[發(fā)明專利]關(guān)鍵詞提取方法、裝置、設(shè)備和存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202110400595.X
• 申請日: 2021-04-14
• 公開（公告）號: CN113076755A
• 公開（公告）日: 2021-07-06
• 發(fā)明（設(shè)計）人: 王玥;李浩然;祝天剛
• 申請（專利權(quán)）人: 京東數(shù)字科技控股股份有限公司
• 主分類號: G06F40/30
• 分類號: G06F40/30;G06K9/34;G06N3/04
• 代理公司: 北京同立鈞成知識產(chǎn)權(quán)代理有限公司 11205
• 代理人: 朱穎;臧建明

1.一種關(guān)鍵詞提取方法，其特征在于，包括：

獲取與物品的屬性相關(guān)的描述文本和物品的圖片；

對所述描述文本進行編碼處理，得到所述描述文本的語義表示；

對所述圖片進行特征提取，得到所述圖片的語義向量；

利用預先訓練得到的目標模型，根據(jù)所述語義向量和語義表示，獲取所述物品的屬性詞，所述屬性詞用于描述所述物品的屬性。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對所述描述文本進行編碼處理，得到所述描述文本的語義表示，包括：

對所述描述文本中的字詞進行向量化，得到每個字詞對應的字向量；

利用預設(shè)第一神經(jīng)網(wǎng)絡(luò)，對所述字向量進行編碼，得到所述描述文本的語義表示。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述預設(shè)第一神經(jīng)網(wǎng)絡(luò)為雙向長短期記憶神經(jīng)網(wǎng)絡(luò)，所述利用預設(shè)第一神經(jīng)網(wǎng)絡(luò)，對所述字向量進行編碼，得到所述描述文本的語義表示，包括：

對每一字詞對應的字向量進行排序，得到字向量序列；

利用雙向長短期記憶神經(jīng)網(wǎng)絡(luò)，對所述字向量序列中的每個字向量依次進行編碼，得到語義表示。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對所述圖片進行特征提取，得到所述圖片的語義向量，包括：

將所述圖片輸入至預設(shè)第二神經(jīng)網(wǎng)絡(luò)模型，對所述圖片進行編碼；

根據(jù)所述編碼，提取所述預設(shè)第二神經(jīng)網(wǎng)絡(luò)模型的全連接層的輸出特征，作為語義向量。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用預先訓練得到的目標模型，根據(jù)所述語義向量和語義表示，獲取所述物品的屬性詞，包括：

利用所述目標模型，將所述語義向量和語義表示進行特征融合，得到特征融合表達；

根據(jù)所述特征融合表達和注意力機制，獲取隱藏層特征表達；

根據(jù)所述特征融合表達，獲取所述描述文本的每個字詞的第一屬性概率；

根據(jù)所述隱藏層特征表達，獲取所述描述文本的每個字詞的第二屬性概率；

根據(jù)所述第一屬性概率和第二屬性概率，計算得到輸出概率；

根據(jù)所述輸出概率，確定所述物品的屬性詞。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述利用所述目標模型，將所述語義向量和語義表示進行特征融合，得到特征融合表達，包括：

h′_i＝(1-g′_i)*emb_i+g′_i*W₁v

g′_i＝σ(W₂v+W₃emb_i)

上式中，h′_i為特征融合表達，g′_i為目標模型的輸入層視覺信息過濾器，emb_i表示第i個字詞對應的字向量，W₁、W₂、W₃為目標模型的參數(shù)矩陣，v為語義向量，σ(·)為預設(shè)函數(shù)。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述根據(jù)所述特征融合表達和注意力機制，獲取隱藏層特征表達，包括：

g″_i＝σ(W₅h′_i+W₆v)

上式中，h″_i是隱藏層特征表達，W₄、W₅、W₆是目標模型的參數(shù)矩陣，d為張量維度，表示輸出第i個字詞時，輸入的第j個字詞的重要性得分，表示表示輸出第i個字詞時，輸入的第j個字詞的注意力分配系數(shù)，i，j，m為正整數(shù)，g″_i是目標模型的隱藏層視覺信息過濾器。