[发明专利]文本对齐方法、装置、计算机设备及存储介质

说明书

本申请公开了一种文本对齐方法，应用于文本处理技术领域，用于提高文本对齐的准确性。本申请提供的方法包括：获取待对齐文本，对待对齐文本进行分句，生成待对齐文本句子的参考句子向量；获取与待对齐文本对应的音频数据，生成音频数据的转录文本，生成转录文本中每个基础段落的段落向量；基于第一段落信息，确定转录文本中每个基础段落的先后顺序，按照先后顺序，依次计算每个基础段落的段落向量与参考句子向量的向量相似度，得到相似度集合；针对每个基础段落，将基础段落对应的相似度值与预设的相似度阈值进行比较，得到比较结果，并根据比较结果确定待对齐文本对应的基础段落，作为目标文本，得到待对齐文本的目标对齐文本。

技术领域

本申请涉及文本处理技术领域，尤其涉及一种文本对齐方法、装置、计算机设备及存储介质。

背景技术

在纯文本对齐场景中，传统的基于统计规则的对齐方法是基于关键词或者单词数据等统计信息来抽取特征信息，根据抽取的特征信息计算原文句子和目标句子的相似度，实现文本对齐，这种方法需要人工制定规则，不具有通用性，最后文本对齐的效果较差。

发明内容

本申请提供一种文本对齐方法、装置、计算机设备及存储介质，以提高文本对齐的准确性。

一种文本对齐方法，包括：

获取待对齐文本，对所述待对齐文本进行分句，得到待对齐文本句子，并生成所述待对齐文本句子的参考句子向量；

获取与所述待对齐文本对应的音频数据，对所述音频数据进行语音识别，生成所述音频数据的转录文本，其中，所述转录文本包括至少一个基础段落；

获取所述转录文本的段落信息，作为第一段落信息，并根据所述第一段落信息，生成所述转录文本中每个基础段落的段落向量；

基于所述第一段落信息，确定所述转录文本中每个基础段落的先后顺序，按照所述先后顺序，依次计算每个基础段落的段落向量与所述参考句子向量的向量相似度，得到相似度集合，其中，所述相似度集合中包含每个所述基础段落对应的相似度值；

针对每个所述基础段落，将所述基础段落对应的相似度值与预设的相似度阈值进行比较，得到比较结果，并根据比较结果确定所述待对齐文本对应的基础段落，作为目标文本；

按照所述先后顺序，依次对每个所述目标文本进行汇总，得到所述待对齐文本的目标对齐文本。

一种文本对齐装置，包括：

待对齐文本处理模块，用于获取待对齐文本，对所述待对齐文本进行分句，得到待对齐文本句子，并生成所述待对齐文本句子的参考句子向量；

文本转录模块，用于获取与所述待对齐文本对应的音频数据，对所述音频数据进行语音识别，生成所述音频数据的转录文本，其中，所述转录文本包括至少一个基础段落；

段落向量生成模块，用于获取所述转录文本的段落信息，作为第一段落信息，并根据所述第一段落信息，生成所述转录文本中每个基础段落的段落向量；

相似度计算模块，用于基于所述第一段落信息，确定所述转录文本中每个基础段落的先后顺序，按照所述先后顺序，依次计算每个基础段落的段落向量与所述参考句子向量的向量相似度，得到相似度集合，其中，所述相似度集合中包含每个所述基础段落对应的相似度值；

目标文本确定模块，用于针对每个所述基础段落，将所述基础段落对应的相似度值与预设的相似度阈值进行比较，得到比较结果，并根据比较结果确定所述待对齐文本对应的基础段落，作为目标文本；

文本对齐模块，用于按照所述先后顺序，依次对每个所述目标文本进行汇总，得到所述待对齐文本的目标对齐文本。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述文本对齐方法的步骤。