[发明专利]语义识别的方法、装置、电子设备和存储介质

说明书

本公开涉及一种语义识别的方法、装置、电子设备和存储介质，该方法包括：对终端获取的信息进行语义分析时，获取待处理语句，对待处理语句进行词语识别处理，得到多个词语和每个词语对应的词性信息，根据待输入词语、待输入词语的词性信息以及第一词语的依存关系，通过词语处理模型确定目标集合更新操作，词语处理模型用于根据待输入词语的词语特征向量、词性信息的词性特征向量和第一词语的依存关系的关系特征向量分别计算第一特征向量和第二特征向量，并根据第一特征向量和第二特征向量计算多个预设集合更新操作的置信度，根据目标集合更新操作循环执行依存关系确定步骤，直至得到依存分析结果，根据依存分析结果对待处理语句进行语义识别。

技术领域

本公开涉及自然语言处理技术领域，尤其涉及一种语义识别的方法、装置、电子设备和存储介质。

背景技术

随着人工智能的不断发展，对语义识别的准确度的要求也越来越高。语义识别是自然语言处理(英文：Natural Language Processing，缩写：NLP)技术的重要组成部分之一。在自然语言处理中，用词与词之间的依存关系(即词与词之间的支配关系)来描述语言结构的框架称为依存句法，利用依存句法进行句法分析是自然语言处理的关键技术之一。依存句法分析旨在将句子从词语的序列形式按照某种语法体系转化为图结构(通常为树结构)，以揭示词与词之间的从属关系，为语义识别提供了关键的信息。

相关技术中，主要是通过基于转移的依存句法分析的方式，利用分类器，进行转移动作(例如：移进、规约等转移动作)的决策，并通过一系列的转移动作构建一棵依存句法树。分类器通常会选用一些传统的机器学习方法，这种学习方式需要通过人工根据词语、词性、依存关系、词语位置，以及他们之间的组合特征，来构建用于确定依存关系的特征模板。然而，特征模板的构建需要不断地尝试和调整，会耗费大量的时间和精力。同时，传统的机器学习方法由于限定了特征模板，会影响选择转移动作的准确度。并且，在每次选择转移动作时，只会考虑当前状态下最好的转移动作，没有考虑后续状态的影响，可能会导致选择到错误的转移动作，降低了依存句法分析的准确度，进而影响语义识别的准确度。

发明内容

为克服相关技术中存在的问题，本公开提供一种语义识别的方法、装置、电子设备和存储介质。

根据本公开实施例的第一方面，提供一种语义识别的方法，所述方法包括：

对终端获取的信息进行语义分析时，获取待处理语句；

对所述待处理语句进行词语识别处理，得到多个词语和所述多个词语中每个词语对应的词性信息；

根据待输入词语、所述待输入词语的词性信息以及第一词语的依存关系，通过预先训练的词语处理模型，从多个预设集合更新操作中确定待处理词语集对应的目标集合更新操作；

其中，所述待处理词语集为所述多个词语中当前待处理的词语的集合；所述待输入词语包括所述待处理词语集中的待处理词语、所述第一词语和第二词语，所述第一词语为所述多个词语中，已确定与所述待处理词语存在依存关系的词语，所述第二词语为所述多个词语中，顺序在所述待处理词语之后的预设数量个词语；

所述词语处理模型用于获取所述待输入词语的词语特征向量，所述词性信息的词性特征向量以及所述第一词语的依存关系的关系特征向量，并根据所述词语特征向量、所述词性特征向量和所述关系特征向量通过预设激活函数计算得到第一特征向量，并根据所述词语特征向量、所述词性特征向量和所述关系特征向量计算得到第二特征向量，并根据所述第一特征向量和所述第二特征向量计算多个所述预设集合更新操作的置信度；

根据所述目标集合更新操作循环执行依存关系确定步骤，直至得到所述待处理语句的依存分析结果，所述依存分析结果用于表征所述多个词语之间的依存关系；

根据所述依存分析结果对所述待处理语句进行语义识别。