[发明专利]一种基于fastText和CRF的音乐领域命令理解方法

说明书

本发明涉及一种基于fastText和CRF的音乐领域命令理解方法，包括以下步骤：步骤1：训练字向量，得到预训练好的字向量和训练数据集合；步骤2：对从所述步骤1中所得的训练数据集合进行fastText模型训练，从预训练好的字向量得到所有字的向量，进行求和平均操作，得到句子语义向量C，把C输入模型，通过和计算得到意图识别结果y；步骤3：将输入样本输入为序列，对输入序列每个字进行字性标注，输出得到句子标注序列标签，然后根据标注序列标签提取出对应的音乐实体；步骤4：对步骤3中所得的所述目标序列标签进行处理，得到对应的音乐领域实体。本发明通过fastText技术判断用户话语是否含有音乐领域相关意图，结合CRF进行相关参数提取，解决音乐领域相关参数提取错误导致意图判断错误的问题。

技术领域

本发明涉及多媒体分析技术领域，具体涉及一种基于fastText和CRF的音乐领域命令理解方法。

背景技术

对话系统是人机交互的一种相当重要的形式，也是自然语言处理过程中的一个关键的研究方向。在音乐领域，能否正确解析出用户话语命令是完成用户指定任务的基础，在很多地方比如语音助手、音乐平台都有很丰富的应用场景。对于用户某条话语，条件随机场(CRF)模型并不能很好的区分其是否表达了一个音乐领域内的意图。CRF一般在序列标注、命名实体识别过程表现较好，但在识别音乐实体之前，需要判断此用户话语是否表达音乐意图，这样做有二个好处，一是若判断用户话语没有表达音乐意图，则不需要进行后续实体提取操作，因为此时已经完成无音乐意图解析操作，二是若不做判断，则很有可能一段用户话语没有表现音乐意图，但是被错误的提取出了音乐实体，比如“刘德华的老婆是谁”这句用户话语，若不先进行音乐意图判断操作，则很有可能将“刘德华”识别成歌手实体，从而这句话也被解析成音乐意图，而实际上这句话并没有表达音乐领域的相关意图。本发明提出了一种基于快速文本分类(fastText)模型和条件随机场(CRF)模型的方法，fastText模型的目标为判断用户的话语是否表达了一个音乐领域的意图。若该话语确实表达了音乐领域的意图，那么为了完成该意图，CRF模型目标是提取该话语的相关参数(话语中的相关参数也被成为”槽”)，从而本发明能更好的理解音乐领域用户话语的命令。

现有技术大多数把这个问题定义成一个序列标注问题，输入为句子序列，输出目标为句子标注序列标签，然后根据标注序列标签就能提取出对应的音乐实体。过程如下：定义X为输入句子随机变量序列，Y为目标标注随机变量序列，s(y_i,x,i)是状态特征，状态特征依赖于当前位置，t(y_i-1,y_i,x,i)为转移特征，转移特征依赖当前和前一个位置，其中y_i,y_i-1是标注序列的标签，x是输入序列，i表示输入位置。

我们这里统一表示状态特征和转移特征，

(1)假设有K₁个转移特征，K₂个状态特征，K＝K₁+K₂，则可以用以下公式表示：

(2)然后对转移特征与状态特征在各个位置i求和，记作：其中n表示序列长度。用w_k表示特征f_k(y,x)的权值，即：CRF的全局特征可以定义为此时条件随机场可以表示成：其中

对于训练样本集合我们要优化的目标为最大化其中M为训练集数目大小。通过训练集，我们调整参数W从而使得优化目标取得最大值。

模型训练完成之后，即特征向量权重W求解完成，对于新来输入序列x，我们通过求解以下式子得到预测标签序列，从而得到音乐实体：得到y’。即是目标序列标签，根据目标序列标签提出实体。