CN115935981A - 一种分词处理方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种分词处理方法、装置、电子设备及存储介质。该方法包括：获取待分词文本；将所述待分词文本输入预先训练的分词模型中，获得所述分词模型的输出结果，其中，所述分词模型的训练样本对包括样本文本和所述样本文本对应的样本分词结果，所述样本文本对应的样本分词结果基于所述样本文本对应的多个候选分词结果融合得到；基于所述输出结果确定所述待分词文本的目标分词结果；通过融合多个候选分词结果确定样本分词结果，提高了分词模型的训练样本对的准确性，从而提高了基于分词模型进行分词的准确性。

Description

一种分词处理方法、装置、电子设备及存储介质

技术领域

本发明涉及文本处理技术领域，尤其涉及一种分词处理方法、装置、电子设备及存储介质。

背景技术

中文分词在自然语言处理过程中是最基础的功能，而医疗行业因为专有名词多，用词叫法特别(如：奥硝唑分散片，甘舒霖，乙状窦后入路),目前市面上的中文分词系统对医疗文本普遍处理结果不理想。如：行额颞开颅翼点入路动脉瘤夹闭术，分别比较了市面上常用的分词器后得到如下分法：['行额颞','开','颅','翼点','入路','动脉瘤','夹闭术']、['行’,’额颞','开颅','翼点','入’,’路','动脉瘤','夹闭术']、['行额颞','开颅','翼点','入’,’路','动脉瘤','夹闭术']。以上分法中，行额颞、开颅、入路是几个分词器分歧比较大的词语。要想正确分割如上的句子，有两种方法：1是增加自定义词典；2是在分词训练语料中增加类似的标注样本。增加词典的方式通常在基于神经网络的模型或者CRF算法中实现起来复杂，而且新词发现能力弱。增加标注样本的方式，能够在网络参数层面对分词模型进行更优化的训练，模型会有较高的召回率和准确率，但是需要的语料比较多，如果采用人工标注的话，会花费很多人工资源。

发明内容

本发明提供了一种分词处理方法、装置、电子设备及存储介质，以实现在无需增加人力、训练成本的情况下，提高分词处理结果的准确性。

根据本发明的一方面，提供了一种分词处理方法，包括：

获取待分词文本；

将所述待分词文本输入预先训练的分词模型中，获得所述分词模型的输出结果，其中，所述分词模型的训练样本对包括样本文本和所述样本文本对应的样本分词结果，所述样本文本对应的样本分词结果基于所述样本文本对应的多个候选分词结果融合得到；

基于所述输出结果确定所述待分词文本的目标分词结果。

可选的，在上述方案的基础上，所述分词模型的训练包括：

获取样本文本，将所述样本文本通过多种分词方式进行分词，得到多个候选分词结果；

基于多个所述候选分词结果进行语义融合处理，得到所述样本文本的样本分词结果；

根据所述样本文本和所述样本文本对应的样本分词结果构建训练样本对；

基于所述训练样本对对预先构建的分词模型进行训练，得到训练后的分词模型。

可选的，在上述方案的基础上，所述基于多个所述候选分词结果进行语义融合处理，得到所述样本文本的样本分词结果，包括：

对各所述候选分词结果进行评估，确定各所述候选分词结果的评估分值；

基于各所述候选分词结果的评估分值确定目标分词；

根据所述目标分词确定所述样本分词结果。

可选的，在上述方案的基础上，所述对各所述候选分词结果进行评估，确定各所述候选分词结果的评估分值，包括：

根据各所述候选分词结果之间的分词一致个数构建粗分词库；

针对每个所述候选分词结果，基于所述候选分词结果和其他候选分词结果的分词不一致情况和所述粗分词库确定所述候选分词结果的评估分值。

可选的，在上述方案的基础上，所述基于各所述候选分词结果的评估分值确定目标分词，包括：

将所述评估分值最高的候选分词结果作为所述目标分词。

可选的，在上述方案的基础上，所述根据所述目标分词确定所述样本分词结果，包括：

确定所述目标分词与其他候选分词结果之间的一致性；

当所述一致性高于设定阈值时，将所述目标分词作为所述样本分词结果；

当所述一致性不高于设定阈值时，基于各所述候选分词结果构建切分图，基于所述切分图确定所述样本分词结果。

可选的，在上述方案的基础上，所述基于所述切分图确定所述样本分词结果，包括：

基于最短路径算法对所述切分图进行最短路径生成，将生成的最短路径对应的分词结果作为所述样本分词结果。

根据本发明的另一方面，提供了一种分词处理装置，其特征在于，包括：

待分词文本获取模块，用于获取待分词文本；

分词模型分词模块，用于将所述待分词文本输入预先训练的分词模型中，获得所述分词模型的输出结果，其中，所述分词模型的训练样本对包括样本文本和所述样本文本对应的样本分词结果，所述样本文本对应的样本分词结果基于所述样本文本对应的多个候选分词结果融合得到；

目标分词结果确定模块，用于基于所述输出结果确定所述待分词文本的目标分词结果。

根据本发明的另一方面，提供了一种电子设备，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计算机程序，所述计算机程序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本发明任一实施例所述的分词处理方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的分词处理方法。

本发明实施例的技术方案，通过获取待分词文本；将所述待分词文本输入预先训练的分词模型中，获得所述分词模型的输出结果，其中，所述分词模型的训练样本对包括样本文本和所述样本文本对应的样本分词结果，所述样本文本对应的样本分词结果基于所述样本文本对应的多个候选分词结果融合得到；基于所述输出结果确定所述待分词文本的目标分词结果；通过融合多个候选分词结果确定样本分词结果，提高了分词模型的训练样本对的准确性，从而提高了基于分词模型进行分词的准确性。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种分词处理方法的流程示意图；

图2是本发明实施例提供的一种分词处理方法的流程示意图；

图3是本发明实施例提供的一种分词处理装置的结构示意图；

图4是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1是本发明实施例提供的一种分词处理方法的流程示意图，本实施例可适用于对文本进行分词处理的情况，尤其适用于对包含有生僻或专业词语的文本进行分词处理的情况，该方法可以由分词处理方法装置来执行，该分词处理方法装置可以采用硬件和/或软件的形式实现，该分词处理方法装置可配置于本发明实施例提供的电子设备和/或计算机产品中。如图1所示，该方法包括：

S110、获取待分词文本。

在本实施例中，待分词文本可以为需要进行分词的文本。可以在需要进行分词时，由用户输入文本，获取用户输入的文本作为待分词文本。

S120、将所述待分词文本输入预先训练的分词模型中，获得所述分词模型的输出结果，其中，所述分词模型的训练样本对包括样本文本和所述样本文本对应的样本分词结果，所述样本文本对应的样本分词结果基于所述样本文本对应的多个候选分词结果融合得到。

在本实施例中，为了能够实现对生僻词语或专业词语的准确分词，通过不同的分词方法/分词器对样本文本进行分词，得到多个候选分词结果，将多个候选分词结果进行融合得到样本文本的样本分词结果，然后基于样本文本和样本文本对应的样本分词结果构建训练样本对，通过构建的训练样本对对预先构建的分词模型进行训练，得到可以进行准确分词的分词模型。在需要进行分词处理时，将待分词文本作为分词模型的输入，获得分词模型的输出结果。

其中，通过对多个候选分词结果融合得到样本分词结果，使得样本分词结果的确定更加准确，从而使得基于样本分词结果国建的训练样本对、以及基于训练样本对训练出的分词模型更加准确。

在本发明的一种实施方式中，所述分词模型的训练包括：

获取样本文本，将所述样本文本通过多种分词方式进行分词，得到多个候选分词结果；

基于多个所述候选分词结果进行语义融合处理，得到所述样本文本的样本分词结果；

根据所述样本文本和所述样本文本对应的样本分词结果构建训练样本对；

基于所述训练样本对对预先构建的分词模型进行训练，得到训练后的分词模型。

具体的，可以通过多种分词方式对样本文本进行分词，得到多个分词方式对应的分词结果作为候选分词结果。然后对各候选分词结果进行语义融合处理，得到样本分词结果，进而构建训练样本对对分词模型进行训练，得到训练后的分词模型。其中，分词模型可以基于现有的神经网络结构构建，如分词模型可以基于卷积神经网络、多层感知机等网络结构构建，在此不做限制。

在对样本文本进行分词时，采用的分词方式可以为现有的分词方式，如基于字符串匹配的分词方法、基于统计的分词方法、基于理解的分词方法等，还可以采用现有的分词器对样本文本进行分词，如采用中文分词工具(LAC)、Hanlp分词等分词器。

其中，通过每个分词方式对样本文本进行分词，可以得到对应的候选分词和候选分词对应的词性标注作为对应的候选分词结果。需要说明的是，不同候选分词结果的词性标注需保持一致，如果不同候选分词结果的词性标注不一致，需要将词性标注统一，生成词性统一的候选分词结果。可选的，可以通过人为标注的方式将各候选分词结果中的词性标注设置为统一的标注，也可以设置同一词性对应的多种标注，根据对应关系自动将不同的词性标注统一设置为默认的词性标注，在此不做限制。

在上述方案的基础上，所述基于多个所述候选分词结果进行语义融合处理，得到所述样本文本的样本分词结果，包括：

对各所述候选分词结果进行评估，确定各所述候选分词结果的评估分值；

基于各所述候选分词结果的评估分值确定目标分词；

根据所述目标分词确定所述样本分词结果。

可选的，可以通过对候选分词结果进行评估，基于候选分词结果的评估分值确定目标分词，从而确定样本文本的样本分词结果。其中，目标分词可以为评估分值符合设定规则的候选分词结果。根据目标分词确定样本分词结果可以为将目标分词作为样本分词结果，也可以为基于目标分词，从不同的候选分词结果中选取部分分词构成样本分词结果。

在一些实施例中，所述对各所述候选分词结果进行评估，确定各所述候选分词结果的评估分值，包括：

根据各所述候选分词结果之间的分词一致个数构建粗分词库；

针对每个所述候选分词结果，基于所述候选分词结果和其他候选分词结果的分词不一致情况和所述粗分词库确定所述候选分词结果的评估分值。

为了使得候选分词结果的评估分值更加准确，可以综合粗分词库，以及候选分词结果之间不一致的情况确定候选分词结果的评估分值。在本实施例中，为了保证候选分词结果的评估分值和准确性成正比，可以以和其他候选分词结果的分词不一致的个数越多，评估分值的分值越低，且候选分词结果中出现在粗分词库中，增加评估分值的标准确定候选分词结果的评估分值。其中，和其他候选分词结果的分词不一致的个数越多，表示该候选分词结果的分词不常规。

可选的，粗分词库可以基于分词出现次数较多的分词构建。也就是说，将在各候选分词结果中出现次数较多的分词作为粗分词库的分词。其中，出现次数较多可以为出现次数大于设定次数，设定次数可以基于候选分词结果的个数确定。

示例性的，假设候选分词结果的个数为3个，则设定次数可以为2。也就是说，将候选分词结果中出现次数大于2次的分词添加至粗分词库中，以构建粗分词库。

可选的，所述基于各所述候选分词结果的评估分值确定目标分词，包括：

将所述评估分值最高的候选分词结果作为所述目标分词。

根据候选分词结果的评估规则可知，候选分词结果的评估分值越高，候选分词结果的准确性越高。基于此，将评估分值最高的候选分词结果作为目标分词。

可选的，所述根据所述目标分词确定所述样本分词结果，包括：

确定所述目标分词与其他候选分词结果之间的一致性；

当所述一致性高于设定阈值时，将所述目标分词作为所述样本分词结果；

当所述一致性不高于设定阈值时，基于各所述候选分词结果构建切分图，基于所述切分图确定所述样本分词结果。

可以理解的是，虽然选取了评估分值最高的候选分词结果作为目标分词，但仍不能保证目标分词为准确的分词方式。考虑到上述情况，需要确定目标分词与其他候选分词结果之间的一致性，当目标分词与其他候选分词结果的一致性较高时，可以认定为目标分词为准确的分词方式，将目标分词作为样本分词结果；当目标分词与其他候选分词结果的一致性不高时，可以认定目标分词仍然不准确，需要重新组合各候选分词结果中的分词以确定样本分词结果。

其中，目标分词与其他候选分词结果的一致性是否高可以通过预先设置的阈值进行判断，当目标分词与其他候选分词结果的一致性高于设定阈值时，认定目标分词与其他候选分词结果的一致性较高；当目标分词与其他候选分词结果的一致性不高于设定阈值时，认定目标分词与其他候选分词结果的一致性较低。

在本发明的另一种实施方式中，还可以通过人工审核的方式判断是否将目标分词作为样本分词结果。

在上述方案的基础上，当目标分词与其他候选分词结果的一致性较低时，可以通过组合各候选分词结果中的部分分词组成样本分词结果可选的，所述基于所述切分图确定所述样本分词结果，包括：

基于最短路径算法对所述切分图进行最短路径生成，将生成的最短路径对应的分词结果作为所述样本分词结果。

可选的，可以将所有的候选分词结果构建一个所有可能的切分图，将候选分词结果中的分词作为切分图中的节点，基于最短路径的算法对这个切分图进行最短路径生成，将最短路径对应的分词结果作为样本分词结果。

其中，在最短路径生成时，节点之间的边权重可以基于两个节点对应的分词在所有候选分词结果中各自出现的次数以及共同出现的次数确定。

S130、基于所述输出结果确定所述待分词文本的目标分词结果。

在本实施例中，得到分词模型的输出结果后，可以直接将输出结果作为待分词的目标分词结果，也可以将输出结果经人工审核，将人工审核通过的输出结果作为待分词文本的目标分词结果。

本发明实施例的技术方案，通过获取待分词文本；将所述待分词文本输入预先训练的分词模型中，获得所述分词模型的输出结果，其中，所述分词模型的训练样本对包括样本文本和所述样本文本对应的样本分词结果，所述样本文本对应的样本分词结果基于所述样本文本对应的多个候选分词结果融合得到；基于所述输出结果确定所述待分词文本的目标分词结果；通过融合多个候选分词结果确定样本分词结果，提高了分词模型的训练样本对的准确性，从而提高了基于分词模型进行分词的准确性。

实施例二

本实施例在上述实施例的基础上，提供了一种优选实施例。

本实施例提供的分词方法通过分词模型实现，分词模型的训练过程主要包括：将样本文本数据通过分发接口把输入并行分发到各个后端分词接口；各个后端分词器对文本进行分词和词性标注(如果词性标签不一致，需要词性标签对齐)，生成统一的解析结果，根据各个后端的分词器的解析结果，依次经历结果比对，投票选举，可疑语料，最终语料，对可疑语料进行融合算法处理，生成最终语料，保存到语料库。基于最终语料作为医疗中文分词的训练语料，构建训练分词模型。

其中，语义融合整个过程的方法包括下列步骤：

1)结果比对

对各分词器的结果tokens进行比较，找到分割不一致的token集合。如上面的例子中，行额颞、开颅、入路，行，额颞，开，颅，入，路。并统计每个token在结果集总的出现次数。对出现频率大于等于某个阈值的(至少为2，具体值依赖于接入的分词器)，并且token长度大于等于2的词，加入粗分词库

2)投票选举

对每个分词器统计其和其他分词器不一致的token个数，个数越多，得分越低。同时如果不一致的token出现在粗分词库里面，增加其得分。对得分最高的分词结果标注为最佳语料。

3)可疑语料

在上面的投票选举过程中的最佳语料进行判断，如果一致性比较高，例如一致性达到95％可以直接标记为最终语料，反之标记为可疑语料。

其中，一致性计算公式可以为：

(和该分词结果一致的token个数+tokens在粗分词库里出现次数)/分词结果的token总数

通过添加tokens在粗分词库里面出现次数，保证最终语料有比较好的分词粒度。通常分词器对无法识别的词会分为单字，所以最终语料生成时优先选择粗粒度的词。

4)最终语料生成

可疑语料因为分词结果差异比较大，通常需要人工审核与标注转为最终语料。但是这个过程也是相当耗费人力的过程。本方案采用语义融合策略对其自动进行最终语料生成(类似于中文Viterbi分词算法中单字的融合方法)。

具体思路是：基于所有的分词结果构建一个所有可能的切分图，基于最短路径的算法对这个切分图进行最短路径生成。切分图节点为每个token，节点之间的权重为两个token在分词结果中各自出现的次数加上共同出现的次数，然后结果取倒数。

例如候选分词结果包括：

['行额颞','开','颅','翼点','入路','动脉瘤','夹闭术']

['行’,’额颞','开颅','翼点','入’,’路','动脉瘤','夹闭术']

['行额颞','开颅','翼点','入’,’路','动脉瘤','夹闭术']

则根据上述候选分词结果生成切分图。图2是本发明实施例二提供的一种切分图的示意图。图2中切分图中的节点为候选分词结果中的分词。

示例性的，图2中切分图的边权重列表计算可以为：

边：行额颞->开：

行额颞在分词结果出现2次，开在分词结果中出现1，共同出现1，权重为,0.25。

边：行额颞->开颅：

行额颞在分词结果出现2次，开颅在分词结果中出现2，共同出现1，权重为,0.20。

上述计算中，权重的计算一方面考虑了各个token独自成词的概率，又考虑了token到token的转移概率，token在技术上用文本+文本在句子的位置标识，以区别一个句子中出现的相同token。

基于上述方式计算的权重，通过Dijkstra或者Viterbi算法可以求得切分图的最短路径：

['行额颞','开颅','翼点','入路','动脉瘤','夹闭术']

然后基于最短路径，加上词性标注信息，可以形成最终语料。

本发明实施例基于已经存在的中文分词技术对医疗文本进行预先分词，形成最终语料，充分利用了已有的中文分词人工标注成果。基于最终语料继续训练医疗领域的分词模型，在对各分词结果进行融合的时候，采用切分图的最短路径算法，以及切分图权重计算方式，通过一致性评价对各个分词器的分词结果进行了投票评价，选择出了最佳语料，最佳语料最多的分词模型作为构建适合医疗中文分词模型的参考模型。

实施例三

图3是本发明实施例提供的一种分词处理装置的结构示意图。如图3所示，该装置包括：

待分词文本获取模块310，用于获取待分词文本；

分词模型分词模块320，用于将所述待分词文本输入预先训练的分词模型中，获得所述分词模型的输出结果，其中，所述分词模型的训练样本对包括样本文本和所述样本文本对应的样本分词结果，所述样本文本对应的样本分词结果基于所述样本文本对应的多个候选分词结果融合得到；

目标分词结果确定模块330，用于基于所述输出结果确定所述待分词文本的目标分词结果。

本发明实施例的技术方案，通过获取待分词文本；将所述待分词文本输入预先训练的分词模型中，获得所述分词模型的输出结果，其中，所述分词模型的训练样本对包括样本文本和所述样本文本对应的样本分词结果，所述样本文本对应的样本分词结果基于所述样本文本对应的多个候选分词结果融合得到；基于所述输出结果确定所述待分词文本的目标分词结果；通过融合多个候选分词结果确定样本分词结果，提高了分词模型的训练样本对的准确性，从而提高了基于分词模型进行分词的准确性。

可选的，在上述方案的基础上，装置还包括分词模型训练模块，用于：

获取样本文本，将所述样本文本通过多种分词方式进行分词，得到多个候选分词结果；

基于多个所述候选分词结果进行语义融合处理，得到所述样本文本的样本分词结果；

根据所述样本文本和所述样本文本对应的样本分词结果构建训练样本对；

基于所述训练样本对对预先构建的分词模型进行训练，得到训练后的分词模型。

可选的，在上述方案的基础上，分词模型训练模块具体用于：

对各所述候选分词结果进行评估，确定各所述候选分词结果的评估分值；

基于各所述候选分词结果的评估分值确定目标分词；

根据所述目标分词确定所述样本分词结果。

可选的，在上述方案的基础上，分词模型训练模块具体用于：

根据各所述候选分词结果之间的分词一致个数构建粗分词库；

针对每个所述候选分词结果，基于所述候选分词结果和其他候选分词结果的分词不一致情况和所述粗分词库确定所述候选分词结果的评估分值。

可选的，在上述方案的基础上，分词模型训练模块具体用于：

将所述评估分值最高的候选分词结果作为所述目标分词。

可选的，在上述方案的基础上，分词模型训练模块具体用于：

确定所述目标分词与其他候选分词结果之间的一致性；

当所述一致性高于设定阈值时，将所述目标分词作为所述样本分词结果；

当所述一致性不高于设定阈值时，基于各所述候选分词结果构建切分图，基于所述切分图确定所述样本分词结果。

可选的，在上述方案的基础上，分词模型训练模块具体用于：

基于最短路径算法对所述切分图进行最短路径生成，将生成的最短路径对应的分词结果作为所述样本分词结果。

本发明实施例所提供的分词处理装置可执行本发明任意实施例所提供的分词处理方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4是本发明实施例提供的一种电子设备的结构示意图。电子设备10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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。

处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如分词处理方法。

在一些实施例中，分词处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的分词处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行分词处理方法。

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。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。

实施例五

本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行分词处理方法，该方法包括：

获取待分词文本；

将所述待分词文本输入预先训练的分词模型中，获得所述分词模型的输出结果，其中，所述分词模型的训练样本对包括样本文本和所述样本文本对应的样本分词结果，所述样本文本对应的样本分词结果基于所述样本文本对应的多个候选分词结果融合得到；

基于所述输出结果确定所述待分词文本的目标分词结果。

在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。

计算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服务中，存在的管理难度大，业务扩展性弱的缺陷。

本发明实施例还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根据本发明任一实施例所述的分词处理方法。

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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种分词处理方法，其特征在于，包括：

获取待分词文本；

将所述待分词文本输入预先训练的分词模型中，获得所述分词模型的输出结果，其中，所述分词模型的训练样本对包括样本文本和所述样本文本对应的样本分词结果，所述样本文本对应的样本分词结果基于所述样本文本对应的多个候选分词结果融合得到；

基于所述输出结果确定所述待分词文本的目标分词结果。

2.根据权利要求1所述的方法，其特征在于，所述分词模型的训练包括：

获取样本文本，将所述样本文本通过多种分词方式进行分词，得到多个候选分词结果；

基于多个所述候选分词结果进行语义融合处理，得到所述样本文本的样本分词结果；

根据所述样本文本和所述样本文本对应的样本分词结果构建训练样本对；

基于所述训练样本对对预先构建的分词模型进行训练，得到训练后的分词模型。

3.根据权利要求2所述的方法，其特征在于，所述基于多个所述候选分词结果进行语义融合处理，得到所述样本文本的样本分词结果，包括：

对各所述候选分词结果进行评估，确定各所述候选分词结果的评估分值；

基于各所述候选分词结果的评估分值确定目标分词；

根据所述目标分词确定所述样本分词结果。

4.根据权利要求3所述的方法，其特征在于，所述对各所述候选分词结果进行评估，确定各所述候选分词结果的评估分值，包括：

根据各所述候选分词结果之间的分词一致个数构建粗分词库；

针对每个所述候选分词结果，基于所述候选分词结果和其他候选分词结果的分词不一致情况和所述粗分词库确定所述候选分词结果的评估分值。

5.根据权利要求3所述的方法，其特征在于，所述基于各所述候选分词结果的评估分值确定目标分词，包括：

将所述评估分值最高的候选分词结果作为所述目标分词。

6.根据权利要求3所述的方法，其特征在于，所述根据所述目标分词确定所述样本分词结果，包括：

确定所述目标分词与其他候选分词结果之间的一致性；

当所述一致性高于设定阈值时，将所述目标分词作为所述样本分词结果；

当所述一致性不高于设定阈值时，基于各所述候选分词结果构建切分图，基于所述切分图确定所述样本分词结果。

7.根据权利要求6所述的方法，其特征在于，所述基于所述切分图确定所述样本分词结果，包括：

基于最短路径算法对所述切分图进行最短路径生成，将生成的最短路径对应的分词结果作为所述样本分词结果。

8.一种分词处理装置，其特征在于，包括：

待分词文本获取模块，用于获取待分词文本；

分词模型分词模块，用于将所述待分词文本输入预先训练的分词模型中，获得所述分词模型的输出结果，其中，所述分词模型的训练样本对包括样本文本和所述样本文本对应的样本分词结果，所述样本文本对应的样本分词结果基于所述样本文本对应的多个候选分词结果融合得到；

目标分词结果确定模块，用于基于所述输出结果确定所述待分词文本的目标分词结果。

9.一种电子设备，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计算机程序，所述计算机程序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1-7中任一项所述的分词处理方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的分词处理方法。

Images