CN113157865B - 跨语言词向量生成方法、装置、电子设备及存储介质 - Google Patents
跨语言词向量生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113157865B CN113157865B CN202110452488.1A CN202110452488A CN113157865B CN 113157865 B CN113157865 B CN 113157865B CN 202110452488 A CN202110452488 A CN 202110452488A CN 113157865 B CN113157865 B CN 113157865B
- Authority
- CN
- China
- Prior art keywords
- corpus
- cross
- language
- word vector
- network
- 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.)
- Active
Links
- 239000013598 vector Substances 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 131
- 230000011218 segmentation Effects 0.000 claims abstract description 73
- 238000005295 random walk Methods 0.000 claims abstract description 35
- 230000007704 transition Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 18
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 235000012149 noodles Nutrition 0.000 description 30
- 238000003058 natural language processing Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008451 emotion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种跨语言词向量生成方法，包括：获取平行语料对，对所述平行语料对进行分词处理，得到分词语料对，利用分词语料对构建平行语料网络，对所述平行语料网络中的语料进行随机游走，得到混合语料序列，汇总平行语料对及混合语料序列，得到语料训练集，利用所述语料训练集训练预构建的词向量模型，得到跨语言词向量生成模型，获取跨语言语料，利用所述跨语言词向量生成模型生成所述跨语言语料的跨语言词向量。此外，本发明还涉及区块链技术，所述跨语言词向量可存储在区块链的节点中。本发明还提出一种跨语言词向量生成装置、电子设备以及计算机可读存储介质。本发明可以解决跨语言词向量生成效率较低的问题。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种跨语言词向量生成方法、装置、电子设备及计算机可读存储介质。
背景技术
词向量(Word embedding)是自然语言处理(NLP)中的一组语言建模和特征学习技术的统称，词向量指的是来自词汇表的单词或短语被映射到实数的向量。从概念上讲，它涉及从每个单词一维的空间到具有更低维度的连续向量空间的数学嵌入。当用作底层输入表示时，词向量嵌入已经被证明可以提高NLP任务的性能，例如语法分析和情感分析。目前主流的词向量技术如word2vec大多为基于单一语种的单语言词向量生成技术。然而，随着全球化的发展，许多企业的应用场景进一步拓展到多语言环境下，对跨语言自然语言处理的需求进一步增长，首当其中的即为作为自然语言处理任务的底层输入表示，跨语言词向量。
传统的跨语言词向量生成方式主要有基于统计特征型及基于空间映射型。基于统计特征型的跨语言词向量生成方法大多从语法语义的统计特征入手构建向量或某种指标进行衡量，精度不高；基于空间映射型的跨语言词向量生成方法指的是寻找一种映射方法能够较好地将源语言空间中的向量映射到目标语言的空间当中，关键问题在于该种映射方法的表达能力可能有限，并且随着映射方法表达能力的提升，训练的时间与空间要求都会变大，导致占用大量计算资源，跨语言词向量生成的扩展性及效率较低。
发明内容
本发明提供一种跨语言词向量生成方法、装置、电子设备及存储介质，其主要目的在于解决跨语言词向量生成效率较低的问题。
为实现上述目的，本发明提供的一种跨语言词向量生成方法，包括：
获取平行语料对，对所述平行语料对进行分词处理，得到分词语料对；
利用所述分词语料对构建平行语料网络；
对所述平行语料网络中的语料进行随机游走，得到混合语料序列；
汇总所述平行语料对及所述混合语料序列，得到语料训练集，利用所述语料训练集训练预构建的词向量模型，得到跨语言词向量生成模型；
获取跨语言语料，利用所述跨语言词向量生成模型生成所述跨语言语料的跨语言词向量。
可选地，所述对所述平行语料对进行分词处理，得到分词语料对，包括：
对所述平行语料对中的语料进行分词处理，得到分词结果；
根据预设的停用词去除规则从所述分词结果中筛选出一个或多个关键词，汇总所有筛选出来的关键词，得到所述分词语料对。
可选地，所述利用所述分词语料对构建平行语料网络，包括：
确定所述分词语料中的所有关键词作为网络节点；
在任意所述网络节点间构建连边，汇总所有网络节点及连边，得到所述平行语料网络。
可选地，所述对所述平行语料网络中的语料进行随机游走，得到混合语料序列，包括：
根据预设的转移概率对所述平行语料网络中各网络节点的关键词进行随机转移；
根据所述转移概率计算各网络节点的关键词的未归一化概率，并基于所述未归一化概率完成所有网络节点的随机游走，得到所述混合语料序列。
可选地，所述根据所述转移概率计算各网络节点的关键词的未归一化概率，包括：
利用下述转移概率计算所述各网络节点的关键词的未归一化概率πvx：
πvx＝αpq(t，x)*βo(t，x)*βo(v，x)
其中，p和q均为超参数，αpq(t，x)为关键词t与x之间的转移概率、dtx为关键词t与x之间的最短路径，t-v-x为关键词的游走轨迹，o为超参数，Ctx代表着关键词t与关键词x是否属于同一种语言，Cvx代表着关键词v与关键词x是否属于同一种语言，βo(t，x)表示关键词t与关键词x之间的转移权重，βo(v，x)表示关键词v与关键词x之间的转移权重。
可选地，所述利用所述语料训练集训练预构建的词向量模型，得到跨语言词向量生成模型，包括：
利用预设大小的滑动窗口选取所述语料训练集中的训练样本；
对所述训练样本进行序列编码，得到训练编码，利用所述训练编码更新所述词向量模型中隐层的权重矩阵；
利用所述权重矩阵计算所述训练样本中各词语的预测概率，根据所述预测概率调整预设的目标函数，直至所述目标函数收敛，生成所述跨语言词向量生成模型。
可选地，所述对所述训练样本进行序列编码，得到训练编码，利用所述训练编码更新所述词向量模型中隐层的权重矩阵，包括：
利用预设的频率公式计算所述训练样本中词语的出现频率；
基于所述出现频率选取预设个数的词语作为负样本；
利用预设的编码方法对所述负样本进行序列编码，得到所述训练编码，并利用所述训练编码更新所述词向量模型中隐层的权重矩阵。
为了解决上述问题，本发明还提供一种跨语言词向量生成装置，所述装置包括：
语料对分词模块，用于获取平行语料对，对所述平行语料对进行分词处理，得到分词语料对；
平行网络构建模块，用于利用所述分词语料对构建平行语料网络；
随机游走模块，用于对所述平行语料网络中的语料进行随机游走，得到混合语料序列；
词向量模型训练模块，用于汇总所述平行语料对及所述混合语料序列，得到语料训练集，利用所述语料训练集训练预构建的词向量模型，得到跨语言词向量生成模型；
词向量生成模块，用于获取跨语言语料，利用所述跨语言词向量生成模型生成所述跨语言语料的跨语言词向量。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的跨语言词向量生成方法。
为了解决上述问题，本发明还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至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的跨语言词向量生成方法。
本发明实施例利用分词语料对构建平行语料网络，对于多种不同的语言，均可构建平行语料网络，扩展性更强；并且对所述平行语料网络中的语料进行随机游走，提高了平行语料网络中相似词语的共现频率，使得所述混合语料序列中的混合语料更加准确，进一步提高了模型的精度；此外，利用所述语料训练集训练预构建的词向量模型，得到跨语言词向量生成模型，不需要将源语言空间中的向量映射到目标语言的空间当中，大大降低了对计算资源的浪费，同时不需要针对不同的跨语言语料构建不同的向量空间，也提高了跨语言词向量生成的扩展性。因此，本发明提出的跨语言词向量生成方法、装置、电子设备及计算机可读存储介质，可以解决跨语言词向量生成效率较低的问题。
附图说明
图1为本发明一实施例提供的跨语言词向量生成方法的流程示意图；
图2为图1中其中一个步骤的详细实施流程示意图；
图3为图1中另一个步骤的详细实施流程示意图；
图4为图1中另一个步骤的详细实施流程示意图；
图5为图1中另一个步骤的详细实施流程示意图；
图6为本发明一实施例提供的跨语言词向量生成装置的功能模块图；
图7为本发明一实施例提供的实现所述跨语言词向量生成方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种跨语言词向量生成方法。所述跨语言词向量生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述跨语言词向量生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的跨语言词向量生成方法的流程示意图。在本实施例中，所述跨语言词向量生成方法包括：
S1、获取平行语料对，对所述平行语料对进行分词处理，得到分词语料对。
本发明实施例中，所述平行语料对可以为多种语言的语料文本，比如，以汉语及英语两种语言为例，所述平行语料对可以为：“我今晚吃面”及“I have noodles tonight”。
具体地，参照图2所示，所述对所述平行语料对进行分词处理，得到分词语料对，包括：
S10、对所述平行语料对中的语料进行分词处理，得到分词结果；
S11、根据预设的停用词去除规则从所述分词结果中筛选出一个或多个关键词，汇总所有筛选出来的关键词，得到所述分词语料对。
本发明实施例中，可以使用预设的语言处理算法对所述用户会话文本进行分词处理并提取关键词，所述预设的语言处理算法可以为，例如，TextRank、基于语义的关键词提取算法等。
本发明一可选实施例中，中文语料中的停用词去除规则可以为去除“也”、“的”等，英文语料中的停用词去除规则可以为去除“The”、“a”等。比如，所述分词语料对可以为：“我、今晚、吃、面”及“I、have、noodles、tonight”。
本发明实施例通过对所述平行语料对进行分词处理，并除去停用词，可以降低数据处理量，提高模型的训练效率。
S2、利用所述分词语料对构建平行语料网络。
本发明实施例中，所述平行语料网络包括网络节点及网络节点之间的连边，比如，平行语料网络中包括两种语言：A和B。语言A的分词语料a中的关键词称为ai,语言B的分词语料b中的关键词称为bj，那么任意关键词ai与bj均为所述平行语料网络中的网络节点，各网络节点均构建连边。
具体地，参照图3所示，所述利用所述分词语料对构建平行语料网络，包括：
S20、确定所述分词语料中的所有关键词作为网络节点；
S21、在任意所述网络节点间构建连边，汇总所有网络节点及连边，得到所述平行语料网络。
本发明一可选实施例中，以平行语料对“我今晚吃面”及“I have noodlestonight”为例，分词处理后的关键词为“我”、“今晚”、“吃”、“面”及“I”、“have”、“noodles”、“tonight”，将所有关键词作为网络节点，并在所有网络节点间构造连边，比如，关键词“我”会分别和“今晚”、“吃”、“面”、“I”、“have”、“noodles”、“tonight”间构造连边。
本发明实施例中，利用所述分词语料对构建平行语料网络，可以提高平行语料网络中的语义相似性，同时，适用于多种不同语言构建平行语料网络，扩展性更强。
S3、对所述平行语料网络中的语料进行随机游走，得到混合语料序列。
本发明实施例中，所述随机游走(random walk)，就是指在所述平行语料网络上不断重复地随机选择游走路径，最终形成一条贯穿所述平行语料网络的路径。即从某个特定的端点开始，游走的每一步都从与当前网络节点相连的边中随机选择一条，沿着选定的边移动到下一个网络节点，不断重复这个过程，直至形成一条由不同网络节点构成的序列。
比如，经过随机游走的所述混合语料序列可以为：“I喜欢红wine”。
从语义上来说，每种语言在语义层面上所代表的意义是相同的，比如中文中的红色与英文中的Red都代表了一类颜色的概念，那么在这种情形下，红色与Red不再是其他的语言，而是同一种语言中的近义词。而通过对所述平行语料网络中的语料进行随机游走，将会使得红色和Red的共现频率增加，或者是红色与Red在英文中共现频率高的词，如wine等共现频率增加，进而提高跨语言词向量生成的准确性。
详细地，参照图4所示，所述对所述平行语料网络中的语料进行随机游走，得到混合语料序列，包括：
S30、根据预设的转移概率对所述平行语料网络中各网络节点的关键词进行随机转移；
S31、根据所述转移概率计算各网络节点的关键词的未归一化概率，并基于所述未归一化概率完成所有网络节点的随机游走，得到所述混合语料序列。
本发明一可选实例中，由于所述平行语料网络中是跨语言语料，根据不同网络节点中是否属于同一种语言来设置节点间的转移权重，同时根据节点间的距离设置转移概率，最后根据节点间的转移权重及转移概率来计算未归一化概率(即决定随机游走完成的概率)。
本发明实施例中，所述根据所述转移概率计算各网络节点的关键词的未归一化概率，包括：
利用下述转移概率计算所述各网络节点的关键词的未归一化概率πvx：
πvx＝αpq(t，x)*βo(t，x)*βo(v，x)
其中，p和q均为超参数，αpq(t，x)为关键词t与x之间的转移概率、dtx为关键词t与x之间的最短路径，t-v-x为关键词的游走轨迹，o为超参数，Ctx代表着关键词t与关键词x是否属于同一种语言，Cvx代表着关键词v与关键词x是否属于同一种语言，βo(t，x)表示关键词t与关键词x之间的转移权重，βo(v，x)表示关键词v与关键词x之间的转移权重。
本发明实施例中，参数p控制重复访问刚刚访问的关键词的概率，如果该参数较大，访问刚刚访问过的关键词的概率会变低，反之变高。参数q控制着随机游走是向外还是向内，如果该参数较大，倾向于访问近邻网络节点的关键词，如果该参数较小，倾向于访问远离网络节点的关键词。
本发明实施例中，由于所述平行语料网络中的语义相似性较高，通过对所述平行语料网络中的语料进行随机游走，可以得到更加准确的混合语料序列，提高了模型的泛化能力。
S4、汇总所述平行语料对及所述混合语料序列，得到语料训练集，利用所述语料训练集训练预构建的词向量模型，得到跨语言词向量生成模型。
本发明一可选实施例中，所述预构建的词向量模型可以为Word2Vec中的Skip-Gram模型。所述Skip-Gram模型包括输入层、隐层及输出层。所述输入层用于利用预设大小的滑动窗口选取所述语料训练集中的训练样本，并对所述训练样本进行编码，得到编码向量。所述隐层利用所述词向量更新隐层中神经网络的权重矩阵，隐层的输出就是每个训练样本中词语的“嵌入词向量”。所述输出层是一个softmax回归分类器，它的每个结点将会输出一个0-1之间的预测值(概率)。
具体地，参照图5所示，所述利用所述语料训练集训练预构建的词向量模型，得到跨语言词向量生成模型，包括：
S40、利用预设大小的滑动窗口选取所述语料训练集中的训练样本；
S41、对所述训练样本进行序列编码，得到训练编码，利用所述训练编码更新所述词向量模型中隐层的权重矩阵；
S42、利用所述权重矩阵计算所述训练样本中各词语的预测概率，根据所述预测概率调整预设的目标函数，直至所述目标函数收敛，生成所述跨语言词向量生成模型。
本发明一可选实施例中，可以使用2*2的滑动窗口选取训练样本，以语料“I havenoodles tonight”，利用所述滑动窗口选取的训练样本对为：(I、have)、(I、noodles)；(have、I)、(have、noodles)、(have、tonight)；(noodles、I)、(noodles、have)、(noodles、tonight)；(tonight、have)、(tonight、noodles)。
本发明实施例中，可以使用one-hot编码对训练样本进行编码，以“I havenoodles tonight”为例，训练样本对(have、noodles)对应的训练编码为{0，1，0，0，0}及{0，0，1，0，0，}。
进一步地，所述对所述训练样本进行序列编码，得到训练编码，利用所述训练编码更新所述词向量模型中隐层的权重矩阵，包括：
利用预设的频率公式计算所述训练样本中词语的出现频率；
基于所述出现频率选取预设个数的词语作为负样本；
利用预设的编码方法对所述负样本进行序列编码，得到所述训练编码，并利用所述训练编码更新所述词向量模型中隐层的权重矩阵。
本发明一可选实施例中，由于利用滑动窗口选取的训练样本数量过多，会导致训练效率低下，占用大量计算资源，可以使用频率公式：
计算训练样本中每个词出现的频率，其中，P(wi)表示第i个单词的出现频率，f(wi)表示第i单词的出现次数，f(wj)表示第j个单词，n表示所有训练样本的数量。同时，可以根据出现的频率从高到低选取预设数量(比如，可以选5个)的训练样本作为负样本来对模型进行训练。本发明实施例中，所述预设的目标函数可以为：
其中，T为语料训练集中文本的长度，ωt及ωt+j分别为语料训练集第t及第t+j个词语，c为滑动窗口的大小。
本发明实施例中，经过随机游走得到的所述混合语料序列往往会丢失语料的语序信息，但通过所述平行语料对及所述混合语料序列构建语料训练集，可以提高语序的准确性。
S5、获取跨语言语料，利用所述跨语言词向量生成模型生成所述跨语言语料的跨语言词向量。
本发明实施例中，所述跨语言语料包括中文-英文、中文-日语及日语-英文等多语言语料。利用所述跨语言词向量生成模型生成所述跨语言语料的跨语言词向量，不需要使用复杂的深度学习结构进行训练，可用于大规模语料训练，增强小语种词向量的可靠性，并且可拓展性较强，可在原有的词向量模型(如word2vec)的基础上继续进行训练。所述跨语言词向量可以用于跨语言NLP(自然语言处理)任务的性能，例如跨语言语法分析、跨语言情感分析等，提高跨语言NLP(自然语言处理)任务的准确率。
本发明实施例利用分词语料对构建平行语料网络，对于多种不同的语言，均可构建平行语料网络，扩展性更强。并且对所述平行语料网络中的语料进行随机游走，提高了平行语料网络中相似词语的共现频率，使得所述混合语料序列中的混合语料更加准确，进一步提高了模型的精度。并且，利用所述语料训练集训练预构建的词向量模型，得到跨语言词向量生成模型，不需要将源语言空间中的向量映射到目标语言的空间当中，大大降低了对计算资源的浪费，同时不需要针对不同的跨语言语料构建不同的向量空间，也提高了跨语言词向量生成的扩展性。因此本发明实施例可以解决跨语言词向量生成效率较低的问题。
如图6所示，是本发明一实施例提供的跨语言词向量生成装置的功能模块图。
本发明所述跨语言词向量生成装置100可以安装于电子设备中。根据实现的功能，所述跨语言词向量生成装置100可以包括语料对分词模块101、平行网络构建模块102、随机游走模块103、词向量模型训练模块104及词向量生成模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述语料对分词模块101，用于获取平行语料对，对所述平行语料对进行分词处理，得到分词语料对。
本发明实施例中，所述平行语料对可以为多种语言的语料文本，比如，以汉语及英语两种语言为例，所述平行语料对可以为：“我今晚吃面”及“I have noodles tonight”。
具体地，所述语料对分词模块101通过下述操作得到分词语料对：
对所述平行语料对中的语料进行分词处理，得到分词结果；
根据预设的停用词去除规则从所述分词结果中筛选出一个或多个关键词，汇总所有筛选出来的关键词，得到所述分词语料对。
本发明实施例中，可以使用预设的语言处理算法对所述用户会话文本进行分词处理并提取关键词，所述预设的语言处理算法可以为，例如，TextRank、基于语义的关键词提取算法等。
本发明一可选实施例中，中文语料中的停用词去除规则可以为去除“也”、“的”等，英文语料中的停用词去除规则可以为去除“The”、“a”等。比如，所述分词语料对可以为：“我、今晚、吃、面”及“I、have、noodles、tonight”。
本发明实施例通过对所述平行语料对进行分词处理，并除去停用词，可以降低数据处理量，提高模型的训练效率。
所述平行网络构建模块102，用于利用所述分词语料对构建平行语料网络。
本发明实施例中，所述平行语料网络包括网络节点及网络节点之间的连边，比如，平行语料网络中包括两种语言：A和B。语言A的分词语料a中的关键词称为ai,语言B的分词语料b中的关键词称为bj，那么任意关键词ai与bj均为所述平行语料网络中的网络节点，各网络节点均构建连边。
具体地，所述平行网络构建模块102通过下述操作构建平行语料网络：
确定所述分词语料中的所有关键词作为网络节点；
在任意所述网络节点间构建连边，汇总所有网络节点及连边，得到所述平行语料网络。
本发明一可选实施例中，以平行语料对“我今晚吃面”及“I have noodlestonight”为例，分词处理后的关键词为“我”、“今晚”、“吃”、“面”及“I”、“have”、“noodles”、“tonight”，将所有关键词作为网络节点，并在所有网络节点间构造连边，比如，关键词“我”会分别和“今晚”、“吃”、“面”、“I”、“have”、“noodles”、“tonight”间构造连边。
本发明实施例中，利用所述分词语料对构建平行语料网络，可以提高平行语料网络中的语义相似性，同时，适用于多种不同语言构建平行语料网络，扩展性更强。
所述随机游走模块103，用于对所述平行语料网络中的语料进行随机游走，得到混合语料序列。
本发明实施例中，所述随机游走(random walk)，就是指在所述平行语料网络上不断重复地随机选择游走路径，最终形成一条贯穿所述平行语料网络的路径。即从某个特定的端点开始，游走的每一步都从与当前网络节点相连的边中随机选择一条，沿着选定的边移动到下一个网络节点，不断重复这个过程，直至形成一条由不同网络节点构成的序列。
比如，经过随机游走的所述混合语料序列可以为：“I喜欢红wine”。
从语义上来说，每种语言在语义层面上所代表的意义是相同的，比如中文中的红色与英文中的Red都代表了一类颜色的概念，那么在这种情形下，红色与Red不再是其他的语言，而是同一种语言中的近义词。而通过对所述平行语料网络中的语料进行随机游走，将会使得红色和Red的共现频率增加，或者是红色与Red在英文中共现频率高的词，如wine等共现频率增加，进而提高跨语言词向量生成的准确性。
详细地，所述随机游走模块103通过下述操作得到混合语料序列：
根据预设的转移概率对所述平行语料网络中各网络节点的关键词进行随机转移；
根据所述转移概率计算各网络节点的关键词的未归一化概率，并基于所述未归一化概率完成所有网络节点的随机游走，得到所述混合语料序列。
本发明一可选实例中，由于所述平行语料网络中是跨语言语料，根据不同网络节点中是否属于同一种语言来设置节点间的转移权重，同时根据节点间的距离设置转移概率，最后根据节点间的转移权重及转移概率来计算未归一化概率(即决定随机游走完成的概率)。
本发明实施例中，所述根据所述转移概率计算各网络节点的关键词的未归一化概率，包括：
利用下述转移概率计算所述各网络节点的关键词的未归一化概率πvx：
πvx＝αpq(t，x)*βo(t，x)*βo(v，x)
其中，p和q均为超参数，αpq(t，x)为关键词t与x之间的转移概率、dtx为关键词t与x之间的最短路径，t-v-x为关键词的游走轨迹，o为超参数，Ctx代表着关键词t与关键词x是否属于同一种语言，Cvx代表着关键词v与关键词x是否属于同一种语言，βo(t，x)表示关键词t与关键词x之间的转移权重，βo(v，x)表示关键词v与关键词x之间的转移权重。
本发明实施例中，参数p控制重复访问刚刚访问的关键词的概率，如果该参数较大，访问刚刚访问过的关键词的概率会变低，反之变高。参数q控制着随机游走是向外还是向内，如果该参数较大，倾向于访问近邻网络节点的关键词，如果该参数较小，倾向于访问远离网络节点的关键词。
本发明实施例中，由于所述平行语料网络中的语义相似性较高，通过对所述平行语料网络中的语料进行随机游走，可以得到更加准确的混合语料序列，提高了模型的泛化能力。
所述词向量模型训练模块104，用于汇总所述平行语料对及所述混合语料序列，得到语料训练集，利用所述语料训练集训练预构建的词向量模型，得到跨语言词向量生成模型。
本发明一可选实施例中，所述预构建的词向量模型可以为Word2Vec中的Skip-Gram模型。所述Skip-Gram模型包括输入层、隐层及输出层。所述输入层用于利用预设大小的滑动窗口选取所述语料训练集中的训练样本，并对所述训练样本进行编码，得到编码向量。所述隐层利用所述词向量更新隐层中神经网络的权重矩阵，隐层的输出就是每个训练样本中词语的“嵌入词向量”。所述输出层是一个softmax回归分类器，它的每个结点将会输出一个0-1之间的预测值(概率)。
具体地，所述词向量模型训练模块104通过下述操作得到跨语言词向量生成模型：
利用预设大小的滑动窗口选取所述语料训练集中的训练样本；
对所述训练样本进行序列编码，得到训练编码，利用所述训练编码更新所述词向量模型中隐层的权重矩阵；
利用所述权重矩阵计算所述训练样本中各词语的预测概率，根据所述预测概率调整预设的目标函数，直至所述目标函数收敛，生成所述跨语言词向量生成模型。
本发明一可选实施例中，可以使用2*2的滑动窗口选取训练样本，以语料“I havenoodles tonight”，利用所述滑动窗口选取的训练样本对为：(I、have)、(I、noodles)；(have、I)、(have、noodles)、(have、tonight)；(noodles、I)、(noodles、have)、(noodles、tonight)；(tonight、have)、(tonight、noodles)。
本发明实施例中，可以使用one-hot编码对训练样本进行编码，以“I havenoodles tonight”为例，训练样本对(have、noodles)对应的训练编码为{0,1,0,0,0}及{0,0,1,0,0,}。
进一步地，所述词向量模型训练模块104通过下述操作利用所述训练编码更新所述词向量模型中隐层的权重矩阵：
利用预设的频率公式计算所述训练样本中词语的出现频率；
基于所述出现频率选取预设个数的词语作为负样本；
利用预设的编码方法对所述负样本进行序列编码，得到所述训练编码，并利用所述训练编码更新所述词向量模型中隐层的权重矩阵。
本发明一可选实施例中，由于利用滑动窗口选取的训练样本数量过多，会导致训练效率低下，占用大量计算资源，可以使用频率公式：
计算训练样本中每个词出现的频率，其中，P(wi)表示第i个单词的出现频率，f(wi)表示第i单词的出现次数，f(wj)表示第j个单词，n表示所有训练样本的数量。同时，可以根据出现的频率从高到低选取预设数量(比如，可以选5个)的训练样本作为负样本来对模型进行训练。
本发明实施例中，所述预设的目标函数可以为：
其中，T为语料训练集中文本的长度，ωt及ωt+j分别为语料训练集第t及第t+j个词语，c为滑动窗口的大小。
本发明实施例中，经过随机游走得到的所述混合语料序列往往会丢失语料的语序信息，但通过所述平行语料对及所述混合语料序列构建语料训练集，可以提高语序的准确性。
所述词向量生成模块105，用于获取跨语言语料，利用所述跨语言词向量生成模型生成所述跨语言语料的跨语言词向量。
本发明实施例中，所述跨语言语料包括中文-英文、中文-日语及日语-英文等多语言语料。利用所述跨语言词向量生成模型生成所述跨语言语料的跨语言词向量，不需要使用复杂的深度学习结构进行训练，可用于大规模语料训练，增强小语种词向量的可靠性，并且可拓展性较强，可在原有的词向量模型(如word2vec)的基础上继续进行训练。所述跨语言词向量可以用于跨语言NLP(自然语言处理)任务的性能，例如跨语言语法分析、跨语言情感分析等，提高跨语言NLP(自然语言处理)任务的准确率。
如图7所示，是本发明一实施例提供的实现跨语言词向量生成方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如跨语言词向量生成程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如跨语言词向量生成程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如跨语言词向量生成程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图7仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图7示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的跨语言词向量生成程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取平行语料对，对所述平行语料对进行分词处理，得到分词语料对；
利用所述分词语料对构建平行语料网络；
对所述平行语料网络中的语料进行随机游走，得到混合语料序列；
汇总所述平行语料对及所述混合语料序列，得到语料训练集，利用所述语料训练集训练预构建的词向量模型，得到跨语言词向量生成模型；
获取跨语言语料，利用所述跨语言词向量生成模型生成所述跨语言语料的跨语言词向量。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取平行语料对，对所述平行语料对进行分词处理，得到分词语料对；
利用所述分词语料对构建平行语料网络；
对所述平行语料网络中的语料进行随机游走，得到混合语料序列；
汇总所述平行语料对及所述混合语料序列，得到语料训练集，利用所述语料训练集训练预构建的词向量模型，得到跨语言词向量生成模型；
获取跨语言语料，利用所述跨语言词向量生成模型生成所述跨语言语料的跨语言词向量。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种跨语言词向量生成方法，其特征在于，所述方法包括：
获取平行语料对，对所述平行语料对进行分词处理，得到分词语料对；
利用所述分词语料对构建平行语料网络；
对所述平行语料网络中的语料进行随机游走，得到混合语料序列；
汇总所述平行语料对及所述混合语料序列，得到语料训练集，利用所述语料训练集训练预构建的词向量模型，得到跨语言词向量生成模型；
获取跨语言语料，利用所述跨语言词向量生成模型生成所述跨语言语料的跨语言词向量；
其中，所述对所述平行语料网络中的语料进行随机游走，得到混合语料序列，包括：根据预设的转移概率对所述平行语料网络中各网络节点的关键词进行随机转移；根据所述转移概率计算各网络节点的关键词的未归一化概率，并基于所述未归一化概率完成所有网络节点的随机游走，得到所述混合语料序列；
所述根据所述转移概率计算各网络节点的关键词的未归一化概率，包括：
利用下述转移概率计算所述各网络节点的关键词的未归一化概率πvx：
πvx＝αpq(t,x)*βo(t,x)*βo(v,x)
其中，p和q均为超参数，αpq(t,x)为关键词t与x之间的转移概率、dtx为关键词t与x之间的最短路径，t-v-x为关键词的游走轨迹，o为超参数，Ctx代表着关键词t与关键词x是否属于同一种语言，Cvx代表着关键词v与关键词x是否属于同一种语言，βo(t,x)表示关键词t与关键词x之间的转移权重，βo(v,x)表示关键词v与关键词x之间的转移权重。
2.如权利要求1所述的跨语言词向量生成方法，其特征在于，所述对所述平行语料对进行分词处理，得到分词语料对，包括：
对所述平行语料对中的语料进行分词处理，得到分词结果；
根据预设的停用词去除规则从所述分词结果中筛选出一个或多个关键词，汇总所有筛选出来的关键词，得到所述分词语料对。
3.如权利要求1所述的跨语言词向量生成方法，其特征在于，所述利用所述分词语料对构建平行语料网络，包括：
确定所述分词语料中的所有关键词作为网络节点；
在任意所述网络节点间构建连边，汇总所有网络节点及连边，得到所述平行语料网络。
4.如权利要求1至3中任意一项所述的跨语言词向量生成方法，其特征在于，所述利用所述语料训练集训练预构建的词向量模型，得到跨语言词向量生成模型，包括：
利用预设大小的滑动窗口选取所述语料训练集中的训练样本；
对所述训练样本进行序列编码，得到训练编码，利用所述训练编码更新所述词向量模型中隐层的权重矩阵；
利用所述权重矩阵计算所述训练样本中各词语的预测概率，根据所述预测概率调整预设的目标函数，直至所述目标函数收敛，生成所述跨语言词向量生成模型。
5.如权利要求4所述的跨语言词向量生成方法，其特征在于，所述对所述训练样本进行序列编码，得到训练编码，利用所述训练编码更新所述词向量模型中隐层的权重矩阵，包括：
利用预设的频率公式计算所述训练样本中词语的出现频率；
基于所述出现频率选取预设个数的词语作为负样本；
利用预设的编码方法对所述负样本进行序列编码，得到所述训练编码，并利用所述训练编码更新所述词向量模型中隐层的权重矩阵。
6.一种跨语言词向量生成装置，其特征在于，所述装置包括：
语料对分词模块，用于获取平行语料对，对所述平行语料对进行分词处理，得到分词语料对；
平行网络构建模块，用于利用所述分词语料对构建平行语料网络；
随机游走模块，用于对所述平行语料网络中的语料进行随机游走，得到混合语料序列；
词向量模型训练模块，用于汇总所述平行语料对及所述混合语料序列，得到语料训练集，利用所述语料训练集训练预构建的词向量模型，得到跨语言词向量生成模型；
词向量生成模块，用于获取跨语言语料，利用所述跨语言词向量生成模型生成所述跨语言语料的跨语言词向量；
其中，所述对所述平行语料网络中的语料进行随机游走，得到混合语料序列，包括：根据预设的转移概率对所述平行语料网络中各网络节点的关键词进行随机转移；根据所述转移概率计算各网络节点的关键词的未归一化概率，并基于所述未归一化概率完成所有网络节点的随机游走，得到所述混合语料序列；
所述根据所述转移概率计算各网络节点的关键词的未归一化概率，包括：
利用下述转移概率计算所述各网络节点的关键词的未归一化概率πvx：
πvx＝αpq(t,x)*βo(t,x)*βo(v,x)
其中，p和q均为超参数，αpq(t,x)为关键词t与x之间的转移概率、dtx为关键词t与x之间的最短路径，t-v-x为关键词的游走轨迹，o为超参数，Ctx代表着关键词t与关键词x是否属于同一种语言，Cvx代表着关键词v与关键词x是否属于同一种语言，βo(t,x)表示关键词t与关键词x之间的转移权重，βo(v,x)表示关键词v与关键词x之间的转移权重。
7.一种电子设备，其特征在于，所述电子设备包括：
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如权利要求1至5中任意一项所述的跨语言词向量生成方法。
8.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的跨语言词向量生成方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110452488.1A CN113157865B (zh) | 2021-04-25 | 2021-04-25 | 跨语言词向量生成方法、装置、电子设备及存储介质 |
| PCT/CN2021/096517 WO2022227170A1 (zh) | 2021-04-25 | 2021-05-27 | 跨语言词向量生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110452488.1A CN113157865B (zh) | 2021-04-25 | 2021-04-25 | 跨语言词向量生成方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113157865A CN113157865A (zh) | 2021-07-23 |
| CN113157865B true CN113157865B (zh) | 2023-06-23 |
Family
ID=76870706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110452488.1A Active CN113157865B (zh) | 2021-04-25 | 2021-04-25 | 跨语言词向量生成方法、装置、电子设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113157865B (zh) |
| WO (1) | WO2022227170A1 (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106372187A (zh) * | 2016-08-31 | 2017-02-01 | 中译语通科技（北京）有限公司 | 一种面向大数据的跨语言检索方法 |
| CN108563640A (zh) * | 2018-04-24 | 2018-09-21 | 中译语通科技股份有限公司 | 一种多语言对的神经网络机器翻译方法及系统 |
| CN109213995A (zh) * | 2018-08-02 | 2019-01-15 | 哈尔滨工程大学 | 一种基于双语词嵌入的跨语言文本相似度评估技术 |
| CN110309268A (zh) * | 2019-07-12 | 2019-10-08 | 中电科大数据研究院有限公司 | 一种基于概念图的跨语言信息检索方法 |
| CN111368552A (zh) * | 2020-02-26 | 2020-07-03 | 北京市公安局 | 一种面向特定领域的网络用户群组划分方法及装置 |
| CN111553154A (zh) * | 2020-04-28 | 2020-08-18 | 合肥工业大学 | 一种基于扰动对抗训练的跨语言词向量构建方法 |
| CN112084794A (zh) * | 2020-09-18 | 2020-12-15 | 西藏大学 | 一种藏汉翻译方法和装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160189218A1 (en) * | 2014-12-30 | 2016-06-30 | Yahoo, Inc. | Systems and methods for sponsored search ad matching |
| US9779085B2 (en) * | 2015-05-29 | 2017-10-03 | Oracle International Corporation | Multilingual embeddings for natural language processing |
| CN109829149A (zh) * | 2017-11-23 | 2019-05-31 | 中国移动通信有限公司研究院 | 一种词向量模型的生成方法及装置、设备、存储介质 |
| CN109582951B (zh) * | 2018-10-19 | 2021-08-31 | 昆明理工大学 | 一种基于多重cca算法的柬汉双语词向量模型构建方法 |
| CN112036165B (zh) * | 2019-05-14 | 2024-10-01 | 西交利物浦大学 | 一种新闻特征向量的构建方法及应用 |
-
2021
- 2021-04-25 CN CN202110452488.1A patent/CN113157865B/zh active Active
- 2021-05-27 WO PCT/CN2021/096517 patent/WO2022227170A1/zh active Application Filing
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106372187A (zh) * | 2016-08-31 | 2017-02-01 | 中译语通科技（北京）有限公司 | 一种面向大数据的跨语言检索方法 |
| CN108563640A (zh) * | 2018-04-24 | 2018-09-21 | 中译语通科技股份有限公司 | 一种多语言对的神经网络机器翻译方法及系统 |
| CN109213995A (zh) * | 2018-08-02 | 2019-01-15 | 哈尔滨工程大学 | 一种基于双语词嵌入的跨语言文本相似度评估技术 |
| CN110309268A (zh) * | 2019-07-12 | 2019-10-08 | 中电科大数据研究院有限公司 | 一种基于概念图的跨语言信息检索方法 |
| CN111368552A (zh) * | 2020-02-26 | 2020-07-03 | 北京市公安局 | 一种面向特定领域的网络用户群组划分方法及装置 |
| CN111553154A (zh) * | 2020-04-28 | 2020-08-18 | 合肥工业大学 | 一种基于扰动对抗训练的跨语言词向量构建方法 |
| CN112084794A (zh) * | 2020-09-18 | 2020-12-15 | 西藏大学 | 一种藏汉翻译方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| Bilingual Embeddings with Random Walks over Multilingual Wordnets;Josu Goikoetxea;《arXiv》;第1-29页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022227170A1 (zh) | 2022-11-03 |
| CN113157865A (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
| CN111639153B (zh) | 基于法律知识图谱的查询方法、装置、电子设备及介质 | |
| CN113051356A (zh) | 开放关系抽取方法、装置、电子设备及存储介质 | |
| CN113378970B (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
| CN113157739B (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
| CN113515938B (zh) | 语言模型训练方法、装置、设备及计算机可读存储介质 | |
| CN113722483A (zh) | 话题分类方法、装置、设备及存储介质 | |
| CN113779225B (zh) | 实体链接模型的训练方法、实体链接方法及装置 | |
| CN113360654B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
| WO2023178979A1 (zh) | 问题标注方法、装置、电子设备及存储介质 | |
| CN116821373A (zh) | 基于图谱的prompt推荐方法、装置、设备及介质 | |
| CN114398557A (zh) | 基于双画像的信息推荐方法、装置、电子设备及存储介质 | |
| CN115238115A (zh) | 基于中文数据的图像检索方法、装置、设备及存储介质 | |
| CN113344125A (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
| CN116737947A (zh) | 实体关系图构建方法、装置、设备及存储介质 | |
| CN116340516A (zh) | 实体关系的聚类提取方法、装置、设备及存储介质 | |
| CN113157865B (zh) | 跨语言词向量生成方法、装置、电子设备及存储介质 | |
| CN116341646A (zh) | Bert模型的预训练方法、装置、电子设备及存储介质 | |
| CN113221578B (zh) | 疾病实体检索方法、装置、设备及介质 | |
| CN113204962B (zh) | 基于图扩展结构的词义消歧方法、装置、设备及介质 | |
| CN112528183B (zh) | 基于大数据的网页组件布局方法、装置、电子设备及介质 | |
| CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
| CN115346095A (zh) | 视觉问答方法、装置、设备及存储介质 | |
| CN114676307A (zh) | 基于用户检索的排序模型训练方法、装置、设备及介质 | |
| CN111414452B (zh) | 搜索词匹配方法、装置、电子设备及可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |