[發明專利]詞向量處理方法、裝置以及電子設備

有效

• 申請號: 201710583646.0
• 申請日: 2017-07-18
• 公開（公告）號: CN107562715B
• 公開（公告）日: 2021-01-26
• 發明（設計）人: 曹紹升;周俊
• 申請（專利權）人: 創新先進技術有限公司
• 主分類號: G06F40/284
• 分類號: G06F40/284;G06F40/253
• 代理公司: 北京晉德允升知識產權代理有限公司 11623
• 代理人: 王戈

1.一種詞向量處理方法，包括：

對語料分詞得到各詞；

基于分詞得到的所述各詞，建立詞匯表；具體地，統計出在所述語料中出現過且出現次數不少于設定次數的詞，建立詞匯表；

確定所述各詞對應的各語素；

建立語素表以及語素映射表，所述語素映射表包含所述各詞與語素之間的映射關系；建立所述語素表具體包括：將預設語素辭典中所有語素加入語素表；逐一掃描所述詞匯表，針對每一個詞匹配所述語素表中的語素，將與該詞匹配的語素的字符串部分刪掉后，將剩余字符串作為語素加入所述語素表；

建立并初始化所述各詞的詞向量，以及所述各詞對應的各語素的語素向量；

根據所述詞向量、所述語素向量，以及分詞后的所述語料，對所述詞向量和所述語素向量進行訓練；

其中，所述語素包括其對應詞的以下至少一種元素：前綴、后綴、詞根、前后綴以外的字符串。

2.如權利要求1所述的方法，所述確定所述各詞對應的各語素，具體包括：

根據對所述語料分詞的結果，確定在所述語料中出現過的詞；

分別針對所述確定的互不相同的詞，執行：

確定該詞對應的各語素，所述語素包括該詞的以下至少一種元素：前綴、后綴、詞根、前后綴以外的字符串。

3.如權利要求1所述的方法，所述初始化所述各詞的詞向量，以及所述各詞對應的各語素的語素向量，具體包括：

采用隨機初始化的方式或者按照指定概率分布初始化的方式，初始化所述各詞的詞向量，以及所述各詞對應的各語素的語素向量，其中，相同語素的語素向量也相同。

4.如權利要求1所述的方法，所述根據所述詞向量、所述語素向量，以及分詞后的所述語料，對所述詞向量和所述語素向量進行訓練，具體包括：

確定分詞后的所述語料中的指定詞，以及所述指定詞在分詞后的所述語料中的一個或多個上下文詞；

根據所述指定詞對應的各語素的語素向量，以及所述上下文詞的詞向量，確定所述指定詞與所述上下文詞的相似度；

根據所述指定詞與所述上下文詞的相似度，對所述上下文詞的詞向量和所述指定詞對應的各語素的語素向量進行更新。

5.如權利要求4所述的方法，所述根據所述指定詞與所述上下文詞的相似度，對所述上下文詞的詞向量和所述指定詞對應的各語素的語素向量進行更新，具體包括：

從所述各詞中選擇一個或多個詞，作為負樣例詞；

確定所述指定詞與各所述負樣例詞的相似度；

根據指定的損失函數、所述指定詞與所述上下文詞的相似度，以及所述指定詞與各所述負樣例詞的相似度，確定所述指定詞對應的損失表征值；

根據所述損失表征值，對所述上下文詞的詞向量和所述指定詞對應的各語素的語素向量進行更新。

6.如權利要求5所述的方法，所述根據所述損失表征值，對所述上下文詞的詞向量和所述指定詞對應的各語素的語素向量進行更新，具體包括：

根據所述損失表征值，確定所述損失函數對應的梯度；

根據所述梯度，對所述上下文詞的詞向量和所述指定詞對應的各語素的語素向量進行更新。

7.如權利要求5所述的方法，所述從所述各詞中選擇一個或多個詞，作為負樣例詞，具體包括：

從所述各詞中隨機選擇一個或多個詞，作為負樣例詞。

8.如權利要求1所述的方法，所述根據所述詞向量、所述語素向量，以及分詞后的所述語料，對所述詞向量和所述語素向量進行訓練，具體包括：

對分詞后的所述語料進行遍歷，分別對分詞后的所述語料中的詞執行：

確定該詞在分詞后的所述語料中的一個或多個上下文詞；

分別根據所述上下文詞，執行：

根據該詞對應的各語素的語素向量，以及該上下文詞的詞向量，確定該詞與該上下文詞的相似度；

根據該詞與該上下文詞的相似度，對該上下文詞的詞向量和該詞對應的各語素的語素向量進行更新。