[發(fā)明專利]模型生成、語(yǔ)義識(shí)別的方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201810149170.4
• 申請(qǐng)日: 2018-02-13
• 公開(kāi)（公告）號(hào): CN110209831A
• 公開(kāi)（公告）日: 2019-09-06
• 發(fā)明（設(shè)計(jì)）人: 王穎帥;李曉霞;苗詩(shī)雨
• 申請(qǐng)（專利權(quán)）人: 北京京東尚科信息技術(shù)有限公司;北京京東世紀(jì)貿(mào)易有限公司
• 主分類號(hào): G06F16/36
• 分類號(hào): G06F16/36;G06F17/27;G06K9/62
• 代理公司: 上海弼興律師事務(wù)所 31283
• 代理人: 薛琦;鄧忠紅

1.一種模型生成的方法，其特征在于，包括以下步驟：

獲取歷史數(shù)據(jù)；

對(duì)每條所述歷史數(shù)據(jù)進(jìn)行特征提取及標(biāo)注以得到對(duì)應(yīng)的歷史序列，每條所述歷史序列包括特征提取后的特征和標(biāo)注后的標(biāo)簽，所述標(biāo)簽包括物品的中心詞、物品的修飾詞、詢問(wèn)范圍、物品的品牌及頻道編號(hào)中的至少一種；

采用條件隨機(jī)場(chǎng)學(xué)習(xí)算法對(duì)所述歷史序列進(jìn)行模型訓(xùn)練，以確定條件隨機(jī)場(chǎng)模型的參數(shù)，所述參數(shù)包括迭代次數(shù)maxiter、步長(zhǎng)stepsize和學(xué)習(xí)率learningrate。

2.如權(quán)利要求1所述的模型生成的方法，其特征在于，所述方法采用斯坦福CoreNLP對(duì)每條所述歷史數(shù)據(jù)進(jìn)行特征提取。

3.如權(quán)利要求2所述的模型生成的方法，其特征在于，所述特征包括分詞特征、詞性特征和品牌專有特征；

所述方法還包括預(yù)設(shè)品牌詞庫(kù)，所述品牌詞庫(kù)包括若干品牌；

所述采用斯坦福CoreNLP對(duì)每條所述歷史數(shù)據(jù)進(jìn)行特征提取包括：

采用斯坦福CoreNLP對(duì)每條所述歷史數(shù)據(jù)進(jìn)行分詞以得到所述分詞特征；

采用斯坦福CoreNLP對(duì)分詞后的詞語(yǔ)進(jìn)行詞性標(biāo)注以得到所述詞性特征；

根據(jù)分詞后的詞語(yǔ)是否為所述品牌詞庫(kù)中的品牌設(shè)置所述分詞后的詞語(yǔ)的所述品牌專有特征。

4.如權(quán)利要求3所述的模型生成的方法，其特征在于，所述方法還包括預(yù)設(shè)物品詞庫(kù)，所述方法采用斯坦福CoreNLP的正則匹配模板、所述物品詞庫(kù)及所述品牌詞庫(kù)對(duì)每條所述歷史數(shù)據(jù)進(jìn)行標(biāo)注以得到所述標(biāo)簽。

5.如權(quán)利要求4所述的模型生成的方法，其特征在于，所述方法還包括設(shè)置所述條件隨機(jī)場(chǎng)學(xué)習(xí)算法的特征模板，所述特征模板包括與所述品牌專有特征相對(duì)應(yīng)的匹配規(guī)則。

6.如權(quán)利要求5所述的模型生成的方法，其特征在于，所述方法還包括利用N-gram模型調(diào)試所述特征模板。

7.如權(quán)利要求1至6任一項(xiàng)所述的模型生成的方法，其特征在于，所述條件隨機(jī)場(chǎng)學(xué)習(xí)算法的優(yōu)化實(shí)現(xiàn)算法采用擬牛頓法。

8.一種模型生成的系統(tǒng)，其特征在于，包括：

第一獲取模塊，用于獲取歷史數(shù)據(jù)；

處理模塊，用于對(duì)每條所述歷史數(shù)據(jù)進(jìn)行特征提取及標(biāo)注以得到對(duì)應(yīng)的歷史序列，每條所述歷史序列包括特征提取后的特征和標(biāo)注后的標(biāo)簽，所述標(biāo)簽包括物品的中心詞、物品的修飾詞、詢問(wèn)范圍、物品的品牌及頻道編號(hào)中的至少一種；

訓(xùn)練模塊，用于采用條件隨機(jī)場(chǎng)學(xué)習(xí)算法對(duì)所述歷史序列進(jìn)行模型訓(xùn)練，以確定條件隨機(jī)場(chǎng)模型的參數(shù)，所述參數(shù)包括迭代次數(shù)maxiter、步長(zhǎng)stepsize和學(xué)習(xí)率learningrate。

9.如權(quán)利要求8所述的模型生成的系統(tǒng)，其特征在于，所述處理模塊采用斯坦福CoreNLP對(duì)每條所述歷史數(shù)據(jù)進(jìn)行特征提取。

10.如權(quán)利要求9所述的模型生成的系統(tǒng)，其特征在于，所述特征包括分詞特征、詞性特征和品牌專有特征；

所述系統(tǒng)還包括第一預(yù)設(shè)模塊，所述第一預(yù)設(shè)模塊用于預(yù)設(shè)品牌詞庫(kù)，所述品牌詞庫(kù)包括若干品牌；

所述處理模塊采用斯坦福CoreNLP對(duì)每條所述歷史數(shù)據(jù)進(jìn)行特征提取包括：

所述處理模塊采用斯坦福CoreNLP對(duì)每條所述歷史數(shù)據(jù)進(jìn)行分詞以得到所述分詞特征；

所述處理模塊采用斯坦福CoreNLP對(duì)分詞后的詞語(yǔ)進(jìn)行詞性標(biāo)注以得到所述詞性特征；

所述處理模塊根據(jù)分詞后的詞語(yǔ)是否為所述品牌詞庫(kù)中的品牌設(shè)置所述分詞后的詞語(yǔ)的所述品牌專有特征。

11.如權(quán)利要求10所述的模型生成的系統(tǒng)，其特征在于，所述系統(tǒng)還包括第二預(yù)設(shè)模塊，所述第二預(yù)設(shè)模塊用于預(yù)設(shè)物品詞庫(kù)，所述處理模塊采用斯坦福CoreNLP的正則匹配模板、所述物品詞庫(kù)及所述品牌詞庫(kù)對(duì)每條所述歷史數(shù)據(jù)進(jìn)行標(biāo)注以得到所述標(biāo)簽。