[发明专利]文本语义识别方法、装置、计算机设备和存储介质

权利要求书

1.一种文本语义识别方法，所述方法包括：

确定目标文本所包含的文本字符以及每个所述文本字符所属的文本分词；

计算文本字符对应的字向量和文本分词对应的词向量；

将每个文本字符的字向量与所属的文本分词的词向量拼接，得到相应文本字符的拼接向量；

将所述字向量输入至第一神经网络层得到第一特征向量，将所述拼接向量输入至所述第一神经网络层得到第二特征向量；

将所述第一特征向量与所述第二特征向量进行拼接得到的综合特征向量输入至第二神经网络层，得到所述目标文本的语义类型。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取样本文本；

基于预训练的第一神经网络层提取所述样本文本的字向量及词向量；

对所述字向量和词向量分别进行字符编号；

将所述字向量、词向量以及分别对应的字符编号写入到预设文本；

所述计算文本字符的字向量和文本分词对应的词向量包括：

对每个所述文本字符以及所述文本分词进行字符编号；

基于所述字符编号，在所述预设文本中读取得到每个文本字符对应的字向量以及每个文本分词对应的词向量。

3.根据权利要求1所述的方法，其特征在于，所述第一神经网络层包括卷积层和池化层；将所述字向量输入至第一神经网络层得到第一特征向量包括：

将所述目标文本所包含的各个文本字符对应的字向量进行拼接，得到所述目标文本的字向量矩阵；

将所述字向量矩阵作为所述卷积层的输入，所述卷积层用于对所述字向量矩阵进行卷积运算得到字向量卷积特征；

将所述字向量卷积特征作为池化层的输入，所述池化层用于将字向量卷积特征中每个向量中最大的特征值进行投影得到第一特征向量。

4.根据权利要求1所述的方法，其特征在于，所述将所述第一特征向量与所述第二特征向量进行拼接得到的综合特征向量输入至第二神经网络层包括：

将所述词向量输入至所述第一神经网络层得到第三特征向量；

将所述第一特征向量、第二特征向量以及第三特征向量进行拼接得到的综合特征向量输入至第二神经网络层。

5.根据权利要求1所述的方法，其特征在于，所述第二神经网络层包括随机失活层和全连接层；将所述第一特征向量与所述第二特征向量进行拼接得到的综合特征向量输入至第二神经网络层，得到所述目标文本的语义类型包括：

将所述第一特征向量与所述第二特征向量进行拼接，得到所述目标文本的综合特征向量；

将所述综合特征向量作为所述随机失活层的输入，所述随机失活层用于将综合特征向量中每个数据按照预设的稀疏概率进行投影得到稀疏特征向量；

将所述稀疏特征向量作为全连接层的输入，所述全连接层用于对所述稀疏特征向量进行分类运算得到每个语义类型对应的预测概率；

选取所述预测概率最大的语义类型作为目标文本的语义类型。

6.一种文本语义识别装置，其特征在于，所述装置包括：

文本确定模块，用于确定目标文本所包含的文本字符以及每个所述文本字符所属的文本分词；

向量计算模块，用于计算文本字符对应的字向量和文本分词对应的词向量；

向量拼接模块，用于将每个文本字符的字向量与所属的文本分词的词向量拼接，得到相应文本字符的拼接向量；

特征向量获取模块，用于将所述字向量输入至第一神经网络层得到第一特征向量，将所述拼接向量输入至所述第一神经网络层得到第二特征向量；

语义类型获取模块，用于将所述第一特征向量与所述第二特征向量进行拼接得到的综合特征向量输入至第二神经网络层，得到所述目标文本的语义类型。