[發明專利]一種新型文本可讀性評估方法及系統

在審

• 申請號: 202110459535.5
• 申請日: 2021-04-27
• 公開（公告）號: CN113158643A
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 丘心穎;申宇銘
• 申請（專利權）人: 廣東外語外貿大學
• 主分類號: G06F40/211
• 分類號: G06F40/211;G06F40/253;G06F40/30;G06N3/04;G06N3/08
• 代理公司: 廣州凱東知識產權代理有限公司 44259
• 代理人: 吳發登

1.一種新型文本可讀性評估方法，其特征在于，所述方法基于雙通道神經網絡模型，包括以下步驟：

步驟S1，提取需要評估的文本的語義稠密嵌入表示和句法稠密嵌入表示；

步驟S2，將提取到的語義稠密嵌入表示和句法稠密嵌入表示輸入雙通道神經網絡模型中，實現特征的提取；

步驟S3，將提取出的特征進行結合，形成語義與語法的稠密嵌入表示；

步驟S4，將語義與語法的稠密嵌入表示輸入至深度神經網絡中進行預測，從而實現文本可讀性的評估。

2.根據權利要求1所述的一種新型文本可讀性評估方法，其特征在于，所述步驟S1中提取需要評估的文本的語義稠密嵌入表示是通過采用預訓練語義模型生成。

3.根據權利要求2所述的一種新型文本可讀性評估方法，其特征在于，所述步驟S1中提取需要評估的文本的句法稠密嵌入表示包括以下步驟：

提取需要評估的文本的語言特征并構建向量空間表示；

依據每個語言特征之間的關系構建出特征圖；

將表示學習算法應用于所述特征圖上，生成句法潛在空間；

運用矩陣向量乘法將語言特征向量投影到句法潛在空間上，從而形成句法稠密嵌入表示。

4.根據權利要求3所述的一種新型文本可讀性評估方法，其特征在于，所述雙通道神經網絡模型包括DNN雙通道模型和DNN-LSTM雙通道模型。

5.根據權利要求4所述的一種新型文本可讀性評估方法，其特征在于，所述步驟S2中對句法稠密嵌入表示進行特征提取是采用DNN雙通道模型，主要具體包括以下步驟：

將句法稠密嵌入表示輸入至DNN雙通道模型的兩層網絡中；

依據預訓練語義模型平均嵌入表示，將DNN雙通道模型的兩層輸出內容與預訓練語義模型嵌入矩陣的四層神經網絡輸出內容結合起來，從而實現句法稠密嵌入表示的特征提取。

6.根據權利要求5所述的一種新型文本可讀性評估方法，其特征在于，所述步驟S2中對語義稠密嵌入表示進行特征提取是采用DNN-LSTM雙通道模型，主要具體包括以下步驟：

將預訓練語義模型嵌入到BiLSTM網絡中，形成DNN-LSTM雙通道模型；

將語義稠密嵌入表示輸入所述DNN-LSTM雙通道模型，所述DNN-LSTM雙通道模型輸出該語義稠密嵌入表示的特征。

7.一種新型文本可讀性評估系統，其特征在于，所述系統包括：

第一提取模塊，用于提取需要評估的文本的語義稠密嵌入表示和句法稠密嵌入表示；

雙通道神經網絡模型，用于對語義稠密嵌入表示和句法稠密嵌入表示進行特征提取；

結合模塊，用于將提取出的特征進行結合，形成語義與語法的稠密嵌入表示；

深度神經網絡模型，用于依據語義與語法的稠密嵌入表示對文本可讀性進行評估。

8.根據權利要求7所述的一種新型文本可讀性評估系統，其特征在于，所述第一提取模塊包括：

存儲模塊，用于存儲預訓練語義模型；

第一構建模塊，用于提取需要評估的文本的語言特征并構建向量空間表示；

第二構建模塊，用于依據每個語言特征之間的關系構建特征圖

第一生成模塊，用于將表示學習算法應用于特征圖上，生成句法潛在空間；

第二生成模塊，用于運用矩陣向量乘法將語言特征向量投影到句法潛在空間上，從而生成句法稠密嵌入表示。

9.根據權利要求8所述的一種新型文本可讀性評估系統，其特征在于，所述雙通道神經網絡模型包括DNN雙通道模型和DNN-LSTM雙通道模型。

10.根據權利要求9所述的一種新型文本可讀性評估系統，其特征在于，所述DNN雙通道模型包括：

輸入模塊，用于將句法稠密嵌入表示輸入至DNN雙通道模型的兩層網絡中；

特征提取模塊，用于依據預訓練語義模型平均嵌入表示，將DNN雙通道模型的兩層輸出內容與預訓練語義模型嵌入矩陣的四層神經網絡輸出內容結合起來，從而提取出句法稠密嵌入表示的特征。