科技有限公司 | 基于自然语言处理技术的公网海量信息监测方法和系统 |
CN109472022A (zh) * | 2018-10-15 | 2019-03-15 | 平安科技(深圳)有限公司 | 基于机器学习的新词识别方法及终端设备 |
CN109918579A (zh) * | 2019-01-29 | 2019-06-21 | 罗向阳 | 基于语义特性提取位置指示词的位置推断方法 |
Non-Patent Citations (1)
Title |
---|
秦文, 苑春法: "基于决策树的汉语未登录词识别", 中文信息学报, no. 01, 25 January 2004 (2004-01-25) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989818A (zh) * | 2021-05-12 | 2021-06-18 | 北京明略软件系统有限公司 | 一种未登录词词向量生成方法及装置 |
CN113342934A (zh) * | 2021-05-31 | 2021-09-03 | 北京明略软件系统有限公司 | 一种词向量的确定方法、装置、存储介质和电子装置 |
CN113342932A (zh) * | 2021-05-31 | 2021-09-03 | 北京明略软件系统有限公司 | 目标词向量的确定方法、装置、存储介质和电子装置 |
CN113342934B (zh) * | 2021-05-31 | 2024-04-19 | 北京明略软件系统有限公司 | 一种词向量的确定方法、装置、存储介质和电子装置 |
CN113342932B (zh) * | 2021-05-31 | 2024-04-19 | 北京明略软件系统有限公司 | 目标词向量的确定方法、装置、存储介质和电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107436875B (zh) | 文本分类方法及装置 | |
CN107491534B (zh) | 信息处理方法和装置 | |
CN107241260B (zh) | 基于人工智能的新闻推送的方法和装置 | |
CN110705301B (zh) | 实体关系抽取方法及装置、存储介质、电子设备 | |
US10387531B1 (en) | Processing structured documents using convolutional neural networks | |
JP6661790B2 (ja) | テキストタイプを識別する方法、装置及びデバイス | |
CN110162620B (zh) | 黑产广告的检测方法、装置、服务器及存储介质 | |
CN111159409B (zh) | 基于人工智能的文本分类方法、装置、设备、介质 | |
CN113095080B (zh) | 基于主题的语义识别方法、装置、电子设备和存储介质 | |
CN114861889B (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
CN110874532A (zh) | 提取反馈信息的关键词的方法和装置 | |
CN111414561A (zh) | 用于呈现信息的方法和装置 | |
CN113761190A (zh) | 文本识别方法、装置、计算机可读介质及电子设备 | |
CN106663123B (zh) | 以评论为中心的新闻阅读器 | |
CN111753029A (zh) | 实体关系抽取方法、装置 | |
CN115269828A (zh) | 用于生成评论回复的方法、设备和介质 | |
CN114298007A (zh) | 一种文本相似度确定方法、装置、设备及介质 | |
CN112906368B (zh) | 行业文本增量方法、相关装置及计算机程序产品 | |
CN112307738B (zh) | 用于处理文本的方法和装置 | |
Bharathi et al. | Machine Learning Based Approach for Sentiment Analysis on Multilingual Code Mixing Text. | |
CN110852057A (zh) | 一种计算文本相似度的方法和装置 | |
CN112926298A (zh) | 新闻内容识别方法、相关装置及计算机程序产品 | |
US20190325050A1 (en) | Natural language processing social-based matrix refactorization | |
CN112686035B (zh) | 一种未登录词进行向量化的方法和装置 | |
CN111274818B (zh) | 词向量的生成方法、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 |