CN112786014A - 一种识别数据的方法和装置 - Google Patents
一种识别数据的方法和装置 Download PDFInfo
- Publication number
- CN112786014A CN112786014A CN201911013912.1A CN201911013912A CN112786014A CN 112786014 A CN112786014 A CN 112786014A CN 201911013912 A CN201911013912 A CN 201911013912A CN 112786014 A CN112786014 A CN 112786014A
- Authority
- CN
- China
- Prior art keywords
- text data
- sequence
- data
- recognized
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims description 73
- 230000011218 segmentation Effects 0.000 claims description 58
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Document Processing Apparatus (AREA)
Abstract
本发明公开了一种识别数据的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：从语料库中获取多个文本数据，采用所述文本数据训练序列到序列模型，得到训练后的序列到序列模型；将待识别的文本数据转换为待识别的拼音格式数据；将所述待识别的拼音格式数据输入到所述训练后的序列到序列模型中，以输出目标文本数据。该实施方式能够解决无法准确识别专业领域内的词汇的技术问题。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种识别数据的方法和装置。
背景技术
在通用语料领域内，现有的语音识别模型能够输出较好的识别结果。常用的模型有两阶段模型和端到端模型，其中两阶段模型是上游模型先将音频信号转换为音节信号，使用的模型框架有CNN-CTC、GRU-CTC、CNN-RNN-CTC、DFCNN等，下游模型再把音节信号转换为字信号(英文的单词和中文的汉字)，使用的模型框架主要有transformer、CBHG等；端到端模型则是输入音频信号，直接输出字信号。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
无论是两阶段模型还是端到端模型，在通用语料领域内的识别结果都已经达到了较高的准确率，但是在一些专业领域内的识别效果还是差强人意。主要原因是：现有的很多语音识别模型主要是解决通用场景的需求，并没有切入到专业领域内去单独建模；而且语音数据的标注成本十分昂贵，也缺乏相应的标注语音数据，因此也没有预算去标注语音数据来优化语音识别模型。
使用通用语音识别模型来对专业领域内的音频进行识别时，无法准确地识别出一些专业名词，而且由于专业领域内的词汇词频与通用领域是不匹配的，因此识别出的文字一般是通用语料里面的词汇，导致识别结果不够准确。
发明内容
有鉴于此，本发明实施例提供一种识别数据的方法和装置，以解决无法准确识别专业领域内的词汇的技术问题。
为实现上述目的，根据本发明实施例的一个方面，提供了一种识别数据的方法，包括：
从语料库中获取多个文本数据，采用所述文本数据训练序列到序列模型，得到训练后的序列到序列模型；
将待识别的文本数据转换为待识别的拼音格式数据；
将所述待识别的拼音格式数据输入到所述训练后的序列到序列模型中，以输出目标文本数据。
可选地，采用所述文本数据训练序列到序列模型，得到训练后的序列到序列模型，包括：
对所述文本数据依次进行去除符号处理和分字处理；
将分字处理后的所述文本数据转换为拼音格式数据；
以拼音格式数据作为输入、以分字处理后的文本数据作为输出，训练序列到序列模型，从而得到训练后的序列到序列模型。
可选地，将分字处理后的所述文本数据转换为拼音格式数据，包括：
若分字处理后的所述文本数据中含有汉字，则仅将所述汉字转换为无音调的拼音。
可选地，对所述文本数据进行分字处理，包括：
若所述文本数据中含有汉字，则将所述汉字切分为单个汉字；
若所述文本数据中含有数字，则将所述数字切分为单个数字；
若所述文本数据中含有英文，则将所述汉字切分为单个字母。
可选地，将待识别的文本数据转换为待识别的拼音格式数据，包括：
对待识别的文本数据依次进行去除符号处理和分字处理；
将分字处理后的所述待识别的文本数据中的汉字转换为无音调的拼音，从而得到待识别的拼音格式数据。
可选地，将待识别的文本数据转换为待识别的拼音格式数据之前，还包括：
通过语音识别技术将待识别的语音数据转换为待识别的文本数据。
可选地，所述序列到序列模型为Transformer模型，Bi-LSTM+Attention模型，或者，ConvS2S模型。
另外，根据本发明实施例的另一个方面，提供了一种识别数据的装置，包括：
训练模块，用于从语料库中获取多个文本数据，采用所述文本数据训练序列到序列模型，得到训练后的序列到序列模型；
转换模块，用于将待识别的文本数据转换为待识别的拼音格式数据；
识别模块，用于将所述待识别的拼音格式数据输入到所述训练后的序列到序列模型中，以输出目标文本数据。
可选地，所述训练模块还用于：
对所述文本数据依次进行去除符号处理和分字处理；
将分字处理后的所述文本数据转换为拼音格式数据；
以拼音格式数据作为输入、以分字处理后的文本数据作为输出，训练序列到序列模型，从而得到训练后的序列到序列模型。
可选地，所述训练模块还用于：
若分字处理后的所述文本数据中含有汉字，则仅将所述汉字转换为无音调的拼音。
可选地，所述训练模块还用于：
若所述文本数据中含有汉字，则将所述汉字切分为单个汉字；
若所述文本数据中含有数字，则将所述数字切分为单个数字；
若所述文本数据中含有英文，则将所述汉字切分为单个字母。
可选地，所述转换模块还用于：
对待识别的文本数据依次进行去除符号处理和分字处理；
将分字处理后的所述待识别的文本数据中的汉字转换为无音调的拼音，从而得到待识别的拼音格式数据。
可选地，所述转换模块还用于：
将待识别的文本数据转换为待识别的拼音格式数据之前，通过语音识别技术将待识别的语音数据转换为待识别的文本数据。
可选地，所述序列到序列模型为Transformer模型，Bi-LSTM+Attention模型，或者，ConvS2S模型。
根据本发明实施例的另一个方面，还提供了一种电子设备，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实施例所述的方法。
根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果：因为采用将待识别的文本数据转换为待识别的拼音格式数据，将待识别的拼音格式数据输入到训练后的序列到序列模型中以输出目标文本数据的技术手段，所以克服了现有技术中无法准确识别专业领域内的词汇的技术问题。本发明实施例能够在不增加新标注数据的前提下，利用无监督语料作为训练样本构建序列到序列模型；通过PyPinyin将文本数据转换为拼音格式数据，以构建平行语料，本发明实施例可以有效矫正同音不同调的识别结果，从而提高识别结果的准确性。
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的识别数据的方法的主要流程的示意图；
图2是根据本发明一个可参考实施例的识别数据的方法的主要流程的示意图
图3是根据本发明另一个可参考实施例的识别数据的方法的主要流程的示意图
图4是根据本发明实施例的识别数据的装置的主要模块的示意图；
图5是本发明实施例可以应用于其中的示例性系统架构图；
图6是适于用来实现本发明实施例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。
图1是根据本发明实施例的识别数据的方法的主要流程的示意图。作为本发明的一个实施例，如图1所示，所述识别数据的方法可以包括：
步骤101，从语料库中获取多个文本数据，采用所述文本数据训练序列到序列模型，得到训练后的序列到序列模型。
在该步骤中，从语料库中获取多个文本数据，将这些文本数据作为训练样本来构建序列到序列模型。可选地，所述序列到序列模型可以是Transformer模型，该模型可以发挥消歧的优势，而且对特征表达能力最强。可选地，也可以使用Bi-LSTM+Attention模型来进行建模，或者使用ConvS2S模型来进行建模，均可以实现本发明的技术效果。
可选地，采用所述文本数据训练序列到序列模型，得到训练后的序列到序列模型，包括：对所述文本数据依次进行去除符号处理和分字处理；将分字处理后的所述文本数据转换为拼音格式数据；以拼音格式数据作为输入、以分字处理后的文本数据作为输出，训练序列到序列模型，从而得到训练后的序列到序列模型。在该实施例中，先对从语料库中获取的文本数据(也就是语料)进行预处理，比如去除符号处理和分字处理，这样一方面可以避免出现无法识别的词汇，另一方面可以提高识别结果的准确性。然后可以使用Python的拼音库(PyPinyin)将分字处理后的所述文本数据转换为拼音格式数据，以构建平行语料。其中，文本数据为上游语料，拼音格式数据为下游语料。
可选地，将分字处理后的所述文本数据转换为拼音格式数据，包括：若分字处理后的所述文本数据中含有汉字，则仅将所述汉字转换为无音调的拼音。拼音形式一般有音调和无音调格式，转换为无音调格式的拼音能够一定程度上矫正拼音对但是音调不对的文本数据。需要指出的是，在本发明的实施例中，对数字和英文不进行拼音转换。
可选地，对所述文本数据进行分字处理，包括：若所述文本数据中含有汉字，则将所述汉字切分为单个汉字；若所述文本数据中含有数字，则将所述数字切分为单个数字；若所述文本数据中含有英文，则将所述汉字切分为单个字母。本发明实施例没有将数字、英文作为一个整体来处理，而是切分为最小元素(单个数字或者是单个字母)，例如234切分为23 4，summer切分为s u m m e r，下游语料基本上包括了所有的发音单元。这样一方面降低了词典大小，可以减少参数量，提高识别效率；另一方面也提高了识别准确率。
例如，转换后的拼音格式数据为：jiang su sheng nan jing shi jiang ning qumo lin jie dao ying hua jie 3 6hao ren rong jing yuan xiao qu yi dong liuling yi shi。
步骤102，将待识别的文本数据转换为待识别的拼音格式数据。
与步骤101类似，步骤102可以包括：对待识别的文本数据依次进行去除符号处理和分字处理；将分字处理后的所述待识别的文本数据中的汉字转换为无音调的拼音，从而得到待识别的拼音格式数据。在本发明的实施例中，如果所述待识别的文本数据中含有汉字，则仅将所述汉字转换为无音调的拼音，从而得到待识别的拼音格式数据。
与步骤101类似，对待识别的文本数据进行分字处理，包括：若待识别的文本数据中含有汉字，则将所述汉字切分为单个汉字；若待识别的文本数据中含有数字，则将所述数字切分为单个数字；若待识别的文本数据中含有英文，则将所述汉字切分为单个字母。
可选地，将待识别的文本数据转换为待识别的拼音格式数据之前，还包括：通过语音识别技术将待识别的语音数据转换为待识别的文本数据。在该实施例中，先通过自动语音识别(Automatic Speech Recognition，简称ASR)将用户输入的待识别的语音数据转换为待识别的文本数据，然后将所述待识别的文本数据转换为待识别的拼音格式数据。
步骤103，将所述待识别的拼音格式数据输入到所述训练后的序列到序列模型中，以输出目标文本数据。
在该步骤中，将步骤102中得到的待识别的拼音格式数据输入到步骤101中训练得到的序列到序列模型中，以输出目标文本数据。进一步地，还可以去除目标文本数据中的空格，得到最终的识别结果。
根据上面所述的各种实施例，可以看出本发明通过将待识别的文本数据转换为待识别的拼音格式数据，将待识别的拼音格式数据输入到训练后的序列到序列模型中以输出目标文本数据的技术手段，解决了现有技术中无法准确识别专业领域内的词汇的技术问题。本发明实施例能够在不增加新标注数据的前提下，利用无监督语料作为训练样本构建序列到序列模型；通过PyPinyin将文本数据转换为拼音格式数据，以构建平行语料，本发明实施例可以有效矫正同音不同调的识别结果，从而提高识别结果的准确性。
图2是根据本发明一个可参考实施例的识别数据的方法的主要流程的示意图。作为本发明的一个实施例，所述识别数据的方法可以包括以下步骤：
步骤201，从语料库中获取多个文本数据，对所述文本数据依次进行去除符号处理和分字处理。
从语料库中获取多个文本数据，将这些文本数据作为训练样本来构建序列到序列模型。具体地，对这些文本数据依次进行去除符号处理(比如逗号、分号、问号等)和分字处理。可选地，在分字处理的步骤中：若所述文本数据中含有汉字，则将所述汉字切分为单个汉字；若所述文本数据中含有数字，则将所述数字切分为单个数字；若所述文本数据中含有英文，则将所述汉字切分为单个字母。
步骤202，将分字处理后的所述文本数据中的汉字转换为无音调的拼音，从而得到拼音格式数据。
若分字处理后的所述文本数据中含有汉字，则可以使用PyPinyin仅将所述汉字转换为无音调的拼音，但是对数字和英文不进行拼音转换。
步骤203，以拼音格式数据作为输入、以分字处理后的文本数据作为输出，训练序列到序列模型，从而得到训练后的序列到序列模型。
可选地，所述序列到序列模型可以是Transformer模型，该模型可以发挥消歧的优势，而且对特征表达能力最强。可选地，也可以使用Bi-LSTM+Attention模型来进行建模，或者使用ConvS2S模型来进行建模，均可以实现本发明的技术效果。
步骤204，通过ASR将待识别的语音数据转换为ASR结果(即待识别的文本数据)。
步骤205，对待识别的文本数据依次进行去除符号处理和分字处理。
对待识别的文本数据依次进行去除符号处理(比如逗号、分号、问号等)和分字处理。可选地，在分字处理过程中：若所述文本数据中含有汉字，则将所述汉字切分为单个汉字；若所述文本数据中含有数字，则将所述数字切分为单个数字；若所述文本数据中含有英文，则将所述汉字切分为单个字母。对待识别的文本数据的处理过程与对建模时的训练样本的处理过程相同，不再赘述。
步骤206，将分字处理后的所述待识别的文本数据中的汉字转换为无音调的拼音，从而得到待识别的拼音格式数据。
步骤207，将所述待识别的拼音格式数据输入到所述训练后的序列到序列模型中，以输出目标文本数据。
另外，在本发明一个可参考实施例中识别数据的方法的具体实施内容，在上面所述识别数据的方法中已经详细说明了，故在此重复内容不再说明。
图3是根据本发明另一个可参考实施例的识别数据的方法的主要流程的示意图。作为本发明的另一个实施例，以地址文本数据为例，所述识别数据的方法可以包括以下步骤：
步骤301，从地址语料库中获取多个地址文本数据，对所述地址文本数据依次进行去除符号处理和分字处理。
在建模的时候，本发明实施例使用地址语料库里面丰富的运单地址来做建模语料，因此可以在不增加新标注数据的前提下，利用无监督语料作为训练样本构建序列到序列模型。
可选地，在去除符号处理的步骤中，可以将逗号、句号、分号等去除。可选地，在分字处理的步骤中：若所述地址文本数据中含有汉字，则将所述汉字切分为单个汉字；若所述地址文本数据中含有数字，则将所述数字切分为单个数字；若所述地址文本数据中含有英文，则将所述汉字切分为单个字母。
步骤302，将分字处理后的所述地址文本数据转换为拼音格式数据。
若分字处理后的所述地址文本数据中含有汉字，则仅将所述汉字转换为无音调的拼音。
步骤303，以拼音格式数据作为输入、以分字处理后的地址文本数据作为输出，训练Transformer模型，从而得到训练后的Transformer模型。
步骤304，通过ASR将待识别的语音数据转换为ASR结果(即待识别的地址文本数据)。
ASR对用户输入的语音数据进行识别，将语音数据转换为文本数据。
步骤305，对ASR结果依次进行去除符号处理和分字处理。
对ASR结果依次进行去除符号处理(比如逗号、分号、问号等)和分字处理。可选地，在分字处理过程中：若所述ASR结果中含有汉字，则将所述汉字切分为单个汉字；若所述ASR结果中含有数字，则将所述数字切分为单个数字；若所述ASR结果中含有英文，则将所述汉字切分为单个字母。
步骤306，将分字处理后的所述ASR结果中的汉字转换为无音调的拼音，从而得到待识别的地址拼音格式数据。
步骤307，将所述待识别的地址拼音格式数据输入到所述训练后的Transformer模型中，以输出目标地址文本数据。
待识别的地址拼音格式数据进入Transformer模型后，输出地址文本数据。抽象来说，本发明实施例是将语音识别的结果转化为错误率更低的另一个文本序列，采用目前在翻译领域特征表示能力最强的Transformer框架来建模可以有效提高识别准确性。
步骤308，去除目标地址文本数据中的空格，得到最终的识别结果。
下表为两个地址文本数据的识别结果，从下表可以看出，ASR对于后半部分的地址识别出现的问题比较多，一般会将一些地址名词识别为通用的名词，导致识别结果出现错误。但是，通过本发明实施例提供的方法可以对ASR结果进行矫正，从而提高识别准确性。
可见，本发明实施例可以在不增加语音标注数据去重新训练模型的前提下，对语音识别结果进行矫正，使得最终识别的准确性。而且本发明实施例利用现有地址语料库中的地址数据进行建模，并通过构建的模型准确地识别出地址数据，有效地解决了无法准确识别专业领域内的词汇的技术问题。
需要指出的是，本发明实施例仅仅是示例性地以地址文本数据作为例子进行详细说明，本发明实施例也同样适用于识别其他专业领域内的词汇。
另外，在本发明一个可参考实施例中识别数据的方法的具体实施内容，在上面所述识别数据的方法中已经详细说明了，故在此重复内容不再说明。
图4是根据本发明实施例的识别数据的装置的主要模块的示意图，如图4所示，所述识别数据的装置400包括训练模块401、转换模块402和识别模块403。其中，训练模块401用于从语料库中获取多个文本数据，采用所述文本数据训练序列到序列模型，得到训练后的序列到序列模型；转换模块402用于将待识别的文本数据转换为待识别的拼音格式数据；识别模块403用于将所述待识别的拼音格式数据输入到所述训练后的序列到序列模型中，以输出目标文本数据。
可选地，所述训练模块401还用于：
对所述文本数据依次进行去除符号处理和分字处理；
将分字处理后的所述文本数据转换为拼音格式数据；
以拼音格式数据作为输入、以分字处理后的文本数据作为输出，训练序列到序列模型，从而得到训练后的序列到序列模型。
可选地，所述训练模块401还用于：
若分字处理后的所述文本数据中含有汉字，则仅将所述汉字转换为无音调的拼音。
可选地，所述训练模块401还用于：
若所述文本数据中含有汉字，则将所述汉字切分为单个汉字；
若所述文本数据中含有数字，则将所述数字切分为单个数字；
若所述文本数据中含有英文，则将所述汉字切分为单个字母。
可选地，所述转换模块402还用于：
对待识别的文本数据依次进行去除符号处理和分字处理；
将分字处理后的所述待识别的文本数据中的汉字转换为无音调的拼音，从而得到待识别的拼音格式数据。
可选地，所述转换模块402还用于：
将待识别的文本数据转换为待识别的拼音格式数据之前，通过语音识别技术将待识别的语音数据转换为待识别的文本数据。
可选地，所述序列到序列模型为Transformer模型，Bi-LSTM+Attention模型，或者，ConvS2S模型。
根据上面所述的各种实施例，可以看出本发明通过将待识别的文本数据转换为待识别的拼音格式数据，将待识别的拼音格式数据输入到训练后的序列到序列模型中以输出目标文本数据的技术手段，解决了现有技术中无法准确识别专业领域内的词汇的技术问题。本发明实施例能够在不增加新标注数据的前提下，利用无监督语料作为训练样本构建序列到序列模型；通过PyPinyin将文本数据转换为拼音格式数据，以构建平行语料，本发明实施例可以有效矫正同音不同调的识别结果，从而提高识别结果的准确性。
需要说明的是，在本发明所述识别数据的装置的具体实施内容，在上面所述识别数据的方法中已经详细说明了，故在此重复内容不再说明。
图5示出了可以应用本发明实施例的识别数据的方法或识别数据的装置的示例性系统架构500。
如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504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501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503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501、502、503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505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503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物品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、物品信息——仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的识别数据的方法一般由服务器505执行，相应地，所述识别数据的装置一般设置在服务器505中。本发明实施例所提供的识别数据的方法也可以由终端设备501、502、503执行，相应地，所述识别数据的装置可以设置在终端设备501、502、503中。
应该理解，图5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6，其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)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部分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，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM603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。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；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607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，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610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608。
特别地，根据本发明公开的实施例，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，本发明公开的实施例包括一种计算机程序，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部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601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的系统、方法和计算机程序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：一种处理器包括训练模块、转换模块和识别模块，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。
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：从语料库中获取多个文本数据，采用所述文本数据训练序列到序列模型，得到训练后的序列到序列模型；将待识别的文本数据转换为待识别的拼音格式数据；将所述待识别的拼音格式数据输入到所述训练后的序列到序列模型中，以输出目标文本数据。
根据本发明实施例的技术方案，因为采用将待识别的文本数据转换为待识别的拼音格式数据，将待识别的拼音格式数据输入到训练后的序列到序列模型中以输出目标文本数据的技术手段，所以克服了现有技术中无法准确识别专业领域内的词汇的技术问题。本发明实施例能够在不增加新标注数据的前提下，利用无监督语料作为训练样本构建序列到序列模型；通过PyPinyin将文本数据转换为拼音格式数据，以构建平行语料，本发明实施例可以有效矫正同音不同调的识别结果，从而提高识别结果的准确性。
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)
1.一种识别数据的方法，其特征在于，包括：
从语料库中获取多个文本数据，采用所述文本数据训练序列到序列模型，得到训练后的序列到序列模型；
将待识别的文本数据转换为待识别的拼音格式数据；
将所述待识别的拼音格式数据输入到所述训练后的序列到序列模型中，以输出目标文本数据。
2.根据权利要求1所述的方法，其特征在于，采用所述文本数据训练序列到序列模型，得到训练后的序列到序列模型，包括：
对所述文本数据依次进行去除符号处理和分字处理；
将分字处理后的所述文本数据转换为拼音格式数据；
以拼音格式数据作为输入、以分字处理后的文本数据作为输出，训练序列到序列模型，从而得到训练后的序列到序列模型。
3.根据权利要求2所述的方法，其特征在于，将分字处理后的所述文本数据转换为拼音格式数据，包括：
若分字处理后的所述文本数据中含有汉字，则仅将所述汉字转换为无音调的拼音。
4.根据权利要求2所述的方法，其特征在于，对所述文本数据进行分字处理，包括：
若所述文本数据中含有汉字，则将所述汉字切分为单个汉字；
若所述文本数据中含有数字，则将所述数字切分为单个数字；
若所述文本数据中含有英文，则将所述汉字切分为单个字母。
5.根据权利要求1所述的方法，其特征在于，将待识别的文本数据转换为待识别的拼音格式数据，包括：
对待识别的文本数据依次进行去除符号处理和分字处理；
将分字处理后的所述待识别的文本数据中的汉字转换为无音调的拼音，从而得到待识别的拼音格式数据。
6.根据权利要求1所述的方法，其特征在于，将待识别的文本数据转换为待识别的拼音格式数据之前，还包括：
通过语音识别技术将待识别的语音数据转换为待识别的文本数据。
7.根据权利要求1所述的方法，其特征在于，所述序列到序列模型为Transformer模型，Bi-LSTM+Attention模型，或者，ConvS2S模型。
8.一种识别数据的装置，其特征在于，包括：
训练模块，用于从语料库中获取多个文本数据，采用所述文本数据训练序列到序列模型，得到训练后的序列到序列模型；
转换模块，用于将待识别的文本数据转换为待识别的拼音格式数据；
识别模块，用于将所述待识别的拼音格式数据输入到所述训练后的序列到序列模型中，以输出目标文本数据。
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1-7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1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911013912.1A CN112786014A (zh) | 2019-10-23 | 2019-10-23 | 一种识别数据的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911013912.1A CN112786014A (zh) | 2019-10-23 | 2019-10-23 | 一种识别数据的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112786014A true CN112786014A (zh) | 2021-05-11 |
Family
ID=75748636
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911013912.1A Pending CN112786014A (zh) | 2019-10-23 | 2019-10-23 | 一种识别数据的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112786014A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109859760A (zh) * | 2019-02-19 | 2019-06-07 | 成都富王科技有限公司 | 基于深度学习的电话机器人语音识别结果校正方法 |
| CN109992765A (zh) * | 2017-12-29 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 文本纠错方法及装置、存储介质和电子设备 |
| CN110110041A (zh) * | 2019-03-15 | 2019-08-09 | 平安科技（深圳）有限公司 | 错词纠正方法、装置、计算机装置及存储介质 |
-
2019
- 2019-10-23 CN CN201911013912.1A patent/CN112786014A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109992765A (zh) * | 2017-12-29 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 文本纠错方法及装置、存储介质和电子设备 |
| CN109859760A (zh) * | 2019-02-19 | 2019-06-07 | 成都富王科技有限公司 | 基于深度学习的电话机器人语音识别结果校正方法 |
| CN110110041A (zh) * | 2019-03-15 | 2019-08-09 | 平安科技（深圳）有限公司 | 错词纠正方法、装置、计算机装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102401942B1 (ko) | 번역품질 평가 방법 및 장치 | |
| US11217236B2 (en) | Method and apparatus for extracting information | |
| CN110349564B (zh) | 一种跨语言语音识别方法和装置 | |
| CN108628830B (zh) | 一种语义识别的方法和装置 | |
| CN110827805B (zh) | 语音识别模型训练方法、语音识别方法和装置 | |
| CN107203504B (zh) | 字符串替换方法和装置 | |
| CN110675863A (zh) | 语音语料生成方法及装置、语音识别方法及装置 | |
| CN109190123B (zh) | 用于输出信息的方法和装置 | |
| CN110874532A (zh) | 提取反馈信息的关键词的方法和装置 | |
| CN111861596A (zh) | 一种文本分类方法和装置 | |
| CN112988753A (zh) | 一种数据搜索方法和装置 | |
| CN110807097A (zh) | 分析数据的方法和装置 | |
| CN111783433A (zh) | 一种文本检索纠错方法和装置 | |
| CN110705271B (zh) | 一种提供自然语言处理服务的系统及方法 | |
| CN113761923A (zh) | 命名实体识别方法、装置、电子设备及存储介质 | |
| CN111368693A (zh) | 一种身份证信息的识别方法和装置 | |
| CN110895655A (zh) | 提取文本核心短语的方法和装置 | |
| CN112786014A (zh) | 一种识别数据的方法和装置 | |
| CN111126078B (zh) | 翻译的方法和装置 | |
| CN114020918A (zh) | 分类模型训练方法、翻译方法、装置及电子设备 | |
| CN113221514A (zh) | 文本处理方法、装置、电子设备和存储介质 | |
| CN109144284B (zh) | 信息显示方法和装置 | |
| CN110796137A (zh) | 一种识别图像的方法和装置 | |
| CN116030789B (zh) | 一种生成语音合成训练数据的方法和装置 | |
| CN114462364B (zh) | 录入信息的方法和装置 |
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 |