(19)中华 人民共和国 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 202210039477.5 (22)申请日 2022.01.13 (71)申请人 平安普惠企业管理有限公司 地址 518000 广东省深圳市前海深港合作 区前湾一路1号A栋201室 （入驻深圳市 前海商务秘书 有限公司） (72)发明人 刘欢　 (74)专利代理 机构 深圳市赛恩倍吉知识产权代 理有限公司 4 4334 代理人 陈实顺 (51)Int.Cl. G06F 40/30(2020.01) G06F 40/284(2020.01) G06F 40/216(2020.01) (54)发明名称 基于人工智能的中文语义提取方法及相关 设备 (57)摘要 本发明涉及人工智能技术领域， 提供一种基 于人工智能的中文语义提取方法及相关设备， 对 训练文本的字符序列和分词序列分别进行特征 提取得到字符向量序列和分词向量序列， 将分词 向量序列按照字符向量序列进行对齐处理， 基于 字符向量序列和对齐处理后的分词向量序列计 算第一损失函数值， 在基于字 符序列生成第一语 句向量和基于分词序列生 成第二语句向量后， 根 据第一语句向量和第二语句向量计算第二损失 函数值， 使用两个损失函数值迭代训练预设多任 务模型得到中文语义提取模型， 最后使用中文语 义提取模型提取待识别中文文本的中文语义。 本 发明将字符序列和分词序列对齐并相结合， 提升 了中文语义提取模型的性能， 从而提高了语义理 解的准确率。 权利要求书2页 说明书14页 附图2页 CN 114398902 A 2022.04.26 CN 114398902 A 1.一种基于人工智能的中文语义 提取方法， 其特 征在于， 所述方法包括： 获取训练文本的字符序列及获取 所述训练文本的分词序列； 基于所述字符序列进行特征提取， 得到字符向量序列， 及基于所述分词序列进行特征 提取， 得到分词向量序列； 将所述分词向量序列按照所述字符向量序列进行对齐处理， 并基于所述字符向量序列 和对齐处 理后的分词向量序列计算第一损失函数值； 基于所述字符序列生成第一语句向量， 基于所述分词序列生成第二语句向量， 基于所 述第一语句向量和所述第二语句向量计算第二损失函数值； 基于所述第 一损失函数值及所述第 二损失函数值对预设多任务模型进行迭代训练， 得 到中文语义 提取模型； 使用所述中文语义 提取模型提取待识别中文 文本的中文语义。 2.如权利要求1所述的基于人工智能的中文语义提取方法， 其特征在于， 所述获取所述 训练文本的分词序列包括： 采用多种分割路径对所述训练文本进行分词处 理； 获取每种分割路径对应的多个分词； 基于预设词性 转换概率矩阵计算每种分割路径对应的多个分词的转换概 率； 根据所述 转换概率从所述多种分割路径中选取目标分割路径； 根据所述目标分割路径对应的多个分词得到所述分词序列。 3.如权利要求2所述的基于人工智能的中文语义提取方法， 其特征在于， 所述采用多种 分割路径对所述训练文本进行分词处 理包括： 获取所述训练文本的字符数； 根据所述字符数建立网络 拓补图； 当所述训练文本 中的第i个字符与第j个字符之间的字符能够构 成一个分词， 在所述网 络拓补图的第i个顶点和第j个顶点之间建立有向边， 得到有向图， 所述有向图的有向边对 应的分词为第i个字符与第j个字符 之间的字符； 采用最短图路径搜索算法搜索所述有向图中的多个最短路径； 根据多个所述 最短路径对应的字符对所述训练文本进行分词处 理。 4.如权利要求1所述的基于人工智能的中文语义提取方法， 其特征在于， 所述将所述分 词向量序列按照所述字符向量序列进行对齐处 理包括： 计算所述分词向量序列中每 个分词的字符长度； 根据所述字符长度将对应的分词向量进行复制， 得到新的分词向量； 基于所述 新的分词向量 生成新的分词向量序列。 5.如权利要求1所述的基于人工智能的中文语义提取方法， 其特征在于， 所述基于所述 字符向量序列和对齐处 理后的分词向量序列计算第一损失函数值包括： 获取所述字符向量序列中与所述对齐处 理后的分词向量序列中相同位置的元 素； 对相同位置的元 素进行加权求和， 得到新的元 素； 基于所述 新的元素得到新的向量序列； 基于所述 新的向量序列计算条件随机场的第一损失函数值。 6.如权利要求1至5中任意一项所述的基于人工智能的中文语义提取方法， 其特征在权　利　要　求　书 1/2 页 2 CN 114398902 A 2于， 所述基于所述字符序列生成第一语句向量， 基于所述分词 序列生成第二语句向量， 基于 所述第一语句向量和所述第二语句向量计算第二损失函数值包括： 输入所述字符序列至第一多层感知机注意力模块中， 得到第一语句向量； 输入所述分词序列至第二多层感知机注意力模块中， 得到第二语句向量； 基于所述第一语句向量和所述第二语句向量 生成第三语句向量； 基于所述第三语句向量计算逻辑回归 模型的第二损失函数值。 7.如权利要求1至5中任意一项所述的基于人工智能的中文语义提取方法， 其特征在 于， 所述基于所述字符序列进 行特征提取， 得到字符向量序列， 及基于所述分词 序列进行特 征提取， 得到分词向量序列包括： 通过第一自注意力模块对所述字符序列进行编码， 得到第一序列上下文信息， 输入所 述第一序列上下文信息至第一长短时记忆神经网络中进行特征提取， 得到每个字符的字符 向量， 基于所述每 个字符的字符向量 生成字符向量序列； 通过第二自注意力模块对所述分词序列进行编码， 得到第二序列上下文信息， 输入所 述第二序列上下文信息至第二长短时记忆神经网络中进行特征提取， 得到每个分词的分词 向量， 基于所述每 个分词的分词向量 生成分词向量序列。 8.一种基于人工智能的中文语义 提取装置， 其特 征在于， 所述装置包括： 序列获取模块， 用于获取训练文本的字符序列及获取 所述训练文本的分词序列； 特征提取模块， 用于基于所述字符序列进行特征提取， 得到字符向量序列， 及基于所述 分词序列进行 特征提取， 得到分词向量序列； 第一计算模块， 用于将所述分词向量序列按照所述字符向量序列进行对齐处理， 并基 于所述字符向量序列和对齐处 理后的分词向量序列计算第一损失函数值； 第二计算模块， 用于基于所述字符序列生成第一语句向量， 基于所述分词序列生成第 二语句向量， 基于所述第一语句向量和所述第二语句向量计算第二损失函数值； 迭代训练模块， 用于基于所述第 一损失函数值及所述第 二损失函数值对预设多任务模 型进行迭代训练， 得到中文语义 提取模型； 语义提取模块， 用于使用所述中文语义 提取模型提取待识别中文 文本的中文语义。 9.一种电子设备， 其特征在于， 所述电子设备包括处理器和存储器， 所述处理器用于执 行所述存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的基于人工智 能的中文语义 提取方法。 10.一种计算机可读存储介质， 所述计算机可读存储介质上存储有计算机程序， 其特征 在于， 所述计算机程序被处理器执行时实现如权利要求 1至7中任意一项 所述的基于人工智 能的中文语义 提取方法。权　利　要　求　书 2/2 页 3 CN 114398902 A 3