CN114861660A - 用于处理文本的神经网络的训练方法和处理文本的方法 - Google Patents
用于处理文本的神经网络的训练方法和处理文本的方法 Download PDFInfo
- Publication number
- CN114861660A CN114861660A CN202210589282.8A CN202210589282A CN114861660A CN 114861660 A CN114861660 A CN 114861660A CN 202210589282 A CN202210589282 A CN 202210589282A CN 114861660 A CN114861660 A CN 114861660A
- Authority
- CN
- China
- Prior art keywords
- emotion
- emotion word
- word
- text
- feature vector
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种用于处理文本的神经网络的训练方法和处理文本的方法,涉及人工智能领域,具体涉及机器学习技术、自然语言处理技术和深度学习技术。训练方法包括:确定样本文本中的第一情感词及其真实从属关系和与第一情感词的情感类别不同的至少一个第二情感词及其各自的真实从属关系;基于第一情感词和样本文本确定对应的综合特征向量;基于每个第二情感词和样本文本确定对应的综合特征向量;基于与第一情感词对应的综合特征向量和至少一个第二情感词各自对应的综合特征向量得到第一情感词的预测从属关系和至少一个第二情感词各自的预测从属关系;基于第一情感词和至少一个第二情感词各自的预测从属关系和真实从属关系训练神经网络。
Description
技术领域
本公开涉及人工智能领域,具体涉及机器学习技术、自然语言处理技术、对话系统技术和深度学习技术,特别涉及一种用于处理文本的神经网络的训练方法、利用神经网络处理文本的方法、用于处理文本的神经网络的训练装置、利用神经网络处理文本的装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
随着智能客服的发展,智能客服为了更好的完成用户任务以及提供更加便捷舒适的服务,具备识别用户情绪的能力成为智能客服进一步发展至关重要的一环。在智能客服多轮对话中识别用户的情绪,一方面可以安抚用户,感知用户情绪,及时完成用户任务,提升服务的满意度;另一方面可以及时感知用户反馈,得到用户对当前智能客服的舆情,对智能客服系统的迭代指明方向。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种用于处理文本的神经网络的训练方法、利用神经网络处理文本的方法、用于处理文本的神经网络的训练装置、利用神经网络处理文本的装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种用于处理文本的神经网络的训练方法,包括:确定样本文本中的第一情感词和第一情感词的真实从属关系,第一情感词的真实从属关系指示第一情感词属于样本文本;确定至少一个第二情感词和至少一个第二情感词各自的真实从属关系,其中,至少一个第二情感词中的每一个第二情感词的情感类别均与第一情感词的情感类别不同,并且至少一个第二情感词各自的真实从属关系指示对应的第二情感词不属于样本文本;利用神经网络基于第一情感词和样本文本,确定与第一情感词对应的综合特征向量;针对至少一个第二情感词中的每一个第二情感词,利用神经网络基于该第二情感词和样本文本,确定与该第二情感词对应的综合特征向量;基于与第一情感词对应的综合特征向量和至少一个第二情感词各自对应的综合特征向量,得到第一情感词的预测从属关系和至少一个第二情感词各自的预测从属关系,预测从属关系指示对应的情感词是否属于样本文本的预测结果;以及基于第一情感词的预测从属关系和真实从属关系、至少一个第二情感词各自的预测从属关系和真实从属关系调整神经网络的参数,以得到训练后的神经网络。
根据本公开的另一方面,提供了一种利用神经网络处理文本的方法,包括:将待处理文本输入利用根据上述方法训练得到的神经网络,以得到文本处理结果。
根据本公开的另一方面,提供了一种用于处理文本的神经网络的训练装置,包括:第一确定单元,被配置为确定样本文本中的第一情感词和第一情感词的真实从属关系,第一情感词的真实从属关系指示第一情感词属于样本文本;第二确定单元,被配置为确定至少一个第二情感词和至少一个第二情感词各自的真实从属关系,其中,至少一个第二情感词中的每一个第二情感词的情感类别均与第一情感词的情感类别不同,并且至少一个第二情感词各自的真实从属关系指示对应的第二情感词不属于样本文本;第三确定单元,被配置为利用神经网络基于第一情感词和样本文本,确定与第一情感词对应的综合特征向量;第四确定单元,被配置为针对至少一个第二情感词中的每一个第二情感词,利用神经网络基于该第二情感词和样本文本,确定与该第二情感词对应的综合特征向量;以及预测单元,被配置为基于与第一情感词对应的综合特征向量和至少一个第二情感词各自对应的综合特征向量,得到第一情感词的预测从属关系和至少一个第二情感词各自的预测从属关系,预测从属关系指示对应的情感词是否属于样本文本的预测结果;以及调参单元,被配置为基于第一情感词的预测从属关系和真实从属关系、至少一个第二情感词各自的预测从属关系和真实从属关系调整神经网络的参数,以得到训练后的神经网络。
根据本公开的另一方面,提供了一种利用神经网络处理文本的装置,包括:文本处理单元,被配置为将待处理文本输入利用根据上述方法训练得到的神经网络,以得到文本处理结果。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中存储器存储有可被至少一个处理器执行的指令,这些指令被至少一个处理器执行,以使至少一个处理器能够执行上述方法。
根据本公开的另一方面,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,计算机指令用于使计算机执行上述方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现上述方法。
根据本公开的一个或多个实施例,通过确定样本文本中的第一情感词和样本文本外的、与第一情感词的情感类别不同的至少一个第二情感词,并预测这些情感词中的哪一个情感词是样本文本中的情感词,使得能够通过与第一情感词的情感类别不同的至少一个第二情感词帮助模型区分不同的情感类别,从而提升利用训练好的神经网络执行下游任务时的准确率。此外,相较于现有技术中直接从词表中进行选择,仅从第一情感词和若干第二情感词中进行选择能够显著减小计算量(从几万的选择减少到个位数选择),从而降低训练神经网络所需要的时间。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开示例性实施例的用于处理文本的神经网络的训练方法的流程图;
图3示出了根据本公开示例性实施例的用于处理文本的神经网络的训练方法的流程图;
图4示出了根据本公开示例性实施例的调整神经网络的参数的流程图;
图5示出了根据本公开示例性实施例的处理文本的方法的流程图;
图6示出了根据本公开示例性实施例的用于处理文本的神经网络的训练装置的结构框图;
图7示出了根据本公开示例性实施例的用于处理文本的神经网络的训练装置的结构框图;
图8示出了根据本公开示例性实施例的处理文本的装置的结构框图;以及
图9出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
相关技术中,现有技术通常利用掩码语言模型设计的,在输入中将情感词或者相关信息掩盖(mask)掉,然后在输出中将mask的词恢复出来、同时预测句子的情绪类别,而句子的情绪类别通常是根据句子中的情感词的情绪类别而确定的。
为解决上述问题,本公开通过确定样本文本中的第一情感词和样本文本外的、与第一情感词的情感类别不同的至少一个第二情感词,并预测这些情感词中的哪一个情感词是样本文本中的情感词,使得能够通过与第一情感词的情感类别不同的至少一个第二情感词帮助模型区分不同的情感类别,从而提升利用训练好的神经网络执行下游任务时的准确率。此外,相较于现有技术中直接从词表中进行选择,仅从第一情感词和若干第二情感词中进行选择能够显著减小计算量(从几万的选择减少到个位数选择),从而降低训练神经网络所需要的时间。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行用于处理文本的神经网络的训练方法和/或处理文本的方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)网络下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来进行智能客服系统前端的操作。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口,例如,客户端设备可以接收来自用户的输入信息。客户端设备还可以经由该接口向用户输出信息,例如,客户端可以向用户输出智能客服系统根据来自用户的输入信息所生成的反馈信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS);或包括各种移动操作系统,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库可以是数据库,例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
根据本公开的一方面,提供了一种用于处理文本的神经网络的训练方法。如图2所示,训练方法包括:步骤S201、确定样本文本中的第一情感词和第一情感词的真实从属关系,第一情感词的真实从属关系指示第一情感词属于样本文本;步骤S202、确定至少一个第二情感词和至少一个第二情感词各自的真实从属关系,其中,至少一个第二情感词中的每一个第二情感词的情感类别均与第一情感词的情感类别不同,并且至少一个第二情感词各自的真实从属关系指示对应的第二情感词不属于样本文本;步骤S203、利用神经网络基于第一情感词和样本文本,确定与第一情感词对应的综合特征向量;步骤S204、针对至少一个第二情感词中的每一个第二情感词,利用神经网络基于该第二情感词和样本文本,确定与该第二情感词对应的综合特征向量;步骤S205、基于与第一情感词对应的综合特征向量和至少一个第二情感词各自对应的综合特征向量,得到第一情感词的预测从属关系和至少一个第二情感词各自的预测从属关系,预测从属关系指示对应的情感词是否属于样本文本的预测结果;以及步骤S206、基于第一情感词的预测从属关系和真实从属关系、至少一个第二情感词各自的预测从属关系和真实从属关系调整神经网络的参数,以得到训练后的神经网络。
由此,通过确定样本文本中的第一情感词和样本文本外的、与第一情感词的情感类别不同的至少一个第二情感词,并预测这些情感词中的哪一个情感词是样本文本中的情感词,使得能够通过与第一情感词的情感类别不同的至少一个第二情感词帮助模型区分不同的情感类别,从而提升利用训练好的神经网络执行下游任务时的准确率。此外,相较于现有技术中直接从词表中进行选择,仅从第一情感词和若干第二情感词中进行选择能够显著减小计算量(从几万的选择减少到个位数选择),从而降低训练神经网络所需要的时间。
本公开的方法可以用于各类与对话系统相关的场景,例如,在线客服、语音助手、智能机器人等等,在此不做限定。
根据一些实施例,第一情感词和第二情感词例如可以是预设的情感词典中的情感词,并且情感词典中将情感词分为多个不同的情感类别。情感词典例如可以是通过对大量的文本进行统计、分析、标注修正等方式得到的,其中记录有大量(以万为单位)的情感词和对应的情感类别的情感词典。此类情感词典长期以来在文本情感分析等领域被广泛使用。除此以外,情感词典也可以是在训练前通过标注而得到的,在此不做限定。
然而,情感词典并非完全准确的,其中很可能会出现错误。此外,即便情感词典中的情感词的真实情感类别与情感词典为该情感词确定的情感类别一致,情感词在文本中的实际情感类别与其真实情感类别也不一定一致。例如,尽管文本“我不喜欢吃水果”中包括了积极的词汇“喜欢”,但其整体含义为消极的。因此,现有技术中令神经网络直接学习每个情感词的情感类别的训练方式会使得神经网络机械地学习情感词典中的先验知识,从而导致神经网络将错误的知识一并学习。为解决该问题,本公开提出了几种以相对较“软”的方式学习情感词典中的先验知识的训练任务,以在学到情感词典中的正确的先验知识的同时尽可能避免学到其中的错误知识。
在一些实施例中,情感词的情感类别可以为二分类(例如可以包括积极和消极两类),也可以为三分类(例如包括积极、消极和中性三类),还可以根据其他方式分为多个情感类别,例如可以根据情绪维度模型分为多个情感类别等,在此不做限定。为便于表述的目的,本公开的示例中的情感词分为积极、消极和中性三个情感类别,但这并不意图限定本公开的保护范围。
根据一些实施例,用于处理文本的神经网络可以包括文本特征提取子网络,用于提取各类文本的特征。文本特征提取子网络可以使用现有的预训练语言模型(例如,ERNIE、BERT、GPT-3等预训练模型),也可以使用其他的用于自然语言处理的神经网络,在此不做限定。这类神经网络通常接收一个或多个文本片段,并将这些文本片段中的每一个词进行嵌入后以输入到网络的主干部分中。输入到网络的主干部分的特征序列还可以包括用于得到这些文本片段的综合语义信息的分类符号CLS和将不同文本片段进行分隔的分隔符号SEP等等。神经网络可以利用例如自注意力机制对嵌入后的特征向量进行处理,并输出与每一个词对应的词特征向量、以及表示这些文本片段的综合语义信息的文本特征向量。
在一个示例性实施例中,样本文本中包括积极情感词A(即,第一情感词),则可以在情感词典中确定消极情感词B和中性情感词C(即,至少一个第二情感词)。情感词A的真实从属关系指示情感词A属于样本文本,情感词B和C各自的真实从属关系指示其不属于样本文本。可以理解的是,样本文本中也可以包括其他情感类别的情感词A’,并且可以选择和A’的情感类别不同的情感词B’和C’。
根据一些实施例,在步骤S203、可以使用各种方法利用神经网络基于第一情感词和样本文本,确定与第一情感词对应的综合特征向量。在一些实施例中,可以将第一情感词和样本文本进行拼接后输入如上的文本特征提取子网络,以得到与拼接文本对应的文本特征向量作为综合特征向量;也可以将第一情感词和样本文本使用SEP符号隔开后输入到文本特征提取子网络,以得到网络输出的融合了第一情感词的语义信息和样本文本的语义信息的文本特征向量作为综合特征向量;还可以使用文本特征提取子网络提取样本文本的文本特征向量,再将该文本特征向量和第一情感词的情感词特征向量进行聚合,以得到综合特征向量。可以理解的是,除上述方法外,还可以使用其他方法实现利用神经网络基于第一情感词和样本文本,确定与第一情感词对应的综合特征向量,在此不做限定。
此外,步骤S204中利用神经网络基于第二情感词和样本文本确定与该第二情感词对应的综合特征向量的方式与上述确定与第一情感词对应的综合特征向量的方式类似,在此不做赘述。
根据一些实施例,神经网络可以包括文本特征提取子网络。如图3所示,训练方法还可以包括:步骤S303、将样本文本输入文本特征提取子网络,以得到样本文本的文本特征向量,其中,文本特征提取子网络被配置为基于样本文本,输出样本文本的文本特征向量;步骤S304、将第一情感词进行嵌入,以得到第一情感词的情感词特征向量;以及步骤S305、将至少一个第二情感词中的每一个第二情感词进行嵌入,以得到至少一个第二情感词各自的情感词特征向量。由此,通过使用文本特征提取子网络提取样本文本的文本特征向量,使得文本特征提取子网络能够专注于句子本身,从而进一步提升下游与文本片段单独相关的文本处理任务的准确率。可以理解的是,图3中的步骤S301-步骤S302、步骤S306-步骤S308、和步骤S312的操作分别和图2中的步骤S201-步骤S206的操作类似,在此不做赘述。
在一些实施例中,例如可以使用拼接、直接求和或加权求和、使用多层感知机等神经网络进行处理等操作或其任意组合对文本特征向量和情感词特征向量进行处理,以得到综合特征向量。
根据一些实施例,步骤S306、利用神经网络基于第一情感词和样本文本,确定与第一情感词对应的综合特征向量可以包括:基于第一情感词的情感词特征向量和样本文本的文本特征向量,确定与第一情感词对应的综合特征向量。步骤S307、针对至少一个第二情感词中的每一个第二情感词,利用神经网络基于该第二情感词和样本文本,确定与该第二样本文本对应的综合特征向量可以包括:针对至少一个第二情感词中的每一个第二情感词,基于该第二情感词的情感词特征向量和样本文本的文本特征向量,确定与该第二样本文本对应的综合特征向量。
由此,通过根据样本文本的特征向量和情感词的情感词特征向量得到综合特征向量,使得神经网络在学习句子的表示的时候能够让增大不同情感类别的句子的表示之间的距离,从而提升下游任务的准确率。此外,这样的方式将样本文本的特征向量和情感词的特征向量区分开来,从而能够实现对样本文本的特征向量进行单独学习,避免干扰。
根据一些实施例,基于第一情感词的情感词特征向量和样本文本的文本特征向量,确定与第一情感词对应的综合特征向量可以包括:将第一情感词的情感词特征向量和样本文本的文本特征向量进行拼接,以得到与第一情感词对应的综合特征向量。针对至少一个第二情感词中的每一个第二情感词,基于该第二情感词的情感词特征向量和样本文本的文本特征向量,确定与该第二样本文本对应的综合特征向量可以包括:针对至少一个第二情感词中的每一个第二情感词,将该第二情感词的情感词特征向量和样本文本的文本特征向量进行拼接,以得到与该第二情感词对应的综合特征向量。通过将文本特征向量和情感词特征向量进行拼接,能够最大程度保留两者各自的语义信息。
在一些实施例中,在步骤S308,可以使用各种方式基于与第一情感词对应的综合特征向量和至少一个第二情感词各自对应的综合特征向量,得到第一情感词的预测从属关系和至少一个第二情感词各自的预测从属关系。在一些实施例中,可以使用全连接网络或多层感知机基于相应的综合特征向量对第一情感词的从属关系和至少一个第二情感词的从属关系进行预测,以得到这些情感词各自的预测从属关系。预测从属关系例如可以是相应的情感词属于样本文本的得分或概率。在一个示例性实施例中,在得到每个情感词属于样本文本的得分或概率后,还可以进行归一化,以得到最后的概率作为预测从属关系。
根据一些实施例,步骤S312、基于第一情感词的预测从属关系和真实从属关系、至少一个第二情感词各自的预测从属关系和真实从属关系,得到训练后的神经网络可以包括:基于第一情感词的预测从属关系和真实从属关系、至少一个第二情感词各自的预测从属关系和真实从属关系,确定第一损失值;以及基于第一损失值,调整神经网络的参数,以得到训练后的神经网络。
由此,通过基于这些情感词的预测选项标签和真实选项标签仅生成一个损失值,并利用该损失值进行训练,从而使得神经网络能够更好地学到不同的情感类别之间的差别。
在一些实施例中,第一损失值可以为交叉熵损失。可以理解的是,第一损失值还可以为基于其他损失函数的损失值,在此不做限定。
根据一些实施例,如图3所示,训练方法还可以包括:步骤S309、确定样本文本的真实情感类别;以及步骤S310、基于样本文本的样本文本特征,确定样本文本的第一预测情感类别。步骤S312、基于第一情感词的预测从属关系和真实从属关系、至少一个第二情感词各自的预测从属关系和真实从属关系调整神经网络的参数,以得到训练后的神经网络可以包括:基于第一情感词的预测从属关系和真实从属关系、至少一个第二情感词各自的预测从属关系和真实从属关系、以及样本文本的第一预测情感类别和真实情感类别,调整神经网络的参数,以得到训练后的神经网络。
由此,通过使用直接基于文本预测文本的情感类别的主干任务,实现了通过多个训练任务对神经网络进行训练,提升了下游任务的准确率。此外,通过利用多个任务帮助文本特征提取子网络学习样本文本的表示,显著提升了利用文本特征提取子网络输出的样本文本特征进行情感类别预测的准确率。
根据一些实施例,真实情感类别可以为第一情感词的情感类别。在步骤S310,可以使用各种方法基于样本文本的样本文本特征,确定样本文本的第一预测情感类别,例如可以使用全连接网络或多层感知机处理样本文本特征,以得到第一预测情感类别。而第一预测情感类别可以是具体的情感类别,也可以是样本文本属于不同的情感类别的概率。可以理解的是,还可以使用其他方法得到指示对样本文本的情感类别的预测结果的第一预测情感类别,在此不做限定。
根据一些实施例,如图4所示,步骤S312、基于第一情感词的预测从属关系和真实从属关系、至少一个第二情感词各自的预测从属关系和真实从属关系调整神经网络的参数,以得到训练后的神经网络可以包括:步骤S401、基于第一情感词的预测从属关系和真实从属关系、至少一个第二情感词各自的预测从属关系和真实从属关系,确定第一损失值;步骤S402、基于样本文本的第一预测情感类别和真实情感类别调整神经网络的参数,确定第二损失值;步骤S403、基于第一损失值和第二损失值,确定综合损失值;以及步骤S404、基于综合损失值,调整神经网络的参数,以得到训练后的神经网络。由此,通过确定与预测情感词是否属于样本文本的任务对应的第一损失值和预测样本文本的情感类别的主干任务的第二损失值,并基于第一损失值和第二损失值确定综合损失值,进而基于综合损失值调整神经网络的参数,实现了上述两个训练任务的同步执行。
在一些实施例中,可以根据需求确定第一损失值和第二损失值的类型(例如,对应的损失函数),在此不做限定。
根据一些实施例,如图3所示,训练方法还可以包括:步骤S311、基于与第一情感词对应的综合特征向量,确定样本文本的第二预测情感类别。步骤S312、基于第一情感词的预测从属关系和真实从属关系、至少一个第二情感词各自的预测从属关系和真实从属关系调整神经网络的参数,以得到训练后的神经网络可以包括:基于第一情感词的预测从属关系和真实从属关系、至少一个第二情感词各自的预测从属关系和真实从属关系、以及样本文本的第二预测情感类别和真实情感类别调整神经网络的参数,以得到训练后的神经网络。由此,通过基于第一情感词和样本文本的综合特征向量预测样本文本的情感类别(例如,样本文本中的第一情感词的情感类别),实现了在对情感词典中的情感词的依赖性较低的情况下对先验知识的学习。
根据一些实施例,步骤S311、基于与第一情感词对应的综合特征向量,确定样本文本的第二预测情感类别的操作和步骤S310、基于样本文本的样本文本特征,确定样本文本的第一预测情感类别的操作类似,在此不做赘述。
根据一些实施例,基于第一情感词的预测从属关系和真实从属关系、至少一个第二情感词各自的预测从属关系和真实从属关系、以及样本文本的第二预测情感类别和真实情感类别调整神经网络的参数,以得到训练后的神经网络可以包括:基于第一情感词的预测从属关系和真实从属关系、至少一个第二情感词各自的预测从属关系和真实从属关系,确定第一损失值;基于样本文本的第二预测情感类别和真实情感类别调整神经网络的参数,确定第三损失值;基于第一损失值和第三损失值,确定综合损失值;以及基于综合损失值,调整神经网络的参数,以得到训练后的神经网络。由此,通过确定与预测情感词是否属于样本文本的任务对应的第一损失值和利用样本文本和第一情感词预测样本文本的情感类别的任务的第三损失值,并基于第一损失值和第三损失值确定综合损失值,进而基于综合损失值调整神经网络的参数,实现了上述两个训练任务的同步执行。
在一些实施例中,可以基于第一损失值、第二损失值和第三损失值确定综合损失值,从而能够实现上述三个训练任务的同步执行。在一些实施例中,可以根据需求确定第三损失值的类型,在此不做限定。
综上,通过上述若干训练任务,能够实现以下技术效果:
(1)降低计算量,提升推理效率。相较于现有技术中需要从几万的词表中确定对应的情感词,现在只要从个位数级别中词汇中选择(也即,从第一情感词和至少一个第二情感词构成的组中进行选择);
(2)降低对情感词的依赖性。通过统计或其他方式得到的情感词典不一定正确,现有技术直接预测情感词的方式会原原本本地学习情感词典中的这些错误。而通过本公开的上述任务的方式,能够将情感词典中的情感词相关信息作为先验方式进入,降低情感词典中的错误对神经网络的影响;
(3)现有技术中使用mask字符替换被遮掩的情感词汇时,有可能一开始就丢失了句子中最核心的情绪信息,影响输入的情绪含义,本公开的方法去除了mask带来的影响,避免训练过程中情绪信息丢失的问题。
根据本公开的另一方面,提供了一种利用神经网络处理文本的方法。如图5所示,处理文本的方法包括:步骤S501、将待处理文本输入利用根据上述方法训练得到的神经网络,以得到文本处理结果。
根据一些实施例,文本处理结果指示对待处理文本的情感类别的预测结果。
根据本公开的另一方面,提供了一种用于处理文本的神经网络的训练装置。如图6所示,装置600包括:第一确定单元602,被配置为确定样本文本中的第一情感词和第一情感词的真实从属关系,第一情感词的真实从属关系指示第一情感词属于样本文本;第二确定单元604,被配置为确定至少一个第二情感词和至少一个第二情感词各自的真实从属关系,其中,至少一个第二情感词中的每一个第二情感词的情感类别均与第一情感词的情感类别不同,并且至少一个第二情感词各自的真实从属关系指示对应的第二情感词不属于样本文本;第三确定单元606,被配置为利用神经网络基于第一情感词和样本文本,确定与第一情感词对应的综合特征向量;第四确定单元608,被配置为针对至少一个第二情感词中的每一个第二情感词,利用神经网络基于该第二情感词和样本文本,确定与该第二情感词对应的综合特征向量;预测单元610,被配置为基于与第一情感词对应的综合特征向量和至少一个第二情感词各自对应的综合特征向量,得到第一情感词的预测从属关系和至少一个第二情感词各自的预测从属关系,预测从属关系指示对应的情感词是否属于样本文本的预测结果;以及调参单元612,被配置为基于第一情感词的预测从属关系和真实从属关系、至少一个第二情感词各自的预测从属关系和真实从属关系调整神经网络的参数,以得到训练后的神经网络。可以理解的是,图6中的单元602-单元612的操作和图2中的步骤S201-步骤S206的操作类似,在此不做赘述。
根据一些实施例,神经网络可以包括文本特征提取子网络。如图7所示,装置700还可以包括:输入单元714,被配置为将样本文本输入文本特征提取子网络,以得到样本文本的文本特征向量,其中,文本特征提取子网络被配置为基于样本文本,输出样本文本的文本特征向量;第一嵌入单元716,被配置为将第一情感词进行嵌入,以得到第一情感词的情感词特征向量;以及第二嵌入单元718,被配置为将至少一个第二情感词中的每一个第二情感词进行嵌入,以得到至少一个第二情感词各自的情感词特征向量。装置700中的单元702-单元712的操作和装置600中的单元602-单元612的操作类似,在此不做赘述。
根据一些实施例,第三确定单元706可以包括:第一确定子单元,被配置为基于第一情感词的情感词特征向量和样本文本的文本特征向量,确定与第一情感词对应的综合特征向量。第四确定单元708可以包括:第二确定子单元,被配置为针对至少一个第二情感词中的每一个第二情感词,基于该第二情感词的情感词特征向量和样本文本的文本特征向量,确定与该第二样本文本对应的综合特征向量。
根据一些实施例,第一确定子单元可以被进一步配置为将第一情感词的情感词特征向量和样本文本的文本特征向量进行拼接,以得到与第一情感词对应的综合特征向量。第二确定子单元可以被进一步配置为针对至少一个第二情感词中的每一个第二情感词,将该第二情感词的情感词特征向量和样本文本的文本特征向量进行拼接,以得到与该第二情感词对应的综合特征向量。
根据一些实施例,如图7所示,装置700还可以包括:第五确定单元720,被配置为确定样本文本的真实情感类别;以及第六确定单元722,被配置为基于样本文本的样本文本特征,确定样本文本的第一预测情感类别。调参单元712可以被进一步配置为基于第一情感词的预测从属关系和真实从属关系、至少一个第二情感词各自的预测从属关系和真实从属关系、以及样本文本的第一预测情感类别和真实情感类别,调整神经网络的参数,以得到训练后的神经网络。
根据一些实施例,调参单元712可以包括:第三确定子单元,被配置为基于第一情感词的预测从属关系和真实从属关系、至少一个第二情感词各自的预测从属关系和真实从属关系,确定第一损失值;第四确定子单元,被配置为基于样本文本的第一预测情感类别和真实情感类别调整神经网络的参数,确定第二损失值;第五确定子单元,被配置为基于第一损失值和第二损失值,确定综合损失值;以及调参子单元,被配置为基于综合损失值,调整神经网络的参数,以得到训练后的神经网络。
根据一些实施例,如图7所示,装置700还可以包括:第七确定单元724,被配置为确定样本文本的真实情感类别;以及第八确定单元726,被配置为基于与第一情感词对应的综合特征向量,确定样本文本的第二预测情感类别。调参单元712可以被进一步配置为基于第一情感词的预测从属关系和真实从属关系、至少一个第二情感词各自的预测从属关系和真实从属关系、以及样本文本的第二预测情感类别和真实情感类别调整神经网络的参数,以得到训练后的神经网络。可以理解的是,第七确定单元724和第五确定单元720可以相同。
根据本公开的另一方面,提供了一种利用神经网络处理文本的装置。如图8所示,装置800包括:文本处理单元802,被配置为将待处理文本输入利用根据上述装置训练得到的神经网络,以得到文本处理结果。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,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。
参考图9,现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向设备900输入信息的任何类型的设备,输入单元906可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元907可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元901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901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、各种运行机器学习网络算法的计算单元、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901执行上文所描述的各个方法和处理,例如用于处理文本的神经网络的训练方法和/或处理文本的方法。例如,在一些实施例中,用于处理文本的神经网络的训练方法和/或处理文本的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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的用于处理文本的神经网络的训练方法和/或处理文本的方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于处理文本的神经网络的训练方法和/或处理文本的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。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、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (22)
1.一种用于处理文本的神经网络的训练方法,包括:
确定样本文本中的第一情感词和所述第一情感词的真实从属关系,所述第一情感词的真实从属关系指示所述第一情感词属于所述样本文本;
确定至少一个第二情感词和所述至少一个第二情感词各自的真实从属关系,其中,所述至少一个第二情感词中的每一个第二情感词的情感类别均与所述第一情感词的情感类别不同,并且所述至少一个第二情感词各自的真实从属关系指示对应的第二情感词不属于所述样本文本;
利用所述神经网络基于所述第一情感词和所述样本文本,确定与所述第一情感词对应的综合特征向量;
针对所述至少一个第二情感词中的每一个第二情感词,利用所述神经网络基于该第二情感词和所述样本文本,确定与该第二情感词对应的综合特征向量;
基于与所述第一情感词对应的综合特征向量和所述至少一个第二情感词各自对应的综合特征向量,得到所述第一情感词的预测从属关系和所述至少一个第二情感词各自的预测从属关系,所述预测从属关系指示对应的情感词是否属于所述样本文本的预测结果;以及
基于所述第一情感词的预测从属关系和真实从属关系、所述至少一个第二情感词各自的预测从属关系和真实从属关系调整所述神经网络的参数,以得到训练后的神经网络。
2.根据权利要求1所述的方法,其中,利用所述神经网络基于所述第一情感词和所述样本文本,确定与所述第一情感词对应的综合特征向量包括:
基于所述第一情感词的情感词特征向量和所述样本文本的文本特征向量,确定与所述第一情感词对应的综合特征向量,
并且其中,针对所述至少一个第二情感词中的每一个第二情感词,利用所述神经网络基于该第二情感词和所述样本文本,确定与该第二样本文本对应的综合特征向量包括:
针对所述至少一个第二情感词中的每一个第二情感词,基于该第二情感词的情感词特征向量和所述样本文本的文本特征向量,确定与该第二样本文本对应的综合特征向量。
3.根据权利要求2所述的方法,其中,所述神经网络包括文本特征提取子网络,所述方法还包括:
将所述样本文本输入所述文本特征提取子网络,以得到所述样本文本的文本特征向量,其中,所述文本特征提取子网络被配置为基于所述样本文本,输出所述样本文本的文本特征向量;
将所述第一情感词进行嵌入,以得到所述第一情感词的情感词特征向量;以及
将所述至少一个第二情感词中的每一个第二情感词进行嵌入,以得到所述至少一个第二情感词各自的情感词特征向量。
4.根据权利要求2所述的方法,其中,基于所述第一情感词的情感词特征向量和所述样本文本的文本特征向量,确定与所述第一情感词对应的综合特征向量包括:
将所述第一情感词的情感词特征向量和所述样本文本的文本特征向量进行拼接,以得到与所述第一情感词对应的综合特征向量,
其中,针对所述至少一个第二情感词中的每一个第二情感词,基于该第二情感词的情感词特征向量和所述样本文本的文本特征向量,确定与该第二样本文本对应的综合特征向量包括:
针对所述至少一个第二情感词中的每一个第二情感词,将该第二情感词的情感词特征向量和所述样本文本的文本特征向量进行拼接,以得到与该第二情感词对应的综合特征向量。
5.根据权利要求1所述的方法,其中,基于所述第一情感词的预测从属关系和真实从属关系、所述至少一个第二情感词各自的预测从属关系和真实从属关系,得到训练后的神经网络包括:
基于所述第一情感词的预测从属关系和真实从属关系、所述至少一个第二情感词各自的预测从属关系和真实从属关系,确定第一损失值;以及
基于所述第一损失值,调整所述神经网络的参数,以得到训练后的神经网络。
6.根据权利要求1-3中任一项所述的方法,还包括:
确定所述样本文本的真实情感类别;以及
基于所述样本文本的样本文本特征,确定所述样本文本的第一预测情感类别,
其中,基于所述第一情感词的预测从属关系和真实从属关系、所述至少一个第二情感词各自的预测从属关系和真实从属关系调整所述神经网络的参数,以得到训练后的神经网络包括:
基于所述第一情感词的预测从属关系和真实从属关系、所述至少一个第二情感词各自的预测从属关系和真实从属关系、以及所述样本文本的第一预测情感类别和真实情感类别,调整所述神经网络的参数,以得到训练后的神经网络。
7.根据权利要求6所述的方法,其中,所述真实情感类别为所述第一情感词的情感类别。
8.根据权利要求6所述的方法,其中,基于所述第一情感词的预测从属关系和真实从属关系、所述至少一个第二情感词各自的预测从属关系和真实从属关系、以及所述样本文本的第一预测情感类别和真实情感类别,调整所述神经网络的参数,以得到训练后的神经网络包括:
基于所述第一情感词的预测从属关系和真实从属关系、所述至少一个第二情感词各自的预测从属关系和真实从属关系,确定第一损失值;
基于所述样本文本的第一预测情感类别和真实情感类别调整所述神经网络的参数,确定第二损失值;
基于所述第一损失值和所述第二损失值,确定所述综合损失值;以及
基于所述综合损失值,调整所述神经网络的参数,以得到训练后的神经网络。
9.根据权利要求1所述的方法,还包括:
确定所述样本文本的真实情感类别;以及
基于与所述第一情感词对应的综合特征向量,确定所述样本文本的第二预测情感类别,
其中,基于所述第一情感词的预测从属关系和真实从属关系、所述至少一个第二情感词各自的预测从属关系和真实从属关系调整所述神经网络的参数,以得到训练后的神经网络包括:
基于所述第一情感词的预测从属关系和真实从属关系、所述至少一个第二情感词各自的预测从属关系和真实从属关系、以及所述样本文本的第二预测情感类别和真实情感类别调整所述神经网络的参数,以得到训练后的神经网络。
10.一种利用神经网络处理文本的方法,包括:
将待处理文本输入利用根据权利要求1-9中任一项所述的方法训练得到的神经网络,以得到文本处理结果。
11.根据权利要求10所述的方法,其中,所述文本处理结果指示对所述待处理文本的情感类别的预测结果。
12.一种用于处理文本的神经网络的训练装置,包括:
第一确定单元,被配置为确定样本文本中的第一情感词和所述第一情感词的真实从属关系,所述第一情感词的真实从属关系指示所述第一情感词属于所述样本文本;
第二确定单元,被配置为确定至少一个第二情感词和所述至少一个第二情感词各自的真实从属关系,其中,所述至少一个第二情感词中的每一个第二情感词的情感类别均与所述第一情感词的情感类别不同,并且所述至少一个第二情感词各自的真实从属关系指示对应的第二情感词不属于所述样本文本;
第三确定单元,被配置为利用所述神经网络基于所述第一情感词和所述样本文本,确定与所述第一情感词对应的综合特征向量;
第四确定单元,被配置为针对所述至少一个第二情感词中的每一个第二情感词,利用所述神经网络基于该第二情感词和所述样本文本,确定与该第二情感词对应的综合特征向量;
预测单元,被配置为基于与所述第一情感词对应的综合特征向量和所述至少一个第二情感词各自对应的综合特征向量,得到所述第一情感词的预测从属关系和所述至少一个第二情感词各自的预测从属关系,所述预测从属关系指示对应的情感词是否属于所述样本文本的预测结果;以及
调参单元,被配置为基于所述第一情感词的预测从属关系和真实从属关系、所述至少一个第二情感词各自的预测从属关系和真实从属关系调整所述神经网络的参数,以得到训练后的神经网络。
13.根据权利要求12所述的装置,其中,所述第三确定单元包括:
第一确定子单元,被配置为基于所述第一情感词的情感词特征向量和所述样本文本的文本特征向量,确定与所述第一情感词对应的综合特征向量,
其中,所述第四确定单元包括:
第二确定子单元,被配置为针对所述至少一个第二情感词中的每一个第二情感词,基于该第二情感词的情感词特征向量和所述样本文本的文本特征向量,确定与该第二样本文本对应的综合特征向量。
14.根据权利要求13所述的装置,其中,所述神经网络包括文本特征提取子网络,所述装置还包括:
输入单元,被配置为将所述样本文本输入所述文本特征提取子网络,以得到所述样本文本的文本特征向量,其中,所述文本特征提取子网络被配置为基于所述样本文本,输出所述样本文本的文本特征向量;
第一嵌入单元,被配置为将所述第一情感词进行嵌入,以得到所述第一情感词的情感词特征向量;以及
第二嵌入单元,被配置为将所述至少一个第二情感词中的每一个第二情感词进行嵌入,以得到所述至少一个第二情感词各自的情感词特征向量。
15.根据权利要求13所述的装置,其中,所述第一确定子单元被进一步配置为将所述第一情感词的情感词特征向量和所述样本文本的文本特征向量进行拼接,以得到与所述第一情感词对应的综合特征向量,
其中,所述第二确定子单元被进一步配置为针对所述至少一个第二情感词中的每一个第二情感词,将该第二情感词的情感词特征向量和所述样本文本的文本特征向量进行拼接,以得到与该第二情感词对应的综合特征向量。
16.根据权利要求12所述的装置,还包括:
第五确定单元,被配置为确定所述样本文本的真实情感类别;以及
第六确定单元,被配置为基于所述样本文本的样本文本特征,确定所述样本文本的第一预测情感类别,
其中,所述调参单元被进一步配置为基于所述第一情感词的预测从属关系和真实从属关系、所述至少一个第二情感词各自的预测从属关系和真实从属关系、以及所述样本文本的第一预测情感类别和真实情感类别,调整所述神经网络的参数,以得到训练后的神经网络。
17.根据权利要求16所述的装置,其中,所述调参单元包括:
第三确定子单元,被配置为基于所述第一情感词的预测从属关系和真实从属关系、所述至少一个第二情感词各自的预测从属关系和真实从属关系,确定第一损失值;
第四确定子单元,被配置为基于所述样本文本的第一预测情感类别和真实情感类别调整所述神经网络的参数,确定第二损失值;
第五确定子单元,被配置为基于所述第一损失值和所述第二损失值,确定所述综合损失值;以及
调参子单元,被配置为基于所述综合损失值,调整所述神经网络的参数,以得到训练后的神经网络。
18.根据权利要求12所述的装置,还包括:
第七确定单元,被配置为确定所述样本文本的真实情感类别;以及
第八确定单元,被配置为基于与所述第一情感词对应的综合特征向量,确定所述样本文本的第二预测情感类别,
其中,所述调参单元被进一步配置为基于所述第一情感词的预测从属关系和真实从属关系、所述至少一个第二情感词各自的预测从属关系和真实从属关系、以及所述样本文本的第二预测情感类别和真实情感类别调整所述神经网络的参数,以得到训练后的神经网络。
19.一种利用神经网络处理文本的装置,包括:
文本处理单元,被配置为将待处理文本输入利用根据权利要求12-18中任一项所述的装置训练得到的神经网络,以得到文本处理结果。
20.一种电子设备,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1-11中任一项所述的方法。
21.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-11中任一项所述的方法。
22.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210589282.8A CN114861660A (zh) | 2022-05-26 | 2022-05-26 | 用于处理文本的神经网络的训练方法和处理文本的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210589282.8A CN114861660A (zh) | 2022-05-26 | 2022-05-26 | 用于处理文本的神经网络的训练方法和处理文本的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114861660A true CN114861660A (zh) | 2022-08-05 |
Family
ID=82640998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210589282.8A Pending CN114861660A (zh) | 2022-05-26 | 2022-05-26 | 用于处理文本的神经网络的训练方法和处理文本的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861660A (zh) |
-
2022
- 2022-05-26 CN CN202210589282.8A patent/CN114861660A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113807440B (zh) | 利用神经网络处理多模态数据的方法、设备和介质 | |
CN114612749A (zh) | 神经网络模型训练方法及装置、电子设备和介质 | |
CN114611532B (zh) | 语言模型训练方法及装置、目标翻译错误检测方法及装置 | |
CN114443989B (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
CN114821581A (zh) | 图像识别方法和用于训练图像识别模型的方法 | |
CN116541536B (zh) | 知识增强的内容生成系统、数据生成方法、设备和介质 | |
CN116028605B (zh) | 逻辑表达式生成方法、模型训练方法、装置及介质 | |
CN115170887B (zh) | 目标检测模型训练方法、目标检测方法及其装置 | |
CN114219046B (zh) | 模型训练方法、匹配方法、装置、系统、电子设备和介质 | |
CN114926828B (zh) | 场景文本识别方法、装置、电子设备及存储介质 | |
CN115600646A (zh) | 语言模型的训练方法、装置、介质及设备 | |
CN114547252A (zh) | 文本识别方法、装置、电子设备和介质 | |
CN114118067A (zh) | 术语名词纠错方法及装置、电子设备和介质 | |
CN114861660A (zh) | 用于处理文本的神经网络的训练方法和处理文本的方法 | |
CN112905743A (zh) | 文本对象检测的方法、装置、电子设备和存储介质 | |
CN115862031B (zh) | 文本处理方法、神经网络的训练方法、装置和设备 | |
CN115713071B (zh) | 用于处理文本的神经网络的训练方法和处理文本的方法 | |
CN114117046B (zh) | 数据处理方法、装置、电子设备及介质 | |
CN115879468B (zh) | 基于自然语言理解的文本要素提取方法、装置和设备 | |
CN114118066A (zh) | 专有名词纠错方法、装置、电子设备及存储介质 | |
CN114169440A (zh) | 模型训练方法、数据处理方法、装置、电子设备及介质 | |
CN114187924A (zh) | 数据处理方法、装置、电子设备及介质 | |
CN116151367A (zh) | 模型的训练方法、装置、电子设备和介质 | |
CN114611526A (zh) | 实体链接方法及装置、设备和介质 | |
CN114627860A (zh) | 模型训练方法、语音处理方法、装置、设备及介质 |
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 |