CN112528655B - 关键词生成方法、装置、设备及存储介质 - Google Patents
关键词生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112528655B CN112528655B CN202011505008.5A CN202011505008A CN112528655B CN 112528655 B CN112528655 B CN 112528655B CN 202011505008 A CN202011505008 A CN 202011505008A CN 112528655 B CN112528655 B CN 112528655B
- Authority
- CN
- China
- Prior art keywords
- keyword
- vector
- decoding step
- word
- decoder
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 130
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000012512 characterization method Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000003058 natural language processing Methods 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 10
- 230000007115 recruitment Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
-
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language 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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/258—Heading extraction; Automatic titling; Numbering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Probability & Statistics with Applications (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了关键词生成方法、装置、设备及存储介质,涉及人工智能领域中的自然语言处理领域。具体实现方案为:将目标文本输入文本处理模型,获取目标文本对应的单词序列,并生成单词序列对应的语义表征序列;分别对语义表征序列中的每个语义表征向量进行预测,得到预测结果;若预测结果指示语义表征向量对应的单词能够触发生成关键词,则根据语义表征向量、预测结果输出关键词。该方法提高了生成关键词的准确率。
Description
技术领域
本申请实施例涉及人工智能技术,尤其涉及一种关键词生成方法、装置、设备及存储介质,可用于自然语言处理领域。
背景技术
在进行自然语言文本处理时,常常需要从文本中提取关键词,例如,在网络平台上发表文章时,从文章中提取词语作为文章的标签;或者,从海量的招聘数据中挖掘技能短语,以便于进行人岗匹配、人才识别等。
从一段文本中挖掘关键词时,一种方法是直接从文本中抽取单词组成关键词,另一种方法是采用神经网络模型直接根据文本内容生成关键词。但是这些方法都存在准确率低的问题。
发明内容
本申请提供了一种用于提高准确率的关键词生成方法、装置、设备及存储介质。
根据本申请的一方面,提供了一种关键词生成方法,包括:
将目标文本输入文本处理模型,获取目标文本对应的单词序列,并生成所述单词序列对应的语义表征序列;
分别对所述语义表征序列中的每个语义表征向量进行预测,得到预测结果;
若预测结果指示所述语义表征向量对应的单词能够触发生成关键词,则根据所述语义表征向量、所述预测结果输出所述关键词。
根据本申请的另一方面,提供了一种关键词生成装置,包括:
输入模块,用于将目标文本输入文本处理模型,获取目标文本对应的单词序列,并生成所述单词序列对应的语义表征序列;
预测模块,用于分别对所述语义表征序列中的每个语义表征向量进行预测,得到预测结果;
输出模块,用于在预测结果指示所述语义表征向量对应的单词能够触发生成关键词时,根据所述语义表征向量、所述预测结果输出所述关键词。
根据本申请的再一方面,提供了一种电子设备,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指令,所述指令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关键词生成方法。
根据本申请的又一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述关键词生成方法。
根据本申请的又一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行上述关键词生成方法
根据本申请的技术方案解决了根据目标文本生成关键词时准确率低的问题。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请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
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是是根据本申请实施例提供的关键词生成方法的流程示意图;
图2是根据本申请实施例提供的文本处理模型的示意图;
图3是根据本申请实施例提供的关键词指示器和解码器的交互示意图;
图4是根据本申请实施例提供的关键词生成装置的结构示意图;
图5是可以用来本申请实施例的关键词生成方法的电子设备的示意性框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
自然语言处理是人工智能领域中的一个重要方向,在进行自然语言处理时,经常面对的一个问题是如何提取自然语言文本中的关键词。例如,在网络平台上发表文章时,从文章中提取词语作为文章的标签;又如,从招聘数据中挖掘技能短语,以便于进行人岗匹配、人才识别等。举例来说,在招聘网站中存在海量简历信息和招聘岗位描述信息,这些数据中通常包括了大量的技能短语,例如互联网运营、平面设计、数据库、编程等等,如何从这些简历信息和招聘岗位描述信息中准确挖掘出技能短语,是实现智能化人才管理的关键。
一种示例中,从一段文本中挖掘关键词时,直接从文本中抽取单词组成关键词,采用这种直接抽取的方式可能存在抽取的关键词有遗漏或错误,准确率较低。另一种示例中,采用神经网络模型直接根据文本内容生成关键词,但是相关技术中所采用的模型同样存在准确率低的问题。
本申请提供一种关键词生成方法,应用于人工智能领域中的自然语言处理领域,该方法基于文本处理模型,通过对文本中的单词进行编码获得语义表征向量,再针对每个语义表征向量预测对应的单词是否能够触发生成关键词,之后再基于预测结果和语义表征向量生成关键词,提高了生成关键词的准确率和召回率。
下面,将通过具体的实施例对本申请提供的关键词生成方法进行详细地说明。可以理解的是,下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1是根据本申请实施例提供的关键词生成方法的流程示意图。如图1所示,该方法包括:
S101、将目标文本输入文本处理模型,获取目标文本对应的单词序列,并生成单词序列对应的语义表征序列。
本实施例的关键词生成方法基于文本处理模型,将目标文本输入文本处理模型后,后续的处理步骤由文本处理模型完成。其中,对目标文本对应的单词序列可以通过对目标文本进行分词处理获得,本实施例对分词算法不作具体限定。对目标文本进行分词后,对单词序列中的各个单词进行编码得到每个单词对应的语音表征向量,也就是目标文本对应的语义表征序列。
S102、分别对语义表征序列中的每个语义表征向量进行预测,得到预测结果。
文本处理模型依次对语义表征序列中的每个语义表征向量进行处理,首先对第一个语义表征向量进行预测,预测结果用于指示该语义表征向量对应的单词是否可以出发生成关键词。以根据招聘信息生成技能短语为例,预测结果用于指示招聘信息中的一个单词是否能够触发生成技能短语。在对语义表征序列中的第一个语义表征向量预测完之后,再进一步对下一个语义表征向量进行预测,从而保证在后的语义表征向量对应的单词的预测结果与在其之前的单词具有关联性。
S103、若预测结果指示语义表征向量对应的单词能够触发生成关键词,则根据语义表征向量、预测结果输出关键词。
文本处理模型对语义表征向量进行预测,确定语义表征向量对应的单词能够触发生成关键词时,需要进一步根据该语义表征向量和预测结果输出关键词。若预测结果指示语义表征向量对应的单词不能触发生成关键词,则不需要进一步确定其对应的关键词,而是继续对下一个语义表征向量进行预测处理,从而继续根据预测结果输出关键词。
本申请实施例中提供的关键词生成方法,基于文本处理模型,该文本处理模型首先对目标文本对应的单词是否能够触发生成关键词进行预测,再进一步根据单词的语音表征向量和预测结果来输出关键词,提高了生成关键词的准确率。
图2是根据本申请实施例提供的文本处理模型的示意图。如图2所示,该文本处理模型包括了编码器、关键词指示器(以技能短语指示器为例)和动态初始化解码器,以下结合该模型结构对上述实施例的方法进行说明。
首先,S101中生成单词序列对应的语义表征序列可以由文本处理模型中的编码器完成。
在对目标文本进行分词处理,得到目标文本对应的单词序列后,确定单词序列对应词向量序列,之后采用双向长短期记忆(Long Short-Term Memory,简称LSTM)编码器对词向量序列进行编码,获得对应的语义表征序列。这里采用双向LSTM可以使得获得的每个单词的语音表征序列体现单词的上下文含义,从而使得后续的预测结果和关键词生成更准确。
如图2中所示,目标文本对应的单词序列为(x1,x2,x3,x4,x5,...,x|X|),其中,x1至x|X|分别表示一个单词,|X|为单词的数量。(wx1,wx2,wx3,wx4,wx5,...,wx|x|)表示该单词序列对应的词向量序列,其中,wx1至wx|x|分别为x1至x|X|对应的词向量。表示该词向量序列对应的语义表征序列,其中,/>至/>分别为wx1至wx|x|对应的语义表征向量。
在获得上述语义表征序列之后,上述实施例中S102中分别对语义表征序列中的每个语义表征向量进行预测,得到预测结果,由图2所示文本处理模型中的关键词指示器处理完成。
关键词指示器依次扫描语义表征序列中的每个语义表征向量;根据关键词指示器上一个时刻的状态、关键词指示器上一个时刻的预测结果的嵌入式向量以及语义表征向量确定关键词指示器当前时刻的状态;根据关键词指示器当前时刻的状态,确定语义表征向量触发技能短语的概率,并根据概率确定关键词指示器的预测结果,预测结果包括语义表征向量不能触发生成技能短语、语义表征向量能够触发生成由连续单词构成的技能短语,或者语义表征向量能够触发生成由非连续单词构成的技能短语。
具体的,关键词指示器通过依次扫描输入单词序列的语义表征向量来预测当前单词是否能够触发一个技能词。该预测结果包括三种情况,即三种options,即oi∈{0,1,2},其中oi为0表示当前单词不能触发生成关键词;oi为1表示当前单词能够触发生成由连续单词构成的关键词;oi为2表示当前单词会触发生成由非连续单词构成的关键词。
这里对由连续单词构成的关键词和由非连续单词构成的关键词进行说明。示例的,以根据招聘信息生成技能短语为例,假设招聘信息中的文本为“***架构和应用”,其对应的技能短语可以包括两个,一个为“***架构”,另一个为“***应用”,其中“***架构”即是由连续单词构成的技能短语,而“***应用”则是由非连续单词构成的技能短语。
通过在预测结果中区分由连续单词或非连续单词构成的关键词,能够使得最终生成的关键词能够准确的包括由连续单词或非连续单词构成的关键词,避免了直接在文本中抽取连续单词生成关键词时,无法获得非连续单词构成的关键词的问题。
在定义了上三种预测结果的基础上,当前时刻i,即对于当前预测的语义表征向量对应的单词xi,关键词指示器基于上一个时刻的状态si-1,上一个时刻的预测结果oi的嵌入式向量/>以及当前时刻该单词xi的语义表征向量/>来学习当前时刻的状态si,其计算公式如下:
其中,fs表示基于多层感知器(Multilayer Perceptron,简称MLP)的非线性函数;符号[a;b]表示将向量a与向量b进行拼接;Ws和bs表示学习参数。对于第一个单词,上一个时刻的状态为初始的0状态。需要说明的是,在上一个时刻的预测结果为触发生成一个关键词时,关键词指示器基于上一个时刻解码器的最后一个解码步的隐状态,上一个时刻的预测结果oi的嵌入式向量以及当前时刻该单词xi的语义表征向量/>来学习当前时刻的状态si,该隐状态在后续步骤中进行说明。
关键词指示器基于当前时刻的状态si来预测oi的概率PO(oi|si),其计算公式如下:
Po(oi|si)=softmax(Wosi+bo)
其中,Wo和bo表示学习参数。
关键词指示器上述概率确定预测结果oi,例如依概率值生成oi,或者选择概率最大的oi作为预测结果,预测结果的oi将作为一种显式的提示信息来帮助后续解码器进行关键词的生成。
在关键词指示器得到上述预测结果后,上述实施例中S103中根据语义表征向量、预测结果输出关键词可以通过图2所示文本处理模型中的动态初始化解码器完成。
解码器根据语义表征向量、关键词指示器的预测结果的嵌入式向量和关键词指示器的状态确定解码器的初始隐状态;并基于初始隐状态逐步确定每个解码步的隐状态,对每个解码步的隐状态进行解码生成关键词。
对于第一个解码步,根据初始隐状态、关键词指示器的预测结果的嵌入式向量以及默认初始字符的嵌入式向量,确定第一个解码步的隐状态;对于第一个解码步之后的每个解码步,根据解码器上一个解码步的隐状态、关键词指示器的预测结果的嵌入式向量以及上一个解码步的解码结果的嵌入式向量,确定每个解码步的隐状态。
参照图2进行说明。每当关键词指示器触发一个关键词(即预测了一个非0的oi),解码器基于一个初始隐状态开始解码生成对应的关键词。该初始隐状态/>基于当前单词xi的隐状态/>关键词指示器预测的oi的嵌入语义向量/>以及关键词指示器当前时刻的状态si,其计算公式如下:
其中,fh是基于MLP的非线性函数,Wh和bh表示学习参数。
基于计算初始隐状态的上述向量可以看出,初始隐状态/>中体现了当前单词xi的语义以及当前单词xi的上下文语义。获得初始隐状态/>后,解码器通过一个单向LSTM来序列生成对应的关键词。其中,在第j个解码步,解码器的隐状态/>表示为:
其中,表示第i个关键词的第j-1个单词,/>是第i个关键词的第j-1个单词的嵌入式向量。对应第一个解码步,即第i个关键词的第1个单词,/>为一个默认初始字符的嵌入式向量。
在获得上述隐状态后,解码器确定语义表征向量对每个解码步的隐状态的相关度,并根据相关度确定每个解码步的注意力分布;根据每个解码步的注意力分布和语义表征序列确定每个解码步的隐状态的语义向量;根据每个解码步的隐状态和每个解码步的隐状态的语义向量,确定每个解码步的单词初始概率;根据初始概率和注意力分布确定每个解码步的单词概率;根据单词概率确定每个解码步的解码结果。
具体的,解码器基于当前时刻的隐状态利用注意力机制来更好地获取当前隐状态/>对应的单词的上下文语义向量Cj,具体如下:
其中,表示语义表征向量/>对每个解码步的隐状态/>的相关度,vα、Wα和bα表示学习参数,/>为注意力分布。
第i个关键词的第j个单词的初始概率为:
其中,Wv和bv表示学习参数。
在上述初始概率的基础上,通过引入复制机制来缓解关键词生成过程中的超出词表(Out of Vocabulary,简称OOV)的问题:
其中,gj为概率权重,Wg和bg表示学习参数。
最终,每个解码步的解码结果,即关键词中每个单词的单词概率为:
根据上述单词概率输出关键词中的每个单词,例如输出单词概率最大的单词。
本实施例提供的关键词生成方法,通过关键词指示器预测当前单词是否能生成一个由连续单词或非连续单词构成的关键词,进而基于该预测结果、语义表征向量生成关键词,在生成关键词时,解码器的每个解码步基于初始隐状态和上一个时刻的隐状态,并通过引入注意力机制和复制机制,使得生成的关键词中包括了连续单词构成的关键词以及不连续单词构成的关键词,使其准确性和召回率更高,并且通过关键词指示器的预测结果能够清楚指示生成的每个关键词在目标文本中的来源,使得结果具有更好的可解释性。
上述实施例对如果通过图2所示的文本处理模型对目标文本进行处理生成关键词进行了说明。以下再进一步对如何对该文本处理模型进行训练优化做详细说明。
对于关键词指示器而言,好的预测结果将提供有效的提示信息,从而有利于解码器的关键词生成,而另一个方面,解码器生成的关键词的质量也反馈了关键词指示预测结果的好坏。因此,本申请实施例中通过技能短语指示器与解码器之间的反馈交互,来提升关键词的生成质量。本申请实施例中采用层级强化学习算法来优化预测结果以及关键词生成的交互过程。
如图3所示,关键词指示器可以看作是一个顶层的agent,通过预测option来判断是否触发一个关键词;解码器可以看作是一个底层的agent,关键词的生成可以看作是一个序列决策过程。
根据关键词指示器的预测结果和解码器生成的关键词,确定关键词指示器的奖励值和解码器的奖励值,关键词指示器的奖励值用于表示关键词指示器的预测结果的准确度,解码器的奖励值用于表示解码器生成的关键词的准确度;调整编码器、关键词指示器和解码器中的参数,以使关键词指示器的奖励值的期望值和解码器的奖励值的期望值达到最大值。关键词指示器的奖励值和解码器的奖励值均包括了每触发一个关键词对应的奖励值以及所有关键词对应的奖励值,从而使得关键词指示器和解码器之间的反馈更精确,使得优化效果更好。
对于关键词指示器,在第i个时刻,关键词短语指示器基于概率函数P0(oi|si)采样一个oi,并通过来自解码器的反馈来评价当前oi预测的好坏。具体地,如果关键词指示器的预测结果为触发一个关键词,关键词指示器将收到一个来自解码器的延迟中间奖励若解码器生成了正确的关键词,则将/>设置为+1;否则为-1。此外,还将计算一个最终奖励来评价所有options预测的好坏:
其中,P和R分别代表模型的召回率和准确度,β为学习参数。N表示已经生成的关键词的个数;|Y|表示关键词的真实数量。
对于解码器,在第i个时刻,关键词指示器采样到一个非0的oi,解码器从概率函数中采样关键词中的每一个单词/>每当一个完整的关键词被采样完成,解码器将收到一个及时奖励/>用来评估当前决策过程的好坏。具体地,如果生成了一个正确的技能短语,/>设置为+1,否则为-1,而其他采样时刻,/>设置为0。此外,还计算一个最终奖励/>来评价整个序列决策过程:当所有关键词均预测正确,则将/>设置为+1,否则为-1。
在确定了上述奖励措施之后,对模型的训练目标进行说明。使用θe,θk以及θd分别来表示编码器、关键词指示器以及动态初始化解码器中的学习参数。
针对关键词指示器,优化目标旨在最大化未来累计奖励的期望来优化顶层的策略P0:
其中,未来累计奖励γ是折扣因子。
针对解码器,优化目标旨在最大化累计奖励的期望来优化底层策略Pv:
其中,累计奖励|yi|表示第i个关键词中的单词数量。
在按照上述优化目标进行学习参数的优化调整时,根据关键词指示器的奖励值、解码器的奖励值、关键词指示器的预测结果的概率和解码器的解码结果的概率,确定编码器、关键词指示器和解码器中的参数的调整梯度,使得调整梯度更精确,具体如下:
本实施例提供的文本处理模型的训练优化方法,通过关键词指示器和解码器之间的交互反馈奖励机制对参数进行优化调整,提高了生成关键词的准确率和召回率。
图4是根据本申请实施例提供的关键词生成装置的结构示意图,如图4所示,关键词生成装置400包括:
输入模块401,用于将目标文本输入文本处理模型,获取目标文本对应的单词序列,并生成单词序列对应的语义表征序列;
预测模块402,用于分别对语义表征序列中的每个语义表征向量进行预测,得到预测结果;
输出模块403,用于在预测结果指示语义表征向量对应的单词能够触发生成关键词时,根据语义表征向量、预测结果输出关键词。
可选的,输入模块401包括:
分词单元,用于对目标文本进行分词处理,得到目标文本对应的单词序列;
确定单元,用于确定单词序列对应词向量序列;
编码单元,用于采用双向长短期记忆编码器对词向量序列进行编码,获得对应的语义表征序列。
可选的,预测模块402包括:
扫描单元,用于依次扫描语义表征序列中的每个语义表征向量;
状态单元,用于根据关键词指示器上一个时刻的状态、关键词指示器上一个时刻的预测结果的嵌入式向量以及语义表征向量确定关键词指示器当前时刻的状态;
预测单元,用于根据关键词指示器当前时刻的状态,确定语义表征向量触发技能短语的概率,并根据概率确定关键词指示器的预测结果,预测结果包括语义表征向量不能触发生成技能短语、语义表征向量能够触发生成由连续单词构成的技能短语,或者语义表征向量能够触发生成由非连续单词构成的技能短语。
可选的,输出模块403包括:
隐状态单元,用于根据语义表征向量、关键词指示器的预测结果的嵌入式向量和关键词指示器的状态确定解码器的初始隐状态;
解码单元,用于基于初始隐状态逐步确定每个解码步的隐状态,并对每个解码步的隐状态进行解码生成关键词。
可选的,隐状态单元包括:
第一隐状态单元,用于对于第一个解码步,根据初始隐状态、关键词指示器的预测结果的嵌入式向量以及默认初始字符的嵌入式向量,确定第一个解码步的隐状态;
第二隐状态单元,用于对于第一个解码步之后的每个解码步,根据解码器上一个解码步的隐状态、关键词指示器的预测结果的嵌入式向量以及上一个解码步的解码结果的嵌入式向量,确定每个解码步的隐状态。
可选的,解码单元包括:
第一解码子单元,用于确定语义表征向量对每个解码步的隐状态的相关度,并根据相关度确定每个解码步的注意力分布;
第二解码子单元,用于根据每个解码步的注意力分布和语义表征序列确定每个解码步的隐状态的语义向量;
第三解码子单元,用于根据每个解码步的隐状态和每个解码步的隐状态的语义向量,确定每个解码步的单词初始概率;
第四解码子单元,用于根据初始概率和注意力分布确定每个解码步的单词概率;
第五解码子单元,用于根据单词概率确定每个解码步的解码结果。
可选的,关键词生成装置400还包括:
反馈模块404,用于根据关键词指示器的预测结果和解码器生成的关键词,确定关键词指示器的奖励值和解码器的奖励值,关键词指示器的奖励值用于表示关键词指示器的预测结果的准确度,解码器的奖励值用于表示解码器生成的关键词的准确度;
优化模块405,用于调整编码器、关键词指示器和解码器中的参数,以使关键词指示器的奖励值的期望值和解码器的奖励值的期望值达到最大值。
可选的,关键词指示器的奖励值和解码器的奖励值均包括了每触发一个关键词对应的奖励值以及所有关键词对应的奖励值。
可选的,关键词生成装置400还包括:
梯度模块406,用于根据关键词指示器的奖励值、解码器的奖励值、关键词指示器的预测结果的概率和解码器的解码结果的概率,确定编码器、关键词指示器和解码器中的参数的调整梯度。
本申请实施例提供的关键词生成装置,可以执行上述任一实施例中的关键词生成方法的技术方案,其实现原理以及有益效果与关键词生成方法的实现原理及有益效果类似,可参见关键词生成方法的实现原理及有益效果,此处不再进行赘述。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质及一种计算机程序产品。
图5是可以用来本申请实施例的关键词生成方法的电子设备的示意性框图。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/或者要求的本公开的实现。
如图5所示,电子设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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。
计算单元501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。计算单元501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计算单元、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。计算单元501执行上文所描述的各个方法和处理,例如关键词生成方法。例如,在一些实施例中,关键词生成方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的关键词生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行关键词生成方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、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***的***(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***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***、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***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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***、装置或设备,或者上述内容的任何合适组合。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,可以在计算机上实施此处描述的***和技术,该计算机具有: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计算机。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***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(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***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***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***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***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("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
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,本发申请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,只要能够实现本申请公开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,并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (16)
1.一种关键词生成方法,所述方法包括:
将目标文本输入文本处理模型,获取目标文本对应的单词序列,并生成所述单词序列对应的语义表征序列;
分别对所述语义表征序列中的每个语义表征向量进行预测,得到预测结果;
若预测结果指示所述语义表征向量对应的单词能够触发生成关键词,则根据所述语义表征向量、所述预测结果输出所述关键词;
所述获取目标文本对应的单词序列,并生成所述单词序列对应的语义表征序列,包括:
对所述目标文本进行分词处理,得到所述目标文本对应的单词序列;
确定所述单词序列对应词向量序列;
采用双向长短期记忆编码器对所述词向量序列进行编码,获得对应的语义表征序列;
所述分别对所述语义表征序列中的每个语义表征向量进行预测,得到预测结果,包括:
所述文本处理模型中的关键词指示器依次扫描所述语义表征序列中的每个语义表征向量;
根据所述关键词指示器上一个时刻的状态、所述关键词指示器上一个时刻的预测结果的嵌入式向量以及所述语义表征向量确定所述关键词指示器当前时刻的状态;
根据所述关键词指示器当前时刻的状态,确定所述语义表征向量触发技能短语的概率,并根据所述概率确定所述关键词指示器的预测结果,所述预测结果包括所述语义表征向量不能触发生成技能短语、所述语义表征向量能够触发生成由连续单词构成的技能短语,或者所述语义表征向量能够触发生成由非连续单词构成的技能短语。
2.根据权利要求1所述的方法,所述根据所述语义表征向量、所述预测结果输出所述关键词,包括:
解码器根据所述语义表征向量、所述关键词指示器的预测结果的嵌入式向量和所述关键词指示器的状态确定所述解码器的初始隐状态;
基于所述初始隐状态逐步确定每个解码步的隐状态,并对每个解码步的隐状态进行解码生成所述关键词。
3.根据权利要求2所述的方法,所述基于所述初始隐状态逐步确定每个解码步的隐状态,包括:
对于第一个解码步,根据所述初始隐状态、所述关键词指示器的预测结果的嵌入式向量以及默认初始字符的嵌入式向量,确定第一个解码步的隐状态;
对于第一个解码步之后的每个解码步,根据所述解码器上一个解码步的隐状态、所述关键词指示器的预测结果的嵌入式向量以及上一个解码步的解码结果的嵌入式向量,确定所述每个解码步的隐状态。
4.根据权利要求2所述的方法,所述对每个解码步的隐状态进行解码生成所述关键词,包括:
确定所述语义表征向量对所述每个解码步的隐状态的相关度,并根据所述相关度确定所述每个解码步的注意力分布;
根据所述每个解码步的注意力分布和所述语义表征序列确定所述每个解码步的隐状态的语义向量;
根据所述每个解码步的隐状态和所述每个解码步的隐状态的语义向量,确定所述每个解码步的单词初始概率;
根据所述初始概率和所述注意力分布确定所述每个解码步的单词概率;
根据所述单词概率确定所述每个解码步的解码结果。
5.根据权利要求2-4中任一项所述的方法,所述方法还包括:
根据所述关键词指示器的预测结果和所述解码器生成的关键词,确定所述关键词指示器的奖励值和所述解码器的奖励值,所述关键词指示器的奖励值用于表示所述关键词指示器的预测结果的准确度,所述解码器的奖励值用于表示所述解码器生成的关键词的准确度;
调整所述编码器、所述关键词指示器和所述解码器中的参数,以使所述关键词指示器的奖励值的期望值和所述解码器的奖励值的期望值达到最大值。
6.根据权利要求5所述的方法,所述关键词指示器的奖励值和所述解码器的奖励值均包括了每触发一个关键词对应的奖励值以及所有关键词对应的奖励值。
7.根据权利要求5所述的方法,所述方法还包括:
根据所述关键词指示器的奖励值、所述解码器的奖励值、所述关键词指示器的预测结果的概率和所述解码器的解码结果的概率,确定所述编码器、所述关键词指示器和所述解码器中的参数的调整梯度。
8.一种关键词生成装置,包括:
输入模块,用于将目标文本输入文本处理模型,获取目标文本对应的单词序列,并生成所述单词序列对应的语义表征序列;
预测模块,用于分别对所述语义表征序列中的每个语义表征向量进行预测,得到预测结果;
输出模块,用于在预测结果指示所述语义表征向量对应的单词能够触发生成关键词时,根据所述语义表征向量、所述预测结果输出所述关键词;
所述输入模块包括:
分词单元,用于对所述目标文本进行分词处理,得到所述目标文本对应的单词序列;
确定单元,用于确定所述单词序列对应词向量序列;
编码单元,用于采用双向长短期记忆编码器对所述词向量序列进行编码,获得对应的语义表征序列;
所述预测模块包括:
扫描单元,用于依次扫描所述语义表征序列中的每个语义表征向量;
状态单元,用于根据关键词指示器上一个时刻的状态、所述关键词指示器上一个时刻的预测结果的嵌入式向量以及所述语义表征向量确定所述关键词指示器当前时刻的状态;
预测单元,用于根据所述关键词指示器当前时刻的状态,确定所述语义表征向量触发技能短语的概率,并根据所述概率确定所述关键词指示器的预测结果,所述预测结果包括所述语义表征向量不能触发生成技能短语、所述语义表征向量能够触发生成由连续单词构成的技能短语,或者所述语义表征向量能够触发生成由非连续单词构成的技能短语。
9.根据权利要求8所述的装置,所述输出模块包括:
隐状态单元,用于根据所述语义表征向量、所述关键词指示器的预测结果的嵌入式向量和所述关键词指示器的状态确定解码器的初始隐状态;
解码单元,用于基于所述初始隐状态逐步确定每个解码步的隐状态,并对每个解码步的隐状态进行解码生成所述关键词。
10.根据权利要求9所述的装置,所述隐状态单元包括:
第一隐状态单元,用于对于第一个解码步,根据所述初始隐状态、所述关键词指示器的预测结果的嵌入式向量以及默认初始字符的嵌入式向量,确定第一个解码步的隐状态;
第二隐状态单元,用于对于第一个解码步之后的每个解码步,根据所述解码器上一个解码步的隐状态、所述关键词指示器的预测结果的嵌入式向量以及上一个解码步的解码结果的嵌入式向量,确定所述每个解码步的隐状态。
11.根据权利要求9所述的装置,所述解码单元包括:
第一解码子单元,用于确定所述语义表征向量对所述每个解码步的隐状态的相关度,并根据所述相关度确定所述每个解码步的注意力分布;
第二解码子单元,用于根据所述每个解码步的注意力分布和所述语义表征序列确定所述每个解码步的隐状态的语义向量;
第三解码子单元,用于根据所述每个解码步的隐状态和所述每个解码步的隐状态的语义向量,确定所述每个解码步的单词初始概率;
第四解码子单元,用于根据所述初始概率和所述注意力分布确定所述每个解码步的单词概率;
第五解码子单元,用于根据所述单词概率确定所述每个解码步的解码结果。
12.根据权利要求9-11中任一项所述的装置,所述装置还包括:
反馈模块,用于根据所述关键词指示器的预测结果和所述解码器生成的关键词,确定所述关键词指示器的奖励值和所述解码器的奖励值,所述关键词指示器的奖励值用于表示所述关键词指示器的预测结果的准确度,所述解码器的奖励值用于表示所述解码器生成的关键词的准确度;
优化模块,用于调整所述编码器、所述关键词指示器和所述解码器中的参数,以使所述关键词指示器的奖励值的期望值和所述解码器的奖励值的期望值达到最大值。
13.根据权利要求12所述的装置,所述关键词指示器的奖励值和所述解码器的奖励值均包括了每触发一个关键词对应的奖励值以及所有关键词对应的奖励值。
14.根据权利要求12所述的装置,所述装置还包括:
梯度模块,用于根据所述关键词指示器的奖励值、所述解码器的奖励值、所述关键词指示器的预测结果的概率和所述解码器的解码结果的概率,确定所述编码器、所述关键词指示器和所述解码器中的参数的调整梯度。
15. 一种电子设备,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指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011505008.5A CN112528655B (zh) | 2020-12-18 | 2020-12-18 | 关键词生成方法、装置、设备及存储介质 |
US17/347,448 US11899699B2 (en) | 2020-12-18 | 2021-06-14 | Keyword generating method, apparatus, device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011505008.5A CN112528655B (zh) | 2020-12-18 | 2020-12-18 | 关键词生成方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528655A CN112528655A (zh) | 2021-03-19 |
CN112528655B true CN112528655B (zh) | 2023-12-29 |
Family
ID=75001495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011505008.5A Active CN112528655B (zh) | 2020-12-18 | 2020-12-18 | 关键词生成方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11899699B2 (zh) |
CN (1) | CN112528655B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528655B (zh) * | 2020-12-18 | 2023-12-29 | 北京百度网讯科技有限公司 | 关键词生成方法、装置、设备及存储介质 |
CN113076755B (zh) * | 2021-04-14 | 2024-04-09 | 京东科技控股股份有限公司 | 关键词提取方法、装置、设备和存储介质 |
CN113792133B (zh) * | 2021-11-11 | 2022-04-29 | 北京世纪好未来教育科技有限公司 | 判题方法、装置、电子设备和介质 |
CN114428851A (zh) * | 2021-12-29 | 2022-05-03 | 北京百度网讯科技有限公司 | 摘要生成方法、装置、电子设备和存储介质 |
CN115130470B (zh) * | 2022-08-25 | 2022-11-22 | 材料科学姑苏实验室 | 一种文本关键词的生成方法、装置、设备及介质 |
CN116521824A (zh) * | 2023-04-18 | 2023-08-01 | 北京数美时代科技有限公司 | 一种利用关键词对样本进行增强的方法、***和电子设备 |
CN117496126B (zh) * | 2023-11-13 | 2024-04-30 | 浙江飞图影像科技有限公司 | 基于关键词的影像自动定位***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304364A (zh) * | 2017-02-23 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 关键词提取方法和装置 |
CN109933804A (zh) * | 2019-03-27 | 2019-06-25 | 北京信息科技大学 | 融合主题信息与双向lstm的关键词抽取方法 |
CN110119765A (zh) * | 2019-04-18 | 2019-08-13 | 浙江工业大学 | 一种基于Seq2seq框架的关键词提取方法 |
CN110263323A (zh) * | 2019-05-08 | 2019-09-20 | 清华大学 | 基于栅栏式长短时记忆神经网络的关键词抽取方法及*** |
CN110704588A (zh) * | 2019-09-04 | 2020-01-17 | 平安科技(深圳)有限公司 | 基于长短期记忆网络的多轮对话语义分析方法和*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100299664A1 (en) * | 2009-05-21 | 2010-11-25 | Salesforce.Com, Inc. | System, method and computer program product for pushing an application update between tenants of a multi-tenant on-demand database service |
HUE030528T2 (en) * | 2012-03-15 | 2017-05-29 | Cortical Io Gmbh | Process, equipment and product for semantic processing of texts |
US9508340B2 (en) * | 2014-12-22 | 2016-11-29 | Google Inc. | User specified keyword spotting using long short term memory neural network feature extractor |
US10140340B2 (en) * | 2015-01-13 | 2018-11-27 | Microsoft Technology Licensing, Llc | Standardizing attributes and entities in a social networking system |
GB201706047D0 (en) * | 2017-04-14 | 2017-05-31 | Digital Genius Ltd | Automated tagging of text |
CN111078838B (zh) * | 2019-12-13 | 2023-08-18 | 北京小米智能科技有限公司 | 关键词提取方法、关键词提取装置及电子设备 |
CN113076441A (zh) * | 2020-01-06 | 2021-07-06 | 北京三星通信技术研究有限公司 | 关键词抽取方法、装置、电子设备及计算机可读存储介质 |
CN112528655B (zh) * | 2020-12-18 | 2023-12-29 | 北京百度网讯科技有限公司 | 关键词生成方法、装置、设备及存储介质 |
-
2020
- 2020-12-18 CN CN202011505008.5A patent/CN112528655B/zh active Active
-
2021
- 2021-06-14 US US17/347,448 patent/US11899699B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304364A (zh) * | 2017-02-23 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 关键词提取方法和装置 |
CN109933804A (zh) * | 2019-03-27 | 2019-06-25 | 北京信息科技大学 | 融合主题信息与双向lstm的关键词抽取方法 |
CN110119765A (zh) * | 2019-04-18 | 2019-08-13 | 浙江工业大学 | 一种基于Seq2seq框架的关键词提取方法 |
CN110263323A (zh) * | 2019-05-08 | 2019-09-20 | 清华大学 | 基于栅栏式长短时记忆神经网络的关键词抽取方法及*** |
CN110704588A (zh) * | 2019-09-04 | 2020-01-17 | 平安科技(深圳)有限公司 | 基于长短期记忆网络的多轮对话语义分析方法和*** |
Non-Patent Citations (2)
Title |
---|
"DualEncodingforAbstractiveTextSummarization";Kaichun Yao 等;《IEEE》;全文 * |
一种基于注意力机制的中文短文本关键词提取模型;杨丹浩;吴岳辛;范春晓;;计算机科学(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112528655A (zh) | 2021-03-19 |
US20210303608A1 (en) | 2021-09-30 |
US11899699B2 (en) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528655B (zh) | 关键词生成方法、装置、设备及存储介质 | |
US11574122B2 (en) | Method and system for joint named entity recognition and relation extraction using convolutional neural network | |
CN113553864B (zh) | 翻译模型的训练方法、装置、电子设备及存储介质 | |
CN112466288B (zh) | 语音识别方法、装置、电子设备及存储介质 | |
JP5901001B1 (ja) | 音響言語モデルトレーニングのための方法およびデバイス | |
EP4064277B1 (en) | Method and apparatus for training speech recognition model, device and storage medium | |
CN113239157B (zh) | 对话模型的训练方法、装置、设备和存储介质 | |
CN112786108B (zh) | 分子理解模型的训练方法、装置、设备和介质 | |
CN113434642B (zh) | 文本摘要生成方法、装置及电子设备 | |
CN115062718A (zh) | 语言模型训练方法、装置、电子设备及存储介质 | |
CN115687934A (zh) | 意图识别方法、装置、计算机设备及存储介质 | |
CN116152833A (zh) | 基于图像的表格还原模型的训练方法及表格还原方法 | |
CN114861637A (zh) | 拼写纠错模型生成方法和装置、拼写纠错方法和装置 | |
CN113407698B (zh) | 意图识别模型的训练与意图识别的方法、装置 | |
CN114819079A (zh) | 模型训练方法、装置、电子设备及可读存储介质 | |
CN116662484A (zh) | 一种文本正则化方法、装置、设备以及存储介质 | |
CN115359323A (zh) | 图像的文本信息生成方法和深度学习模型的训练方法 | |
CN115270719A (zh) | 基于多模态信息的文本摘要生成方法、训练方法及其装置 | |
CN115130470A (zh) | 一种文本关键词的生成方法、装置、设备及介质 | |
CN114648021A (zh) | 问答模型的训练方法、问答方法及装置、设备和存储介质 | |
CN114896993B (zh) | 翻译模型的生成方法、装置、电子设备及存储介质 | |
CN113361712B (zh) | 特征确定模型的训练方法、语义分析方法、装置及电子设备 | |
CN115168553A (zh) | 对话语句补全及模型训练方法、装置、设备和存储介质 | |
CN114841159A (zh) | 基于阅读理解模型的医疗文本切分方法及装置 | |
CN115099240A (zh) | 文本生成模型训练方法和装置、文本生成方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |