CN112765967A - 文本正则化的处理方法、装置、电子设备及存储介质 - Google Patents
文本正则化的处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112765967A CN112765967A CN201911070520.9A CN201911070520A CN112765967A CN 112765967 A CN112765967 A CN 112765967A CN 201911070520 A CN201911070520 A CN 201911070520A CN 112765967 A CN112765967 A CN 112765967A
- Authority
- CN
- China
- Prior art keywords
- vector
- processed
- text
- context
- regular
- 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
Images
Landscapes
- Machine Translation (AREA)
Abstract
本实施例提供的文本正则化的处理方法、装置、电子设备及存储介质,通过对待处理数字的文本信息进行向量化处理,获得待处理数字的数字向量和所述待处理数字上下文的上下文向量,将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得所述待处理数字对应的正则读音策略;利用所述正则读音策略对所述待处理数字进行处理,输出包括待处理数字的读音文本在内的文本信息的读音文本的方案,从而利用正则判别模型实现对于数字的正则读音策略的确定,进而避免出现同一数字与多个正则读音策略同时匹配的问题,也有效提高了处理效率,提升处理效果。
Description
技术领域
本公开实施例涉及数据处理领域,尤其涉及一种文本正则化的处理方法、装置、电子设备及存储介质。
背景技术
文本正则化的处理是指将原始文本(包含数字、符号等)转写成可读文本的过程,其在语音合成、语音识别、自然语言理解等多个领域都有着重要的应用。
现有技术中,在利用文本正则化进行语音合成时,由于汉语言读音的多样化,数字在不同的语言环境下将存在不同的读音。为了保证对数字的文本正则化处理的正确性,一般会通过人工的方式编写若干正则读音规则,并利用这些正则读音规则将数字转为相应的读音文本。
但是,现有技术中针对于每一数字需要基于若干正则读音规则进行一一比对,一方面,其处理效率较低,另一方面,基于汉语言读音的环境多样化,同一数字可能同时满足多个正则读音规则,导致对同一数字进行正则化处理将输出多个读音文本的问题。
发明内容
针对上述问题,本公开提供了一种文本正则化的处理方法、装置、电子设备及存储介质。
第一方面,本公开实施例提供一种文本正则化的处理方法,包括:
对待处理数字的文本信息进行向量化处理,获得待处理数字的数字向量和所述待处理数字上下文的上下文向量;
将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得所述待处理数字对应的正则读音策略;
利用所述正则读音策略对所述待处理数字进行处理,输出包括待处理数字的读音文本在内的文本信息的读音文本。
第二方面,本公开实施例提供一种文本正则化的处理装置,包括:
第一处理模块,用于对待处理数字的文本信息进行向量化处理,获得待处理数字的数字向量和所述待处理数字上下文的上下文向量;
第二处理模块,用于将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得所述待处理数字对应的正则读音策略;
转换模块,用于利用所述正则读音策略对所述待处理数字进行处理,输出包括待处理数字的读音文本在内的文本信息的读音文本。
第三方面,本公开实施例提供一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的文本正则化的处理方法。
第四方面,本公开实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的文本正则化的处理方法。
本实施例提供的文本正则化的处理方法、装置、电子设备及存储介质,通过对待处理数字的文本信息进行向量化处理,获得待处理数字的数字向量和所述待处理数字上下文的上下文向量,将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得所述待处理数字对应的正则读音策略;利用所述正则读音策略对所述待处理数字进行处理,输出包括待处理数字的读音文本在内的文本信息的读音文本。的方案,从而利用正则判别模型实现对于数字的正则读音策略的确定,进而避免出现同一数字与多个正则读音策略同时匹配的问题,也有效提高了处理效率,提升处理效果。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开所基于的网络架构的示意图;
图2为本公开实施例提供的一种文本正则化的处理方法的流程示意图;
图3为本公开实施例提供的一种文本正则化的处理方法的界面示意图;
图4为本公开实施例提供的文本正则化的处理装置的结构框图;
图5为本公开实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
文本正则化的处理是指将原始文本(包含数字、符号等)转写成可读文本的过程,其在语音合成、语音识别、自然语言理解等多个领域都有着重要的应用。
现有技术中,在利用文本正则化进行语音合成时,由于汉语言读音的多样化,数字在不同的语言环境下将存在不同的读音。为了保证对数字的文本正则化处理的正确性,一般会通过人工的方式编写若干正则读音规则,并利用这些正则读音规则将数字转为相应的读音文本。
但是,现有技术中针对于每一数字需要基于若干正则读音规则进行一一比对。举例来说,针对“他2015年参加工作”这一文本信息中出现了数字“2015”,为了确定该“2015”的读音文本,需要将该数字与各正则读音规则进行比对,以确定该“2015”所匹配的正则读音规则,进而基于正则读音规则获取其读音文本“二零一五”;又例如,针对“他今年18岁”这一文本信息中出现了数字“18”,通过与各正则读音规则进行比对,可确定该“18”的读音文本为“十八”。
采用这样的方式由于将每一数字与各正则规则依次进行比对,其比对所需时间较长导致了正则处理效率较低;另一方面,基于汉语言读音的环境多样化,同一数字可能同时满足多个正则读音规则,这将导致对同一数字进行正则化处理将输出多个读音文本,其读音文本的准确性的鲁棒性不高,也影响了基于文本信息的读音文本进行语音合成所获得的音频信息的准确性。
针对上述问题,本公开提供了一种文本正则化的处理方法、装置、电子设备及存储介质。
参考图1,图1为本公开所基于的网络架构的示意图,如图1所示的,本公开基于的一种网络架构可包括文本正则化的处理装置2以及各终端1。
其中,文本正则化的处理装置2是可与各终端1通过网络进行交互的硬件或软件,其可用于执行下述各示例中所述的文本正则化的处理方法,并将获得的包括待处理数字的读音文本在内的文本信息的读音文本输出至各终端1。
当文本正则化的处理装置1为硬件时,包括具备运算功能的云端服务器。当文本正则化的处理装置1为软件时,其可以安装在具备运算功能的电子设备中,其中的电子设备包括但不限于膝上型便携计算机和台式计算机等等。
此外,终端1是指包括智能手机、平板电脑、台式计算机等在内的可与前述的文本正则化的处理装置2通过网络进行通信和信息交互的设备。
本公开所基于的文本正则化的处理方法、装置、电子设备及存储介质可适用于各类信息的推送服务平台,如广告信息的推送平台等。
第一方面,参考图2,图2为本公开实施例提供的一种文本正则化的处理方法的流程示意图。本公开实施例提供的文本正则化的处理方法,包括:
步骤101、对待处理数字的文本信息进行向量化处理,获得待处理数字的数字向量和所述待处理数字上下文的上下文向量。
需要说明的是,本示例的提供的处理方法的执行主体为前述的文本正则化的处理装置。
文本正则化的处理装置首先将对待处理文本信息进行文本提取,获得待处理数字的文本信息。其中,待处理数字的文本信息包括所述待处理数字的文本和所述待处理数字上下文的文本。
举例来说,待处理文本信息具体可为从小说的段落中提取出来的句子,其具体的提取的方式可基于正则提取,如以句号作为前一句子和后一句子的分节符,将相邻的两个句号之间的字符提取出来作为本示例所述的待处理文本信息。即,待处理文本信息具体可如“2018年的冬天,18岁的他找到了第1份工作”。
随后,处理装置将对待处理文本信息进行文本提取,以得到待处理数字的文本信息,如前例中的“2018年的冬天”,“18岁的他”以及“第1份工作”。可知的是,本示例中所述的待处理数字是指以阿拉伯数字为表示方式的数字,而待处理数字的文本信息则应包括有阿拉伯数字本身以及阿拉伯数字的上下文。进一步的,对于上下文的获取可基于语义识别技术,例如可针对前述的待处理文本信息进行语法分析,以将该句子划分成多个字词,并按照每一字词的语法成分组成若干短句,如“2018年的冬天”“18岁的他”“找到了”“第1份工作”;再后,将具有阿拉伯数字的短句提取出来,即“2018年的冬天”“18岁的他”“第1份工作”,这些短句将构成本示例中的待处理数字的文本信息;确定这些短句中的数字部分和非数字部分,数字部分将成为本示例中的待处理数字的文本,而非数字部分则为待处理数字上下文的文本,即针对“18岁的他”这一待处理数字的文本信息,“18”为待处理数字的文本,“岁的他”为待处理数字上下文的文本。
再后,处理装置将对所述待处理数字的文本和所述上下文的文本进行向量化处理,获得所述数字向量和所述上下文向量。具体来说,处理装置可利用文本向量转换模型分别对所述待处理数字的文本和所述上下文的文本进行向量转换,获得待处理数字的文本转换向量和所述上下文的文本转换向量,其中的文本向量转换模型可为现有模型,例如双向编码模型(Bidirectional Encoder Representations from Transformers,简称BERT);还可例如Pretrained Embedding Table模型等。利用这些模型,可分别对所述待处理数字的文本和所述上下文的文本进行向量转换,获得待处理数字的文本转换向量和所述上下文的文本转换向量。
此外,为了便于后续向量的来源进行区别,在获得的待处理数字的文本转换向量的基础上,在其末尾还将添加一数字标识向量,以组成数字向量;相应的,在获得上下文的文本转换向量的基础上,其末尾添加一上下文标识向量,以组成上下文向量。其中,所述数字标识向量用于表示所述数字向量是对所述待处理数字进行向量转换所得到的,而上下文标识向量用于表示所述上下文向量是对所述上下文的文本进行向量转换所得到的,举例来说,数字标识向量中的元素可置1,而上下文标识向量中的元素可置0。也就是说,上述添加的数字标识向量和上下文标识向量可用于对于向量的类型进行区分,以便于后续处理。
步骤102、将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得所述待处理数字对应的正则读音策略。
具体来说,在本示例中正则判别模型可为机器学习模型,其可基于神经网络算法并根据上下文向量,对于待处理数字的数字向量进行处理,以输出该待处理数字所对应的正则读音策略。举例来说,前述的正则判别模型可为NNTN判别模型,该模型可用于计算和确定待处理数字与各正则读音策略之间的匹配概率,并将匹配概率最高的正则读音策略进行输出。
将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得正则判别输出结果;所述正则判别输出结果用于表示在若干读音规则中与所述待处理数字匹配度最高的读音规则;判断所述正则判别输出结果是否可作为正则读音策略,若是,则将所述正则判别输出结果作为所述正则读音策略;若否,则将预设的正则读音规则作为所述正则读音策略。
在建立正则判别模型过程中,用于输出的正则读音策略可包括但不限于如下类型:
“A_Two_Liang”“A_Read_No_Zero”“A_Read_Time”“A_Read_Other”“A_Spell_Keep_Zero”“A_One_Yao_Spell”;“B_Range”“B_Currency_Symbol”“B_Time”“B_Time_Indicator”“B_Percent”“B_Percent_Range”“B_Spell_Dot”“B_Time_Indicator_Range”“B_Year_Range”“B_Score_Ratio”“B_S_Omit”“B_R_Omit”“B_Slash_Fraction”“B_Slash_Per”“B_Slash_Or”“B_Slash_And”“B_Date_YM”“B_Date_MD”“B_Date_DM”“B_Date_MY”“B_Date_YMD”“B_Date_YDM”“B_Date_DMY”“B_Date_MDY”“B_Date_Eng_YMD”“B_Date_Eng_YMD_Range”“B_Date_Eng_MD_Range”“B_Read_Comma”“B_Spell_Comma”;“None”。
需要说明的是,上述的正则读音策略可分为三类“A_XXXX”“B_XXXX”以及“None”,其中,“A_XXXX”这一类正则读音策略适用于不含标点的数字,如前述的“18”在“18岁的他”这一环境中应读为“十八”;“2018”在“2018年的冬天”这一环境中读为“二零一八”;“1”在“第1份工作”这一环境中读为“一”。“B_XXXX”这一类正则读音策略适用于含标点的数字,例如,“200,000”在“200,000人”这一环境中应读为“二十万”,“10/10/2018”在“日期:10/10/2018”这一环境下应读为“二零一八年十月十日”等等。当待处理数字均不适用于上述正则读音策略时,则输出“None”,此时,将采用现有的文字正则化处理方式对待处理数字进行处理。
可选的,该处理方法还包括:建立正则判别模型,对样本数字的文本信息进行标注,利用所述样本数字的文本信息和标注结果,对所述正则判别模型进行训练,获得训练完毕的正则判别模型。
步骤103、利用所述正则读音策略对所述待处理数字进行处理,输出包括待处理数字的读音文本在内的文本信息的读音文本。
具体来说,处理装置在获得待处理数字的正则读音策略之后,还将根据正则读音策略对其进行处理,以获得包括全部待处理文本的文本信息所对应的读音文本,其中,该读音文本用于表示文本中每一个字的读音。
图3为本公开实施例提供的一种文本正则化的处理方法的界面示意图,如图3所示的,处理装置会将文本信息以及相应的读音文本发送至终端,以使终端在显示界面显示文本信息,并基于获取的读音文本进行语音合成获得相应的音频数据,并输出给用户。
本实施例提供的文本正则化的处理方法,通过对待处理数字的文本信息进行向量化处理,获得待处理数字的数字向量和所述待处理数字上下文的上下文向量,将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得所述待处理数字对应的正则读音策略;利用所述正则读音策略对所述待处理数字进行处理,输出包括待处理数字的读音文本在内的文本信息的读音文本。的方案,从而利用正则判别模型实现对于数字的正则读音策略的确定,进而避免出现同一数字与多个正则读音策略同时匹配的问题,也有效提高了处理效率,提升处理效果。
对应于上文实施例的文本正则化的处理方法,图4为本公开实施例提供的文本正则化的处理装置的结构框图。为了便于说明,仅示出了与本公开实施例相关的部分。参照图4,所述文本正则化的处理装置包括:第一处理模块10、第二处理模块20和转换模块30。
其中,第一处理模块10,用于对待处理数字的文本信息进行向量化处理,获得待处理数字的数字向量和所述待处理数字上下文的上下文向量;
第二处理模块20,用于将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得所述待处理数字对应的正则读音策略;
转换模块30,用于利用所述正则读音策略对所述待处理数字进行处理,输出包括待处理数字的读音文本在内的文本信息的读音文本。
本公开提供的可选示例中,所述第一处理模块10,具体用于:对待处理文本信息进行文本提取,获得待处理数字的文本信息;其中,所述待处理数字的文本信息包括所述待处理数字的文本和所述待处理数字上下文的文本;对所述待处理数字的文本和所述上下文的文本进行向量化处理,获得所述数字向量和所述上下文向量。
本公开提供的可选示例中,第一处理模块10,具体用于利用文本向量转换模型分别对所述待处理数字的文本和所述上下文的文本进行向量转换,获得待处理数字的文本转换向量和所述上下文的文本转换向量;
所述待处理数字的文本转换向量以及数字标识向量,组成所述数字向量;其中,所述数字标识向量用于表示所述数字向量是对所述待处理数字进行向量转换所得到的;
所述上下文的文本转换向量以及上下文标识向量,组成所述上下文向量;其中,所述上下文标识向量用于表示所述上下文向量是对所述上下文的文本进行向量转换所得到的。
本公开提供的可选示例中,所述第二处理模块20,具体用于将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得正则判别输出结果;所述正则判别输出结果用于表示在若干读音规则中与所述待处理数字匹配度最高的读音规则;
判断所述正则判别输出结果是否可作为正则读音策略,若是,则将所述正则判别输出结果作为所述正则读音策略;若否,则将预设的正则读音规则作为所述正则读音策略。
本公开提供的可选示例中,处理装置还包括:训练模块;
所述训练模块用于建立正则判别模型,并对样本数字的文本信息进行标注;利用所述样本数字的文本信息和标注结果,对所述正则判别模型进行训练,获得训练完毕的正则判别模型。
本实施例提供的文本正则化的处理装置,通过对待处理数字的文本信息进行向量化处理,获得待处理数字的数字向量和所述待处理数字上下文的上下文向量,将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得所述待处理数字对应的正则读音策略;利用所述正则读音策略对所述待处理数字进行处理,输出包括待处理数字的读音文本在内的文本信息的读音文本。的方案,从而利用正则判别模型实现对于数字的正则读音策略的确定,进而避免出现同一数字与多个正则读音策略同时匹配的问题,也有效提高了处理效率,提升处理效果。
本实施例提供的电子设备,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
参考图5,其示出了适于用来实现本公开实施例的电子设备900的结构示意图,该电子设备900可以为终端设备或服务器。其中,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、个人数字助理(Personal Digital Assistant,简称PDA)、平板电脑(Portable Android Device,简称PAD)、便携式多媒体播放器(Portable MediaPlayer,简称PMP)、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5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5所示,电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901,其可以根据存储在只读存储器(Read Only Memory,简称ROM)902中的程序或者从存储装置908加载到随机访问存储器(Random Access Memory,简称RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常,以下装置可以连接至I/O接口905: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906;包括例如液晶显示器(Liquid CrystalDisplay,简称LCD)、扬声器、振动器等的输出装置907;包括例如磁带、硬盘等的存储装置908;以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备900,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909从网络上被下载和安装,或者从存储装置908被安装,或者从ROM902被安装。在该计算机程序被处理装置901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。
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,使得该电子设备执行上述实施例所示的方法。
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(LocalArea Network,简称LAN)或广域网(Wide Area Network,简称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。其中,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,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
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。
以下是本公开的一些实施例。
第一方面,根据本公开的一个或多个实施例,一种文本正则化的处理方法,包括:
对待处理数字的文本信息进行向量化处理,获得待处理数字的数字向量和所述待处理数字上下文的上下文向量;
将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得所述待处理数字对应的正则读音策略;
利用所述正则读音策略对所述待处理数字进行处理,输出包括待处理数字的读音文本在内的文本信息的读音文本。
在本公开提供的可选实施例中,所述对待处理数字的文本信息进行向量化处理,获得待处理数字的数字向量和所述待处理数字上下文的上下文向量,包括:
对待处理文本信息进行文本提取,获得待处理数字的文本信息;其中,所述待处理数字的文本信息包括所述待处理数字的文本和所述待处理数字上下文的文本;
对所述待处理数字的文本和所述上下文的文本进行向量化处理,获得所述数字向量和所述上下文向量。
在本公开提供的可选实施例中,对所述待处理数字的文本和所述上下文的文本进行向量化处理,获得所述数字向量和所述上下文向量,包括:
利用文本向量转换模型分别对所述待处理数字的文本和所述上下文的文本进行向量转换,获得待处理数字的文本转换向量和所述上下文的文本转换向量;
所述待处理数字的文本转换向量以及数字标识向量,组成所述数字向量;其中,所述数字标识向量用于表示所述数字向量是对所述待处理数字进行向量转换所得到的;
所述上下文的文本转换向量以及上下文标识向量,组成所述上下文向量;其中,所述上下文标识向量用于表示所述上下文向量是对所述上下文的文本进行向量转换所得到的。
在本公开提供的可选实施例中,所述将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得所述待处理数字对应的正则读音策略,包括:
将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得正则判别输出结果;所述正则判别输出结果用于表示在若干读音规则中与所述待处理数字匹配度最高的读音规则;
判断所述正则判别输出结果是否可作为正则读音策略,若是,则将所述正则判别输出结果作为所述正则读音策略;若否,则将预设的正则读音规则作为所述正则读音策略。
在本公开提供的可选实施例中,还包括:
建立正则判别模型,并对样本数字的文本信息进行标注;
利用所述样本数字的文本信息和标注结果,对所述正则判别模型进行训练,获得训练完毕的正则判别模型。
第二方面,根据本公开的一个或多个实施例,一种文本正则化的处理装置,包括:
第一处理模块,用于对待处理数字的文本信息进行向量化处理,获得待处理数字的数字向量和所述待处理数字上下文的上下文向量;
第二处理模块,用于将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得所述待处理数字对应的正则读音策略;
转换模块,用于利用所述正则读音策略对所述待处理数字进行处理,输出包括待处理数字的读音文本在内的文本信息的读音文本。
在本公开提供的可选实施例中,所述第一处理模块,具体用于:对待处理文本信息进行文本提取,获得待处理数字的文本信息;其中,所述待处理数字的文本信息包括所述待处理数字的文本和所述待处理数字上下文的文本;
对所述待处理数字的文本和所述上下文的文本进行向量化处理,获得所述数字向量和所述上下文向量。
在本公开提供的可选实施例中,第一处理模块,具体用于利用文本向量转换模型分别对所述待处理数字的文本和所述上下文的文本进行向量转换,获得待处理数字的文本转换向量和所述上下文的文本转换向量;
所述待处理数字的文本转换向量以及数字标识向量,组成所述数字向量;其中,所述数字标识向量用于表示所述数字向量是对所述待处理数字进行向量转换所得到的;
所述上下文的文本转换向量以及上下文标识向量,组成所述上下文向量;其中,所述上下文标识向量用于表示所述上下文向量是对所述上下文的文本进行向量转换所得到的。
在本公开提供的可选实施例中,所述第二处理模块,具体用于将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得正则判别输出结果;所述正则判别输出结果用于表示在若干读音规则中与所述待处理数字匹配度最高的读音规则;
判断所述正则判别输出结果是否可作为正则读音策略,若是,则将所述正则判别输出结果作为所述正则读音策略;若否,则将预设的正则读音规则作为所述正则读音策略。
在本公开提供的可选实施例中,还包括:训练模块;
所述训练模块用于建立正则判别模型,并对样本数字的文本信息进行标注;利用所述样本数字的文本信息和标注结果,对所述正则判别模型进行训练,获得训练完毕的正则判别模型。
第三方面,根据本公开的一个或多个实施例,一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如前所述的文本正则化的处理方法。
第四方面,根据本公开的一个或多个实施例,一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如前所述的文本正则化的处理方法。
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。
Claims (12)
1.一种文本正则化的处理方法,其特征在于,包括:
对待处理数字的文本信息进行向量化处理,获得待处理数字的数字向量和所述待处理数字上下文的上下文向量;
将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得所述待处理数字对应的正则读音策略;
利用所述正则读音策略对所述待处理数字进行处理,输出包括待处理数字的读音文本在内的文本信息的读音文本。
2.根据权利要求1所述的文本正则化的处理方法,其特征在于,所述对待处理数字的文本信息进行向量化处理,获得待处理数字的数字向量和所述待处理数字上下文的上下文向量,包括:
对待处理文本信息进行文本提取,获得待处理数字的文本信息;其中,所述待处理数字的文本信息包括所述待处理数字的文本和所述待处理数字上下文的文本;
对所述待处理数字的文本和所述上下文的文本进行向量化处理,获得所述数字向量和所述上下文向量。
3.根据权利要求1所述的文本正则化的处理方法,其特征在于,对所述待处理数字的文本和所述上下文的文本进行向量化处理,获得所述数字向量和所述上下文向量,包括:
利用文本向量转换模型分别对所述待处理数字的文本和所述上下文的文本进行向量转换,获得待处理数字的文本转换向量和所述上下文的文本转换向量;
所述待处理数字的文本转换向量以及数字标识向量,组成所述数字向量;其中,所述数字标识向量用于表示所述数字向量是对所述待处理数字进行向量转换所得到的;
所述上下文的文本转换向量以及上下文标识向量,组成所述上下文向量;其中,所述上下文标识向量用于表示所述上下文向量是对所述上下文的文本进行向量转换所得到的。
4.根据权利要求1所述的文本正则化的处理方法,其特征在于,所述将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得所述待处理数字对应的正则读音策略,包括:
将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得正则判别输出结果;所述正则判别输出结果用于表示在若干读音规则中与所述待处理数字匹配度最高的读音规则;
判断所述正则判别输出结果是否可作为正则读音策略,若是,则将所述正则判别输出结果作为所述正则读音策略;若否,则将预设的正则读音规则作为所述正则读音策略。
5.根据权利要求1-4任一项所述的文本正则化的处理方法,其特征在于,还包括:
建立正则判别模型,并对样本数字的文本信息进行标注;
利用所述样本数字的文本信息和标注结果,对所述正则判别模型进行训练,获得训练完毕的正则判别模型。
6.一种文本正则化的处理装置,其特征在于,包括:
第一处理模块,用于对待处理数字的文本信息进行向量化处理,获得待处理数字的数字向量和所述待处理数字上下文的上下文向量;
第二处理模块,用于将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得所述待处理数字对应的正则读音策略;
转换模块,用于利用所述正则读音策略对所述待处理数字进行处理,输出包括待处理数字的读音文本在内的文本信息的读音文本。
7.根据权利要求6所述的文本正则化的处理装置,其特征在于,所述第一处理模块,具体用于:对待处理文本信息进行文本提取,获得待处理数字的文本信息;其中,所述待处理数字的文本信息包括所述待处理数字的文本和所述待处理数字上下文的文本;
对所述待处理数字的文本和所述上下文的文本进行向量化处理,获得所述数字向量和所述上下文向量。
8.根据权利要求6所述的文本正则化的处理装置,其特征在于,第一处理模块,具体用于利用文本向量转换模型分别对所述待处理数字的文本和所述上下文的文本进行向量转换,获得待处理数字的文本转换向量和所述上下文的文本转换向量;
所述待处理数字的文本转换向量以及数字标识向量,组成所述数字向量;其中,所述数字标识向量用于表示所述数字向量是对所述待处理数字进行向量转换所得到的;
所述上下文的文本转换向量以及上下文标识向量,组成所述上下文向量;其中,所述上下文标识向量用于表示所述上下文向量是对所述上下文的文本进行向量转换所得到的。
9.根据权利要求6所述的文本正则化的处理装置,其特征在于,所述第二处理模块,具体用于将所述待处理数字的数字向量和相应的上下文向量输入训练完毕的正则判别模型,获得正则判别输出结果;所述正则判别输出结果用于表示在若干读音规则中与所述待处理数字匹配度最高的读音规则;
判断所述正则判别输出结果是否可作为正则读音策略,若是,则将所述正则判别输出结果作为所述正则读音策略;若否,则将预设的正则读音规则作为所述正则读音策略。
10.根据权利要求6-9任一项所述的文本正则化的处理装置,其特征在于,还包括:训练模块;
所述训练模块用于建立正则判别模型,并对样本数字的文本信息进行标注;利用所述样本数字的文本信息和标注结果,对所述正则判别模型进行训练,获得训练完毕的正则判别模型。
11.一种电子设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1-5任一项所述的文本正则化的处理方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1-5任一项所述的文本正则化的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911070520.9A CN112765967A (zh) | 2019-11-05 | 2019-11-05 | 文本正则化的处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911070520.9A CN112765967A (zh) | 2019-11-05 | 2019-11-05 | 文本正则化的处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112765967A true CN112765967A (zh) | 2021-05-07 |
Family
ID=75692611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911070520.9A Pending CN112765967A (zh) | 2019-11-05 | 2019-11-05 | 文本正则化的处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112765967A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070150279A1 (en) * | 2005-12-27 | 2007-06-28 | Oracle International Corporation | Word matching with context sensitive character to sound correlating |
CN101661462A (zh) * | 2009-07-17 | 2010-03-03 | 北京邮电大学 | 四层结构的中文文本正则化体系及实现 |
US20180018576A1 (en) * | 2016-07-12 | 2018-01-18 | International Business Machines Corporation | Text Classifier Training |
CN107680580A (zh) * | 2017-09-28 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 文本转换模型训练方法和装置、文本转换方法和装置 |
CN109543153A (zh) * | 2018-11-13 | 2019-03-29 | 成都数联铭品科技有限公司 | 一种序列标注系统及方法 |
-
2019
- 2019-11-05 CN CN201911070520.9A patent/CN112765967A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070150279A1 (en) * | 2005-12-27 | 2007-06-28 | Oracle International Corporation | Word matching with context sensitive character to sound correlating |
CN101661462A (zh) * | 2009-07-17 | 2010-03-03 | 北京邮电大学 | 四层结构的中文文本正则化体系及实现 |
US20180018576A1 (en) * | 2016-07-12 | 2018-01-18 | International Business Machines Corporation | Text Classifier Training |
CN107680580A (zh) * | 2017-09-28 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 文本转换模型训练方法和装置、文本转换方法和装置 |
CN109543153A (zh) * | 2018-11-13 | 2019-03-29 | 成都数联铭品科技有限公司 | 一种序列标注系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107680579B (zh) | 文本正则化模型训练方法和装置、文本正则化方法和装置 | |
KR20210070891A (ko) | 번역품질 평가 방법 및 장치 | |
CN110969012B (zh) | 文本纠错方法、装置、存储介质及电子设备 | |
US20230317055A1 (en) | Method, apparatus, storage medium and electronic device for speech synthesis | |
CN111489735B (zh) | 语音识别模型训练方法及装置 | |
CN111382261B (zh) | 摘要生成方法、装置、电子设备及存储介质 | |
CN112559885B (zh) | 地图兴趣点的训练模型确定方法、装置及电子设备 | |
CN112883968B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN112580339B (zh) | 模型的训练方法、装置、电子设备及存储介质 | |
WO2023082931A1 (zh) | 用于语音识别标点恢复的方法、设备和存储介质 | |
CN110647613A (zh) | 一种课件构建方法、装置、服务器和存储介质 | |
CN115270717A (zh) | 一种立场检测方法、装置、设备及介质 | |
CN112711943B (zh) | 一种维吾尔文语种识别方法、装置及存储介质 | |
CN111681661B (zh) | 语音识别的方法、装置、电子设备和计算机可读介质 | |
CN112837672A (zh) | 对话归属的确定方法、装置、电子设备及存储介质 | |
CN116821327A (zh) | 文本数据处理方法、装置、设备、可读存储介质及产品 | |
CN113420121B (zh) | 文本处理模型训练方法、语音文本处理方法及装置 | |
CN112765967A (zh) | 文本正则化的处理方法、装置、电子设备及存储介质 | |
CN115620726A (zh) | 语音文本生成方法、语音文本生成模型的训练方法、装置 | |
CN112509581B (zh) | 语音识别后文本的纠错方法、装置、可读介质和电子设备 | |
CN112818657B (zh) | 多音字读音的确定方法、装置、电子设备及存储介质 | |
CN111933119B (zh) | 用于生成语音识别网络的方法、装置、电子设备和介质 | |
CN114398896A (zh) | 信息录入方法、装置、电子设备及计算机可读存储介质 | |
CN114758649A (zh) | 一种语音识别方法、装置、设备和介质 | |
CN109657046B (zh) | 内容分析处理方法、装置、电子设备及存储介质 |
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 |