[發明專利]語句類型識別方法和裝置、存儲介質及電子裝置

有效

• 申請號: 201810589617.X
• 申請日: 2018-06-08
• 公開（公告）號: CN108897732B
• 公開（公告）日: 2020-08-25
• 發明（設計）人: 晁陽
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/211;G06F40/279
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 周婷婷;江舟

1.一種語句類型識別方法，其特征在于，包括：

使用第一樣本集合中的語句的特征向量對第一神經網絡模型進行分類訓練，得到機器學習分類模型，其中，所述第一樣本集合中的語句的特征向量包括：在所述第一樣本集合中出現頻率大于第一詞頻的第一詞語的特征向量、在所述第一樣本集合中出現頻率小于第二詞頻的第二詞語的特征向量、以及在所述第一樣本集合中隨機選取的第三詞語的特征向量，所述第一神經網絡模型為Xgboost模型；

使用第二樣本集合中的語句的特征向量對第二神經網絡模型進行分類訓練，得到深度學習分類模型，其中，所述第二樣本集合中的語句的特征向量包括：目標應用中的相同帳號發布的相鄰的多個語句的特征向量，所述第二神經網絡模型為Bi-Lstm+Attention模型；

獲取語句識別請求，其中，所述語句識別請求用于確認目標帳號在所述目標應用中發布的待識別語句是否屬于目標類型，所述目標類型為禁止在所述目標應用中發布的語句的類型；

響應所述語句識別請求，獲取所述待識別語句的目標特征向量，其中，所述目標特征向量用于表示所述待識別語句；

根據訓練好的所述機器學習分類模型以及所述深度學習分類模型和所述目標特征向量獲取類型識別結果，其中，所述目標特征向量為所述訓練好的所述機器學習分類模型以及所述深度學習分類模型的輸入，所述類型識別結果用于指示所述待識別語句是否屬于所述目標類型，所述訓練好的所述機器學習分類模型以及所述深度學習分類模型至少用于通過上下文語句的特征向量對所述目標特征向量進行實時識別，所述上下文語句為所述目標帳號在所述目標應用中發布的、且與所述待識別語句相鄰的語句。

2.根據權利要求1所述的方法，其特征在于，所述根據訓練好的所述機器學習分類模型以及所述深度學習分類模型和所述目標特征向量獲取類型識別結果包括：

根據所述機器學習分類模型和所述目標特征向量獲取第一類型識別結果，其中，所述第一類型識別結果用于指示所述待識別語句是否屬于所述目標類型，所述目標特征向量為所述機器學習分類模型的輸入；

根據所述深度學習分類模型、所述目標特征向量和所述上下文語句的特征向量獲取第二類型識別結果，其中，所述第二類型識別結果用于指示所述待識別語句是否屬于所述目標類型，所述目標特征向量和所述上下文語句的特征向量為所述深度學習分類模型的輸入；

在所述第一類型識別結果與所述第二類型識別結果相同的情況下，確定所述類型識別結果為所述第一類型識別結果。

3.根據權利要求2所述的方法，其特征在于，在所述第一類型識別結果與所述第一類型識別結果不相同的情況下，所述方法還包括：

確定所述類型識別結果為用于指示所述待識別語句屬于所述目標類型；或

比較用于表示所述第一類型識別結果的第一數值與用于表示所述第一類型識別結果的第二數值；在所述第一數值大于所述第二數值的情況下，確定所述類型識別結果為所述第一類型識別結果；在所述第一數值小于所述第二數值的情況下，確定所述類型識別結果為所述第二類型識別結果。

4.根據權利要求1至3中任一項所述的方法，其特征在于，所述目標應用為游戲應用，在所述根據訓練好的所述機器學習分類模型以及所述深度學習分類模型和所述目標特征向量獲取類型識別結果之后，所述方法還包括：

在所述類型識別結果指示所述待識別語句屬于所述目標類型的情況下，向所述游戲應用發送第一提示信息，其中，所述第一提示信息用于指示所述待識別語句屬于所述目標類型；或

向所述游戲應用發送第一控制指令，其中，所述第一控制指令用于禁止在所述游戲應用的界面中顯示所述待識別語句；或

向所述游戲應用發送第二控制指令，其中，所述第二控制指令用于禁止所述目標帳號在目標時間段內在所述游戲應用中發布語句。