【技术实现步骤摘要】
一种模型训练方法、装置、实现文本处理的方法及装置
本文涉及但不限于信息处理技术,尤指一种模型训练方法、装置、实现文本处理的方法及装置。
技术介绍
自然语言处理中最重要的一步是将文本表示为一个特征向量,通过特征向量进行文本相似度、分类等任务;文本的特征向量由文本包含词语的语义转换获得,而自然语言是由语法组织成,通过特征向量进行文本分析会丢失一部分语法中的信息;一些文本分析模型会加入词语的位置信息来表达词语间关系,但仍然会丢失词语间的相互关系。如何更为有效的对文本内容进行表示,成为一个有待解决的问题。
技术实现思路
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。本专利技术实施例提供一种模型训练方法、装置、实现文本处理的方法及装置,能够提升文本内容的特征表示效率。本专利技术实施例提供了一种模型训练方法,包括:将样本文本根据依存关系信息表示为预设格式的样本依存关系编码;以样本文本包含的词语的特征向量为节点,将样本文本表示为样本矩阵;将样本矩阵及其邻接矩阵,通过初始化运行参数的图神经网络模型进行训练,获得样本依存关系编码中的依存词向量和从属词向量;以正样本和按照预设策略配置的负样本为图神经网络模型的输入,利用反向传播方法进行训练,确定图神经网络模型的运行参数矩阵;根据确定的运行参数矩阵,获得用于对待处理文本进行文本特征处理的模型;其中,所述样本依存关系编码包括:由依存词向量、用于标识依存关系及类别的对角矩阵及从属词向 ...
【技术保护点】
1.一种模型训练方法,包括:/n将样本文本根据依存关系信息表示为预设格式的样本依存关系编码;/n以样本文本包含的词语的特征向量为节点,将样本文本表示为样本矩阵;/n将样本矩阵及其邻接矩阵,通过初始化运行参数的图神经网络模型进行训练,获得样本依存关系编码中的依存词向量和从属词向量;/n以正样本和按照预设策略配置的负样本为图神经网络模型的输入,利用反向传播方法进行训练,确定图神经网络模型的运行参数矩阵;/n根据确定的运行参数矩阵,获得用于对待处理文本进行文本特征处理的模型;/n其中,所述样本依存关系编码包括:由依存词向量、用于标识依存关系及类别的对角矩阵及从属词向量构建的编码;所述正样本包括:包含所述样本文本词语间的依存关系信息的样本;所述负样本包括:对所述正样本按预设策略进行编辑获得的样本。/n
【技术特征摘要】
1.一种模型训练方法,包括:
将样本文本根据依存关系信息表示为预设格式的样本依存关系编码;
以样本文本包含的词语的特征向量为节点,将样本文本表示为样本矩阵;
将样本矩阵及其邻接矩阵,通过初始化运行参数的图神经网络模型进行训练,获得样本依存关系编码中的依存词向量和从属词向量;
以正样本和按照预设策略配置的负样本为图神经网络模型的输入,利用反向传播方法进行训练,确定图神经网络模型的运行参数矩阵;
根据确定的运行参数矩阵,获得用于对待处理文本进行文本特征处理的模型;
其中,所述样本依存关系编码包括:由依存词向量、用于标识依存关系及类别的对角矩阵及从属词向量构建的编码;所述正样本包括:包含所述样本文本词语间的依存关系信息的样本;所述负样本包括:对所述正样本按预设策略进行编辑获得的样本。
2.根据权利要求1所述的模型训练方法,其特征在于,所述样本依存关系编码的表达式为:
其中,所述是基于支配词编码的所述支配词向量,所述ed是基于从属词编码的所述从属词向量。
3.根据权利要求2所述的模型训练方法,其特征在于,所述确定图神经网络模型的运行参数包括:
基于预设的交叉熵损失函数,确定所述图神经网络模型的运行参数;
其中,所述交叉熵损失函数包括:基于初始化对角矩阵后确定的样本依存关系编码构建的函数。
4.根据权利要求3所述的模型训练方法,其特征在于,所述交叉熵损失函数包括:
其中,所述ω表示所述负样本的个数,所述|E|为所述样本文本中依存关系的个数;所述y为信号函数,所述图神经网络输入为所述正样本时取值为1,所述图神经网络输入为所述负样本时取值为0;l(·)为激活函数。
5.根据权利要求1~4任一项所述的模型训练方法,其特征在于,所述图神经网络模型包含:输入层、一层或一层以上隐藏层和输出层;其中,
所述输入层接收的输入包括:H(0)=X;
所述隐藏层的处理函数包括:H(l+1)=σ(AH(l)W(l));
所述输出层的输出包括:HL=Z;
其中,所述X为所述样本矩阵;所述A为所述样本矩阵的邻接矩阵;所述H(l)为在上一层隐藏层的处理结果,所述l为0时,所述H(l)为第一矩阵;所述σ()为激活函数;所述W(l)为所述运行参数矩阵;所述Z为输出矩阵。
6.一种实现文本处理的方法,包括:
将样本文本根据依存关系信息表示为预设格式的样本依存关系编码;
以样本文本包含的词语的特征向量为节点,将样本文本表示为样本矩阵;
将样本矩阵及其邻接矩阵,通过初始化运行参数的图神经网络模型进行训练,获得样本依存关系编码中的依存词向量和从属词向量;
以正样本和按照预设策略配置的负样本为图神经网络模型的输入,利用反向传播方法进行训练,确定图神经网络模型的运行参数矩阵;
根据确定运行参数矩阵的图神经...
【专利技术属性】
技术研发人员:李嘉琛,付骁弈,陈栋,姜旭,
申请(专利权)人:北京明略软件系统有限公司,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。