CN113255332A - 文本纠错模型的训练与文本纠错方法、装置 - Google Patents

Abstract

本公开提供了一种文本纠错模型的训练与文本纠错方法、装置，涉及自然语言处理、深度学习技术领域。文本纠错模型的训练方法包括：获取训练数据；构建包含记忆库门控层、编码层与输出层的神经网络模型，记忆库门控层用于从历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库以对样本文本进行纠错；使用多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果对神经网络模型进行训练，直至神经网络模型收敛，得到文本纠错模型。文本纠错的方法包括：获取待处理文本与待处理文本的历史文本；将待处理文本与历史文本作为文本纠错模型的输入，将文本纠错模型的输出结果，作为待处理文本的文本纠错结果。

Description

文本纠错模型的训练与文本纠错方法、装置

技术领域

本公开涉及数据处理技术领域，尤其涉及自然语言处理、深度学习技术领域。提供了一种文本纠错模型的训练与文本纠错方法、装置、电子设备和可读存储介质。

背景技术

文本纠错是自然语言处理（Natural Language Processing，NLP）中的一个基础问题，通常可以前置于其他NLP任务如文本检索、文本分类、机器翻译或者序列标注，以提升输入文本的有效性，防止拼写错误带来的不良影响。现有技术通常仅根据待纠错文本自身来进行文本纠错，由于待纠错文本自身所包含的信息有限，因此导致纠错结果的准确性较低。

发明内容

根据本公开的第一方面，提供了一种文本纠错模型的训练方法，包括：获取训练数据，所述训练数据中包含多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果；构建包含记忆库门控层、编码层与输出层的神经网络模型，所述记忆库门控层用于从历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库，以对样本文本进行纠错；使用多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果对所述神经网络模型进行训练，直至所述神经网络模型收敛，得到文本纠错模型。

根据本公开的第二方面，提供了一种文本纠错方法，包括：获取待处理文本与待处理文本的历史文本；将所述待处理文本与所述历史文本作为文本纠错模型的输入，将所述文本纠错模型的输出结果，作为所述待处理文本的文本纠错结果。

根据本公开的第三方面，提供了一种文本纠错模型的训练装置，包括：第一获取单元，用于获取训练数据，所述训练数据中包含多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果；构建单元，用于构建包含记忆库门控层、编码层与输出层的神经网络模型，所述记忆库门控层用于从历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库，以对样本文本进行纠错；训练单元，用于使用多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果对所述神经网络模型进行训练，直至所述神经网络模型收敛，得到文本纠错模型。

根据本公开的第四方面，提供了一种文本纠错装置，包括：第二获取单元，用于获取待处理文本与待处理文本的历史文本；纠错单元，用于将所述待处理文本与所述历史文本作为文本纠错模型的输入，将所述文本纠错模型的输出结果，作为所述待处理文本的文本纠错结果。

根据本公开的第五方面，提供了一种电子设备，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如上所述的方法。

根据本公开的第六方面，提供了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如上所述的方法。

根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方法。

由以上技术方案可以看出，本实施例在获取包含样本文本、样本文本的历史文本与样本文本的文本标注结果之后，通过构建包含记忆库门控层、编码层与输出层的神经网络模型，使得神经网络模型在训练过程中，能够将从样本文本的历史文本中所选取的语义单元的编码向量加入记忆库，从而结合记忆库中语义单元的编码向量来实现对样本文本的纠错，丰富了文本纠错模型使用的纠错信息，提升了文本纠错模型的纠错准确性。

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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图。

图2是根据本公开第二实施例的示意图。

图3是根据本公开第三实施例的示意图。

图4是根据本公开第四实施例的示意图。

图5是根据本公开第五实施例的示意图。

图6是用来实现本公开实施例的文本纠错模型的训练与文本纠错方法的电子设备的框图。

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机构的描述。

图1是根据本公开第一实施例的示意图。如图1所示，本实施例的文本纠错模型的训练方法，具体可以包括如下步骤：

S101、获取训练数据，所述训练数据中包含多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果；

S102、构建包含记忆库门控层、编码层与输出层的神经网络模型，所述记忆库门控层用于从历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库，以对样本文本进行纠错；

S103、使用多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果对所述神经网络模型进行训练，直至所述神经网络模型收敛，得到文本纠错模型。

本实施例的文本纠错模型的训练方法，在获取包含样本文本、样本文本的历史文本与样本文本的文本标注结果之后，通过构建包含记忆库门控层、编码层与输出层的神经网络模型，使得神经网络模型在训练过程中，能够将从样本文本的历史文本中所选取的语义单元的编码向量加入记忆库，从而结合记忆库中语义单元的编码向量来实现对样本文本的纠错，丰富了文本纠错模型使用的纠错信息，提升了文本纠错模型的纠错准确性。

本实施例执行S101所获取的训练数据中，多个样本文本可以为属于同一文章中的不同文本；每个样本文本的历史文本，也可以称为每个样本文本的上文信息，具体为文章中位于该样本文本之前的全部文本或者部分文本，例如可以将位于当前样本文本之前的连续多个文本，作为该样本文本的历史文本；多个样本文本的文本标注结果是预先标注的，每个样本文本的文本标注结果即为每个样本文本的正确文本结果。

本实施例在执行S101获取了包含多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果之后，执行S102构建包含记忆库门控层、编码层与输出层的神经网络模型。

本实施例执行S102所构建的神经网络模型中，记忆库门控层用于从历史文本中选取语义单元（Meaningful Unit），进而将所选取的语义单元的编码向量加入到记忆库中，以实现对样本文本进行纠错。

可以理解的是，本实施例中的记忆库门控层从历史文本中所选取的语义单元，可以是历史文本本身，也可以是历史文本中的部分文本，例如历史文本中的一个或者多个词语，或者历史文本中的一个或者多个短语。

具体地，本实施例中的记忆库门控层在从历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库时，可以采用的可选实现方式为：得到与历史文本对应的至少一个语义单元，例如使用分词的方式得到与历史文本所对应的至少一个语义单元；生成每个语义单元的编码向量，例如使用Transformer结构来对语义单元进行编码；根据所生成的编码向量，计算每个语义单元的激活函数值；将激活函数值大于预设阈值的语义单元的编码向量加入记忆库，例如将激活函数值大于0的语义单元的编码向量加入记忆库。

其中，本实施例中的记忆库门控层可以使用以下公式来计算语义单元的激活函数值：

在公式中：g(x)表示语义单元x的激活函数值；relu表示激活函数；H表示线性编码器；E(x)表示语义单元x的编码向量，E表示Transformer结构；b为预设参数；上述公式中的H、E与b，都会随着神经网络模型的训练而不断调整。

可以理解的是，本实施例中保存语义单元的编码向量的记忆库，可以仅对当前输入的样本文本的历史文本中语义单元的编码向量进行保存，也可以对当前与之前输入的样本文本的历史文本中语义单元的编码向量进行保存。

本实施例执行S102所构建的神经网络模型中，编码层用于将样本文本与记忆库中各语义单元的编码向量进行联合编码，得到样本文本的最终向量表示，从而实现在纠错过程中引入历史文本的语义信息的目的。

具体地，本实施例中的编码层在将样本文本与记忆库中各语义单元的编码向量进行联合编码，得到样本文本的最终向量表示时，可以采用的可选实现方式为：生成样本文本的原始编码向量，例如使用Transformer结构来对样本文本进行编码；根据样本文本的原始编码向量与记忆库中各语义单元的编码向量进行编码，得到相关性结果，其中记忆库中各语义单元的编码向量可以是将各语义单元的编码向量进行拼接所得到的拼接结果；根据相关性结果、样本文本的原始编码向量与记忆库中各语义单元的编码向量进行编码，得到样本文本的最终向量表示。

也就是说，本实施例首先根据样本文本的原始编码向量与记忆库中各语义单元的编码向量，得到用于表示样本文本与记忆库之间相关性的相关性结果，然后再根据相关性结果、样本文本的原始编码向量与记忆库中各语义单元的编码向量，来得到样本文本的最终向量表示，由于更加充分地将样本文本与记忆库进行了结合，因此本实施例能够极大地提升由编码层所得到的样本文本的最终向量表示的准确性。

其中，本实施例中的编码层可以使用以下公式来得到样本文本与记忆库之间的相关性结果：

在公式中：

，表示样本文本x与记忆库之间的相关性结果；f表示激活函数；

与

分别为d×d的矩阵，d为模型超参数，可以是512或者1024；

，表示样本文本x的原始编码向量，T表示样本文本x的长度；

，对应于记忆库中各语义单元的编码向量，M为记忆库中语义单元的数量；T表示矩阵的转置；公式中的

与

会随着神经网络模型的训练而不断调整。

其中，本实施例中的编码层可以使用以下公式来得到样本文本的最终向量表示：

在公式中：

，表示样本文本x的最终向量表示；

表示激活函数；

表示样本文本x与记忆库之间的相关性结果；

与

分别为d×d的矩阵，d为模型超参数，可以是512或者1024；

，对应于记忆库中各语义单元的编码向量，M为记忆库中语义单元的数量；

，表示样本文本x的原始编码向量，T为样本文本x的长度；公式中的

与

会随着神经网络模型的训练而不断调整。

本实施例执行S102所构建的神经网络模型中，输出层具体为softmax层，用于对编码层输出的样本文本的最终向量表示进行序列标注，从而输出样本文本中每个字的标注结果，作为神经网络模型所输出的样本文本的文本纠错结果。

本实施例在执行S102构建包含记忆库门控层、编码层与输出层的神经网络模型之后，执行S103使用多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果对神经网络模型进行训练，直至神经网络模型收敛，得到文本纠错模型。

具体地，本实施例在执行S103使用多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果对神经网络模型进行训练，直至神经网络模型收敛时，可以采用的可选实现方式为：针对每个样本文本，将该样本文本与该样本文本的历史文本作为神经网络模型的输入；将该样本文本的历史文本作为记忆库门控层的输入，由记忆库门控层从历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库；将该样本文本与记忆库中语义单元的编码向量作为编码层的输入，得到由编码层输出的该样本文本的最终向量表示；将该样本文本的最终向量表示作为输出层的输入，得到由输出层输出的该样本文本的文本纠错结果；使用该样本文本的文本标注结果与文本纠错结果计算损失函数值，根据计算得到的损失函数值来调整神经网络模型的参数，直至神经网络模型收敛。

利用本实施例执行S103训练得到的文本纠错模型，将待处理文本与待处理文本的历史文本作为输入之后，该文本纠错模型能够首先从历史文本中选取语义单元，然后结合加入到记忆库中的语义单元的编码向量来对待处理文本进行纠错，最后输出待处理文本的文本纠错结果。

本实施例通过上述方法，在获取包含样本文本、样本文本的历史文本与样本文本的文本标注结果之后，通过构建包含记忆库门控层、编码层与输出层的神经网络模型，使得神经网络模型在训练过程中，能够将从样本文本的历史文本中所选取的语义单元的编码向量加入记忆库，从而结合记忆库中语义单元的编码向量来实现对样本文本的纠错，丰富了文本纠错模型使用的纠错信息，提升了文本纠错模型的纠错准确性。

图2是根据本公开第二实施例的示意图。如图2所示，本实施例的文本纠错方法，具体可以包括如下步骤：

S201、获取待处理文本与待处理文本的历史文本；

S202、将所述待处理文本与所述历史文本作为文本纠错模型的输入，将所述文本纠错模型的输出结果，作为所述待处理文本的文本纠错结果。

本实施例的文本纠错方法，使用预先训练得到的文本纠错模型，通过所输入的待处理文本与待处理文本的历史文本来得到文本纠错结果，由于文本纠错模型能够结合待处理文本的历史文本中的语义单元对待处理文本进行纠错，因此丰富了所使用的纠错信息，进而提升了所得到的文本纠错结果的准确性。

本实施例执行S201获取的待处理文本与待处理文本的历史文本，可以是一篇文章中的文本，也可以是同声传译过程中，发言人的说话内容所对应的转换文本，因此本实施例中的待处理文本的历史文本，可以为文章或者转换文本中位于待处理文本之前的全部文本或者部分文本。

本实施例在执行S201获取待处理文本与待处理文本的历史文本之后，执行S202将所获取的待处理文本与历史文本作为预先训练得到的文本纠错模型的输入，从而将文本纠错模型的输出结果作为待处理文本的文本纠错结果。

具体地，本实施例在执行S201将待处理文本与历史文本作为文本纠错模型的输入，得到文本纠错模型的输出结果时，可以采用的可选实现方式为：将待处理文本的历史文本作为文本纠错模型中记忆库门控层的输入，由记忆库门控层从历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库；将待处理文本与记忆库中各语义单元的编码向量作为文本纠错模型中编码层的输入，得到由编码层输出的待处理文本的最终向量表示；将待处理文本的最终向量表示作为文本纠错模型中输出层的输入，得到由输出层输出的文本纠错结果。

其中，本实施例的文本纠错模型中，记忆库门控层、编码层与输出层中的参数是经过训练而被调整之后的最优参数。

图3是根据本公开第三实施例的示意图。图3示出了本实施例进行文本纠错的流程图。图3中的待处理文本为“它包括关节点识别等一系列问题”；若从待处理文本的历史文本中选取的语义单元包含“小度耳机”、“百度最新发布技术”与“人脸识别”，则加入文本纠错模型的记忆库中的编码向量分别是“E（小度耳机）”、“E（百度最新发布技术）”与“E（人脸识别）”，E（x）表示语义单元x的编码向量；

表示记忆库中各语义单元的编码向量，

表示待处理文本的原始编码向量，

表示经过联合编码所得到的待处理文本的最终向量表示；将待处理文本的最终向量表示作为输出层（softmax层）的输入，将输出层输出的“它包括关键点识别等一系列问题”，作为待处理文本的文本纠错结果。可见，由于记忆库中包含“人脸识别”的编码向量，因此本实施例能够将待处理文本中的“关节点”纠正为“关键点”。

图4是根据本公开第四实施例的示意图。如图4所示，本实施例的文本纠错模型的训练装置400，包括：

第一获取单元401、用于获取训练数据，所述训练数据中包含多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果；

构建单元402、用于构建包含记忆库门控层、编码层与输出层的神经网络模型，所述记忆库门控层用于从历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库，以对样本文本进行纠错；

训练单元403、用于使用多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果对所述神经网络模型进行训练，直至所述神经网络模型收敛，得到文本纠错模型。

第一获取单元401所获取的训练数据中，多个样本文本可以为属于同一文章中的不同文本；每个样本文本的历史文本，也可以称为每个样本文本的上文信息，具体为文章中位于该样本文本之前的全部文本或者部分文本；多个样本文本的文本标注结果是预先标注的，每个样本文本的文本标注结果即为每个样本文本的正确文本结果。

本实施例在由第一获取单元401获取了包含多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果之后，由构建单元402构建包含记忆库门控层、编码层与输出层的神经网络模型。

构建单元402所构建的神经网络模型中，记忆库门控层用于从历史文本中选取语义单元（Meaningful Unit），进而将所选取的语义单元的编码向量加入到记忆库中，以实现对样本文本进行纠错。

可以理解的是，本实施例中的记忆库门控层从历史文本中所选取的语义单元，可以是历史文本本身，也可以是历史文本中的部分文本，例如历史文本中的一个或者多个词语，或者历史文本中的一个或者多个短语。

具体地，构建单元402所构建的记忆库门控层在从历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库时，可以采用的可选实现方式为：得到与历史文本对应的至少一个语义单元；生成每个语义单元的编码向量；根据所生成的编码向量，计算每个语义单元的激活函数值；将激活函数值大于预设阈值的语义单元的编码向量加入记忆库。

可以理解的是，本实施例中保存语义单元的编码向量的记忆库，可以仅对当前输入的样本文本的历史文本中语义单元的编码向量进行保存，也可以对当前与之前输入的样本文本的历史文本中语义单元的编码向量进行保存。

构建单元402所构建的神经网络模型中，编码层用于将样本文本与记忆库中各语义单元的编码向量进行联合编码，得到样本文本的最终向量表示，从而实现在纠错过程中引入历史文本的语义信息的目的。

具体地，构建单元402所构建的编码层在将样本文本与记忆库中各语义单元的编码向量进行联合编码，得到样本文本的最终向量表示时，可以采用的可选实现方式为：生成样本文本的原始编码向量；根据样本文本的原始编码向量与记忆库中各语义单元的编码向量进行编码，得到相关性结果；根据相关性结果、样本文本的原始编码向量与记忆库中各语义单元的编码向量进行编码，得到样本文本的最终向量表示。

构建单元402所构建的神经网络模型中，输出层具体为softmax层，用于对编码层输出的样本文本的最终向量表示进行序列标注，从而输出样本文本中每个字的标注结果，作为神经网络模型所输出的样本文本的文本纠错结果。

本实施例在由构建单元402构建包含记忆库门控层、编码层与输出层的神经网络模型之后，由训练单元403使用多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果对神经网络模型进行训练，直至神经网络模型收敛，得到文本纠错模型。

具体地，训练单元403在使用多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果对神经网络模型进行训练，直至神经网络模型收敛时，可以采用的可选实现方式为：针对每个样本文本，将该样本文本与该样本文本的历史文本作为神经网络模型的输入；将该样本文本的历史文本作为记忆库门控层的输入，由记忆库门控层从历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库；将该样本文本与记忆库中语义单元的编码向量作为编码层的输入，得到由编码层输出的该样本文本的最终向量表示；将该样本文本的最终向量表示作为输出层的输入，得到由输出层输出的该样本文本的文本纠错结果；使用该样本文本的文本标注结果与文本纠错结果计算损失函数值，根据计算得到的损失函数值来调整神经网络模型的参数，直至神经网络模型收敛。

图5是根据本公开第五实施例的示意图。如图5所示，本实施例的文本纠错装置500，包括：

第二获取单元501、用于获取待处理文本与待处理文本的历史文本；

纠错单元502、用于将所述待处理文本与所述历史文本作为文本纠错模型的输入，将所述文本纠错模型的输出结果，作为所述待处理文本的文本纠错结果。

第二获取单元501获取的待处理文本与待处理文本的历史文本，可以是一篇文章中的文本，也可以是同声传译过程中，发言人的说话内容所对应的转换文本，因此本实施例中的待处理文本的历史文本，可以为文章或者转换文本中位于待处理文本之前的全部文本或者部分文本。

本实施例在由第二获取单元501获取待处理文本与待处理文本的历史文本之后，由纠错单元502将所获取的待处理文本与历史文本作为预先训练得到的文本纠错模型的输入，从而将文本纠错模型的输出结果作为待处理文本的文本纠错结果。

具体地，纠错单元502在将待处理文本与历史文本作为文本纠错模型的输入，得到文本纠错模型的输出结果时，可以采用的可选实现方式为：将待处理文本的历史文本作为文本纠错模型中记忆库门控层的输入，由记忆库门控层从历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库；将待处理文本与记忆库中各语义单元的编码向量作为文本纠错模型中编码层的输入，得到由编码层输出的待处理文本的最终向量表示；将待处理文本的最终向量表示作为文本纠错模型中输出层的输入，得到由输出层输出的文本纠错结果。

其中，纠错单元502所使用的文本纠错模型中，记忆库门控层、编码层与输出层中的参数是经过训练而被调整之后的最优参数。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

如图6所示，是根据本公开实施例的文本纠错模型的训练与文本纠错方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，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6所示，设备600包括计算单元601，其可以根据存储在只读存储器（ROM）602中的计算机程序或者从存储单元608加载到随机访问存储器（RAM）603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM602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。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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。

计算单元601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601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601执行上文所描述的各个方法 和处理，例如文本纠错模型的训练与文本纠错方法。例如，在一些实施例中，文本纠错模型的训练与文本纠错方法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608。

在一些实施例中，计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到 RAM 603并由计算单元601执行时，可以执行上文描述的文本纠错模型的训练与文本纠错方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行文本纠错模型的训练与文本纠错方法。

此处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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务（“Virtual Private Server”，或简称 “VPS”）中，存在的管理难度大，业务扩展性弱的缺陷。服务器也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。

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执行也可以不同的次序执行，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。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (15)

1.一种文本纠错模型的训练方法，包括：

获取训练数据，所述训练数据中包含多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果；

构建包含记忆库门控层、编码层与输出层的神经网络模型，所述记忆库门控层用于从历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库，以对样本文本进行纠错；

使用多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果对所述神经网络模型进行训练，直至所述神经网络模型收敛，得到文本纠错模型。

2.根据权利要求1所述的方法，其中，所述记忆库门控层从历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库包括：

得到与历史文本对应的至少一个语义单元；

生成每个语义单元的编码向量；

根据所生成的编码向量，计算每个语义单元的激活函数值；

将激活函数值大于预设阈值的语义单元的编码向量加入记忆库。

3.根据权利要求1所述的方法，其中，所述使用多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果对所述神经网络模型进行训练，直至所述神经网络模型收敛包括：

针对每个样本文本，将该样本文本的历史文本作为所述记忆库门控层的输入，由所述记忆库门控层从所述历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库；

将该样本文本与所述记忆库中语义单元的编码向量作为所述编码层的输入，得到由所述编码层输出的该样本文本的最终向量表示；

将该样本文本的最终向量表示作为所述输出层的输入，得到由所述输出层输出的该样本文本的文本纠错结果；

根据该样本文本的文本标注结果与文本纠错结果计算得到的损失函数值，调整所述神经网络模型的参数，直至所述神经网络模型收敛。

4.根据权利要求3所述的方法，其中，所述将该样本文本与所述记忆库中语义单元的编码向量作为所述编码层的输入，得到由所述编码层输出的该样本文本的最终向量表示包括：

生成所述样本文本的原始编码向量；

根据所述样本文本的原始编码向量与所述记忆库中各语义单元的编码向量进行编码，得到相关性结果；

根据所述相关性结果、所述样本文本的原始编码向量与所述记忆库中各语义单元的编码向量进行编码，得到所述样本文本的最终向量表示。

5.一种文本纠错方法，包括：

获取待处理文本与待处理文本的历史文本；

将所述待处理文本与所述历史文本作为文本纠错模型的输入，将所述文本纠错模型的输出结果，作为所述待处理文本的文本纠错结果；

其中，所述文本纠错模型是根据权利要求1-4中任一项所述的方法预先训练得到的。

6.根据权利要求5所述的方法，其中，所述将所述待处理文本与所述历史文本作为文本纠错模型的输入，将所述文本纠错模型的输出结果，作为所述待处理文本的文本纠错结果包括：

将所述待处理文本的历史文本作为所述文本纠错模型中记忆库门控层的输入，由所述记忆库门控层从历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库；

将所述待处理文本与所述记忆库中各语义单元的编码向量作为所述文本纠错模型中编码层的输入，得到由所述编码层输出的所述待处理文本的最终向量表示；

将所述待处理文本的最终向量表示作为所述文本纠错模型中输出层的输入，得到由所述输出层输出的文本纠错结果。

7.一种文本纠错模型的训练装置，包括：

第一获取单元，用于获取训练数据，所述训练数据中包含多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果；

构建单元，用于构建包含记忆库门控层、编码层与输出层的神经网络模型，所述记忆库门控层用于从历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库，以对样本文本进行纠错；

训练单元，用于使用多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果对所述神经网络模型进行训练，直至所述神经网络模型收敛，得到文本纠错模型。

8.根据权利要求7所述的装置，其中，所述构建单元构建的记忆库门控层在从历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库时，具体执行：

得到与历史文本对应的至少一个语义单元；

生成每个语义单元的编码向量；

根据所生成的编码向量，计算每个语义单元的激活函数值；

将激活函数值大于预设阈值的语义单元的编码向量加入记忆库。

9.根据权利要求7所述的装置，其中，所述训练单元在使用多个样本文本、多个样本文本的历史文本与多个样本文本的文本标注结果对所述神经网络模型进行训练，直至所述神经网络模型收敛时，具体执行：

针对每个样本文本，将该样本文本的历史文本作为所述记忆库门控层的输入，由所述记忆库门控层从所述历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库；

将该样本文本与所述记忆库中语义单元的编码向量作为所述编码层的输入，得到由所述编码层输出的该样本文本的最终向量表示；

将该样本文本的最终向量表示作为所述输出层的输入，得到由所述输出层输出的该样本文本的文本纠错结果；

根据该样本文本的文本标注结果与文本纠错结果计算得到的损失函数值，调整所述神经网络模型的参数，直至所述神经网络模型收敛。

10.根据权利要求9所述的装置，其中，所述训练单元在将该样本文本与所述记忆库中语义单元的编码向量作为所述编码层的输入，得到由所述编码层输出的该样本文本的最终向量表示时，具体执行：

生成所述样本文本的原始编码向量；

根据所述样本文本的原始编码向量与所述记忆库中各语义单元的编码向量进行编码，得到相关性结果；

根据所述相关性结果、所述样本文本的原始编码向量与所述记忆库中各语义单元的编码向量进行编码，得到所述样本文本的最终向量表示。

11.一种文本纠错装置，包括：

第二获取单元，用于获取待处理文本与待处理文本的历史文本；

纠错单元，用于将所述待处理文本与所述历史文本作为文本纠错模型的输入，将所述文本纠错模型的输出结果，作为所述待处理文本的文本纠错结果；

其中，所述文本纠错模型是根据权利要求7-10中任一项所述的装置预先训练得到的。

12.根据权利要求11所述的装置，其中，所述纠错单元在将所述待处理文本与所述历史文本作为文本纠错模型的输入，将所述文本纠错模型的输出结果，作为所述待处理文本的文本纠错结果时，具体执行：

将所述待处理文本的历史文本作为所述文本纠错模型中记忆库门控层的输入，由所述记忆库门控层从历史文本中选取语义单元，并将所选取的语义单元的编码向量加入记忆库；

将所述待处理文本与所述记忆库中各语义单元的编码向量作为所述文本纠错模型中编码层的输入，得到由所述编码层输出的所述待处理文本的最终向量表示；

将所述待处理文本的最终向量表示作为所述文本纠错模型中输出层的输入，得到由所述输出层输出的文本纠错结果。

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，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。

Images