[发明专利]基于树形循环神经网络的自动树库转化方法及系统

权利要求书

1.一种基于树形循环神经网络的自动树库转化方法，其特征在于，包括：

获取双树对齐数据库，所述双树对齐数据库内存储有采用两种标注规范进行标注的句子；

分别计算各所述句子中每两个词在目标端树中的依存弧分值，其中，所述的两个词分别以词w_i和词w_j表示，预设词w_i和词w_j在目标端树中分别为修饰词和核心词，词w_i和词w_j在目标端树中的依存弧分值计算过程包括：

在源端树中提取词w_i、词w_j的最短路径树，基于双向树形循环神经网络TreeLSTM，得到该最短路径树中词w_i、词w_j、词w_a各自对应的隐藏层输出向量其中，在源端树d^src中，词w_a为词w_i和词w_j的最近公共祖先节点；

将词w_i、词w_j、词w_a的隐藏层输出向量拼接起来，作为词w_i和词w_j在源端树中的表示向量即

基于循环神经网络BiSeqLSTM，得到所述句子中各个词各自对应的顶层输出向量，词w_i和词w_j各自对应的顶层输出向量表示为

将词w_i和词w_j各自对应的顶层输出向量分别与所述的表示向量拼接起来，作为感知器MLP的输入；

感知器萃取出句法相关信息，公式表示如下：

利用双仿射计算词w_i和词w_j的目标端依存弧分值，计算公式为：

其中，W^b为双仿射运算参数；

其中，将所述句子中各个词的嵌入向量和该词的词性的嵌入向量进行拼接，得到该词对应的拼接向量，以所述句子对应的全部拼接向量作为一个序列输入至循环神经网络BiSeqLSTM，运算处理后，循环神经网络BiSeqLSTM的顶层输出该句子的各个词各自对应的顶层输出向量；

其中，双向树形循环神经网络TreeLSTM计算词w_i、词w_j、词w_a各自对应的隐藏层输出向量的方法包括：对提取的最短路径树分别进行自下向上和自上向下的运算，其中

自下向上运算，LSTM节点的输入信息包括两部分，一部分为：该LSTM节点对应的顶层输出向量；若该LSTM节点有儿子节点，则另一部分为所有儿子节点的隐藏层输出向量；若该LSTM节点没有儿子节点，则另一部分为零向量；自下向上运算过程中，词w_a的隐藏层输出向量h_a的计算公式如下：

f_a，k＝σ(U^(f)x_a+V^(f)h_k+b^(f))

h_a＝O_a⊙tanh(c_a)

其中，h_k是儿子节点w_k节点的隐藏层输出向量；

x_a是最近公共祖先节点w_a的输入向量；

C(a)是最近公共祖先节点w_a在最短路径树SP-tree中的儿子构成的集合；

f_a，k是最近公共祖先节点w_a的儿子节点w_k对应的遗忘门向量；

i_a是最近公共祖先节点wa输入门输出向量；

U^(f)、V^(f)、b^(f)是遗忘门参数；

U⁽ⁱ⁾、V⁽ⁱ⁾、b⁽ⁱ⁾是输入门参数；

U^(o)、V^(o)、b^(o)是输出门参数；

U^(u)、V^(u)、b^(u)是生成细胞状态候选向量的参数；

O_a是最近公共祖先节点w_a节点的输出门输出向量；

u_a是细胞状态的候选向量；

c_a是新的细胞状态的向量；

h_a是最近公共祖先节点w_a节点的隐藏层输出向量；

自上向下运算，LSTM节点的输入信息包括两部分，一部分为：该LSTM节点对应的顶层输出向量；若该LSTM节点有父亲节点，则另一部分为父亲节点的隐藏层输出向量；若该LSTM节点没有父亲节点，则另一部分为零向量。