申请/专利权人：中国平安人寿保险股份有限公司

申请日：2021-03-17

公开（公告）日：2024-03-12

公开（公告）号：CN112989043B

主分类号：G06F16/35

分类号：G06F16/35;G06F40/289;G06F40/295;G06F40/247;G06F40/216;G06F18/214;G06F18/25;G06F18/2415

优先权：

专利状态码：有效-授权

法律状态：2024.03.12#授权;2021.10.08#实质审查的生效;2021.06.18#公开

摘要：本发明涉及智能决策领域，揭露一种指代消解方法，包括：根据所述历史对话文本集中的数据进行样本构建及多标签标记，得到第一训练样本集；对所述第一训练样本集进行近义词替换及指代词替换，得到第二训练样本集；利用所述第二训练样本集对预构建的深度学习模型进行训练，得到分类识别模型；当接收待分析对话文本时，利用所述分类识别模型对所述待分析对话文本进行上下文关联分析，得到分析结果；根据所述分析结果，对所述待分析对话文本进行分类指代消解，得到指代消解文本。本发明还涉及一种区块链技术，所述分析结果可以存储在区块链节点中。本发明还提出一种指代消解装置、电子设备以及可读存储介质。本发明可以提高指代消解的效率。

主权项：1.一种指代消解方法，其特征在于，所述方法包括：获取历史对话文本集，根据所述历史对话文本集中的数据进行样本构建及多标签标记，得到第一训练样本集；对所述第一训练样本集进行近义词替换及指代词替换，得到第二训练样本集；利用所述第二训练样本集对预构建的深度学习模型进行训练，得到分类识别模型；当接收待分析对话文本时，利用所述分类识别模型对所述待分析对话文本进行上下文关联分析，得到分析结果；根据所述分析结果，对所述待分析对话文本进行分类指代消解，得到指代消解文本；其中，所述利用所述第二训练样本集对预构建的深度学习模型进行训练，得到分类识别模型，包括：利用所述第二训练样本集对所述预构建的深度学习模型进行迭代训练，直至所述深度学习模型收敛，得到所述分类识别模型；所述利用所述第二训练样本集对所述预构建的深度学习模型进行迭代训练，直至所述深度学习模型收敛，得到所述分类识别模型，包括：步骤A：利用所述深度学习模型中的编码层将所述第二训练样本集中标准训练样本中的历史文本分词序列中的每个词语转化为词向量，得到历史文本分词向量序列；步骤B：利用所述编码层将所述标准训练样本中的当前文本分词序列中的每个词语转化为词向量，得到当前文本分词向量序列；步骤C：利用所述深度学习模型中的特征提取层对所述历史文本分词向量序列进行特征提取，得到历史文本特征句向量；步骤D：利用所述特征提取层对所述当前文本分词向量序列进行特征提取，得到当前文本特征句向量；利用所述特征提取层对所述历史文本分词向量序列中每个词向量进行特征提取，得到历史文本特征词向量；步骤E：利用所述深度学习模型中的注意力机制层对当前文本特征句向量与所述历史文本特征词向量进行权重计算，得到第一融合向量；步骤F：利用所述深度学习模型中的特征融合层将所述历史文本特征句向量、第一融合向量及所述当前文本特征句向量进行向量求和，得到目标向量；利用预设的激活函数计算所述目标向量对应的标签概率值；步骤G：根据所述标准训练样本包含的标签确定对应的标签真实值；根据所述标签概率值与所述标签真实值，利用预设的损失函数计算，得到目标损失值；步骤H：当所述目标损失值大于或等于预设阈值时，更新所述深度学习模型的模型参数，并返回所述步骤A；当所述目标损失值小于预设阈值时，停止训练，得到所述分类识别模型。

全文数据：

权利要求：

百度查询： 中国平安人寿保险股份有限公司 指代消解方法、装置、电子设备及可读存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD