[发明专利]模型训练、语句处理方法、装置、计算机设备及存储介质

权利要求书

1.一种模型训练方法，其特征在于，包括：

获取已进行数据标注的语句数据集，所述语句数据集包括已标注语句，所述已标注语句包含对应的标注标签，所述标注标签用于标注需阅读字段和省略阅读字段；

对所述语句数据集中的所述已标注语句进行词向量转化，以获得每个已标注语句对应的语句向量；

将所述每个已标注语句对应的语句向量作为模型训练数据；

通过所述模型训练数据对初始门控循环单元模型进行训练，以训练出目标门控循环单元模型。

2.如权利要求1所述的模型训练方法，其特征在于，所述对所述语句数据集中的所述已标注语句进行词向量转化，以获得每个已标注语句对应的语句向量，包括：

对所述语句数据集中的每个已标注语句进行填充处理以获得固定长度的所述已标注语句；

对所述已进行填充处理的所述已标注语句进行词向量转化，以获得每个已标注语句对应的语句向量。

3.如权利要求2所述的模型训练方法，其特征在于，所述对所述已进行填充处理的所述已标注语句进行词向量转化，以获得每个已标注语句对应的语句向量，包括：

针对所述语句数据集中的每个已标注语句，采用全切分词方法进行分词处理；

针对经过所述分词处理的每个已标注语句中的每个词，采用wone hot key方法构建词向量；

将所述每个已标注语句中的每个词向量，对应构成每个所述已标注语句对应的语句向量。

4.如权利要求1-3任一项所述的模型训练方法，其特征在于，所述通过所述模型训练数据对初始门控循环单元模型，以训练出目标门控循环单元模型，包括：

初始化所述初始门控循环单元模型的初始模型参数，所述初始模型参数包括W_z、U_z、W_r、U_r、W_h和U_h，其中，所述W_z表示当前时刻的输入到当前时刻的重置门z的连接矩阵，所述U_z表示上一时刻的隐藏层到所述重置门z的连接矩阵，所述W_r表示当前时刻的输入到当前时刻的更新门r的连接矩阵，所述U_r表示上一时刻的隐藏层到当前时刻的所述更新门r的连接矩阵；所述W_h表示当前时刻的输入到当前时刻的候选隐藏状态的连接矩阵，所述U_h表示上一时刻的隐藏层到候选隐藏状态的连接矩阵；

通过标准梯度算法和所述模型训练数据对已初始化所述初始模型参数的所述初始门控循环单元模型进行训练，以获得使所述初始门控循环单元模型收敛的更新模型参数；

将所述更新模型参数作为所述初始门控循环单元模型的最终模型参数，以获得所述目标门控循环单元模型。

5.一种语句处理方法，其特征在于，包括：

获取待处理语句；

对所述待处理语句进行词向量转化，以获得所述待处理语句对应的语句向量；

将所述语句向量输入目标门控循环单元模型以获得目标语句，其中，所述目标门控循环单元模型为将语句数据集中的每个已标注语句对应的语句词向量作为模型训练数据，并通过所述模型训练数据对初始门控循环单元模型进行训练得到，所述已标注语句包含对应的标注标签，所述标注标签用于标注需阅读字段和省略阅读字段。

6.如权利要求5所述的语句处理方法，其特征在于，所述对所述待处理语句进行词向量转化，以获得所述待处理语句对应的语句向量，包括：

对所述待处理语句采用全切分词方法进行分词处理；

针对经过所述分词处理的所述待处理语句中的每个词，采用wone hot key方法构建词向量；

将所述待处理语句的每个词向量，对应构成所述待处理语句对应的语句向量。