[发明专利]一种电子装置、多标签分类方法及存储介质

权利要求书

1.一种电子装置，其特征在于，

所述电子装置包括存储器及与所述存储器连接的处理器，所述存储器中存储有可在所述处理器上运行的处理系统，所述处理系统被所述处理器执行时实现如下步骤：

零代词的识别与消解步骤：

将待分类语句进行零代词的识别与消解以获得扩充语句，所述零代词是待分类语句中可识别的短语或词的空位，所述零代词指代名词短语以及其他各种词性的字词或者短语；

所述零代词的识别与消解步骤，具体包括：

采用全模式的结巴分词将待分类语句切分获得候选先行语集合；

利用第一循环神经网络，根据零代词的上文进行特征学习，得到零代词上文向量表示，同时利用通用的注意力模型计算其对每个候选先行语中的每个字进行注意力计算，根据注意力将每个字的向量加权平均得到候选先行语的表示，将候选先行语的表示与零代词的上文向量表示拼接在一起，通过第一前馈神经网络来计算该候选先行语是否是该零代词先行语的概率；

利用第二循环神经网络，根据零代词的下文进行特征学习，得到零代词下文向量表示，同时利用通用的注意力模型计算其对每个候选先行语中的每个字进行注意力计算，根据注意力将每个字的向量加权平均得到候选先行语的表示，将候选先行语的表示与零代词的下文向量表示拼接在一起，通过第二前馈神经网络来计算该候选先行语是否是该零代词先行语的概率；

语句拆分步骤：

将所述扩充语句进行句法分析，提取所述扩充语句中的并列关系项；通过替换或者标记训练将所述扩充语句进行拆分形成若干个拆句；

或者针对性地设计语料标注，人工标记指代消解后的扩充语句中的并列关系项以及其他项，训练一个句子拆分的Bi-LSTM-CRF模型，使用训练后的拆分Bi-LSTM-CRF模型对所述扩充语句进行分类拆分形成若干个拆句；所述其他项包含共享项与删除项；

所述处理系统被所述处理器执行时还实现意图识别步骤，

所述意图识别步骤：将语句拆分步骤获得的若干个拆句分别作为单意图识别的模型输入，获得多个意图。

2.根据权利要求1所述的电子装置，其特征在于，

所述扩充语句进行句法分析是采用Stanford NLP 工具中的句法分析功能，对零代词消解后得到的扩充语句进行句法分析得到句法结构树，提取所述扩充语句中的并列关系项。

3.一种多标签分类方法，其特征在于，所述多标签分类方法包括：

零代词的识别与消解步骤：

将待分类语句进行零代词的识别与消解以获得扩充语句，所述零代词是待分类语句中可识别的短语或词的空位，所述零代词指代名词短语以及其他各种词性的字词或者短语；

所述零代词的识别与消解步骤，具体包括：

采用全模式的结巴分词将待分类语句切分获得候选先行语集合；

利用第一循环神经网络，根据零代词的上文进行特征学习，得到零代词上文向量表示，同时利用通用的注意力模型计算其对每个候选先行语中的每个字进行注意力计算，根据注意力将每个字的向量加权平均得到候选先行语的表示，将候选先行语的表示与零代词的上文向量表示拼接在一起，通过第一前馈神经网络来计算该候选先行语是否是该零代词先行语的概率；

利用第二循环神经网络，根据零代词的下文进行特征学习，得到零代词下文向量表示，同时利用通用的注意力模型计算其对每个候选先行语中的每个字进行注意力计算，根据注意力将每个字的向量加权平均得到候选先行语的表示，将候选先行语的表示与零代词的下文向量表示拼接在一起，通过第二前馈神经网络来计算该候选先行语是否是该零代词先行语的概率；

语句拆分步骤：

将所述扩充语句进行句法分析，提取所述扩充语句中的并列关系项；通过替换或者标记训练将所述扩充语句进行拆分形成若干个拆句；

或者针对性地设计语料标注，人工标记指代消解后的扩充语句中的并列关系项以及其他项，训练一个句子拆分的Bi-LSTM-CRF模型，使用训练后的拆分Bi-LSTM-CRF模型对所述扩充语句进行分类拆分形成若干个拆句；所述其他项包含共享项与删除项；

所述多标签分类方法还包括，

意图识别步骤：将语句拆分步骤获得的若干个拆句分别作为单意图识别的模型输入，获得多个意图。