CN112765975A - 分词岐义处理方法、装置、设备以及介质 - Google Patents

分词岐义处理方法、装置、设备以及介质 Download PDF

Info

Publication number
CN112765975A
CN112765975A CN202011558317.9A CN202011558317A CN112765975A CN 112765975 A CN112765975 A CN 112765975A CN 202011558317 A CN202011558317 A CN 202011558317A CN 112765975 A CN112765975 A CN 112765975A
Authority
CN
China
Prior art keywords
word segmentation
participle
segmentation result
result
spatial information
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
Application number
CN202011558317.9A
Other languages
English (en)
Other versions
CN112765975B (zh
Inventor
李岩岩
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011558317.9A priority Critical patent/CN112765975B/zh
Publication of CN112765975A publication Critical patent/CN112765975A/zh
Priority to US17/373,635 priority patent/US20210342538A1/en
Application granted granted Critical
Publication of CN112765975B publication Critical patent/CN112765975B/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
    • G06F40/20—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
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • 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
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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

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

Abstract

本公开提供了一种分词岐义处理方法、装置、设备以及介质，涉及人工智能技术领域，尤其涉及自然语言处理技术领域。该方法包括：获取用户输入的查询语句；对查询语句进行分词，获得至少一个分词结果，其中，至少一个分词结果中的每个分词结果包括至少一个分词；针对每个分词结果，获取与该分词结果的至少一个分词中每个分词所对应的空间特征；以及基于空间特征，从至少一个分词结果中确定与查询语句相对应的目标分词结果。

Description

分词岐义处理方法、装置、设备以及介质
技术领域
本公开涉及人工智能技术领域，尤其涉及自然语言处理技术领域，具体涉及一种分 词岐义处理方法、装置、设备以及介质。
背景技术
分词是将连续的字序列按照一定的规范重新组合成词序列的过程。分词作为自然语 言处理中的基础功能，广泛应用在自然语言处理的各项应用中。分词岐义处理是分词系统处理的最大难点之一，由于自然语言处理的特殊性，随着分词场景不同，要求也不同。
发明内容
本公开提供了一种分词歧义处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种分词歧义处理方法，包括：获取用户输入的查询语句；对查询语句进行分词，获得至少一个分词结果，其中，至少一个分词结果中的每个 分词结果包括至少一个分词；针对每个分词结果，获取与该分词结果的至少一个分词中 每个分词所对应的空间特征；以及基于空间特征，从至少一个分词结果中确定与查询语 句相对应的目标分词结果。
根据本公开的另一方面，提供了一种分词歧义处理装置，包括：第一获取模块，配置 为获取用户输入的查询语句；分词模块，配置为对查询语句进行分词，获得至少一个分词结果，其中，至少一个分词结果中的每个分词结果包括至少一个分词；第一获取模块， 配置为针对每个分词结果，获取与该分词结果的至少一个分词中每个分词所对应的空间 特征；以及确定模块，配置为基于空间特征，从至少一个分词结果中确定与查询语句相 对应的目标分词结果。
根据本公开的另一方面，提供一种电子设备，包括：至少一个处理器；以及与至少一 个处理器通信连接的存储器。存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开实施例的方法。
根据本公开的另一方面，提供一种存储有计算机指令的非瞬时计算机可读存储介质， 其中，计算机指令用于使计算机执行根据本公开实施例的方法。
根据本公开的另一方面，提供一种计算机程序产品，包括计算机程序，其中，计算机 程序在被处理器执行时实现根据本公开实施例的方法。
借助于本公开的一个或多个示例性实施例，对查询语句进行分词，得到多种分词结 果，针对每种分词结果，考虑该分词结果对应的分词的空间特征，以基于分词的空间特征，得到最终的分词结果。由此，提高分词消歧的准确性。
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
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用 于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系 统的示意图；
图2示出了根据本公开的实施例的分词歧义处理方法的流程图；
图3A示出了根据本公开的实施例的分词“北京大学”在电子地图中的分布的示意图；
图3B示出了根据本公开的实施例的分词“长春路”在电子地图中的分布的示意图；
图4示出了根据本公开的实施例的分词歧义处理装置的结构框图；以及
图5示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细 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，而不会背离本公开的范围。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图 限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在 某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的， 而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
分词是将连续的字序列按照一定的规范重新组合成词序列的过程。分词作为自然语 言处理中的基础功能，广泛应用在自然语言处理的各项应用中。分词岐义处理是分词系统处理的最大难点之一。由于自然语言处理的特殊性，分词结果往往和场景相关，在不 同场景下，比如通用搜索场景、地图场景、电商场景等具有不同的分词消歧策略。
在相关技术中，分词消歧方法包括词频统计法、最大词优先法、多元最大切分消岐法等。然而，上述分词消歧方法未考虑分词的空间特征，在LBS(Location Based Service，基于位置的服务)场景下的分词的准确性不高。对此，本公开示例性实施例提供一种分词岐义处理方法，对查询语句进行分词，得到多种分词结果，针对每种分词结果，考虑该分 词结果对应的分词的空间特征，以基于分词的空间特征，得到最终的分词结果。由此，通 过考虑分词的空间特征，提高了分词消歧的准确性。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示 例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、 103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一 个或多个通信网络110。
在一些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服 务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106 的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多 个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各 种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描 述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106输入查询语句。客户 端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还 可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术 人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备， 例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、 可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些 计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如Microsoft Windows、Apple iOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS)；或包括各种移动操作系统，例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助 理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手 持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序， 例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息 服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议 中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例， 一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、 因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、 红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集 或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个 虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储 设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提 供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服 务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA 服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务 器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和 106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器 或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与 虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱 的缺陷。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开的实施例的分词岐义处理方法200的流程图。如图2所示，本公开示例性实施例的方法包括：获取用户输入的查询语句(步骤201)；对查询语句进 行分词，获得至少一个分词结果(步骤202)，至少一个分词结果中的每个分词结果包括 至少一个分词；针对每个分词结果，获取与该分词结果的至少一个分词中每个分词所对 应的空间特征(步骤203)；以及基于空间特征，从至少一个分词结果中确定与查询语句 相对应的目标分词结果(步骤204)。由此，由于分词所对应的空间特征是确定的，通过 考虑分词的空间特征，可以提高分词消歧的准确性。
分词是将连续的字序列按照一定的规范重新组合成词序列的过程。本公开可以使用 任何方法对查询语句进行分词，以获得至少一个分词结果。示例性地，可以使用基于字符串匹配的分词方法、基于统计的分词方法和基于理解的分词方法中的任何一种方法进行分词。基于字符串匹配的分词方法是将查询语句中的词条与语料库中的词进行匹配， 然后返回相应的分词结果。基于统计的分词方法是给定大量已经分词的文本，利用统计 机器学习模型学习词语切分的规律，从而实现对查询语句的切分。基于理解的分词方法 是通过让机器模拟人类对查询语句的理解，以达到识别词的效果。基于理解的分词方法 是在分词的同时进行句法、语义分析，利用句法信息和语义信息处理歧义。
示例性地，对于查询语句“青岛市北京路小学”，可以使用预设的分词方法(例如基于字符串匹配的分词方法，基于统计的分词方法，或基于理解的分词方法)对其进行分 词，获得至少一个分词结果，例如2个分词结果：青岛市/北京/路/小学，以及青岛市/北 京路/小学。示例性地，对于查询语句“北京大学老生物楼”进行分词，也可以得到至少 一个分词结果，例如4个分词结果：北京/大学/老生物楼、北京大学/老/生物/楼、北京大 学/老/生物楼、以及北京大学/老生物楼。
在一些实施例中，分词所对应的空间特征可以包括该分词的第一空间信息熵。分词 的第一空间信息熵可以指基于该分词在电子地图中的面积确定的信息熵。在信息论中，熵(entropy)是接收的每条消息(例如，事件、样本或特征)中包含的信息的平均量，又 称为信息熵。事件的概率分布和每个事件的信息量构成了随机变量，该随机变量的均值 (即期望)则为该概率分布产生的信息量的平均值(即熵)。
示例性地，设X是一个取n个值的离散随机变量，其中，n为正整数，其概率分布 为：
P(X＝xi)＝pi,i＝1,2,…,n，
则随机遍变量X的熵可以定义为：
Figure BDA0002859468400000061
在一些示例中，可以根据分词在电子地图中的面积确定该分词的概率分布。示例性 地，分词的概率分布可以表示为：
Figure BDA0002859468400000062
其中，X表示分词，xi为分词X在电子地图中的第i个分量，Area(xi)为xi在电子地图中的面积，k为分词X在电子地图中的数量。可选地，电子地图的示例可以为百度地 图，高德地图，谷歌地图等，本公开对此并不限制。示例性地，可以根据分词的兴趣点 POI数据确定该分词在电子地图中的面积。本公开不限制确定分词在电子地图中的面积 的具体方式，只要能够确定该分词在电子地图中的面积即可。
在一些实施例中，根据分词的概率分布，可以确定分词的第一空间信息熵为：
Figure BDA0002859468400000063
其中，X表示分词，xi为分词X在电子地图中的第i个分量，Area(xi)为xi在电子地图中的面积，k为分词X在电子地图中的数量。
图3A示出了根据本公开的实施例分词“北京大学”在电子地图中的分布的示意图。如图3A所示，“北京大学”在电子地图中对应一个地理位置301，该地理位置对应有区 域310。由此，可以确定k＝1，以及“北京大学”的概率分布为：P(北京大学＝xi)＝1，i＝1。 根据“北京大学”的概率分布，可以确定“北京大学”的第二空间信息熵为：H(北京大 学)＝0。
图3B示出了根据本公开的实施例分词“长春路”在示意性的电子地图中的分布的示 意图。如图3B所示，方框a-h分别表示电子地图中相应的行政区域(例如，省或市)， “长春路”在电子地图中对应多个地理位置，例如6个地理位置302-1、302-2、302-3、 302-3、302-4、302-5、以及302-6，其中，地理位置302-1在区域a，地理位置302-2在 区域d，地理位置302-3在区域e，地理位置302-4在区域c，地理位置302-5在区域f， 地理位置302-6在区域g。示例性地，在确定出“长春路”的概率分布为(0.1,0.4,0.2,0.2, 0.1)时，可以确定“长春路”的第二空间信息熵为：H(长春路)＝2.12。
可以理解地，对于分词“美食”，其在电子地图中也对应多个地理位置。示例性地，在确定出“美食”的概率分布为(0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01, 0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01, 0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01, 0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01, 0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01, 0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.02,0.03,0.04,0.01)时，可以确定“美 食”的第二空间信息熵为：H(美食)＝6.429。
通过空间信息熵的定义，可知分词对应的熵越大，表示该分词在电子地图中的分布 越离散，对应的电子地图的点的不确定性越大。由此，通过空间信息熵，可以有效衡量每种分词结果的不确定性，以提高分词消歧的准确性。
在一些实施例中，基于空间特征，从至少一个分词结果中确定与查询语句相对应的 目标分词结果包括：针对每个分词结果，根据该分词结果的至少一个分词中每个分词所对应的第一空间信息熵，确定该分词结果的第二空间信息熵；以及根据至少一个分词结 果中每个分词结果的第二空间信息熵，从至少一个分词结果中确定与查询语句相对应的 目标分词结果。
在一些实施例中，分词结果的第二空间信息熵可以表示为该分词结果的至少一个分 词中每个分词所对应的第一空间信息熵的和。示例性地，对于查询语句的分词结果S，其第二空间信息熵可以表示为：
Figure BDA0002859468400000071
其中，X表示该分词结果对应的分词，split(S)表示该分词结果的分词的集合，n表示 集合中分词的数量。
在一些实施例中，根据至少一个分词结果中每个分词结果的第二空间信息熵，从至 少一个分词结果中确定与查询语句相对应的目标分词结果可以包括：将至少一个分词结 果中具有最小第二空间信息熵的分词结果确定为目标分词结果。由此，由于信息熵越小， 其对应的结果越确定，通过将具有最小信息熵的分词结果确定为最终分词结果，可以提 高分词消歧的准确性。
示例性地，对于查询语句S＝青岛市北京路小学，可以使用预设的分词方法对其进行 分词，获得2个分词结果，例如第一分词结果S1＝青岛市/北京/路/小学，以及第二分词结 果S2＝青岛市/北京路/小学。可以根据每种分词结果中对应的分词的第一空间信息熵，确 定该分词结果的第二空间信息熵。例如，第一分词结果S1的第二空间信息熵可以表示为： H(S1)＝H(青岛市)+H(北京)+H(路)+H(小学)。第一分词结果S2的第二空间信息熵可以表示为：H(S2)＝H(青岛市)+H(北京路)+H(小学)。
可以根据每个分词在电子地图中的分布，确定该分词的第一空间信息熵，并确定该 分词结果的第二空间信息熵，以及将分词结果中具有最小第二空间信息熵的分词结果确 定为查询语句的目标分词结果。例如，对于查询语句S＝青岛市北京路小学，可以确定第一分词结果S1的第二空间信息熵为19.86，第二分词结果S2的第二空间信息熵为15.75。 由于，15.75小于19.86，可以将第二分词结果S2，即青岛市/北京路/小学，确定为该查询 语句S的分词结果。
示例性地，对于查询语句Q＝北京大学老生物楼，可以使用预设的分词方法对其进行 分词，获得4个分词结果，例如第一分词结果Q1＝北京/大学/老生物楼、第二分词结果Q2＝北京大学/老/生物/楼、第三分词结果Q3＝北京大学/老/生物楼、以及第四分词结果Q4＝ 北京大学/老生物楼。可以根据每种分词结果中对应的分词的第一空间信息熵，确定该分 词结果的第二空间信息熵，并将分词结果中具有最小第二空间信息熵的分词结果确定为 查询语句的目标分词结果。例如，经过计算，可以确定第四分词结果Q4对应的空间信息熵最小，则第四分词结果Q4可以确定为查询语句Q的目标分词结果。
以上对根据本公开示例性实施例的分词岐义处理方法进行了说明。虽然各个操作在 附图中被描绘为按照特定的顺序，但是这不应理解为要求这些操作必须以所示的特定顺 序或者按顺行次序执行，也不应理解为要求必须执行所有示出的操作以获得期望的结果。
图4示出了根据本公开的实施例的分词消歧处理装置400的结构框图。如图4所示，该装置400包括第一获取模块401、分词模块402、第一获取模块403和确定模块404。
第一获取模块401被配置为获取用户输入的查询语句。
分词模块402被配置为对查询语句进行分词，获得至少一个分词结果。至少一个分词结果中的每个分词结果包括至少一个分词。
第一获取模块403被配置为针对每个分词结果，获取与该分词结果的至少一个分词 中每个分词所对应的空间特征。
确定模块404被配置为基于空间特征，从至少一个分词结果中确定与查询语句相对 应的目标分词结果。
在一些示例中，第一获取模块401、分词模块402、第一获取模块403和确定模块404的操作分别对应于上面关于图2描述的方法200的步骤201-204，因此此处不再详细描 述。由此，对查询语句进行分词，得到多种分词结果，针对每种分词结果，考虑该分词结 果对应的分词的空间特征，以基于分词的空间特征，得到最终的分词结果。由此，提高分 词消歧的准确性。
虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功 能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。本文讨论的 特定模块执行动作包括该特定模块本身执行该动作，或者替换地该特定模块调用或以其 他方式访问执行该动作的另一个组件或模块(或结合该特定模块一起执行该动作)。因此，执行动作的特定模块可以包括执行动作的该特定模块本身和/或该特定模块调用或以其他方式访问的、执行动作的另一模块。
本公开示例性实施例还提供一种电子设备，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。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根据本公 开实施例的方法。
本公开示例性实施例还提供一种存储有计算机指令的非瞬时计算机可读存储介质， 其中，所述计算机指令用于使所述计算机执行根据本公开实施例的方法。
本公开示例性实施例还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据本公开实施例的方法。
参考图5，现将描述可以作为本公开的服务器或客户端的电子设备500的结构框图， 其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字 电子的计算机设备，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/或者要求的本公开的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM) 502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算 机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的 各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入 /输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506、输出单元507、 存储单元508以及通信单元509。输入单元506可以是能向设备500输入信息的任何类 型的设备，输入单元506可以接收输入的数字或字符信息，以及产生与电子设备的用户 设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨 迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元507可以是能呈现信息的任何类 型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打 印机。存储单元508可以包括但不限于磁盘、光盘。通信单元509允许设备500通过诸 如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不 限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设 备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元 501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用 的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器 (DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述 的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机 软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算 机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备 500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的 方法200的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任 何适当的方式(例如，借助于固件)而被配置为执行方法200。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、 芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。 这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器 或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能 /操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包 部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
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。
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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要 能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是 仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略 或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。 进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进， 在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (15)

1.一种分词岐义处理方法，包括：
获取用户输入的查询语句；
对所述查询语句进行分词，获得至少一个分词结果，其中，所述至少一个分词结果中的每个分词结果包括至少一个分词；
针对每个分词结果，获取与该分词结果的至少一个分词中每个分词所对应的空间特征；以及
基于所述空间特征，从所述至少一个分词结果中确定与所述查询语句相对应的目标分词结果。
2.根据权利要求1所述的方法，其中，每个分词所对应的空间特征包括该分词的第一空间信息熵，
其中，分词的第一空间信息熵是指基于该分词在电子地图中的面积确定的信息熵。
3.根据权利要求2所述的方法，其中，分词的第一空间信息熵是通过以下公式确定的：
Figure FDA0002859468390000011
其中，X为分词，xi为分词X在所述电子地图中的第i个分量，Area(xi)为xi在所述电子地图中的面积，k为分词X在所述电子地图中的数量。
4.根据权利要求2或3所述的方法，其中，基于所述空间特征，从所述至少一个分词结果中确定与所述查询语句相对应的目标分词结果包括：
针对每个分词结果，根据该分词结果的至少一个分词中每个分词所对应的第一空间信息熵，确定该分词结果的第二空间信息熵；以及
根据所述至少一个分词结果中每个分词结果的第二空间信息熵，从所述至少一个分词结果中确定与所述查询语句相对应的目标分词结果。
5.根据权利要求4所述的方法，其中，针对每个分词结果，根据该分词结果的至少一个分词中每个分词所对应的第一空间信息熵，确定该分词结果的第二空间信息熵包括：
针对每个分词结果，将该分词结果的至少一个分词中每个分词所对应的第一空间信息熵的和确定为该分词结果的第二空间信息熵。
6.根据权利要求4所述的方法，其中，根据所述至少一个分词结果中每个分词结果的第二空间信息熵，从所述至少一个分词结果中确定与所述查询语句相对应的目标分词结果包括：
将所述至少一个分词结果中具有最小第二空间信息熵的分词结果确定为所述目标分词结果。
7.一种分词岐义处理装置，包括：
第一获取模块，配置为获取用户输入的查询语句；
分词模块，配置为对所述查询语句进行分词，获得至少一个分词结果，其中，所述至少一个分词结果中的每个分词结果包括至少一个分词；
第一获取模块，配置为针对每个分词结果，获取与该分词结果的至少一个分词中每个分词所对应的空间特征；以及
确定模块，配置为基于所述空间特征，从所述至少一个分词结果中确定与所述查询语句相对应的目标分词结果。
8.根据权利要求7所述的装置，其中，每个分词所对应的空间特征包括该分词的第一空间信息熵，
其中，分词的第一空间信息熵是指基于该分词在电子地图中的面积确定的信息熵。
9.根据权利要求8所述的装置，其中，分词的第一空间信息熵是通过以下公式确定的：
Figure FDA0002859468390000021
其中，X为分词，xi为分词X在所述电子地图中的第i个分量，Area(xi)为xi在所述电子地图中的面积，k为分词X在所述电子地图中的数量。
10.根据权利要求8或9所述的装置，其中，所述确定模块还被配置为：
针对每个分词结果，根据该分词结果的至少一个分词中每个分词所对应的第一空间信息熵，确定该分词结果的第二空间信息熵；以及
根据所述至少一个分词结果中每个分词结果的第二空间信息熵，从所述至少一个分词结果中确定与所述查询语句相对应的目标分词结果。
11.根据权利要求10所述的装置，其中，所述确定模块还被配置为：
针对每个分词结果，将该分词结果的至少一个分词中每个分词所对应的第一空间信息熵的和确定为该分词结果的第二空间信息熵。
12.根据权利要求10所述的装置，其中，所述确定模块还被配置为：
将所述至少一个分词结果中具有最小第二空间信息熵的分词结果确定为所述目标分词结果。
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，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-6中任一项所述的方法。
CN202011558317.9A 2020-12-25 2020-12-25 分词岐义处理方法、装置、设备以及介质 Active CN112765975B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011558317.9A CN112765975B (zh) 2020-12-25 2020-12-25 分词岐义处理方法、装置、设备以及介质
US17/373,635 US20210342538A1 (en) 2020-12-25 2021-07-12 Processing word segmentation ambiguity

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011558317.9A CN112765975B (zh) 2020-12-25 2020-12-25 分词岐义处理方法、装置、设备以及介质

Publications (2)

Publication Number Publication Date
CN112765975A true CN112765975A (zh) 2021-05-07
CN112765975B CN112765975B (zh) 2023-08-04

Family

ID=75694270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011558317.9A Active CN112765975B (zh) 2020-12-25 2020-12-25 分词岐义处理方法、装置、设备以及介质

Country Status (2)

Country Link
US (1) US20210342538A1 (zh)
CN (1) CN112765975B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110219004A1 (en) * 2010-03-08 2011-09-08 Alibaba Group Holding Limited Determining word information entropies
EP2782030A1 (en) * 2013-03-20 2014-09-24 Wal-Mart Stores, Inc. Method and system for resolving search query ambiguity in a product search engine
CN106156002A (zh) * 2016-06-30 2016-11-23 乐视控股（北京）有限公司 分词词库的选择方法和系统
CN107622129A (zh) * 2017-09-29 2018-01-23 咪咕文化科技有限公司 一种知识库的组织方法及装置、计算机存储介质
CN108874921A (zh) * 2018-05-30 2018-11-23 广州杰赛科技股份有限公司 提取文本特征词的方法、装置、终端设备及存储介质
CN110807322A (zh) * 2019-09-19 2020-02-18 平安科技（深圳）有限公司 基于信息熵识别新词的方法、装置、服务器及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101261623A (zh) * 2007-03-07 2008-09-10 国际商业机器公司 基于搜索的无词边界标记语言的分词方法以及装置
US10140262B2 (en) * 2015-05-04 2018-11-27 King Fahd University Of Petroleum And Minerals Systems and associated methods for Arabic handwriting synthesis and dataset design
KR102498597B1 (ko) * 2017-08-22 2023-02-14 삼성전자 주식회사 전자 장치 및 이를 이용하여 관심 영역을 설정하여 오브젝트를 식별하는 방법
US11018885B2 (en) * 2018-04-19 2021-05-25 Sri International Summarization system
WO2020004916A1 (en) * 2018-06-25 2020-01-02 Samsung Electronics Co., Ltd. A method and an apparatus for reconstructing magnetic resonance image
CN110020422B (zh) * 2018-11-26 2020-08-04 阿里巴巴集团控股有限公司 特征词的确定方法、装置和服务器

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110219004A1 (en) * 2010-03-08 2011-09-08 Alibaba Group Holding Limited Determining word information entropies
EP2782030A1 (en) * 2013-03-20 2014-09-24 Wal-Mart Stores, Inc. Method and system for resolving search query ambiguity in a product search engine
CN106156002A (zh) * 2016-06-30 2016-11-23 乐视控股（北京）有限公司 分词词库的选择方法和系统
CN107622129A (zh) * 2017-09-29 2018-01-23 咪咕文化科技有限公司 一种知识库的组织方法及装置、计算机存储介质
CN108874921A (zh) * 2018-05-30 2018-11-23 广州杰赛科技股份有限公司 提取文本特征词的方法、装置、终端设备及存储介质
CN110807322A (zh) * 2019-09-19 2020-02-18 平安科技（深圳）有限公司 基于信息熵识别新词的方法、装置、服务器及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴萍萍;: "基于信息熵加权的Word2vec中文文本分类研究", 长春师范大学学报, no. 02 *
赵岩, 王晓龙, 刘秉权, 关毅: "基于矢量空间模型和最大熵模型的词义问题解决策略", 高技术通讯, no. 01 *

Also Published As

Publication number Publication date
CN112765975B (zh) 2023-08-04
US20210342538A1 (en) 2021-11-04

Similar Documents

Publication Publication Date Title
CN113836333A (zh) 图文匹配模型的训练方法、实现图文检索的方法、装置
CN114357105B (zh) 地理预训练模型的预训练方法及模型微调方法
EP3913532A2 (en) Object area measurement method, apparatus, storage medium and computer product
CN113407850B (zh) 一种虚拟形象的确定和获取方法、装置以及电子设备
CN113947147A (zh) 目标地图模型的训练方法、定位方法及相关装置
CN110633717A (zh) 一种目标检测模型的训练方法和装置
CN112528995A (zh) 用于训练目标检测模型的方法、目标检测方法及装置
CN115082740A (zh) 目标检测模型训练方法、目标检测方法、装置、电子设备
CN115511779A (zh) 图像检测方法、装置、电子设备和存储介质
CN114723949A (zh) 三维场景分割方法和用于训练分割模型的方法
CN112784102A (zh) 视频检索方法、装置和电子设备
CN112328896A (zh) 用于输出信息的方法、装置、电子设备和介质
CN115269989B (zh) 对象推荐方法、装置、电子设备和存储介质
CN115797660A (zh) 图像检测方法、装置、电子设备和存储介质
CN112765975B (zh) 分词岐义处理方法、装置、设备以及介质
CN114429801A (zh) 数据处理方法、训练方法、识别方法、装置、设备及介质
CN115359309A (zh) 目标检测模型的训练方法及装置、设备和介质
CN114121180A (zh) 药物筛选方法、装置、电子设备及存储介质
CN114445668A (zh) 图像识别方法、装置、电子设备及存储介质
CN109857838B (zh) 用于生成信息的方法和装置
CN113255770A (zh) 化合物属性预测模型训练方法和化合物属性预测方法
CN111968030A (zh) 信息生成方法、装置、电子设备和计算机可读介质
CN114861658B (zh) 地址信息解析方法及装置、设备和介质
CN113239943B (zh) 基于部件语义图的三维部件提取组合方法和装置
CN115809364B (zh) 对象推荐方法和模型训练方法

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