基于HanLP实时模型的语义解析方法技术

本发明专利技术涉及自然语言处理领域，为了提高语义解析正确率，提供了基于HanLP实时模型的语义解析方法，包括：步骤1、基于HanLP建立用于在线学习分词的感知机模型并训练；步骤2、采用感知机模型进行分词；步骤3、依存句法分析；步骤4、当句法分析错误时，对词条进行人工分词，并将分词结果输入感知机模型进行训练；若句法分析正确，则调用语义解析模块进行语义解析。采用上述方式可以提高语义解析正确率。用上述方式可以提高语义解析正确率。用上述方式可以提高语义解析正确率。

【技术实现步骤摘要】
基于HanLP实时模型的语义解析方法


[0001]本专利技术涉及自然语言处理领域，具体是一种基于HanLP实时模型的语义解析方法。

技术介绍

[0002]随着计算机和人工智能的兴起，自然语言处理作为人工智能的一个重要方向，主要研究将自然语言解析为可执行指令问题。自然语言处理按照系统结构和实现技术，大致可以分为以下几种类型：语义算法、语义规则、相似度搜索。目前这几种对于规则的词条解析正确率较高，但对于新词汇、不规则的词条就难以进行解析，从而导致语义解析正确率不高。特别是出现新歌名、新电视剧名、网络热词等情况，大多数都走到闲聊，从而使用户体验非常不好。

技术实现思路

[0003]为了提高语义解析正确率，本申请提供了一种基于HanLP实时模型的语义解析方法。
[0004]本专利技术解决上述问题所采用的技术方案是：
[0005]基于HanLP实时模型的语义解析方法，包括：
[0006]步骤1、基于HanLP建立用于在线学习分词的感知机模型并训练；
[0007]步骤2、采用感知机模型进行分词；
[0008]步骤3、依存句法分析；
[0009]步骤4、当句法分析错误时，对词条进行人工分词，并将分词结果输入感知机模型进行训练；若句法分析正确，则调用语义解析模块进行语义解析。
[0010]进一步地，所述步骤2在进行分词前还包括去除停用词。
[0011]进一步地，去除停用词的词条长度大于预设值。
[0012]进一步地，所述步骤2在进行分词后还包括去除重复数据。
[0013]进一步地，所述步骤2根据词性及词名去除重复数据。
[0014]进一步地，所述步骤3采用NeuralNetworkDependencyParser进行句法分析。
[0015]本专利技术相比于现有技术具有的有益效果是：基于HanLP建立的感知机模型可以实现单条数据在线学习，通过实时训练提高分词准确性，进而提高语义解析正确率。
附图说明
[0016]图1为基于HanLP实时模型的语义解析方法流程图。
具体实施方式
[0017]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步的详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0018]如图1所示，基于HanLP实时模型的语义解析方法，包括：
[0019]步骤1、基于HanLP建立用于在线学习分词的感知机模型并训练；
[0020]步骤2、采用感知机模型进行分词；
[0021]步骤3、采用NeuralNetworkDependencyParser进行句法分析；
[0022]步骤4、当句法分析错误时，对词条进行人工分词，并将分词结果输入感知机模型进行训练；若句法分析正确，则调用语义解析模块进行语义解析。
[0023]为了提高分词正确率，所述步骤2在进行分词前还包括去除停用词。停用词指对词条没有实际意义的词，如“小爱同学”作为句子开头，语气词等。本实施例在去除停用词时还设置了词条长度，只有当词条长度大于预设值时才去除停用词，词条长度小于预设值时认为所有字都有意义。
[0024]为了去除干扰，所述步骤2在进行分词后还包括根据词性及词名去除重复数据。
[0025]本申请从语义解析步骤中的分词模型入手，通过对分词模型进行实时训练，通过在线学习提高分词模型的分词准确率，进而提高语义解析正确率。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于HanLP实时模型的语义解析方法，其特征在于，包括：步骤1、基于HanLP建立用于在线学习分词的感知机模型并训练；步骤2、采用感知机模型进行分词；步骤3、依存句法分析；步骤4、当句法分析错误时，对词条进行人工分词，并将分词结果输入感知机模型进行训练；若句法分析正确，则调用语义解析模块进行语义解析。2.根据权利要求1所述的基于HanLP实时模型的语义解析方法，其特征在于，所述步骤2在进行分词前还包括去除停用词。3.根据权利要求2所述的基于HanLP实时模型的语义解析方法，其...

【专利技术属性】
技术研发人员：梁艳，
申请(专利权)人：四川长虹电器股份有限公司，
类型：发明
国别省市：