CN112560481A - 语句处理方法、设备和存储介质 - Google Patents

语句处理方法、设备和存储介质 Download PDF

Info

Publication number
CN112560481A
CN112560481A CN202011563713.0A CN202011563713A CN112560481A CN 112560481 A CN112560481 A CN 112560481A CN 202011563713 A CN202011563713 A CN 202011563713A CN 112560481 A CN112560481 A CN 112560481A
Authority
CN
China
Prior art keywords
task
sentence
processed
word
vector
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.)
Granted
Application number
CN202011563713.0A
Other languages
English (en)
Other versions
CN112560481B (zh
Inventor
张帅
王丽杰
张傲
肖欣延
常月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011563713.0A priority Critical patent/CN112560481B/zh
Publication of CN112560481A publication Critical patent/CN112560481A/zh
Priority to US17/375,236 priority patent/US20210342379A1/en
Priority to JP2021159038A priority patent/JP7242797B2/ja
Application granted granted Critical
Publication of CN112560481B publication Critical patent/CN112560481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/35—Clustering; Classification
    • 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
    • G06F40/295—Named entity recognition
    • 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
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G06F16/316—Indexing structures
    • G06F16/322—Trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3347—Query execution using vector based model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/355—Class or cluster creation or modification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了语句处理方法、设备和存储介质，涉及深度学习、自然语言处理等人工智能技术领域。具体实现方案为：在对待处理语句进行处理的过程中，对待处理语句的分词序列进行依存句法分析，以得到分词序列中各分词之间的依存句法关系树图，并将依存句法关系树图以及分词序列对应的每个分词的词向量输入到预设的图神经网络中，以分词序列中各个分词的中间词向量，然后，对每个分词的中间词向量执行下游任务，以得到待处理语句的处理结果。由此，得到了包含句法信息的中间词向量，并基于包含句法信息的中间词向量进行下游任务处理，从而使得下游任务准确获取待处理语句的处理结果，提高了下游任务的处理效果。

Description

语句处理方法、设备和存储介质
技术领域
本申请涉及计算机技术领域，具体涉及深度学习、自然语言处理等人工智能技术领域，尤其涉及语句处理方法、设备和存储介质。
背景技术
目前，在对语句进行自然语言处理的过程中，通常是基于语句中每个分词的词向量对自然语言处理的下游任务进行处理，然而，这种基于分词的词向量直接进行下游任务的方式所得到的处理结果不准确。
发明内容
本申请提供了一种用于语句处理方法、设备和存储介质。根据本申请的一方面，提供了一种语句处理方法，包括：获取待处理语句，并获取对所述待处理语句待执行的下游任务；对所述待处理语句进行分词，以得到所述待处理句的分词序列；对所述分词序列进行依存句法分析，以得到所述分词序列中各分词之间的依存句法关系树图；确定所述分词序列中每个分词对应的词向量；将所述依存句法关系树图以及所述每个分词对应的词向量输入到预设的图神经网络中，以得到所述分词序列中每个分词的中间词向量；对所述每个分词的中间词向量执行所述下游任务，以得到所述待处理语句的处理结果。
根据本申请的另一方面，提供了一种语句处理装置，包括：获取模块，用于获取待处理语句，并获取对所述待处理语句待执行的下游任务；分词模块，用于对所述待处理语句进行分词，以得到所述待处理句的分词序列；依存句法分析模块，用于对所述分词序列进行依存句法分析，以得到所述分词序列中各分词之间的依存句法关系树图；确定模块，用于确定所述分词序列中每个分词对应的词向量；图神经网络处理模块，用于将所述依存句法关系树图以及所述每个分词对应的词向量输入到预设的图神经网络中，以得到所述分词序列中每个分词的中间词向量；任务执行模块，用于对所述每个分词的中间词向量执行所述下游任务，以得到所述待处理语句的处理结果。
根据本申请的另一方面，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本申请的语句处理方法。
根据本申请的另一方面，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本申请实施例公开的语句处理方法。
根据本申请的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本申请的语句处理方法。
上述申请中的一个实施例具有如下优点或有益效果：
在对待处理语句进行处理的过程中，对待处理语句的分词序列进行依存句法分析，以得到分词序列中各分词之间的依存句法关系树图，并将依存句法关系树图以及分词序列对应的每个分词的词向量输入到预设的图神经网络中，以分词序列中各个分词的中间词向量，然后，对每个分词的中间词向量执行下游任务，以得到待处理语句的处理结果。由此，得到了包含句法信息的中间词向量，并基于包含句法信息的中间词向量进行下游任务处理，从而使得下游任务准确获取待处理语句的处理结果，提高了下游任务的处理效果。
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是根据本申请一个实施例提供的一种语句处理方法的流程示意图；
图2是步骤106的细化流程示意图一；
图3是步骤106的细化流程示意图一；
图4是根据本申请一个实施例提供的一种语句处理装置的结构示意图；
图5是根据本申请另一个实施例提供的一种语句处理装置的结构示意图；
图6是根据本申请又一个实施例提供的一种语句处理装置的结构示意图；
图7是用来实现本申请实施例的语句处理方法的电子设备的框图。
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。
下面参考附图描述本申请实施例的语句处理方法、设备和存储介质。
图1是根据本申请一个实施例提供的一种语句处理方法的流程示意图。
如图1所示，该语句处理方法可以包括：
步骤101，获取待处理语句，并获取对待处理语句待执行的下游任务。
其中，待处理语句可以任意语句，该实施例对此不具体限定。
其中，上述语句处理方法的执行主体为语句处理装置，该语句处理装置可以由软件和/或硬件的方式实现，该实施例中的语句处理装置可以配置在电子设备中，该电子设备可以包括但不限于终端设备、服务器等。
步骤102，对待处理语句进行分词，以得到待处理句的分词序列。
在本实施例中，上述分词序列一种可能实现方式为：对待处理语句进行分词，以得到多个候选分词序列，基于预设的统计语言模型地每个候选分词序列进行路径搜索，并得到每个候选分词序列对应的路径评分，根据路径评分从多个候选分词序列中选择出评分最高的候选分词序列，作为所述待处理语句的分词序列。
其中，统计语言模型可以根据实际业务需求选择，例如，统计语言模型可以为N元模型(即，N-Gram模型)。
步骤103，对分词序列进行依存句法分析，以得到分词序列中各分词之间的依存句法关系树图。
在一些实施例中，可将分词序列输入到预设的依存句法分析模型中，以通过依存句法分析模型对分词序列进行依存句法分析，以得到分词序列中各分词之间的依存句法关系树图。
其中，依存句法关系树图中的节点与分词序列中的各个分词对应，并且，依存句法关系树图中还有节点与节点之间的依存关系，其中，节点与节点之间的依存关系，用于表示对应分词与分词之间的依存关系。
其中，依存关系可以包括但不限于主谓关系、动宾关系、间宾关系、前置宾语、兼语、定中关系、状中结构、动补结构、并列关系、介宾关系、独立结构、核心关系等，该实施例对依存关系不作具体限定。
步骤104，确定分词序列中每个分词对应的词向量。
在一些实施例中，可通过现有的词向量处理模型，对分词序列中的每个分词进行向量表示，以得到分词序列中每个分词的词向量。
步骤105，将依存句法关系树图以及每个分词对应的词向量输入到预设的图神经网络中，以得到分词序列中每个分词的中间词向量。
其中，需要说明的是，本实施例中的图神经网络可基于依存句法关系树图以及每个分词对应的词向量，将分词与分词之间的依存关系，对对应分词的词向量进行表示，以得到每个分词的中间词向量，其中，中间词向量是基于依存关系而得到的。
其中，图神经网络(Graph neural network,GNN)是一种直接作用于图结构上的神经网络,在社交网络、知识图、推荐***甚至生命科学等各个领域得到了越来越广泛的应用。GNN是一种基于空间的图神经网络，它的注意机制是在聚合特征信息时，将注意机制用于确定节点邻域的权重。GNN网络的输入为节点的向量和节点的邻接矩阵。
由于句法分析结果是树结构(树是图的一种特殊结构)，所以句法结果天然的可以使用图神经网络表示，故首先对用户数据做依存句法分析，并将结果使用邻接矩阵表示。例如，以待处理语句为“XX(在实际应用中是一个具体公司名称)是一家高科技公司”为例,可通过句法分析模型对该处理语句进行句法分析，以得到该处理语句对应的依存句法关系树图，对应该依存句法关系树图可通过邻接矩阵的形式对其进行表示，如表1所示：
表1
Figure BDA0002861063210000051
其中，表格左侧的字符表示父节点，顶部的字符表示子节点，当值为1时，表示由父节点指向子节点存在边，为0时表示边不存在。
在一些实施例中，虽然句法分析结果中节点间的边为有向边，但为了避免邻接矩阵的稀疏性问题，可令节点边为无向边，故在一些实实施例中，上述邻接矩阵无对称矩阵。
在一些实施例中，为了依次关系准确确定出对应分词的中间词向量，上述图神经网络还可以基于注意力机制的图神经网络，以通过图神经网络中的注意力机制结合依存关系的注意力分数，确定出对应分词的中间词向量。
步骤106，对每个分词的中间词向量执行下游任务，以得到待处理语句的处理结果。
本申请实施例的语句处理方法，在对待处理语句进行处理的过程中，对待处理语句的分词序列进行依存句法分析，以得到分词序列中各分词之间的依存句法关系树图，并将依存句法关系树图以及分词序列对应的每个分词的词向量输入到预设的图神经网络中，以分词序列中各个分词的中间词向量，然后，对每个分词的中间词向量执行下游任务，以得到待处理语句的处理结果。由此，得到了包含句法信息的中间词向量，并基于包含句法信息的中间词向量进行下游任务处理，从而使得下游任务准确获取待处理语句的处理结果，提高了下游任务的处理效果。
在本申请的一个实施例中，可以理解的是，对于不同类型的下游任务而言，其对待处理语句所进行的处理是不同的，并且，不同类型的下游任务所需要的向量表示可能是不同的，例如，一些下游任务，可能需要包含句法信息的中间词向量即可进行后续处理，而另一些任务可能结合待处理语句的句向量进行后续处理。在本申请的一个实施例中，为了可以对需要词向量的下游任务进行处理，上述步骤106对每个分词的中间词向量执行下游任务，以得到待处理语句的处理结果的一种可能实现方式，如图2所示，可以包括：
步骤201，获取下游任务对应的向量表示方式。
在一些实施例中，可基于预存的各种下游任务和向量表示方式之间的对应关系，来获取下游任务对应的向量表示方式。向量表示方式，即，向量表示类型，向量表示类型分为词向量表示类型以及句向量表示类型。
在一些实施例中，为了方便地获取下游任务的向量表示方式，获取下游任务对应的向量表示方式的一种可能实现方式为：获取下游任务对应的任务类型；根据任务类型，确定下游任务的向量表示方式。
具体地，可根据预存的各种任务类型与向量表示方式之间的对应关系获取该任务类型所对应的向量表示方式，并将所获得的向量表示方式作为下游任务的向量表示方式。
步骤202，在向量表示方式为句向量表示方式的情况下，确定依存句法关系树图中的核心节点，获取与核心节点对应的目标分词。
步骤203，从每个分词的中间词向量中，确定出目标分词对应的中间词向量，并将目标分词对应的中间词向量作为待处理语句对应的句向量。
步骤204，对句向量执行下游任务，以得到待处理语句的处理结果。
在一些实施例中，上述下游任务可以为句子分类任务的情况下，上述对句向量执行下游任务，以得到待处理语句的处理结果的一种可能实现方式为：根据句子分类任务，对句向量进行分类，以得到分类结果，并将分类结果作为待处理任务的处理结果。
其中，可以理解的是，本实施例中仅是以下游任务为句子分类任务为例进行示例，上述下游任务可以为其他需要采用句向量进行处理的任务，例如，上述下游任务还可以为句子匹配等任务。
在本实施例中，在向量表示方式为句向量表示方式的情况下，结合确定依存句法关系树图中的核心节点，获取与核心节点对应的目标分词，并基于从每个分词的中间词向量中，确定出目标分词对应的中间词向量，并将目标分词对应的中间词向量作为待处理语句对应的句向量，以及基于该句向量进行下游任务处理。由于句向量中包含待处理语句中的句法信息，因此，可以提高下游任务处理的准确性，从而可准确获取待处理语句在下游任务中的处理结果。
在本申请的一个实施例中，为了使得可以对需要待处理语句的句子向量的下游任务进行准确处理，如图3所示，上述步骤106对每个分词的中间词向量执行下游任务，以得到待处理语句的处理结果，包括：
步骤301，获取下游任务对应的向量表示方式。
其中，关于步骤301具体实现方式的具体描述，可参见上述实施例的相关描述，此处不再赘述。
步骤302，在向量表示方式为词向量表示方式的情况下，将分词序列中的各个分词的中间词向量进行拼接，以得到拼接词向量。
步骤303，对拼接词向量执行下游任务，以得到待处理语句的处理结果。
在一些实施例中，在下游任务为实体识别任务的情况下，对拼接词向量执行下游任务，以得到待处理语句的处理结果的一种可能实现方式为：根据实体识别任务，对拼接词向量进行实体识别，以得到对应的实体识别结果，并将实体识别结果作为待处理任务的处理结果。
其中，可以理解的是，本实施例中仅是以下游任务为实体识别任务为例进行示例，上述下游任务可以为其他需要中间词向量进行处理的任务。
在本实施例中，在向量表示方式词向量表示方式的情况下，将分词序列中的各个分词的中间词向量进行拼接，以得到拼接词向量,对拼接词向量执行下游任务，以得到待处理语句的处理结果。由于中间词向量中包含句法信息，因此，对应的拼接向量中也包含句法信息，基于拼接向量进行下游任务处理，可以提高下游任务处理的准确性，从而可准确获取待处理语句在下游任务中的处理结果。
为了实现上述实施例，本申请实施例还提供一种语句处理装置。
图4是根据本申请一个实施例提供的一种语句处理装置的结构示意图。
如图4所示，该语句处理装置400可以包括获取模块401、分词模块402、依存句法分析模块403、确定模块404、图神经网络处理模块405和任务执行模块406，其中：
获取模块401，用于获取待处理语句，并获取对待处理语句待执行的下游任务。
分词模块402，用于对待处理语句进行分词，以得到待处理句的分词序列。
依存句法分析模块403，用于对分词序列进行依存句法分析，以得到分词序列中各分词之间的依存句法关系树图。
确定模块404，用于确定分词序列中每个分词对应的词向量。
图神经网络处理模块405，用于将依存句法关系树图以及每个分词对应的词向量输入到预设的图神经网络中，以得到分词序列中每个分词的中间词向量。
任务执行模块406，用于对每个分词的中间词向量执行下游任务，以得到待处理语句的处理结果。
其中，需要说明的是，前述对语句处理方法实施例的解释说明也适用于本实施例，本实施对此不再赘述。
本申请实施例的语句处理装置，在对待处理语句进行处理的过程中，对待处理语句的分词序列进行依存句法分析，以得到分词序列中各分词之间的依存句法关系树图，并将依存句法关系树图以及分词序列对应的每个分词的词向量输入到预设的图神经网络中，以分词序列中各个分词的中间词向量，然后，对每个分词的中间词向量执行下游任务，以得到待处理语句的处理结果。由此，得到了包含句法信息的中间词向量，并基于包含句法信息的中间词向量进行下游任务处理，从而使得下游任务准确获取待处理语句的处理结果，提高了下游任务的处理效果。
在本申请的一个实施例中，如图5所示，该语句处理装置可以包括：获取模块501、分词模块502、依存句法分析模块503、确定模块504、图神经网络处理模块505和任务执行模块506，其中，任务执行模块506包括第一获取单元5061、第一确定单元5062、第二确定单元5063和第一执行单元5064。
其中，关于获取模块501、分词模块502、依存句法分析模块503、确定模块504、图神经网络处理模块505的详细描述请参考图4所示实施例中获取模块401、分词模块402、依存句法分析模块403、确定模块404、图神经网络处理模块405的说明，此处不再进行描述。
第一获取单元5061，用于获取下游任务对应的向量表示方式。
第一确定单元5062，用于在向量表示方式为句向量表示方式的情况下，确定依存句法关系树图中的核心节点，获取与核心节点对应的目标分词。
第二确定单元5063，用于从每个分词的中间词向量中，确定出目标分词对应的中间词向量，并将目标分词对应的中间词向量作为待处理语句对应的句向量。
第一执行单元5064，用于对句向量执行下游任务，以得到待处理语句的处理结果。
在本申请的一个实施例中，获取下游任务对应的向量表示方式通过以下方式得到：获取下游任务对应的任务类型；根据任务类型，确定下游任务的向量表示方式。
在本申请的一个实施例中，下游任务为句子分类任务，第一执行单元，具体用于：根据句子分类任务，对句向量进行分类，以得到分类结果，并将分类结果作为待处理任务的处理结果。
在本申请的一个实施例中，如图6所示，该语句处理装置可以包括：获取模块601、分词模块602、依存句法分析模块603、确定模块604、图神经网络处理模块606和任务执行模块606，其中，任务执行模块606包括第二获取单元6061、拼接单元6062和第二执行单元6063。
其中，关于获取模块601、分词模块602、依存句法分析模块603、确定模块604、图神经网络处理模块606的详细描述请参考图4所示实施例中获取模块401、分词模块402、依存句法分析模块403、确定模块404、图神经网络处理模块406的说明，此处不再进行描述。
在本申请的一个实施例中，第二获取单元6061，用于获取下游任务对应的向量表示方式。
拼接单元6062，用于在向量表示方式为词向量表示方式的情况下，将分词序列中的各个分词的中间词向量进行拼接，以得到拼接词向量。
第二执行单元6063，用于对拼接词向量执行下游任务，以得到待处理语句的处理结果。
在本申请的一个实施例中，下游任务为实体识别任务，第二执行单元6043，具体用于：根据实体识别任务，对拼接词向量进行实体识别，以得到对应的实体识别结果，并将实体识别结果作为待处理任务的处理结果
其中，需要说明的是，前述对语句处理方法实施例的解释说明也适用于本实施例中的语句处理装置，此处不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如语句处理方法。例如，在一些实施例中，语句处理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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的语句处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语句处理方法。
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)、互联网和区块链网络。
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。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (15)

1.一种语句处理方法，包括：
获取待处理语句，并获取对所述待处理语句待执行的下游任务；
对所述待处理语句进行分词，以得到所述待处理句的分词序列；
对所述分词序列进行依存句法分析，以得到所述分词序列中各分词之间的依存句法关系树图；
确定所述分词序列中每个分词对应的词向量；
将所述依存句法关系树图以及所述每个分词对应的词向量输入到预设的图神经网络中，以得到所述分词序列中每个分词的中间词向量；
对所述每个分词的中间词向量执行所述下游任务，以得到所述待处理语句的处理结果。
2.根据权利要求1所述的方法，其中，所述对所述每个分词的中间词向量执行所述下游任务，以得到所述待处理语句的处理结果，包括：
获取所述下游任务对应的向量表示方式；
在所述向量表示方式为句向量表示方式的情况下，确定所述依存句法关系树图中的核心节点，获取与所述核心节点对应的目标分词；
从所述每个分词的中间词向量中，确定出所述目标分词对应的中间词向量，并将所述目标分词对应的中间词向量作为所述待处理语句对应的句向量；
对所述句向量执行所述下游任务，以得到所述待处理语句的处理结果。
3.根据权利要求1所述的方法，其中，所述对所述每个分词的中间词向量执行所述下游任务，以得到所述待处理语句的处理结果，包括：
获取所述下游任务对应的向量表示方式；
在所述向量表示方式为词向量表示方式的情况下，将所述分词序列中的各个分词的中间词向量进行拼接，以得到拼接词向量；
对所述拼接词向量执行所述下游任务，以得到所述待处理语句的处理结果。
4.根据权利要求2或者3所述的方法，其中，所述获取所述下游任务对应的向量表示方式，包括：
获取所述下游任务对应的任务类型；
根据所述任务类型，确定所述下游任务的向量表示方式。
5.根据权利要求2所述的方法，其中，所述下游任务为句子分类任务，所述对所述句向量执行所述下游任务，以得到所述待处理语句的处理结果，包括：
根据所述句子分类任务，对所述句向量进行分类，以得到分类结果，并将所述分类结果作为所述待处理任务的处理结果。
6.根据权利要求3所述的方法，其中，所述下游任务为实体识别任务，所述对所述拼接词向量执行所述下游任务，以得到所述待处理语句的处理结果，包括：
根据所述实体识别任务，对所述拼接词向量进行实体识别，以得到对应的实体识别结果，并将所述实体识别结果作为所述待处理任务的处理结果。
7.一种语句处理装置，包括：
获取模块，用于获取待处理语句，并获取对所述待处理语句待执行的下游任务；
分词模块，用于对所述待处理语句进行分词，以得到所述待处理句的分词序列；
依存句法分析模块，用于对所述分词序列进行依存句法分析，以得到所述分词序列中各分词之间的依存句法关系树图；
确定模块，用于确定所述分词序列中每个分词对应的词向量；
图神经网络处理模块，用于将所述依存句法关系树图以及所述每个分词对应的词向量输入到预设的图神经网络中，以得到所述分词序列中每个分词的中间词向量；
任务执行模块，用于对所述每个分词的中间词向量执行所述下游任务，以得到所述待处理语句的处理结果。
8.根据权利要求7所述的装置，其中，所述任务执行模块，包括：
第一获取单元，用于获取所述下游任务对应的向量表示方式；
第一确定单元，用于在所述向量表示方式为句向量表示方式的情况下，确定所述依存句法关系树图中的核心节点，获取与所述核心节点对应的目标分词；
第二确定单元，用于从所述每个分词的中间词向量中，确定出所述目标分词对应的中间词向量，并将所述目标分词对应的中间词向量作为所述待处理语句对应的句向量；
第一执行单元，用于对所述句向量执行所述下游任务，以得到所述待处理语句的处理结果。
9.根据权利要求7所述的装置，其中，所述任务执行模块，包括：
第二获取单元，用于获取所述下游任务对应的向量表示方式；
拼接单元，用于在所述向量表示方式为词向量表示方式的情况下，将所述分词序列中的各个分词的中间词向量进行拼接，以得到拼接词向量；
第二执行单元，用于对所述拼接词向量执行所述下游任务，以得到所述待处理语句的处理结果。
10.根据权利要求8或者9所述的装置，其中，所述获取所述下游任务对应的向量表示方式通过以下方式得到：
获取所述下游任务对应的任务类型；
根据所述任务类型，确定所述下游任务的向量表示方式。
11.根据权利要求8所述的装置，其中，所述下游任务为句子分类任务，所述第一执行单元，具体用于：
根据所述句子分类任务，对所述句向量进行分类，以得到分类结果，并将所述分类结果作为所述待处理任务的处理结果。
12.根据权利要求9所述的装置，其中，所述下游任务为实体识别任务，所述第二执行单元，具体用于：
根据所述实体识别任务，对所述拼接词向量进行实体识别，以得到对应的实体识别结果，并将所述实体识别结果作为所述待处理任务的处理结果。
13.一种电子设备，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1-6中任一项所述的方法。
14.一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1-6中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的方法。
CN202011563713.0A 2020-12-25 2020-12-25 语句处理方法、设备和存储介质 Active CN112560481B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011563713.0A CN112560481B (zh) 2020-12-25 2020-12-25 语句处理方法、设备和存储介质
US17/375,236 US20210342379A1 (en) 2020-12-25 2021-07-14 Method and device for processing sentence, and storage medium
JP2021159038A JP7242797B2 (ja) 2020-12-25 2021-09-29 語句処理方法、機器及び記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011563713.0A CN112560481B (zh) 2020-12-25 2020-12-25 语句处理方法、设备和存储介质

Publications (2)

Publication Number Publication Date
CN112560481A true CN112560481A (zh) 2021-03-26
CN112560481B CN112560481B (zh) 2024-05-31

Family

ID=75032367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011563713.0A Active CN112560481B (zh) 2020-12-25 2020-12-25 语句处理方法、设备和存储介质

Country Status (3)

Country Link
US (1) US20210342379A1 (zh)
JP (1) JP7242797B2 (zh)
CN (1) CN112560481B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972366B (zh) * 2022-07-27 2022-11-18 山东大学 基于图网络的大脑皮层表面全自动分割方法及***

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106557462A (zh) * 2016-11-02 2017-04-05 数库（上海）科技有限公司 命名实体识别方法和***
CN108304468A (zh) * 2017-12-27 2018-07-20 ***股份有限公司 一种文本分类方法以及文本分类装置
CN109670050A (zh) * 2018-12-12 2019-04-23 科大讯飞股份有限公司 一种实体关系预测方法及装置
CN110110083A (zh) * 2019-04-17 2019-08-09 华东理工大学 一种文本的情感分类方法、装置、设备及存储介质
CN110532566A (zh) * 2019-09-03 2019-12-03 山东浪潮通软信息科技有限公司 一种垂直领域问句相似度计算的实现方法
CN110704598A (zh) * 2019-09-29 2020-01-17 北京明略软件***有限公司 一种语句信息的抽取方法、抽取装置及可读存储介质
CN110826313A (zh) * 2019-10-31 2020-02-21 北京声智科技有限公司 一种信息提取方法、电子设备及计算机可读存储介质
WO2020114373A1 (zh) * 2018-12-07 2020-06-11 北京国双科技有限公司 一种实现司法文书中要素识别的方法及装置
CN111898364A (zh) * 2020-07-30 2020-11-06 平安科技（深圳）有限公司 神经网络关系抽取方法、计算机设备及可读存储介质
WO2020224097A1 (zh) * 2019-05-06 2020-11-12 平安科技（深圳）有限公司 智能语义文档推荐方法、装置及计算机可读存储介质
CN112069801A (zh) * 2020-09-14 2020-12-11 深圳前海微众银行股份有限公司 基于依存句法的句子主干抽取方法、设备和可读存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11017173B1 (en) * 2017-12-22 2021-05-25 Snap Inc. Named entity recognition visual context and caption data
US11132513B2 (en) * 2019-05-07 2021-09-28 International Business Machines Corporation Attention-based natural language processing
US11176333B2 (en) * 2019-05-07 2021-11-16 International Business Machines Corporation Generation of sentence representation
CN110309289B (zh) * 2019-08-23 2019-12-06 深圳市优必选科技股份有限公司 一种句子生成方法、句子生成装置及智能设备
US11481418B2 (en) * 2020-01-02 2022-10-25 International Business Machines Corporation Natural question generation via reinforcement learning based graph-to-sequence model
CN111274134B (zh) * 2020-01-17 2023-07-11 扬州大学 基于图神经网络的漏洞识别与预测方法、***、计算机设备和存储介质
US11625540B2 (en) * 2020-02-28 2023-04-11 Vinal AI Application and Research Joint Stock Co Encoder, system and method for metaphor detection in natural language processing
US20210279279A1 (en) * 2020-03-05 2021-09-09 International Business Machines Corporation Automated graph embedding recommendations based on extracted graph features
CN111563164B (zh) * 2020-05-07 2022-06-28 成都信息工程大学 一种基于图神经网络的特定目标情感分类方法
CN112001185B (zh) * 2020-08-26 2021-07-20 重庆理工大学 一种结合中文句法和图卷积神经网络的情感分类方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106557462A (zh) * 2016-11-02 2017-04-05 数库（上海）科技有限公司 命名实体识别方法和***
CN108304468A (zh) * 2017-12-27 2018-07-20 ***股份有限公司 一种文本分类方法以及文本分类装置
WO2020114373A1 (zh) * 2018-12-07 2020-06-11 北京国双科技有限公司 一种实现司法文书中要素识别的方法及装置
CN109670050A (zh) * 2018-12-12 2019-04-23 科大讯飞股份有限公司 一种实体关系预测方法及装置
CN110110083A (zh) * 2019-04-17 2019-08-09 华东理工大学 一种文本的情感分类方法、装置、设备及存储介质
WO2020224097A1 (zh) * 2019-05-06 2020-11-12 平安科技（深圳）有限公司 智能语义文档推荐方法、装置及计算机可读存储介质
CN110532566A (zh) * 2019-09-03 2019-12-03 山东浪潮通软信息科技有限公司 一种垂直领域问句相似度计算的实现方法
CN110704598A (zh) * 2019-09-29 2020-01-17 北京明略软件***有限公司 一种语句信息的抽取方法、抽取装置及可读存储介质
CN110826313A (zh) * 2019-10-31 2020-02-21 北京声智科技有限公司 一种信息提取方法、电子设备及计算机可读存储介质
CN111898364A (zh) * 2020-07-30 2020-11-06 平安科技（深圳）有限公司 神经网络关系抽取方法、计算机设备及可读存储介质
CN112069801A (zh) * 2020-09-14 2020-12-11 深圳前海微众银行股份有限公司 基于依存句法的句子主干抽取方法、设备和可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
肖和 等: "神经网络与组合语义在文本相似度中的应用", 计算机工程与应用, vol. 52, no. 7, 1 April 2016 (2016-04-01) *

Also Published As

Publication number Publication date
CN112560481B (zh) 2024-05-31
US20210342379A1 (en) 2021-11-04
JP2022000805A (ja) 2022-01-04
JP7242797B2 (ja) 2023-03-20

Similar Documents

Publication Publication Date Title
CN113342345A (zh) 深度学习框架的算子融合方法、装置
CN113836314B (zh) 知识图谱构建方法、装置、设备以及存储介质
CN112528641A (zh) 建立信息抽取模型的方法、装置、电子设备和可读存储介质
CN113642583A (zh) 用于文本检测的深度学习模型训练方法及文本检测方法
CN113011155A (zh) 用于文本匹配的方法、装置、设备、存储介质和程序产品
CN114490998A (zh) 文本信息的抽取方法、装置、电子设备和存储介质
CN112989235A (zh) 基于知识库的内链构建方法、装置、设备和存储介质
CN112506359A (zh) 输入法中候选长句的提供方法、装置及电子设备
CN112699237B (zh) 标签确定方法、设备和存储介质
CN112989797B (zh) 模型训练、文本扩展方法，装置，设备以及存储介质
CN112906368B (zh) 行业文本增量方法、相关装置及计算机程序产品
CN113408280A (zh) 负例构造方法、装置、设备和存储介质
CN113641829A (zh) 图神经网络的训练与知识图谱的补全方法、装置
CN112560481B (zh) 语句处理方法、设备和存储介质
CN114661904B (zh) 文档处理模型的训练方法、装置、设备、存储介质及程序
CN113239273B (zh) 用于生成文本的方法、装置、设备以及存储介质
CN114841172A (zh) 文本匹配双塔模型的知识蒸馏方法、装置及程序产品
CN114328855A (zh) 文档查询方法、装置、电子设备和可读存储介质
CN114417862A (zh) 文本匹配方法、文本匹配模型的训练方法和装置
CN114817476A (zh) 语言模型的训练方法、装置、电子设备和存储介质
CN114445668A (zh) 图像识别方法、装置、电子设备及存储介质
CN114398434A (zh) 结构化信息抽取方法、装置、电子设备和存储介质
CN113204616A (zh) 文本抽取模型的训练与文本抽取的方法、装置
CN113408632A (zh) 提高图像分类准确性的方法、装置、电子设备及存储介质
CN113590774A (zh) 事件查询方法、装置以及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant