CN115394295A - 分段处理方法、装置、设备及存储介质 - Google Patents

分段处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115394295A
CN115394295A CN202110572337.XA CN202110572337A CN115394295A CN 115394295 A CN115394295 A CN 115394295A CN 202110572337 A CN202110572337 A CN 202110572337A CN 115394295 A CN115394295 A CN 115394295A
Authority
CN
China
Prior art keywords
sentence
target
sentences
prediction
sliding window
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
Application number
CN202110572337.XA
Other languages
English (en)
Inventor
张庆林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Innovation Co
Original Assignee
Alibaba Singapore Holdings Pte Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Singapore Holdings Pte Ltd filed Critical Alibaba Singapore Holdings Pte Ltd
Priority to CN202110572337.XA priority Critical patent/CN115394295A/zh
Publication of CN115394295A publication Critical patent/CN115394295A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/04—Segmentation; Word boundary detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Machine Translation (AREA)

Abstract

本公开涉及一种分段处理方法、装置、设备及存储介质。该方法包括：获取语音识别后的目标文本，目标文本包括多个句子；通过多次预测处理，得到多个句子中每个句子分别对应的预测结果，预测结果用于表示对应的句子是否为分段句，每次预测处理针对多个句子中的一个或多个目标句子进行；在每次预测处理过程中，确定本次待预测的每个目标句子的语义表示向量，并根据本次待预测的目标句子的语义表示向量，确定目标句子的预测结果；根据每个句子的预测结果，对目标文本进行分段处理。本公开技术方案可以使目标文本的段落结构、篇章结构更加清晰，提高目标文本的可读性，降低用户对目标文本进行阅读理解的难度，进而提高用户阅读目标文本的速度。

Description

分段处理方法、装置、设备及存储介质
技术领域
本公开涉及信息技术领域，尤其涉及一种分段处理方法、装置、设备及存储介质。
背景技术
随着科技的不断发展，当前可以通过语音识别的方式将音频或语音转变成文本。
但是，经过语音识别后得到的文本可能没有经过分段处理，或者经过了分段处理，但是分段效果差，从而导致文本的可读性较差。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种分段处理方法、装置、设备及存储介质。
第一方面，本公开实施例提供一种分段处理方法，包括：
获取语音识别后的目标文本，所述目标文本包括多个句子；
通过多次预测处理，得到所述多个句子中每个句子分别对应的预测结果，所述预测结果用于表示对应的句子是否为分段句，每次预测处理针对所述多个句子中的一个或多个目标句子进行；
在每次预测处理过程中，确定本次待预测的一个或多个目标句子中每个目标句子的语义表示向量，并根据所述本次待预测的一个或多个目标句子中任一目标句子的语义表示向量，确定所述任一目标句子的预测结果；
根据所述多个句子中每个句子的预测结果，对所述目标文本进行分段处理。
第二方面，本公开实施例提供一种音频处理方法，包括：
获取音频数据，所述音频数据是网络教育课程中的音频数据，或者所述音频数据是实时录制或在历史时间录制的教学音频数据；
对所述音频数据进行语音识别得到目标文本，所述目标文本包括多个句子；
通过多次预测处理，得到所述多个句子中每个句子分别对应的预测结果，所述预测结果用于表示对应的句子是否为分段句，每次预测处理针对所述多个句子中的一个或多个目标句子进行；
在每次预测处理过程中，确定本次待预测的一个或多个目标句子中每个目标句子的语义表示向量，并根据所述本次待预测的一个或多个目标句子中任一目标句子的语义表示向量，确定所述任一目标句子的预测结果；
根据所述多个句子中每个句子的预测结果，对所述目标文本进行预分段，得到预分段结果，并输出所述预分段结果。
第三方面，本公开实施例提供一种音频处理方法，包括：
获取音频数据，所述音频数据是网络会议中的音频数据，或者所述音频数据是实时录制或在历史时间录制的会议音频数据；
对所述音频数据进行语音识别得到目标文本，所述目标文本包括多个句子；
通过多次预测处理，得到所述多个句子中每个句子分别对应的预测结果，所述预测结果用于表示对应的句子是否为分段句，每次预测处理针对所述多个句子中的一个或多个目标句子进行；
在每次预测处理过程中，确定本次待预测的一个或多个目标句子中每个目标句子的语义表示向量，并根据所述本次待预测的一个或多个目标句子中任一目标句子的语义表示向量，确定所述任一目标句子的预测结果；
根据所述多个句子中每个句子的预测结果，对所述目标文本进行预分段，得到预分段结果，并输出所述预分段结果。
第四方面，本公开实施例提供一种分段处理装置，包括：
获取模块，用于获取语音识别后的目标文本，所述目标文本包括多个句子；
预测模块，用于通过多次预测处理，得到所述多个句子中每个句子分别对应的预测结果，所述预测结果用于表示对应的句子是否为分段句，每次预测处理针对所述多个句子中的一个或多个目标句子进行；
确定模块，用于在每次预测处理过程中，确定本次待预测的一个或多个目标句子中每个目标句子的语义表示向量，并根据所述本次待预测的一个或多个目标句子中任一目标句子的语义表示向量，确定所述任一目标句子的预测结果；
分段模块，用于根据所述多个句子中每个句子的预测结果，对所述目标文本进行分段处理。
第五方面，本公开实施例提供一种电子设备，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第一方面、第二方面或第三方面所述的方法。
第六方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现第一方面、第二方面或第三方面所述的方法。
本公开实施例提供的分段处理方法、装置、设备及存储介质，实质是根据目标文本中各句子语义表示向量，确定在目标文本中哪些句子为段落的结束句，然后根据段落的结束句的位置，对目标文本进行分段处理，得到分段后的目标文本。其可以使目标文本的段落结构、篇章结构更加清晰，提高目标文本的可读性，降低用户对目标文本进行阅读理解的难度，进而提高用户阅读目标文本的速度。并且，若后续下游应用需使用目标文本，相比于采用分段前的目标文本，采用分段后的目标文本，有利于提高下游应用的运行效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种分段处理方法的流程图；
图2为本公开实施例提供的一种用于实现S120的方法的流程图；
图3为图2中提供的方法的原理图；
图4为本公开实施例提供的一种滑动窗口滑动前后的原理图；
图5为本公开提供的一种用于实现S122的方法的原理图；
图6为本公开实施例提供的一种采用自适应滑窗的方法对滑动窗口进行更新的原理图；
图7为本公开实施例提供的另一种采用自适应滑窗的方法对滑动窗口进行更新的原理图；
图8为本公开实施例提供的一种音频处理方法的流程图；
图9为本公开实施例提供的另一种音频处理方法的流程图；
图10为本公开实施例提供的一种分段处理装置的结构示意图；
图11为本公开实施例提供的电子设备实施例的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
通常情况下，通过现有的语音识别技术，可以将音频或语音转变成文本。但是，经过语音识别后得到的文本可能没有经过分段处理，或者虽然经过了分段处理，但是其分段的方法是将每一个句子作为一段，其分段效果差。这两种状况均会导致文本的可读性较差。针对该问题，本公开实施例提供了一种分段处理方法，下面结合具体的实施例对该方法进行介绍。
图1为本公开实施例提供的一种分段处理方法的流程图。本实施例可适用于客户端对语音识别后的文本信息进行分段处理的情况，该方法可以由分段处理装置执行，该装置可以采用软件和/或硬件的方式实现，该装置可配置于电子设备中，例如终端，具体包括但不限于智能手机、掌上电脑、平板电脑、带显示屏的可穿戴设备、台式机、笔记本电脑、一体机、智能家居设备等。或者，本实施例可适用于服务端对语音识别后的文本信息进行分段处理的情况，该方法可以由分段处理装置执行，该装置可以采用软件和/或硬件的方式实现，该装置可配置于电子设备中，例如服务器。下面以终端为例介绍该分段处理方法。如图1所示，该方法具体步骤如下：
S110、获取语音识别后的目标文本，目标文本包括多个句子。
目标文本是指利用语音识别技术，对音频或语音进行识别的识别结果，其以文字序列的形式表现。并且在该目标文本中包括多个句子，每个句子以表示句子结束的标志符标识句子终结位置。可用于表示句子结束的标志符有多种，示例性地，可以为标点符号。进一步地，表示句子结束的标点符号可以为句号、问号以及叹号等。
需要说明的是，在实际中，对音频或语音进行语音识别，其得到的直接的识别结果可能包括表示句子结束的标志符，也可能不包括表示句子结束的标志符。若不包括表示句子结束的标志符，需要在识别结果中添加表示句子结束的标志符，以形成目标文本。
S120、通过多次预测处理，得到多个句子中每个句子分别对应的预测结果，预测结果用于表示对应的句子是否为分段句，每次预测处理针对多个句子中的一个或多个目标句子进行。
分段句是指段落的最后一句，即段落的结束句。示例性地，目标文本包括顺序排列的n个句子，分别为句子1、句子2、句子3、……、句子n。如果句子2为分段句，则表明句子2和句子3分属于不同的段落。
本步骤的实质是，将目标文本中的多个句子划分为多个批次，每个批次包括一个或多个目标句子。每一次预测，对同一个批次的所有目标句子进行预测处理。示例性地，若目标文本共划分为N个批次，则共进行N次预测处理。
S130、在每次预测处理过程中，确定本次待预测的一个或多个目标句子中每个目标句子的语义表示向量，并根据本次待预测的一个或多个目标句子中任一目标句子的语义表示向量，确定任一目标句子的预测结果。
其中，句子的语义表示向量是指能够反映该句子是否为分段句的参量，其基于该句子的特征与目标文本中其他句子的特征运算得到，其反映该句子与其他句子的语义逻辑关系紧密程度。
S140、根据多个句子中每个句子的预测结果，对目标文本进行分段处理。
本步骤的实现方法有多种，示例性地，若预测结果表示任一句子为分段句，则在任一句子的结束位置进行分段处理。
其中，分段处理，具体可以为在目标文件中添加段落标志。
示例性地，假设目标文本为：“首先我们xxxxxx。其次xxxxxx。然后xxxxxx”。其中，“xxxxxx”代表上百字的描述文字。采用本公开技术方案处理后，最终展示给用户的形式为：
“首先我们xxxxxx。”
“其次xxxxxx。”
“然后xxxxxx。”
上述技术方案的实质是，根据目标文本中各句子语义表示向量，确定在目标文本中哪些句子为段落的结束句，然后根据段落的结束句的位置，对目标文本进行分段处理，得到分段后的目标文本。其可以使目标文本的段落结构、篇章结构更加清晰，提高目标文本的可读性，降低用户对目标文本进行阅读理解的难度，进而提高用户阅读目标文本的速度。并且，若后续下游应用需使用目标文本，相比于采用分段前的目标文本，采用分段后的目标文本，有利于提高下游应用的运行效率。
另外，在上述技术方案中，由于句子的语义表示向量基于该句子的特征与目标文本中其他句子的特征运算得到。将目标文本中的多个句子划分为多个批次，分别对每一批次的目标句子进行预测处理。其本质上是，每个句子的语义表示向量，是基于与其同批次的其他邻近句子的特征运算得到。相比于不分批次的方案，这样设置可以减小得到每个句子的语义表示向量的运算量，对终端设备的性能要求低。
上述技术方案可应用于多个场景，如应用于对教学过程(包括线上教学过程以及线下教学过程)中教师授课形成的音频数据进行处理的场景，得到与音频数据对应的分段处理以后的文本信息，如分段的课程笔记或知识点笔记等，以帮助学员理解教学内容，提高学员对所学习知识的学习效果。上述技术方案还可以应用于会议场景下，对会议过程中各发言人的音频数据进行处理，得到与音频数据对应的分段处理以后的文本信息，如分段的会议纪要或会议工作总结等，以帮助参与会议的其他成员理解发言人观点，提高参与会议的其他成员对会员精神的领悟效果。上述技术方案还可以应用于提供线上分段处理服务的场景，如需服务的用户上传音频数据或目标文本，根据音频数据或目标文本转写成分段文本。
需要说明的是，在上述技术方案中，在执行S130之后，还可以包括：采用标识符对各句子的预测结果予以标注，分段句所使用的标识符与非分段句所使用的标识符不同。示例性地，利用“分段”作为分段句所使用的标识符，利用“不分段”作为非分段句所使用的标识符。或者，利用“1”作为分段句所使用的标识符，利用“0”作为非分段句所使用的标识符。通过标注，可以便于后续用户对预测结果进行查看，也便于后续进行分段处理。
可选地，在上述各技术方案的基础上，在执行S130之后，还可以包括：输出并展示目标文本中各句子的预测结果；获取用户对目标文本中各句子的预测结果的评价结果；基于评价结果，对目标文本中各句子的预测结果进行调整。相应地，S140替换为：根据多个句子中每个句子调整后的预测结果，对目标文本进行分段处理。这样设置的实质是，将终端对各句子的预测结果呈现给用户，以使用户能够自行评判该预测结果是否正确，若不正确，给出修改意见。根据修改意见对错误的预测结果进行修正，这样设置可以确保分段处理的准确性。
图2为本公开实施例提供的一种用于实现S130的方法的流程图，图3为图2中提供的方法的原理图。需要说明的是，由于图2的本质是利用滑动窗口，分批次的确定目标文本中各句子的语义表示向量以及结果预测。在实际中，每执行一次图2的方法，意味着完成一个批次的目标句子的语义表示向量确定以及结果预测。在实际中需要多次执行图2的方法，直至遍历整个目标文本中的所有句子。
参见图2和图3，该方法包括：
S121、通过滑动窗口从多个句子中获取本次待预测的一个或多个目标句子。
其中，滑动窗口用于从目标文本中选定各批次需要确定语义表示向量的一个或多个目标句子。
图4为本公开实施例提供的一种滑动窗口滑动前后的原理图。参见图4，目标文本包括顺序排列的n个句子，分别为句子1、句子2、句子3、句子4、句子5、句子6、……、句子n。虚线框代表滑动窗口。滑动窗口的可滑动方向固定，与目标文本中句子排列方向一致。最开始，滑动窗口内包括句子1、句子2、句子3，表示句子1、句子2和句子3均为第一批次需要确定语义表示向量以及进行结果预测的目标句子。当句子1、句子2和句子3确定完语义表示向量以及进行结果预测后，滑动窗口更新(即进行滑动)。滑动后，滑动窗口内包括句子3、句子4、句子5，表示句子3、句子4、句子5均为第二批次需要确定语义表示向量以及进行结果预测的目标句子。如此反复，直至完成整个目标文本中，所有句子的语义表示向量确定以及结果预测工作。
需要说明的是，图4中，第一批次目标句子和第二批次目标句子均包括句子3，这仅是本申请中的一个具体示例，并不对本申请进行限制。在实际中，不同批次目标句子可以包括相同的句子，也可以不包括相同的句子。
在实际中，可以定义滑动窗口最大容量，以对目标文本中的句子进行批次划分。可选地，滑动窗口最大容量可以为滑动窗口最大可容纳的句子数，也可以为滑动窗口最大可容纳的字符数。进一步地，还可以设置确定不同批次目标句子时，滑动窗口的最大容量为固定值；也可以设置确定不同批次目标句子时，滑动窗口的最大容量可变。本申请对此不作限制。
典型地，在实际中，可以设置滑动窗口最大容量为滑动窗口最大可容纳的字符数，并且在确定不同批次目标句子时，滑动窗口最大容量为定值。示例性地，若滑动窗口最大容量为512个字符，并规定滑动窗口内的第一个字符是一个预设的特殊字符，如“CLS”，则滑动窗口剩余的空间最多能放511个字符。因此在确定不同批次目标句子时，需要确保每个批次中所有目标句子的个数为满足“总字符数小于或等于511个字符”这个条件下的最多的连续句子数量。例如，若连续的3个句子的总字符数正好等于511个字符，那么该连续的3个句子可以被放入滑动窗口中，作为同一批次的目标句子。若连续的3个句子是句子1、句子2和句子3，这3个句子的总字符数小于511个字符，如果再加一个句子4之后，会导致句子1、句子2、句子3和句子4的总字符数大于511个字符，则可以将句子1、句子2、句子3这3个句子放入滑动窗口中，作为同一批次的目标句子。这样设置，可以控制针对每个批次计算语义表示向量的计算量，使得每个批次计算语义表示向量的计算量小于终端可允许的最大计算量，进而确保终端能够顺利执行本公开提供的技术方案。
需要说明的是，在上述技术方案中，规定滑动窗口内的第一个字符是一个预设的特殊字符“CLS”，这仅是本申请的一个具体示例，而非对本申请的限制。在实际中，还可以设置滑动窗口内的第一个字符即为第一个目标句子的第一个字符，即不设置特殊字符。或者，设置滑动窗口内的第一个字符是一个预设的其他特殊字符，如“C”等。
S122、对滑动窗口内的每个目标句子进行特征提取，得到滑动窗口内每个目标句子的语义表示向量。
本步骤的实现方法有多种，示例性地，可以将每个目标句子中的每个字符作为特征，进行提取，利用卷积神经网络技术，计算滑动窗口内每个目标句子的语义表示向量。
示例性地，图5为本公开提供的一种用于实现S122的方法的原理图。参见图图3和图5，假设滑动窗口内的第一个字符是一个预设的特殊字符“CLS”，E0是特殊字符“CLS”对应的向量。同时假设滑动窗口内共包括3个目标句子，3个目标句子一共包含n个字符，E1、E2、E3、……En是该n个字符分别对应的向量。
首先，根据E0、E1、E2、E3、……En计算出T10、T11、T12、T13、……T1n。其中，T10、T11、T12、T13、……T1n可以是不同的。例如，根据E0、E1、E2、E3、……En计算T10时，E0的比重最大；根据E0、E1、E2、E3、……En计算T11时，E1的比重最大，依次类推。
其次，根据T10、T11、T12、T13、……T1n计算出T20、T21、T22、T23、……T2n。计算过程可以参照根据E0、E1、E2、E3、……En计算T10、T11、T12、T13、……T1n的过程。
然后，根据T20计算得到T0，根据T21计算得到T1，依次类推。其中，T0是特殊字符“CLS”对应的语义表示向量，T0、T1、T2、……Tn分别是3个目标句子中n个字符分别对应的语义表示向量。
最后，根据T1、T2、……Tn，计算得到3个目标句子的语义表示向量。例如，T1和T2是句子1内的字符对应的语义表示向量，则根据T1和T2可以得到句子1的语义表示向量。根据T1和T2得到句子1的语义表示向量的方法有多种，本申请对此不作限制，示例性地，可以对T1和T2求平均，得到句子1的语义表示向量。
可以理解的是，在图5中，在得到T0、T1、T2、……Tn之前，共有两个层级的计算过程，其中T10、T11、T12、T13、……T1n对应第一层级的计算过程，T20、T21、T22、T23、……T2n对应第二层级的计算过程。这仅是本申请的一个具体示例，而非对本申请的限制。在其他一些实施例中不限于两个层级的计算过程。
通过图5可以理解，滑动窗口内的任意一个句子的语义表示向量与该滑动窗口内的其他句子是相关的。因此，如果利用卷积神经网络技术，计算滑动窗口内每个目标句子的语义表示向量，其实质是通过同一滑动窗口内，不同目标句子间的语义相关度，确定各句子的语义表示向量。
S123、根据本次待预测的一个或多个目标句子中任一目标句子的语义表示向量，确定任一目标句子的预测结果。
上述技术方案的实质是，利用滑动窗口，分批次的确定目标句子，并确定同一批次中各目标句子的语义表示向量，进而得到各目标句子的预测结果。其在确定同一批次中各目标句子的语义表示向量时，是基于该目标句子的特征与同一批次中其他目标句子的特征运算得到，可以有效控制每个批次计算语义表示向量的计算量，降低对终端设备的性能要求。
在上述技术方案的基础上，可选地，S123之后，还包括：对滑动窗口进行更新，更新后的滑动窗口包括下次待预测的一个或多个目标句子。“对滑动窗口进行更新”即控制滑动窗口沿其可滑动方向滑动，以选定下一批次的目标句子。
在执行“对滑动窗口进行更新”的步骤时，可以采用固定滑窗的方法对滑动窗口进行更新，也可以采用自适应滑窗的方法对滑动窗口进行更新，本申请对此不作限制。
若采用固定滑窗的方法对滑动窗口进行更新，其可以为，预先设置滑窗步数为m，若在确定第a批次目标句子时，滑动窗口的起始位置是句子b，在确定第a+1批次目标句子时，滑动窗口的起始位置是句子b+m。例如，取m＝2，在第一次预测时，滑动窗口的起始位置是句子1，滑动窗口内包括句子1、句子2和句子3，该次预测用于得到句子1和句子2的预测结果；在第二次预测时，滑动窗口的起始位置是句子3，滑动窗口内包括句子3、句子4、句子5和句子6，该次预测用于得到句子3和句子4的预测结果；在第三次预测时，滑动窗口的起始位置是句子5，滑动窗口内包括句子5、句子6和句子7，该次预测用于得到句子5和句子6的预测结果。
“自适应滑窗”即不预先指定滑窗步数，在每一次对滑动窗口进行更新时，滑窗步数根据实际情况确定。相邻两次对滑动窗口进行更新的过程中，滑窗步数可以相同，也可以不同。
若采用自适应滑窗的方法对滑动窗口进行更新，可选地，可以设置根据本次待预测的每个目标句子的预测结果，对滑动窗口进行更新，更新后的滑动窗口包括下次待预测的一个或多个目标句子。
进一步地，若根据本次待预测的每个目标句子的预测结果，确定本次待预测的一个或多个目标句子中存在一个分段句，则将分段句的下一个句子作为更新后的滑动窗口中的第一个句子。图6为本公开实施例提供的一种采用自适应滑窗的方法对滑动窗口进行更新的原理图。参见图6，通过第一次预测，得到句子2为分段句。在第一次预测结束后，对滑动窗口进行更新，得到第二批次待预测的目标句子，更新后滑动窗口的起始位置是句子3。对第二批次待预测的目标句子进行第二次预测，得到句子3为分段句。在第二次预测结束后，对滑动窗口进行更新，得到第三批次待预测的目标句子，更新后滑动窗口的起始位置是句子4。
进一步地，若根据本次待预测的每个目标句子的预测结果，确定本次待预测的多个目标句子中存在多个分段句，则将多个分段句中最后一个分段句的下一个句子作为更新后的滑动窗口中的第一个句子。示例性地，图7为本公开实施例提供的另一种采用自适应滑窗的方法对滑动窗口进行更新的原理图。参见图7，通过第一次预测，得到句子2、句子3以及句子5均为分段句。在第一次预测结束后，对滑动窗口进行更新，得到第二批次待预测的目标句子，更新后滑动窗口的起始位置是句子6。显然相比于将多个分段句中除最后一个分段句外的其他分段句的下一个句子作为更新后的滑动窗口中的第一个句子的方案(例如将第3句作为更新后的滑动窗口中的第一个句子的方案)，这样设置可以充分降低同一目标句子的语义表示向量的重复计算次数，提高该分段处理方法的执行效率。
可选地，在执行“对滑动窗口进行更新”的步骤时，无论采用固定滑窗的方法对滑动窗口进行更新，还是采用自适应滑窗的方法对滑动窗口进行更新，在每次对滑动窗口进行更新时，均须确保滑动窗口中包括的目标句子的个数是根据滑动窗口的最大容量确定的。
进一步地，在上述各技术方案的基础上，在根据本次待预测的每个目标句子的预测结果，对滑动窗口进行更新之后，方法还包括：若更新后的滑动窗口和更新前的滑动窗口包括相同的目标句子，则将目标句子在更新前的滑动窗口中得到的预测结果替换为目标句子在更新后的滑动窗口中得到的预测结果。示例性，继续参见图6，第一次预测时，句子3不是分段句；但是第二次预测时，句子3是分段句，此种情况，最后确定句子3为分段句，即利用第二次对句子3的预测结果替换第一次对句子3的预测结果。
造成两次预测句子3预测结果不同的原因是，采用滑动窗口的方法，所计算的滑动窗口内的任意一个句子的语义表示向量与该滑动窗口内的其他句子是相关的，其反映的是其与滑动窗口内其他句子间的语义逻辑关系紧密程度。示例性地，在图6中，第一次预测时，句子3的语义表示向量与句子1和句子2相关；而在第二次预测时，句子3的语义表示向量与句子4、句子5和句子6相关。因此，句子3的两次预测结果不同。
本领域技术人员可以理解，同一段落中，各句子围绕同一主题展开描述；不同段落的主题往往不同。这会造成同一段落中各句子间语义逻辑关系紧密；而隶属于不同段落的句子间语义逻辑关系松散、不紧密。因此，如果句子A和其后紧邻的句子B语义逻辑关系非常紧密，则句子A不是分段句；如果句子A和其后紧邻的句子B语义逻辑关系不紧密，则句子A是分段句。
继续参见图6，第一次预测时，之所以预测句子3不是分段句，是因为在第一次预测的过程中，并未将句子4作为考虑的范围，也就无法得到句子3与句子4语义逻辑关系紧密程度。导致第一次预测的句子3的预测结果是不正确的。
通过设置若更新后的滑动窗口和更新前的滑动窗口包括相同的目标句子，则将目标句子在更新前的滑动窗口中得到的预测结果替换为目标句子在更新后的滑动窗口中得到的预测结果，可以对错误的预测结果进行修正，进而提高目标文本中每个目标句子的预测结果的准确率。
如果确保目标文本中每个目标句子的预测结果的准确率一致，对比采用固定滑窗的方法和采用自适应滑窗的方法，可以发现，采用固定滑窗的方法需要提升相邻两个批次确定的目标句子中所包括的相同目标句子的个数，在进行预测时，相同目标句子被重复多次预测。而采用自适应滑窗的方法，由于其本身能够进行预测结果的自我修正，可以降低相邻两个批次确定的目标句子中所包括的相同目标句子的个数，在进行预测时，相同目标句子被重复多次预测的次数降低，其可以提升该方法的运行效率，降低运行代价。
基于相同的发明构思，本公开还提供一种音频处理方法，图8为本公开实施例提供的一种音频处理方法的流程图。参见图8，该音频处理方法包括：
S210、获取音频数据，音频数据是网络教育课程中的音频数据，或者音频数据是实时录制或在历史时间录制的教学音频数据；
S220、对音频数据进行语音识别得到目标文本，目标文本包括多个句子。
S230、通过多次预测处理，得到多个句子中每个句子分别对应的预测结果，预测结果用于表示对应的句子是否为分段句，每次预测处理针对多个句子中的一个或多个目标句子进行。
S240、在每次预测处理过程中，确定本次待预测的一个或多个目标句子中每个目标句子的语义表示向量，并根据本次待预测的一个或多个目标句子中任一目标句子的语义表示向量，确定任一目标句子的预测结果。
S250、根据多个句子中每个句子的预测结果，对目标文本进行预分段，得到预分段结果，并输出预分段结果。
上述技术方案的实质是，将本公开实施例提供的分段处理方法应用于教学场景下，对教学过程(包括线上教学过程以及线下教学过程)中因教师对授课内容的讲解形成的音频数据进行处理，得到与音频数据对应的分段处理以后的文本信息(如分段的课程笔记或知识点笔记等)，以帮助学员理解教学内容，提高学员对所学习知识的学习效果。
基于相同的发明构思，本公开还提供一种音频处理方法，图9为本公开实施例提供的一种音频处理方法的流程图。参见图9，该音频处理方法包括：
S310、获取音频数据，音频数据是网络会议中的音频数据，或者音频数据是实时录制或在历史时间录制的会议音频数据。
S320、对音频数据进行语音识别得到目标文本，目标文本包括多个句子。
S330、通过多次预测处理，得到多个句子中每个句子分别对应的预测结果，预测结果用于表示对应的句子是否为分段句，每次预测处理针对多个句子中的一个或多个目标句子进行。
S340、在每次预测处理过程中，确定本次待预测的一个或多个目标句子中每个目标句子的语义表示向量，并根据本次待预测的一个或多个目标句子中任一目标句子的语义表示向量，确定任一目标句子的预测结果。
S350、根据多个句子中每个句子的预测结果，对目标文本进行预分段，得到预分段结果，并输出预分段结果。
上述技术方案的实质是，将本公开实施例提供的分段处理方法应用于会议场景下，对会议过程中各发言人因发言形成的音频数据进行处理，得到与音频数据对应的分段处理以后的文本信息(如分段的会议纪要或会议工作总结等)，以帮助参与会议的其他成员理解发言人观点，提高参与会议的其他成员对会员精神的领悟效果。
图10为本公开实施例提供的一种分段处理装置的结构示意图。本公开实施例提供的分段处理装置可以执行分段处理方法实施例提供的处理流程，如图10所示，该分段处理装置包括：
获取模块410，用于获取语音识别后的目标文本，所述目标文本包括多个句子；
预测模块420，用于通过多次预测处理，得到所述多个句子中每个句子分别对应的预测结果，所述预测结果用于表示对应的句子是否为分段句，每次预测处理针对所述多个句子中的一个或多个目标句子进行；
确定模块430，用于在每次预测处理过程中，确定本次待预测的一个或多个目标句子中每个目标句子的语义表示向量，并根据所述本次待预测的一个或多个目标句子中任一目标句子的语义表示向量，确定所述任一目标句子的预测结果；
分段模块440，用于根据所述多个句子中每个句子的预测结果，对所述目标文本进行分段处理。
可选地，确定模块用于：
通过滑动窗口从所述多个句子中获取本次待预测的一个或多个目标句子；
对所述滑动窗口内的每个目标句子进行特征提取，得到所述滑动窗口内每个目标句子的语义表示向量。
可选地，该装置还包括更新模块，更新模块还用于：
根据所述本次待预测的一个或多个目标句子中任一目标句子的语义表示向量，确定所述任一目标句子的预测结果之后，根据所述本次待预测的每个目标句子的预测结果，对所述滑动窗口进行更新，更新后的所述滑动窗口包括下次待预测的一个或多个目标句子。
可选地，更新模块还用于：
若根据所述本次待预测的每个目标句子的预测结果，确定所述本次待预测的一个或多个目标句子中存在一个分段句，则将所述分段句的下一个句子作为更新后的所述滑动窗口中的第一个句子；或者
若根据所述本次待预测的每个目标句子的预测结果，确定所述本次待预测的多个目标句子中存在多个分段句，则将所述多个分段句中最后一个分段句的下一个句子作为更新后的所述滑动窗口中的第一个句子。
可选地，确定模块还用于：
根据所述本次待预测的每个目标句子的预测结果，对所述滑动窗口进行更新之后，若更新后的所述滑动窗口和更新前的所述滑动窗口包括相同的目标句子，则将所述目标句子在更新前的所述滑动窗口中得到的预测结果替换为所述目标句子在更新后的所述滑动窗口中得到的预测结果。
可选地，所述滑动窗口内任一目标句子的语义表示向量与所述滑动窗口内的其他目标语句相关。
图10所示实施例的分段处理装置可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
以上描述了分段处理装置的内部功能和结构，该装置可实现为一种电子设备。图11为本公开实施例提供的电子设备实施例的结构示意图。如图11所示，该电子设备包括存储器151和处理器152。
存储器151，用于存储程序。除上述程序之外，存储器151还可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。
存储器151可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
处理器152，与存储器151耦合，执行存储器151所存储的程序，以用于：
获取语音识别后的目标文本，所述目标文本包括多个句子；
通过多次预测处理，得到所述多个句子中每个句子分别对应的预测结果，所述预测结果用于表示对应的句子是否为分段句，每次预测处理针对所述多个句子中的一个或多个目标句子进行；
在每次预测处理过程中，确定本次待预测的一个或多个目标句子中每个目标句子的语义表示向量，并根据所述本次待预测的一个或多个目标句子中任一目标句子的语义表示向量，确定所述任一目标句子的预测结果；
根据所述多个句子中每个句子的预测结果，对所述目标文本进行分段处理。
进一步，如图11所示，电子设备还可以包括：通信组件153、电源组件154、音频组件155、显示器156等其它组件。图11中仅示意性给出部分组件，并不意味着电子设备只包括图11所示组件。
通信组件153被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件153经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件153还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
电源组件154，为电子设备的各种组件提供电力。电源组件154可以包括电源管理系统，一个或多个电源，及其他与为电子设备生成、管理和分配电力相关联的组件。
音频组件155被配置为输出和/或输入音频信号。例如，音频组件155包括一个麦克风(MIC)，当电子设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器151或经由通信组件153发送。在一些实施例中，音频组件155还包括一个扬声器，用于输出音频信号。
显示器156包括屏幕，其屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
另外，本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述实施例所述的分段处理方法。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (11)

1.一种分段处理方法，其中，所述方法包括：
获取语音识别后的目标文本，所述目标文本包括多个句子；
通过多次预测处理，得到所述多个句子中每个句子分别对应的预测结果，所述预测结果用于表示对应的句子是否为分段句，每次预测处理针对所述多个句子中的一个或多个目标句子进行；
在每次预测处理过程中，确定本次待预测的一个或多个目标句子中每个目标句子的语义表示向量，并根据所述本次待预测的一个或多个目标句子中任一目标句子的语义表示向量，确定所述任一目标句子的预测结果；
根据所述多个句子中每个句子的预测结果，对所述目标文本进行分段处理。
2.根据权利要求1所述的方法，其中，确定本次待预测的一个或多个目标句子中每个目标句子的语义表示向量，包括：
通过滑动窗口从所述多个句子中获取本次待预测的一个或多个目标句子；
对所述滑动窗口内的每个目标句子进行特征提取，得到所述滑动窗口内每个目标句子的语义表示向量。
3.根据权利要求2所述的方法，其中，根据所述本次待预测的一个或多个目标句子中任一目标句子的语义表示向量，确定所述任一目标句子的预测结果之后，所述方法还包括：
根据所述本次待预测的每个目标句子的预测结果，对所述滑动窗口进行更新，更新后的所述滑动窗口包括下次待预测的一个或多个目标句子。
4.根据权利要求3所述的方法，其中，根据所述本次待预测的每个目标句子的预测结果，对所述滑动窗口进行更新，包括：
若根据所述本次待预测的每个目标句子的预测结果，确定所述本次待预测的一个或多个目标句子中存在一个分段句，则将所述分段句的下一个句子作为更新后的所述滑动窗口中的第一个句子；或者
若根据所述本次待预测的每个目标句子的预测结果，确定所述本次待预测的多个目标句子中存在多个分段句，则将所述多个分段句中最后一个分段句的下一个句子作为更新后的所述滑动窗口中的第一个句子。
5.根据权利要求3所述的方法，其中，根据所述本次待预测的每个目标句子的预测结果，对所述滑动窗口进行更新之后，所述方法还包括：
若更新后的所述滑动窗口和更新前的所述滑动窗口包括相同的目标句子，则将所述目标句子在更新前的所述滑动窗口中得到的预测结果替换为所述目标句子在更新后的所述滑动窗口中得到的预测结果。
6.根据权利要求2或3所述的方法，其中，所述滑动窗口内任一目标句子的语义表示向量与所述滑动窗口内的其他目标语句相关。
7.一种音频处理方法，其中，包括：
获取音频数据，所述音频数据是网络教育课程中的音频数据，或者所述音频数据是实时录制或在历史时间录制的教学音频数据；
对所述音频数据进行语音识别得到目标文本，所述目标文本包括多个句子；
通过多次预测处理，得到所述多个句子中每个句子分别对应的预测结果，所述预测结果用于表示对应的句子是否为分段句，每次预测处理针对所述多个句子中的一个或多个目标句子进行；
在每次预测处理过程中，确定本次待预测的一个或多个目标句子中每个目标句子的语义表示向量，并根据所述本次待预测的一个或多个目标句子中任一目标句子的语义表示向量，确定所述任一目标句子的预测结果；
根据所述多个句子中每个句子的预测结果，对所述目标文本进行预分段，得到预分段结果，并输出所述预分段结果。
8.一种音频处理方法，其中，包括：
获取音频数据，所述音频数据是网络会议中的音频数据，或者所述音频数据是实时录制或在历史时间录制的会议音频数据；
对所述音频数据进行语音识别得到目标文本，所述目标文本包括多个句子；
通过多次预测处理，得到所述多个句子中每个句子分别对应的预测结果，所述预测结果用于表示对应的句子是否为分段句，每次预测处理针对所述多个句子中的一个或多个目标句子进行；
在每次预测处理过程中，确定本次待预测的一个或多个目标句子中每个目标句子的语义表示向量，并根据所述本次待预测的一个或多个目标句子中任一目标句子的语义表示向量，确定所述任一目标句子的预测结果；
根据所述多个句子中每个句子的预测结果，对所述目标文本进行预分段，得到预分段结果，并输出所述预分段结果。
9.一种分段处理装置，其中，包括：
获取模块，用于获取语音识别后的目标文本，所述目标文本包括多个句子；
预测模块，用于通过多次预测处理，得到所述多个句子中每个句子分别对应的预测结果，所述预测结果用于表示对应的句子是否为分段句，每次预测处理针对所述多个句子中的一个或多个目标句子进行；
确定模块，用于在每次预测处理过程中，确定本次待预测的一个或多个目标句子中每个目标句子的语义表示向量，并根据所述本次待预测的一个或多个目标句子中任一目标句子的语义表示向量，确定所述任一目标句子的预测结果；
分段模块，用于根据所述多个句子中每个句子的预测结果，对所述目标文本进行分段处理。
10.一种电子设备，其中，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-8中任一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的方法。
CN202110572337.XA 2021-05-25 2021-05-25 分段处理方法、装置、设备及存储介质 Pending CN115394295A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110572337.XA CN115394295A (zh) 2021-05-25 2021-05-25 分段处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110572337.XA CN115394295A (zh) 2021-05-25 2021-05-25 分段处理方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115394295A true CN115394295A (zh) 2022-11-25

Family

ID=84113841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110572337.XA Pending CN115394295A (zh) 2021-05-25 2021-05-25 分段处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115394295A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113974A (zh) * 2023-04-26 2023-11-24 荣耀终端有限公司 文本分段方法、装置、芯片、电子设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113974A (zh) * 2023-04-26 2023-11-24 荣耀终端有限公司 文本分段方法、装置、芯片、电子设备及介质
CN117113974B (zh) * 2023-04-26 2024-05-24 荣耀终端有限公司 文本分段方法、装置、芯片、电子设备及介质

Similar Documents

Publication Publication Date Title
EP3901948A1 (en) Method for training a voiceprint extraction model and method for voiceprint recognition, and device and medium thereof
US20200285353A1 (en) Apparatus for vision and language-assisted smartphone task automation and method thereof
CN108875055B (zh) 一种答案提供方法及设备
US10679006B2 (en) Skimming text using recurrent neural networks
US10395646B2 (en) Two-stage training of a spoken dialogue system
CN110956956A (zh) 基于策略规则的语音识别方法及装置
CN108519998B (zh) 基于知识图谱的问题引导方法及装置
CN110597965B (zh) 文章的情感极性分析方法、装置、电子设备及存储介质
CN104572852A (zh) 资源的推荐方法及装置
CN109766422A (zh) 信息处理方法、装置及系统、存储介质、终端
CN108255962A (zh) 知识点关联方法、装置、存储介质和电子设备
CN110598869A (zh) 基于序列模型的分类方法、装置、电子设备
CN115204412A (zh) 基于知识蒸馏的问答模型压缩方法、装置及相关设备
CN107729491B (zh) 提高题目答案搜索的准确率的方法、装置及设备
CN112052316A (zh) 模型评估方法、装置、存储介质及电子设备
CN111538830A (zh) 法条检索方法、装置、计算机设备及存储介质
CN115394295A (zh) 分段处理方法、装置、设备及存储介质
CN112418443A (zh) 基于迁移学习的数据处理方法、装置、设备及存储介质
CN113486978B (zh) 文本分类模型的训练方法、装置、电子设备及存储介质
CN114462410A (zh) 实体识别方法、装置、终端及存储介质
CN110895924B (zh) 一种文档内容朗读方法、装置、电子设备及可读存储介质
CN114297380A (zh) 一种数据处理方法、装置、设备及存储介质
CN109766922B (zh) 数据处理方法、装置、存储介质及电子设备
CN113254611A (zh) 提问推荐方法及装置、电子设备及存储介质
CN113268571A (zh) 一种确定段落中正确答案位置的方法、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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240301

Address after: # 03-06, Lai Zan Da Building 1, 51 Belarusian Road, Singapore

Applicant after: Alibaba Innovation Co.

Country or region after: Singapore

Address before: Room 01, 45th Floor, AXA Building, 8 Shanton Road, Singapore

Applicant before: Alibaba Singapore Holdings Ltd.

Country or region before: Singapore