[发明专利]目标信息显示方法、装置、电子设备和介质

权利要求书

1.一种目标信息显示方法，其特征在于，包括：

将原始文本处理为多个词向量表示；

基于注意力机制的权重模型的第一层模型，确定所述词向量表示的第一权重，所述权重模型对采用分层注意力机制的神经网络模型进行训练生成，所述分层注意力机制包括所述第一层模型和第二层模型，所述第二层模型包括分类器，基于所述分类器对文本向量表示进行分类，得到所述原始文本的分类标签；

基于所述词向量表示的第一权重，将所述多个词向量表示处理为对应的语句向量表示；

基于所述权重模型的第二层模型，确定所述语句向量表示的第二权重；

基于所述第二权重提取所述原始文本中的目标语句序列，以及基于所述第一权重提取所述目标语句序列中的目标词序列；

在所述原始文本中，对所述目标语句序列和/或所述目标词序列进行突出显示，

其中，基于用户对突出的所述目标语句序列和/或所述目标词序列的阅读结果检测到所述分类标签存在误差时，通过反馈继续优化所述权重模型。

2.根据权利要求1所述的目标信息显示方法，其特征在于，所述将原始文本处理为多个词向量表示包括：

基于分割符号对所述原始文本进行切分，生成多个句序列；

对所述句序列进行分词处理，生成多个词序列；

将所述词序列转化为所述词向量表示；以及

对所述句序列和所述词序列在所述原始文本中的位置进行标注，生成位置标注信息。

3.根据权利要求2所述的目标信息显示方法，其特征在于，所述将所述词序列转化为所述词向量表示包括：

基于独热编码将所述词序列转换为稀疏向量；

基于词嵌入的处理方式将所述稀疏向量转化为所述词向量表示。

4.根据权利要求1所述的目标信息显示方法，其特征在于，所述基于所述词向量表示的第一权重，将所述多个词向量表示处理为对应的语句向量表示包括：

将每个所述词向量表示与对应的所述第一权重相乘，得到第一乘积向量；

对多个所述第一乘积向量进行求和，得到所述语句向量表示。

5.根据权利要求1所述的目标信息显示方法，其特征在于，所述基于所述权重模型的第二层模型输出所述原始文本的分类标签包括：

将每个所述语句向量表示与对应的所述第二权重相乘，得到第二乘积向量；

对多个所述第二乘积向量进行求和，得到文本向量表示；

基于所述文本向量表示对所述原始文本进行分类，以根据分类结果得到所述分类标签。

6.根据权利要求1所述的目标信息显示方法，其特征在于，所述基于所述第二权重提取所述原始文本中的目标语句序列，以及基于所述第一权重提取所述目标语句序列中的目标词序列包括：

将所述第二权重大于第一阈值的所述语句向量表示确定为目标语句向量；

基于所述目标语句向量提取所述原始文本中的所述目标语句序列；

将所述第一权重大于第二阈值的所述词向量表示确定为目标词向量；

基于所述目标词向量提取所述目标语句序列中的所述目标词序列。

7.根据权利要求2所述的目标信息显示方法，其特征在于，所述在所述原始文本中，对所述目标语句序列和/或所述目标词序列进行突出显示包括：

对所述目标语句序列和所述目标词序列进行突出显示，包括：

从所述位置标注信息中提取所述目标语句序列的第一位置标注信息，以及所述目标词序列的第二位置标注信息；

基于所述第一位置标注信息与所述第二位置标注信息确定所述原始文本中的突出显示位置，以基于所述突出显示位置进行突出显示。

8.根据权利要求1至7中任一项所述的目标信息显示方法，其特征在于，在将原始文本处理为多个词向量表示之前，还包括：

将已打标签的训练文本输入分层注意力机制的神经网络模型；

基于所述神经网络模型输出的预测标签与所述已打标签之间的误差，对所述神经网络模型的参数进行迭代训练，直至所述误差减小至小于或等于误差阈值，

其中，所述神经网络的参数包括所述第一权重与所述第二权重。