CN116662484A - 一种文本正则化方法、装置、设备以及存储介质 - Google Patents

一种文本正则化方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN116662484A
CN116662484A CN202310615901.0A CN202310615901A CN116662484A CN 116662484 A CN116662484 A CN 116662484A CN 202310615901 A CN202310615901 A CN 202310615901A CN 116662484 A CN116662484 A CN 116662484A
Authority
CN
China
Prior art keywords
text
target
nonstandard
word
sample
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
CN202310615901.0A
Other languages
English (en)
Inventor
梁小明
何金鑫
张毅
孙宇嘉
王紫烟
付振
王明月
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.)
Faw Nanjing Technology Development Co ltd
FAW Group Corp
Original Assignee
Faw Nanjing Technology Development Co ltd
FAW Group Corp
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 Faw Nanjing Technology Development Co ltd, FAW Group Corp filed Critical Faw Nanjing Technology Development Co ltd
Priority to CN202310615901.0A priority Critical patent/CN116662484A/zh
Publication of CN116662484A publication Critical patent/CN116662484A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Character Discrimination (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种文本正则化方法、装置、设备以及存储介质，所述方法包括：对待处理文本进行预处理，得到目标文本；在目标文本中存在非标准词且非标准词属于有歧义类型非标准词的情况下，采用神经网络识别模型对非标准词进行识别，得到非标准词所属的目标字符类型；根据目标字符类型从非标准词的候选转换规则中选择目标转换规则，并采用目标转换规则对非标准词进行替换，得到正则化的目标文本。本发明在将目标文本转换成正则化的目标文本的过程中，采用神经网络识别模型对非标准词进行识别，实现了对有歧义类型非标准词的识别，提高了对歧义文本的识别率，进而提高了文本正则化的准确性。

Description

一种文本正则化方法、装置、设备以及存储介质
技术领域
本发明涉及语音合成技术领域，尤其涉及一种文本正则化方法、装置、设备以及存储介质。
背景技术
随着社会信息化和智能化进程的推进，基于语音合成技术的智能语音交互已经成为汽车应用中不可或缺的功能。文本正则化作为实现智能语音交互的基础任务之一，其准确性会直接影响智能语音交互的效果。
传统文本正则化方法中的文本识别单元，识别歧义文本的能力差，进而导致文本正则化的准确性低。
发明内容
本发明提供了一种文本正则化方法、装置、设备以及存储介质，以提高对歧义文本的识别率，提高文本正则化的准确性。
根据本发明的一方面，提供了一种文本正则化方法，包括：
对待处理文本进行预处理，得到目标文本；
在目标文本中存在非标准词且非标准词属于有歧义类型非标准词的情况下，采用神经网络识别模型对非标准词进行识别，得到非标准词所属的目标字符类型；
根据目标字符类型从非标准词的候选转换规则中选择目标转换规则，并采用目标转换规则对非标准词进行替换，得到正则化的目标文本。
根据本发明的另一方面，提供了一种文本正则化装置，包括：
目标文本确定模块，用于对待处理文本进行预处理，得到目标文本；
字符类型确定模块，用于在目标文本中存在非标准词且非标准词属于有歧义类型非标准词的情况下，采用神经网络识别模型对非标准词进行识别，得到非标准词所属的目标字符类型；
正则化处理模块，用于根据目标字符类型从非标准词的候选转换规则中选择目标转换规则，并采用目标转换规则对非标准词进行替换，得到正则化的目标文本。
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计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的文本正则化方法。
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，计算机指令用于使处理器执行时实现本发明任一实施例的文本正则化方法。
本发明实施例的技术方案，通过对待处理文本进行预处理，得到目标文本；在目标文本中存在非标准词且非标准词属于有歧义类型非标准词的情况下，采用神经网络识别模型对非标准词进行识别，得到非标准词所属的目标字符类型；根据目标字符类型从非标准词的候选转换规则中选择目标转换规则，并采用目标转换规则对非标准词进行替换，得到正则化的目标文本。上述技术方案，在将目标文本转换成正则化的目标文本的过程中，采用神经网络识别模型对非标准词进行识别，实现了对有歧义类型非标准词的识别，提高了对歧义文本的识别率，进而提高了文本正则化的准确性。
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是根据本发明实施例一提供的一种文本正则化方法的流程图；
图2是根据本发明实施例二提供的一种文本正则化方法的流程图；
图3是根据本发明实施例三提供的一种文本正则化方法的流程图；
图4是根据本发明实施例四提供的一种文本正则化装置的结构示意图；
图5是实现本发明实施例的文本正则化方法的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“目标”和“待处理”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。
此外，还需要说明的是，本发明的技术方案中，所涉及的待处理文本以及样本文本等的收集、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。
实施例一
图1为本发明实施例一提供的一种文本正则化方法的流程图，本实施例可适用于智能语音交互过程中对文本进行正则化处理的情况，尤其适用于智能语音交互过程中对中英文混合的文本进行正则化处理的情况，该方法可以由文本正则化装置来执行，该装置可以采用硬件和/或软件的形式实现，可配置于电子设备中，该电子设备可以是车载终端。如图1所示，该方法包括：
S101、对待处理文本进行预处理，得到目标文本。
其中，待处理文本可以是指待进行语音合成的文本。目标文本可以是指经预处理后得到的文本。预处理的任务包括但不限于中文简体与中文繁体之间的转换、半角与全角之间的转换、非限定词的识别与过滤、语气词的消除、英文字符的大小写转换以及特殊标志符的增加。需要说明的是，英文字符的大小写转换取决于实际业务场景的需要，可以将英文字符中的大写字符全部转换为小写字符，也可以将英文字符中的小写字符全部转换为大写字符。其中，限定词可以是指能够进行文本正则化处理的文本字符，限定词可以包括如下中文字符、标点符号、数字以及英文字符：
中文字符：{u3007,CJK扩展:[3400-4DBF],CJK基本:[4E00-9FFF],CJK兼容:[F900-FAFF],CJK扩展B:[20000-2A6DF],CJK扩展C:[2A700-2B73F],CJK扩展D:[2B740-2B81D],CJK兼容扩展:[2F800-2FA1F]}；
标点符号：
英文：{a-z,A-Z}；
数字：{1-9}。
相应的，非限定词可以是指除限定词之外的其他字符。
示例性的，对待处理文本进行预处理，消除待处理文本中的语气词，比如，啊、呃和哎等，将待处理文本中的中文繁体转换为中文简体，将待处理文本中的半角转换为全角，并为待处理文本增加开始标志符和结束标志符，进而得到目标文本。
S102、在目标文本中存在非标准词且非标准词属于有歧义类型非标准词的情况下，采用神经网络识别模型对非标准词进行识别，得到非标准词所属的目标字符类型。
其中，标准词可以是指预设的标准词语料库中的词。相应的，非标准词可以是指预设的非标准词预料库中的词。需要说明的是，非标准词和标准词均取决于实际业务场景的需求，比如，在实际业务场景为中文语音合成的情况下，非标准词为非汉字字符的词，比如，阿拉伯数字、英文字符和各种符号等标准词为汉字字符。非标准词包括但不限于日期、价格、分数、电话号码和连接符。需要说明的是，一个非标准词在不同目标文本的上下文中可能对应不同的标准词，比如“11”可以读作“十一”，在电话号码中又可以读作“幺幺”，在“2米11”中又可以读作“一一”。目标字符类型可以是指目标文本中非标准词所属的字符类型，目标字符类型包括但不限于整数、序数、分数、时间、十进制数、度量单位、日期、货币、电话号码、URL地址、连接符和缩写词。举例说明，下表(即表1)为一种有歧义类型非标准词对应的目标字符类型表。
表1有歧义类型非标准词对应的目标字符类型表
序号 TYpe 类型 示例
1 Cardinal 整数 1,2,3
2 Ordinal 序数 1st,2nd
3 Fraction 分数 1/3,2/5
4 Time 时间 12:30
5 Decimal 十进制数 10.21
6 Measure 度量单位 10cm,10kg,100％
7 Date 日期 1998年/3月/2日
8 Money 货币 10元
9 Telephone 电话号码 18544139121
10 Connector 连接符 1:1,4x3
11 Abbreviation 缩写词 U.S
具体的，在目标文本中存在有歧义类型非标准词的情况下，采用神经网络识别模型中的编码器对有歧义类型非标准词进行编码，得到有歧义类型非标准词的语义向量；进而根据有歧义类型非标准词的语义向量，采用神经网络识别模型中的分类器提取有歧义类型非标准词所属的目标字符类型。
示例性的，若目标文本为“只要有超过3/4的人投票同意，你就会成为我们的新班长”，有歧义类型非标准词为3/4，采用神经网络识别模型对有歧义类型非标准词进行识别，得到有歧义类型非标准词所属的目标字符类型，即分数。需要说明的是，有歧义类型非标准词为3/4，是因为在目标文本为“甲队和乙队打篮球，甲乙两队的比分为3/4”的情况下，该有歧义类型非标准词(即3/4)还可以表示篮球比赛中甲乙两队的比分。
此外，神经网络识别模型还可以识别目标文本中除有歧义类型非标准词之外的其他字符，比如，中文字符和英文字符，并得到这些其他字符各自所属的字符类型。
S103、根据目标字符类型从非标准词的候选转换规则中选择目标转换规则，并采用目标转换规则对非标准词进行替换，得到正则化的目标文本。
其中，候选转换规则可以根据实际业务场景的需求预先设置，本发明实施例对其不做具体限定。举例说明，候选转换规则包括但不限于数字转换规则、分数转换规则、英文转换规则、中文转换规则以及符号转换规则。目标转换规则可以是指目标字符类型对应的候选转换规则。
基于上述示例，若目标文本为“只要有超过3/4的人投票同意，你就会成为我们的新班长”，有歧义类型非标准词为3/4，有歧义类型非标准词所属的目标字符类型为分数，在实际业务场景为中文语音合成的情况下，非标准词的候选转换规则包括但不限于数字转换规则、分数转换规则、英文转换规则以及符号转换规则；根据目标字符类型(即分数)从非标准词的候选转换规则中选择分数转换规则作为目标转换规则，并采用目标转换规则对有歧义类型非标准词(即3/4)进行转换，得到有歧义类型非标准词对应的标准词，即四分之三；对目标文本进行后置处理，以确保目标文本中的所有字符全部已经转换为标准词，进而按照预设的规范输出格式，得到正则化的目标文本，即“只要有超过四分之三的人投票同意，你就会成为我们的新班长”。
本发明实施例的技术方案，通过对待处理文本进行预处理，得到目标文本；在目标文本中存在非标准词且非标准词属于有歧义类型非标准词的情况下，采用神经网络识别模型对非标准词进行识别，得到非标准词所属的目标字符类型；根据目标字符类型从非标准词的候选转换规则中选择目标转换规则，并采用目标转换规则对非标准词进行替换，得到正则化的目标文本。上述技术方案，在将目标文本转换成正则化的目标文本的过程中，采用神经网络识别模型对非标准词进行识别，实现了对有歧义类型非标准词的识别，提高了对歧义文本的识别率，进而提高了文本正则化的准确性。
在上述实施例的基础上，作为本发明实施例的一种可选方式，在目标文本中存在非标准词且非标准词属于无歧义类型非标准词的情况下，采用预设的语法正则匹配算法对非标准词进行识别，得到非标准词所属的目标字符类型。
其中，预设的语法正则匹配算法可以根据实际业务场景的需求预先设置，比如，预设的语法正则化匹配算法为LDC(Linguistic Data Consortium，预料数据联盟)的TextConditioning Tools，又比如，预设的语法正则化匹配算法为基于加权有限状态转换机(Weighted Finite-State Transducer，WFST)的语法正则匹配算法，本发明实施例对其不做具体限定。
具体的，在目标文本中存在无歧义类型非标准词的情况下，采用预设的语法正则匹配算法对无歧义类型非标准词进行识别，得到无歧义类型非标准词所属的目标字符类型。
本可选方式，提供了对目标文本中无歧义类型非标准词的正则化处理方法，增加了应用场景。在目标文本中存在非标准词且非标准词属于无歧义类型非标准词的情况下，采用预设的语法正则匹配算法对非标准词进行识别，得到非标准词所属的目标字符类型；在目标文本中存在非标准词且非标准词属于有歧义类型非标准词的情况下，采用神经网络识别模型对非标准词进行识别，得到非标准词所属的目标字符类型，使得文本正则化方法可以一次性识别并处理任何类型的非标准词，不仅提高了对歧义文本的识别率，还提高了文本正则化的效率。
实施例二
图2为本发明实施例二提供的一种文本正则化方法的流程图，本实施例在上述实施例的基础上，对“采用神经网络识别模型对非标准词进行识别，得到非标准词所属的目标字符类型”进一步优化，提供一种可选实施方案。需要说明的是，在本发明实施例中未详述部分，可参照其他实施例的相关表述。如图2所示，该方法包括：
S201、对待处理文本进行预处理，得到目标文本。
S202、在目标文本中存在非标准词且非标准词属于有歧义类型非标准词的情况下，对非标准词进行特征提取，得到非标准词对应的目标特征向量。
其中，目标特征向量可以是指经特征提取后得到的非标准词对应的特征向量。需要说明的是，目标特征向量可以表征非标准词在目标文本中的上下文信息。
具体的，在目标文本中存在有歧义类型非标准词的情况下，采用文本向量转换器对有歧义类型非标准词进行特征提取，得到有歧义类型非标准词对应的目标特征向量。其中，文本向量转换器包括但不限于嵌入编码器BERT(Bidirectional EncoderRepresentations from Transformers)、单词-向量编码器Word2Vec、one-hot编码器(又称独热编码器)和词袋编码器。
在一个可选实施例中，对非标准词进行特征提取，得到非标准词对应的目标特征向量，可以是：对非标准词进行文本特征提取，得到文本向量；对非标准词的位置信息进行特征提取，得到位置向量；对非标准词的句子信息进行特征提取，得到句子向量；根据文本向量、位置向量以及句子向量，确定非标准词对应的目标特征向量。
其中，针对每个非标准词，文本向量用于表征该非标准词在预设词典中对应的数值；位置向量用于表征该非标准词在目标文本中的位置；句子向量用于表征该非标准词所属句子在目标文本中的位置。
具体的，对有歧义类型非标准词进行文本特征提取，得到文本向量；对有歧义类型非标准词的位置信息进行特征提取，得到位置向量；对有歧义类型非标准词的句子信息进行特征提取，得到句子向量；将文本向量、位置向量以及句子向量按照预设的特征融合规则进行融合，得到有歧义类型非标准词对应的目标特征向量。其中，预设的特征融合规则可以根据实际业务场景的需要预先设置，比如，预设的特征融合规则为计算文本向量、位置向量以及句子向量的向量之和，比如，预设的特征融合规则为依次串联文本向量、位置向量以及句子向量，又比如，预设的特征融合规则为基于注意力机制的特征融合规则，本发明实施例对其不做具体限定。
示例性的，对有歧义类型非标准词进行文本特征提取，得到文本向量，记为t1；对有歧义类型非标准词的位置信息进行特征提取，得到位置向量，记为t2；对有歧义类型非标准词的句子信息进行特征提取，得到句子向量,记为t3；通过如下方法，依次串联t1、t2和t3，得到有歧义类型非标准词对应的目标特征向量：
T1＝tf.concat([t1,t2],axis)；
T2＝tf.concat([T1,t3],axis)；
其中，T1为t1和t2串联得到的特征向量；T2为有歧义类型非标准词对应的目标特征向量，tf.concat()为预设的特征融合规则，axis为两个特征向量融合的维度，axis可以根据实际业务场景的需要预先设置，比如axis为0，又比如axis为1。
本可选实施例，通过对非标准词进行文本特征提取，得到文本向量；通过对非标准词的位置信息进行特征提取，得到位置向量；通过对非标准词的句子信息进行特征提取，得到句子向量，进而根据文本向量、位置向量以及句子向量，确定有歧义类型非标准词对应的目标特征向量，从多个维度对有歧义类型非标准词的位置进行定位，进而可以根据有歧义类型非标准词对应的目标特征向量对有歧义类型非标准词进行更加准确地识别和处理，提高了对有歧义类型非标准词的识别率和消歧效率。
S203、将目标特征向量输入训练后的神经网络识别模型，得到非标准词所属的目标字符类型。
其中，训练后的神经网络识别模型可以是指对非标准词的识别率处于最优状态的神经网络识别模型。
具体的，将有歧义类型非标准词对应的目标特征向量输入训练后的神经网络识别模型，通过神经网络识别模型中的正则化单元对有歧义类型非标准词对应的目标特征向量进行正则化处理，得到有歧义类型非标准词所属的目标字符类型。其中，神经网络识别模型中的正则化单元包括但不限于线性映射层、丢弃层、Transform层和预测分类层，用于对目标文本进行正则化处理。
在一个可选实施例中，神经网络识别模型通过如下方式训练得到：通过神经网络识别模型中的嵌入编码器，对样本文本进行特征提取，得到样本文本对应的样本特征向量；通过神经网络识别模型中的正则化单元对样本特征向量进行正则化处理，得到样本文本对应的预测文本；根据预测文本和样本文本所标注的标签文本对嵌入编码器和正则化单元进行训练，得到训练后的神经网络识别模型。
其中，嵌入编码器用于对输入神经网络识别模型中的目标文进行特征提取。样本文本用于对神经网络识别模型进行训练。正则化单元用于对样本文本和/或目标文本进行正则化处理。
示例性的，通过神经网络识别模型中的嵌入编码器BERT，对样本文本进行特征提取，得到样本文本对应的样本特征向量；通过神经网络识别模型中的正则化单元对样本特征向量进行正则化化处理，得到样本文本对应的预测文本；根据预测文本和样本文本所标注的标签文本对嵌入编码器和正则化单元进行训练，进而对神经网络识别模型的参数(比如学习率和迭代次数)进行优化调整，得到训练后的神经网络识别模型。其中，学习率可以是指每次神经网络识别模型的参数更新时，神经网络识别模型的权重参数需要调整的幅度，用于决定神经网络识别模型在训练过程中的收敛速度和训练效果。迭代次数可以是指神经网络识别模型训练的次数。
本可选实施例，提供了一种优化神经网络识别模型的方法，通过样本文本以及样本文本所标注的标签文本对神经网络识别模型进行训练，得到训练后的神经网络识别模型，使得采用训练后的神经网络识别模型对目标文本中有歧义类型非标准词的识别率更高，进而提高了对歧义文本的识别率。
在另一个可选实施例中，通过神经网络识别模型中的正则化单元对样本特征向量进行正则化处理，得到样本文本对应的预测文本，可以是：通过正则化单元中的线性映射层和丢弃层，对样本特征向量进行维度转换，得到经转换后的样本特征向量；通过正则化单元中的Transform层，对经转换后的样本特征向量进行编码，得到样本编码信息；通过正则化单元中的预测分类层，根据样本编码信息对样本文本进行正则化处理，得到样本文本对应的预测文本。
其中，线性映射层用于对特征向量进行维度转换。丢弃层用于随机丢弃预设比例的特征向量。其中，预设比例可以预先设置，比如预设比例为5％，即随机从所有特征向量中选择5％的特征向量丢弃。Transform层用于对特征向量进行编码。其中，Transform为转换器。预测分类层用于提取目标文本中各字符对应的字符类型。
具体的，通过正则化单元中的丢弃层，随机丢弃预设比例的样本特征向量，然后通过正则化单元中的线性映射层对剩余样本特征向量进行维度转换，得到经转换后的样本特征向量；通过正则化单元中的Transform层，对经转换后的样本特征向量进行编码，得到样本编码信息；通过正则化单元中的预测分类层，根据样本编码信息对样本文本中的各字符进行解析，并提取样本文本中各字符对应的字符类型；根据各字符对应的字符类型，选择相应的转换规则，对样本文本中的各字符进行转换，得到样本文本对应的预测文本。需要说明的是，正则化单元为神经网络识别模型中的正则化单元。
本可选实施例，通过神经网络识别模型中的正则化单元中的线性映射层、丢弃层、Transform层以及预测分类层对样本特征向量进行正则化处理，得到样本文本对应的预测文本，提供了一种具体可行的获取样本文本对应的预测文本的方法，进一步细化了神经网络识别模型中的正则化单元，使得正则化单元对样本特征向量的正则化处理更加精细，进而使得得到的样本文本对应的预测文本更加准确。
S204、根据目标字符类型从非标准词的候选转换规则中选择目标转换规则，并采用目标转换规则对非标准词进行替换，得到正则化的目标文本。
本发明实施例的技术方案，在采用神经网络识别模型对有歧义类型非标准词进行识别的过程，通过对有歧义类型非标准词进行特征提取，得到有歧义类型非标准词对应的目标特征向量，可以更好地定位有歧义类型非标准词；进而使得根据目标特征向量得到的有歧义类型非标准词所属的目标字符类型更加准确。
实施例三
图3为本发明实施例三提供的一种文本正则化的流程图，本实施例在上述实施例的基础上，提供了一种优选的实施方案。需要说明的是，在本发明实施例中未详述部分，可参照其他实施例的相关表述。如图3所示，该方法包括：
S301、对待处理文本进行预处理，得到目标文本。
S302、在目标文本存在非标准词的情况下，检测检测非标准词是否属于有歧义类型非标准词。
具体的，在目标文本存在非标准词的情况下，检测检测非标准词是否属于有歧义类型非标准词；若是，则执行S303；若否，则执行S306，进而在执行S306之后，继续执行S305。
S303、在目标文本中存在非标准词且非标准词属于有歧义类型非标准词的情况下，对非标准词进行特征提取，得到非标准词对应的目标特征向量。
可选的，对非标准词进行文本特征提取，得到文本向量；对非标准词的位置信息进行特征提取，得到位置向量；对非标准词的句子信息进行特征提取，得到句子向量；根据文本向量、位置向量以及句子向量，确定非标准词对应的目标特征向量。
S304、将目标特征向量输入训练后的神经网络识别模型，得到非标准词所属的目标字符类型。
可选的，神经网络识别模型通过如下方式训练得到：通过神经网络识别模型中的嵌入编码器，对样本文本进行特征提取，得到样本文本对应的样本特征向量；通过神经网络识别模型中的正则化单元对样本特征向量进行正则化处理，得到样本文本对应的预测文本；根据预测文本和样本文本所标注的标签文本对嵌入编码器和正则化单元进行训练，得到训练后的神经网络识别模型。
可选的，通过神经网络识别模型中的正则化单元对样本特征向量进行正则化处理，得到样本文本对应的预测文本，可以是：通过正则化单元中的线性映射层和丢弃层，对样本特征向量进行维度转换，得到经转换后的样本特征向量；通过正则化单元中的Transform层，对经转换后的样本特征向量进行编码，得到样本编码信息；通过正则化单元中的预测分类层，根据样本编码信息对样本文本进行正则化处理，得到样本文本对应的预测文本。
S305、根据目标字符类型从非标准词的候选转换规则中选择目标转换规则，并采用目标转换规则对非标准词进行替换，得到正则化的目标文本。
S306、在目标文本中存在非标准词且非标准词属于无歧义类型非标准词的情况下，采用预设的语法正则匹配算法对非标准词进行识别，得到非标准词所属的目标字符类型。
本发明实施例的技术方案，在将目标文本转换成正则化的目标文本的过程中，采用预设的语法正则匹配算法对无歧义类型非标准词进行识别，采用神经网络识别模型对有歧义类型非标准词进行识别，预设的语法正则匹配算法与神经网络识别模型的结合使用，使得文本正则化方法可以一次性识别并处理任何类型的非标准词，不仅提高了对歧义文本的识别率，还提高了文本正则化的效率；同时，在采用神经网络识别模型对有歧义类型非标准词进行识别的过程，通过对有歧义类型非标准词进行特征提取，得到有歧义类型非标准词对应的目标特征向量，可以更好地定位有歧义类型非标准词；进而使得根据目标特征向量得到的有歧义类型非标准词所属的目标字符类型更加准确。
实施例四
图4为本发明实施例四提供的一种文本正则化装置的结构示意图。本实施例可适用于智能语音交互过程中对文本进行正则化处理的情况，尤其适用于智能语音交互过程中对中英文混合的文本进行正则化处理的情况，该装置可以采用硬件和/或软件的形式实现，可配置于电子设备中，该电子设备可以是车载终端。如图4所示，该装置包括：
目标文本确定模块401，用于对待处理文本进行预处理，得到目标文本；
字符类型确定模块402，用于在目标文本中存在非标准词且非标准词属于有歧义类型非标准词的情况下，采用神经网络识别模型对非标准词进行识别，得到非标准词所属的目标字符类型；
正则化处理模块403，用于根据目标字符类型从非标准词的候选转换规则中选择目标转换规则，并采用目标转换规则对非标准词进行替换，得到正则化的目标文本。
本发明实施例的技术方案，通过目标文本确定模块得到目标文本；通过字符类型确定模块，在目标文本中存在非标准词且非标准词属于有歧义类型非标准词的情况下，采用神经网络识别模型对非标准词进行识别，得到非标准词所属的目标字符类型；通过正则化处理模块，根据目标字符类型从非标准词的候选转换规则中选择目标转换规则，并采用目标转换规则对非标准词进行替换，得到正则化的目标文本。上述技术方案，在将目标文本转换成正则化的目标文本的过程中，采用神经网络识别模型对非标准词进行识别，实现了对有歧义类型非标准词的识别，提高了对歧义文本的识别率，进而提高了文本正则化的准确性。
可选的，所述字符类型确定模块402，包括：
特征向量确定单元，用于对非标准词进行特征提取，得到非标准词对应的目标特征向量；
字符类型确定单元，用于将目标特征向量输入训练后的神经网络识别模型，得到非标准词所属的目标字符类型。
可选的，所述特征向量确定单元，具体用于：
对非标准词进行文本特征提取，得到文本向量；
对非标准词的位置信息进行特征提取，得到位置向量；
对非标准词的句子信息进行特征提取，得到句子向量；
根据文本向量、位置向量以及句子向量，确定非标准词对应的目标特征向量。
可选的，所述神经网络识别模型通过如下方式训练得到：
通过神经网络识别模型中的嵌入编码器，对样本文本进行特征提取，得到样本文本对应的样本特征向量；
通过神经网络识别模型中的正则化单元对样本特征向量进行正则化处理，得到样本文本对应的预测文本；
根据预测文本和样本文本所标注的标签文本对嵌入编码器和正则化单元进行训练，得到训练后的神经网络识别模型。
可选的，所述通过神经网络识别模型中的正则化单元对样本特征向量进行正则化处理，得到样本文本对应的预测文本，可以是：
通过正则化单元中的线性映射层和丢弃层，对样本特征向量进行维度转换，得到经转换后的样本特征向量；
通过正则化单元中的Transform层，对经转换后的样本特征向量进行编码，得到样本编码信息；
通过正则化单元中的预测分类层，根据样本编码信息对样本文本进行正则化处理，得到样本文本对应的预测文本。
可选的，该装置还包括：
目标字符类型确定模块，用于在目标文本中存在非标准词且非标准词属于无歧义类型非标准词的情况下，采用预设的语法正则匹配算法对非标准词进行识别，得到非标准词所属的目标字符类型。
本发明实施例所提供的文本正则化装置可执行本发明任意实施例所提供的文本正则化方法，具备执行各文本正则化方法相应的功能模块和有益效果。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(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5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RAM13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、ROM12以及RAM13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，例如文本正则化方法。
在一些实施例中，文本正则化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ROM12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RAM13并由处理器11执行时，可以执行上文描述的文本正则化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)而被配置为执行文本正则化方法。
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。
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。
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)

1.一种文本正则化方法，其特征在于，包括：
对待处理文本进行预处理，得到目标文本；
在所述目标文本中存在非标准词且所述非标准词属于有歧义类型非标准词的情况下，采用神经网络识别模型对所述非标准词进行识别，得到所述非标准词所属的目标字符类型；
根据所述目标字符类型从非标准词的候选转换规则中选择目标转换规则，并采用所述目标转换规则对所述非标准词进行替换，得到正则化的目标文本。
2.根据权利要求1所述的方法，其特征在于，所述采用神经网络识别模型对所述非标准词进行识别，得到所述非标准词所属的目标字符类型，包括：
对所述非标准词进行特征提取，得到所述非标准词对应的目标特征向量；
将所述目标特征向量输入训练后的神经网络识别模型，得到所述非标准词所属的目标字符类型。
3.根据权利要求2所述的方法，其特征在于，所述对所述非标准词进行特征提取，得到所述非标准词对应的目标特征向量，包括：
对所述非标准词进行文本特征提取，得到文本向量；
对所述非标准词的位置信息进行特征提取，得到位置向量；
对所述非标准词的句子信息进行特征提取，得到句子向量；
根据所述文本向量、所述位置向量以及所述句子向量，确定所述非标准词对应的目标特征向量。
4.根据权利要求2所述的方法，其特征在于，所述神经网络识别模型通过如下方式训练得到：
通过神经网络识别模型中的嵌入编码器，对样本文本进行特征提取，得到所述样本文本对应的样本特征向量；
通过神经网络识别模型中的正则化单元对所述样本特征向量进行正则化处理，得到所述样本文本对应的预测文本；
根据所述预测文本和所述样本文本所标注的标签文本对所述嵌入编码器和所述正则化单元进行训练，得到训练后的神经网络识别模型。
5.根据权利要求4所述的方法，其特征在于，所述通过神经网络识别模型中的正则化单元对所述样本特征向量进行正则化处理，得到所述样本文本对应的预测文本，包括：
通过正则化单元中的线性映射层和丢弃层，对所述样本特征向量进行维度转换，得到经转换后的样本特征向量；
通过正则化单元中的Transform层，对所述经转换后的样本特征向量进行编码，得到样本编码信息；
通过正则化单元中的预测分类层，根据所述样本编码信息对所述样本文本进行正则化处理，得到所述样本文本对应的预测文本。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述方法还包括：
在所述目标文本中存在非标准词且所述非标准词属于无歧义类型非标准词的情况下，采用预设的语法正则匹配算法对所述非标准词进行识别，得到所述非标准词所属的目标字符类型。
7.一种文本正则化装置，其特征在于，包括：
目标文本确定模块，用于对待处理文本进行预处理，得到目标文本；
字符类型确定模块，用于在所述目标文本中存在非标准词且所述非标准词属于有歧义类型非标准词的情况下，采用神经网络识别模型对所述非标准词进行识别，得到所述非标准词所属的目标字符类型；
正则化处理模块，用于根据所述目标字符类型从非标准词的候选转换规则中选择目标转换规则，并采用所述目标转换规则对所述非标准词进行替换，得到正则化的目标文本。
8.根据权利要求7所述的装置，其特征在于，所述字符类型确定模块，包括：
特征向量确定单元，用于对所述非标准词进行特征提取，得到所述非标准词对应的目标特征向量；
字符类型确定单元，用于将所述目标特征向量输入训练后的神经网络识别模型，得到所述非标准词所属的目标字符类型。
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1-6中任一项所述的文本正则化方法。
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1-6中任一项所述的文本正则化方法。
CN202310615901.0A 2023-05-29 2023-05-29 一种文本正则化方法、装置、设备以及存储介质 Pending CN116662484A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310615901.0A CN116662484A (zh) 2023-05-29 2023-05-29 一种文本正则化方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310615901.0A CN116662484A (zh) 2023-05-29 2023-05-29 一种文本正则化方法、装置、设备以及存储介质

Publications (1)

Publication Number Publication Date
CN116662484A true CN116662484A (zh) 2023-08-29

Family

ID=87720058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310615901.0A Pending CN116662484A (zh) 2023-05-29 2023-05-29 一种文本正则化方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN116662484A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117131842A (zh) * 2023-10-27 2023-11-28 慧言科技(天津)有限公司 基于wfst的实现多语种混合文本正则化与反正则化的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117131842A (zh) * 2023-10-27 2023-11-28 慧言科技(天津)有限公司 基于wfst的实现多语种混合文本正则化与反正则化的方法
CN117131842B (zh) * 2023-10-27 2024-01-26 慧言科技(天津)有限公司 基于wfst的实现多语种混合文本正则化与反正则化的方法

Similar Documents

Publication Publication Date Title
CN112966522A (zh) 一种图像分类方法、装置、电子设备及存储介质
CN113313022B (zh) 文字识别模型的训练方法和识别图像中文字的方法
CN112528655B (zh) 关键词生成方法、装置、设备及存储介质
CN113553412B (zh) 问答处理方法、装置、电子设备和存储介质
CN112559885B (zh) 地图兴趣点的训练模型确定方法、装置及电子设备
CN112990035B (zh) 一种文本识别的方法、装置、设备以及存储介质
CN113407610B (zh) 信息抽取方法、装置、电子设备和可读存储介质
CN113053367A (zh) 语音识别方法、语音识别的模型训练方法以及装置
CN114861637B (zh) 拼写纠错模型生成方法和装置、拼写纠错方法和装置
CN116662484A (zh) 一种文本正则化方法、装置、设备以及存储介质
CN115358243A (zh) 多轮对话识别模型的训练方法、装置、设备及存储介质
KR102608867B1 (ko) 업계 텍스트를 증분하는 방법, 관련 장치 및 매체에 저장된 컴퓨터 프로그램
CN113361523A (zh) 文本确定方法、装置、电子设备和计算机可读存储介质
CN113408280A (zh) 负例构造方法、装置、设备和存储介质
CN114090885B (zh) 产品标题核心词提取方法、相关装置及计算机程序产品
CN112560466B (zh) 链接实体关联方法、装置、电子设备和存储介质
CN114841172A (zh) 文本匹配双塔模型的知识蒸馏方法、装置及程序产品
CN114647727A (zh) 应用于实体信息识别的模型训练方法、装置和设备
CN114417862A (zh) 文本匹配方法、文本匹配模型的训练方法和装置
CN115455179B (zh) 敏感词汇检测方法、装置、设备及存储介质
CN114898754B (zh) 解码图生成、语音识别方法、装置、电子设备及存储介质
CN116244432B (zh) 语言模型的预训练方法、装置及电子设备
CN114330345B (zh) 命名实体识别方法、训练方法、装置、电子设备及介质
CN112507712B (zh) 建立槽位识别模型与槽位识别的方法、装置
CN114896993B (zh) 翻译模型的生成方法、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