CN116579349A - 文本语义分段方法、装置、设备及存储介质 - Google Patents
文本语义分段方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116579349A CN116579349A CN202310630392.9A CN202310630392A CN116579349A CN 116579349 A CN116579349 A CN 116579349A CN 202310630392 A CN202310630392 A CN 202310630392A CN 116579349 A CN116579349 A CN 116579349A
- Authority
- CN
- China
- Prior art keywords
- text
- semantic
- clause
- segmented
- weight
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 189
- 238000001914 filtration Methods 0.000 claims abstract description 68
- 238000013145 classification model Methods 0.000 claims abstract description 23
- 230000036651 mood Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 15
- 238000012549 training Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning 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
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction 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
- 238000003058 natural language processing Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
-
- 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
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及金融科技领域的人工智能技术,揭露了一种文本语义分段方法,包括:基于待分段业务文本中的标点符号对待分段业务文本进行分句,得到分句业务文本集合,利用预构建的语气规则信息字典对分句业务文本集合进行语气过滤,得到业务过滤文本集合,利用预构建的语义特征模型对所述业务过滤文本集合中的文本进行权重编码,得到权重向量集合,利用预构建的语义分类模型对所述权重向量集合中的向量进行语义分类,并根据分类结果对所述待分段业务文本进行分段。本发明还涉及区块链技术,所述分类结果可存储在区块链的节点中。本发明还提出一种文本语义分段装置、电子设备以及可读存储介质。本发明可以提高金融领域培训类文本语义分段的准确率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种文本语义分段方法、装置、电子设备及可读存储介质。
背景技术
随着人工智能的发展,机器学习技术在金融科技领域成功应用的场景越来越多,比如,金融领域业务培训等。在金融领域业务培训时,通过语音识别转化的方法对讲师针对各业务系统使用、产品(基金、保险)介绍等培训内容进行文本转化,会产生大量的带口语化的培训类文本,再通过人工智能的方法进行语义分析、分段等。
现有技术中,基于聚类的方法对大段文本进行聚类,并根据聚类结果进行分段,但金融领域的培训类文本和普通文本差别较大,培训类文本由于是讲师在培训时的文本,文本中会夹杂大量的语气词和连贯词,比如“啊”、“嗯”、“是吧”、“然后呢”、“那个”、“那么”等语气词或连贯词,这种带口语化的文本如果使用传统的方法进行聚类然后分段,分段效果会受这些口语影响,导致文本分段不准确。
发明内容
本发明提供一种文本语义分段方法、装置、电子设备及可读存储介质,其主要目的在于提高文本语义分段的准确率。
为实现上述目的,本发明提供的一种文本语义分段方法,包括:
获取待分段业务文本,基于所述待分段业务文本中的标点符号对所述待分段业务文本进行分句,得到分句业务文本集合;
利用预构建的语气规则信息字典对所述分句业务文本集合进行语气过滤,得到业务过滤文本集合;
利用预构建的语义特征模型对所述业务过滤文本集合中的文本进行权重编码,得到权重向量集合;
利用预构建的语义分类模型对所述权重向量集合中的向量进行语义分类,并根据分类结果对所述待分段业务文本进行分段。
可选地,所述利用预构建的语气规则信息字典对所述分句业务文本集合进行语气过滤之前,所述方法还包括:
获取预构建的语气词集合,对所述语气词集合中的语气词添加标点符号及段落符号,将添加完标点符号及段落符号的语气词集合作为语气规则信息字典。
可选地,所述利用预构建的语气规则信息字典对所述分句业务文本集合进行语气过滤,得到业务过滤文本集合,包括:
利用所述分句业务文本集合中各分句文本开头及结尾处的词语匹配所述语气规则信息字典中的语气词;
若各分句文本开头及结尾处的词语匹配所述语气规则信息字典中的语气词失败,则不作处理;
若各分句文本开头及结尾处的词语匹配所述语气规则信息字典中的语气词成功,则确定分句文本开头或结尾处的词语为语气词并进行删除;
汇总所有匹配处理后的分句文本,得到所述业务过滤文本集合。
可选地,所述利用预构建的语义特征模型对所述业务过滤文本集合中的文本进行权重编码,得到权重向量集合,包括:
依次对所述业务过滤文本集合中的两个分句文本进行分词,得到第一分词文本及第二分词文本,利用拼接字符对所述第一分词文本及第二分词文本进行拼接,得到拼接文本;
利用所述语义特征模型中的语义向量层对所述拼接文本中的分词文本及拼接字符进行向量化编码,得到拼接向量;
利用所述语义特征模型中的特征提取层及全连接层对所述拼接向量进行特征权重编码,得到权重向量集合。
可选地,所述利用所述语义特征模型中的特征提取层及全连接层对所述拼接向量进行特征权重编码,得到权重向量集合,包括:
利用所述特征提取层对所述拼接向量中第一分词文本及第二分词文本对应的向量进行最大池化处理,得到第一池化向量及第二池化向量;
对所述第一池化向量、第二池化向量及所述拼接字符对应的向量进行权重特征提取,得到权重特征,
对所述权重特征进行向量拼接得到原始权重向量,利用所述全连接层对所述原始权重向量进行特征转化,得到标准权重向量;
汇总所有拼接文本的的标准权重向量得到所述权重向量集合。
可选地,所述利用预构建的语义分类模型对所述权重向量集合中的向量进行语义分类,并根据分类结果对所述待分段业务文本进行分段,包括:
利用预构建的语义分类模型依次对所述权重向量集合中的权重向量进行语义识别分类,得到语义分类结果;
若所述语义分类结果为语义一致,则对权重向量对应的文本不进行分段;
若所述语义分类结果为语义不一致,则对权重向量对应的文本进行分段。
可选地,所述预构建的语义特征模型包括语义向量层、特征提取层及全连接层。
为了解决上述问题,本发明还提供一种文本语义分段装置,所述装置包括:
文本分句模块,用于获取待分段业务文本,基于所述待分段业务文本中的标点符号对所述待分段业务文本进行分句,得到分句业务文本集合;
语气过滤模块,用于利用预构建的语气规则信息字典对所述分句业务文本集合进行语气过滤,得到业务过滤文本集合;
向量编码模块,用于利用预构建的语义特征模型对所述业务过滤文本集合中的文本进行权重编码,得到权重向量集合;
文本语义分段模块,用于利用预构建的语义分类模型对所述权重向量集合中的向量进行语义分类,并根据分类结果对所述待分段业务文本进行分段。
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,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的文本语义分段方法。
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计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的文本语义分段方法。
本发明通过标点符号对待分段业务文本进行分句,得到分句业务文本集合,利用预构建的语气规则信息字典对分句业务文本集合进行语气过滤,可以更准确的对文本中的语气词进行过滤,得到更加准确的业务过滤文本。同时,根据语义特征模型对业务过滤文本集合中的文本进行权重编码,得到的权重向量包含更多语义特征,再利用预构建的语义分类模型对权重向量集合中的向量进行语义分类,可以更准确的根据语义分类结果进行文本分段。因此本发明提出的文本语义分段方法、装置、电子设备及计算机可读存储介质,可以提高文本语义分段的准确率。
附图说明
图1为本发明一实施例提供的文本语义分段方法的流程示意图;
图2为本发明一实施例提供的文本语义分段装置的功能模块图;
图3为本发明一实施例提供的实现所述文本语义分段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。
本发明实施例提供一种文本语义分段方法。所述文本语义分段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发明实施例提供的该方法的电子设备中的至少一种。换言之,所述文本语义分段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。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的文本语义分段方法的流程示意图。在本实施例中,所述文本语义分段方法包括以下步骤S1-S4:
S1、获取待分段业务文本,基于所述待分段业务文本中的标点符号对所述待分段业务文本进行分句,得到分句业务文本集合。
本发明实施例中,所述待分段业务文本是指夹杂大量语气词或连贯词的口语化的业务文本,例如,金融领域中,在进行业务培训时,通过语音识别工具将讲师的语音转化的文本,主要包括:“啊”、“嗯”、“是吧”、“然后呢”、“那个”、“那么”等语气词或连贯词。
本发明一可选实施例中,获取一大段带有口语化的待分段业务文本D,通过使用句号,问号,感叹号,分号等标点符号将获取的文本进行分句得到分句业务文本集合{s1,s2,si,…,sn},其中si为第i个分句。
S2、利用预构建的语气规则信息字典对所述分句业务文本集合进行语气过滤,得到业务过滤文本集合。
本发明实施例中,所述语气规则信息字典是包含标点符号及段落符号的带规则的语气词和连贯词的信息字典,用来过滤删除分句业务文本集合中的语气词。
详细地,所述利用预构建的语气规则信息字典对所述分句业务文本集合进行语气过滤之前,所述方法还包括:
获取预构建的语气词集合,对所述语气词集合中的语气词添加标点符号及段落符号,将添加完标点符号及段落符号的语气词集合作为语气规则信息字典。
本发明一可选实施例中,例如,对于语气词“那么”、“啊”等,通过添加标点符号及段落符号构建信息字典,包括:“^那么,”、“,那么,”、“^啊,”、“,啊。$”等,其中,段落符号“^”代表句子的开头,段落符号“$”代表句子的结尾,由于语气词大多出现在句子开头或结尾,而信息字典每一行语气词都含有标点符号及段落符号的信息,通过标点符号、段落符号和语气词的结合信息,可以准确的确定无意义的口语化文本。
具体地,所述利用预构建的语气规则信息字典对所述分句业务文本集合进行语气过滤,得到业务过滤文本集合,包括:
利用所述分句业务文本集合中各分句文本开头及结尾处的词语匹配所述语气规则信息字典中的语气词;
若各分句文本开头及结尾处的词语匹配所述语气规则信息字典中的语气词失败,则不作处理;
若各分句文本开头及结尾处的词语匹配所述语气规则信息字典中的语气词成功,则确定分句文本开头或结尾处的词语为语气词并进行删除;
汇总所有匹配处理后的分句文本,得到所述业务过滤文本集合。
本发明实施例中,可以通过相似度计算等方法匹配语气规则信息字典中的语气词。通过建立结合口语化表述的语义规则信息字典过滤部分口语信息,由于这种结合的方法能够最小程度的减少有用信息的丢失,不会误删文本中的其他信息,可以提高语气词过滤的准确性以及保留更多有用信息。
S3、利用预构建的语义特征模型对所述业务过滤文本集合中的文本进行权重编码,得到权重向量集合。
本发明实施例中,通过语义规则信息字典,可以过滤掉一部分口语化文本,但无法做到全部,通过所述预构建的语义特征模型来将文本进行向量化处理并加权提取文本特征来进一步提高语义分段的准确性,其中所述预构建的语义特征模型包括语义向量层、特征提取层及全连接层。
详细地,所述利用预构建的语义特征模型对所述业务过滤文本集合中的文本进行权重编码,得到权重向量集合,包括:
依次对所述业务过滤文本集合中的两个分句文本进行分词,得到第一分词文本及第二分词文本,利用拼接字符对所述第一分词文本及第二分词文本进行拼接,得到拼接文本;
利用所述语义特征模型中的语义向量层对所述拼接文本中的分词文本及拼接字符进行向量化编码,得到拼接向量;
利用所述语义特征模型中的特征提取层及全连接层对所述拼接向量进行特征权重编码,得到权重向量集合。
本发明实施例中,将文本的第一个分句文本s1和第二个分句文本s2分别分词再进行拼接得到拼接文本:[cls],w11,w12,…,w1n,[sep],w21,w22,…,w2n,[sep]。其中,[cls]和[sep]为特殊字符,w11为s1的第一个词、w12为s1的第二个词…,w21为s2的第一个词…;拼接后输入语义特征模型中的特征提取层(可以为BERT模型),BERT模型会对每一个输入的词或者特殊字符编码,输出各自的特征向量,特征向量为768维,即[cls]是一个768维的向量,w11也是一个768维的向量,w12,[sep],w21等等都是768维的向量,重复上述过程,将s2与s3,s3与s4等等都进行拼接作为输入。
具体地,所述利用所述语义特征模型中的特征提取层及全连接层对所述拼接向量进行特征权重编码,得到权重向量集合,包括:
利用所述特征提取层对所述拼接向量中第一分词文本及第二分词文本对应的向量进行最大池化处理,得到第一池化向量及第二池化向量;
对所述第一池化向量、第二池化向量及所述拼接字符对应的向量进行权重特征提取,得到权重特征,
对所述权重特征进行向量拼接得到原始权重向量,利用所述全连接层对所述原始权重向量进行特征转化,得到标准权重向量;
汇总所有拼接文本的的标准权重向量得到所述权重向量集合。
本发明一可选实施例中,以文本的第一个分句文本s1和第二个分句文本s2为例,对拼接向量中s1和s2里的词进行max pooling;例如s1一共有8个词,即s1为一个8*768的矩阵,对每一个维度进行max pooling取数字最大的,就能得到一个1*768的向量,这个向量里每一个维度的数字都是矩阵中最大的数,s2的操作也一样。这样就可以分别获取到两个1*768的向量,分别是第一池化向量[s1]和第二池化向量[s2]。将[cls],[s1],[s2]三个768维的向量分别乘以3个不同的预设权重,可通过模型训练获得,即[cls]*w1,[s1]*w2,[s2]*w3,将三个向量拼接后得到1*2304的原始权重向量,输入进一个全连接层,这个全连接层是一个2304*768的权重矩阵,输出一个1*768的标准权重向量,这样对于每一个拼接文本都可以得到一个权重向量。
S4、利用预构建的语义分类模型对所述权重向量集合中的向量进行语义分类,并根据分类结果对所述待分段业务文本进行分段。
本发明实施例中,所述预构建的语义分类模型可以为预训练的多层感知机(MLP)模型,多层感知机(MLP,Multilayer Perceptron)也叫人工神经网络(ANN,ArtificialNeural Network)。例如,预先通过大量上下文文本对训练的MLP模型。
详细地,所述利用预构建的语义分类模型对所述权重向量集合中的向量进行语义分类,并根据分类结果对所述待分段业务文本进行分段,包括:
利用预构建的语义分类模型依次对所述权重向量集合中的权重向量进行语义识别分类,得到语义分类结果;
若所述语义分类结果为语义一致,则对权重向量对应的文本不进行分段;
若所述语义分类结果为语义不一致,则对权重向量对应的文本进行分段。
本发明一可选实施例中,将s1与s2,s2与s3,s3与s4等的权重向量都输入进一个MLP模型进行分类,分类结果为两类,若语义分类结果为1,表示语义一致,为上下句,不进行分段,若语义分类结果为0,表示语义不一致,不为上下句,进行分段。
本发明通过标点符号对待分段业务文本进行分句,得到分句业务文本集合,利用预构建的语气规则信息字典对分句业务文本集合进行语气过滤,可以更准确的对文本中的语气词进行过滤,得到更加准确的业务过滤文本。同时,根据语义特征模型对业务过滤文本集合中的文本进行权重编码,得到的权重向量包含更多语义特征,再利用预构建的语义分类模型对权重向量集合中的向量进行语义分类,可以更准确的根据语义分类结果进行文本分段。因此本发明提出的文本语义分段方法,可以提高文本语义分段的准确率。
如图2所示,是本发明一实施例提供的文本语义分段装置的功能模块图。
本发明所述文本语义分段装置100可以安装于电子设备中。根据实现的功能,所述文本语义分段装置100可以包括文本分句模块101、语气过滤模块102、向量编码模块103及文本语义分段模块104。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:
所述文本分句模块101,用于获取待分段业务文本,基于所述待分段业务文本中的标点符号对所述待分段业务文本进行分句,得到分句业务文本集合;
所述语气过滤模块102,用于利用预构建的语气规则信息字典对所述分句业务文本集合进行语气过滤,得到业务过滤文本集合;
所述向量编码模块103,用于利用预构建的语义特征模型对所述业务过滤文本集合中的文本进行权重编码,得到权重向量集合;
所述文本语义分段模块104,用于利用预构建的语义分类模型对所述权重向量集合中的向量进行语义分类,并根据分类结果对所述待分段业务文本进行分段。
详细地,所述文本语义分段装置100各模块的具体实施方式如下:
步骤一、获取待分段业务文本,基于所述待分段业务文本中的标点符号对所述待分段业务文本进行分句,得到分句业务文本集合。
本发明实施例中,所述待分段业务文本是指夹杂大量语气词或连贯词的口语化的业务文本,例如,金融领域中,在进行业务培训时,通过语音识别工具将讲师的语音转化的文本,主要包括:“啊”、“嗯”、“是吧”、“然后呢”、“那个”、“那么”等语气词或连贯词。
本发明一可选实施例中,获取一大段带有口语化的待分段业务文本D,通过使用句号,问号,感叹号,分号等标点符号将获取的文本进行分句得到分句业务文本集合{s1,s2,si,…,sn},其中si为第i个分句。
步骤二、利用预构建的语气规则信息字典对所述分句业务文本集合进行语气过滤,得到业务过滤文本集合。
本发明实施例中,所述语气规则信息字典是包含标点符号及段落符号的带规则的语气词和连贯词的信息字典,用来过滤删除分句业务文本集合中的语气词。
详细地,所述利用预构建的语气规则信息字典对所述分句业务文本集合进行语气过滤之前,所述方法还包括:
获取预构建的语气词集合,对所述语气词集合中的语气词添加标点符号及段落符号,将添加完标点符号及段落符号的语气词集合作为语气规则信息字典。
本发明一可选实施例中,例如,对于语气词“那么”、“啊”等,通过添加标点符号及段落符号构建信息字典,包括:“^那么,”、“,那么,”、“^啊,”、“,啊。$”等,其中,段落符号“^”代表句子的开头,段落符号“$”代表句子的结尾,由于语气词大多出现在句子开头或结尾,而信息字典每一行语气词都含有标点符号及段落符号的信息,通过标点符号、段落符号和语气词的结合信息,可以准确的确定无意义的口语化文本。
具体地,所述利用预构建的语气规则信息字典对所述分句业务文本集合进行语气过滤,得到业务过滤文本集合,包括:
利用所述分句业务文本集合中各分句文本开头及结尾处的词语匹配所述语气规则信息字典中的语气词;
若各分句文本开头及结尾处的词语匹配所述语气规则信息字典中的语气词失败,则不作处理;
若各分句文本开头及结尾处的词语匹配所述语气规则信息字典中的语气词成功,则确定分句文本开头或结尾处的词语为语气词并进行删除;
汇总所有匹配处理后的分句文本,得到所述业务过滤文本集合。
本发明实施例中,可以通过相似度计算等方法匹配语气规则信息字典中的语气词。通过建立结合口语化表述的语义规则信息字典过滤部分口语信息,由于这种结合的方法能够最小程度的减少有用信息的丢失,不会误删文本中的其他信息,可以提高语气词过滤的准确性以及保留更多有用信息。
步骤三、利用预构建的语义特征模型对所述业务过滤文本集合中的文本进行权重编码,得到权重向量集合。
本发明实施例中,通过语义规则信息字典,可以过滤掉一部分口语化文本,但无法做到全部,通过所述预构建的语义特征模型来将文本进行向量化处理并加权提取文本特征来进一步提高语义分段的准确性,其中所述预构建的语义特征模型包括语义向量层、特征提取层及全连接层。
详细地,所述利用预构建的语义特征模型对所述业务过滤文本集合中的文本进行权重编码,得到权重向量集合,包括:
依次对所述业务过滤文本集合中的两个分句文本进行分词,得到第一分词文本及第二分词文本,利用拼接字符对所述第一分词文本及第二分词文本进行拼接,得到拼接文本;
利用所述语义特征模型中的语义向量层对所述拼接文本中的分词文本及拼接字符进行向量化编码,得到拼接向量;
利用所述语义特征模型中的特征提取层及全连接层对所述拼接向量进行特征权重编码,得到权重向量集合。
本发明实施例中,将文本的第一个分句文本s1和第二个分句文本s2分别分词再进行拼接得到拼接文本:[cls],w11,w12,…,w1n,[sep],w21,w22,…,w2n,[sep]。其中,[cls]和[sep]为特殊字符,w11为s1的第一个词、w12为s1的第二个词…,w21为s2的第一个词…;拼接后输入语义特征模型中的特征提取层(可以为BERT模型),BERT模型会对每一个输入的词或者特殊字符编码,输出各自的特征向量,特征向量为768维,即[cls]是一个768维的向量,w11也是一个768维的向量,w12,[sep],w21等等都是768维的向量,重复上述过程,将s2与s3,s3与s4等等都进行拼接作为输入。
具体地,所述利用所述语义特征模型中的特征提取层及全连接层对所述拼接向量进行特征权重编码,得到权重向量集合,包括:
利用所述特征提取层对所述拼接向量中第一分词文本及第二分词文本对应的向量进行最大池化处理,得到第一池化向量及第二池化向量;
对所述第一池化向量、第二池化向量及所述拼接字符对应的向量进行权重特征提取,得到权重特征,
对所述权重特征进行向量拼接得到原始权重向量,利用所述全连接层对所述原始权重向量进行特征转化,得到标准权重向量;
汇总所有拼接文本的的标准权重向量得到所述权重向量集合。
本发明一可选实施例中,以文本的第一个分句文本s1和第二个分句文本s2为例,对拼接向量中s1和s2里的词进行max pooling;例如s1一共有8个词,即s1为一个8*768的矩阵,对每一个维度进行max pooling取数字最大的,就能得到一个1*768的向量,这个向量里每一个维度的数字都是矩阵中最大的数,s2的操作也一样。这样就可以分别获取到两个1*768的向量,分别是第一池化向量[s1]和第二池化向量[s2]。将[cls],[s1],[s2]三个768维的向量分别乘以3个不同的预设权重,可通过模型训练获得,即[cls]*w1,[s1]*w2,[s2]*w3,将三个向量拼接后得到1*2304的原始权重向量,输入进一个全连接层,这个全连接层是一个2304*768的权重矩阵,输出一个1*768的标准权重向量,这样对于每一个拼接文本都可以得到一个权重向量。
步骤四、利用预构建的语义分类模型对所述权重向量集合中的向量进行语义分类,并根据分类结果对所述待分段业务文本进行分段。
本发明实施例中,所述预构建的语义分类模型可以为预训练的多层感知机(MLP)模型,多层感知机(MLP,Multilayer Perceptron)也叫人工神经网络(ANN,ArtificialNeural Network)。例如,预先通过大量上下文文本对训练的MLP模型。
详细地,所述利用预构建的语义分类模型对所述权重向量集合中的向量进行语义分类,并根据分类结果对所述待分段业务文本进行分段,包括:
利用预构建的语义分类模型依次对所述权重向量集合中的权重向量进行语义识别分类,得到语义分类结果;
若所述语义分类结果为语义一致,则对权重向量对应的文本不进行分段;
若所述语义分类结果为语义不一致,则对权重向量对应的文本进行分段。
本发明一可选实施例中,将s1与s2,s2与s3,s3与s4等的权重向量都输入进一个MLP模型进行分类,分类结果为两类,若语义分类结果为1,表示语义一致,为上下句,不进行分段,若语义分类结果为0,表示语义不一致,不为上下句,进行分段。
本发明通过标点符号对待分段业务文本进行分句,得到分句业务文本集合,利用预构建的语气规则信息字典对分句业务文本集合进行语气过滤,可以更准确的对文本中的语气词进行过滤,得到更加准确的业务过滤文本。同时,根据语义特征模型对业务过滤文本集合中的文本进行权重编码,得到的权重向量包含更多语义特征,再利用预构建的语义分类模型对权重向量集合中的向量进行语义分类,可以更准确的根据语义分类结果进行文本分段。因此本发明提出的文本语义分段装置,可以提高文本语义分段的准确率。
如图3所示,是本发明一实施例提供的实现所述文本语义分段方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13,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,如文本语义分段程序。
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的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备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的应用软件及各类数据,例如文本语义分段程序的代码等,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(例如文本语义分段程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。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与其他电子设备之间建立通信连接。所述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中处理的信息以及用于显示可视化的用户界面。
所述总线13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13可以分为地址总线、数据总线、控制总线等。所述总线13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3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3示出的结构并不构成对所述电子设备的限定,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与其他电子设备之间建立通信连接。
可选地,该电子设备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。
所述电子设备中的所述存储器11存储的文本语义分段程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取待分段业务文本,基于所述待分段业务文本中的标点符号对所述待分段业务文本进行分句,得到分句业务文本集合;
利用预构建的语气规则信息字典对所述分句业务文本集合进行语气过滤,得到业务过滤文本集合;
利用预构建的语义特征模型对所述业务过滤文本集合中的文本进行权重编码,得到权重向量集合;
利用预构建的语义分类模型对所述权重向量集合中的向量进行语义分类,并根据分类结果对所述待分段业务文本进行分段。
具体地,所述处理器10对上述指令的具体实现方法可参考附图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:
获取待分段业务文本,基于所述待分段业务文本中的标点符号对所述待分段业务文本进行分句,得到分句业务文本集合;
利用预构建的语气规则信息字典对所述分句业务文本集合进行语气过滤,得到业务过滤文本集合;
利用预构建的语义特征模型对所述业务过滤文本集合中的文本进行权重编码,得到权重向量集合;
利用预构建的语义分类模型对所述权重向量集合中的向量进行语义分类,并根据分类结果对所述待分段业务文本进行分段。
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。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
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 (10)
1.一种文本语义分段方法,其特征在于,所述方法包括:
获取待分段业务文本,基于所述待分段业务文本中的标点符号对所述待分段业务文本进行分句,得到分句业务文本集合;
利用预构建的语气规则信息字典对所述分句业务文本集合进行语气过滤,得到业务过滤文本集合;
利用预构建的语义特征模型对所述业务过滤文本集合中的文本进行权重编码,得到权重向量集合;
利用预构建的语义分类模型对所述权重向量集合中的向量进行语义分类,并根据分类结果对所述待分段业务文本进行分段。
2.如权利要求1所述的文本语义分段方法,其特征在于,所述利用预构建的语气规则信息字典对所述分句业务文本集合进行语气过滤之前,所述方法还包括:
获取预构建的语气词集合,对所述语气词集合中的语气词添加标点符号及段落符号,将添加完标点符号及段落符号的语气词集合作为语气规则信息字典。
3.如权利要求1中所述的文本语义分段方法,其特征在于,所述利用预构建的语气规则信息字典对所述分句业务文本集合进行语气过滤,得到业务过滤文本集合,包括:
利用所述分句业务文本集合中各分句文本开头及结尾处的词语匹配所述语气规则信息字典中的语气词;
若各分句文本开头及结尾处的词语匹配所述语气规则信息字典中的语气词失败,则不作处理;
若各分句文本开头及结尾处的词语匹配所述语气规则信息字典中的语气词成功,则确定分句文本开头或结尾处的词语为语气词并进行删除;
汇总所有匹配处理后的分句文本,得到所述业务过滤文本集合。
4.如权利要求1所述的文本语义分段方法,其特征在于,所述利用预构建的语义特征模型对所述业务过滤文本集合中的文本进行权重编码,得到权重向量集合,包括:
依次对所述业务过滤文本集合中的两个分句文本进行分词,得到第一分词文本及第二分词文本,利用拼接字符对所述第一分词文本及第二分词文本进行拼接,得到拼接文本;
利用所述语义特征模型中的语义向量层对所述拼接文本中的分词文本及拼接字符进行向量化编码,得到拼接向量;
利用所述语义特征模型中的特征提取层及全连接层对所述拼接向量进行特征权重编码,得到权重向量集合。
5.如权利要求4所述的文本语义分段方法,其特征在于,所述利用所述语义特征模型中的特征提取层及全连接层对所述拼接向量进行特征权重编码,得到权重向量集合,包括:
利用所述特征提取层对所述拼接向量中第一分词文本及第二分词文本对应的向量进行最大池化处理,得到第一池化向量及第二池化向量;
对所述第一池化向量、第二池化向量及所述拼接字符对应的向量进行权重特征提取,得到权重特征,
对所述权重特征进行向量拼接得到原始权重向量,利用所述全连接层对所述原始权重向量进行特征转化,得到标准权重向量;
汇总所有拼接文本的的标准权重向量得到所述权重向量集合。
6.如权利要求1所述的文本语义分段方法,其特征在于,所述利用预构建的语义分类模型对所述权重向量集合中的向量进行语义分类,并根据分类结果对所述待分段业务文本进行分段,包括:
利用预构建的语义分类模型依次对所述权重向量集合中的权重向量进行语义识别分类,得到语义分类结果;
若所述语义分类结果为语义一致,则对权重向量对应的文本不进行分段;
若所述语义分类结果为语义不一致,则对权重向量对应的文本进行分段。
7.如权利要求1至6中任一项所述的文本语义分段方法,其特征在于,所述预构建的语义特征模型包括语义向量层、特征提取层及全连接层。
8.一种文本语义分段装置,其特征在于,所述装置包括:
文本分句模块,用于获取待分段业务文本,基于所述待分段业务文本中的标点符号对所述待分段业务文本进行分句,得到分句业务文本集合;
语气过滤模块,用于利用预构建的语气规则信息字典对所述分句业务文本集合进行语气过滤,得到业务过滤文本集合;
向量编码模块,用于利用预构建的语义特征模型对所述业务过滤文本集合中的文本进行权重编码,得到权重向量集合;
文本语义分段模块,用于利用预构建的语义分类模型对所述权重向量集合中的向量进行语义分类,并根据分类结果对所述待分段业务文本进行分段。
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如权利要求1至7中任意一项所述的文本语义分段方法。
10.一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7中任意一项所述的文本语义分段方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310630392.9A CN116579349A (zh) | 2023-05-31 | 2023-05-31 | 文本语义分段方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310630392.9A CN116579349A (zh) | 2023-05-31 | 2023-05-31 | 文本语义分段方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116579349A true CN116579349A (zh) | 2023-08-11 |
Family
ID=87533988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310630392.9A Pending CN116579349A (zh) | 2023-05-31 | 2023-05-31 | 文本语义分段方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579349A (zh) |
-
2023
- 2023-05-31 CN CN202310630392.9A patent/CN116579349A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112988963B (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
CN113157927B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN114822812A (zh) | 角色对话模拟方法、装置、设备及存储介质 | |
CN113704429A (zh) | 基于半监督学习的意图识别方法、装置、设备及介质 | |
CN113821622B (zh) | 基于人工智能的答案检索方法、装置、电子设备及介质 | |
CN113807973B (zh) | 文本纠错方法、装置、电子设备及计算机可读存储介质 | |
CN115238670B (zh) | 信息文本抽取方法、装置、设备及存储介质 | |
CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
CN113205814B (zh) | 语音数据标注方法、装置、电子设备及存储介质 | |
CN116468025A (zh) | 电子病历结构化方法、装置、电子设备及存储介质 | |
CN116450829A (zh) | 医疗文本分类方法、装置、设备及介质 | |
CN116341646A (zh) | Bert模型的预训练方法、装置、电子设备及存储介质 | |
CN115510188A (zh) | 文本关键词关联方法、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 | |
CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
CN114548114A (zh) | 文本情绪识别方法、装置、设备及存储介质 | |
CN114943306A (zh) | 意图分类方法、装置、设备及存储介质 | |
CN114781384A (zh) | 命名实体智能标注方法、装置、设备及存储介质 | |
CN112712797A (zh) | 语音识别方法、装置、电子设备及可读存储介质 | |
CN116579349A (zh) | 文本语义分段方法、装置、设备及存储介质 | |
CN113515591A (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN114462411B (zh) | 命名实体识别方法、装置、设备及存储介质 | |
CN111680513B (zh) | 特征信息的识别方法、装置及计算机可读存储介质 | |
CN115204120B (zh) | 保险领域三元组抽取方法、装置、电子设备及存储介质 |
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 |