[发明专利]一种添加文本标注的方法及装置在审
| 申请号： | 201710289252.4 | 申请日： | 2017-04-27 |
| 公开（公告）号： | CN107247700A | 公开（公告）日： | 2017-10-13 |
| 发明（设计）人： | 李健;殷子墨;张连毅;武卫东 | 申请（专利权）人： | 北京捷通华声科技股份有限公司 |
| 主分类号： | G06F17/27 | 分类号： | G06F17/27 |
| 代理公司： | 北京润泽恒知识产权代理有限公司11319 | 代理人： | 莎日娜 |
| 地址： | 100193 北京市海淀区东北*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 添加 文本 标注 方法 装置 | ||
1.一种添加文本标注的方法，其特征在于，所述方法包括：
获取无标注文本；
采用预先使用神经网络模型训练得到的序列标注模型对无标注文本进行处理，得到所述无标注文本的序列标注；
根据所述序列标注对所述无标注文本添加文本标注。
2.根据权利要求1所述的方法，其特征在于，获取所述序列标注模型的方法包括：
获取带有正确标注的文本样本；
对所述带有正确标注的文本样本进行序列化处理，得到无标注文本样本和序列标注样本；
根据所述无标注文本样本和序列标注样本对神经网络模型进行训练，得到序列标注模型。
3.根据权利要求2所述的方法，其特征在于，所述对所述带有正确标注的文本样本进行序列化处理的方法，包括：
对所述带有正确标注的文本样本进行去除标注处理，得到无标注文本样本；
根据所述带有正确标注的文本样本，将无标注文本样本转换成序列标注样本。
4.根据权利要求1或2或3所述的方法，其特征在于，所述神经网络模型包括LSTM神经网络模型，或GRU神经网络模型。
5.根据权利要求4所述的方法，其特征在于，所述神经网络模型为LSTM神经网络模型时，所述LSTM神经网络模型为多层LSTM神经网络模型，或双向LSTM神经网络模型。
6.一种添加文本标注的装置，其特征在于，所述装置包括：
无标注文本获取模块，用于获取无标注文本；
序列标注生成模块，用于采用预先使用神经网络模型训练得到的序列标注模型对无标注文本进行处理，得到所述无标注文本的序列标注；
文本标注添加模块，用于根据所述序列标注对所述无标注文本添加文本标注。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括序列标注模型训练模块，所述序列标注模型训练模块包括：
样本获取子模块，用于获取带有正确标注的文本样本；
序列化子模块，用于对所述带有正确标注的文本样本进行序列化处理，得到无标注文本样本和序列标注样本；
模型训练子模块，用于根据所述无标注文本样本和序列标注样本对神经网络模型进行训练，得到序列标注模型。
8.根据权利要求7所述的装置，其特征在于，所述序列化子模块包括:
去标注处理子模块，用于对所述带有正确标注的文本样本进行去除标注处理，得到无标注文本样本；
序列标注转换子模块，用于根据所述带有正确标注的文本样本，将无标注文本样本转换成序列标注样本。
9.根据权利要求6或7或8所述的装置，其特征在于，所述神经网络模型包括LSTM神经网络模型，或GRU神经网络模型。
10.根据权利要求9所述的装置，其特征在于，所述神经网络模型为LSTM神经网络模型时，所述LSTM神经网络模型为多层LSTM神经网络模型，或双向LSTM神经网络模型。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京捷通华声科技股份有限公司，未经北京捷通华声科技股份有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201710289252.4/1.html，转载请声明来源钻瓜专利网。
