[发明专利]文本语义识别方法、装置、设备及存储介质

说明书

本发明涉及语义识别领域，提供了一种文本语义识别方法、装置、设备及存储介质。所述方法包括：对待识别文本执行预处理操作得到目标文本，将目标文本输入预先训练好的文本语义识别模型，得到目标文本的识别结果，其中，文本语义识别模型是基于ALBERT模型和CNN模型构建的，判断识别结果是否为预设结果，当判断识别结果为预设结果时，将该识别结果反馈至预设终端。本发明可以在缺乏样本数据集的情况下，提高文本语义识别的准确性。

技术领域

本发明涉及语义识别领域，尤其涉及一种文本语义识别方法、装置、设备及存储介质。

背景技术

目前，文本的语义识别(例如，识别房产领域的对话文本是否为高危情绪)方法采用的模型大多数为TextCnn模型，相比于基于RNN的基线模型，TextCnn模型训练及推理速度较快，但是在训练数据积累较少的情况下，该模型识别效果较差。Transformer模型比TextCnn模型更加复杂，但是同样在训练数据积累较少的情况下该模型会出现过拟合的现象，推理效果差。BERT等预训练语言模型可以将其它领域的文本知识进行迁移，以微调的方式可以在新的数据领域上达到较好的识别效果，有效地缓解了标注数据缺乏的问题，但其缺点是模型体积大，训练速度慢。

因此，如何在缺乏样本数据集的情况下，提高文本语义识别的准确性并且不牺牲推理速度，已成为本领域技术人员亟待解决的技术问题。

发明内容

鉴于以上内容，本发明提供一种文本语义识别方法、装置、设备及存储介质，其目的在于解决现有技术中缺乏样本数据集的情况下，文本语义识别的准确性较低的技术问题。

为实现上述目的，本发明提供一种文本语义识别方法，该方法包括：

对待识别文本执行预处理操作得到目标文本；

将所述目标文本输入预先训练好的文本语义识别模型，得到所述目标文本的识别结果，其中，所述文本语义识别模型是基于ALBERT模型和CNN模型构建的；

判断所述识别结果是否为预设结果，当判断所述识别结果为预设结果时，将该识别结果反馈至预设终端。

优选的，所述文本语义识别模型包括：语义嵌入层、卷积层、池化层及全连接层，所述卷积层的卷积核的过滤器长度分别为2和4。

优选的，所述将所述目标文本输入预先训练好的文本语义识别模型，得到所述目标文本的识别结果，包括：

基于所述语义嵌入层将所述目标文本转换为语义矩阵，对所述语义矩阵执行卷积操作和池化操作，得到目标语义向量，将所述目标语义向量输入所述全连接层得到所述识别结果。

优选的，所述对所述语义矩阵执行卷积操作和池化操作，得到目标语义向量，包括：

对所述语义矩阵执行平均池化操作，得到第一语义向量；

对所述语义矩阵执行卷积操作，对执行卷积操作后的语义矩阵执行最大池化操作得到第二语义向量；

将所述第一语义向量、所述第二语义向量及所述语义矩阵的CLS向量执行拼接操作得到所述目标语义向量。

优选的，所述对待识别文本执行预处理操作得到目标文本，包括：

筛除待识别文本的标点符号，并基于预设的停用词库筛除待识别文本的停用词。

为实现上述目的，本发明还提供一种文本语义识别装置，该文本语义识别装置包括：

预处理模块：用于对待识别文本执行预处理操作得到目标文本；

识别模块：用于将所述目标文本输入预先训练好的文本语义识别模型，得到所述目标文本的识别结果，其中，所述文本语义识别模型是基于ALBERT模型和CNN模型构建的；