CN116702761A - 文本纠错方法、装置、设备及存储介质 - Google Patents
文本纠错方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116702761A CN116702761A CN202310666036.2A CN202310666036A CN116702761A CN 116702761 A CN116702761 A CN 116702761A CN 202310666036 A CN202310666036 A CN 202310666036A CN 116702761 A CN116702761 A CN 116702761A
- Authority
- CN
- China
- Prior art keywords
- vector
- text
- word
- vocabulary
- semantic
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 280
- 230000003993 interaction Effects 0.000 claims abstract description 120
- 238000012549 training Methods 0.000 claims abstract description 84
- 230000007246 mechanism Effects 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 59
- 230000006870 function Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/232—Orthographic correction, e.g. spell checking or vowelisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- 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)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及医疗业务智能决策技术,揭露了一种文本纠错方法,包括:对训练文本集进行近音、近形词汇的替换,利用替换后的训练文本集对文本纠错模型进行字音、字形及语义编码的训练;利用完成训练的文本纠错模型提取待纠错文本中每个词汇的字音向量、字形向量及语义向量;利用自注意力机制对字音向量、字形向量及语义向量进行交互,得到音义交互向量及形义交互向量;根据音义交互向量及形义交互向量计算得到目标词汇,利用所述目标词汇替换待纠错文本中与所述目标词汇对应的且与目标词汇不一致的词汇。本发明还提出一种文本纠错装置、电子设备以及存储介质。本发明可以提升智能医疗问诊中对用户产生的文本信息纠错的准确性。
Description
技术领域
本发明涉及医疗业务智能决策技术领域,尤其涉及一种文本纠错方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人工智能技术与医疗学科知识的深入结合,新兴的线上智能医疗问诊给用户带来了很大的便利,越来越受用户的欢迎。通常用户可以通过语音方式描述自己的病情、挂号需求等咨询智能医疗机器人,或通过输入文本信息的方式与智能医疗机器人进行对话,智能医疗机器人对用户产生的语音信息、手工输入的文本信息进行文本识别操作,根据识别的结果调用相应的医疗话术答复用户。
由于同音字、近形字以及用户自身输入字词等错误,会影响文本识别的准确性,进而导致智能医疗服务质量的下降,因此,针对这种情况,在进行文本识别操作之前,需要利用文字纠错技术对用户的语音信息、文本信息进行纠错处理,才能保证最终得到的识别结果正确性。
现有的拼写错误绝大部分来自于字音、字形两个方面。许多研究也注意到这一点,在建模时引入了音和形的信息进行纠错,但在此过程中,音、形、义三个模态的信息较为独立,缺乏深层次的交互;但在实际的语言应用中,音形义三者往往是有紧密联系的,捕捉到这种联系有助于丰富纠错模型的信息源,提文本升纠错的成功率,从而能够提高智能医疗问诊的准确度。
发明内容
本发明提供一种文本纠错方法、装置及计算机可读存储介质,其主要目的在于解决进行文本纠错时精确度较低的问题。
为实现上述目的,本发明提供的一种文本纠错方法,包括:
获取训练文本集,对所述训练文本集进行预设比例的近音词汇、近形词汇的替换,利用替换后的训练文本集对预构建的文本纠错模型进行字音编码、字形编码及语义编码的训练;
获取待纠错文本,利用完成训练的文本纠错模型提取所述待纠错文本中每个词汇的字音向量、字形向量以及语义向量,利用所述完成训练的文本纠错模型中的自注意力机制对所述字音向量、字形向量以及语义向量进行自注意力交互,得到音义交互向量及形义交互向量;
根据所述音义交互向量及所述形义交互向量计算所述待纠错文本中每个词汇与预设的候选词汇之间的概率值,选取概率值最大的候选词汇作为目标词汇;
利用所述目标词汇替换所述待纠错文本中与所述目标词汇对应的且与所述目标词汇不一致的词汇。
可选地,所述利用替换后的训练文本集对预构建的文本纠错模型进行字音编码、字形编码及语义编码的训练,包括:
将所述替换后的训练文本集中每个词汇与预设的词典库中的词汇进行匹配,得到所述每个词汇的真实字音向量、真实字形向量及真实语义向量;
利用所述预构建的文本纠错模型对所述每个词汇进行字音编码、字形编码及语义编码的预测,得到预测字音向量、预测字形向量及预测语义向量;
利用三元损失函数对所述预测字形向量中的近形词汇进行向量距离优化,使得近形词汇之间的向量距离大于非近形词汇之间的距离,得到目标字形向量;
分别利用预设的损失函数计算所述真实字音向量与所述预测字音向量之间的字音损失值,所述真实字形向量与所述目标字形向量之间的字形损失值及所述真实语义向量与所述预测语义向量之间的语义损失值;
将所述字音损失值、所述字形损失值及所述语义损失值相加得到总损失值,根据所述总损失值调整所述预构建的文本纠错模型的参数,直至所述总损失值小于预设损失阈值,完成所述文本纠错模型的字音编码、字形编码及语义编码训练。
可选地,利用如下公式计算所述真实字音向量与所述预测字音向量之间的字音损失值:
其中,Lpinyin为字音损失值,N为所述替换后的训练文本集中词汇的总数量,i为所述训练文本集中第i个词汇,为所述第i个词汇的预测字音向量,/>为所述第i个词汇的真实字音向量,|X表示所述/>与所述/>相等的概率。
可选地,所述根据所述总损失值调整所述文本纠错模型的参数,包括:
计算所述预构建的文本纠错模型中模型参数的梯度;
沿着所述梯度方向修正所述预构建的文本纠错模型的参数,直至所述总损失值小于预设损失阈值,得到目标损失参数;
利用所述目标参数对所述预构建的文本纠错模型中的参数进行更新。
可选地,所述利用所述完成训练的文本纠错模型中的自注意力机制对所述字音向量、字形向量以及语义向量进行自注意力交互,得到音义交互向量及形义交互向量,包括:
利用所述完成训练的文本纠错模型中的自注意力机制中的音形权重矩阵分别对所述字音向量及所述字形向量进行线性映射,得到所述字音向量的字音查询矩阵及所述字形向量的字形查询矩阵;
利用所述权重矩阵对所述语义向量进行线性映射,得到所述语义向量语义键矩阵及语义值矩阵;
对所述字音查询矩阵、所述语义键矩阵及所述语义值矩阵进行激活计算,得到所述音义交互向量,对所述字形查询矩阵、所述语义键矩阵及所述语义值矩阵进行激活计算,得到所述形义交互向量。
可选地,利用如下公式进行自注意力交互运算:
其中,Hsem-pinyin为所述音义交互向量,Hsem-glyph为所述形义交互向量,Qpinyin为所述字音查询矩阵,Qglyph为所述字形查询矩阵,为所述语义键的转置矩阵,/>为预设的降维参数,Vsem为所述语义向量的值矩阵。
可选地,所述根据所述音义交互向量及所述形义交互向量计算所述待纠错文本中每个词汇与预设的候选词汇之间的概率值,包括:
将所述待纠错文本中每个词汇对应的音义交互向量及形义交互向量进行拼接,得到每个所述词汇对应的目标交互向量;
利用预设维度的权重矩阵与所述目标交互向量相乘,得到多维交互向量;
将所述多维交互向量映射至预构建的候选词汇标签空间,得到所述多维交互向量中每一维交互向量对应的候选词汇标签;
对所述候选词汇标签进行激活计算,得到每个所述词汇与预设的候选词汇之间的概率值。
为了解决上述问题,本发明还提供一种文本纠错装置,所述装置包括:
编码训练模块,用于获取训练文本集,对所述训练文本集进行预设比例的近音词汇、近形词汇的替换,利用替换后的训练文本集对预构建的文本纠错模型进行字音编码、字形编码及语义编码的训练;
向量交互模块,用于获取待纠错文本,利用完成训练的文本纠错模型提取所述待纠错文本中每个词汇的字音向量、字形向量以及语义向量,利用所述完成训练的文本纠错模型中的自注意力机制对所述字音向量、字形向量以及语义向量进行自注意力交互,得到音义交互向量及形义交互向量;
目标词汇计算模块,用于根据所述音义交互向量及所述形义交互向量计算所述待纠错文本中每个词汇与预设的候选词汇之间的概率值,选取概率值最大的候选词汇作为目标词汇;
文本纠错模块,用于利用所述目标词汇替换所述待纠错文本中与所述目标词汇对应的且与所述目标词汇不一致的词汇。
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:
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上述所述的文本纠错方法。
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纠错方法。
本发明实施通过提取待纠错文本过中每个词汇的字音向量、字形向量以及语义向量,并对所述字音向量、字形向量以及语义向量进行自注意力交互,得同时表征字音特征与字义特征的音义交互向量和同时表征字形特征与字义特征的形义交互向量,实现了孤立的表示字音特征、字形特征以及语义特征的三种向量的融合,相较于利用单一字义特征或字音特征或字形特征,利用所述音义交互向量及所述形义交互向量计算所述待纠错文本中每个词汇的目标词汇,可以提升所述目标词汇的选择的准确性,进而提升了对所述待纠错文本纠错的准确性。因此本发明提出的文本纠错方法、装置、电子设备及计算机可读存储介质,可以解决智能医疗问诊中对用户产生的文本信息纠错的精确度较低的问题。
附图说明
图1为本发明一实施例提供的文本纠错方法的流程示意图;
图2为本发明一实施例提供的模型编码训练的流程示意图;
图3为本发明一实施例提供的计算候选词汇概率值的流程示意图;
图4为本发明一实施例提供的文本纠错装置的功能模块图;
图5为本发明一实施例提供的实现所述文本纠错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。
本申请实施例提供一种文本纠错方法。所述文本纠错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申请实施例提供的该方法的电子设备中的至少一种。换言之,所述文本纠错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纠错方法的流程示意图。
在本实施例中,所述文本纠错方法包括以下步骤S1-S4:
S1、获取训练文本集,对所述训练文本集进行预设比例的近音词汇、近形词汇的替换,利用替换后的训练文本集对预构建的文本纠错模型进行字音编码、字形编码及语义编码的训练;
本发明实施例中,所述训练文本集是在对大量用户历史输入的正确文本集以及需要进行文本纠错的文本集的基础上,再利用一定比例的近音、近形词汇随机替换句子中的词汇而形成的。其中,可利用具有数据抓取功能的计算机语言,从授权的智能医疗平台、系统或APP的数据存储区域,获取历史用户与智能医疗机器人的语音对话数据或文本对话数据,并对所述语音对话数据及所述文本对话数据进行文本转换、文本清理等处理得到所述用户历史输入的正确文本集及需要进行文本纠错的文本集。
本发明实施例中,根据替换后的所述训练文本集对所述文本纠错模型进行字音、字形、语义三个模态向量编码训练,以得到正确的字音、字形、语义向量,例如,所述近音词汇是指读音相近的词汇。例如利用“语”替换“与”,所述近形词汇是指在字形上相近的词汇,例如,利用“人”替换“入”,具体地,所述预设比例可以是5%的近音词汇以及5%的近形词汇。
本发明实施例中,所述预构建的文本纠错模型中包括自注意力机制的自然语言处理模型(Natural Language Processing,NLP),能够对文本中的内容进行纠错。
详细地,参阅图2所示,所述利用替换后的训练文本集对预构建的文本纠错模型进行字音编码、字形编码及语义编码的训练,包括以下步骤S21-S25:
S21、将所述替换后的训练文本集中每个词汇与预设的词典库中的词汇进行匹配,得到所述每个词汇的真实字音向量、真实字形向量及真实语义向量;
S22、利用所述预构建的文本纠错模型对所述每个词汇进行字音编码、字形编码及语义编码的预测,得到预测字音向量、预测字形向量及预测语义向量;
S23、利用三元损失函数对所述预测字形向量中的近形词汇进行向量距离优化,使得近形词汇之间的向量距离大于非近形词汇之间的距离,得到目标字形向量;
S24、分别利用预设的损失函数计算所述真实字音向量与所述预测字音向量之间的字音损失值,所述真实字形向量与所述目标字形向量之间的字形损失值及所述真实语义向量与所述预测语义向量之间的语义损失值;
S25、将所述字音损失值、所述字形损失值及所述语义损失值相加得到总损失值,根据所述总损失值调整所述预构建的文本纠错模型的参数,直至所述总损失值小于预设损失阈值,完成所述文本纠错模型的字音编码、字形编码及语义编码训练。
本发明实施例中,由于模型的字形和语义的表示向量的向量矩阵形状大小相同,字形和语义之间一一对应,模型有可能将字形预测和语义预测合为同一个任务,即在训练过程中语义向量和字形向量逐渐趋同,预测语义等同于预测字形,反之亦然,导致训练完成的模型无法提供字形和语义两个不同模态的信息,因此利用所述三元损失函数使得近形字之间的字形向量在空间位置上尽量远离,从而使得近形字之间的向量距离小于非近形字之间的距离,从而充分的获取语义及字形模态信息。
本发明实施例中,利用如下公式计算所述真实字音向量与所述预测字音向量之间的字音损失值:
其中,Lpinyin为字音损失值,N为所述替换后的训练文本集中词汇的总数量,i为所述训练文本集中第i个词汇,为所述第i个词汇的预测字音向量,/>为所述第i个词汇的真实字音向量,|X表示所述/>与所述/>相等的概率。
本发明另一可选实施例中可以利用上述公式计算所述字形损失值及语义损失值,在此不再赘述。
进一步地,所述根据所述总损失值调整所述文本纠错模型的参数,包括:
计算所述预构建的文本纠错模型中模型参数的梯度;
沿着所述梯度方向修正所述预构建的文本纠错模型的参数,直至所述总损失值小于预设损失阈值,得到目标参数;
利用所述目标参数对所述文本纠错模型中的参数进行更新。
本发明实施例通过对所述预构建的文本纠错模型的参数进行调整,能够得到总损失值最小时对应的模型参数,保障预测得到的每个词汇的字音向量、字形向量及语义向量最接近真实值,从而得到更精确的待纠错文本中每个词汇的字音向量、字形向量以及语义向量。
本发明实施例利用替换后的训练文本集对预构建的文本纠错模型进行训练,能够增加所述预构建的文本纠错模型的鲁棒性,得到预测更精确的文本纠错模型,从而提高后续文本纠错的准确度。
S2、获取待纠错文本,利用完成训练的文本纠错模型提取所述待纠错文本中每个词汇的字音向量、字形向量以及语义向量,利用所述完成训练的文本纠错模型中的自注意力机制对所述字音向量、字形向量以及语义向量进行自注意力交互,得到音义交互向量及形义交互向量;
本发明实施例中,所述待纠错文本可以为用户输入的需要进行纠错的文本,包括但不限于用户键入的搜索文本或从图片文件格式类型转换为文本的待纠错文本以及智能问诊时用户输入的症状文本。由于待纠错文本往往包含着字音或者字形相关的各种错误,会对后续的意图识别、文本相关度匹配等关键流程造成干扰,导致最终的结果偏离用户最初的意图,因此需要进行文本纠错,以提高结果的准确度尤其是智能问诊的准确度。
本发明实施例中,所述自注意力机制(Self-Attention)为一种普遍应用于自然语言处理的神经网络结构。通过所述自注意力机制将所述待纠错文本中各个词汇对应的字音向量、字形向量以及语义向量进行自注意力交互,可以学习到每个词汇的上下文信息。
详细地,所述利用所述完成训练的文本纠错模型中的自注意力机制对所述字音向量、字形向量以及语义向量进行自注意力交互,得到音义交互向量及形义交互向量,包括:
利用所述完成训练的文本纠错模型中的自注意力机制中的权重矩阵分别对所述字音向量及所述字形向量进行线性映射,得到所述字音向量的字音查询矩阵及所述字形向量的字形查询矩阵;
利用所述权重矩阵对所述语义向量进行线性映射,得到所述语义向量语义键矩阵及语义值矩阵;
对所述字音查询矩阵、所述语义键矩阵及所述语义值矩阵进行激活计算,得到所述音义交互向量,对所述字形查询矩阵、所述语义键矩阵及所述语义值矩阵进行激活计算,得到所述形义交互向量。
本发明实施例中,自注意力机制中中包括权重矩阵,进行线性映射后能够得到用于匹配的键(key)矩阵、用于查询的查询(query)矩阵以及用于被匹配的值(value)矩阵,本发明实施例中的音形查询矩阵即为查询矩阵,所述语义权重矩阵则包括键权重矩阵以及值权重矩阵。
详细地,本发明实施例中利用如下公式计算音义交互向量:
其中,Hsem-pinyin为音义交互向量,Qpinyin为所述字音查询矩阵,为所述语义键矩阵的转置矩阵,/>为预设的降维参数,Vsem为所述语义值矩阵。
本发明实施例中利用如下公式计算形义交互向量:
其中,Hsem-glyph为所述形义交互向量,Qglyph为所述字形查询矩阵,为所述语义键矩阵的转置矩阵,/>为预设的降维参数,Vsem为所述语义值矩阵。本发明实施例中,通过每个词汇不同模态的问题矩阵、键矩阵以及值矩阵,使得交互向量融合交汇了字音、字形、以及语义多模态的信息,实现了每个词汇的形义信息和音义信息的融合,能够提高后续待纠错文本候选词汇预测的准确度,从而提高待纠错文本的纠错准确度。
S3、根据所述音义交互向量及所述形义交互向量计算所述待纠错文本中每个词汇与预设的候选词汇之间的概率值,选取概率值最大的候选词汇作为目标词汇;
本发明实施例中,通过所述音义交互向量及所述形义交互向量能够将交互结果映射到所述预设的候选词汇对应的标签空间,再计算每个词汇标签对应的概率值,从而得到每个词汇的目标词汇。
详细地,参阅图3所示,所述根据所述音义交互向量及所述形义交互向量计算所述待纠错文本中每个词汇与预设的候选词汇之间的概率值,包括以下步骤S31-S34:
S31、将所述待纠错文本中每个词汇对应的音义交互向量及形义交互向量进行拼接,得到每个所述词汇对应的目标交互向量;
S32、利用预设维度的权重矩阵与所述目标交互向量相乘,得到多维交互向量;
S33、将所述多维交互向量映射的预构建的候选词汇标签空间,得到所述多维交互向量中每一维交互向量对应的候选词汇标签;
S34、对所述候选词汇标签进行激活计算,得到每个所述词汇与预设的候选词汇之间的概率值。
本发明实施例中,所述预设的候选词汇可以包括20000个词,则所述多维交互向量可以为20000维,每一维向量对应一个候选词汇的标签,对所述候选词汇标签进行激活计算,得到每个候选词汇的概率值,具体地,本发明实施例使用softmax激活函数对所述候选词汇标签进行激活计算。
本发明实施例中,通过所述音义交互向量及所述形义交互向量实现了每个词汇的多模态向量信息交互,使得目标候选词汇拥有除了在音、形、义独立模态信息以外的更丰富模态信息,从而能够提高目标候选词汇的预测准确度。
S4、利用所述目标词汇替换所述待纠错文本中与所述目标词汇对应的且与所述目标词汇不一致的词汇。
本发明实施例中,所述目标候选词汇即为所述待纠错文本中对应的词汇的正确词汇,因此在所述目标词汇与待纠错文本中对应的词汇不一致时,表示纠错文本中的词汇是错误词汇,需要进行纠错,利用所述目标词汇进行替换,得到正确的文本信息。
本发明实施例中,利用所述目标词汇对待纠错文本进行文本纠错,提高了目标词汇的准确度,从而得到更精确的目标词汇识别结果,有效地提升了对所述待纠错文本纠错的准确性。
本发明实施通过提取待纠错文本过中每个词汇的字音向量、字形向量以及语义向量,并对所述字音向量、字形向量以及语义向量进行自注意力交互,得同时表征字音特征与字义特征的音义交互向量和同时表征字形特征与字义特征的形义交互向量,实现了孤立的表示字音特征、字形特征以及语义特征的三种向量的融合,相较于利用单一字义特征或字音特征或字形特征,利用所述音义交互向量及所述形义交互向量计算所述待纠错文本中每个词汇的目标词汇,可以提升所述目标词汇的选择的准确性,进而提升了对所述待纠错文本纠错的准确性。因此本发明提出的文本纠错方法,可以解决智能医疗问诊中对用户产生的文本信息纠错的精确度较低的问题。
如图4所示,是本发明一实施例提供的文本纠错装置的功能模块图。
本发明所述文本纠错装置100可以安装于电子设备中。根据实现的功能,所述文本纠错装置100可以包括编码训练模块101、向量交互模块102、目标词汇计算模块103及文本纠错模块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:
所述编码训练模块101,用于获取训练文本集,对所述训练文本集进行预设比例的近音词汇、近形词汇的替换,利用替换后的训练文本集对预构建的文本纠错模型进行字音编码、字形编码及语义编码的训练;
所述向量交互模块102,用于获取待纠错文本,利用完成训练的文本纠错模型提取所述待纠错文本中每个词汇的字音向量、字形向量以及语义向量,利用所述完成训练的文本纠错模型中的自注意力机制对所述字音向量、字形向量以及语义向量进行自注意力交互,得到音义交互向量及形义交互向量;
所述目标词汇计算模块103,用于根据所述音义交互向量及所述形义交互向量计算所述待纠错文本中每个词汇与预设的候选词汇之间的概率值,选取概率值最大的候选词汇作为目标词汇;
所述文本纠错模块104,用于利用所述目标词汇替换所述待纠错文本中与所述目标词汇对应的且与所述目标词汇不一致的词汇。
详细地,本发明实施例中所述文本纠错装置100中所述的各模块在使用时采用与上述图1至图3中所述的文本纠错方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现文本纠错方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口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,如文本纠错程序。
其中,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(ControlUnit),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(例如执行文本纠错程序等),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(Secure Digital,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,例如文本纠错程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线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。
所述通信接口13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。
图中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,图中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。
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1中的所述存储器11存储的文本纠错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:
获取训练文本集,对所述训练文本集进行预设比例的近音词汇、近形词汇的替换,利用替换后的训练文本集对预构建的文本纠错模型进行字音编码、字形编码及语义编码的训练;
获取待纠错文本,利用完成训练的文本纠错模型提取所述待纠错文本中每个词汇的字音向量、字形向量以及语义向量;
获取待纠错文本,利用完成训练的文本纠错模型提取所述待纠错文本中每个词汇的字音向量、字形向量以及语义向量,利用所述完成训练的文本纠错模型中的自注意力机制对所述字音向量、字形向量以及语义向量进行自注意力交互,得到音义交互向量及形义交互向量;
根据所述音义交互向量及所述形义交互向量计算所述待纠错文本中每个词汇与预设的候选词汇之间的概率值,选取概率值最大的候选词汇作为目标词汇;
利用所述目标词汇替换所述待纠错文本中与所述目标词汇对应的且与所述目标词汇不一致的词汇。
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1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:
获取训练文本集,对所述训练文本集进行预设比例的近音词汇、近形词汇的替换,利用替换后的训练文本集对预构建的文本纠错模型进行字音编码、字形编码及语义编码的训练;
获取待纠错文本,利用完成训练的文本纠错模型提取所述待纠错文本中每个词汇的字音向量、字形向量以及语义向量,利用所述完成训练的文本纠错模型中的自注意力机制对所述字音向量、字形向量以及语义向量进行自注意力交互,得到音义交互向量及形义交互向量;
根据所述音义交互向量及所述形义交互向量计算所述待纠错文本中每个词汇与预设的候选词汇之间的概率值,选取概率值最大的候选词汇作为目标词汇;
利用所述目标词汇替换所述待纠错文本中与所述目标词汇对应的且与所述目标词汇不一致的词汇。
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。
本申请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。
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。第一、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)
1.一种文本纠错方法,其特征在于,所述方法包括:
获取训练文本集,对所述训练文本集进行预设比例的近音词汇、近形词汇的替换,利用替换后的训练文本集对预构建的文本纠错模型进行字音编码、字形编码及语义编码的训练;
获取待纠错文本,利用完成训练的文本纠错模型提取所述待纠错文本中每个词汇的字音向量、字形向量以及语义向量,利用所述完成训练的文本纠错模型中的自注意力机制对所述字音向量、字形向量以及语义向量进行自注意力交互,得到音义交互向量及形义交互向量;
根据所述音义交互向量及所述形义交互向量计算所述待纠错文本中每个词汇与预设的候选词汇之间的概率值,选取概率值最大的候选词汇作为目标词汇;
利用所述目标词汇替换所述待纠错文本中与所述目标词汇对应的且与所述目标词汇不一致的词汇。
2.如权利要求1所述的文本纠错方法,其特征在于,所述利用替换后的训练文本集对预构建的文本纠错模型进行字音编码、字形编码及语义编码的训练,包括:
将所述替换后的训练文本集中每个词汇与预设的词典库中的词汇进行匹配,得到所述每个词汇的真实字音向量、真实字形向量及真实语义向量;
利用所述预构建的文本纠错模型对所述每个词汇进行字音编码、字形编码及语义编码的预测,得到预测字音向量、预测字形向量及预测语义向量;
利用三元损失函数对所述预测字形向量中的近形词汇进行向量距离优化,使得近形词汇之间的向量距离大于非近形词汇之间的距离,得到目标字形向量;
分别利用预设的损失函数计算所述真实字音向量与所述预测字音向量之间的字音损失值,所述真实字形向量与所述目标字形向量之间的字形损失值及所述真实语义向量与所述预测语义向量之间的语义损失值;
将所述字音损失值、所述字形损失值及所述语义损失值相加得到总损失值,根据所述总损失值调整所述预构建的文本纠错模型的参数,直至所述总损失值小于预设损失阈值,完成所述文本纠错模型的字音编码、字形编码及语义编码训练。
3.如权利要求2所述的文本纠错方法,其特征在于,利用如下公式计算所述真实字音向量与所述预测字音向量之间的字音损失值:
其中,Lpinyin为字音损失值,N为所述替换后的训练文本集中词汇的总数量,i为所述训练文本集中第i个词汇,为所述第i个词汇的预测字音向量,/>为所述第i个词汇的真实字音向量,|X表示所述/>与所述/>相等的概率。
4.如权利要求2所述的文本纠错方法,其特征在于,所述根据所述总损失值调整所述文本纠错模型的参数,包括:
计算所述预构建的文本纠错模型中模型参数的梯度;
沿着所述梯度方向修正所述预构建的文本纠错模型的参数,直至所述总损失值小于预设损失阈值,得到目标参数;
利用所述目标参数对所述预构建的文本纠错模型中的参数进行更新。
5.如权利要求1所述的文本纠错方法,其特征在于,所述利用所述完成训练的文本纠错模型中的自注意力机制对所述字音向量、字形向量以及语义向量进行自注意力交互,得到音义交互向量及形义交互向量,包括:
利用所述完成训练的文本纠错模型中的自注意力机制中的音形权重矩阵分别对所述字音向量及所述字形向量进行线性映射,得到所述字音向量的字音查询矩阵及所述字形向量的字形查询矩阵;
利用所述权重矩阵对所述语义向量进行线性映射,得到所述语义向量的语义键矩阵及语义值矩阵;
对所述字音查询矩阵、所述语义键矩阵及所述语义值矩阵进行激活计算,得到所述音义交互向量,对所述字形查询矩阵、所述语义键矩阵及所述语义值矩阵进行激活计算,得到所述形义交互向量。
6.如权利要求5所述的文本纠错方法,其特征在于,利用如下公式进行自注意力交互运算:
其中,Hsem-pinyin为所述音义交互向量,Hsem-glyph为所述形义交互向量,Qpinyin为所述字音查询矩阵,Qglyph为所述字形查询矩阵,为所述语义键矩阵的转置矩阵,/>为预设的降维参数,Vsem为所述语义值矩阵。
7.如权利要求1所述的文本纠错方法,其特征在于,所述根据所述音义交互向量及所述形义交互向量计算所述待纠错文本中每个词汇与预设的候选词汇之间的概率值,包括:
将所述待纠错文本中每个词汇对应的音义交互向量及形义交互向量进行拼接,得到每个所述词汇对应的目标交互向量;
利用预设维度的权重矩阵与所述目标交互向量相乘,得到多维交互向量;
将所述多维交互向量映射至预构建的候选词汇标签空间,得到所述多维交互向量中每一维交互向量对应的候选词汇标签;
对所述候选词汇标签进行激活计算,得到每个所述词汇与预设的候选词汇之间的概率值。
8.一种文本纠错装置,其特征在于,所述装置包括:
编码训练模块,用于获取训练文本集,对所述训练文本集进行预设比例的近音词汇、近形词汇的替换,利用替换后的训练文本集对预构建的文本纠错模型进行字音编码、字形编码及语义编码的训练;
向量交互模块,用于获取待纠错文本,利用完成训练的文本纠错模型提取所述待纠错文本中每个词汇的字音向量、字形向量以及语义向量,利用所述完成训练的文本纠错模型中的自注意力机制对所述字音向量、字形向量以及语义向量进行自注意力交互,得到音义交互向量及形义交互向量;
目标词汇计算模块,用于根据所述音义交互向量及所述形义交互向量计算所述待纠错文本中每个词汇与预设的候选词汇之间的概率值,选取概率值最大的候选词汇作为目标词汇;
文本纠错模块,用于利用所述目标词汇替换所述待纠错文本中与所述目标词汇对应的且与所述目标词汇不一致的词汇。
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纠错方法。
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纠错方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310666036.2A CN116702761A (zh) | 2023-06-06 | 2023-06-06 | 文本纠错方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310666036.2A CN116702761A (zh) | 2023-06-06 | 2023-06-06 | 文本纠错方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116702761A true CN116702761A (zh) | 2023-09-05 |
Family
ID=87844557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310666036.2A Pending CN116702761A (zh) | 2023-06-06 | 2023-06-06 | 文本纠错方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702761A (zh) |
-
2023
- 2023-06-06 CN CN202310666036.2A patent/CN116702761A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022134759A1 (zh) | 关键词生成方法、装置、电子设备及计算机存储介质 | |
CN111814962B (zh) | 识别模型的参数获取方法、装置、电子设备及存储介质 | |
CN114822812A (zh) | 角色对话模拟方法、装置、设备及存储介质 | |
CN113807973B (zh) | 文本纠错方法、装置、电子设备及计算机可读存储介质 | |
CN113821622B (zh) | 基于人工智能的答案检索方法、装置、电子设备及介质 | |
CN113887930B (zh) | 问答机器人健康度评估方法、装置、设备及存储介质 | |
CN112988963A (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
CN114880449B (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
CN116821373A (zh) | 基于图谱的prompt推荐方法、装置、设备及介质 | |
CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
CN116881410A (zh) | 基于对话系统的人设一致方法、装置、电子设备及介质 | |
CN116341646A (zh) | Bert模型的预训练方法、装置、电子设备及存储介质 | |
CN116450829A (zh) | 医疗文本分类方法、装置、设备及介质 | |
CN116468025A (zh) | 电子病历结构化方法、装置、电子设备及存储介质 | |
CN116702761A (zh) | 文本纠错方法、装置、设备及存储介质 | |
CN115169330B (zh) | 中文文本纠错及验证方法、装置、设备及存储介质 | |
CN112632240B (zh) | 基于知识库导向的网络文本生成方法、装置及存储介质 | |
CN111680513B (zh) | 特征信息的识别方法、装置及计算机可读存储介质 | |
CN115146622B (zh) | 数据标注纠错方法、装置、电子设备及存储介质 | |
CN116431811A (zh) | 基于隐因子注意力机制意图识别方法、装置、设备及介质 | |
WO2022142019A1 (zh) | 基于智能机器人的问题分发方法、装置、电子设备及存储介质 | |
CN116665878A (zh) | 改善累计误差的智能问诊方法、装置、设备及存储介质 | |
CN116431810A (zh) | 剪枝范式的病症片段抽取方法、装置、设备及存储介质 | |
CN116451764A (zh) | 基于查询集合的实体识别模型训练方法、装置及设备 | |
CN116663503A (zh) | 基于自注意力权重图的句子纠错方法、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 |