基于人工智能的成句概率的处理方法、装置及相关设备与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的成句概率的处理方法、装置、计算机设备及存储介质。


背景技术：

2.ngram语言模型在语音识别和自然语言处理等领域有非常广泛的应用，它用于计算每种词组合出现的条件概率，具体为将每个词和前面若干个词出现的条件概率的乘积作为整句话的成句概率。
3.现有的ngram语言模型在计算一句话的成句概率时，例如p(t)代表任意文本语句t的成句概率，w1、w2、w3、
…
、wn代表该文本语句中的每一个词，p(w3|w1w2)代表词w3在词w1w2之后出现的条件概率，则p(t)＝p(w1)*p(w2|w1)*p(w3|w1w2)*
…
*p(wn|w1w2w3
…
)。
4.可见，现有的ngram语言模型在计算一句话的成句概率时的弊端在于完全依赖原始语料库中已经存储的句子。举例来说，假如原始语料中有“我家养了猫”这句话，但未出现过“我家养了狗”这句话，故“我家养了狗”这句话中上下文组合出现的条件概率就很低，那么该语言模型对于“我家养了狗”这句话给出的成句概率将会比“我家养了猫”降低很多，这明显不符合一个句子的实际成句概率。


技术实现要素：

5.本发明实施例提供一种基于人工智能的成句概率的处理方法、装置、计算机设备及存储介质，以解决对原始语料库中没有出现过的句子的成句概率的预测准确性低的技术问题。
6.一种基于人工智能的成句概率的处理方法，所述方法包括：
7.获取待识别的语句；
8.判断语料库中是否存在与所述待识别的语句相同的句子，若否，则对所述待识别的语句进行分词处理，得到多个原始词语；
9.根据所述语料库中存储的所有句子，统计各所述原始词语的初始上文先验概率；
10.从各所述原始词语中获取所述初始上文先验概率为零的原始词语，得到第一词语；
11.计算所述第一词语与所述语料库中各词语的相似度，根据计算出的所述相似度从所述语料库的各词语中确定替换词语，选用所述替换词语对所述第一词语进行替换，得到与所述待识别的语句相对应的替换语句；
12.统计所述替换语句中各词语的上文先验概率，根据所述替换词语与所述第一词语之间的相似度以及所述替换语句中各词语的上文先验概率得到所述待识别的语句的成句概率。
13.一种基于人工智能的成句概率的处理装置，所述装置包括：
14.语句获取模块，用于获取待识别的语句；
15.判断模块，用于判断语料库中是否存在与所述待识别的语句相同的句子，若否，则对所述待识别的语句进行分词处理，得到多个原始词语；
16.概率统计模块，用于根据所述语料库中存储的所有句子，统计各所述原始词语的初始上文先验概率；
17.词语获取模块，用于从各所述原始词语中获取所述初始上文先验概率为零的原始词语，得到第一词语；
18.替换模块，用于计算所述第一词语与所述语料库中各词语的相似度，根据计算出的所述相似度从所述语料库的各词语中确定替换词语，选用所述替换词语对所述第一词语进行替换，得到与所述待识别的语句相对应的替换语句；
19.成句概率得到模块，用于统计所述替换语句中各词语的上文先验概率，根据所述替换词语与所述第一词语之间的相似度以及所述替换语句中各词语的上文先验概率得到所述待识别的语句的成句概率。
20.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于人工智能的成句概率的处理方法的步骤。
21.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于人工智能的成句概率的处理方法的步骤。
22.本技术提出的基于人工智能的成句概率的处理方法、装置、计算机设备及存储介质，基于ngram语言模型自身特点的基础上，当其语料库中不存在对应待识别的语句时，根据相似度寻找与断开词语的替换词语，然后通过替换词语与该断开的第一词语进行替换，得到替换语句，同时使得该替换语句存在于该语料库中，通过计算替换语句的上文先验概率，并结合替换语句的上文先验概率和第一词语与该替换词语之间的相似度，最终得到该待识别语句的成句概率，一方面保留了ngram语言模型自身的训练快、解码快的优点，另一方面克服了其完全依赖原始语料库中已经存储的句子导致在语料库中的文本语料不足时，对待识别语句的成句概率计算结果不准确的技术缺陷，使得在确定待识别语句的成句概率时识别速度快且识别准确率高，使得ngram模型预测的结果具有更好的泛化性，在下游任务中表现更加优秀。
附图说明
23.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
24.图1是本发明一实施例中基于人工智能的成句概率的处理方法的一应用环境示意图；
25.图2是本发明一实施例中基于人工智能的成句概率的处理方法的一流程图；
26.图3是本发明另一实施例中基于人工智能的成句概率的处理方法的一流程图；
27.图4是本发明一实施例中基于人工智能的成句概率的处理装置的结构示意图；
28.图5是本发明一实施例中计算机设备的一示意图。
具体实施方式
29.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
30.本技术提供的基于人工智能的成句概率的处理方法，可应用在如图1的应用环境中，其中，该计算机设备可以通过网络与服务器进行通信。其中，该计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。该服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
31.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
32.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
33.在通过ngram语言模型对待识别句子的成句概率进行预测时，为了提高原始语料库中没有出现过的句子的成句概率的预测准确性，在一实施例中，如图2所示，提供一种基于人工智能的成句概率的处理方法，以该方法应用在图1中的计算机设备为例进行说明，包括如下步骤：
34.s101、获取待识别的语句。
35.在其中一个实施例中，所述待识别的语句例如“我家养了猫”。
36.s102、判断语料库中是否存在与所述待识别的语句相同的句子，若否，则对所述待识别的语句进行分词处理，得到多个原始词语。
37.在其中一个实施例中，可以通过分词工具对该待识别的语句进行分词，该分词工具包括但不限于结巴分词、hanlp(han language processing，自然语言处理)分词、腾讯文智等。
38.s103、根据所述语料库中存储的所有句子，统计各所述原始词语的初始上文先验概率。
39.在其中一个实施例中，统计各所述原始词语的初始上文先验概率可以通过以下方式来实现：统计该原始词语的第一个词在所述语料库中出现在句首的概率，然后统计该原始词语中的第二个词出现在第一个词之后的概率，再统计该原始词语中的第三个词出现在第二个词之后且该原始词语中的第二个词出现在第一个词之后的概率，以此类推，直到该原始词语中所有词语的上文先验概率均被统计到。
40.s104、从各所述原始词语中获取所述初始上文先验概率为零的原始词语，得到第一词语。
41.可以理解的是，初始上文先验概率为零的原始词语表示该待识别的语句在该第一词语处断开了，例如该待识别的语句为“我家养了猫”，通过对比语料库，发现该语料库中没有“我家养了猫”这句话，只有“我家养了狗”，在统计各所述原始词语的初始上文先验概率时，“猫”的初始上文先验概率为0，即表示在“猫”这个原始词语处断开了。
42.s105、计算所述第一词语与所述语料库中各词语的相似度，根据计算出的所述相似度从所述语料库的各词语中确定替换词语，选用所述替换词语对所述第一词语进行替换，得到与所述待识别的语句相对应的替换语句。
43.在其中一个实施例中，所述计算所述第一词语与所述语料库中各词语的相似度，根据计算出的所述相似度从所述语料库的各词语中确定替换词语的步骤进一步包括：
44.计算所述第一词语与所述语料库的各句子中的词语的相似度；
45.从所述语料库的各句子的词语中选取所述相似度在预设范围内的词语，作为候选词语；
46.按照所述相似度由高到低的顺序依次选用对应的候选词语对所述第一词语进行替换，得到对应的候选语句；
47.将所述候选词语的相似度最高且替换后的候选语句包含在所述语料库中的候选词语确定为所述替换词语，将对应的候选语句确定为所述替换语句。
48.在其中一个实施例中，当所述相似度在预设范围内的所有候选词语替换得到的替换语句均不在所述语料库中时，判断所述待识别的语句为错误语句。
49.在其中一个实施例中，所述计算所述第一词语与所述语料库的各句子中的词语的相似度的步骤进一步包括：
50.通过预先训练好的词向量模型将所述第一词语转换为第一词向量；
51.通过所述训练好的词向量模型将所述语料库的各句子中的词语均转换为对应的词向量；
52.计算所述第一词向量与各所述词向量之间的余弦相似度，将所述余弦相似度作为所述第一词语与所述语料库中各句子对应的词语的相似度。
53.在其中一个实施例中，所述相似度的预设范围例如计算出的所述余弦相似度的值在0～1之间，优选地，该余弦相似度的值大于0.8。
54.根据本实施例的一个应用场景例如：该待识别的语句为“我家养了猫”，通过对比语料库，发现该语料库中没有“我家养了猫”这句话，统计各所述原始词语的初始上文先验概率，发现该待识别语句在“猫”这个词的初始上文先验概率为零，进一步查询与“猫”这个词的词向量最接近的词语，cos(vector(猫),vector(狗))的取值最接近1，于是选用“狗”替换“猫”，得到的替换语句为“我家养了狗”，其中，vector(猫)表示“猫”这个词的词向量，vector(狗)表示“狗”这个词的词向量，于是得到：
55.p(猫|我家养了)＝p(狗|我家养了)*cos(vector(猫),vector(狗))；
56.通过对比语料库，若发现该语料库中没有“我家养了狗”这句话，即初始上文先验概率p(狗|我家养了)仍为0，我们退而寻找与“猫”的余弦相似度第二高的词向量，比如是“兔子”，于是得到：
57.p(猫|我家养了)＝p(兔子|我家养了)*cos(vector(猫),vector(兔子))；
58.以此类推，直到得到替换后的候选语句包含在所述语料库中且余弦相似度最高，
将对应的候选语句确定为替换语句。
59.通俗来讲，本实施例提出的基于人工智能的成句概率的处理方法中，当ngram语言模型要识别的语句的词语组w1w2
…
wn不存在时，通过寻找替换词语vn，使得w1w2
…
wn
‑
1vn存在，此时令：
60.p(wn|w1w2..wn
‑
1)＝p(vn|w1w2..wn
‑
1)*cos(vec(vn),vec(wn))；
61.其中要求cos(vec(vn),vec(wn))大于特定阈值c，阈值c在0
‑
1之间，优选地可以取0.8。
62.在其中一个实施例中，训练所述词向量模型的步骤包括：
63.抽取携带有通顺文本样本标签的样本文本；
64.将所述样本文本输入至待训练的词向量模型，得到所述样本文本中各样本词语的向量；
65.计算相邻的两边样本词语的向量的和与中间样本词语的向量的差值；
66.当所述差值大于预设值时，调节所述词向量模型的参数，并循环所述抽取携带有通顺文本样本标签的样本文本至所述计算相邻的两边样本词语的向量的和与中间样本词语的向量的差值之间的步骤，直至所述差值小于等于所述预设值时，得到训练好的词向量模型。
67.通过预先训练好的词向量模型能够将该待识别的语句中包含的各个词语直接转换成对应的词向量。
68.s106、统计所述替换语句中各词语的上文先验概率，根据所述替换词语与所述第一词语之间的相似度以及所述替换语句中各词语的上文先验概率得到所述待识别的语句的成句概率。
69.在其中一个实施例中，所述根据所述替换词语与所述第一词语之间的相似度以及所述上文先验概率得到所述待识别的语句的成句概率的步骤进一步包括：
70.根据所述替换语句中各词语的上文先验概率计算所述替换语句的成句概率；
71.将所述替换语句的成句概率与所述相似度的乘积作为所述待识别的语句的成句概率。
72.在其中一个实施例中，所述相似度为余弦相似度，所述根据所述替换语句中各词语的上文先验概率计算所述替换语句的成句概率的步骤进一步包括：
73.通过以下公式计算所述替换语句的成句概率：
74.p(w)＝p(w1)*p(w2)*p(w3)*
…
*p(wn)＝p(w1)*p(w2|w1)*p(w3|w1w2)*
…
*p(wn|w1w2w3
…
)；
75.其中，p(w)表示所述替换语句的成句概率，p(w1)表示在所述语料库的各句子中词语w1出现在句首的概率，p(w2|w1)表示词语w2出现在词语w1之后的概率，p(w3|w1w2)表示词语w2出现在词语w1之后且词语w3出现在词语w2之后的概率，p(wn|w1w2w3
…
)表示词语wn出现在词语wn
‑
1之后且
…
且词语w3出现在词语w2之后的概率且词语w2出现在词语w1之后的概率，n表示所述替换语句包含的词语的总数量；
76.所述根据所述替换词语与所述第一词语之间的相似度以及所述替换语句中各词语的上文先验概率得到所述待识别的语句的成句概率的步骤进一步包括：
77.将所述替换语句的成句概率与所述余弦相似度的乘积作为所述待识别的语句的
成句概率。
78.ngram语言模型具有训练快、解码快的特点，在语料充沛的场景下落地应用广泛，本实施例提出的基于人工智能的成句概率的处理方法基于ngram语言模型自身特点的基础上，当其语料库中不存在对应待识别的语句时，根据相似度寻找与断开词语的替换词语，然后通过替换词语与该断开的第一词语进行替换，得到替换语句，同时使得该替换语句存在于该语料库中，通过计算替换语句的上文先验概率，并结合替换语句的上文先验概率和第一词语与该替换词语之间的相似度，最终得到该待识别语句的成句概率，本实施例提出的基于人工智能的成句概率的处理方法一方面保留了ngram语言模型自身的训练快、解码快的优点，另一方面克服了其完全依赖原始语料库中已经存储的句子导致在语料库中的文本语料不足时，对待识别语句的成句概率计算结果不准确的技术缺陷，使得在确定待识别语句的成句概率时识别速度快且识别准确率高，使得ngram模型预测的结果具有更好的泛化性，在下游任务中表现更加优秀。
79.在其中一个实施例中，所述语料库包括不同领域的语料库，所述基于人工智能的成句概率的处理方法进一步包括：
80.选用不同领域的语料库，循环所述判断语料库中是否存在与所述待识别的语句相同的句子至所述根据所述替换词语与所述第一词语之间的相似度以及所述上文先验概率得到所述待识别的语句的成句概率之间的步骤，得到与每个语料库对应的所述待识别的语句的成句概率；
81.获取所述待识别的语句的成句概率最高的语料库所对应的目标领域；
82.将所述待识别的语句所属的类别确定为所述目标领域。
83.作为可选地，所述不同领域的语料库包括但不限于金融类、科技类、体育类等。
84.本实施例通过选用不同领域的语料库，针对每个语料库均计算出该待识别的语句在对应语料库中的成句概率，并将该待识别的语句所属的类别归类于成句概率最高的语料库对应的类别，以实现对该待识别的语句进行分类。
85.在其他实施例中，还可以利用该基于人工智能的成句概率的处理方法对待识别的语句进行文本纠错、语音语义识别、输入法选字等相关的场景应用。
86.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
87.在一实施例中，提供一种基于人工智能的成句概率的处理装置，该基于人工智能的成句概率的处理装置与上述实施例中基于人工智能的成句概率的处理方法一一对应。如图4所示，该基于人工智能的成句概率的处理装置100包括语句获取模块11、判断模块12、概率统计模块13、词语获取模块14、替换模块15和成句概率得到模块16。各功能模块详细说明如下：
88.语句获取模块11，用于获取待识别的语句；
89.判断模块12，用于判断语料库中是否存在与所述待识别的语句相同的句子，若否，则对所述待识别的语句进行分词处理，得到多个原始词语；
90.概率统计模块13，用于根据所述语料库中存储的所有句子，统计各所述原始词语的初始上文先验概率；
91.词语获取模块14，用于从各所述原始词语中获取所述初始上文先验概率为零的原始词语，得到第一词语；
92.替换模块15，用于计算所述第一词语与所述语料库中各词语的相似度，根据计算出的所述相似度从所述语料库的各词语中确定替换词语，选用所述替换词语对所述第一词语进行替换，得到与所述待识别的语句相对应的替换语句；
93.成句概率得到模块16，用于统计所述替换语句中各词语的上文先验概率，根据所述替换词语与所述第一词语之间的相似度以及所述替换语句中各词语的上文先验概率得到所述待识别的语句的成句概率。
94.在其中一个实施例中，所述替换模块15具体包括：
95.第一计算单元，用于计算所述第一词语与所述语料库的各句子中的词语的相似度；
96.词语选取单元，用于从所述语料库的各句子的词语中选取所述相似度在预设范围内的词语，作为候选词语；
97.替换单元，用于按照所述相似度由高到低的顺序依次选用对应的候选词语对所述第一词语进行替换，得到对应的候选语句；
98.替换词语确定单元，用于将所述候选词语的相似度最高且替换后的候选语句包含在所述语料库中的候选词语确定为所述替换词语。
99.在其中一个实施例中，该基于人工智能的成句概率的处理装置100还包括：
100.错误语句判断单元，用于当所述相似度在预设范围内的所有候选词语替换得到的替换语句均不在所述语料库中时，判断所述待识别的语句为错误语句。
101.在其中一个实施例中，所述第一计算单元进一步包括：
102.第一转换子单元，用于通过预先训练好的词向量模型将所述第一词语转换为第一词向量；
103.第二转换子单元，用于通过所述训练好的词向量模型将所述语料库的各句子中的词语均转换为对应的词向量；
104.相似度计算子单元，用于计算所述第一词向量与各所述词向量之间的余弦相似度，将所述余弦相似度作为所述第一词语与所述语料库中各句子对应的词语的相似度。
105.在其中一个实施例中，所述成句概率得到模块16具体包括：
106.概率计算单元，用于根据所述替换语句中各词语的上文先验概率计算所述替换语句的成句概率；
107.乘积运算单元，用于将所述替换语句的成句概率与所述相似度的乘积作为所述待识别的语句的成句概率。
108.在其中一个实施例中，所述相似度为余弦相似度，所述概率计算单元具体用于通过以下公式计算所述替换语句的成句概率：
109.p(w)＝p(w1)*p(w2)*p(w3)*
…
*p(wn)＝p(w1)*p(w2|w1)*p(w3|w1w2)*
…
*p(wn|w1w2w3
…
)；
110.其中，p(w)表示所述替换语句的成句概率，p(w1)表示在所述语料库的各句子中词语w1出现在句首的概率，p(w2|w1)表示词语w2出现在词语w1之后的概率，p(w3|w1w2)表示词语w2出现在词语w1之后且词语w3出现在词语w2之后的概率，p(wn|w1w2w3
…
)表示词语wn
出现在词语wn
‑
1之后且
…
且词语w3出现在词语w2之后的概率且词语w2出现在词语w1之后的概率，n表示所述替换语句包含的词语的总数量；
111.其中，该乘积运算单元具体用于将所述替换语句的成句概率与所述余弦相似度的乘积作为所述待识别的语句的成句概率。
112.在其中一个实施例中，该基于人工智能的成句概率的处理装置100进一步包括：
113.循环模块，用于选用不同领域的语料库，循环所述判断语料库中是否存在与所述待识别的语句相同的句子至所述根据所述替换词语与所述第一词语之间的相似度以及所述替换语句中各词语的上文先验概率得到所述待识别的语句的成句概率之间的步骤，得到与每个语料库对应的所述待识别的语句的成句概率；
114.目标领域获取模块，用于获取所述待识别的语句的成句概率最高的语料库所对应的目标领域；
115.类别确定模块，用于将所述待识别的语句所属的类别确定为所述目标领域。
116.其中上述实施例中的“第一”和“第二”的意义仅在于将不同的对象加以区分，并不用于限定哪个对象的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本技术中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。
117.关于基于人工智能的成句概率的处理装置的具体限定可以参见上文中对于基于人工智能的成句概率的处理方法的限定，在此不再赘述。上述基于人工智能的成句概率的处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
118.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括存储介质、内存储器。该存储介质包括非易失性存储介质和/或易失性的存储介质，该存储介质存储有操作系统、计算机程序和数据库。该内存储器为存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于人工智能的成句概率的处理方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的成句概率的处理方法。
119.在另一实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括存储介质、内存储器。该存储介质包括非易失性存储介质和/或易失性的存储介质，该存储介质存储有操作系统和计算机程序。该内存储器为存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的成句概率的处理方法。
120.在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上
并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中基于人工智能的成句概率的处理方法的步骤，例如图2所示的步骤101至步骤106及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中基于人工智能的成句概率的处理装置的各模块/单元的功能，例如图4所示模块11至模块16的功能。为避免重复，这里不再赘述。
121.所述处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
122.所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
123.所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
124.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中基于人工智能的成句概率的处理方法的步骤，例如图2所示的步骤101至步骤106及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中基于人工智能的成句概率的处理装置的各模块/单元的功能，例如图4所示模块11至模块16的功能。为避免重复，这里不再赘述。
125.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性和/或易失性的计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
126.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
127.以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实
施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。