【技术实现步骤摘要】
语句处理方法及装置
[0001]本申请涉及机器学习
，尤其涉及一种语句处理方法及装置。
技术介绍
[0002]目前，随着电子技术的发展，语音识别技术逐渐进入人们生活中的工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。作为与人们生活最为接近的生活场景，常见的电视机、空调、洗衣机等电子设备一般都能够具备语音识别功能，以实现用户与电子设备之间进行语音内容的交互。
[0003]现有技术中，电子设备在接收到用户说出的语句后，一个重要的处理是需要确定语句所对应的语义，并将语义按照不同的任务进行分类，从而在后续使用与语义的分类对应的应用程序对指令进行处理。在实际应用中，电子设备可以通过存储在服务器中的机器学习模型实现对语句类别的识别，借助服务器的计算能力和存储能力，能够通过较大的机器学习模型覆盖日常生活中用户说出的常见语句。
[0004]但是，在现有技术中，由于在上述每次重新计算机器学习模型的过程时都需要将所有语句都进行计算，并且在实际应用中，当语句数量较多以及需要多次更新模型时，都需要多次较大规...
【技术保护点】
【技术特征摘要】
1.一种语句处理方法，其特征在于，包括：获取待识别语句；通过第一模型对所述待识别语句进行处理，识别所述待识别语句对应的第一语义类别；通过第二模型对所述待识别语句进行处理，识别所述待识别语句对应的第二语义类别，以及所述第二语义类别的概率值；其中，所述第一语义类别与所述第二语义类别不同，训练所述第一模型使用的数据量大于训练所述第二模型使用的数据量；当所述第二语义类别的概率值大于预设阈值，确定所述待识别语句对应于所述第二语义类别；当所述第二语义类别的概率值小于或等于所述预设阈值，确定所述待识别语句对应于所述第一语义类别。2.根据权利要求1所述的方法，其特征在于，还包括：获取至少一个语义类别，以及每个语义类别对应的多个训练语句；通过所述至少一个语义类别以及每个语义类别对应的多个训练语句，对所述第二模型进行训练，使得所述第二模型能够用于识别语句对应的语义类别。3.根据权利要求2所述的方法，其特征在于，所述第二模型包括：编码层，用于通过长短期记忆网络模型和注意力机制提取每个所述训练语句的特征向量；关系层，用于通过余弦相似度衡量和线性整流函数映射方法，计算每个向量特征之间的相似概率值；损失函数层，用于通过均方差损失函数将所述相似概率值归一化映射到0-1之间的自然数上。4.根据权利要求2或3所述的方法，其特征在于，所述通过所述至少一个语义类别以及每个语义类别对应的多个训练语句，对所述第二模型进行训练，包括：在所述第二模型对应的语义类别集合中加入所述至少一个语义类别，以及每个所述语义类别对应的训练数据；使用更新后的第二模型对应的语义类别集合，对所述第二模型进行训练。5.根据权利要求4所述的方法，其特征在于，所述在所述第二模型对应的语义类别集合中加入所述至少一个语义类别，以及每个所述语义类别对应的训练数据之前，还包括：根据所述语义类别对应的多个训练语句的第一特征向量集合、所述第一语义类别中所有语义类别对应的第二特征向量集合、所述第一模型所能够识别的第二语义类别中所有语义类别对应的第三特征集合之间的关系，判断所述第二模型对应的语义类别集合中是否能够加入所述至少一个语义类别，以及每个所述语义类别对应的训练数据。6.根据权利要求5所述的方法，其特征在于，所述根据所述语义类别对应的多个训练语句的第一特征向量集合、所述第一语义类别中所有语义类别对应的第二特征向量集合、所述深度学习模型所能够识别的第二语义类别中所有语义类别对应的第三特征集合之间的关系，判断所述语义类别中是否能够加入所述至少一个语义类别，以及每个所述语义类别对应的训练数据，包括：对于所述至少一个语义类别中的目标语义类别，将所述目标语义类别对应的多个训练
语句生成的bert向量作为第一特征向量集合，将所述第一语义类别中所有语义类别对应的多个训练语句生成的bert向量作为第二特征向量集合，将所述第二语义类别中所有语义类别对应的多个训练语句生成的bert向量作为第三特征向量集合；通过ch指数计算所述第...
【专利技术属性】
技术研发人员：王聪，王利杰，沈承恩，
申请(专利权)人：海信视像科技股份有限公司，
类型：发明
国别省市：
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。