CN113850291B - 文本处理及模型训练方法、装置、设备和存储介质 - Google Patents
文本处理及模型训练方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113850291B CN113850291B CN202110947683.1A CN202110947683A CN113850291B CN 113850291 B CN113850291 B CN 113850291B CN 202110947683 A CN202110947683 A CN 202110947683A CN 113850291 B CN113850291 B CN 113850291B
- Authority
- CN
- China
- Prior art keywords
- gender
- text
- attention
- layer
- character
- 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
- 238000012549 training Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 title claims abstract description 34
- 238000003672 processing method Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 77
- 230000006870 function Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 abstract description 4
- 238000003786 synthesis reaction Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 241000195955 Equisetum hyemale Species 0.000 description 3
- 239000000463 material Substances 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
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种文本处理及模型训练方法、装置、设备和存储介质，涉及计算机技术领域，具体涉及语音合成、深度学习、自然语言处理等人工智能领域。文本处理方法包括：检测文本中的角色；在所述文本中，提取所述角色的性别相关文本，所述性别相关文本为包含所述角色的性别信息的文本；对所述性别相关文本进行处理，以确定所述角色的性别。本公开可以确定文本中角色的性别。
Description
技术领域
本公开涉及计算机技术领域，具体涉及语音合成、深度学习、自然语言处理等人工智能领域，尤其涉及一种文本处理及模型训练方法、装置、设备和存储介质。
背景技术
有声读物是传统书的一种衍生形式，它是随着声磁技术的发展而开发出的一种以磁化物为载体并带有播放功能的书，最为常见的有声读物是有声小说。
相关技术中，有声小说是采用同一发音人对所有角色的对话内容进行发音。
发明内容
本公开提供了一种文本处理及模型训练方法、装置、设备和存储介质。
根据本公开的一方面，提供了一种文本处理方法，包括：检测文本中的角色；在所述文本中，提取所述角色对应的性别相关文本，所述性别相关文本为包含所述角色的性别信息的文本；对所述性别相关文本进行处理，以确定所述角色的性别。
根据本公开的另一方面，提供了一种性别预测模型的训练方法，所述性别预测模型用于确定文本的角色的性别，所述方法包括：获取训练样本，所述训练样本包括：训练文本中角色的性别相关文本，以及所述性别相关文本的标签信息，所述标签信息用于标识所述性别相关文本对应的性别；采用所述训练样本，训练性别预测模型。
根据本公开的另一方面，提供了一种文本处理装置，包括：检测模块，用于检测文本中的角色；提取模块，用于在所述文本中，提取所述角色的性别相关文本，所述性别相关文本为包含所述角色的性别信息的文本；确定模块，用于对所述性别相关文本进行处理，以确定所述角色的性别。
根据本公开的另一方面，提供了一种性别预测模型的训练装置，所述性别预测模型用于确定文本的角色的性别，所述装置包括：获取模块，用于获取训练样本，所述训练样本包括：训练文本中角色的性别相关文本，以及所述性别相关文本的标签信息，所述标签信息用于标识所述性别相关文本对应的性别；训练模块，用于采用所述训练样本，训练性别预测模型。
根据本公开的另一方面，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如上述任一方面的任一项所述的方法。
根据本公开的另一方面，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，其中，所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
根据本公开的技术方案，可以确定文本中角色的性别。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本公开第四实施例的示意图；
图5是根据本公开第五实施例的示意图；
图6是根据本公开第六实施例的示意图；
图7是根据本公开第七实施例的示意图；
图8是根据本公开第八实施例的示意图；
图9是用来实现本公开实施例的文本处理方法或性别预测模型的训练方法中任一方法的电子设备的示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
相关技术中，有声小说是采用同一发音人对所有角色的对话内容进行发音。然而，不同的角色采用合适性别的发音人对其内容进行发音，可以提高有声读取的播放效果，提升用户体验。
为了提高有声读物的播放效果，本公开提供如下实施例。
图1是根据本公开第一实施例的示意图，本实施例提供一种文本处理方法，所述方法包括：
101、检测文本中的角色。
102、在所述文本中，提取所述角色的性别相关文本，所述性别相关文本为包含所述角色的性别信息的文本。
103、对所述性别相关文本进行处理，以确定所述角色的性别。
其中，文本是指有声读物的文本，以有声小说为例，文本是指小说文本。本实施例中，对小说文本的文体、领域、风格、形式、长度等不限定。可以理解的是，有声读物的文本不限定为有声小说，还可以为有声新闻、有声剧本、有声学习资源等。
角色是指文本中的说话人，以小说文本为例，比如，A说了：“今天天气不错”，A为人名，其中的A为角色。
本实施例的执行主体可以为文本处理装置，该装置可以位于电子设备内，该电子设备可以为云端设备、服务端设备、客户端设备等，该装置的具体形式不限定，可以为硬件、软件，或者软硬结合。对于软件形式，可以包括网页应用(web APP)、移动应用(APP，如手机百度)、***应用(OS APP，如duerOS)等。对于客户端设备，还可以称为终端设备，可以包括移动设备(如手机、平板电脑)、可穿戴式设备(如智能手表、智能手环)、智能家居设备(如智能电视、智能音箱)等。
其中，如图2所示，可以采用角色预测模型，对文本进行预测处理，以检测文本中的角色。
角色检测模型的输入为文本，输出为角色词，角色词比如为角色的名字名。比如，采用角色检测模型可以检测出文本中的A、B等，A和B分别表示人的名字。
角色检测模型可以为深度神经网络模型，可以采用各种相关技术训练得到，在此不再详述。
检测到文本中的角色后，如图2所示，可以基于关键词检索的方式获得角色相关文本，再基于关键词检索的方式，在角色相关文本中获得角色对应的性别相关文本。
比如，检测出的一个角色为A，则可以将包含A的文本内容作为A的角色相关文本，比如，一条文本为“A迎面走过来”、另一条文本为“A梳着高高的马尾，...”，“A在和小伙伴们打篮球，他...，”，由于上述三条文本都涉及了A，所以，上述三条文本均为A的角色相关文本。
获得角色相关文本后，可以基于预设的性别相关的关键词(或称为词林数据)，从角色相关文本中获得性别相关文本。
进一步地，性别相关文本可以包括性别词文本和指代词文本，性别词文本是指包含性别词的文本，指代词文本是指包含指代词的文本，性别词可以包括显式的性别词，比如，男、女，还可以包括隐式的性别词，比如上述的“梳着高高的马尾”。指代词包括：“他”或“她”。
一些实施例中，所述性别相关文本包括：性别词文本和指代词文本，所述对所述性别相关文本进行处理，以确定所述角色的性别，包括：采用性别模型，对所述性别词文本进行预测处理，以确定第一性别；采用指代模型，对所述指代词文本进行预测处理，以确定第二性别；若所述第一性别和所述第二性别相同，则确定所述角色的性别为所述相同的性别。
如图2所述，可以采用性别模型对性别词文本进行预测处理，以确定第一性别，可以采用指代模型对性别词文本进行预测处理，以确定第二性别。之后，可以采用比对模块判断第一性别和第二性别是否相同，假设第一性别和第二性别相同，比如，第一性别和第二性别均为女性，则确定角色的性别为女性。反之，若第一性别和第二性别不同，比如，一个是男性，一个是女性，则可以发送给人工处理模块，由人工对角色的性别的进行标注。
通过对性别模型和指代模型输出的性别预测结果进行比对，在两者输出的性别预测结果相同时，将相同的性别预测结果作为角色的性别，可以提高性别的准确度。
进一步地，所述性别词文本为多条，所述性别词文本对应的性别信息包括不同性别对应的性别得分，所述基于所述性别词文本对应的性别信息确定第一性别，包括：对应同一性别，将所述多条性别词文本对应的性别得分进行汇总，以获得同一性别的总得分；将总得分最高的性别，作为所述第一性别。
获得性别词文本后，可以采用性别模型，对性别词文本进行处理，以确定不同性别对应的性别得分。
性别模型的输入为性别词文本，输出为性别词文本对应的性别信息。
性别信息可以为各个性别对应的概率值，即，男性对应的概率值和女性对应的概率值。
上述的概率值可以作为性别得分，或者，也可以将概率值转换为性别得分，比如，若概率值为10％，则得分可以为10分。
汇总可以为相加或者其他运算。
如图3所示，以性别信息为性别得分、汇总为相加为例，可以采用性别模型分别对每条性别词文本进行处理，以获得每条性别词文本对应的性别得分，再对应同一性别，将每条性别词文本对应的性别得分进行相加，获得对应性别的总得分，之后，可以将总得分最高的性别作为第一性别。
一般来讲，对应某个角色，比如角色A，该角色对应的性别词文本为多条，比如，“A扎着高高的马尾，...”、“A怀孕了，...”为两条性别词文本。对应多条性别词文本，可以对每条性别词文本都采用性别模型进行处理，以获得每条性别词文本在各个性别上的得分，即获得每条性别词文本对应男性的得分和对应女性的得分。
获得每条性别词文本在各个性别上的得分后，可以对应每个性别，将同一性别的多条性别词文本对应的得分进行相加，以确定该性别的总得分。
比如，角色A对应的性别词文本为N条，用Si,1表示第i条文本对应男性的性别得分，Si,2表示第i条文本对应女性的性别得分，则角色A对应男性的总得分为：对应女性的总得分为：/>之后，可以将总得分最高的性别作为角色A对应的第一性别，比如，经过运算，角色A对应女性的总得分大于对应男性的总得分，则角色A对应的第一性别为女性。
通过采用性别模型，可以精准地获得性别词文本对应的性别信息。
进一步地，通过对同一性别的多条性别词文本对应的性别得分进行汇总，以获得对应性别的总得分，以及，将总得分最高的性别作为第一性别，可以提高第一性别的确定准确度。
上述对性别模型进行了说明，指代模型也可以采用类似的对多条指代词文本对应的预测结果进行汇总，以确定第二性别。
一些实施例中，所述指代词文本为多条，所述指代词文本对应的性别信息包括不同指代词对应的指代得分，所述基于所述指代词文本对应的性别信息确定第二性别，包括：对应同一指代词，将所述多条指代词文本对应的指代得分进行汇总，以获得同一指代词的总得分；将总得分最高的指代词对应的性别，作为所述第二性别。
获得指代词文本后，可以采用指代模型，对指代词文本进行处理，以确定不同指代词对应的指代得分。
指代模型的输入为指代词文本，输出为指代词文本对应的指代信息。
指代信息可以为各个指代词的概率值，指代词是指用于区分性别的指代词，包括“他”、“她”，因此，通过指代模型可以获得“他”对应的概率值和“她”对应的概率值。
上述的概率值可以作为指代得分，或者，也可以将概率值转换为指代得分，比如，若概率值为10％，则得分可以为10分。
如图4所示，以指代信息为指代得分、汇总为相加为例，可以采用指代模型分别对每条指代词文本进行处理，以获得每条指代词文本对应的指代得分，再对应同一指代词，将每条指代词文本对应的指代得分进行相加，获得对应指代词的总得分，之后，可以将总得分最高的指代词对应的性别作为第二性别。
一般来讲，对应某个角色，比如角色A，该角色对应的指代词文本为多条，比如，“他在打篮球，...”、“他去上班了，...”为两条指代词文本。对应多条指代词文本，可以对每条指代词文本都采用指代模型进行处理，以获得每条指代词文本在各个指代词上的得分，即获得每条指代词文本对应“他”的得分和对应“她”的得分。
获得每条指代词文本在各个指代词上的得分后，可以对应每个指代词，将同一指代词的多条指代词文本对应的得分进行相加，以确定该指代词的总得分。
比如，角色B对应的指代词文本为M条，用Si,1表示第i条文本对应“他”的指代得分，Si,2表示第i条文本对应“她”的指代得分，则角色B对应“他”的总得分为：对应“她”的总得分为：/>之后，可以将总得分最高的指代词对应的性别作为角色B对应的第二性别，比如，经过运算，角色B对应“他”的总得分大于对应“她”的总得分，由于“他”对应的是男性，则角色B对应的第二性别为男性。
通过采用指代模型，可以精准地获得指代词文本对应的性别信息。
进一步地，通过对同一指代词的多条指代词文本对应的指代得分进行汇总，以获得对应指代词的总得分，以及，将总得分最高的指代词对应的性别作为第二性别，可以提高第二性别的确定准确度。
一些实施例中，所述性别模型包括：输入层、隐层、注意力层和分类层，所述采用性别模型，对所述性别词文本进行预测处理，以获得所述性别词文本对应的性别信息，包括：采用所述输入层，将所述性别词文本转换为输入向量；采用所述隐层，将所述输入向量转换为隐层向量；采用所述注意力层，将所述隐层向量转换为编码向量，所述注意力层的参数包括注意力权重，所述角色出现位置对应的注意力权重大于非所述角色出现位置对应的注意力权重；采用所述分类层，对所述编码向量进行分类处理，以获得所述性别词文本对应的性别信息。
其中，隐层可以采用预训练语言模型，比如，双向Transformer的Encoder(Bidirectional Encoder Representations from Transformers，BERT)模型。
经过性别模型的各个层的不断处理，可以获得性别词文本对应的性别信息。
其中，对于注意力层，是采用注意力权重对隐层向量进行处理，所述角色出现位置对应的注意力权重大于非所述角色出现位置对应的注意力权重，从而可以使得注意力层更关注角色的出现位置，提高性别信息的确定准确度。注意力权重可以是在训练阶段确定的，其确定过程可以参见训练过程中的相关描述。
通过采用上述的注意力层，可以使得性别模型更关注角色出现的位置，从而可以提高性别信息的准确度。
对于指代模型，也可以采用上述所示的结构，类似性别模型对性别词文本的处理过程，采用指定模型对指代词文本进行处理，在此不再详述。
进一步地，对性别模型，如图5所示，所述分类层包括文本分类层和姓名分类层，所述采用所述分类层，对所述编码向量进行分类处理，以获得所述性别词文本对应的性别信息，包括：采用所述文本分类层，对所述编码向量进行分类处理，以获得第一分类结果；采用所述姓名分类层，对所述编码向量进行分类处理，以获得第二分类结果；对所述第一分类结果和所述第二分类结果进行融合，以获得所述性别词文本对应的性别信息。
由于性别词文本和指定词文本都属于角色相关文本，而角色相关文本一般是包含角色的姓名的文本，因此，性别词文本中一般包含角色的姓名。在对性别词文本进行分类时，不仅可以进行文本级的分类，还可以进行姓名级的分类，比如，一条文本中“小刚在...”，一般来讲，由于角色姓名“小刚”为男性的概率较高，即，通过姓名分类层确定该文本对应的男性的概率较高，不过，由于文本分类层是基于上下文训练得到的，采用文本分类层可能确定该文本对应的女性的概率较高。
第一分类结果和第二分类结果进行融合时，可以是进行加权相加的方式。比如，第一分类结果包括第一男性得分S11和第一女性得分S12，第二分类结果包括第二男性得分S21和第二女性得分S22，则可以将第一男性得分和第二男性得分进行加权相加，以获取最终的性别模型输出的男性得分，即，男性得分＝k1*S11+k2*S21；将第一女性得分和第二女性得分进行加权相加，以获取最终的性别模型输出的女性得分，即女性得分＝k1*S12+k2*S22。上述的k1和k2为加权值，可以为根据实际需求设置的经验值。
通过分类层包括文本分类层和姓名分类层，可以实现文本级分类结果和姓名级分类结果的融合，进一步提高性别信息的准确度。
一些实施例中，所述方法还可以包括：获取对应所述角色的性别的语音；采用所述语音，对所述角色的对话内容进行语音播放。
比如，对应同一对话内容，可以事先录制不同发音人的语音，比如，男性语音和女性语音，之后，若确定角色为男性，则在语音库中获得男性语音，并采用男性语音播放该段对话内容。
或者，也可以采用语音合成技术，基于性别和对话内容，进行语音合成处理，以获得对应性别的语音，并进行播放。
通过采用角色对应性别的语音进行对话内容的语音播放，可以采用合适性别的语音进行播放，提高播放效果。
本公开实施例中，通过确定文本中的角色的性别，可以基于性别采用对应性别的语音，从而可以提高有声读物的播放效果，提升用户体验。
上述涉及了性别预测模型，性别预测模型可以预先训练得到，性别预测模型可以采用如下方式训练得到。
图6是根据本公开第六实施例的示意图，本实施例提供一种性别预测模型的训练方法，该方法包括：
601、获取训练样本，所述训练样本包括：训练文本中角色的性别相关文本，以及所述性别相关文本的标签信息，所述标签信息用于标识所述性别相关文本对应的性别。
602、采用所述训练样本，训练性别预测模型。
该性别预测模型可以用于上述的文本处理过程，即，所述性别预测模型用于确定文本中的角色的性别。
性别预测模型可以包括：性别模型和指代模型，对应的性别相关文本分别为性别词文本和指代词文本。
性别模型的训练样本可以包括性别词文本及其对应的标签信息，即，一组训练样本可以表示为<性别词文本，标签信息>，通过大量的训练样本进行训练，可以获得性别模型。
指代模型的训练样本可以包括指定词文本及其对应的标签信息，即，一组训练样本可以表示为<指代词文本，标签信息>，通过大量的训练样本进行训练，可以获得指代模型。
以小说文本为例，可以收集大量的小说文本，对小说文本采用角色预测模型，检测小说文本中的角色，再基于关键词检索，获取角色对应的性别词文本和指代词文本。
获得性别词文本和指代词文本后，可以采用人工标注的方式获得对应的标签信息，比如，对应一条性别词文本“A扎着高高的马尾”，假设标签信息为1和0分别表示女性和男性，则可以将该条性别词文本对应的标签信息标注为1。
对于指代词文本，如果指代词文本中包含的是“他”，对应的标签信息可以标注为0，即对应的性别为男性。
性别模型和指代模型可以均为深度神经网络模型。
一些实施例中，所述性别相关文本包括：性别词文本，所述性别预测模型包括：性别模型，所述性别模型包括：输入层、隐层、注意力层和分类层，所述训练样本还包括：所述角色对应的关注度标识，所述采用所述训练样本，训练性别预测模型，包括：采用所述输入层，将所述性别词文本转换为输入向量；采用所述隐层，将所述输入向量转换为隐层向量；基于所述隐层向量和所述关注度标识，确定所述注意力层的注意力权重，并采用具有所述注意力权重的所述注意力层，将所述隐层向量转换为编码向量；采用所述分类层，对所述编码向量进行分类处理，以确定所述性别相关文本对应的性别预测信息；基于所述性别预测信息和所述标签信息，构建损失函数，并基于所述损失函数，训练所述性别模型。
进一步地，所述分类层包括文本分类层和姓名分类层，所述采用所述分类层，对所述编码向量进行分类处理，以确定所述性别相关文本对应的性别预测信息，包括：采用所述文本分类层，对所述编码向量进行分类处理，以获得第一分类结果；采用所述姓名分类层，对所述编码向量进行分类处理，以获得第二分类结果；对所述第一分类结果和所述第二分类结果进行融合，以获得所述性别词文本对应的性别预测信息。
比如，在训练时，一条性别词文本为“A扎着高高的马尾，B是A的爸爸”，若当前的角色是角色A，则对应角色A可以设置与其他词语不同的关注度标识，比如，角色A对应的关注度标识设置为10，其他词语，比如“初中”、“B”等的关注度标识可以设置为8，通过不同的关注度标签，可以控制注意力层的注意力权重，使得注意力层更关注当前的角色，比如，关注度标识较大的词语对应的注意力权重也较大，依据上述示例，“A”对应的注意力权重要大于其他词语对应的注意力权重，从而使得注意力层更关注角色“A”。
关于性别模型的结果可以参见图5。图5对应的预测阶段，与预测阶段不同，在训练阶段，还需要构建损失函数，损失函数的形式可以根据需要设置，基于损失函数，可以调整模型参数，直至损失函数收敛，或者达到预设的迭代次数，将达到结束条件时的模型参数，作为最终的模型。
通过采用上述的注意力层，可以使得性别模型更关注角色出现的位置，从而可以提高性别信息的准确度。
进一步地，分类层包括文本分类层和姓名分类层，可以实现文本级分类结果和姓名级分类结果的融合，进一步提高性别信息的准确度。
本公开实施例中，通过基于训练文本获得性别相关文本，并获取标签信息，可以基于性别相关文本和标签信息训练性别预测模型，进而可以采用性别预测模型预测文本中角色的性别，进而采用对应性别的发音人对角色的对话内容进行发音，从而可以提高语音播放效果，提升用户体验。
图7是根据本公开第七实施例的示意图，本实施例提供一种文本处理装置。如图7所示，该装置700包括：检测模块701、提取模块702和确定模块703。
检测模块701用于检测文本中的角色；提取模块702用于在所述文本中，提取所述角色的性别相关文本，所述性别相关文本为包含所述角色的性别信息的文本；确定模块703用于对所述性别相关文本进行处理，以确定所述角色的性别。
一些实施例中，所述性别相关文本包括：性别词文本和指代词文本，所述确定模块703包括：第一预测单元、第二预测单元和确定单元。
第一预测单元，用于采用性别模型，对所述性别词文本进行预测处理，以获得所述性别词文本对应的性别信息，并基于所述性别词文本对应的性别信息确定第一性别；第二预测单元，用于采用指代模型，对所述指代词文本进行预测处理，以获得所述指代词文本对应的性别信息，并基于所述指代词文本对应的性别信息确定第二性别；确定单元，用于若所述第一性别和所述第二性别相同，则确定所述角色的性别为所述相同的性别。
一些实施例中，所述性别词文本为多条，所述性别词文本对应的性别信息包括不同性别对应的性别得分，所述第一预测单元具体用于：对应同一性别，将所述多条性别词文本对应的性别得分进行汇总，以获得同一性别的总得分；将总得分最高的性别，作为所述第一性别。
一些实施例中，所述指代词文本为多条，所述指代词文本对应的性别信息包括不同指代词对应的指代得分，所述第二预测单元具体用于：对应同一指代词，将所述多条指代词文本对应的指代得分进行汇总，以获得同一指代词的总得分；将总得分最高的指代词对应的性别，作为所述第二性别。
一些实施例中，所述性别模型包括：输入层、隐层、注意力层和分类层，所述第一预测单元具体用于：采用所述输入层，将所述性别词文本转换为输入向量；采用所述隐层，将所述输入向量转换为隐层向量；采用所述注意力层，将所述隐层向量转换为编码向量，所述注意力层的参数包括注意力权重，所述角色出现位置对应的注意力权重大于非所述角色出现位置对应的注意力权重；采用所述分类层，对所述编码向量进行分类处理，以获得所述性别词文本对应的性别信息。
一些实施例中，所述分类层包括文本分类层和姓名分类层，所述第一预测单元进一步具体用于：采用所述文本分类层，对所述编码向量进行分类处理，以获得第一分类结果；采用所述姓名分类层，对所述编码向量进行分类处理，以获得第二分类结果；对所述第一分类结果和所述第二分类结果进行融合，以获得所述性别词文本对应的性别信息。
一些实施例中，所述装置700还包括：获取模块，用于获取对应所述角色的性别的语音；播放模块，用于采用所述语音，对所述角色的对话内容进行语音播放。
本公开实施例中，通过确定文本中的角色的性别，可以基于性别采用对应性别的语音，从而可以提高有声读物的播放效果，提升用户体验。
图8是根据本公开第八实施例的示意图，本实施例提供一种性别预测模型的训练装置。所述性别预测模型用于确定文本的角色的性别，所述装置800包括：获取模块801和训练模块802。
获取模块801用于获取训练样本，所述训练样本包括：训练文本中角色的性别相关文本，以及所述性别相关文本的标签信息，所述标签信息用于标识所述性别相关文本对应的性别；训练模块802用于采用所述训练样本，训练性别预测模型。
一些实施例中，所述性别相关文本包括：性别词文本，所述性别预测模型包括：性别模型，所述性别模型包括：输入层、隐层、注意力层和分类层，所述训练样本还包括：所述角色对应的关注度标识，所述训练模块具体用于：采用所述输入层，将所述性别词文本转换为输入向量；采用所述隐层，将所述输入向量转换为隐层向量；基于所述隐层向量和所述关注度标识，确定所述注意力层的注意力权重，并采用具有所述注意力权重的所述注意力层，将所述隐层向量转换为编码向量；采用所述分类层，对所述编码向量进行分类处理，以确定所述性别相关文本对应的性别预测信息；基于所述性别预测信息和所述标签信息，构建损失函数，并基于所述损失函数，训练所述性别模型。
一些实施例中，所述分类层包括文本分类层和姓名分类层，所述训练模块进一步具体用于：采用所述文本分类层，对所述编码向量进行分类处理，以获得第一分类结果；采用所述姓名分类层，对所述编码向量进行分类处理，以获得第二分类结果；对所述第一分类结果和所述第二分类结果进行融合，以获得所述性别词文本对应的性别预测信息。
本公开实施例中，通过基于训练文本获得性别相关文本，并获取标签信息，可以基于性别相关文本和标签信息训练性别预测模型，进而可以采用性别预测模型预测文本中角色的性别，进而采用对应性别的发音人对角色的对话内容进行发音，从而可以提高语音播放效果，提升用户体验。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
可以理解的是，本公开实施例中，不同实施例中的相同或相似内容可以相互参考。
可以理解的是，本公开实施例中的“第一”、“第二”等只是用于区分，不表示重要程度高低、时序先后等。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900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、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，个人数字助理、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9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元909加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许电子设备900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901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901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901执行上文所描述的各个方法和处理，例如文本处理方法或性别预测模型的训练方法。例如，在一些实施例中，文本处理方法或性别预测模型的训练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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的文本处理方法或性别预测模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文本处理方法或性别预测模型的训练方法。
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 (10)
1.一种文本处理方法，包括：
检测文本中的角色；
在所述文本中，提取所述角色的性别相关文本，所述性别相关文本为包含所述角色的性别信息的文本；其中，所述性别相关文本包括：性别词文本和指代词文本；
采用性别模型，对输入的所述性别词文本进行预测处理，以输出所述性别词文本对应的性别信息，并基于所述性别词文本对应的性别信息确定第一性别；其中，所述性别模型包括注意力层，所述注意力层的参数包括注意力权重，所述角色出现位置对应的注意力权重大于非所述角色出现位置对应的注意力权重；其中，所述角色出现位置对应的注意力权重大于非所述角色出现位置对应的注意力权重是通过设置的关注度标识实现的，且所述角色对应的关注度标识大于非所述角色对应的关注度标识；
采用指代模型，对输入的所述指代词文本进行预测处理，以输出所述指代词文本对应的性别信息，并基于所述指代词文本对应的性别信息确定第二性别；若所述第一性别和所述第二性别相同，则确定所述角色的性别为所述相同的性别；
其中，所述性别信息为各个性别对应的概率值；
其中，所述性别词文本为多条，所述性别词文本对应的性别信息包括不同性别的性别得分，所述基于所述性别词文本对应的性别信息确定第一性别，包括：
对应同一性别，将所述多条性别词文本对应的性别得分进行汇总，以获得同一性别的总得分；
将总得分最高的性别，作为所述第一性别；
其中，所述指代词文本为多条，所述指代词文本对应的性别信息包括不同指代词的指代得分，所述基于所述指代词文本对应的性别信息确定第二性别，包括：
对应同一指代词，将所述多条指代词文本对应的指代得分进行汇总，以获得同一指代词的总得分；
将总得分最高的指代词对应的性别，作为所述第二性别；
其中，所述性别模型还包括：输入层、隐层和分类层，所述分类层包括文本分类层和姓名分类层，所述输入层用于将所述性别词文本转换为输入向量，所述隐层用于将所述输入向量转换为隐层向量，所述注意力层用于将所述隐层向量转换为编码向量，所述文本分类层用于对输入的所述编码向量进行分类处理，以获得第一分类结果，所述姓名分类层用于对所述编码向量进行分类处理，以获得第二分类结果，所述性别词文本对应的性别信息是对所述第一分类结果和所述第二分类结果进行融合后获得的。
2.根据权利要求1所述的方法，还包括：
获取对应所述角色的性别的语音；
采用所述语音，对所述角色的对话内容进行语音播放。
3.一种性别预测模型的训练方法，所述性别预测模型用于确定文本的角色的第一性别，对应同一性别，将多条性别词文本对应的性别得分进行汇总，以获得同一性别的总得分，将总得分最高的性别，作为所述第一性别，所述方法包括：
获取训练样本，所述训练样本包括：训练文本中角色的性别相关文本，以及所述性别相关文本的标签信息，所述标签信息用于标识所述性别相关文本对应的性别；其中，所述性别相关文本包括：性别词文本；所述训练样本还包括：所述角色对应的关注度标识；
采用所述训练样本，训练性别预测模型；其中，所述性别预测模型包括：性别模型；所述性别模型包括注意力层，所述注意力层的注意力权重基于所述关注度标识确定；所述角色的关注度标识大于非所述角色的关注度标识，以使所述角色出现位置对应的注意力权重大于非所述角色出现位置对应的注意力权重；其中，所述角色出现位置对应的注意力权重大于非所述角色出现位置对应的注意力权重是通过设置的关注度标识实现的，且所述角色对应的关注度标识大于非所述角色对应的关注度标识；
其中，所述性别模型用于对输入的性别词文本进行预测处理，以输出所述性别词文本对应的性别预测信息；
其中，所述性别信息为各个性别对应的概率值；
其中，所述性别模型还包括：输入层、隐层和分类层，所述分类层包括文本分类层和姓名分类层，所述输入层用于将所述性别词文本转换为输入向量，所述隐层用于将所述输入向量转换为隐层向量，所述注意力层用于将所述隐层向量转换为编码向量，所述文本分类层用于对输入的所述编码向量进行分类处理，以获得第一分类结果，所述姓名分类层用于对所述编码向量进行分类处理，以获得第二分类结果，所述性别词文本对应的性别预测信息是对所述第一分类结果和所述第二分类结果进行融合后获得的。
4.根据权利要求3所述的方法，其中，所述采用所述训练样本，训练性别预测模型，包括：
采用所述输入层，将所述性别词文本转换为输入向量；
采用所述隐层，将所述输入向量转换为隐层向量；
基于所述隐层向量和所述关注度标识，确定所述注意力层的注意力权重，并采用具有所述注意力权重的所述注意力层，将所述隐层向量转换为编码向量；
基于所述性别预测信息和所述标签信息，构建损失函数，并基于所述损失函数，训练所述性别模型。
5.一种文本处理装置，包括：
检测模块，用于检测文本中的角色；
提取模块，用于在所述文本中，提取所述角色的性别相关文本，所述性别相关文本为包含所述角色的性别信息的文本；其中，所述性别相关文本包括：性别词文本和指代词文本；
确定模块，用于对所述性别相关文本进行处理，以确定所述角色的性别；所述确定模块包括：
第一预测单元，用于采用性别模型，对输入的所述性别词文本进行预测处理，以输出所述性别词文本对应的性别信息，并基于所述性别词文本对应的性别信息确定第一性别；其中，所述性别模型包括注意力层，所述注意力层的参数包括注意力权重，所述角色出现位置对应的注意力权重大于非所述角色出现位置对应的注意力权重；其中，所述角色出现位置对应的注意力权重大于非所述角色出现位置对应的注意力权重是通过设置的关注度标识实现的，且所述角色对应的关注度标识大于非所述角色对应的关注度标识；
第二预测单元，用于采用指代模型，对输入的所述指代词文本进行预测处理，以输出所述指代词文本对应的性别信息，并基于所述指代词文本对应的性别信息确定第二性别；
确定单元，用于若所述第一性别和所述第二性别相同，则确定所述角色的性别为所述相同的性别；
其中，所述性别信息为各个性别对应的概率值；
其中，所述性别词文本为多条，所述性别词文本对应的性别信息包括不同性别的性别得分，所述第一预测单元具体用于：
对应同一性别，将所述多条性别词文本对应的性别得分进行汇总，以获得同一性别的总得分；
将总得分最高的性别，作为所述第一性别；
其中，所述指代词文本为多条，所述指代词文本对应的性别信息包括不同指代词对应的指代得分，所述第二预测单元具体用于：
对应同一指代词，将所述多条指代词文本对应的指代得分进行汇总，以获得同一指代词的总得分；
将总得分最高的指代词对应的性别，作为所述第二性别；
其中，所述性别模型还包括：输入层、隐层和分类层，所述分类层包括文本分类层和姓名分类层，所述输入层用于将所述性别词文本转换为输入向量，所述隐层用于将所述输入向量转换为隐层向量，所述注意力层用于将所述隐层向量转换为编码向量，所述文本分类层用于对输入的所述编码向量进行分类处理，以获得第一分类结果，所述姓名分类层用于对所述编码向量进行分类处理，以获得第二分类结果，所述性别词文本对应的性别信息是对所述第一分类结果和所述第二分类结果进行融合后获得的。
6.根据权利要求5所述的装置，还包括：
获取模块，用于获取对应所述角色的性别的语音；
播放模块，用于采用所述语音，对所述角色的对话内容进行语音播放。
7.一种性别预测模型的训练装置，所述性别预测模型用于确定文本的角色的第一性别，对应同一性别，将多条性别词文本对应的性别得分进行汇总，以获得同一性别的总得分，将总得分最高的性别，作为所述第一性别，所述装置包括：
获取模块，用于获取训练样本，所述训练样本包括：训练文本中角色的性别相关文本，以及所述性别相关文本的标签信息，所述标签信息用于标识所述性别相关文本对应的性别；其中，所述性别相关文本包括：性别词文本；所述训练样本还包括：所述角色对应的关注度标识；
训练模块，用于采用所述训练样本，训练性别预测模型；其中，所述性别预测模型包括：性别模型；所述性别模型包括注意力层，所述注意力层的注意力权重基于所述关注度标识确定；所述角色的关注度标识大于非所述角色的关注度标识，以使所述角色出现位置对应的注意力权重大于非所述角色出现位置对应的注意力权重；其中，所述角色出现位置对应的注意力权重大于非所述角色出现位置对应的注意力权重是通过设置的关注度标识实现的，且所述角色对应的关注度标识大于非所述角色对应的关注度标识；
其中，所述性别模型用于对输入的性别词文本进行预测处理，以输出所述性别词文本对应的性别预测信息；
其中，所述性别信息为各个性别对应的概率值；
其中，所述性别模型还包括：输入层、隐层和分类层，所述分类层包括文本分类层和姓名分类层，所述输入层用于将所述性别词文本转换为输入向量，所述隐层用于将所述输入向量转换为隐层向量，所述注意力层用于将所述隐层向量转换为编码向量，所述文本分类层用于对输入的所述编码向量进行分类处理，以获得第一分类结果，所述姓名分类层用于对所述编码向量进行分类处理，以获得第二分类结果，所述性别词文本对应的性别预测信息是对所述第一分类结果和所述第二分类结果进行融合后获得的。
8.根据权利要求7所述的装置，其中，所述训练模块具体用于：
采用所述输入层，将所述性别词文本转换为输入向量；
采用所述隐层，将所述输入向量转换为隐层向量；
基于所述隐层向量和所述关注度标识，确定所述注意力层的注意力权重，并采用具有所述注意力权重的所述注意力层，将所述隐层向量转换为编码向量；
基于所述性别预测信息和所述标签信息，构建损失函数，并基于所述损失函数，训练所述性别模型。
9. 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1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110947683.1A CN113850291B (zh) | 2021-08-18 | 2021-08-18 | 文本处理及模型训练方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110947683.1A CN113850291B (zh) | 2021-08-18 | 2021-08-18 | 文本处理及模型训练方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113850291A CN113850291A (zh) | 2021-12-28 |
| CN113850291B true CN113850291B (zh) | 2023-11-24 |
Family
ID=78975860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110947683.1A Active CN113850291B (zh) | 2021-08-18 | 2021-08-18 | 文本处理及模型训练方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113850291B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114492456B (zh) * | 2022-01-26 | 2023-03-24 | 北京百度网讯科技有限公司 | 文本生成方法、模型的训练方法、装置、电子设备及介质 |
| CN114420109B (zh) * | 2022-03-28 | 2022-06-21 | 北京沃丰时代数据科技有限公司 | 语音性别联合识别方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523988A (zh) * | 2018-11-26 | 2019-03-26 | 安徽淘云科技有限公司 | 一种文本演绎方法及装置 |
| CN112270198A (zh) * | 2020-10-27 | 2021-01-26 | 北京百度网讯科技有限公司 | 角色确定方法、装置、电子设备及存储介质 |
| CN112446210A (zh) * | 2020-11-27 | 2021-03-05 | 广州三七互娱科技有限公司 | 用户性别预测方法、装置及电子设备 |
| WO2021081418A1 (en) * | 2019-10-25 | 2021-04-29 | Ellipsis Health, Inc. | Acoustic and natural language processing models for speech-based screening and monitoring of behavioral health conditions |
| CN113128205A (zh) * | 2021-05-12 | 2021-07-16 | 北京奇艺世纪科技有限公司 | 一种剧本信息处理方法、装置、电子设备及存储介质 |
| CN113129870A (zh) * | 2021-03-23 | 2021-07-16 | 北京百度网讯科技有限公司 | 语音识别模型的训练方法、装置、设备和存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170346921A1 (en) * | 2016-05-31 | 2017-11-30 | Umm-Al-Qura University | Method for language-independent gender classification on twitter |
| US10140980B2 (en) * | 2016-12-21 | 2018-11-27 | Google LCC | Complex linear projection for acoustic modeling |
| US10824815B2 (en) * | 2019-01-02 | 2020-11-03 | Netapp, Inc. | Document classification using attention networks |
-
2021
- 2021-08-18 CN CN202110947683.1A patent/CN113850291B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523988A (zh) * | 2018-11-26 | 2019-03-26 | 安徽淘云科技有限公司 | 一种文本演绎方法及装置 |
| WO2021081418A1 (en) * | 2019-10-25 | 2021-04-29 | Ellipsis Health, Inc. | Acoustic and natural language processing models for speech-based screening and monitoring of behavioral health conditions |
| CN112270198A (zh) * | 2020-10-27 | 2021-01-26 | 北京百度网讯科技有限公司 | 角色确定方法、装置、电子设备及存储介质 |
| CN112446210A (zh) * | 2020-11-27 | 2021-03-05 | 广州三七互娱科技有限公司 | 用户性别预测方法、装置及电子设备 |
| CN113129870A (zh) * | 2021-03-23 | 2021-07-16 | 北京百度网讯科技有限公司 | 语音识别模型的训练方法、装置、设备和存储介质 |
| CN113128205A (zh) * | 2021-05-12 | 2021-07-16 | 北京奇艺世纪科技有限公司 | 一种剧本信息处理方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113850291A (zh) | 2021-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020232861A1 (zh) | 命名实体识别方法、电子装置及存储介质 | |
| CN112559800B (zh) | 用于处理视频的方法、装置、电子设备、介质和产品 | |
| CN113850291B (zh) | 文本处理及模型训练方法、装置、设备和存储介质 | |
| CN110808032B (zh) | 一种语音识别方法、装置、计算机设备及存储介质 | |
| CN109660865B (zh) | 为视频自动打视频标签的方法及装置、介质和电子设备 | |
| US10915756B2 (en) | Method and apparatus for determining (raw) video materials for news | |
| CN107862058B (zh) | 用于生成信息的方法和装置 | |
| CN116166827B (zh) | 语义标签抽取模型的训练和语义标签的抽取方法及其装置 | |
| CN109582788A (zh) | 垃圾评论训练、识别方法、装置、设备及可读存储介质 | |
| CN113408287B (zh) | 实体识别方法、装置、电子设备及存储介质 | |
| CN113051368A (zh) | 双塔模型训练方法、检索方法、装置及电子设备 | |
| CN115099239B (zh) | 一种资源识别方法、装置、设备以及存储介质 | |
| CN114861637B (zh) | 拼写纠错模型生成方法和装置、拼写纠错方法和装置 | |
| CN114385812A (zh) | 用于文本的关系抽取方法及*** | |
| CN112017690B (zh) | 一种音频处理方法、装置、设备和介质 | |
| CN112528146B (zh) | 内容资源推荐方法、装置、电子设备及存储介质 | |
| CN113850290B (zh) | 文本处理及模型训练方法、装置、设备和存储介质 | |
| CN115269768A (zh) | 要素文本处理方法、装置、电子设备和存储介质 | |
| CN117038099A (zh) | 医疗类术语标准化方法以及装置 | |
| CN114758649B (zh) | 一种语音识别方法、装置、设备和介质 | |
| CN114090885B (zh) | 产品标题核心词提取方法、相关装置及计算机程序产品 | |
| CN111090769A (zh) | 一种歌曲推荐的方法、装置、设备和计算机存储介质 | |
| CN114078470A (zh) | 模型处理方法及装置、语音识别方法及装置 | |
| CN115952852B (zh) | 模型训练方法、文本检索方法、装置、电子设备和介质 | |
| CN113705221B (zh) | 一种单词推送方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |