[发明专利]一种文本处理方法、系统、设备、介质

说明书

本申请公开了一种文本处理方法、系统、设备、介质，该方法包括：对预设文本栈中第一目标文本子句进行文本序列特征抽取，得到第一文本序列特征向量；对预设文本缓存器中的第二目标文本子句进行文本序列特征抽取，得到第二文本序列特征向量；对预先得到的历史动作的动作序列特征进行抽取，得到第三序列特征向量；对第一文本序列特征向量、第二文本序列特征向量以及第三序列特征向量进行拼接，得到目标序列特征向量，并确定目标执行动作；判断预设文本栈和预设文本缓存器是否均为空，如果否，重新执行相应的步骤。这样能够联合抽取出目标文本中的情感子句以及对应的情感原因，且对情感子句以及对应的情感原因的抽取误差小，增强了抽取效果和性能。

技术领域

本申请涉及数据处理技术领域，特别涉及一种文本处理方法、系统、设备、介质。

背景技术

文本情感-原因抽取任务是研究社交媒体情感分布及其形成原因的重要技术。文本情感-原因的主要任务针对给定文本，抽取文本中表达情感倾向性的子句并找出造成该情感的原因子句。例如：前天室友约我一起出去逛街，结果回来时发现手机丢了，好伤心啊！其中，情感子句为好伤心啊，情感原因为结果回来时发现手机丢了。在传统情感原因分析的研究中，通常采用单任务学习模型，也即将情感抽取和情感原因发现看作两个独立的任务。这种单任务学习模型需要针对不同的任务设计不同的学习模型，这种方式导致情感原因抽取效率低下且对于情感抽取的误差会传递到情感原因发现任务中，导致情感原因抽取误差增大，模型性能下降。此外，单任务学习模型难以捕获不同任务之间的相互影响，使得单任务学习模型在优化阶段，梯度的反向传播倾向于陷入局部极小值，得到局部最优解，导致情感原因抽取效果差。

发明内容

有鉴于此，本申请的目的在于提供一种文本处理方法、装置、设备、介质，能够联合抽取出目标文本中的情感子句以及对应的情感原因，且对情感子句以及对应的情感原因的抽取误差小，增强了抽取效果和性能。其具体方案如下：

第一方面，本申请公开了一种文本处理方法，包括：

S11：利用第一循环神经网络对预设文本栈中的第一目标文本子句进行文本序列特征抽取，得到第一文本序列特征向量；

S12：利用第二循环神经网络对预设文本缓存器中的第二目标文本子句进行文本序列特征抽取，得到第二文本序列特征向量；

S13：利用第三循环神经网络对预先得到的历史动作的动作序列特征进行抽取，得到第三序列特征向量；

S14：利用训练后分类器对所述第一文本序列特征向量、所述第二文本序列特征向量以及所述第三序列特征向量进行拼接，得到目标序列特征向量，并根据所述目标序列特征向量确定目标执行动作，以便确定出所述目标文本中的情感子句和对应的情感原因；

S15：判断所述预设文本栈和所述预设文本缓存器是否均为空，如果否，则重新进入步骤S11。

可选的，所述文本处理方法，还包括：

对目标文本进行预处理，得到所述目标文本的关键词集；

利用词嵌入技术对所述关键词集进行处理，得到所述目标文本中各个子句对应的向量化文本子句。

可选的，所述利用词嵌入技术对所述关键词集进行处理，得到所述目标文本中各个子句对应的向量化文本子句之后，还包括：

将所述预设文本栈初始化为所述目标文本中的第一个向量化文本子句和第二个向量化文本子句；

将所述预设文本缓存器初始化为所述目标文本中除所述第一个向量化文本子句和所述第二个向量化文本子句之外的所述向量化文本子句。

可选的，所述利用第三循环神经网络对预先得到的历史动作的动作序列特征进行抽取，得到第三序列特征向量，包括：