[发明专利]基于深度语义的多语言文本细粒度精准对齐方法

说明书

本发明公开了基于深度语义的多语言文本细粒度精准对齐方法，属于文本对齐领域，基于深度语义的多语言文本细粒度精准对齐方法，通过提取词嵌入特征，逐步计算词语、语句、段落和篇章的语义相似度，从而实现逐步提高文本细粒度对齐的精准度，同时在对齐过程中，通过细粒度灯阵的构建，在每一个步骤后，通过充气使气胀管在径向和纵向分别膨胀和伸长，进而使荧光液进入到光罩内，将对齐的词嵌入特征所对应的灯球点亮，并第二次或者后几次点亮时，由于充气时间逐渐变长，点亮的灯球向下的伸长量越来越长，亮度越来越亮，使每一个步骤之后，细粒度对齐的精准性的提高在视觉上的体现更加明显，进一步辅助学生加快对这一内容的理解速度。

技术领域

本发明涉及文本对齐领域，更具体地说，涉及基于深度语义的多语言文本细粒度精准对齐方法。

背景技术

实体链接是将自然语言中的实体指称映射到知识库中正确的候选实体的过程。细粒度模型,通俗的讲就是将业务模型中的对象加以细分,从而得到更科学合理的对象模型,直观的说就是划分出很多对象。

现代计算机中内存空间都是按照byte划分的，从理论上讲似乎对任何类型的变量的访问可以从任何地址开始，但实际情况是在访问特定变量的时候经常在特定的内存地址访问，这就需要各类型数据按照一定的规则在空间上排列，而不是顺序的一个接一个的排放，这就是对齐。

语义可以简单地看作是数据所对应的现实世界中的事物所代表的概念的含义，以及这些含义之间的关系，是数据在某个领域上的解释和逻辑表示。

词嵌入是自然语言处理(NLP)中语言模型与表征学习技术的统称。概念上而言，它是指把一个维数为所有词的数量的高维空间嵌入到一个维数低得多的连续向量空间中，每个单词或词组被映射为实数域上的向量。词嵌入的方法包括人工神经网络、对词语同现矩阵降维、概率模型以及单词所在上下文的显式表示等。在底层输入中，使用词嵌入来表示词组的方法极大提升了NLP中语法分析器和文本情感分析等的效果。

对于多语言的两个或多个文本之间进行细粒度对齐时，由于各语言之间自身语法、表达习惯等差异，导致在互译后计算语义，然后进行对齐时，存在一定的偏差，导致细粒度对齐的精准度受到影响，对于同一语言的两个或多个文本之间进行细粒度对齐时，由于多义词或者主观性较强的情感类词语的差异，导致词嵌入特征进行语义计算时，细粒度对齐的结果存在部分难以对齐的情况发生，同样影响细粒度对齐的精准度，另外现有技术中，对细粒度对齐的结果通常仅是通过数据显示，在特殊场合，尤其是在高校进行该方面内容教学时，结果相对抽象，导致学生的理解度效率较低。

发明内容

1.要解决的技术问题

针对现有技术中存在的问题，本发明的目的在于提供基于深度语义的多语言文本细粒度精准对齐方法，它通过提取词嵌入特征，从而逐步计算词语、语句、段落和篇章的语义相似度，从而实现逐步提高文本细粒度对齐的精准度，同时在对齐过程中，通过细粒度灯阵的构建，在每一个步骤后，将对齐的词嵌入特征对应的灯球，通过充气使气胀管在径向和纵向分别膨胀和伸长，进而使荧光液进入到光罩内，实现对光罩的点亮，第二次或者后几次点亮时，由于充气时间逐渐变长，点亮的灯球向下的伸长量越来越长，亮度越来越亮，使每一个步骤之后，细粒度对齐的精准性的提高在视觉上的体现更加明显，进一步辅助学生加快对这一内容的理解速度。

2.技术方案

为解决上述问题，本发明采用如下的技术方案。

基于深度语义的多语言文本细粒度精准对齐方法，包括以下步骤：

S1、首先提取目标的两个或多个文本中的词嵌入特征，根据词嵌入特征构建对应的细粒度灯阵，并输入神经网络中进行计算词嵌入特征语义相似度，对相同或者高相似度的词嵌入特征语义进行对齐，将对齐后的词嵌入特征所对应的细粒度灯阵中的灯球点亮；