[发明专利]一种序列数据识别的方法和装置

说明书

本发明公开了一种序列数据识别的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：通过预定序列切分方式，对语音序列进行序列切分，得到多个语音子序列；输入多个语音子序列至识别模型中，得到与各语音子序列相应的元素；在与各语音子序列相应的元素数量均为一个的情况下，根据各语音子序列所处时序，按序排列所得到的元素，以生成与语音序列相应的文本序列。该实施方式将复杂问题分解为多个相对简单的问题，并将解决简单问题的模型连接成整体解决方案；由于进行了多次约束，模型无需糅合空间和时间建模，所需参数量、数据量大幅减少，进而提高了文本序列的完整性和准确性，为整体模型的可解释性提供了依据。

技术领域

本发明涉及计算机技术领域，尤其涉及一种序列数据识别的方法和装置。

背景技术

序列数据识别是机器学习和人工智能领域的重要考虑因素，例如语音识别技术，目前已广泛应用于手机、手表、智能家居等设备的智能交互。随着深度学习技术的发展，深度神经网络以其强大的拟合和泛化能力，逐步成为机器学习的首选。seq2seq(sequence tosequence model，序列到序列模型)，是一类端到端(end to end)模型，在序列数据识别中取得了很大的成功。

相比传统方法，端到端模型无需提取大量特征并进行数据处理，例如在语音识别中，端到端模型输入的是原始音频序列或者初级的频域特征(MFCC倒谱系数)，输出的是语音对应的文本序列。这类模型结构清晰、易于使用和调试，而且在大数据的辅助下能够接近甚至超过人的性能。

在实现本发明的过程中，发明人发现现有模型至少存在如下问题：

1)模型内部参数过多：对于输入的数据到输出语义符号之间的复杂数据，需依赖模型进行拟合关联，因此所需参数数量众多，常达千万个以上，这使得模型难以解释，泛化性较低，且容易发生过拟合的现象；

2)数据量要求过大：深度学习中，海量数据是对海量参数进行优化的基本条件，但在实际产业中，数据的获取成本较高，常常难以满足数据海量的需求，这就限制了端对端模型的使用；

3)模型训练时间过长：大量参数增加了模型优化的难度，需要长时间的迭代才能达到理想的效果。

发明内容

有鉴于此，本发明实施例提供一种序列数据识别的方法和装置，至少能够解决现有模型参数多、数据量要求大以及训练时间长的问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种序列数据识别的方法，包括：

通过预定序列切分方式，对语音序列进行序列切分，得到多个语音子序列；

输入所述多个语音子序列至识别模型中，得到与各语音子序列相应的元素；

在与各语音子序列相应的元素数量均为一个的情况下，根据各语音子序列所处时序，按序排列所得到的元素，以生成与所述语音序列相应的文本序列。

可选的，所述通过预定序列切分方式，对语音序列进行序列切分，得到多个语音子序列，包括：分析所述语音序列的时长，结合预定语音子序列数量，确定序列划分间隔；根据所述序列划分间隔对所述语音序列进行间隔划分，以及对间隔划分后的语音序列进行序列切分，得到多个语音子序列。

可选的，在所述通过预定序列切分方式，对语音序列进行序列切分之前，还包括：输入所述语音序列至所述识别模型中，得到与所述语音序列相应的元素，生成元素集合；

所述得到与各语音子序列相应的元素，还包括：生成与各语音子序列相应的第一元素集合，剔除所述第一元素集合中不存在于所述元素集合中的元素。

可选的，在生成与所述语音序列相应的文本序列之前，还包括：

根据所述元素集合和所述第一元素集合，确定丢失元素；其中，所述丢失元素位于所述第一元素集合之间；