CN112906381A - 对话归属的识别方法、装置、可读介质和电子设备 - Google Patents
对话归属的识别方法、装置、可读介质和电子设备 Download PDFInfo
- Publication number
- CN112906381A CN112906381A CN202110145875.0A CN202110145875A CN112906381A CN 112906381 A CN112906381 A CN 112906381A CN 202110145875 A CN202110145875 A CN 202110145875A CN 112906381 A CN112906381 A CN 112906381A
- Authority
- CN
- China
- Prior art keywords
- text
- target
- candidate object
- statement
- sentence
- 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 53
- 238000012549 training Methods 0.000 claims description 132
- 239000013598 vector Substances 0.000 claims description 81
- 238000004590 computer program Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 12
- 230000015654 memory Effects 0.000 description 9
- 238000002372 labelling Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 3
- 230000007123 defense Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F40/284—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
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- 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
- G06F40/295—Named entity recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Machine Translation (AREA)
Abstract
本公开涉及一种对话归属的识别方法、装置、可读介质和电子设备,涉及电子信息处理技术领域,该方法包括:在指定总文本包括的多个语句中,确定目标对话语句对应的第一文本和目标语句对应的第二文本,目标对话语句为多个语句中的任一对话语句,目标语句为与目标对话语句之间的距离满足预设条件的语句,提取第一文本和第二文本中包括的至少一个候选对象,确定每个候选对象对应的属性特征,针对每个候选对象,将第一文本、第二文本、该候选对象和该候选对象对应的属性特征,输入预先训练的识别模型,以得到识别模型输出的该候选对象与目标对话语句的匹配度,根据每个候选对象与目标对话语句的匹配度,确定目标对话语句所属的目标对象。
Description
技术领域
本公开涉及电子信息处理技术领域,具体地,涉及一种对话归属的识别方法、装置、可读介质和电子设备。
背景技术
随着电子信息技术的不断发展,人们的娱乐生活也越来越丰富,阅读电子书已经成为了一种主流的阅读方式。为了使用户在不方便阅览电子书时,也能通过听觉来获取电子书中包括的信息,或者边读边听,从视觉和听觉两个维度来获取电子书中包括的信息,往往会为电子书预先录制对应的音频,以供用户收听。
为了丰富音频的表现力,在录制音频的过程中,可以使用不同的音色来录制电子书中不同角色的对话。通常情况下,需要人工对电子书中的每个对话的归属进行标注,处理效率和准确度都较低。
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,本公开提供一种对话归属的识别方法,所述方法包括:
在指定总文本包括的多个语句中,确定目标对话语句对应的第一文本和目标语句对应的第二文本,所述目标对话语句为多个语句中的任一对话语句,所述目标语句为与所述目标对话语句之间的距离满足预设条件的语句;
提取所述第一文本和所述第二文本中包括的至少一个候选对象;
确定每个所述候选对象对应的属性特征,所述属性特征包括:该候选对象与所述目标对话语句的第一位置关系、该候选对象所属的语句与所述目标对话语句的第二位置关系、该候选对象所属的语句的对话属性中的一种或多种;
针对每个所述候选对象,将所述第一文本、所述第二文本、该候选对象和该候选对象对应的所述属性特征,输入预先训练的识别模型,以得到所述识别模型输出的该候选对象与所述目标对话语句的匹配度;
根据每个所述候选对象与所述目标对话语句的匹配度,确定所述目标对话语句所属的目标对象。
第二方面,本公开提供一种对话归属的识别装置,所述装置包括:
第一确定模块,用于在指定总文本包括的多个语句中,确定目标对话语句对应的第一文本和目标语句对应的第二文本,所述目标对话语句为多个语句中的任一对话语句,所述目标语句为与所述目标对话语句之间的距离满足预设条件的语句;
提取模块,用于提取所述第一文本和所述第二文本中包括的至少一个候选对象;
第二确定模块,用于确定每个所述候选对象对应的属性特征,所述属性特征包括:该候选对象与所述目标对话语句的第一位置关系、该候选对象所属的语句与所述目标对话语句的第二位置关系、该候选对象所属的语句的对话属性中的一种或多种;
识别模块,用于针对每个所述候选对象,将所述第一文本、所述第二文本、该候选对象和该候选对象对应的所述属性特征,输入预先训练的识别模型,以得到所述识别模型输出的该候选对象与所述目标对话语句的匹配度;
所述识别模块,还用于根据每个所述候选对象与所述目标对话语句的匹配度,确定所述目标对话语句所属的目标对象。
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。
通过上述技术方案,本公开首先在指定总文本包括的多个语句中,确定目标对话语句对应的第一文本,和目标语句对应的第二文本,其中,目标对话语句为任一对话语句,目标语句为与目标对话语句之间的距离满足预设条件的语句,之后提取第一文本和第二文本中包括的至少一个候选对象,再分别确定每个候选对象对应的属性特征,属性特征包括以下一种或多种:该候选对象与目标对话语句的第一位置关系、该候选对象所属的语句与目标对话语句的第二位置关系、该候选对象所属的语句的对话属性。然后将每个候选对象、该候选对象对应的属性特征、第一文本和第二文本输入识别模型,以得到识别模型输出的该候选对象与目标对话语句的匹配度,最后根据每个候选对象与目标对话语句的匹配度,确定目标对话语句所属的目标对象。本公开在确定目标对话语句的归属时,除了目标对话语句本身,还考虑了与目标对话语句存在关联的目标语句,并且考虑了从目标对话语句和目标语句中提取的候选对象和候选对象的属性特征,从而确定目标对话语句所属的目标对象,能够提高对话归属的识别效率和准确度。
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是根据一示例性实施例示出的一种对话归属的识别方法的流程图;
图2是根据一示例性实施例示出的另一种对话归属的识别方法的流程图;
图3是根据一示例性实施例示出的另一种对话归属的识别方法的流程图;
图4是根据一示例性实施例示出的另一种对话归属的识别方法的流程图;
图5是根据一示例性实施例示出的一种识别模型的处理流程图;
图6是根据一示例性实施例示出的一种训练识别模型的流程图;
图7是根据一示例性实施例示出的一种对话归属的识别装置的框图;
图8是根据一示例性实施例示出的另一种对话归属的识别装置的框图;
图9是根据一示例性实施例示出的另一种对话归属的识别装置的框图;
图10是根据一示例性实施例示出的另一种对话归属的识别装置的框图;
图11是根据一示例性实施例示出的一种电子设备的框图。
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是根据一示例性实施例示出的一种对话归属的识别方法的流程图,如图1所示,该方法包括以下步骤:
步骤101,在指定总文本包括的多个语句中,确定目标对话语句对应的第一文本和目标语句对应的第二文本,目标对话语句为多个语句中的任一对话语句,目标语句为与目标对话语句之间的距离满足预设条件的语句。
举例来说,首先获取指定总文本,其中包括了多个语句中每个语句对应的文本。指定总文本例如可以是用户指定的一部电子书,也可以是一部电子书中的一个章节或者一个片段。可以将指定总本文中包括的多个语句,按照是否包括对话符号分为两类,一类是对话语句,另一类是非对话语句,其中,对话符号用于标识一个语句为对话语句,例如可以是双引号“”,也可以是「」,本公开对此不作具体限定。之后可以将指定总文本中包括的任一对话语句作为目标对话语句,并将目标对话语句对应的文本作为第一文本。再确定目标对话语句对应的目标语句,并将目标语句对应的文本作为第二文本。在指定总文本中,目标语句与目标对话语句之间的距离满足预设条件,目标语句可以包括一个或多个语句。可以理解为目标语句是与目标对话语句存在关联的语句,也可以将目标语句理解为目标对话语句的上下文。目标语句可以是对话语句,也可以是非对话语句。以预设条件为小于或等于三句为例,那么目标语句可以是指定总文本中,目标对话语句的之前的三个语句和之后的三个语句(共六个语句)。
步骤102,提取第一文本和第二文本中包括的至少一个候选对象。
步骤103,确定每个候选对象对应的属性特征,属性特征包括:该候选对象与目标对话语句的第一位置关系、该候选对象所属的语句与目标对话语句的第二位置关系、该候选对象所属的语句的对话属性中的一种或多种。
示例的,指定总文本中可以包括多个角色实体,角色实体例如可以包括人名、称谓、人称代词(例如:你、我、她、他、你们等)、拟人的动物、拟人的物体等。可以将第一文本和第二文本中包括的角色实体作为候选对象,候选对象可以理解为目标对话语句可能的归属。例如,可以通过预先标注的方式,获得指定总文本中包括的全部角色实体,组成角色实体集,然后利用角色实体集,对第一文本和第二文本进行筛选,得到其中包括的候选对象。还可以将第一文本和第二文本中输入预先训练的标注模型,以使标注模型对第一文本和第二文本中的每个字是否为角色实体进行标注,从而得到第一文本和第二文本中包括的候选对象,候选对象可以是一个或多个。
在得到候选对象后,可以针对每个候选对象,确定该候选对象对应的属性特征。属性特征可以理解为能够反映该候选对象与目标对话语句之间关系的特征。属性特征例如可以包括以下一种或多种:该候选对象与目标对话语句的第一位置关系、该候选对象所属的语句与目标对话语句的第二位置关系、该候选对象所属的语句的对话属性。其中,第一位置关系可以用于指示该候选对象是否属于目标对话语句。第二位置关系可以用于指示在指定总文本中,该候选对象所属的语句位于目标对话语句之前或者之后。对话属性可以用于指示该候选对象所属的语句是否为对话语句,或者可以用于指示该候选对象所属的语句是否包括了“XX说”、“XX道”“XX笑”等对话开始或者对话结束的模板。
步骤104,针对每个候选对象,将第一文本、第二文本、该候选对象和该候选对象对应的属性特征,输入预先训练的识别模型,以得到识别模型输出的该候选对象与目标对话语句的匹配度。
示例的,可以将第一文本、第二文本、每个候选对象和该候选对象对应的属性特征,作为预先训练的识别模型的输入,识别模型能够输出该候选对象与目标对话语句的匹配度,匹配度可以理解为目标对话语句属于该候选对象的概率值。其中,识别模型可以是预先通过大量的训练样本进行训练得到的深度学习模型,结构例如可以是BLSTM(英文:Bidirectional Long Short-Term Memory,中文:双向长短期记忆网络)+Dense_layer+softmax的组合。例如,可以先将第一文本和第二文本转换为对应的文本特征序列(即TextEmbedding),然后将该候选对象转换为对应的词向量,再将文本特征序列、词向量和该候选特征对应的属性特征进行拼接,作为BLSTM的输入,以得到BLSTM输出的,能够综合表征第一文本、第二文本、每个候选对象和该候选对象对应的属性特征的特征向量,之后将特征向量作为Dense_layer的输入,并将Dense_layer的输出作为softmax的输入,以得到softmax输出的概率值,最后将这个概率值作为该候选对象与目标对话语句的匹配度。
步骤105,根据每个候选对象与目标对话语句的匹配度,确定目标对话语句所属的目标对象。
示例的,在得到每个候选对象与目标对话语句的匹配度之后,可以在至少一个候选对象中确定目标对话语句所属的目标对象,即确定目标对话语句的归属是目标对象(也就是说确定目标对话语句是目标对象说的)。例如,可以将匹配度最高的候选对象作为目标对话语句所属的目标对象,也可以按照匹配度的大小,对至少一个候选对象进行降序排列,将排在前面的指定数量个(例如三个)候选对象提供给用户,由用户确定目标对象。进一步的,在确定目标对象后,可以将目标对象作为标签,与目标对话语句进行关联,这样在录制指定总文本对应的音频的过程中,录制到目标对话语句时,可以根据目标对话语句的标签,确定目标对象,并按照预先为目标对象分配的音色进行录制。
这样,在确定目标对话语句的归属时,除了目标对话语句本身,还考虑了与目标对话语句存在关联的目标语句,使得识别模型能够学习目标对话语句与目标语句之间的关联,同时还结合了从目标对话语句和目标语句中提取的候选对象和候选对象的属性特征,使得识别模型能够进一步学习每个候选对象与目标对话语句的关联,从而确定目标对话语句所属的目标对象,能够提高对话归属的识别效率和准确度。
综上所述,本公开首先在指定总文本包括的多个语句中,确定目标对话语句对应的第一文本,和目标语句对应的第二文本,其中,目标对话语句为任一对话语句,目标语句为与目标对话语句之间的距离满足预设条件的语句,之后提取第一文本和第二文本中包括的至少一个候选对象,再分别确定每个候选对象对应的属性特征,属性特征包括以下一种或多种:该候选对象与目标对话语句的第一位置关系、该候选对象所属的语句与目标对话语句的第二位置关系、该候选对象所属的语句的对话属性。然后将每个候选对象、该候选对象对应的属性特征、第一文本和第二文本输入识别模型,以得到识别模型输出的该候选对象与目标对话语句的匹配度,最后根据每个候选对象与目标对话语句的匹配度,确定目标对话语句所属的目标对象。本公开在确定目标对话语句的归属时,除了目标对话语句本身,还考虑了与目标对话语句存在关联的目标语句,并且考虑了从目标对话语句和目标语句中提取的候选对象和候选对象的属性特征,从而确定目标对话语句所属的目标对象,能够提高对话归属的识别效率和准确度。
图2是根据一示例性实施例示出的另一种对话归属的识别方法的流程图,如图2所示,步骤101的实现方式可以包括:
步骤1011,按照预设的划分符号对指定总文本进行划分,以得到每个语句对应的文本。
步骤1012,将任一包括对话符号的语句确定为目标对话语句,并确定目标对话语句对应的第一文本。
步骤1013,按照多个语句在指定总文本中的位置,将与目标对话语句之间的距离小于或等于距离阈值的语句确定为目标语句,并确定目标语句对应的第二文本。
在一种应用场景中,可以按照预设的划分符号对指定总文本进行划分,从而将指定总文本划分为多个语句对应的文本。例如,从指定总文本的第一行的第一个字符开始,查找最接近的划分符号,得到第一个语句对应的文本。再从第一个语句对应的文本之后的第一个字符开始,向下继续查找最接近的划分符号,得到第二个语句对应的文本,依次类推。其中,划分符号例如可以是句号、引号、回车符、换行符等,本公开对此不作具体限定。进一步的,可以按照是否包括对话符号,将多个语句划分为对话语句和非对话语句两类,并将任一个对话语句确定为目标对话语句,目标对话语句对应的文本即为第一文本。
之后,可以根据多个语句在指定总文本中的位置,将与目标对话语句之间的距离小于或等于距离阈值的语句确定为目标语句,并确定目标语句对应的第二文本。以划分符号为句号和回车符,对话符号为双引号,距离阈值为三句来举例,指定总文本为以下斜体部分的文本:
F国。
小a已经停留三年的国度。别致的异域小院里亮着昏黄的灯火,小a仔细浏览着今天的邮箱,不肯错过任何一封有用的信件,可仍旧没有小b的任何消息。突然而来的敲门声将她的思路打断,她起身走到门边。
“谁?”
门外没有人回答,她立刻警觉起来。顺手操起了门后的一根钢管。在国外的这三年,她早已习惯了防备。
那么可以将指定总文本划分为8个语句:
语句1:F国。
语句2:小A已经停留三年的国度。
语句3:别致的异域小院里亮着昏黄的灯火,小A仔细浏览着今天的邮箱,不肯错过任何一封有用的信件,可仍旧没有小B的任何消息。
语句4:突然而来的敲门声将她的思路打断,她起身走到门边。
语句5:“谁?”
语句6:门外没有人回答,她立刻警觉起来。
语句7:顺手操起了门后的一根钢管。
语句8:在国外的这三年,她早已习惯了防备。
其中,目标对话语句为语句5,对应的第一文本为:“谁?”。与语句5之间的距离小于或等于三句的目标语句包括:语句2、语句3、语句4、语句6、语句7和语句8(共六个语句),对应的第二文本包括了六个语句对应的文本:小A已经停留三年的国度。别致的异域小院里亮着昏黄的灯火,小A仔细浏览着今天的邮箱,不肯错过任何一封有用的信件,可仍旧没有小B的任何消息。突然而来的敲门声将她的思路打断,她起身走到门边。门外没有人回答,她立刻警觉起来。顺手操起了门后的一根钢管。在国外的这三年,她早已习惯了防备。
图3是根据一示例性实施例示出的另一种对话归属的识别方法的流程图,如图3所示,步骤103可以包括:
步骤1031,根据该候选对象和目标对话语句,确定第一位置关系,第一位置关系包括:该候选对象是否属于目标对话语句、该候选对象是否属于目标段落、该候选对象与目标对话语句的距离中的一种或多种。目标段落为指定总文本中目标对话语句所属的段落。
步骤1032,根据该候选对象所属的语句与目标对话语句的距离,确定第二位置关系。
步骤1033,根据该候选对象所属的语句确定对话属性,对话属性包括:该候选对象所属的语句是否为对话语句、该候选对象所属的语句对应的第三文本是否包括对话模板(可以包括下文提及的第一对话模板、第二对话模板、第三对话模板)、该候选对象在该候选对象所属的语句中的位置中的一种或多种。
举例来说,每个候选对象对应的属性特征中可以包括多种特征,可以先根据该候选对象和目标对话语句,确定第一位置关系。再根据该候选对象所属的语句与目标对话语句的距离,确定第二位置关系。最后根据该候选对象所属的语句确定对话属性。例如,属性特征可以包括11种特征:
特征a,用于指示该候选对象是否属于目标对话语句。若指定总文本中,该候选对象属于目标对话语句,那么特征a可以表示为0。若指定总文本中,该候选对象不属于目标对话语句,如果该候选对象位于目标对话语句之后,那么特征a可以表示为1,如果该候选对象位于目标对话语句之前,那么特征a可以表示为-1。
特征b,用于指示该候选对象是否属于目标段落,即该候选对象与目标对话语句是否同属于一个段落。例如,若该候选对象属于目标段落,那么特征b可以表示为1,若该候选对象不属于目标段落,那么特征b可以表示为0。
特征c,用于指示该候选对象与目标对话语句的距离。可以理解为该候选对象所属的语句与目标对话语句的距离,在每个候选对象所属的语句与目标对话语句的距离中的顺序。例如,步骤102中确定了甲、乙、丙、丁4个候选对象,与目标对话语句的距离分别为2句,4句,3句和2句,进行排序后的顺序分别为1,3,2,1,那么乙对应的特征c可以表示为3。
特征d,用于指示该候选对象所属的语句与目标对话语句的距离。例如,该候选对象所属的语句与目标对话语句的距离为2句,那么特征d可以表示为2。
特征e,用于指示该候选对象所属的语句是否为对话语句。例如,若该候选对象所属的语句为对话语句,那么特征e可以表示为1,若该候选对象所属的语句不为对话语句,那么特征e可以表示为0。
特征f,用于指示该候选对象所属的语句对应的第三文本是否包括第一对话模板。
特征g,用于指示第三文本是否包括第二对话模板。
特征h,用于指示第三文本是否包括第三对话模板。
例如,第一对话模板可以包括“XX说:”、“XX道:”、“XX笑:”等表示对话开始的模板。第二对话模板可以包括“XX说。”、“XX道。”、“XX笑。”等表示对话结束的模板。第三对话模板可以包括“说”、“道”、“笑”等表示可能出现对话的模板。如果包括上述模板,可以表示为1,不包括上述模板,可以表示为0。其中,该候选对象所属的语句对应的文本即为第三文本。
特征i,用于指示该候选对象在该候选对象所属的语句中的位置。可以理解为该候选对象在所属的语句中是第几个候选对象。例如,一个语句中按照从左到右的顺序,包括甲、乙、丙3个候选对象,那么甲对应的特征i可以表示为1,乙对应的特征i可以表示为2,丙对应的特征i可以表示为3。
特征j,用于指示指定总文本中,目标对话语句之前的一个语句是否为对话语句。例如,若目标对话语句之前的一个语句为对话语句,那么特征j可以表示为1,若目标对话语句之前的一个语句不为对话语句,那么特征j可以表示为0。
特征k,用于指示指定总文本中,目标对话语句之后的一个语句是否为对话语句。例如,若目标对话语句之后的一个语句为对话语句,那么特征j可以表示为1,若目标对话语句之后的一个语句不为对话语句,那么特征j可以表示为0。
图4是根据一示例性实施例示出的另一种对话归属的识别方法的流程图,如图4所示,步骤102的实现方式可以包括:
步骤1021,获取第四文本中每个字对应的字向量,和每个字对应的关联词语对应的词向量,第四文本为第一文本和第二文本中包括的任一语句对应的文本。
步骤1022,将该字对应的字向量,和该字对应的关联词语对应的词向量,组成该字对应的组合向量,以得到第四文本对应的组合向量序列,组合向量序列包括第四文本中每个字对应的组合向量。
步骤1023,根据组合向量序列和预先训练的提取模型,确定第四文本中包括的候选对象。
举例来说,提取第一文本和第二文本中的候选对象,可以分别对第一文本和第二文本中的每个语句对应的文本进行提取。以第四文本来举例,可以先根据第四文本中的每个字,确定每个字对应的关联词语,关联词语可以是一个或多个词语。其中,关联词语可以理解为该字与相邻的字组成的,命中预设的词语词典的词语。然后确定每个字对应的字向量,和每个字对应的关联词语对应的词向量。
针对第四文本中的每个字,可以将该字对应的字向量和该字对应的关联词语对应的词向量进行组合,得到该字对应的组合向量,从而得到第四文本对应的组合向量序列。例如,第四文本中包括20个字,每个字对应一个1*100维的字向量,某个字对应的两个关联词语,每个关联词语对应一个1*100维的词向量,那么该字对应的组合向量即为1*300维。最后,将组合向量序列输入到预先训练的提取模型,以得到提取模型对第四文本中每个字的标注,从而确定第四文本中包括的候选对象。提取模型对第四文本中每个字的标注,可以理解为标注每个字是否属于角色实体,以根据属于角色实体的字确定候选对象。例如,第四文本为:仍旧没有大哥的任何消息。将对应的组合向量序列输入提取模型,得到的标注为:00001100000,其中1表示属于角色实体,0表示不属于角色实体。那么可以确定:大哥为候选对象。
其中,提取模型可以是预先通过大量的训练样本进行训练得到的深度学习模型,结构例如可以是Transformer+CRF(英文:Conditional Random Fields,中文:条件随机场)的组合。由于组合向量序列中既包括了每个字对应的字向量,又包括了每个字对应的关联词语对应的词向量,提取模型能够学习每个字与对应的关联词语之间的关系,能够提高提取模型标注候选对象的准确度。
在一种应用场景中,步骤1021可以通过以下步骤来实现:
步骤1)获取第四文本中的每个字对应的字向量。
步骤2)针对每个字,获取该字和与该字相邻的预设个数的字组成的组合词语。
步骤3)将组合词语中,与预设的词语词典匹配的组合词语作为该字对应的关联词语,并获取关联词语对应的词向量。
示例的,可以先获取第四文本中的每个字对应的字向量。然后针对每个字,确定该字对应的组合词语,然后根据该字对应的组合词语确定对应的关联词语。其中,每个字对应的组合词语,是由该字和与该字相邻的预设个数的字组成,可以将组合词语理解为该字和上下文组成的词语。例如,预设个数为两个,那么组合词语即为待识别文本中该字与该字之前的两个字和之后的两个字组成的词语,即该字与之前的一个字、之前的两个字、之后的一个字、之后的两个字组成的词语。最后,依次将每个组合词语与预设的词语词典进行匹配,如果匹配,那么将该组合词语确定为关联词语,并获取关联词语对应的词向量。其中,词语词典可以理解为预先收集有大量角色实体的词典。例如,第四文本为:仍旧没有大哥的任何消息,对于第五个字:哥来说,对应的组合词语为:哥和有大组成的:有大哥、哥和大组成的:大哥、哥和的组成的:哥的、哥和的任组成的:哥的任,共四个组合词语。将四个组合词语依次和词语词典进行匹配,得到匹配的关联词语为:大哥。
图5是根据一示例性实施例示出的一种识别模型的处理流程图,如图5所示,识别模型用于执行以下步骤:
步骤A,根据第一文本确定第一文本特征序列,根据第二文本确定第二文本特征序列。
步骤B,根据第一文本特征序列、第二文本特征序列、该候选对象对应的词向量和该候选对象对应的属性特征,确定该候选对象与目标对话语句的匹配度。
在一种应用场景中,可以先将第一文本转换为第一文本特征序列,并将第二文本转换为第二文本特征序列。然后将第一文本特征序列、第二文本特征序列、该候选对象对应的词向量和该候选对象对应的属性特征进行拼接,并将拼接后的向量输入识别模型,以得到识别模型输出的该候选对象与目标对话语句的匹配度。
例如,第一文本包括20个字,第二文本包括50个字,每个字对应一个1*300维的字向量,那么第一文本特征序列为20*300维的向量,第二文本特征序列为50*300维的向量。该候选对象对应一个1*300维的词向量,该候选对象对应的属性特征为1*11维的向量,那么输入识别模型的向量为70*(300+300+11)维的向量。
图6是根据一示例性实施例示出的一种训练识别模型的流程图,如图6所示,识别模型是通过如下方式训练获得的:
步骤C,获取训练对话语句对应的第一训练文本和训练语句对应的第二训练文本,训练对话语句与训练语句均属于训练总文本,且训练语句与训练对话语句之间的距离满足预设条件。
步骤D,获取训练总文本对应的标注数据,并根据标注数据确定第一训练文本和第二训练文本中包括的至少一个训练候选对象,和训练对话语句所属的真实对象。
步骤E,确定每个训练候选对象对应的属性特征。
步骤F,针对每个训练候选对象,将第一训练文本、第二训练文本、该训练候选对象和该训练候选对象对应的属性特征,输入识别模型,并根据识别模型的输出与真实对象,训练识别模型。
举例来说,对识别模型进行训练,需要预先获取训练总文本,和对应的标注数据。训练总本文中包括了多个语句中每个语句对应的文本。训练对话语句可以为训练总本文中的任一对话语句,训练语句为与训练对话语句之间的距离满足预设条件的语句,训练语句可以包括一个或多个语句。标注数据标注了训练总文本中包括的全部角色实体,和训练总文本中每个对话语句所属的角色实体。
在确定训练对话语句和训练语句后,可以先确定训练对话语句对应的第一训练文本,和训练语句对应的第二训练文本。然后根据标注数据,将第一训练文本和第二训练文本中包括的角色实体作为训练候选对象,将训练对话语句所属的角色实体作为真实对象。然后可以按照步骤103的方式确定每个训练候选对象对应的属性特征。属性特征可以理解为能够反映该训练候选对象与训练对话语句之间关系的特征,可以包括:该训练候选对象与训练对话语句的第一位置关系、该训练候选对象所属的语句与训练对话语句的第二位置关系、该训练候选对象所属的语句的对话属性中的一种或多种。
最后,针对每个训练候选对象,将第一训练文本、第二训练文本、该训练候选对象和该训练候选对象对应的属性特征,输入识别模型,并根据识别模型的输出与真实对象,训练识别模型。可以理解为,识别模型输出的是该训练候选对象与训练对话语句的匹配度,若该训练候选对象为真实对象,那么期望识别模型输出的匹配度大于0.5(例如可以是1),若该训练候选对象不为真实对象,那么期望识别模型输出的匹配度小于或等于0.5(例如可以是0)。因此可以将识别模型实际输出的匹配度,与期望输出的匹配度的差,作为识别模型的损失函数,以降低损失函数为目标,利用反向传播算法来修正识别模型中的神经元的参数,神经元的参数例如可以是神经元的权重(英文:Weight)和偏置量(英文:Bias)。重复上述步骤,直至损失函数满足预设条件,例如损失函数小于预设的损失阈值。
综上所述,本公开首先在指定总文本包括的多个语句中,确定目标对话语句对应的第一文本,和目标语句对应的第二文本,其中,目标对话语句为任一对话语句,目标语句为与目标对话语句之间的距离满足预设条件的语句,之后提取第一文本和第二文本中包括的至少一个候选对象,再分别确定每个候选对象对应的属性特征,属性特征包括以下一种或多种:该候选对象与目标对话语句的第一位置关系、该候选对象所属的语句与目标对话语句的第二位置关系、该候选对象所属的语句的对话属性。然后将每个候选对象、该候选对象对应的属性特征、第一文本和第二文本输入识别模型,以得到识别模型输出的该候选对象与目标对话语句的匹配度,最后根据每个候选对象与目标对话语句的匹配度,确定目标对话语句所属的目标对象。本公开在确定目标对话语句的归属时,除了目标对话语句本身,还考虑了与目标对话语句存在关联的目标语句,并且考虑了从目标对话语句和目标语句中提取的候选对象和候选对象的属性特征,从而确定目标对话语句所属的目标对象,能够提高对话归属的识别效率和准确度。
图7是根据一示例性实施例示出的一种对话归属的识别装置的框图,如图7所示,该装置200可以包括:
第一确定模块201,用于在指定总文本包括的多个语句中,确定目标对话语句对应的第一文本和目标语句对应的第二文本,目标对话语句为多个语句中的任一对话语句,目标语句为与目标对话语句之间的距离满足预设条件的语句。
提取模块202,用于提取第一文本和第二文本中包括的至少一个候选对象。
第二确定模块203,用于确定每个候选对象对应的属性特征,属性特征包括:该候选对象与目标对话语句的第一位置关系、该候选对象所属的语句与目标对话语句的第二位置关系、该候选对象所属的语句的对话属性中的一种或多种。
识别模块204,用于针对每个候选对象,将第一文本、第二文本、该候选对象和该候选对象对应的属性特征,输入预先训练的识别模型,以得到识别模型输出的该候选对象与目标对话语句的匹配度。
识别模块204,还用于根据每个候选对象与目标对话语句的匹配度,确定目标对话语句所属的目标对象。
图8是根据一示例性实施例示出的另一种对话归属的识别装置的框图,如图8所示,第一确定模块201可以包括:
划分子模块2011,用于按照预设的划分符号对指定总文本进行划分,以得到每个语句对应的文本。
第一确定子模块2012,用于将任一包括对话符号的语句确定为目标对话语句,并确定目标对话语句对应的第一文本。
第一确定子模块2012,还用于按照多个语句在指定总文本中的位置,将与目标对话语句之间的距离小于或等于距离阈值的语句确定为目标语句,并确定目标语句对应的第二文本。
图9是根据一示例性实施例示出的另一种对话归属的识别装置的框图,如图9所示,第二确定模块203可以包括:
第二确定子模块2031,用于根据该候选对象和目标对话语句,确定第一位置关系,第一位置关系包括:该候选对象是否属于目标对话语句、该候选对象是否属于目标段落、该候选对象与目标对话语句的距离中的一种或多种。目标段落为指定总文本中目标对话语句所属的段落。
第三确定子模块2032,用于根据该候选对象所属的语句与目标对话语句的距离,确定第二位置关系。
第四确定子模块2033,用于根据该候选对象所属的语句确定对话属性,对话属性包括:该候选对象所属的语句是否为对话语句、该候选对象所属的语句对应的第三文本是否包括对话模板、该候选对象在该候选对象所属的语句中的位置中的一种或多种。
图10是根据一示例性实施例示出的另一种对话归属的识别装置的框图,如图10所示,提取模块202可以包括:
获取子模块2021,用于获取第四文本中每个字对应的字向量,和每个字对应的关联词语对应的词向量,第四文本为第一文本和第二文本中包括的任一语句对应的文本。
组合子模块2022,用于将该字对应的字向量,和该字对应的关联词语对应的词向量,组成该字对应的组合向量,以得到第四文本对应的组合向量序列,组合向量序列包括第四文本中每个字对应的组合向量。
提取子模块2023,用于根据组合向量序列和预先训练的提取模型,确定第四文本中包括的候选对象。
在一种应用场景中,获取子模块2021可以用于:
获取第四文本中的每个字对应的字向量。针对每个字,获取该字和与该字相邻的预设个数的字组成的组合词语。将组合词语中,与预设的词语词典匹配的组合词语作为该字对应的关联词语,并获取关联词语对应的词向量。
在另一种应用场景中,识别模型用于执行以下步骤:
步骤A,根据第一文本确定第一文本特征序列,根据第二文本确定第二文本特征序列。
步骤B,根据第一文本特征序列、第二文本特征序列、该候选对象对应的词向量和该候选对象对应的属性特征,确定该候选对象与目标对话语句的匹配度。
在又一种应用场景中,识别模型是通过如下方式训练获得的:
步骤C,获取训练对话语句对应的第一训练文本和训练语句对应的第二训练文本,训练对话语句与训练语句均属于训练总文本,且训练语句与训练对话语句之间的距离满足预设条件。
步骤D,获取训练总文本对应的标注数据,并根据标注数据确定第一训练文本和第二训练文本中包括的至少一个训练候选对象,和训练对话语句所属的真实对象。
步骤E,确定每个训练候选对象对应的属性特征。
步骤F,针对每个训练候选对象,将第一训练文本、第二训练文本、该训练候选对象和该训练候选对象对应的属性特征,输入识别模型,并根据识别模型的输出与真实对象,训练识别模型。
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。
综上所述,本公开首先在指定总文本包括的多个语句中,确定目标对话语句对应的第一文本,和目标语句对应的第二文本,其中,目标对话语句为任一对话语句,目标语句为与目标对话语句之间的距离满足预设条件的语句,之后提取第一文本和第二文本中包括的至少一个候选对象,再分别确定每个候选对象对应的属性特征,属性特征包括以下一种或多种:该候选对象与目标对话语句的第一位置关系、该候选对象所属的语句与目标对话语句的第二位置关系、该候选对象所属的语句的对话属性。然后将每个候选对象、该候选对象对应的属性特征、第一文本和第二文本输入识别模型,以得到识别模型输出的该候选对象与目标对话语句的匹配度,最后根据每个候选对象与目标对话语句的匹配度,确定目标对话语句所属的目标对象。本公开在确定目标对话语句的归属时,除了目标对话语句本身,还考虑了与目标对话语句存在关联的目标语句,并且考虑了从目标对话语句和目标语句中提取的候选对象和候选对象的属性特征,从而确定目标对话语句所属的目标对象,能够提高对话归属的识别效率和准确度。
下面参考图11,其示出了适于用来实现本公开实施例的电子设备(例如上对话归属的识别方法的执行主体)300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11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11所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305: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306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图11示出了具有各种装置的电子设备300,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309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301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,终端设备、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:在指定总文本包括的多个语句中,确定目标对话语句对应的第一文本和目标语句对应的第二文本,所述目标对话语句为多个语句中的任一对话语句,所述目标语句为与所述目标对话语句之间的距离满足预设条件的语句;提取所述第一文本和所述第二文本中包括的至少一个候选对象;确定每个所述候选对象对应的属性特征,所述属性特征包括:该候选对象与所述目标对话语句的第一位置关系、该候选对象所属的语句与所述目标对话语句的第二位置关系、该候选对象所属的语句的对话属性中的一种或多种;针对每个所述候选对象,将所述第一文本、所述第二文本、该候选对象和该候选对象对应的所述属性特征,输入预先训练的识别模型,以得到所述识别模型输出的该候选对象与所述目标对话语句的匹配度;根据每个所述候选对象与所述目标对话语句的匹配度,确定所述目标对话语句所属的目标对象。
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,例如,第一确定模块还可以被描述为“确定第一文本和第二文本的模块”。
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提供了一种对话归属的识别方法,所述方法包括:在指定总文本包括的多个语句中,确定目标对话语句对应的第一文本和目标语句对应的第二文本,所述目标对话语句为多个语句中的任一对话语句,所述目标语句为与所述目标对话语句之间的距离满足预设条件的语句;提取所述第一文本和所述第二文本中包括的至少一个候选对象;确定每个所述候选对象对应的属性特征,所述属性特征包括:该候选对象与所述目标对话语句的第一位置关系、该候选对象所属的语句与所述目标对话语句的第二位置关系、该候选对象所属的语句的对话属性中的一种或多种;针对每个所述候选对象,将所述第一文本、所述第二文本、该候选对象和该候选对象对应的所述属性特征,输入预先训练的识别模型,以得到所述识别模型输出的该候选对象与所述目标对话语句的匹配度;根据每个所述候选对象与所述目标对话语句的匹配度,确定所述目标对话语句所属的目标对象。
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,所述在指定总文本包括的多个语句中,确定目标对话语句对应的第一文本和目标语句对应的第二文本,包括:按照预设的划分符号对所述指定总文本进行划分,以得到每个语句对应的文本;将任一包括对话符号的语句确定为所述目标对话语句,并确定所述目标对话语句对应的所述第一文本;按照多个语句在所述指定总文本中的位置,将与所述目标对话语句之间的距离小于或等于距离阈值的语句确定为所述目标语句,并确定所述目标语句对应的所述第二文本。
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,所述确定每个候选对象对应的属性特征,包括:根据该候选对象和所述目标对话语句,确定所述第一位置关系,所述第一位置关系包括:该候选对象是否属于所述目标对话语句、该候选对象是否属于目标段落、该候选对象与所述目标对话语句的距离中的一种或多种;所述目标段落为所述指定总文本中所述目标对话语句所属的段落;根据该候选对象所属的语句与所述目标对话语句的距离,确定所述第二位置关系;根据该候选对象所属的语句确定所述对话属性,所述对话属性包括:该候选对象所属的语句是否为对话语句、该候选对象所属的语句对应的第三文本是否包括对话模板、该候选对象在该候选对象所属的语句中的位置中的一种或多种。
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,所述提取所述第一文本和所述第二文本中包括的至少一个候选对象,包括:获取第四文本中每个字对应的字向量,和每个字对应的关联词语对应的词向量,所述第四文本为所述第一文本和所述第二文本中包括的任一语句对应的文本;将该字对应的字向量,和该字对应的关联词语对应的词向量,组成该字对应的组合向量,以得到所述第四文本对应的组合向量序列,所述组合向量序列包括所述第四文本中每个字对应的所述组合向量;根据所述组合向量序列和预先训练的提取模型,确定所述第四文本中包括的所述候选对象。
根据本公开的一个或多个实施例,示例5提供了示例4的方法,所述获取第四文本中每个字对应的字向量,和每个字对应的关联词语对应的词向量,包括:获取所述第四文本中的每个字对应的字向量;针对每个字,获取该字和与该字相邻的预设个数的字组成的组合词语;将所述组合词语中,与预设的词语词典匹配的所述组合词语作为该字对应的所述关联词语,并获取所述关联词语对应的词向量。
根据本公开的一个或多个实施例,示例6提供了示例1的方法,所述识别模型用于:根据所述第一文本确定第一文本特征序列,根据所述第二文本确定第二文本特征序列;根据所述第一文本特征序列、所述第二文本特征序列、该候选对象对应的词向量和该候选对象对应的所述属性特征,确定该候选对象与所述目标对话语句的匹配度。
根据本公开的一个或多个实施例,示例7提供了示例1至示例6的方法,所述识别模型是通过如下方式训练获得的:获取训练对话语句对应的第一训练文本和训练语句对应的第二训练文本,所述训练对话语句与所述训练语句均属于训练总文本,且所述训练语句与所述训练对话语句之间的距离满足所述预设条件;获取所述训练总文本对应的标注数据,并根据所述标注数据确定所述第一训练文本和所述第二训练文本中包括的至少一个训练候选对象,和所述训练对话语句所属的真实对象;确定每个所述训练候选对象对应的所述属性特征;针对每个所述训练候选对象,将所述第一训练文本、所述第二训练文本、该训练候选对象和该训练候选对象对应的所述属性特征,输入所述识别模型,并根据所述识别模型的输出与所述真实对象,训练所述识别模型。
根据本公开的一个或多个实施例,示例8提供了一种对话归属的识别装置,所述装置包括:第一确定模块,用于在指定总文本包括的多个语句中,确定目标对话语句对应的第一文本和目标语句对应的第二文本,所述目标对话语句为多个语句中的任一对话语句,所述目标语句为与所述目标对话语句之间的距离满足预设条件的语句;提取模块,用于提取所述第一文本和所述第二文本中包括的至少一个候选对象;第二确定模块,用于确定每个所述候选对象对应的属性特征,所述属性特征包括:该候选对象与所述目标对话语句的第一位置关系、该候选对象所属的语句与所述目标对话语句的第二位置关系、该候选对象所属的语句的对话属性中的一种或多种;识别模块,用于针对每个所述候选对象,将所述第一文本、所述第二文本、该候选对象和该候选对象对应的所述属性特征,输入预先训练的识别模型,以得到所述识别模型输出的该候选对象与所述目标对话语句的匹配度;所述识别模块,还用于根据每个所述候选对象与所述目标对话语句的匹配度,确定所述目标对话语句所属的目标对象。
根据本公开的一个或多个实施例,示例9提供了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示例1至示例7中所述方法的步骤。
根据本公开的一个或多个实施例,示例10提供了一种电子设备,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,以实现示例1至示例7中所述方法的步骤。
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)
1.一种对话归属的识别方法,其特征在于,所述方法包括:
在指定总文本包括的多个语句中,确定目标对话语句对应的第一文本和目标语句对应的第二文本,所述目标对话语句为多个语句中的任一对话语句,所述目标语句为与所述目标对话语句之间的距离满足预设条件的语句;
提取所述第一文本和所述第二文本中包括的至少一个候选对象;
确定每个所述候选对象对应的属性特征,所述属性特征包括:该候选对象与所述目标对话语句的第一位置关系、该候选对象所属的语句与所述目标对话语句的第二位置关系、该候选对象所属的语句的对话属性中的一种或多种;
针对每个所述候选对象,将所述第一文本、所述第二文本、该候选对象和该候选对象对应的所述属性特征,输入预先训练的识别模型,以得到所述识别模型输出的该候选对象与所述目标对话语句的匹配度;
根据每个所述候选对象与所述目标对话语句的匹配度,确定所述目标对话语句所属的目标对象。
2.根据权利要求1所述的方法,其特征在于,所述在指定总文本包括的多个语句中,确定目标对话语句对应的第一文本和目标语句对应的第二文本,包括:
按照预设的划分符号对所述指定总文本进行划分,以得到每个语句对应的文本;
将任一包括对话符号的语句确定为所述目标对话语句,并确定所述目标对话语句对应的所述第一文本;
按照多个语句在所述指定总文本中的位置,将与所述目标对话语句之间的距离小于或等于距离阈值的语句确定为所述目标语句,并确定所述目标语句对应的所述第二文本。
3.根据权利要求1所述的方法,其特征在于,所述确定每个所述候选对象对应的属性特征,包括:
根据该候选对象和所述目标对话语句,确定所述第一位置关系,所述第一位置关系包括:该候选对象是否属于所述目标对话语句、该候选对象是否属于目标段落、该候选对象与所述目标对话语句的距离中的一种或多种;所述目标段落为所述指定总文本中所述目标对话语句所属的段落;
根据该候选对象所属的语句与所述目标对话语句的距离,确定所述第二位置关系;
根据该候选对象所属的语句确定所述对话属性,所述对话属性包括:该候选对象所属的语句是否为对话语句、该候选对象所属的语句对应的第三文本是否包括对话模板、该候选对象在该候选对象所属的语句中的位置中的一种或多种。
4.根据权利要求1所述的方法,其特征在于,所述提取所述第一文本和所述第二文本中包括的至少一个候选对象,包括:
获取第四文本中每个字对应的字向量,和每个字对应的关联词语对应的词向量,所述第四文本为所述第一文本和所述第二文本中包括的任一语句对应的文本;
将该字对应的字向量,和该字对应的关联词语对应的词向量,组成该字对应的组合向量,以得到所述第四文本对应的组合向量序列,所述组合向量序列包括所述第四文本中每个字对应的所述组合向量;
根据所述组合向量序列和预先训练的提取模型,确定所述第四文本中包括的所述候选对象。
5.根据权利要求4所述的方法,其特征在于,所述获取第四文本中每个字对应的字向量,和每个字对应的关联词语对应的词向量,包括:
获取所述第四文本中的每个字对应的字向量;
针对每个字,获取该字和与该字相邻的预设个数的字组成的组合词语;
将所述组合词语中,与预设的词语词典匹配的所述组合词语作为该字对应的所述关联词语,并获取所述关联词语对应的词向量。
6.根据权利要求1所述的方法,其特征在于,所述识别模型用于:
根据所述第一文本确定第一文本特征序列,根据所述第二文本确定第二文本特征序列;
根据所述第一文本特征序列、所述第二文本特征序列、该候选对象对应的词向量和该候选对象对应的所述属性特征,确定该候选对象与所述目标对话语句的匹配度。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述识别模型是通过如下方式训练获得的:
获取训练对话语句对应的第一训练文本和训练语句对应的第二训练文本,所述训练对话语句与所述训练语句均属于训练总文本,且所述训练语句与所述训练对话语句之间的距离满足所述预设条件;
获取所述训练总文本对应的标注数据,并根据所述标注数据确定所述第一训练文本和所述第二训练文本中包括的至少一个训练候选对象,和所述训练对话语句所属的真实对象;
确定每个所述训练候选对象对应的所述属性特征;
针对每个所述训练候选对象,将所述第一训练文本、所述第二训练文本、该训练候选对象和该训练候选对象对应的所述属性特征,输入所述识别模型,并根据所述识别模型的输出与所述真实对象,训练所述识别模型。
8.一种对话归属的识别装置,其特征在于,所述装置包括:
第一确定模块,用于在指定总文本包括的多个语句中,确定目标对话语句对应的第一文本和目标语句对应的第二文本,所述目标对话语句为多个语句中的任一对话语句,所述目标语句为与所述目标对话语句之间的距离满足预设条件的语句;
提取模块,用于提取所述第一文本和所述第二文本中包括的至少一个候选对象;
第二确定模块,用于确定每个所述候选对象对应的属性特征,所述属性特征包括:该候选对象与所述目标对话语句的第一位置关系、该候选对象所属的语句与所述目标对话语句的第二位置关系、该候选对象所属的语句的对话属性中的一种或多种;
识别模块,用于针对每个所述候选对象,将所述第一文本、所述第二文本、该候选对象和该候选对象对应的所述属性特征,输入预先训练的识别模型,以得到所述识别模型输出的该候选对象与所述目标对话语句的匹配度;
所述识别模块,还用于根据每个所述候选对象与所述目标对话语句的匹配度,确定所述目标对话语句所属的目标对象。
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 (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110145875.0A CN112906381B (zh) | 2021-02-02 | 对话归属的识别方法、装置、可读介质和电子设备 | |
PCT/CN2022/073242 WO2022166621A1 (zh) | 2021-02-02 | 2022-01-21 | 对话归属的识别方法、装置、可读介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110145875.0A CN112906381B (zh) | 2021-02-02 | 对话归属的识别方法、装置、可读介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906381A true CN112906381A (zh) | 2021-06-04 |
CN112906381B CN112906381B (zh) | 2024-05-28 |
Family
ID=
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065772A (zh) * | 2021-11-19 | 2022-02-18 | 浙江百应科技有限公司 | 一种基于Albert模型的商机识别方法、装置及电子设备 |
WO2022166621A1 (zh) * | 2021-02-02 | 2022-08-11 | 北京有竹居网络技术有限公司 | 对话归属的识别方法、装置、可读介质和电子设备 |
CN115329756A (zh) * | 2021-10-21 | 2022-11-11 | 盐城金堤科技有限公司 | 执行主体的提取方法、装置、存储介质和电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108536679A (zh) * | 2018-04-13 | 2018-09-14 | 腾讯科技(成都)有限公司 | 命名实体识别方法、装置、设备及计算机可读存储介质 |
US20190179897A1 (en) * | 2017-12-11 | 2019-06-13 | Abbyy Development Llc | Information object extraction using combination of classifiers |
CN111126068A (zh) * | 2019-12-25 | 2020-05-08 | 中电云脑(天津)科技有限公司 | 一种中文命名实体识别方法和装置及电子设备 |
WO2020133039A1 (zh) * | 2018-12-27 | 2020-07-02 | 深圳市优必选科技有限公司 | 对话语料中实体的识别方法、装置和计算机设备 |
CN111695345A (zh) * | 2020-06-12 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 文本中实体识别方法、以及装置 |
CN112270167A (zh) * | 2020-10-14 | 2021-01-26 | 北京百度网讯科技有限公司 | 角色标注方法、装置、电子设备和存储介质 |
CN112269862A (zh) * | 2020-10-14 | 2021-01-26 | 北京百度网讯科技有限公司 | 文本角色标注方法、装置、电子设备和存储介质 |
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190179897A1 (en) * | 2017-12-11 | 2019-06-13 | Abbyy Development Llc | Information object extraction using combination of classifiers |
CN108536679A (zh) * | 2018-04-13 | 2018-09-14 | 腾讯科技(成都)有限公司 | 命名实体识别方法、装置、设备及计算机可读存储介质 |
WO2020133039A1 (zh) * | 2018-12-27 | 2020-07-02 | 深圳市优必选科技有限公司 | 对话语料中实体的识别方法、装置和计算机设备 |
CN111126068A (zh) * | 2019-12-25 | 2020-05-08 | 中电云脑(天津)科技有限公司 | 一种中文命名实体识别方法和装置及电子设备 |
CN111695345A (zh) * | 2020-06-12 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 文本中实体识别方法、以及装置 |
CN112270167A (zh) * | 2020-10-14 | 2021-01-26 | 北京百度网讯科技有限公司 | 角色标注方法、装置、电子设备和存储介质 |
CN112269862A (zh) * | 2020-10-14 | 2021-01-26 | 北京百度网讯科技有限公司 | 文本角色标注方法、装置、电子设备和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022166621A1 (zh) * | 2021-02-02 | 2022-08-11 | 北京有竹居网络技术有限公司 | 对话归属的识别方法、装置、可读介质和电子设备 |
CN115329756A (zh) * | 2021-10-21 | 2022-11-11 | 盐城金堤科技有限公司 | 执行主体的提取方法、装置、存储介质和电子设备 |
CN114065772A (zh) * | 2021-11-19 | 2022-02-18 | 浙江百应科技有限公司 | 一种基于Albert模型的商机识别方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2022166621A1 (zh) | 2022-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753551B (zh) | 基于词向量生成模型的信息生成方法和装置 | |
CN112906380A (zh) | 文本中角色的识别方法、装置、可读介质和电子设备 | |
CN110019742B (zh) | 用于处理信息的方法和装置 | |
CN112634876A (zh) | 语音识别方法、装置、存储介质及电子设备 | |
CN113470619B (zh) | 语音识别方法、装置、介质及设备 | |
CN112530408A (zh) | 用于识别语音的方法、装置、电子设备和介质 | |
CN111951779A (zh) | 语音合成的前端处理方法及相关设备 | |
CN109933217B (zh) | 用于推送语句的方法和装置 | |
CN111767740A (zh) | 音效添加方法和装置、存储介质和电子设备 | |
CN109754808B (zh) | 语音转换文字的方法、装置、计算机设备及存储介质 | |
CN112883968B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN112509562A (zh) | 用于文本后处理的方法、装置、电子设备和介质 | |
CN111625649A (zh) | 文本处理方法、装置、电子设备及介质 | |
CN114023315A (zh) | 语音的识别方法、装置、可读介质和电子设备 | |
CN111667810A (zh) | 多音字语料的获取方法、装置、可读介质和电子设备 | |
CN110245334B (zh) | 用于输出信息的方法和装置 | |
CN110991176B (zh) | 跨语言非标准词识别方法及装置 | |
CN116522905A (zh) | 文本纠错方法、装置、设备、可读存储介质及程序产品 | |
CN112906381B (zh) | 对话归属的识别方法、装置、可读介质和电子设备 | |
CN112906381A (zh) | 对话归属的识别方法、装置、可读介质和电子设备 | |
CN112685996B (zh) | 文本标点预测方法、装置、可读介质和电子设备 | |
CN114444508A (zh) | 日期识别方法、装置、可读介质及电子设备 | |
CN110728137B (zh) | 用于分词的方法和装置 | |
CN114429629A (zh) | 图像处理方法、装置、可读存储介质及电子设备 | |
CN110502630B (zh) | 信息处理方法及设备 |
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 |