[发明专利]文本韵律边界预测的方法、装置、设备及存储介质

权利要求书

1.一种文本韵律边界预测的方法，其特征在于，包括：

将获取到的待预测文本输入预置文本韵律边界模型中，其中，所述预置文本韵律边界模型包括预训练语言模型、二维卷积模型、分类层；

通过所述预训练语言模型，获取所述待预测文本对应的词向量信息；

根据所述词向量信息，获取对应的多维向量信息；

通过所述二维卷积模型对所述多维向量信息进行卷积处理，得到所述待预测文本中各个字词对应的分类标签信息；

通过所述分类层识别所述分类标签信息，确定各个所述字词的韵律边界信息。

2.如权利要求1所述的文本韵律边界预测的方法，其特征在于，所述预训练语言模型包括预置词向量长度；所述通过所述预训练语言模型，获取所述待预测文本对应的词向量信息，包括：

通过所述预训练语言模型的应用层对所述待预测文本进行分析，获取所述待预测文本中的样本标识和所述待预测文本中的字词长度；

基于所述样本标识、所述字词长度和预置词向量长度，获取所述预训练语言模型的输出层输出所述待预测文本的词向量信息。

3.如权利要求1所述的文本韵律边界预测的方法，其特征在于，所述词向量信息包括样本标识、字词长度和预置词向量长度；所述根据所述词向量信息，得到对应的多维向量信息，包括：

获取所述向量信息中字词长度和所述预置词向量长度的位置，并将所述词向量信息中字词长度和所述预置词向量长度位置进行变换，得到对应的维度向量信息；

对所述维度向量信息中预置词向量长度进行维度拆分，得到多维向量信息。

4.如权利要求1所述的文本韵律边界预测的方法，其特征在于，所述二维卷积模型包括卷积层和全连接层；所述通过所述二维卷积模型对所述多维向量信息进行卷积处理，得到所述待预测文本中各个字词对应的分类标签信息，包括：

根据所述卷积层对所述多维向量信息进行卷积计算，得到所述多维向量信息的目标数据规则信息；

基于所述全连接层对所述目标数据规则信息进行分类，得到所述待预测文本中各个字词的分类标签信息。

5.如权利要求4所述的文本韵律边界预测的方法，其特征在于，所述基于所述全连接层对所述目标数据规则进行分类，得到所述待预测文本中各个字词的分类标签信息，包括：

通过所述全连接层中预置分类器对所述目标数据规则信息进行分类，得到各个字词对应的分类向量信息；

基于各个所述字词的分类向量信息，得到各个所述字词的分类标签信息。

6.如权利要求1所述的文本韵律边界预测的方法，其特征在于，所述分类标签信息包括分类信息和标签信息；所述通过所述分类层识别所述分类标签信息，确定各个所述字词的韵律边界信息，包括：

若通过所述分类层识别所述分类信息为韵律分类，则通过标签信息确定各个所述字词是否为韵律词；

若通过所述分类层识别所述分类信息为韵律短语分类，则通过标签信息确定各个所述字词是否为韵律短语；

若通过所述分类层识别所述分类信息为语调短语分类，则通过标签信息确定各个所述字词是否为语调短语；

若通过所述分类层识别所述分类信息不是韵律分类、韵律短语分类和语调短语分类，则确定各个所述字词为背景类。

7.如权利要求1所述的文本韵律边界预测的方法，其特征在于，所述将获取到的待预测文本输入预置文本韵律边界模型中之前，包括：

获取多个带标注文本；

将多个所述带标注文本输入预置待训练模型；

通过多个所述带标注文本对所述预置待训练模型进行训练，获取对应的损失交叉熵函数；

通过所述损失交叉熵函数对所述预置待训练模型的模型参数进行更新，生成对应的文本韵律边界模型。