(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210284743.0 (22)申请日 2022.03.22 (71)申请人 腾讯科技 （深圳） 有限公司 地址 518044 广东省深圳市南 山区高新区 科技中一路腾讯大厦3 5层 (72)发明人 黄剑辉　 (74)专利代理 机构 北京同达信恒知识产权代理 有限公司 1 1291 专利代理师 朱佳 (51)Int.Cl. G06F 40/30(2020.01) G06F 40/289(2020.01) G06F 40/295(2020.01) G06F 16/35(2019.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种文本语义识别方法、 装置、 电子设备和 存储介质 (57)摘要 本申请涉及计算机技术领域， 尤其涉及一种 文本语义识别方法、 装置、 电子设备和存储介质， 用以提高文本语义识别准确率。 其中， 方法包括： 对待识别文本进行编码， 获得待识别文本的文本 语义特征和待识别文本中各个分词的词语义特 征； 分别基于各词语义特征， 对文本语义特征进 行特征融合处理， 获得相应的词 融合特征； 基于 文本语义特征对待识别文本进行文本分类， 获得 待识别文本对应的文本类别； 基于各词融合特征 对待识别文本进行命名实体提取， 获得待识别文 本包含的命名实体。 由于本申请通过基于文本语 义特征获得待识别文本的文本类别， 以及基于各 词语义特征和文本语义特征融合后的特征获得 待识别文本包含的命名实体， 能够提高文本语义 识别准确率。 权利要求书2页 说明书17页 附图6页 CN 114707513 A 2022.07.05 CN 114707513 A 1.一种文本语义识别方法， 其特 征在于， 该 方法包括： 对待识别文本进行编码， 获得所述待识别文本的文本语义特征和所述待识别文本 中各 个分词的词语义特 征； 分别基于各个词语义特征， 对所述文本语义特征进行特征融合处理， 获得相应的词融 合特征； 基于所述文本语义特征对所述待识别文本进行文本分类， 获得所述待识别文本对应的 文本类别； 基于各词融合特征对所述待识别文本进行命名实体提取， 获得所述待识别文本包含的 命名实体。 2.如权利要求1所述的方法， 其特征在于， 分别基于各个词语义特征， 对所述文本语义 特征进行特征融合处 理， 获得相应的词融合特 征， 包括： 将所述文本语义特征映射为预设维度的文本类别特征， 所述文本类别特征包含对应的 待识别文本的分类信息； 分别基于所述各词语义特征， 对所述文本类别特征进行特征融合处理， 获得所述各个 分词相应的词融合特 征。 3.如权利要求2所述的方法， 其特征在于， 所述将所述文本语义特征映射为预设维度的 文本类别特 征， 包括： 将所述文本语义特 征输入已训练的目标文本识别模型的分类网络层； 基于所述分类网络层， 对所述文本语义特征进行线性映射， 获得包含所述分类信息的 文本类别特 征； 所述基于所述文本语义特征对所述待识别文本进行文本分类， 获得所述待识别文本对 应的文本类别， 包括： 将所述文本语义特 征输入所述分类网络层， 获得 所述文本类别特 征； 基于所述文本类别特征对所述待识别文本进行文本分类， 获得所述待识别文本对于各 个文本类别的概率， 将概率符合预设条件的文本类别， 作为所述待识别文本对应的文本类 别。 4.如权利要求1所述的方法， 其特征在于， 所述基于各词融合特征对所述待识别文本进 行命名实体提取， 获得 所述待识别文本包 含的命名实体， 包括： 将各词融合特 征输入已训练的目标文本识别模型的实体识别网络层； 基于所述实体识别网络层， 分别对各词融合特征进行标注， 获得各词融合特征各自对 应的词性信息， 每个词融合特征的词性信息用于表示相应的词融合特征对应的分词在所述 待识别文本中的属性和位置； 基于各词融合特征各自对应的词性信息， 对所述待识别文本进行命名实体提取， 获得 所述待识别文本包 含的至少一个命名实体。 5.如权利要求3或4所述的方法， 其特征在于， 所述目标文本识别模型是通过以下方式 训练得到的： 获取样本数据集， 所述样本数据集中的每 个样本数据包括 一个样本文本； 根据所述样本数据集对待训练 的文本识别模型进行循环迭代训练， 输出所述已训练 的 目标文本识别模型； 其中， 在一次循环迭代过程中， 执 行以下操作：权　利　要　求　书 1/2 页 2 CN 114707513 A 2将选取的样本数据输入所述待训练 的文本识别模型， 获得所述样本数据对应的预测文 本类别， 以及所述样本数据包含的各个分词的预测词性信息， 其中， 所述样 本数据包含的每 个分词的词性信息， 用于表示对应的分词在所述样本文本中的属性和位置； 采用基于所述预测文本类别和所述样本数据包含的各个分词的预测词性信息构建的 目标损失函数， 对所述待训练的文本识别模型进行参数调整。 6.如权利要求5所述的方法， 其特征在于， 所述样本数据集中的每个样本数据还包括： 所述样本文本对应的真实文本类别， 所述样本文本中的各个分词的真实词性信息， 每个分 词的真实词性信息用于表示相应的分词在所述样本文本中的属性和位置， 所述词性信息是 基于所述样本文本所包 含的命名实体确定的。 7.如权利要求6所述的方法， 其特征在于， 所述采用基于所述预测文本类别和所述样本 数据包含的各个分词的预测词性信息构建的目标损失函数， 包括： 基于所述样本数据的预测文本类别与真实文本类别之间的差异， 构建第一损 失函数； 以及 基于所述样本数据中的各个分词各自的预测词性信 息与真实词性信 息之间的差异， 构 建第二损失函数， 基于所述第 一损失函数和所述第 二损失函数， 以及各自对应的权重构建所述目标损失 函数。 8.一种文本语义识别装置， 其特 征在于， 包括： 编码单元， 用于对待识别文本进行编码， 获得所述待识别文本的文本语义特征和所述 待识别文本中各个分词的词语义特 征； 融合单元， 用于分别基于各词语义特征， 对所述文本语义特征进行特征融合处理， 获得 相应的词融合特 征； 分类单元， 用于基于所述文本语义特征对所述待识别文本进行文本分类， 获得所述待 识别文本对应的文本类别； 提取单元， 用于基于各词融合特征对所述待识别文本进行命名实体提取， 获得所述待 识别文本包 含的命名实体。 9.一种电子设备， 其特征在于， 其包括处理器和存储器， 其中， 所述存储器存储有计算 机程序， 当所述计算机程序被所述处理器执行时， 使得所述处理器执行权利要求1～7中任 一所述方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 其包括计算机程序， 当所述计算机程序在 电子设备上运行时， 所述计算机程序用于使 所述电子 设备执行权利要求 1～7中任一所述方 法的步骤。 11.一种计算机程序产品， 其特征在于， 包括计算机程序， 所述计算机程序存储在计算 机可读存储介质中； 当电子 设备的处理器从所述计算机可读存储介质读取所述计算机程序 时， 所述处理器执行所述计算机程序， 使得所述电子设备执行权利要求1～7中任一所述方 法的步骤。权　利　要　求　书 2/2 页 3 CN 114707513 A 3