CN109740167B - 用于生成信息的方法和装置 - Google Patents

Abstract

本公开的实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：对待解析文本进行切词处理，得到待解析文本的分词序列；将待解析文本的分词序列中每个分词的词向量组成的序列确定为待解析文本的词向量序列；将待解析文本的词向量序列中的每个词向量输入预先训练的重要度确定模型，得到该词向量的重要度值；以待解析文本的词向量序列中的各个词向量为节点，以节点对应的词向量的重要度值为节点的权值，构造动态树；将所构造的动态树输入预先训练的树形长短期记忆网络，生成待解析文本的文本向量，其中，树形长短期记忆网络用于表征以词向量为节点的动态树与文本向量之间的对应关系。该实施方式丰富了生成文本的文本向量的实现方式。

Description

用于生成信息的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于生成信息的方法和装置。

背景技术

自然语言理解(Natural Language Understanding)中的一项重要工作就是将词语或句子转换成可以计算的数据。目前，大都采用将文本先切词得到分词序列，再将分词序列中的每个分词表示成词向量得到词向量序列，再根据所得到的词向量序列构建文本的文本向量，继而可以利用文本向量实现对文本的自然语言理解的各种操作。例如，可以将文本翻译成另外一种语言，也可以对文本进行情感分析等等。

发明内容

本公开的实施例提出了用于生成信息的方法和装置。

第一方面，本公开的实施例提供了一种用于生成信息的方法，该方法包括：对待解析文本进行切词处理，得到待解析文本的分词序列；将待解析文本的分词序列中每个分词的词向量组成的序列确定为待解析文本的词向量序列；将待解析文本的词向量序列中的每个词向量输入预先训练的重要度确定模型，得到该词向量的重要度值；以待解析文本的词向量序列中的各个词向量为节点，以节点对应的词向量的重要度值为节点的权值，构造动态树；将所构造的动态树输入预先训练的树形长短期记忆网络，生成待解析文本的文本向量，其中，树形长短期记忆网络用于表征以词向量为节点的动态树与文本向量之间的对应关系。

在一些实施例中，该方法还包括：将待解析文本的文本向量输入预先训练的文本处理模型，生成待解析文本的文本处理结果，其中，文本处理模型用于表征文本的文本向量与文本处理结果之间的对应关系。

在一些实施例中，重要度确定模型、树形长短期记忆网络和文本处理模型是通过如下训练步骤得到的：确定初始重要度确定模型的模型结构、初始树形长短期记忆网络的网络结构和初始文本处理模型的模型结构，以及初始化初始重要度确定模型的模型参数、初始树形长短期记忆网络的网络参数和初始文本处理模型的模型参数；获取训练样本集，其中，每个训练样本包括样本文本和对样本文本进行处理所期望得到的标注处理结果；对于训练样本集中的训练样本，执行以下参数调整步骤：将该训练样本中的样本文本进行切词处理，得到该样本文本的分词序列；将该样本文本的分词序列中每个分词的词向量组成的序列确定为该样本文本的词向量序列；将该样本文本的词向量序列中的每个词向量输入初始重要度确定模型，得到该词向量的重要度值；以该样本文本的词向量序列中的各个词向量为节点，以节点对应的词向量的重要度值为节点的权值，构造动态树；将所构造的动态树输入初始树形长短期记忆网络，生成该样本文本的文本向量；将该样本文本的文本向量输入初始文本处理模型，生成该样本文本的实际处理结果；按照预设损失函数，计算该训练样本中的标注处理结果与该样本文本的实际处理结果之间的损失值；基于计算所得的损失值，调整初始重要度确定模型的模型参数、初始树形长短期记忆网络的网络参数和初始文本处理模型的模型参数；响应于确定满足预设训练结束条件，结束参数调整步骤；分别将训练得到的初始重要度确定模型、初始树形长短期记忆网络和初始文本处理模型确定为预先训练的重要度确定模型、树形长短期记忆网络和文本处理模型。

在一些实施例中，将待解析文本的分词序列中每个分词的词向量组成的序列确定为待解析文本的词向量序列，包括：对于待解析文本的分词序列中的每个分词，在预先训练的词向量表中查询与该分词对应的词向量；按照待解析文本的分词序列中每个分词的排序，生成由待解析文本的分词序列中每个分词的词向量组成的词向量序列；将所生成的词向量序列确定为待解析文本的词向量序列。

在一些实施例中，基于计算所得的损失值，调整初始重要度确定模型的模型参数、初始树形长短期记忆网络的网络参数和初始文本处理模型的模型参数，包括：基于计算所得的损失值，调整初始重要度确定模型的模型参数、初始树形长短期记忆网络的网络参数、初始文本处理模型的模型参数和词向量表。

第二方面，本公开的实施例提供了一种用于生成信息的装置，该装置包括：分词序列生成单元，被配置成对待解析文本进行切词处理，得到待解析文本的分词序列；词向量序列生成单元，被配置成将待解析文本的分词序列中每个分词的词向量组成的序列确定为待解析文本的词向量序列；重要度值确定单元，被配置成将待解析文本的词向量序列中的每个词向量输入预先训练的重要度确定模型，得到该词向量的重要度值；动态树构造单元，被配置成以待解析文本的词向量序列中的各个词向量为节点，以节点对应的词向量的重要度值为节点的权值，构造动态树；文本向量生成单元，被配置成将所构造的动态树输入预先训练的树形长短期记忆网络，生成待解析文本的文本向量，其中，树形长短期记忆网络用于表征以词向量为节点的动态树与文本向量之间的对应关系。

在一些实施例中，该装置还包括：文本处理结果生成单元，被配置成将待解析文本的文本向量输入预先训练的文本处理模型，生成待解析文本的文本处理结果，其中，文本处理模型用于表征文本的文本向量与文本处理结果之间的对应关系。

在一些实施例中，重要度确定模型、树形长短期记忆网络和文本处理模型是通过如下训练步骤得到的：确定初始重要度确定模型的模型结构、初始树形长短期记忆网络的网络结构和初始文本处理模型的模型结构，以及初始化初始重要度确定模型的模型参数、初始树形长短期记忆网络的网络参数和初始文本处理模型的模型参数；获取训练样本集，其中，每个训练样本包括样本文本和对样本文本进行处理所期望得到的标注处理结果；对于训练样本集中的训练样本，执行以下参数调整步骤：将该训练样本中的样本文本进行切词处理，得到该样本文本的分词序列；将该样本文本的分词序列中每个分词的词向量组成的序列确定为该样本文本的词向量序列；将该样本文本的词向量序列中的每个词向量输入初始重要度确定模型，得到该词向量的重要度值；以该样本文本的词向量序列中的各个词向量为节点，以节点对应的词向量的重要度值为节点的权值，构造动态树；将所构造的动态树输入初始树形长短期记忆网络，生成该样本文本的文本向量；将该样本文本的文本向量输入初始文本处理模型，生成该样本文本的实际处理结果；按照预设损失函数，计算该训练样本中的标注处理结果与该样本文本的实际处理结果之间的损失值；基于计算所得的损失值，调整初始重要度确定模型的模型参数、初始树形长短期记忆网络的网络参数和初始文本处理模型的模型参数；响应于确定满足预设训练结束条件，结束参数调整步骤；分别将训练得到的初始重要度确定模型、初始树形长短期记忆网络和初始文本处理模型确定为预先训练的重要度确定模型、树形长短期记忆网络和文本处理模型。

在一些实施例中，词向量序列生成单元包括：查询模块，被配置成对于待解析文本的分词序列中的每个分词，在预先训练的词向量表中查询与该分词对应的词向量；生成模块，被配置成按照待解析文本的分词序列中每个分词的排序，生成由待解析文本的分词序列中每个分词的词向量组成的词向量序列；确定模块，被配置成将所生成的词向量序列确定为待解析文本的词向量序列。

在一些实施例中，基于计算所得的损失值，调整初始重要度确定模型的模型参数、初始树形长短期记忆网络的网络参数和初始文本处理模型的模型参数，包括：基于计算所得的损失值，调整初始重要度确定模型的模型参数、初始树形长短期记忆网络的网络参数、初始文本处理模型的模型参数和词向量表。

第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本公开的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被一个或多个处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的实施例提供的用于生成信息的方法和装置，通过对待解析文本进行切词处理，得到待解析文本的分词序列；再将待解析文本的分词序列中每个分词的词向量组成的序列确定为待解析文本的词向量序列；接着，将待解析文本的词向量序列中的每个词向量输入预先训练的重要度确定模型，得到该词向量的重要度值；而后，以待解析文本的词向量序列中的各个词向量为节点，以节点对应的词向量的重要度值为节点的权值，构造动态树；最后，将所构造的动态树输入预先训练的树形长短期记忆网络，生成待解析文本的文本向量，从而利用动态树，实现了根据词的重要度值，动态调整树结构使得重要度越高的词距离动态树的根节点越近，继而所生成的文本向量中体现了词的重要度，丰富了对文本进行向量化表示的多样性。实践中，这种表示方法可以提高对文本进行处理的处理效果，例如，可以提高对文本进行情感分析的分析效果。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一些实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成信息的方法的一个实施例的流程图；

图3是根据本公开的用于生成信息的方法的一个应用场景的示意图；

图4是根据本公开的用于生成信息的方法的又一个实施例的流程图；

图5是根据本公开的训练步骤的一个实施例的流程图；

图6是根据本公开的参数调整步骤的一个实施例的流程图；

图7是根据本公开的用于生成信息的装置的一个实施例的结构示意图；

图8是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如翻译类应用、自然语言理解类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的翻译类应用提供支持的后台服务器。后台服务器可以对接收到的翻译类请求等数据进行分析等处理，并将处理结果(例如翻译结果数据)反馈给终端设备。

需要说明的是，本公开的实施例所提供的用于生成信息的方法一般由服务器105执行，相应地，用于生成信息的装置一般设置于服务器105中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开的实施例所提供的信息推送的方法可以通过服务器105执行，也可以通过终端设备101、102、103执行，还可以通过服务器105和终端设备101、102、103共同执行，本公开对此不做限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：

步骤201，对待解析文本进行切词处理，得到待解析文本的分词序列。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器)可以首先本地或者远程地从与上述执行主体网络连接的电子设备(例如图1所示的终端设备)获取待解析文本。这里，待解析文本可以是一句话，也可以是多句话组成的一段话，或者也可是多个段落组成的一篇文章。

然后，上述执行主体可以采用各种方法对所获取的待解析文本进行切词处理，得到待解析文本的分词序列。例如，可以采用包括但不限于以下方法对待解析文本进行切词处理：基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法。

需要说明的是，上述各种切词方法是目前广泛研究和应用的公知技术，在此不再赘述。

例如，对“北京今天的天气是晴天”进行切词处理，得到的分词序列是(北京，今天，的，天气，是，晴天)。

步骤202，将待解析文本的分词序列中每个分词的词向量组成的序列确定为待解析文本的词向量序列。

在本实施例中，上述执行主体(例如图1所示的服务器)可以首先对于步骤201得到的待解析文本的分词序列中每个分词，确定该分词对应的词向量。然后，可以将待解析文本的分词序列中每个分词的词向量组成的序列确定为待解析文本的词向量序列。

在本实施例的一些可选的实现方式中，分词对应的词向量可以采用离散表示(one-hot representation)。离散表示把每个词表示为一个长向量。这个向量的维度是词表大小，向量中只有一个维度的值为1，其余维度为0，这个维度就代表了当前的词。

在本实施例的一些可选的实现方式中，分词对应的词向量也可以采用分布式表示(distribution representation)，即将词表示成一个定长的连续的稠密向量。在确定分词对应的分布式表示的词向量时可以采用包括但不限于以下各种方法：基于统计的方法和基于语言模型的方法。

例如，基于统计的方法可以是共现矩阵法，其通过统计一个事先指定大小的窗口内的词语共现次数，以词语周边的共现词的次数做为当前词语的词向量。具体来说，我们通过从大量的语料文本中构建一个共现矩阵来定义词向量。

又例如，基于统计的方法也可以是奇异值分解法。由于共现矩阵法存在高维和稀疏性的问题，奇异值分解法就是对共现矩阵法得到的矩阵，进行奇异值分解，得到矩阵正交矩阵，再对正交矩阵进行归一化即得到矩阵来定义词向量。

基于语言模型生成词向量是通过训练神经网络语言模型(NNLM，Neural NetworkLanguage Model)，词向量做为语言模型的附带产出。NNLM背后的基本思想是对出现在上下文环境里的词进行预测，这种对上下文环境的预测本质上也是一种对共现统计特征的学习。作为示例，采用NNLM生成词向量的方法可以包括但不限于以下各种方法：Skip-gram、CBOW、LBL、NNLM、C&W、GloVe等。

在本实施例的一些可选的实现方式中，步骤202也可以如下进行：

首先，对于待解析文本的分词序列中的每个分词，在预先训练的词向量表中查询与该分词对应的词向量。

这里，预先训练的词向量表可以是采用上述各种方法得到的。

其次，按照待解析文本的分词序列中每个分词的排序，生成由待解析文本的分词序列中每个分词的词向量组成的词向量序列。

最后，将所生成的词向量序列确定为待解析文本的词向量序列。

在本实施例的一些可选的实现方式中，待解析文本的分词序列中每个分词的正向排序可以与该分词对应的词向量在待解析文本的词向量中序列中的正向排序相同。

在本实施例的一些可选的实现方式中，待解析文本的分词序列中每个分词的正向排序也可以与该分词对应的词向量在待解析文本的词向量中序列中的逆向排序相同。

步骤203，将待解析文本的词向量序列中的每个词向量输入预先训练的重要度确定模型，得到该词向量的重要度值。

在本实施例中，上述执行主体可以将待解析文本的词向量序列中的每个词向量输入预先训练的重要度确定模型，得到该词向量的重要度值。需要说明的是，重要度确定模型用于表征词向量和词向量的重要度值之间的对应关系。作为示例，重要度确定模型可以是技术人员基于对大量的词向量和词向量对应的重要度值的统计而预先制定的、存储有多个词向量与重要度值的对应关系的对应关系表；也可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对词向量中的一个或多个数值进行数值计算以得到用于表征词向量的重要度值的计算公式。

步骤204，以待解析文本的词向量序列中的各个词向量为节点，以节点对应的词向量的重要度值为节点的权值，构造动态树。

在本实施例中，上述执行主体可以采用各种实现方式，以待解析文本的词向量序列中的各个词向量为节点，以节点对应的词向量的重要度值为节点的权值，构造动态树。实践中，所构造的动态树中权值越大的节点越靠近根节点，这样，可以使得重要度值大的节点与根节点越靠近，在后续将动态树输入树形长短期记忆网络时，重要度值高的词向量可以起到更重要的作用。

步骤205，将所构造的动态树输入预先训练的树形长短期记忆网络，生成待解析文本的文本向量。

在本实施例中，上述执行主体可以将步骤204中所构造的动态树输入预先训练的树形长短期记忆网络，生成待解析文本的文本向量。需要说明的是，这里，树形长短期记忆网络用于表征以词向量为节点的动态树与文本向量之间的对应关系。作为示例，树形长短期记忆网络可以是基于对大量的动态树和对应的标注文本向量对初始树形长短期记忆网络进行训练而得到的树形长短期记忆网络的网络结构信息和网络参数的参数值。

继续参见图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，电子设备301首先对待解析文本302进行切词处理，得到待解析文本302的分词序列303；然后，电子设备301将待解析文本302的分词序列303中每个分词的词向量组成的序列确定为待解析文本302的词向量序列304；接着，电子设备301将待解析文本302的词向量序列304中的每个词向量输入预先训练的重要度确定模型305，得到该词向量的重要度值306；而后，电子设备301以待解析文本302的词向量序列304中的各个词向量为节点，以节点对应的词向量的重要度值306为节点的权值，构造动态树307；最后，电子设备301将所构造的动态树307输入预先训练的树形长短期记忆网络308，生成待解析文本的文本向量309。

本公开的上述实施例提供的方法通过根据待解析文本中分词的重要度为待解析文本生成动态树，从而待解析文本中的各个分词在动态树中是与根节点的距离是与分词的重要度正相关的，丰富了对文本进行向量化表示的多样性。

进一步参考图4，其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400，包括以下步骤：

步骤401，对待解析文本进行切词处理，得到待解析文本的分词序列。

步骤402，将待解析文本的分词序列中每个分词的词向量组成的序列确定为待解析文本的词向量序列。

步骤403，将待解析文本的词向量序列中的每个词向量输入预先训练的重要度确定模型，得到该词向量的重要度值。

步骤404，以待解析文本的词向量序列中的各个词向量为节点，以节点对应的词向量的重要度值为节点的权值，构造动态树。

步骤405，将所构造的动态树输入预先训练的树形长短期记忆网络，生成待解析文本的文本向量。

在本实施例中，步骤401、步骤402、步骤403、步骤404和步骤405的具体操作与图2所示的实施例中步骤201、步骤202、步骤203、步骤204和步骤205的操作基本相同，在此不再赘述。

步骤406，将待解析文本的文本向量输入预先训练的文本处理模型，生成待解析文本的文本处理结果。

在本实施例中，用于生成信息的方法的执行主体可以将步骤405中生成的待解析文本的文本向量输入预先训练的文本处理模型，生成待解析文本的文本处理结果。需要说明的是，这里，文本处理模型用于表征文本的文本向量与文本处理结果之间的对应关系。作为示例，文本处理模型可以是技术人员基于对大量的文本向量和文本处理结果的统计而预先制定的、存储有多个文本向量与文本处理结果的对应关系的对应关系表；也可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对文本处理向量中的一个或多个数值进行数值计算以得到用于表征文本处理结果的计算结果的计算公式。

在本实施例的一些可选的实现方式中，文本处理模型还可以是基于大量的文本向量与对应的标注文本处理结果，对初始文本处理模型进行训练而得到的模型结构信息和模型参数的参数值。例如，文本处理模型可以是各种用于实现分类的分类器。又例如，文本处理模型也可以是各种神经网络。

这里，文本处理结果可以用于表征对文本进行各种处理所得到的结果。

作为示例，文本处理结果可以是用于表征对文本进行情感分析所得到的情感分析结果，例如，情感分析结果可以是：喜、怒、哀、乐、批评、赞扬等等。

作为示例，文本处理结果也可以是将文本翻译成与文本本身语言不同的另一种语言的翻译结果。例如，翻译结果可以是将中文翻译成英文的结果。

在本实施例的一些可选的实现方式中，上述重要度确定模型、树形长短期记忆网络和文本处理模型可以是通过训练步骤得到的。

请参考图5，图5示出了根据本公开的训练步骤的一个实施例的流程500。该训练步骤可以包括以下步骤：

步骤501，确定初始重要度确定模型的模型结构、初始树形长短期记忆网络的网络结构和初始文本处理模型的模型结构，以及初始化初始重要度确定模型的模型参数、初始树形长短期记忆网络的网络参数和初始文本处理模型的模型参数。

这里，训练步骤的执行主体可以与用于生成信息的方法的执行主体相同或者不同。如果相同，则训练步骤的执行主体可以在训练得到重要度确定模型、树形长短期记忆网络和文本处理模型后，将训练好的重要度确定模型的模型结构信息和模型参数、树形长短期记忆网络的网络结构信息和网络参数的参数值以及文本处理模型的模型结构信息和模型参数存储在本地。如果不同，则训练步骤的执行主体可以在训练得到重要度确定模型、树形长短期记忆网络和文本处理模型后，将训练好的重要度确定模型的模型结构信息和模型参数、树形长短期记忆网络的网络结构信息和网络参数的参数值以及文本处理模型的模型结构信息和模型参数发送给用于生成信息的方法的执行主体。

实践中，可以根据初始重要度确定模型的具体模型类型，确定初始重要度确定模型的模型结构。例如，当初始重要度确定模型为神经网络模型时，可以确定初始重要度确定模型包括哪些层，层与层之间的连接顺序关系，以及每层都包括哪些神经元，每个神经元对应的权重和偏置，每层的激活函数等等。

实践中，在确定初始树形长短期记忆网的网络结构时，可以确定初始树形长短期记忆网络中的输入门、输出门和遗忘门包括哪些神经元，每个神经元对应的权重和偏置，每个门对应的激活函数等等。

实践中，可以根据文本处理模型的具体模型类型，确定文本处理模型的模型结构。例如，当文本处理模型为神经网络模型时，可以确定文本处理模型包括哪些层，层与层之间的连接顺序关系，以及每层都包括哪些神经元，每个神经元对应的权重和偏置，每层的激活函数等等。当文本处理模型为支持向量机分类器时，可以确定文本处理模型包括哪些权重参数和偏置参数。

实践中，可以将初始重要度确定模型、初始化初始树形长短期记忆网络的各个网络参数和初始文本处理模型的各个模型参数用一些不同的小随机数进行初始化。“小随机数”用来保证网络和模型不会因权重过大而进入饱和状态，从而导致训练失败，“不同”用来保证网络和模型可以正常地学习。

步骤502，获取训练样本集。

这里，所获取的训练样本集中每个训练样本包括样本文本和对样本文本进行处理所期望得到的标注处理结果。

例如，可以由人工标注样本文本对应的标注处理结果。

需要说明的是，文本处理模型的处理任务不同，相应的标注处理结果也会是不同形式的。

实践中，训练步骤的执行主体也可以先执行步骤502再执行步骤501，本公开对此不做具体限定。

步骤503，对于训练样本集中的训练样本，执行参数调整步骤。

这里，训练步骤的执行主体可以对于训练样本集中的训练样本，执行参数调整步骤。

请参考图6，图6示出了根据本公开的参数调整步骤的一个实施例的流程600。该参数调整步骤可以包括以下步骤：

步骤601，将该训练样本中的样本文本进行切词处理，得到该样本文本的分词序列。

步骤602，将该样本文本的分词序列中每个分词的词向量组成的序列确定为该样本文本的词向量序列。

步骤603，将该样本文本的词向量序列中的每个词向量输入初始重要度确定模型，得到该词向量的重要度值。

步骤604，以该样本文本的词向量序列中的各个词向量为节点，以节点对应的词向量的重要度值为节点的权值，构造动态树。

步骤605，将所构造的动态树输入初始树形长短期记忆网络，生成该样本文本的文本向量。

步骤606，将该样本文本的文本向量输入初始文本处理模型，生成该样本文本的实际处理结果。

步骤607，按照预设损失函数，计算该训练样本中的标注处理结果与该样本文本的实际处理结果之间的损失值。

这里的预设损失函数可以是各种损失函数。例如，交叉熵损失函数、L2范数等等。

步骤608，基于计算所得的损失值，调整初始重要度确定模型的模型参数、初始树形长短期记忆网络的网络参数和初始文本处理模型的模型参数。

例如，可以采用BP(Back Propagation，反向传播)算法或者SGD(StochasticGradient Descent，随机梯度下降)算法来调整初始重要度确定模型的模型参数、初始树形长短期记忆网络的网络参数和初始文本处理模型的模型参数。

在本实施例的一些可选的实现方式中，当步骤402中为分词确定分词的词向量时是在词向量表中查询与分词对应的词向量时，步骤608也可以如下进行：基于计算所得的损失值，调整初始重要度确定模型的模型参数、初始树形长短期记忆网络的网络参数、初始文本处理模型的模型参数和词向量表。即，词向量表也在这个参数调整步骤中得到更新。

步骤609，确定是否满足预设训练结束条件。

这里，训练步骤的执行主体可以在确定满足预设训练结束条件的情况下，结束参数调整步骤，在确定不满足预设训练结束条件的情况下，继续对训练样本集中的该训练样本或者其他训练样本执行参数调整步骤。作为示例，预设的训练结束条件可以包括以下至少一项：训练时间超过预设时长，训练次数超过预设次数，计算所得的损失值小于预设损失阈值。

步骤504，分别将训练得到的初始重要度确定模型、初始树形长短期记忆网络和初始文本处理模型确定为预先训练的重要度确定模型、树形长短期记忆网络和文本处理模型。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成信息的方法的流程400多出了将所得到的文本向量输入文本处理模型得到文本处理结果的步骤。由此，本实施例描述的方案可以实现利用动态树生成的文本向量进行文本处理，继而丰富对文本处理的灵活性。而且，实践中，按照这种方式对文本进行情感分析可以得到更好的分析效果。

进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例的用于生成信息的装置700包括：分词序列生成单元701、词向量序列生成单元702、重要度值确定单元703、动态树构造单元和文本向量生成单元705。其中，分词序列生成单元701，被配置成对待解析文本进行切词处理，得到上述待解析文本的分词序列；词向量序列生成单元702，被配置成将上述待解析文本的分词序列中每个分词的词向量组成的序列确定为上述待解析文本的词向量序列；重要度值确定单元703，被配置成将上述待解析文本的词向量序列中的每个词向量输入预先训练的重要度确定模型，得到该词向量的重要度值；动态树构造单元704，被配置成以上述待解析文本的词向量序列中的各个词向量为节点，以节点对应的词向量的重要度值为节点的权值，构造动态树；文本向量生成单元705，被配置成将所构造的动态树输入预先训练的树形长短期记忆网络，生成上述待解析文本的文本向量，其中，上述树形长短期记忆网络用于表征以词向量为节点的动态树与文本向量之间的对应关系。

在本实施例中，用于生成信息的装置700的分词序列生成单元701、词向量序列生成单元702、重要度值确定单元703、动态树构造单元和文本向量生成单元705的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203、步骤204和步骤205的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述装置700还可以包括：文本处理结果生成单元706，被配置成将上述待解析文本的文本向量输入预先训练的文本处理模型，生成上述待解析文本的文本处理结果，其中，上述文本处理模型用于表征文本的文本向量与文本处理结果之间的对应关系。

在本实施例的一些可选的实现方式中，上述重要度确定模型、上述树形长短期记忆网络和上述文本处理模型可以是通过如下训练步骤得到的：确定初始重要度确定模型的模型结构、初始树形长短期记忆网络的网络结构和初始文本处理模型的模型结构，以及初始化上述初始重要度确定模型的模型参数、上述初始树形长短期记忆网络的网络参数和上述初始文本处理模型的模型参数；获取训练样本集，其中，每个训练样本包括样本文本和对样本文本进行处理所期望得到的标注处理结果；对于上述训练样本集中的训练样本，执行以下参数调整步骤：将该训练样本中的样本文本进行切词处理，得到该样本文本的分词序列；将该样本文本的分词序列中每个分词的词向量组成的序列确定为该样本文本的词向量序列；将该样本文本的词向量序列中的每个词向量输入上述初始重要度确定模型，得到该词向量的重要度值；以该样本文本的词向量序列中的各个词向量为节点，以节点对应的词向量的重要度值为节点的权值，构造动态树；将所构造的动态树输入上述初始树形长短期记忆网络，生成该样本文本的文本向量；将该样本文本的文本向量输入上述初始文本处理模型，生成该样本文本的实际处理结果；按照预设损失函数，计算该训练样本中的标注处理结果与该样本文本的实际处理结果之间的损失值；基于计算所得的损失值，调整上述初始重要度确定模型的模型参数、上述初始树形长短期记忆网络的网络参数和上述初始文本处理模型的模型参数；响应于确定满足预设训练结束条件，结束上述参数调整步骤；分别将训练得到的上述初始重要度确定模型、上述初始树形长短期记忆网络和上述初始文本处理模型确定为预先训练的上述重要度确定模型、上述树形长短期记忆网络和上述文本处理模型。

在本实施例的一些可选的实现方式中，上述词向量序列生成单元702可以包括：查询模块7021，被配置成对于上述待解析文本的分词序列中的每个分词，在预先训练的词向量表中查询与该分词对应的词向量；生成模块7022，被配置成按照上述待解析文本的分词序列中每个分词的排序，生成由上述待解析文本的分词序列中每个分词的词向量组成的词向量序列；确定模块7023，被配置成将所生成的词向量序列确定为上述待解析文本的词向量序列。

在本实施例的一些可选的实现方式中，上述基于计算所得的损失值，调整上述初始重要度确定模型的模型参数、上述初始树形长短期记忆网络的网络参数和上述初始文本处理模型的模型参数，可以包括：基于计算所得的损失值，调整上述初始重要度确定模型的模型参数、上述初始树形长短期记忆网络的网络参数、上述初始文本处理模型的模型参数和上述词向量表。

需要说明的是，本公开的实施例提供的用于生成信息的装置中各单元的实现细节和技术效果可以参考本公开中其它实施例的说明，在此不再赘述。

下面参考图8，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的终端或服务器)800的结构示意图。图8示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对待解析文本进行切词处理，得到上述待解析文本的分词序列；将上述待解析文本的分词序列中每个分词的词向量组成的序列确定为上述待解析文本的词向量序列；将上述待解析文本的词向量序列中的每个词向量输入预先训练的重要度确定模型，得到该词向量的重要度值；以上述待解析文本的词向量序列中的各个词向量为节点，以节点对应的词向量的重要度值为节点的权值，构造动态树；将所构造的动态树输入预先训练的树形长短期记忆网络，生成上述待解析文本的文本向量，其中，上述树形长短期记忆网络用于表征以词向量为节点的动态树与文本向量之间的对应关系。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，分词序列生成单元还可以被描述为“对待解析文本进行切词处理，得到待解析文本的分词序列的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于生成信息的方法，包括：

对待解析文本进行切词处理，得到所述待解析文本的分词序列；

将所述待解析文本的分词序列中每个分词的词向量组成的序列确定为所述待解析文本的词向量序列；

将所述待解析文本的词向量序列中的每个词向量输入预先训练的重要度确定模型，得到该词向量的重要度值；

以所述待解析文本的词向量序列中的各个词向量为节点，以节点对应的词向量的重要度值为节点的权值，构造动态树；

将所构造的动态树输入预先训练的树形长短期记忆网络，生成所述待解析文本的文本向量，其中，所述树形长短期记忆网络用于表征以词向量为节点的动态树与文本向量之间的对应关系。

2.根据权利要求1所述的方法，其中，所述方法还包括：

将所述待解析文本的文本向量输入预先训练的文本处理模型，生成所述待解析文本的文本处理结果，其中，所述文本处理模型用于表征文本的文本向量与文本处理结果之间的对应关系。

3.根据权利要求2所述的方法，其中，所述重要度确定模型、所述树形长短期记忆网络和所述文本处理模型是通过如下训练步骤得到的：

确定初始重要度确定模型的模型结构、初始树形长短期记忆网络的网络结构和初始文本处理模型的模型结构，以及初始化所述初始重要度确定模型的模型参数、所述初始树形长短期记忆网络的网络参数和所述初始文本处理模型的模型参数；

获取训练样本集，其中，每个训练样本包括样本文本和对样本文本进行处理所期望得到的标注处理结果；

对于所述训练样本集中的训练样本，执行以下参数调整步骤：将该训练样本中的样本文本进行切词处理，得到该样本文本的分词序列；将该样本文本的分词序列中每个分词的词向量组成的序列确定为该样本文本的词向量序列；将该样本文本的词向量序列中的每个词向量输入所述初始重要度确定模型，得到该词向量的重要度值；以该样本文本的词向量序列中的各个词向量为节点，以节点对应的词向量的重要度值为节点的权值，构造动态树；将所构造的动态树输入所述初始树形长短期记忆网络，生成该样本文本的文本向量；将该样本文本的文本向量输入所述初始文本处理模型，生成该样本文本的实际处理结果；按照预设损失函数，计算该训练样本中的标注处理结果与该样本文本的实际处理结果之间的损失值；基于计算所得的损失值，调整所述初始重要度确定模型的模型参数、所述初始树形长短期记忆网络的网络参数和所述初始文本处理模型的模型参数；响应于确定满足预设训练结束条件，结束所述参数调整步骤；

分别将训练得到的所述初始重要度确定模型、所述初始树形长短期记忆网络和所述初始文本处理模型确定为预先训练的所述重要度确定模型、所述树形长短期记忆网络和所述文本处理模型。

4.根据权利要求3所述的方法，其中，所述将所述待解析文本的分词序列中每个分词的词向量组成的序列确定为所述待解析文本的词向量序列，包括：

对于所述待解析文本的分词序列中的每个分词，在预先训练的词向量表中查询与该分词对应的词向量；

按照所述待解析文本的分词序列中每个分词的排序，生成由所述待解析文本的分词序列中每个分词的词向量组成的词向量序列；

将所生成的词向量序列确定为所述待解析文本的词向量序列。

5.根据权利要求4所述的方法，其中，所述基于计算所得的损失值，调整所述初始重要度确定模型的模型参数、所述初始树形长短期记忆网络的网络参数和所述初始文本处理模型的模型参数，包括：

基于计算所得的损失值，调整所述初始重要度确定模型的模型参数、所述初始树形长短期记忆网络的网络参数、所述初始文本处理模型的模型参数和所述词向量表。

6.一种用于生成信息的装置，包括：

分词序列生成单元，被配置成对待解析文本进行切词处理，得到所述待解析文本的分词序列；

词向量序列生成单元，被配置成将所述待解析文本的分词序列中每个分词的词向量组成的序列确定为所述待解析文本的词向量序列；

重要度值确定单元，被配置成将所述待解析文本的词向量序列中的每个词向量输入预先训练的重要度确定模型，得到该词向量的重要度值；

动态树构造单元，被配置成以所述待解析文本的词向量序列中的各个词向量为节点，以节点对应的词向量的重要度值为节点的权值，构造动态树；

文本向量生成单元，被配置成将所构造的动态树输入预先训练的树形长短期记忆网络，生成所述待解析文本的文本向量，其中，所述树形长短期记忆网络用于表征以词向量为节点的动态树与文本向量之间的对应关系。

7.根据权利要求6所述的装置，其中，所述装置还包括：

文本处理结果生成单元，被配置成将所述待解析文本的文本向量输入预先训练的文本处理模型，生成所述待解析文本的文本处理结果，其中，所述文本处理模型用于表征文本的文本向量与文本处理结果之间的对应关系。

8.根据权利要求7所述的装置，其中，所述重要度确定模型、所述树形长短期记忆网络和所述文本处理模型是通过如下训练步骤得到的：

确定初始重要度确定模型的模型结构、初始树形长短期记忆网络的网络结构和初始文本处理模型的模型结构，以及初始化所述初始重要度确定模型的模型参数、所述初始树形长短期记忆网络的网络参数和所述初始文本处理模型的模型参数；

获取训练样本集，其中，每个训练样本包括样本文本和对样本文本进行处理所期望得到的标注处理结果；

对于所述训练样本集中的训练样本，执行以下参数调整步骤：将该训练样本中的样本文本进行切词处理，得到该样本文本的分词序列；将该样本文本的分词序列中每个分词的词向量组成的序列确定为该样本文本的词向量序列；将该样本文本的词向量序列中的每个词向量输入所述初始重要度确定模型，得到该词向量的重要度值；以该样本文本的词向量序列中的各个词向量为节点，以节点对应的词向量的重要度值为节点的权值，构造动态树；将所构造的动态树输入所述初始树形长短期记忆网络，生成该样本文本的文本向量；将该样本文本的文本向量输入所述初始文本处理模型，生成该样本文本的实际处理结果；按照预设损失函数，计算该训练样本中的标注处理结果与该样本文本的实际处理结果之间的损失值；基于计算所得的损失值，调整所述初始重要度确定模型的模型参数、所述初始树形长短期记忆网络的网络参数和所述初始文本处理模型的模型参数；响应于确定满足预设训练结束条件，结束所述参数调整步骤；

分别将训练得到的所述初始重要度确定模型、所述初始树形长短期记忆网络和所述初始文本处理模型确定为预先训练的所述重要度确定模型、所述树形长短期记忆网络和所述文本处理模型。

9.根据权利要求8所述的装置，其中，所述词向量序列生成单元包括：

查询模块，被配置成对于所述待解析文本的分词序列中的每个分词，在预先训练的词向量表中查询与该分词对应的词向量；

生成模块，被配置成按照所述待解析文本的分词序列中每个分词的排序，生成由所述待解析文本的分词序列中每个分词的词向量组成的词向量序列；

确定模块，被配置成将所生成的词向量序列确定为所述待解析文本的词向量序列。

10.根据权利要求9所述的装置，其中，所述基于计算所得的损失值，调整所述初始重要度确定模型的模型参数、所述初始树形长短期记忆网络的网络参数和所述初始文本处理模型的模型参数，包括：

基于计算所得的损失值，调整所述初始重要度确定模型的模型参数、所述初始树形长短期记忆网络的网络参数、所述初始文本处理模型的模型参数和所述词向量表。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被一个或多个处理器执行时实现如权利要求1-5中任一所述的方法。

Images