[发明专利]基于句向量的文本识别方法、电子设备及计算机可读介质

说明书

本发明提供了一种基于句向量的文本识别方法、电子设备及计算机可读介质，涉及人工智能的技术领域，该方法包括：将文字序列转化成与文字序列中的每个文字对应的拼音序列；将文字序列和对应的拼音序列输入已训练的句向量神经网络模型进行识别，得到包括候选文字和各候选文字对应的候选拼音的多个候选语句；根据各候选语句中的每个候选文字和每个候选拼音的编辑次数计算各候选语句的编辑距离；根据各候选语句的编辑距离的大小确定目标语句。本发明实施例可以提高向量神经网络模型的识别准确率，增加用户的体验。

技术领域

本发明涉及人工智能技术领域，尤其是涉及一种基于句向量的文本识别方法、电子设备及计算机可读介质。

背景技术

在日常生活中，语音助手已经是一种常用的无需手动输入的输入字符的方法，在汽车内使用语音助手时，发动机引擎声，风声，讲话人离麦克风的距离等都会对语音识别和理解产生影响。

当前的解决方案一般是基于句向量神经网络模型进行语音识别，通过句向量神经网络模型找到与用户输入的语音最接近的向量，此向量对应的句子认为是最匹配的句子。

但是，上述基于句向量神经网络模型的语音识别准确率有待提高。

发明内容

有鉴于此，本发明的目的在于提供一种句向量神经网络模型的训练方法、使用方法及装置，以提高向量神经网络模型的识别准确率，增加用户的体验。

第一方面，本发明实施例提供了一种基于句向量的文本识别方法，包括：将文字序列转化成与文字序列中的每个文字对应的拼音序列；将文字序列和对应的拼音序列输入已训练的句向量神经网络模型进行识别，得到包括候选文字和各候选文字对应的候选拼音的多个候选语句；根据各候选语句中的每个候选文字和每个候选拼音的编辑次数计算各候选语句的编辑距离；根据各候选语句的编辑距离的大小确定目标语句。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，将文字序列转化成与文字序列中的每个文字对应的拼音序列的步骤，包括：去除文字序列中的标点符号，并将文字序列中每个文字转换成设定字符格式；根据文字拼音映射表确定格式转换后的文字序列中的每个文字对应的拼音，组成拼音序列。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，将文字序列和对应的拼音序列输入已训练的句向量神经网络模型进行识别的步骤之前，还包括：判断文字序列和对应的拼音序列的字节总长度是否大于句子长度阈值；若是，则将文字序列和对应的拼音序列中超过句子长度阈值的部分去除，以将去除部分内容后的文字序列和对应的拼音序列作为已训练的句向量神经网络模型的输入；若否，在文字序列和对应的拼音序列的后面进行字符填充，以使填充字符、文字序列和对应的拼音序列的字符总长度等于句子长度阈值，以将填充字符后的文字序列和对应的拼音序列作为已训练的句向量神经网络模型的输入。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，根据各候选语句的编辑距离的大小确定目标语句，包括：计算各候选语句包括的候选文字和候选拼音的总个数；计算每个候选语句的编辑距离相似度，编辑距离相似度等于：候选语句包括的候选文字和候选拼音的总个数减去该候选语句的编辑距离，与该候选语句包括的候选文字和候选拼音的总个数的比值；根据各候选语句的编辑距离相似度的大小确定目标语句。

结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，根据各候选语句的编辑距离的大小确定目标语句，包括：对各候选语句的编辑距离相似度从大到小进行排序，根据排序结果确定预设数目的候选语句作为目标语句。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，句向量神经网络模型通过以下方式训练：获取多个样本文字序列，并将每个样本文字序列转化成与样本文字序列中的每个文字对应的样本拼音序列；将所有样本文字序列和对应的样本拼音序列作为样本集，并根据样本集训练句向量神经网络模型。