WO2019196236A1 - 语义角色分析方法、可读存储介质、终端设备及装置 - Google Patents

语义角色分析方法、可读存储介质、终端设备及装置 Download PDF

Info

Publication number
WO2019196236A1
WO2019196236A1 PCT/CN2018/096258 CN2018096258W WO2019196236A1 WO 2019196236 A1 WO2019196236 A1 WO 2019196236A1 CN 2018096258 W CN2018096258 W CN 2018096258W WO 2019196236 A1 WO2019196236 A1 WO 2019196236A1
Authority
WO
WIPO (PCT)
Prior art keywords
participle
vector
speech
word
input matrix
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.)
Ceased
Application number
PCT/CN2018/096258
Other languages
English (en)
French (fr)
Inventor
张依
汪伟
肖京
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Publication of WO2019196236A1 publication Critical patent/WO2019196236A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • the present application belongs to the field of computer technology, and in particular, to a semantic role analysis method, a computer readable storage medium, a terminal device and a device.
  • the mainstream semantic role analysis research mainly focuses on the use of various machine learning techniques, using multiple linguistic features to identify and classify semantic roles.
  • the usual practice is to first use a neural network model to perform the participle of each participle. Determine, and then use a neural network model to determine the semantic role of each word segment. Because in the calculation process, the impact of the whole sentence on the word segmentation result needs to be considered in a single neural network model, the neural network model is often very complicated to construct. The calculation is huge and the efficiency is low.
  • the embodiments of the present application provide a semantic role analysis method, a computer readable storage medium, a terminal device, and a device, so as to solve the current semantic role analysis method, and the entire sentence is determined in a single neural network model.
  • neural network models are often constructed with very complex, computationally intensive and inefficient problems.
  • the first aspect of the embodiment of the present application provides a semantic role analysis method, which may include:
  • the second input matrix of each participle is input into a preset second neural network model to obtain a second output vector of each participle, and the second neural network model is a neural network model for performing reverse-sequence part-of-speech analysis;
  • the part-of-speech vector database is a recorded part of speech type a database of correspondences with part of speech vectors;
  • the third input matrix of each participle is input into a preset third neural network model to obtain a third output vector of each participle, and the third neural network model is a neural network model for performing positive sequence semantic role analysis;
  • the fourth input matrix of each participle is respectively input into a preset fourth neural network model to obtain a fourth output vector of each participle, and the fourth neural network model is a neural network model for performing reverse order semantic role analysis;
  • the semantic role type of each word segment is determined according to the third output vector and the fourth output vector of each participle.
  • a second aspect of embodiments of the present application provides a computer readable storage medium storing computer readable instructions that, when executed by a processor, implement the semantic role analysis method described above step.
  • a third aspect of embodiments of the present application provides a semantic role analysis terminal device including a memory, a processor, and computer readable instructions stored in the memory and executable on the processor, the processor executing The computer readable instructions implement the steps of the semantic role analysis method described above.
  • a fourth aspect of the embodiments of the present application provides a semantic role analysis apparatus, which may include a module for implementing the steps of the semantic role analysis method described above.
  • the embodiment of the present application splits the originally complicated neural network model into a relatively simple neural network model, and then comprehensively processes the output of each neural network model.
  • the embodiment of the present application splits the originally complicated neural network model into a relatively simple neural network model, and then comprehensively processes the output of each neural network model.
  • FIG. 1 is a flowchart of an embodiment of a semantic role analysis method according to an embodiment of the present application
  • FIG. 2 is a schematic flow chart of a processing procedure of a first neural network model
  • FIG. 3 is a schematic flow chart of a processing procedure of a second neural network model
  • FIG. 4 is a schematic flow chart of a processing procedure of a third neural network model
  • FIG. 5 is a schematic flow chart of a processing procedure of a fourth neural network model
  • FIG. 6 is a structural diagram of an embodiment of a semantic role analysis apparatus according to an embodiment of the present application.
  • FIG. 7 is a schematic block diagram of a semantic role analysis terminal device according to an embodiment of the present application.
  • an embodiment of a semantic role analysis method in an embodiment of the present application may include:
  • Step S101 performing word segmentation on the sentence text to obtain each word segment constituting the sentence text.
  • the word processing refers to dividing a sentence text into a single word, that is, each of the word segments.
  • the sentence text can be segmented according to the general dictionary to ensure that the words that are separated are normal words. If the words are not in the dictionary, the words are separated.
  • the current rear direction can be a word, for example, "require God”, it will be divided according to the size of the statistical word frequency. For example, if the word "required” is high, the word “requirement/god” will be separated. / Ask God.”
  • Step S102 Search for a word vector of each word segment in a preset word vector database, and respectively construct a first input matrix and a second input matrix of each word segment according to the word vector.
  • the word vector database is a database for recording a correspondence between words and word vectors, and the word vectors may be corresponding word vectors obtained by training words according to the word2vec model.
  • the first input matrix of each word segment can be separately constructed according to the following formula:
  • n is the serial number of the word segmentation in order of precedence, 1 ⁇ n ⁇ N, N is the total number of word segmentation of the sentence text, cl is the line number of the first input matrix, 1 ⁇ cl ⁇ CoupLen, CoupLen For a preset coupling length, wvl is the column number of the first input matrix, 1 ⁇ wvl ⁇ wVecLen, wVecLen is the length of the word vector of any one of the participles, and the word vector of the nth participle is WordVec n , and
  • WordVec n (WdVecEm n,1 , WdVecEm n,2 ,...,WdVecEm n,vl ,...,WdVecEm n,wVecLen ),
  • FwWdMatrix n is the first input matrix of the nth participle.
  • the second input matrix of each participle is constructed according to the following formula:
  • BkWdMatrix n is the second input matrix of the nth participle.
  • Step S103 the first input matrix of each word segment is separately input into a preset first neural network model, and a first output vector of each word segment is obtained.
  • the first neural network model is a neural network model for performing positive-sequence part-of-speech analysis, and the processing process of the first neural network model may specifically include the steps shown in FIG. 2:
  • step S1031 the first composite vector of each participle is calculated separately.
  • the first composite vector of each participle can be separately calculated according to the following formula:
  • FwWdCpVec n (FwWdCpEm n,1 , FwWdCpEm n,2 ,..., FwWdCpEm n,wvl ,...,FwWdCpEm n,wVecLen )
  • Ln is a natural logarithm function
  • tanh is a hyperbolic tangent function
  • FwWdWt wvl and FwWdWt' wvl are preset weight coefficients.
  • Step S1032 respectively calculating a first probability value of each part of speech type.
  • the first probability value of each part of speech type may be separately calculated according to the following formula:
  • n is the number of the part of speech type, 1 ⁇ m ⁇ M
  • M is the number of part of speech type
  • FwWdWtVec m is the preset weight vector corresponding to the mth part of speech type.
  • FwWdProb n,m is the first probability that the nth participle is the mth part of speech type.
  • step S1033 a first output vector of each participle is constructed.
  • the first output vector of each participle can be constructed according to the following formula:
  • FwWdVec n (FwWdProb n,1 , FwWdProb n,2 ,...,FwWdProb n,m ,...,FwWdProb n,M )
  • FwWdVec n is the first output vector of the nth participle.
  • Step S104 the second input matrix of each word segment is separately input into a preset second neural network model, and a second output vector of each word segment is obtained.
  • the second neural network model is a neural network model for performing reverse-sequence part-of-speech analysis, and the processing process of the second neural network model may specifically include the steps shown in FIG. 3:
  • step S1041 the second composite vector of each participle is calculated separately.
  • the second composite vector of each participle can be separately calculated according to the following formula:
  • BkWdCpVec n (BkWdCpEm n,1 , BkWdCpEm n,2 ,..., BkWdCpEm n,wvl ,..., BkWdCpEm n,wVecLen )
  • BkWdWt wvl and BkWdWt' wvl are preset weight coefficients.
  • Step S1042 respectively calculating a second probability value of each part of speech type.
  • the second probability value of each part of speech type may be separately calculated according to the following formula:
  • BkWdWtVec m is a preset weight vector corresponding to the mth part of speech type
  • BkWdProb n,m is a second probability value that the nth participle is the mth part of speech type.
  • Step S1043 constructing a second output vector of each participle.
  • the second output vector of each participle can be constructed according to the following formula:
  • BkWdVec n (BkWdProb n,1 , BkWdProb n,2 ,..., BkWdProb n,m ,...,BkWdProb n,M )
  • BkWdVec n is the second output vector of the nth participle.
  • Step S105 determining the part of speech type of each participle according to the first output vector and the second output vector of each participle.
  • the part-of-speech probability vector of each participle can be calculated according to the following formula:
  • WdProbVec n (WdProb n,1 , WdProb n,2 ,...,WdProb n,m ,...,WdProb n,M )
  • WdProb n, m ⁇ 1 * FwWdProb n, m + ⁇ 2 * BkWdProb n, m , ⁇ 1 , ⁇ 2 are preset weight coefficients, and WdProbVec n is the part-of-sense probability vector of the nth participle.
  • argmax is the largest independent variable function and CharSeq n is the part-of-speech type number of the nth participle. It is also determined that the part of speech type corresponding to the element having the largest value in the part-of-speech probability vector of the nth participle is determined as the part of speech type of the nth participle.
  • Step S106 Search for a part-of-speech vector corresponding to the part-of-speech type of each participle in the preset part-of-speech vector database, and construct a third input matrix and a fourth input matrix of each participle according to the part-of-speech vector respectively.
  • the part of speech vector database is a database for recording the correspondence between the part of speech type and the part of speech vector.
  • the part of speech vector is a vector form corresponding to each part of speech type, that is, the probability of occurrence of the part of speech type is represented according to context information of the part of speech type.
  • the training of part-of-speech vectors first expresses each part of speech type into a 0-1 vector (one-hot) form, and then performs model training, using the part of speech type of n-1 words to predict the part of speech type of the nth word, neural network
  • the intermediate process obtained after the model is predicted is used as a part of speech vector.
  • the one-hot vector of the part-of-speech type "noun” is set to [1, 0, 0, 0, ..., 0]
  • the one-hot vector of the part of speech type "adjective” is [0, 1, 0. ,0,...,0]
  • the one-hot vector of the part of speech type "verb” is [0,0,1,0,...,0]
  • the model is trained to generate a coefficient matrix W of the hidden layer
  • the product of the one-hot vector of each part of speech type and the coefficient matrix is the part of speech vector of the part of speech type, and the final form will be similar to "[ A multidimensional vector such as -0.11, 0.26, -0.03, ..., 0.71]".
  • the third input matrix of each word segment can be separately constructed according to the following formula:
  • n is the sequence number of the word segmentation in order of precedence, 1 ⁇ n ⁇ N, N is the total number of word segmentation of the sentence text, cl is the line number of the third input matrix, 1 ⁇ cl ⁇ CoupLen, CoupLen For a preset coupling length, cvl is the column number of the third input matrix, 1 ⁇ cvl ⁇ cVecLen, cVecLen is the length of the part of speech vector of any one of the participles, and the part of speech vector of the nth participle is CharVec n , and
  • CharVec n (CrVecEm n,1 ,CrVecEm n,2 ,...,CrVecEm n,cvl ,...,CrVecEm n,cVecLen ),
  • FwCrMatrix n is the third input matrix of the nth participle.
  • the fourth input matrix of each participle is constructed according to the following formula:
  • BkCrMatrix n is the fourth input matrix of the nth participle.
  • Step S107 the third input matrix of each participle is respectively input into a preset third neural network model, and a third output vector of each participle is obtained.
  • the third neural network model is a neural network model for performing positive sequence semantic role analysis, and the processing process of the third neural network model may specifically include the steps shown in FIG. 4:
  • Step S1071 respectively calculating a third composite vector of each participle.
  • the third composite vector of each participle can be separately calculated according to the following formula:
  • FwCrCpVec n (FwCrCpEm n,1 , FwCrCpEm n,2 , . . . , FwCrCpEm n, vl , . . . , FwCrCpEm n, cVecLen )
  • Ln is a natural logarithm function
  • tanh is a hyperbolic tangent function
  • FwCrWt cvl and FwCrWt' cvl are preset weight coefficients.
  • Step S1072 respectively calculating a first probability value of each semantic role type.
  • the first probability value of each semantic role type may be separately calculated according to the following formula:
  • l is the sequence number of the semantic role type, 1 ⁇ l ⁇ L, L is the number of semantic role types, and FwCrWtVec l is the preset weight vector corresponding to the first semantic role type.
  • FwCrProb n,l is the first probability that the nth participle is the first semantic role type.
  • step S1073 a third output vector of each participle is constructed.
  • the third output vector of each participle can be constructed according to the following formula:
  • FwCrVec n (FwCrProb n,1 , FwCrProb n,2 ,...,FwCrProb n,l ,...,FwCrProb n,L )
  • FwCrVec n is the third output vector of the nth participle.
  • Step S108 the fourth input matrix of each word segment is separately input into a preset fourth neural network model, and a fourth output vector of each word segment is obtained.
  • the fourth neural network model is a neural network model for performing reverse-sequence semantic role analysis, and the processing process of the third neural network model may specifically include the steps shown in FIG. 5:
  • step S1081 the fourth composite vector of each participle is calculated separately.
  • the fourth composite vector of each participle can be separately calculated according to the following formula:
  • BkCrCpVec n (BkCrCpEm n,1 , BkCrCpEm n,2 , . . . , BkCrCpEm n, cvl , . . . , BkCrCpEm n, cVecLen ), wherein
  • BkCrWt cvl and BkCrWt' cvl are preset weight coefficients.
  • Step S1082 respectively calculating a second probability value of each semantic role type.
  • the second probability value of each semantic role type may be separately calculated according to the following formula:
  • BkCrWtVec l is a preset weight vector corresponding to the first semantic role type
  • BkCrProb n, l is the second probability that the nth participle is the first semantic role type.
  • Step S1083 constructing a fourth output vector of each participle.
  • the fourth output vector of each participle can be constructed according to the following formula:
  • BkCrVec n (BkCrProb n,1 , BkCrProb n,2 ,...,BkCrProb n,l ,...,BkCrProb n,L )
  • BkCrVec n is the fourth output vector of the nth participle.
  • Step S109 determining a semantic role type of each word segment according to the third output vector and the fourth output vector of each participle.
  • semantic role probability vector of each word segment can be separately calculated according to the following formula:
  • CrProbVec n (CrProb n,1 ,CrProb n,2 ,...,CrProb n,l ,...,CrProb n,L )
  • CrProb n,l ⁇ 1 *FwCrProb n,l + ⁇ 2 *BkCrProb n,l , ⁇ 1 , ⁇ 2 are preset weight coefficients, and CrProbVec n is the semantic role probability vector of the nth participle.
  • argmax is the largest independent variable function and RoleSeq n is the semantic role type number of the nth participle. It is also determined that the semantic role type corresponding to the element with the largest value among the semantic role probability vectors of the nth participle is determined as the semantic role type of the nth participle. It is also determined that the semantic role type corresponding to the element with the largest value among the semantic role probability vectors of the nth participle is determined as the semantic role type of the nth participle.
  • the two embodiments of the present application use two neural network models for processing in the two most critical processes, and the previously complex neural network model is divided into relatively simple neural network models, and then The output of each neural network model is processed comprehensively to obtain the result. Due to the simplification of the neural network model structure, the calculation amount is greatly reduced, and the analysis efficiency is improved.
  • FIG. 6 is a structural diagram of an embodiment of a semantic role analysis apparatus provided by an embodiment of the present application.
  • a semantic role analysis apparatus may include:
  • the word processing module 601 is configured to perform word segmentation on the sentence text to obtain each word segment constituting the text of the sentence;
  • the word vector searching module 602 is configured to separately search for a word vector of each word segment in a preset word vector database, where the word vector database is a database for recording a correspondence between words and word vectors;
  • a word vector matrix construction module 603 configured to respectively construct a first input matrix and a second input matrix of each word segment according to the word vector;
  • the first processing module 604 is configured to input the first input matrix of each word segment into the preset first neural network model to obtain a first output vector of each word segment, where the first neural network model performs positive sequence word Analytical neural network model;
  • the second processing module 605 is configured to input the second input matrix of each participle into the preset second neural network model to obtain a second output vector of each participle, and the second neural network model is to perform reverse word analysis.
  • Neural network model
  • the part of speech type determining module 606 is configured to determine a part of speech type of each participle according to the first output vector and the second output vector of each participle;
  • the part of speech vector search module 607 is configured to search for a part of speech vector corresponding to the part of speech type of each participle in a preset part of speech vector database, where the part of speech vector database is a database for recording the correspondence between the part of speech type and the part of speech vector;
  • the part of speech vector matrix construction module 608 is configured to respectively construct a third input matrix and a fourth input matrix of each word segment according to the part of speech vector;
  • the third processing module 609 is configured to input the third input matrix of each word segment into the preset third neural network model to obtain a third output vector of each word segment, and the third neural network model performs positive sequence semantics Neural network model for role analysis;
  • the fourth processing module 610 is configured to input the fourth input matrix of each participle into a preset fourth neural network model to obtain a fourth output vector of each participle, and the fourth neural network model is to perform a reverse order semantic role.
  • Analytical neural network model ;
  • the semantic role type determining module 611 is configured to determine a semantic role type of each word segment according to the third output vector and the fourth output vector of each word segment.
  • the specific embodiment of the semantic role analysis device is substantially the same as the foregoing embodiments of the semantic role analysis method. Reference may be made to the related description in the foregoing method embodiments, and details are not described herein.
  • FIG. 7 is a schematic block diagram of a semantic role analysis terminal device provided by an embodiment of the present application. For convenience of description, only parts related to the embodiment of the present application are shown.
  • the semantic role analysis terminal device 7 may be a computing device such as a mobile phone, a tablet computer, a desktop computer, a notebook, a palmtop computer, and a cloud server.
  • the semantic role analysis terminal device 7 may include a processor 70, a memory 71, and computer readable instructions 72 stored in the memory 71 and executable on the processor 70, such as performing the semantic role analysis method described above.
  • the processor 70 executes the steps in the embodiments of the various semantic role analysis methods described above when the computer readable instructions 72 are executed.
  • the functional units in the various embodiments of the present application may be stored in a computer readable storage medium if implemented in the form of a software functional unit and sold or used as a separate product. Based on such understanding, the technical solution of the present application, in essence or the contribution to the prior art, or all or part of the technical solution may be embodied in the form of a software product stored in a storage medium.
  • a number of computer readable instructions are included to cause a computer device (which may be a personal computer, server, or network device, etc.) to perform all or part of the steps of the methods described in various embodiments of the present application.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Machine Translation (AREA)

Abstract

本申请属于计算机技术领域，尤其涉及一种语义角色分析方法、计算机可读存储介质、终端设备及装置。所述方法在进行词性分析的过程中，使用一个神经网络模型进行正序词性分析，而使用另一个神经网络模型进行逆序词性分析。在进行语义角色分析的过程中，使用一个神经网络模型进行正序语义角色分析，而使用另一个神经网络模型进行逆序语义角色分析。也即将原本较为复杂的神经网络模型拆分为相对简单的神经网络模型，再对各个神经网络模型的输出进行综合处理得到结果，由于神经网络模型结构的简化，大大减少了计算量，提升了分析效率。

Description

语义角色分析方法、可读存储介质、终端设备及装置
本申请要求于2018年4月9日提交中国专利局、申请号为201810309685.6、发明名称为“一种语义角色分析方法、计算机可读存储介质及终端设备”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请属于计算机技术领域，尤其涉及一种语义角色分析方法、计算机可读存储介质、终端设备及装置。
背景技术
目前，主流的语义角色分析研究主要集中于使用各种机器学习技术，利用多种语言学特征，进行了语义角色的识别和分类，通常的做法是首先使用一个神经网络模型进行各个分词的词性的确定，然后再通过一个神经网络模型进行各个分词的语义角色的确定，由于在计算过程中，需要在单个的神经网络模型中考虑整个语句对分词判定结果的影响，神经网络模型往往构造的非常复杂，计算量巨大，效率低下。
技术问题
有鉴于此，本申请实施例提供了一种语义角色分析方法、计算机可读存储介质、终端设备及装置，以解决目前的语义角色分析方法需要在单个的神经网络模型中考虑整个语句对分词判定结果的影响，神经网络模型往往构造的非常复杂，计算量巨大，效率低下的问题。
技术解决方案
本申请实施例的第一方面提供了一种语义角色分析方法，可以包括：
对语句文本进行切词处理，得到构成所述语句文本的各个分词；
在预设的词向量数据库中分别查找各个分词的词向量，并根据所述词向量分别构建各个分词的第一输入矩阵和第二输入矩阵，所述词向量数据库为记录词语与词向量之间的对应关系的数据库；
将各个分词的第一输入矩阵分别输入到预设的第一神经网络模型中，得到各个分词的第一输出向量，所述第一神经网络模型为进行正序词性分析的神经网络模型；
将各个分词的第二输入矩阵分别输入到预设的第二神经网络模型中，得到各个分词的第二输出向量，所述第二神经网络模型为进行逆序词性分析的神经网络模型；
根据各个分词的第一输出向量和第二输出向量确定各个分词的词性类型；
在预设的词性向量数据库中分别查找各个分词的词性类型对应的词性向量，并根据所述词性向量分别构建各个分词的第三输入矩阵和第四输入矩阵，所述词性向量数据库为记录词性类型与词性向量之间的对应关系的数据库；
将各个分词的第三输入矩阵分别输入到预设的第三神经网络模型中，得到各个分词的第三输出向量，所述第三神经网络模型为进行正序语义角色分析的神经网络模型；
将各个分词的第四输入矩阵分别输入到预设的第四神经网络模型中，得到各个分词的第四输出向量，所述第四神经网络模型为进行逆序语义角色分析的神经网络模型；
根据各个分词的第三输出向量和第四输出向量确定各个分词的语义角色类型。
本申请实施例的第二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可读指令，所述计算机可读指令被处理器执行时实现上述语义角色分析方法的步骤。
本申请实施例的第三方面提供了一种语义角色分析终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述语义角色分析方法的步骤。
本申请实施例的第四方面提供了一种语义角色分析装置，可以包括用于实现上述语义角色分析方法的步骤的模块。
有益效果
本申请实施例与现有技术相比存在的有益效果是：本申请实施例将原本较为复杂的神经网络模型拆分为相对简单的神经网络模型，再对各个神经网络模型的输出进行综合处理得到结果，由于神经网络模型结构的简化，大大减少了计算量，提升了分析效率。
附图说明
图1为本申请实施例中一种语义角色分析方法的一个实施例流程图；
图2为第一神经网络模型的处理过程的示意流程图；
图3为第二神经网络模型的处理过程的示意流程图；
图4为第三神经网络模型的处理过程的示意流程图；
图5为第四神经网络模型的处理过程的示意流程图；
图6为本申请实施例中一种语义角色分析装置的一个实施例结构图；
图7为本申请实施例中一种语义角色分析终端设备的示意框图。
本发明的实施方式
请参阅图1，本申请实施例中一种语义角色分析方法的一个实施例可以包括：
步骤S101，对语句文本进行切词处理，得到构成所述语句文本的各个分词。
切词处理是指将一个语句文本切分成一个一个单独的词，也即各个所述分词，在本实施例中，可以根据通用词典对语句文本进行切分，保证分出的词语都是正常词汇，如词语不在词典内则分出单字。当前后方向都可以成词时，例如“要求神”，会根据统计词频的大小划分，如“要求”词频高则分出“要求/神”，如“求神”词频高则分出“要/求神”。
步骤S102，在预设的词向量数据库中分别查找各个分词的词向量，并根据所述词向量分别构建各个分词的第一输入矩阵和第二输入矩阵。
所述词向量数据库为记录词语与词向量之间的对应关系的数据库，所述词向量可以是根据word2vec模型训练词语所得到对应的词向量。
具体地，可以根据下式分别构建各个分词的第一输入矩阵：
Figure PCTCN2018096258-appb-000001
其中，n为所述分词按照前后顺序依次排列的序号，1≤n≤N，N为所述语句文本的分词总数，cl为所述第一输入矩阵的行号，1≤cl≤CoupLen，CoupLen为预设的耦合长度，wvl为所述第一输入矩阵的列号，1≤wvl≤wVecLen，wVecLen为任意一个所述分词的词向量的长度，第n个分词的词向量为WordVec n，且
WordVec n＝(WdVecEm n,1,WdVecEm n,2,......,WdVecEm n,vl,......,WdVecEm n,wVecLen)，
Figure PCTCN2018096258-appb-000002
FwWdMatrix n为第n个分词的第一输入矩阵。
根据下式分别构建各个分词的第二输入矩阵：
Figure PCTCN2018096258-appb-000003
Figure PCTCN2018096258-appb-000004
BkWdMatrix n为第n个分词的第二输入矩阵。
步骤S103，将各个分词的第一输入矩阵分别输入到预设的第一神经网络模型中，得到各个分词的第一输出向量。
所述第一神经网络模型为进行正序词性分析的神经网络模型，所述第一神经网络模型的处理过程具体可以包括如图2所示的步骤：
步骤S1031，分别计算各个分词的第一复合向量。
具体地，可以根据下式分别计算各个分词的第一复合向量：
FwWdCpVec n＝(FwWdCpEm n,1,FwWdCpEm n,2,......,FwWdCpEm n,wvl,......,FwWdCpEm n,wVecLen)其中，
Figure PCTCN2018096258-appb-000005
ln为自然对数函数，tanh为双曲正切函数，FwWdWt wvl、FwWdWt′ wvl均为预设的权重系数。
步骤S1032，分别计算各个词性类型的第一概率值。
具体地，可以根据下式分别计算各个词性类型的第一概率值：
Figure PCTCN2018096258-appb-000006
其中，m为词性类型的序号，1≤m≤M，M为词性类型的个数，FwWdWtVec m为预设的与第m个词性类型对应的权值向量，
Figure PCTCN2018096258-appb-000007
FwWdProb n,m为第n个分词是第m个词性类型的第一概率值。
步骤S1033，构建各个分词的第一输出向量。
具体地，可以根据下式构建各个分词的第一输出向量：
FwWdVec n＝(FwWdProb n,1,FwWdProb n,2,......,FwWdProb n,m,......,FwWdProb n,M)
其中，FwWdVec n为第n个分词的第一输出向量。
步骤S104，将各个分词的第二输入矩阵分别输入到预设的第二神经网络模型中，得到各个分词的第二输出向量。
所述第二神经网络模型为进行逆序词性分析的神经网络模型，所述第二神经网络模型的处理过程具体可以包括如图3所示的步骤：
步骤S1041，分别计算各个分词的第二复合向量。
具体地，可以根据下式分别计算各个分词的第二复合向量：
BkWdCpVec n＝(BkWdCpEm n,1,BkWdCpEm n,2,......,BkWdCpEm n,wvl,......,BkWdCpEm n,wVecLen)其中，
Figure PCTCN2018096258-appb-000008
BkWdWt wvl、BkWdWt′ wvl均为预设的权重系数。
步骤S1042，分别计算各个词性类型的第二概率值。
具体地，可以根据下式分别计算各个词性类型的第二概率值：
Figure PCTCN2018096258-appb-000009
其中，BkWdWtVec m为预设的与第m个词性类型对应的权值向量，BkWdProb n,m为第n个分词是第m个词性类型的第二概率值。
步骤S1043，构建各个分词的第二输出向量。
具体地，可以根据下式构建各个分词的第二输出向量：
BkWdVec n＝(BkWdProb n,1,BkWdProb n,2,......,BkWdProb n,m,......,BkWdProb n,M)
其中，BkWdVec n为第n个分词的第二输出向量。
步骤S105，根据各个分词的第一输出向量和第二输出向量确定各个分词的词性类型。
具体地，可以根据下式分别计算各个分词的词性概率向量：
WdProbVec n＝(WdProb n,1,WdProb n,2,......,WdProb n,m,......,WdProb n,M)
其中，WdProb n,m＝η 1*FwWdProb n,m+η 2*BkWdProb n,m，η 1、η 2均为预设的权重系数，WdProbVec n为第n个分词的词性概率向量。
根据下式分别确定各个分词的词性类型：
CharSeq n＝argmax(WdProbVec n)
其中，argmax为最大自变量函数，CharSeq n为第n个分词的词性类型序号。也即将第n个分词的词性概率向量中取值最大的元素所对应的词性类型确定为第n个分词的词性类型。
步骤S106，在预设的词性向量数据库中分别查找各个分词的词性类型对应的词性向量，并根据所述词性向量分别构建各个分词的第三输入矩阵和第四输入矩阵。
所述词性向量数据库为记录词性类型与词性向量之间的对应关系的数据库。所述词性向量为各个词性类型所对应的向量形式，即根据词性类型的上下文信息来表示该词性类型出现的概率。词性向量的训练先将每个词性类型表示成一个0-1向量(one-hot)形式，再进行模型训练，用n-1个词的词性类型来预测第n个词的词性类型，神经网络模型预测后得到的中间过程作为词性向量。具体地，如词性类型“名词”的one-hot向量假设定为[1,0,0,0,……,0]，词性类型“形容词”的one-hot向量为[0,1,0,0,……,0]，词性类型“动词”的one-hot向量为[0,0,1,0,……,0],词性类型“副词”的向量[0,0,0,1,……,0]，模型经过训练会生成隐藏层的系数矩阵W，每个词性类型的one-hot向量和系数矩阵的乘积为该词性类型的词性向量，最后的形式将是类似于“[-0.11,0.26,-0.03,…...,0.71]”这样的一个多维向量。
具体地，可以根据下式分别构建各个分词的第三输入矩阵：
Figure PCTCN2018096258-appb-000010
其中，n为所述分词按照前后顺序依次排列的序号，1≤n≤N，N为所述语句文本的分词总数，cl为所述第三输入矩阵的行号，1≤cl≤CoupLen，CoupLen为预设的耦合长度，cvl为所述第三输入矩阵的列号，1≤cvl≤cVecLen，cVecLen为任意一个所述分词的词性向量的长度，第n个分词的词性向量为CharVec n，且
CharVec n＝(CrVecEm n,1,CrVecEm n,2,......,CrVecEm n,cvl,......,CrVecEm n,cVecLen)，
Figure PCTCN2018096258-appb-000011
FwCrMatrix n为第n个分词的第三输入矩阵。
根据下式分别构建各个分词的第四输入矩阵：
Figure PCTCN2018096258-appb-000012
Figure PCTCN2018096258-appb-000013
BkCrMatrix n为第n个分词的第四输入矩阵。
步骤S107，将各个分词的第三输入矩阵分别输入到预设的第三神经网络模型中，得到各个分词的第三输出向量。
所述第三神经网络模型为进行正序语义角色分析的神经网络模型，所述第三神经网络模型的处理过程具体可以包括如图4所示的步骤：
步骤S1071，分别计算各个分词的第三复合向量。
具体地，可以根据下式分别计算各个分词的第三复合向量：
FwCrCpVec n＝(FwCrCpEm n,1,FwCrCpEm n,2,......,FwCrCpEm n,vl,......,FwCrCpEm n,cVecLen)其中，
Figure PCTCN2018096258-appb-000014
ln为自然对数函数，tanh为双曲正切函数，FwCrWt cvl、FwCrWt′ cvl均为预设的权重系数。
步骤S1072，分别计算各个语义角色类型的第一概率值。
具体地，可以根据下式分别计算各个语义角色类型的第一概率值：
Figure PCTCN2018096258-appb-000015
其中，l为语义角色类型的序号，1≤l≤L，L为语义角色类型的个数，FwCrWtVec l为预设的与第l个语义角色类型对应的权值向量，
Figure PCTCN2018096258-appb-000016
FwCrProb n,l为第n个分词是第l个语义角色类型的第一概率值。
步骤S1073，构建各个分词的第三输出向量。
具体地，可以根据下式构建各个分词的第三输出向量：
FwCrVec n＝(FwCrProb n,1,FwCrProb n,2,......,FwCrProb n,l,......,FwCrProb n,L)
其中，FwCrVec n为第n个分词的第三输出向量。
步骤S108，将各个分词的第四输入矩阵分别输入到预设的第四神经网络模型中，得到各个分词的第四输出向量。
所述第四神经网络模型为进行逆序语义角色分析的神经网络模型，所述第三神经网络模型的处理过程具体可以包括如图5所示的步骤：
步骤S1081，分别计算各个分词的第四复合向量。
具体地，可以根据下式分别计算各个分词的第四复合向量：
BkCrCpVec n＝(BkCrCpEm n,1,BkCrCpEm n,2,......,BkCrCpEm n,cvl,......,BkCrCpEm n,cVecLen)，其中，
Figure PCTCN2018096258-appb-000017
BkCrWt cvl、BkCrWt′ cvl均为预设的权重系数。
步骤S1082，分别计算各个语义角色类型的第二概率值。
具体地，可以根据下式分别计算各个语义角色类型的第二概率值：
Figure PCTCN2018096258-appb-000018
其中，BkCrWtVec l为预设的与第l个语义角色类型对应的权值向量，BkCrProb n,l为第n个分 词是第l个语义角色类型的第二概率值。
步骤S1083，构建各个分词的第四输出向量。
具体地，可以根据下式构建各个分词的第四输出向量：
BkCrVec n＝(BkCrProb n,1,BkCrProb n,2,......,BkCrProb n,l,......,BkCrProb n,L)
其中，BkCrVec n为第n个分词的第四输出向量。
步骤S109，根据各个分词的第三输出向量和第四输出向量确定各个分词的语义角色类型。
具体地，可以根据下式分别计算各个分词的语义角色概率向量：
CrProbVec n＝(CrProb n,1,CrProb n,2,......,CrProb n,l,......,CrProb n,L)
其中，CrProb n,l＝ξ 1*FwCrProb n,l+ξ 2*BkCrProb n,l，ξ 1、ξ 2均为预设的权重系数，CrProbVec n为第n个分词的语义角色概率向量。
根据下式分别确定各个分词的语义角色类型：
RoleSeq n＝argmax(CrProbVec n)
其中，argmax为最大自变量函数，RoleSeq n为第n个分词的语义角色类型序号。也即将第n个分词的语义角色概率向量中取值最大的元素所对应的语义角色类型确定为第n个分词的语义角色类型。也即将第n个分词的语义角色概率向量中取值最大的元素所对应的语义角色类型确定为第n个分词的语义角色类型。
综上所述，本申请实施例在两个最关键的处理过程中，都采用了两个神经网络模型进行处理，将原本较为复杂的神经网络模型拆分为相对简单的神经网络模型，再对各个神经网络模型的输出进行综合处理得到结果，由于神经网络模型结构的简化，大大减少了计算量，提升了分析效率。
对应于上文实施例所述的一种语义角色分析方法，图6示出了本申请实施例提供的一种语义角色分析装置的一个实施例结构图。
本实施例中，一种语义角色分析装置可以包括：
切词处理模块601，用于对语句文本进行切词处理，得到构成所述语句文本的各个分词；
词向量查找模块602，用于在预设的词向量数据库中分别查找各个分词的词向量，所述词向量数据库为记录词语与词向量之间的对应关系的数据库；
词向量矩阵构建模块603，用于根据所述词向量分别构建各个分词的第一输入矩阵和第二输入矩阵；
第一处理模块604，用于将各个分词的第一输入矩阵分别输入到预设的第一神经网络模型中，得到各个分词的第一输出向量，所述第一神经网络模型为进行正序词性分析的神经网络模型；
第二处理模块605，用于将各个分词的第二输入矩阵分别输入到预设的第二神经网络模型中，得到各个分词的第二输出向量，所述第二神经网络模型为进行逆序词性分析的神经网络模型；
词性类型确定模块606，用于根据各个分词的第一输出向量和第二输出向量确定各个分词的词性类型；
词性向量查找模块607，用于在预设的词性向量数据库中分别查找各个分词的词性类型对应的词性向量，所述词性向量数据库为记录词性类型与词性向量之间的对应关系的数据库；
词性向量矩阵构建模块608，用于根据所述词性向量分别构建各个分词的第三输入矩阵和第四输入矩阵；
第三处理模块609，用于将各个分词的第三输入矩阵分别输入到预设的第三神经网络模型中，得到各个分词的第三输出向量，所述第三神经网络模型为进行正序语义角色分析的神经网络模型；
第四处理模块610，用于将各个分词的第四输入矩阵分别输入到预设的第四神经网络模型中，得到各个分词的第四输出向量，所述第四神经网络模型为进行逆序语义角色分析的神经网络模型；
语义角色类型确定模块611，用于根据各个分词的第三输出向量和第四输出向量确定各个分词的语义角色类型。
所述语义角色分析装置的具体实施例与上述语义角色分析方法各实施例基本相同，可以参考前述方法实施例中的相关描述，在此不作赘述。
图7示出了本申请实施例提供的一种语义角色分析终端设备的示意框图，为了便于说明，仅示出了与本申请实施例相关的部分。
在本实施例中，所述语义角色分析终端设备7可以是手机、平板电脑、桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该语义角色分析终端设备7可包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机可读指令72，例如执行上述的语义角色分析方法的计算机可读指令。所述处理器70执行所述计算机可读指令72时实现上述各个语义角色分析方法实施例中的步骤。
在本申请各个实施例中的各功能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。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干计算机可读指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。

Claims (20)

  1. 一种语义角色分析方法，其特征在于，包括：
    对语句文本进行切词处理，得到构成所述语句文本的各个分词；
    在预设的词向量数据库中分别查找各个分词的词向量，并根据所述词向量分别构建各个分词的第一输入矩阵和第二输入矩阵，所述词向量数据库为记录词语与词向量之间的对应关系的数据库；
    将各个分词的第一输入矩阵分别输入到预设的第一神经网络模型中，得到各个分词的第一输出向量，所述第一神经网络模型为进行正序词性分析的神经网络模型；
    将各个分词的第二输入矩阵分别输入到预设的第二神经网络模型中，得到各个分词的第二输出向量，所述第二神经网络模型为进行逆序词性分析的神经网络模型；
    根据各个分词的第一输出向量和第二输出向量确定各个分词的词性类型；
    在预设的词性向量数据库中分别查找各个分词的词性类型对应的词性向量，并根据所述词性向量分别构建各个分词的第三输入矩阵和第四输入矩阵，所述词性向量数据库为记录词性类型与词性向量之间的对应关系的数据库；
    将各个分词的第三输入矩阵分别输入到预设的第三神经网络模型中，得到各个分词的第三输出向量，所述第三神经网络模型为进行正序语义角色分析的神经网络模型；
    将各个分词的第四输入矩阵分别输入到预设的第四神经网络模型中，得到各个分词的第四输出向量，所述第四神经网络模型为进行逆序语义角色分析的神经网络模型；
    根据各个分词的第三输出向量和第四输出向量确定各个分词的语义角色类型。
  2. 根据权利要求1所述的语义角色分析方法，其特征在于，所述根据所述词向量分别构建各个分词的第一输入矩阵和第二输入矩阵包括：
    根据下式分别构建各个分词的第一输入矩阵：
    Figure PCTCN2018096258-appb-100001
    其中，n为所述分词按照前后顺序依次排列的序号，1≤n≤N，N为所述语句文本的分词总数，cl为所述第一输入矩阵的行号，1≤cl≤CoupLen，CoupLen为预设的耦合长度，wvl为所述第一输入矩阵的列号，1≤wvl≤wVecLen，wVecLen为任意一个所述分词的词向量的长度，第n个分词的词向量为WordVec n，且
    WordVec n＝(WdVecEm n,1,WdVecEm n,2,......,WdVecEm n,vl,......,WdVecEm n,wVecLen)，
    Figure PCTCN2018096258-appb-100002
    FwWdMatrix n为第n个分词的第一输入矩阵；
    根据下式分别构建各个分词的第二输入矩阵：
    Figure PCTCN2018096258-appb-100003
    Figure PCTCN2018096258-appb-100004
    BkWdMatrix n为第n个分词的第二输入矩阵。
  3. 根据权利要求2所述的语义角色分析方法，其特征在于，所述第一神经网络模型的处理过程包括：
    根据下式分别计算各个分词的第一复合向量：
    FwWdCpVec n＝(FwWdCpEm n,1,FwWdCpEm n,2,......,FwWdCpEm n,wvl,......,FwWdCpEm n,wVecLen)其中，
    Figure PCTCN2018096258-appb-100005
    ln为自然对数函数，tanh为双曲正切函数，FwWdWt wvl、FwWdWt′ wvl均为预设的权重系数；
    根据下式分别计算各个词性类型的第一概率值：
    Figure PCTCN2018096258-appb-100006
    其中，m为词性类型的序号，1≤m≤M，M为词性类型的个数，FwWdWtVec m为预设的与第m个词性类型对应的权值向量，
    Figure PCTCN2018096258-appb-100007
    FwWdProb n,m为第n个分词是第m个词性类型的第一概率值；
    根据下式构建各个分词的第一输出向量：
    FwWdVec n＝(FwWdProb n,1,FwWdProb n,2,......,FwWdProb n,m,......,FwWdProb n,M)
    其中，FwWdVec n为第n个分词的第一输出向量；
    所述第二神经网络模型的处理过程包括：
    根据下式分别计算各个分词的第二复合向量：
    BkWdCpVec n＝(BkWdCpEm n,1,BkWdCpEm n,2,......,BkWdCpEm n,wvl,......,BkWdCpEm n,wVecLen)其中，
    Figure PCTCN2018096258-appb-100008
    BkWdWt wvl、BkWdWt′ wvl均为预设的权重系数；
    根据下式分别计算各个词性类型的第二概率值：
    Figure PCTCN2018096258-appb-100009
    其中，BkWdWtVec m为预设的与第m个词性类型对应的权值向量，BkWdProb n,m为第n个分词是第m个词性类型的第二概率值；
    根据下式构建各个分词的第二输出向量：
    BkWdVec n＝(BkWdProb n,1,BkWdProb n,2,......,BkWdProb n,m,......,BkWdProb n,M)
    其中，BkWdVec n为第n个分词的第二输出向量。
  4. 根据权利要求3所述的语义角色分析方法，其特征在于，所述根据各个分词的第一输出向量和第二输出向量确定各个分词的词性类型包括：
    根据下式分别计算各个分词的词性概率向量：
    WdProbVec n＝(WdProb n,1,WdProb n,2,......,WdProb n,m,......,WdProb n,M)
    其中，WdProb n,m＝η 1*FwWdProb n,m+η 2*BkWdProb n,m，η 1、η 2均为预设的权重系数， WdProbVec n为第n个分词的词性概率向量；
    根据下式分别确定各个分词的词性类型：
    CharSeq n＝arg max(WdProbVec n)
    其中，arg max为最大自变量函数，CharSeq n为第n个分词的词性类型序号。
  5. 根据权利要求1所述的语义角色分析方法，其特征在于，所述根据所述词性向量分别构建各个分词的第三输入矩阵和第四输入矩阵包括：
    根据下式分别构建各个分词的第三输入矩阵：
    Figure PCTCN2018096258-appb-100010
    其中，n为所述分词按照前后顺序依次排列的序号，1≤n≤N，N为所述语句文本的分词总数，cl为所述第三输入矩阵的行号，1≤cl≤CoupLen，CoupLen为预设的耦合长度，cvl为所述第三输入矩阵的列号，1≤cvl≤cVecLen，cVecLen为任意一个所述分词的词性向量的长度，第n个分词的词性向量为CharVec n，且
    CharVec n＝(CrVecEm n,1,CrVecEm n,2,......,CrVecEm n,cvl,......,CrVecEm n,cVecLen)，
    Figure PCTCN2018096258-appb-100011
    FwCrMatrix n为第n个分词的第三输入矩阵；
    根据下式分别构建各个分词的第四输入矩阵：
    Figure PCTCN2018096258-appb-100012
    Figure PCTCN2018096258-appb-100013
    BkCrMatrix n为第n个分词的第四输入矩阵。
  6. 根据权利要求5所述的语义角色分析方法，其特征在于，所述第三神经网络模型的处理过程包括：
    根据下式分别计算各个分词的第三复合向量：
    FwCrCpVec n＝(FwCrCpEm n,1,FwCrCpEm n,2,......,FwCrCpEm n,vl,......,FwCrCpEm n,cVecLen)其中，
    Figure PCTCN2018096258-appb-100014
    ln为自然对数函数，tanh为双曲正切函数，FwCrWt cvl、FwCrWt′ cvl均为预设的权重系数；
    根据下式分别计算各个语义角色类型的第一概率值：
    Figure PCTCN2018096258-appb-100015
    其中，l为语义角色类型的序号，1≤l≤L，L为语义角色类型的个数，FwCrWtVec l为预设的与第l个语义角色类型对应的权值向量，
    Figure PCTCN2018096258-appb-100016
    FwCrProb n,l为第n个分词是第l个语义角色类型的第一概率值；
    根据下式构建各个分词的第三输出向量：
    FwCrVec n＝(FwCrProb n,1,FwCrProb n,2,......,FwCrProb n,l,......,FwCrProb n,L)
    其中，FwCrVec n为第n个分词的第三输出向量；
    所述第四神经网络模型的处理过程包括：
    根据下式分别计算各个分词的第四复合向量：
    BkCrCpVec n＝(BkCrCpEm n,1,BkCrCpEm n,2,......,BkCrCpEm n,cvl,......,BkCrCpEm n,cVecLen)其中，
    Figure PCTCN2018096258-appb-100017
    BkCrWt cvl、BkCrWt′ cvl均为预设的权重系数；
    根据下式分别计算各个语义角色类型的第二概率值：
    Figure PCTCN2018096258-appb-100018
    其中，BkCrWtVec l为预设的与第l个语义角色类型对应的权值向量，BkCrProb n,l为第n个分词是第l个语义角色类型的第二概率值；
    根据下式构建各个分词的第四输出向量：
    BkCrVec n＝(BkCrProb n,1,BkCrProb n,2,......,BkCrProb n,l,......,BkCrProb n,L)
    其中，BkCrVec n为第n个分词的第四输出向量。
  7. 根据权利要求6所述的语义角色分析方法，其特征在于，所述根据各个分词的第三输出向量和第四输出向量确定各个分词的语义角色类型包括：
    根据下式分别计算各个分词的语义角色概率向量：
    CrProbVec n＝(CrProb n,1,CrProb n,2,......,CrProb n,l,......,CrProb n,L)
    其中，CrProb n,l＝ξ 1*FwCrProb n,l+ξ 2*BkCrProb n,l，ξ 1、ξ 2均为预设的权重系数，CrProbVec n为第n个分词的语义角色概率向量；
    根据下式分别确定各个分词的语义角色类型：
    RoleSeq n＝arg max(CrProbVec n)
    其中，arg max为最大自变量函数，RoleSeq n为第n个分词的语义角色类型序号。
  8. 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可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如下步骤：
    对语句文本进行切词处理，得到构成所述语句文本的各个分词；
    在预设的词向量数据库中分别查找各个分词的词向量，并根据所述词向量分别构建各个分词的第一输入矩阵和第二输入矩阵，所述词向量数据库为记录词语与词向量之间的对应关系的数据库；
    将各个分词的第一输入矩阵分别输入到预设的第一神经网络模型中，得到各个分词的第一输出向量，所述第一神经网络模型为进行正序词性分析的神经网络模型；
    将各个分词的第二输入矩阵分别输入到预设的第二神经网络模型中，得到各个分词的第二输出向量，所述第二神经网络模型为进行逆序词性分析的神经网络模型；
    根据各个分词的第一输出向量和第二输出向量确定各个分词的词性类型；
    在预设的词性向量数据库中分别查找各个分词的词性类型对应的词性向量，并根据所述词性向量分别构建各个分词的第三输入矩阵和第四输入矩阵，所述词性向量数据库为记录词性类型与词性向量之间的对应关系的数据库；
    将各个分词的第三输入矩阵分别输入到预设的第三神经网络模型中，得到各个分词的第三输出向量，所述第三神经网络模型为进行正序语义角色分析的神经网络模型；
    将各个分词的第四输入矩阵分别输入到预设的第四神经网络模型中，得到各个分词的第四输出向量，所述第四神经网络模型为进行逆序语义角色分析的神经网络模型；
    根据各个分词的第三输出向量和第四输出向量确定各个分词的语义角色类型。
  9. 根据权利要求8所述的计算机可读存储介质，其特征在于，所述根据所述词向量分别构建各个分词的第一输入矩阵和第二输入矩阵包括：
    根据下式分别构建各个分词的第一输入矩阵：
    Figure PCTCN2018096258-appb-100019
    其中，n为所述分词按照前后顺序依次排列的序号，1≤n≤N，N为所述语句文本的分词总数，cl为所述第一输入矩阵的行号，1≤cl≤CoupLen，CoupLen为预设的耦合长度，wvl为所述第一输入矩阵的列号，1≤wvl≤wVecLen，wVecLen为任意一个所述分词的词向量的长度，第n个分词的词向量为WordVec n，且
    WordVec n＝(WdVecEm n,1,WdVecEm n,2,......,WdVecEm n,vl,......,WdVecEm n,wVecLen)，
    Figure PCTCN2018096258-appb-100020
    FwWdMatrix n为第n个分词的第一输入矩阵；
    根据下式分别构建各个分词的第二输入矩阵：
    Figure PCTCN2018096258-appb-100021
    Figure PCTCN2018096258-appb-100022
    BkWdMatrix n为第n个分词的第二输入矩阵。
  10. 根据权利要求9所述的计算机可读存储介质，其特征在于，所述第一神经网络模型的处理过程包括：
    根据下式分别计算各个分词的第一复合向量：
    FwWdCpVec n＝(FwWdCpEm n,1,FwWdCpEm n,2,......,FwWdCpEm n,wvl,......,FwWdCpEm n,wVecLen)其中，
    Figure PCTCN2018096258-appb-100023
    ln为自然对数函数，tanh为双曲正切函数，FwWdWt wvl、FwWdWt′ wvl均为预设的权重系数；
    根据下式分别计算各个词性类型的第一概率值：
    Figure PCTCN2018096258-appb-100024
    其中，m为词性类型的序号，1≤m≤M，M为词性类型的个数，FwWdWtVec m为预设的与第m个词性类型对应的权值向量，
    Figure PCTCN2018096258-appb-100025
    FwWdProb n,m为第n个分词是第m个词性类型的第一概率值；
    根据下式构建各个分词的第一输出向量：
    FwWdVec n＝(FwWdProb n,1,FwWdProb n,2,......,FwWdProb n,m,......,FwWdProb n,M)
    其中，FwWdVec n为第n个分词的第一输出向量；
    所述第二神经网络模型的处理过程包括：
    根据下式分别计算各个分词的第二复合向量：
    BkWdCpVec n＝(BkWdCpEm n,1,BkWdCpEm n,2,......,BkWdCpEm n,wvl,......,BkWdCpEm n,wVecLen)其中，
    Figure PCTCN2018096258-appb-100026
    BkWdWt wvl、BkWdWt′ wvl均为预设的权重系数；
    根据下式分别计算各个词性类型的第二概率值：
    Figure PCTCN2018096258-appb-100027
    其中，BkWdWtVec m为预设的与第m个词性类型对应的权值向量，BkWdProb n,m为第n个分词是第m个词性类型的第二概率值；
    根据下式构建各个分词的第二输出向量：
    BkWdVec n＝(BkWdProb n,1,BkWdProb n,2,......,BkWdProb n,m,......,BkWdProb n,M)
    其中，BkWdVec n为第n个分词的第二输出向量。
  11. 一种语义角色分析终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如下步骤：
    对语句文本进行切词处理，得到构成所述语句文本的各个分词；
    在预设的词向量数据库中分别查找各个分词的词向量，并根据所述词向量分别构建各个分词的第一输入矩阵和第二输入矩阵，所述词向量数据库为记录词语与词向量之间的对应关系的数据库；
    将各个分词的第一输入矩阵分别输入到预设的第一神经网络模型中，得到各个分词的第一输出向量，所述第一神经网络模型为进行正序词性分析的神经网络模型；
    将各个分词的第二输入矩阵分别输入到预设的第二神经网络模型中，得到各个分词的第二输出向量，所述第二神经网络模型为进行逆序词性分析的神经网络模型；
    根据各个分词的第一输出向量和第二输出向量确定各个分词的词性类型；
    在预设的词性向量数据库中分别查找各个分词的词性类型对应的词性向量，并根据所述词性向量分别构建各个分词的第三输入矩阵和第四输入矩阵，所述词性向量数据库为记录词性类型与词性向量之间的对应关系的数据库；
    将各个分词的第三输入矩阵分别输入到预设的第三神经网络模型中，得到各个分词的第三输出向量，所述第三神经网络模型为进行正序语义角色分析的神经网络模型；
    将各个分词的第四输入矩阵分别输入到预设的第四神经网络模型中，得到各个分词的第四输出向量，所述第四神经网络模型为进行逆序语义角色分析的神经网络模型；
    根据各个分词的第三输出向量和第四输出向量确定各个分词的语义角色类型。
  12. 根据权利要求11所述的语义角色分析终端设备，其特征在于，所述根据所述词向量分别构建各个分词的第一输入矩阵和第二输入矩阵包括：
    根据下式分别构建各个分词的第一输入矩阵：
    Figure PCTCN2018096258-appb-100028
    其中，n为所述分词按照前后顺序依次排列的序号，1≤n≤N，N为所述语句文本的分词总数，cl为所述第一输入矩阵的行号，1≤cl≤CoupLen，CoupLen为预设的耦合长度，wvl为所述第一输入矩阵的列号，1≤wvl≤wVecLen，wVecLen为任意一个所述分词的词向量的长度，第n个分词的词向量为WordVec n，且
    WordVec n＝(WdVecEm n,1,WdVecEm n,2,......,WdVecEm n,vl,......,WdVecEm n,wVecLen)，
    Figure PCTCN2018096258-appb-100029
    FwWdMatrix n为第n个分词的第一输入矩阵；
    根据下式分别构建各个分词的第二输入矩阵：
    Figure PCTCN2018096258-appb-100030
    Figure PCTCN2018096258-appb-100031
    BkWdMatrix n为第n个分词的第二输入矩阵。
  13. 根据权利要求12所述的语义角色分析终端设备，其特征在于，所述第一神经网络模型的处理过程包括：
    根据下式分别计算各个分词的第一复合向量：
    FwWdCpVec n＝(FwWdCpEm n,1,FwWdCpEm n,2,......,FwWdCpEm n,wvl,......,FwWdCpEm n,wVecLen)其中，
    Figure PCTCN2018096258-appb-100032
    ln为自然对数函数，tanh为双曲正切函数，FwWdWt wvl、FwWdWt′ wvl均为预设的权重系数；
    根据下式分别计算各个词性类型的第一概率值：
    Figure PCTCN2018096258-appb-100033
    其中，m为词性类型的序号，1≤m≤M，M为词性类型的个数，FwWdWtVec m为预设的与第m个词性类型对应的权值向量，
    Figure PCTCN2018096258-appb-100034
    FwWdProb n,m为第n个分词是第m个词性类型的第一概率值；
    根据下式构建各个分词的第一输出向量：
    FwWdVec n＝(FwWdProb n,1,FwWdProb n,2,......,FwWdProb n,m,......,FwWdProb n,M)
    其中，FwWdVec n为第n个分词的第一输出向量；
    所述第二神经网络模型的处理过程包括：
    根据下式分别计算各个分词的第二复合向量：
    BkWdCpVec n＝(BkWdCpEm n,1,BkWdCpEm n,2,......,BkWdCpEm n,wvl,......,BkWdCpEm n,wVecLen)其中，
    Figure PCTCN2018096258-appb-100035
    BkWdWt wvl、BkWdWt′ wvl均为预设的权重系数；
    根据下式分别计算各个词性类型的第二概率值：
    Figure PCTCN2018096258-appb-100036
    其中，BkWdWtVec m为预设的与第m个词性类型对应的权值向量，BkWdProb n,m为第n个分词是第m个词性类型的第二概率值；
    根据下式构建各个分词的第二输出向量：
    BkWdVec n＝(BkWdProb n,1,BkWdProb n,2,......,BkWdProb n,m,......,BkWdProb n,M)
    其中，BkWdVec n为第n个分词的第二输出向量。
  14. 根据权利要求13所述的语义角色分析终端设备，其特征在于，所述根据各个分词的第一输出向量和第二输出向量确定各个分词的词性类型包括：
    根据下式分别计算各个分词的词性概率向量：
    WdProbVec n＝(WdProb n,1,WdProb n,2,......,WdProb n,m,......,WdProb n,M)
    其中，WdProb n,m＝η 1*FwWdProb n,m+η 2*BkWdProb n,m，η 1、η 2均为预设的权重系数，WdProbVec n为第n个分词的词性概率向量；
    根据下式分别确定各个分词的词性类型：
    CharSeq n＝arg max(WdProbVec n)
    其中，arg max为最大自变量函数，CharSeq n为第n个分词的词性类型序号。
  15. 根据权利要求11所述的语义角色分析终端设备，其特征在于，所述根据所述词性向量分别构建各个分词的第三输入矩阵和第四输入矩阵包括：
    根据下式分别构建各个分词的第三输入矩阵：
    Figure PCTCN2018096258-appb-100037
    其中，n为所述分词按照前后顺序依次排列的序号，1≤n≤N，N为所述语句文本的分词总数，cl为所述第三输入矩阵的行号，1≤cl≤CoupLen，CoupLen为预设的耦合长度，cvl为所述第三输入矩阵的列号，1≤cvl≤cVecLen，cVecLen为任意一个所述分词的词性向量的长度，第n个分词的词性向量为CharVec n，且
    CharVec n＝(CrVecEm n,1,CrVecEm n,2,......,CrVecEm n,cvl,......,CrVecEm n,cVecLen)，
    Figure PCTCN2018096258-appb-100038
    FwCrMatrix n为第n个分词的第三输入矩阵；
    根据下式分别构建各个分词的第四输入矩阵：
    Figure PCTCN2018096258-appb-100039
    Figure PCTCN2018096258-appb-100040
    BkCrMatrix n为第n个分词的第四输入矩阵。
  16. 根据权利要求15所述的语义角色分析终端设备，其特征在于，所述第三神经网络模型的处理过程包括：
    根据下式分别计算各个分词的第三复合向量：
    FwCrCpVec n＝(FwCrCpEm n,1,FwCrCpEm n,2,......,FwCrCpEm n,vl,......,FwCrCpEm n,cVecLen)其中，
    Figure PCTCN2018096258-appb-100041
    ln为自然对数函数，tanh为双曲正切函数，FwCrWt cvl、FwCrWt′ cvl均为预设的权重系数；
    根据下式分别计算各个语义角色类型的第一概率值：
    Figure PCTCN2018096258-appb-100042
    其中，l为语义角色类型的序号，1≤l≤L，L为语义角色类型的个数，FwCrWtVec l为预设的与第l个语义角色类型对应的权值向量，
    Figure PCTCN2018096258-appb-100043
    FwCrProb n,l为第n个分词是第l个语义角色类型的第一概率值；
    根据下式构建各个分词的第三输出向量：
    FwCrVec n＝(FwCrProb n,1,FwCrProb n,2,......,FwCrProb n,l,......,FwCrProb n,L)
    其中，FwCrVec n为第n个分词的第三输出向量；
    所述第四神经网络模型的处理过程包括：
    根据下式分别计算各个分词的第四复合向量：
    BkCrCpVec n＝(BkCrCpEm n,1,BkCrCpEm n,2,......,BkCrCpEm n,cvl,......,BkCrCpEm n,cVecLen)其中，
    Figure PCTCN2018096258-appb-100044
    BkCrWt cvl、BkCrWt′ cvl均为预设的权重系数；
    根据下式分别计算各个语义角色类型的第二概率值：
    Figure PCTCN2018096258-appb-100045
    其中，BkCrWtVec l为预设的与第l个语义角色类型对应的权值向量，BkCrProb n,l为第n个分词是第l个语义角色类型的第二概率值；
    根据下式构建各个分词的第四输出向量：
    BkCrVec n＝(BkCrProb n,1,BkCrProb n,2,......,BkCrProb n,l,......,BkCrProb n,L)
    其中，BkCrVec n为第n个分词的第四输出向量。
  17. 根据权利要求16所述的语义角色分析终端设备，其特征在于，所述根据各个分词的第三输出向量和第四输出向量确定各个分词的语义角色类型包括：
    根据下式分别计算各个分词的语义角色概率向量：
    CrProbVec n＝(CrProb n,1,CrProb n,2,......,CrProb n,l,......,CrProb n,L)
    其中，CrProb n,l＝ξ 1*FwCrProb n,l+ξ 2*BkCrProb n,l，ξ 1、ξ 2均为预设的权重系数，CrProbVec n为第n个分词的语义角色概率向量；
    根据下式分别确定各个分词的语义角色类型：
    RoleSeq n＝arg max(CrProbVec n)
    其中，arg max为最大自变量函数，RoleSeq n为第n个分词的语义角色类型序号。
  18. 一种语义角色分析装置，其特征在于，包括：
    切词处理模块，用于对语句文本进行切词处理，得到构成所述语句文本的各个分词；
    词向量查找模块，用于在预设的词向量数据库中分别查找各个分词的词向量，所述词向量数据库为记录词语与词向量之间的对应关系的数据库；
    词向量矩阵构建模块，用于根据所述词向量分别构建各个分词的第一输入矩阵和第二输入矩阵；
    第一处理模块，用于将各个分词的第一输入矩阵分别输入到预设的第一神经网络模型中，得到各个分词的第一输出向量，所述第一神经网络模型为进行正序词性分析的神经网络模型；
    第二处理模块，用于将各个分词的第二输入矩阵分别输入到预设的第二神经网络模型中，得到各个分词的第二输出向量，所述第二神经网络模型为进行逆序词性分析的神经网络模型；
    词性类型确定模块，用于根据各个分词的第一输出向量和第二输出向量确定各个分词的词性类型；
    词性向量查找模块，用于在预设的词性向量数据库中分别查找各个分词的词性类型对应的词性向量，所述词性向量数据库为记录词性类型与词性向量之间的对应关系的数据库；
    词性向量矩阵构建模块，用于根据所述词性向量分别构建各个分词的第三输入矩阵和第四输入矩阵；
    第三处理模块，用于将各个分词的第三输入矩阵分别输入到预设的第三神经网络模型中，得到各个分词的第三输出向量，所述第三神经网络模型为进行正序语义角色分析的神经网络模型；
    第四处理模块，用于将各个分词的第四输入矩阵分别输入到预设的第四神经网络模型中，得到各个分词的第四输出向量，所述第四神经网络模型为进行逆序语义角色分析的神经网络模型；
    语义角色类型确定模块，用于根据各个分词的第三输出向量和第四输出向量确定各个分词的语义角色类型。
  19. 根据权利要求18所述的语义角色分析装置，其特征在于，所述词向量矩阵构建模块包括：
    第一输入矩阵构建单元，用于根据下式分别构建各个分词的第一输入矩阵：
    Figure PCTCN2018096258-appb-100046
    其中，n为所述分词按照前后顺序依次排列的序号，1≤n≤N，N为所述语句文本的分词总数，cl为所述第一输入矩阵的行号，1≤cl≤CoupLen，CoupLen为预设的耦合长度，wvl为所述第一输入矩阵的列号，1≤wvl≤wVecLen，wVecLen为任意一个所述分词的词向量的长度，第n个分词的词向量为WordVec n，且
    WordVec n＝(WdVecEm n,1,WdVecEm n,2,......,WdVecEm n,vl,......,WdVecEm n,wVecLen)，
    Figure PCTCN2018096258-appb-100047
    FwWdMatrix n为第n个分词的第一输入矩阵；
    第二输入矩阵构建单元，用于根据下式分别构建各个分词的第二输入矩阵：
    Figure PCTCN2018096258-appb-100048
    Figure PCTCN2018096258-appb-100049
    BkWdMatrix n为第n个分词的第二输入矩阵。
  20. 根据权利要求19所述的语义角色分析装置，其特征在于，所述第一处理模块包括：
    第一复合向量计算单元，用于根据下式分别计算各个分词的第一复合向量：
    FwWdCpVec n＝(FwWdCpEm n,1,FwWdCpEm n,2,......,FwWdCpEm n,wvl,......,FwWdCpEm n,wVecLen)其中，
    Figure PCTCN2018096258-appb-100050
    ln为自然对数函数，tanh为双曲正切函数，FwWdWt wvl、FwWdWt′ wvl均为预设的权重系数；
    词性第一概率值计算单元，用于根据下式分别计算各个词性类型的第一概率值：
    Figure PCTCN2018096258-appb-100051
    其中，m为词性类型的序号，1≤m≤M，M为词性类型的个数，FwWdWtVec m为预设的与第m个词性类型对应的权值向量，
    Figure PCTCN2018096258-appb-100052
    FwWdProb n,m为第n个分词是第m个词性类型的第一概率值；
    第一输出向量构建单元，用于根据下式构建各个分词的第一输出向量：
    FwWdVec n＝(FwWdProb n,1,FwWdProb n,2,......,FwWdProb n,m,......,FwWdProb n,M)
    其中，FwWdVec n为第n个分词的第一输出向量；
    所述第二处理模块包括：
    第二复合向量计算单元，用于根据下式分别计算各个分词的第二复合向量：
    BkWdCpVec n＝(BkWdCpEm n,1,BkWdCpEm n,2,......,BkWdCpEm n,wvl,......,BkWdCpEm n,wVecLen)其中，
    Figure PCTCN2018096258-appb-100053
    BkWdWt wvl、BkWdWt′ wvl均为预设的权重系数；
    词性第二概率值计算单元，用于根据下式分别计算各个词性类型的第二概率值：
    Figure PCTCN2018096258-appb-100054
    其中，BkWdWtVec m为预设的与第m个词性类型对应的权值向量，BkWdProb n,m为第n个分词是第m个词性类型的第二概率值；
    第二输出向量构建单元，用于根据下式构建各个分词的第二输出向量：
    BkWdVec n＝(BkWdProb n,1,BkWdProb n,2,......,BkWdProb n,m,......,BkWdProb n,M)
    其中，BkWdVec n为第n个分词的第二输出向量。
PCT/CN2018/096258 2018-04-09 2018-07-19 语义角色分析方法、可读存储介质、终端设备及装置 Ceased WO2019196236A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810309685.6A CN108804411B (zh) 2018-04-09 2018-04-09 一种语义角色分析方法、计算机可读存储介质及终端设备
CN201810309685.6 2018-04-09

Publications (1)

Publication Number Publication Date
WO2019196236A1 true WO2019196236A1 (zh) 2019-10-17

Family

ID=64095371

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/096258 Ceased WO2019196236A1 (zh) 2018-04-09 2018-07-19 语义角色分析方法、可读存储介质、终端设备及装置

Country Status (2)

Country Link
CN (1) CN108804411B (zh)
WO (1) WO2019196236A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110164450B (zh) * 2019-05-09 2023-11-28 腾讯科技（深圳）有限公司 登录方法、装置、播放设备及存储介质
CN116821332A (zh) * 2023-05-26 2023-09-29 中国银行股份有限公司 文本情感分析的方法、装置、设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102662931A (zh) * 2012-04-13 2012-09-12 厦门大学 一种基于协同神经网络的语义角色标注方法
CN104462066A (zh) * 2014-12-24 2015-03-25 北京百度网讯科技有限公司 语义角色标注方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8180633B2 (en) * 2007-03-08 2012-05-15 Nec Laboratories America, Inc. Fast semantic extraction using a neural network architecture
US8392436B2 (en) * 2008-02-07 2013-03-05 Nec Laboratories America, Inc. Semantic search via role labeling
CN104021115A (zh) * 2014-06-13 2014-09-03 北京理工大学 基于神经网络的中文比较句识别方法及装置
CN107480122B (zh) * 2017-06-26 2020-05-08 迈吉客科技（北京）有限公司 人工智能交互方法及人工智能交互装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102662931A (zh) * 2012-04-13 2012-09-12 厦门大学 一种基于协同神经网络的语义角色标注方法
CN104462066A (zh) * 2014-12-24 2015-03-25 北京百度网讯科技有限公司 语义角色标注方法及装置

Also Published As

Publication number Publication date
CN108804411A (zh) 2018-11-13
CN108804411B (zh) 2019-10-29

Similar Documents

Publication Publication Date Title
CN111104794B (zh) 一种基于主题词的文本相似度匹配方法
CN110162630B (zh) 一种文本去重的方法、装置及设备
CN106021272B (zh) 基于分布式表达词向量计算的关键词自动提取方法
CN112528672A (zh) 一种基于图卷积神经网络的方面级情感分析方法及装置
US20240111956A1 (en) Nested named entity recognition method based on part-of-speech awareness, device and storage medium therefor
CN114780727A (zh) 基于强化学习的文本分类方法、装置、计算机设备及介质
WO2021000497A1 (zh) 检索方法、装置、计算机设备和存储介质
WO2020062770A1 (zh) 一种领域词典的构建方法、装置、设备及存储介质
CN108363753A (zh) 评论文本情感分类模型训练与情感分类方法、装置及设备
Fan et al. Apply word vectors for sentiment analysis of APP reviews
CN107273349B (zh) 一种基于多种语言的实体关系抽取方法及服务器
US10915707B2 (en) Word replaceability through word vectors
CN109344246B (zh) 一种电子问卷生成方法、计算机可读存储介质及终端设备
CN114706973A (zh) 抽取式文本摘要生成方法、装置、计算机设备及存储介质
CN111813895B (zh) 一种基于层次注意力机制和门机制的属性级别情感分析方法
CN114722176A (zh) 一种智能答疑的方法、装置、介质及电子设备
CN108388554A (zh) 基于协同过滤注意力机制的文本情感识别系统
WO2022228127A1 (zh) 要素文本处理方法、装置、电子设备和存储介质
CN113051892A (zh) 基于transformer模型的汉语词义消歧方法
Chang et al. A METHOD OF FINE-GRAINED SHORT TEXT SENTIMENT ANALYSIS BASED ON MACHINE LEARNING.
CN114943236A (zh) 关键词提取方法及装置
CN110347833A (zh) 一种多轮对话的分类方法
WO2019196236A1 (zh) 语义角色分析方法、可读存储介质、终端设备及装置
CN108694176B (zh) 文档情感分析的方法、装置、电子设备和可读存储介质
CN112632272A (zh) 基于句法分析的微博情感分类方法和系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18914135

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 26.01.2021)

122 Ep: pct application non-entry in european phase

Ref document number: 18914135

Country of ref document: EP

Kind code of ref document: A1