一种语义错误检测方法、装置、设备及可读存储介质与流程

1.本发明涉及神经网络技术领域，特别涉及一种语义错误检测方法、语义错误检测装置、语义错误检测设备及计算机可读存储介质。


背景技术：

2.为了减少在语言学习或应用过程中对文章、语句等进行正确与否的审核所需的人力和时间，相关技术采用了深度学习等技术对文章等语料进行纠错检测。然而，相关技术仅针对语法层面的问题进行检测，即判断语法是否正确。但是诸如词语搭配不当、近义词混淆、中式英语问题等语义错误的问题同样是语言学习者在学习和应用语言的过程中面临的较大问题，也是语言学习者希望能够解决的问题。而相关技术仅能对语法错误进行检测，对语义错误的检测能力较弱。
3.因此，如何解决相关技术存在的对语义错误检测能力较弱的问题，是本领域技术人员需要解决的技术问题。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种语义错误检测方法、语义错误检测装置、语义错误检测设备及计算机可读存储介质，解决了相关技术存在的对语义错误检测能力较弱的问题。
5.为解决上述技术问题，本发明提供了一种语义错误检测方法，包括：
6.获取多个初始训练语料，并确定各个所述初始训练语料中的目标词；
7.基于所述目标词对所述初始训练语料进行训练语料生成处理，得到训练语料集；
8.利用所述训练语料集对初始模型进行训练，得到语义错误检测模型；
9.获取待检测语料和待测词信息并输入所述语义错误检测模型，根据所述待测词信息利用所述语义错误检测模型对所述待检测语料进行检测，得到检测结果。
10.可选地，所述获取多个初始训练语料，并确定各个所述初始训练语料中的目标词，包括：
11.获取多个所述初始训练语料，并对所述初始训练语料中的各个词语进行词性识别，得到词性识别结果；
12.当所述词性识别结果为实词时，将对应的所述词语确定为所述目标词。
13.可选地，所述基于所述目标词对所述初始训练语料进行训练语料生成处理，得到训练语料集，包括：
14.对所述初始训练语料进行目标词删除处理，得到第一训练语料；
15.获取各个所述目标词对应的混淆词集合，利用所述混淆词集合对所述初始训练语料进行替换处理，得到第二训练语料；
16.利用所述初始训练语料、所述第一训练语料和所述第二训练语料构建所述训练语料集。
17.可选地，所述利用所述训练语料集对初始模型进行训练，得到语义错误检测模型，包括：
18.对所述初始模型进行参数随机化处理，并生成所述训练语料集对应的词表；所述词表用于确定所述初始训练语料中的各个词语对应的词向量；
19.基于所述词表，利用反向传播算法对所述初始模型进行训练，直至所述反向传播算法对应的损失函数值最小，得到所述语义错误检测模型。
20.可选地，所述获取待检测语料和待测词信息并输入所述语义错误检测模型，根据所述待测词信息利用所述语义错误检测模型对所述待检测语料进行检测，得到检测结果，包括：
21.根据所述待测词信息确定所述待检测语料中的待测词，并利用所述词表获取所述待测词对应的待测词信息；
22.将所述待检测语料和所述待测词信息输入所述语义错误检测模型，得到所述词表中各个所述词语对应的概率值；
23.确定所述待测词对应的目标概率值，并判断所述目标概率值是否大于预设阈值；
24.若所述目标概率值大于所述预设阈值，则确定所述检测结果为正确；
25.若所述目标概率值不大于所述预设阈值，则确定所述检测结果为错误。
26.可选地，在确定所述检测结果为错误后，还可以包括：
27.从各个所述概率值中确定最大概率值，并判断所述最大概率值是否大于所述预设阈值；
28.若所述最大概率值大于所述预设阈值，则确定所述最大概率值对应的所述词语，并根据所述最大概率值对应的所述词语生成参考信息。
29.可选地，获取待检测语料，包括：
30.获取待检测信息，并对所述待检测信息进行解析得到待检测语料；
31.和/或，
32.获取待检测图像，并对所述待检测图像进行识别处理，得到所述待检测语料。
33.本发明还提供了一种语义错误检测装置，包括：
34.获取模块，用于获取多个初始训练语料，并确定各个所述初始训练语料中的目标词；
35.语料集构建模块，用于基于所述目标词对所述初始训练语料进行训练语料生成处理，得到训练语料集；
36.训练模块，用于利用所述训练语料集对初始模型进行训练，得到语义错误检测模型；
37.检测模块，用于获取待检测语料和待测词信息并输入所述语义错误检测模型，根据所述待测词信息利用所述语义错误检测模型对所述待检测语料进行检测，得到检测结果。
38.本发明还提供了一种语义错误检测设备，包括存储器和处理器，其中：
39.所述存储器，用于保存计算机程序；
40.所述处理器，用于执行所述计算机程序，以实现上述的语义错误检测方法。
41.本发明还提供了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算
机程序被处理器执行时实现上述的语义错误检测方法。
42.本发明提供的语义错误检测方法，获取多个初始训练语料，并确定各个初始训练语料中的目标词；基于目标词对初始训练语料进行训练语料生成处理，得到训练语料集；利用训练语料集对初始模型进行训练，得到语义错误检测模型；获取待检测语料和待测词信息并输入语义错误检测模型，根据待测词信息利用语义错误检测模型对待检测语料进行检测，得到检测结果。
43.可见，该方法在获取初始训练语料后，确定其中具有实际意义的词语作为目标词，并基于与初始训练语料中的目标词构建训练语料集。由于采用了基于目标词的训练语料生成方法生成训练语料集，因此可以得到针对语义进行区分的训练语料集，而并不是针对语料结构(即语法)的训练语料集。利用该训练语料集对初始模型进行训练后，即可得到针对语义进行检测的于一错误检测模型。将待检测语料和待测词信息输入后，可以从语义方面对待检测语料中的待测词使用是否正确进行检测，最终得到检测结果，提高了对语料中语义错误的检测能力，解决了相关技术存在的对语义错误检测能力较弱的问题。
44.此外，本发明还提供了一种语义错误检测装置、语义错误检测设备及计算机可读存储介质，同样具有上述有益效果。
附图说明
45.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据提供的附图获得其他的附图。
46.图1为本发明实施例提供的一种语义错误检测方法流程图；
47.图2为本发明实施例提供的一种语义错误检测装置的结构示意图；
48.图3为本发明实施例提供的一种语义错误检测设备的结构示意图。
具体实施方式
49.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例仅仅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做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。
50.在一种可能的实施方式中，请参考图1，图1为本发明实施例提供的一种语义错误检测方法流程图。该方法包括：
51.s101：获取多个初始训练语料，并确定各个初始训练语料中的目标词。
52.本发明实施例中的全部或部分步骤可以由语义错误检测设备执行，语义错误检测设备具体可以为计算机、服务器、手机等设备或终端，其具体形式可以根据实际需要进行设置。
53.初始训练语料为文字形式的训练语料，其数量为多个，为了保证对模型的训练效果进而保证检测效果，其数量可以为千万句级别。需要说明的是，初始训练语料的具体获取方法本实施例不做限定，例如可以直接获取用户输入或其他设备或终端发送的语料并将其
确定为初始训练语料；或者可以对语音数据进行识别得到对应的初始训练语料；或者可以对图像进行识别得到初始训练语料。初始训练语料具体为哪种语言本实施例不做限定，例如可以为英语、日语等。
54.目标词为初始训练语料中可以被进行语义检测的词语，其具体可以为初始训练语料中的任意一个词语或其中的部分词语。例如在一种实施方式中，由于在语言学习和使用过程中，用词不当导致的语义问题一般涉及到实词，即具有实际意义的词语，而冠词、介词、语气词等对语义影响较小，因此可以将目标词确定为初始训练语料中的实词；在另一种实施方式中，为了提高语义错误检测的全面性，可以将初始训练语料中的各个词语均确定为目标词，以便扩大检测的范围。
55.s102：基于目标词对初始训练语料进行训练语料生成处理，得到训练语料集。
56.训练语料生成处理用于基于目标词生成初始训练语料对应的训练语料，并利用这些训练语料组成训练语料集。对于一个初始训练语料而言，基于其对应的一个目标词进行训练语料生成处理后得到的训练语料的数量可以为一个或多个，其具体数量与训练语料生成处理的处理方法数量相关，采用一种处理方法可以得到一个对应的训练语料。
57.具体的，训练语料生成处理的处理方法可以根据实际需要进行设置，例如在一种实施方式中，可以对目标词在初始训练语料中的左右部分进行选取，即选取初始训练语料的全部或与目标词相关的部分作为一个训练语料，利用该训练语料训练模型可以使模型注重目标词本身对语义的影响；在另一种实施方式中，可以将目标词删除后对目标词在初始训练语料中的左右部分进行选取，即得到一个不包含目标词的训练语料，利用该训练语料训练模型可以使得模型注重上下文对语义的影响，在另一种实施方式中，还可以利用混淆词对目标词进行替换，得到具有混淆词的训练语料，利用该训练语料训练模型可以使模型注重混淆词对语义的影响。在对所有的初始训练语料进行了基于目标词的训练语料生成处理后，利用得到的训练语料组成训练语料集。
58.s103：利用训练语料集对初始模型进行训练，得到语义错误检测模型。
59.在得到训练语料集后，利用其对初始模型进行训练。初始模型具体可以为任意一种神经网络模型，例如可以为多层双向卷积神经网络模型。初始模型的训练过程可以参考相关技术，在此不再赘述，在训练结束后，即可得到语义错误检测模型。
60.s104：获取待检测语料和待测词信息并输入语义错误检测模型，根据待测词信息利用语义错误检测模型对待检测语料进行检测，得到检测结果。
61.待检测语料为需要进行语义错误检测的语料，待测词信息与待检测语料相对应，用于指定待检测预料中的待测词，以便对该待测词在待检测语料中是否存在语义错误进行检测。将待检测语料和待测词信息输入语义错误检测模型后，即可利用语义错误检测模型对待检测语料进行待测词使用是否导致语义错误的检测，最终得到检测结果。检测结果可以表示待测词的使用是否会导致待检测语料存在语义错误。
62.应用本发明实施例提供的语义错误检测方法，在获取初始训练语料后，确定其中具有实际意义的词语作为目标词，并基于与初始训练语料中的目标词构建训练语料集。由于采用了基于目标词的训练语料生成方法生成训练语料集，因此可以得到针对语义进行区分的训练语料集，而并不是针对语料结构(即语法)的训练语料集。利用该训练语料集对初始模型进行训练后，即可得到针对语义进行检测的于一错误检测模型。将待检测语料和待
测词信息输入后，可以从语义方面对待检测语料中的待测词使用是否正确进行检测，最终得到检测结果，提高了对语料中语义错误的检测能力，解决了相关技术存在的对语义错误检测能力较弱的问题。
63.基于上述实施例，本实施例将以具体的例子将对上述实施例中的若干步骤进行具体的阐述。其中，s101步骤，可以包括：
64.s1011：获取多个初始训练语料，并对初始训练语料中的各个词语进行词性识别，得到词性识别结果。
65.本实施例中，为了提高训练速度，减少模型训练所需的时间，将目标词确定为具有实际意义的实词，例如动词(包括动词的各个时态及单复数变形)、名词(包括名词的单复数)、形容词(包括原型、比较级、最高级)、副词(包括原型、比较级、最高级)。因此在获取初始训练语料后，可以对初始训练语料进行词性识别，得到其中各个词语对应的词性识别结果。具体的，可以获取实词表，实词表中记录有所有的实词，通过利用初始训练语料中的各个词语查找实词表，当查询到该词语时，可以确定对应的词性识别结果为实词，当未查询到时，可以确定词性识别结果为非实词。
66.s1012：当词性识别结果为实词时，将对应的词语确定为目标词。
67.当词性识别结果为实词时，说明其对应的词语具有实际意义，其使用是否正确会直接影响句子语义是否正确，因此将其对应的词语确定为目标词。例如当初始训练语料为“i want to eat an apple.”，则其中词性识别结果为实词的词语包括“i”、“want”、“eat”、“apple”，因此将这四个词确定为目标词。
68.在一种实施例中，为了保证训练效果，可以采用多种方式对初始训练语料进行训练语料生成处理，得到训练语料集。具体的，s102步骤，可以包括：
69.s1021：对初始训练语料进行目标词删除处理，得到第一训练语料。
70.目标词删除处理即为对初始训练语料中的一个目标词进行删除，将删除了目标词的初始训练语料确定为第一训练语料，当初始训练语料具有一个目标词时，其对应的第一训练语料为一个，当其具有多个目标词时，其对应的第一训练语料的数量与第一目标词的数量相同。例如，当初始训练语料为“iwant to eat an apple.”时，选择“eat”作为被删除的目标词，则其对应的第一训练语料为“i want to《mask》an apple.”，其中，“《mask》”为特殊服号，其用于在目标词被删除后，在目标词对应的位置替代目标词。利用第一训练语料对模型进行训练可以使得模型注重上下文对语义的影响。
71.s1022：获取各个目标词对应的混淆词集合，利用混淆词集合对初始训练语料进行替换处理，得到第二训练语料。
72.混淆词集合为一个或多个混淆词构成的集合，混淆词为目标词所对应的常用错的词语。基于语言教学和使用的经验，可以确定各个目标词对应的混淆词。混淆词集合可以由用户输入或由其他设备或终端发送，或者可以根据预设的混淆词确定规则确定各个目标词对应的混淆词。在得到各个目标词对应的混淆词集合后，可以利用混淆词结婚对初始训练语料进行替换处理，得到第二训练语料。利用第二训练语料对模型进行训练可以使模型注重混淆词对语义的影响。
73.例如，当初始训练语料为“i want to eat an apple.”时，选择“eat”作为目标词，则“eat”对应的混淆词集合可以为[drink，have，it]。在确定混淆词集合后，可以利用其对
目标词进行替换，得到对应的第二训练语料，例如“i want to drink an apple.”、“i want to have an apple.”、“i want to it an apple.”。
[0074]
需要说明的是，s1021和s1022步骤的执行顺序不做限定，例如可以先执行s1021，再执行s1022；或者可以先执行s1022，再执行s1021；或者可以同时执行s1021和s1022。
[0075]
s1023：利用初始训练语料、第一训练语料和第二训练语料构建训练语料集。
[0076]
在得到第一训练语料后，可以利用初始训练语料、第一训练语料和第二训练语料组成训练语料集。其中，利用初始训练语料对模型进行训练可以使模型注重目标词本身对语义的影响；利用第一训练语料对模型进行训练可以使得模型注重上下文对语义的影响；利用第二训练语料对模型进行训练可以使模型注重混淆词对语义的影响。
[0077]
在一种实施方式中，可以基于词表对模型进行训练，并利用损失函数对模型的训练效果进行表征。具体的，s103步骤，可以包括：
[0078]
s1031：对初始模型进行参数随机化处理，并生成训练语料集对应的词表。
[0079]
在开始训练前，可以对初始模型中的参数进行随机化处理，以便将初始模型重置。词表用于使模型获取到训练语料集对应的各个目标词的词向量，以便基于该词向量对目标词是否存在语义错误进行检测。词表可以包括训练语料集中的所有目标词，或者可以包括训练语料集中的所有词语。词表还可以包括特殊词符号，例如为《unk》，用于对词表中未收录的词进行表示。
[0080]
s1032：基于词表，利用反向传播算法对初始模型进行训练，直至反向传播算法对应的损失函数值最小，得到语义错误检测模型。
[0081]
具体的，在确定训练语料集中的某个训练语料，以及该训练语料中的某个目标词后，利用词表可以确定该目标词对应的目标词序号，或者称为目标词id。将训练语料和目标词id输入初始模型，初始模型可以将目标词id映射为多维词向量，例如为n维词向量，并进行后续处理。初始向量可以具有与词表中包括的词语数量相同的输出节点，每个输出节点的输出值可以表示对应的词语处于目标词的位置时语义正确的概率。
[0082]
在训练过程中，可以利用反向传播算法对初始模型进行调整，并利用损失函数表示模型训练的效果。具体的，损失函数可以为：
[0083][0084]
其中，h
y’(y)为损失函数值，y
i’为第i个输出节点实际的值，yi为模型输出的第i个节点的值。利用反向传播算法训练后，当损失函数值达到最小时，确定完成训练，得到语义错误检测模型。
[0085]
在一种实施方式中，可以利用概率阈值判断是否存在语义错误。具体的，s104步骤，可以包括：
[0086]
s1041：根据待测词信息确定待检测语料中的待测词，并利用词表获取待测词对应的待测词信息。
[0087]
本实施例中，为了对同音词引起的语义错误进行检测，可以仅对文字或图像进行识别，得到对应的待检测预料。在一种实施方式中，可以获取待检测信息，并对待检测信息进行解析得到待检测语料；在另一种实施方式中，可以获取待检测图像，并对待检测图像进
行识别处理，得到待检测语料。
[0088]
待测词信息用于指定待检测语料中的待测词，其可以为待测词在待检测语料中的序号。在确定待测词后，可以利用词表确定待测词对应的待测词信息。例如，待检测语料可以为“she is not so week as she looks.”，待测词信息可以为5，因此对应的待测词即为“week”。
[0089]
s1042：将待检测语料和待测词信息输入语义错误检测模型，得到词表中各个词语对应的概率值。
[0090]
将待检测语料和待测词信息输入语义错误检测模型后，语义错误检测模型的输出节点与词表中的词语数量相同，所以可以得到词表中的各个词语对应的概率值，所有的概率值相加为1。
[0091]
s1043：确定待测词对应的目标概率值，并判断目标概率值是否大于预设阈值。
[0092]
在得到所有概率值后，可以从中确定待测词对应的目标概率值，并利用其与预设阈值进行比较。预设阈值的具体大小可以根据实际情况进行设置，其取值范围为[0，1]。
[0093]
s1044：若目标概率值大于预设阈值，则确定检测结果为正确。
[0094]
s1045：若目标概率值不大于预设阈值，则确定检测结果为错误。
[0095]
具体的，当待检测语料可以为“she is not so week as she looks”，待测词为“week”时，得到的目标概率值可以为0.01，预设阈值可以设置为0.1，因此目标概率值小于预设阈值，检测结果为错误，即出现语义错误问题。
[0096]
进一步，在一种可能的实施方式中，在确定检测结果为错误之后，还可以根据概率值给出参考建议，具体的，还可以包括：
[0097]
s105：从各个概率值中确定最大概率值，并判断最大概率值是否大于预设阈值。
[0098]
s106：若最大概率值大于预设阈值，则确定最大概率值对应的词语，并根据最大概率值对应的词语生成参考信息。
[0099]
最大概率值为各个概率值中的最大值，说明其对应的词语为最可能正确的词语，因此当最大概率值大于预设阈值时，可以确定最大概率值对应的词语，并利用其生成参考信息以便用户参考。
[0100]
下面对本发明实施例提供的语义错误检测装置进行介绍，下文描述的语义错误检测装置与上文描述的语义错误检测方法可相互对应参照。
[0101]
请参考图2，图2为本发明实施例提供的一种语义错误检测装置的结构示意图，包括：
[0102]
获取模块210，用于获取多个初始训练语料，并确定各个初始训练语料中的目标词；
[0103]
语料集构建模块220，用于基于目标词对初始训练语料进行训练语料生成处理，得到训练语料集；
[0104]
训练模块230，用于利用训练语料集对初始模型进行训练，得到语义错误检测模型；
[0105]
检测模块240，用于获取待检测语料和待测词信息并输入语义错误检测模型，根据待测词信息利用语义错误检测模型对待检测语料进行检测，得到检测结果。
[0106]
可选地，获取模块210，包括：
[0107]
词性识别单元，用于获取多个初始训练语料，并对初始训练语料中的各个词语进行词性识别，得到词性识别结果；
[0108]
确定单元，用于当词性识别结果为实词时，将对应的词语确定为目标词。
[0109]
可选地，语料集构建模块220，包括：
[0110]
第一处理单元，用于对初始训练语料进行目标词删除处理，得到第一训练语料；
[0111]
第二处理单元，用于获取各个目标词对应的混淆词集合，利用混淆词集合对初始训练语料进行替换处理，得到第二训练语料；
[0112]
构建单元，用于利用初始训练语料、第一训练语料和第二训练语料构建训练语料集。
[0113]
可选地，训练模块230，包括：
[0114]
随机化处理单元，用于对初始模型进行参数随机化处理，并生成训练语料集对应的词表；
[0115]
训练单元，用于基于词表，利用反向传播算法对初始模型进行训练，直至反向传播算法对应的损失函数值最小，得到语义错误检测模型。
[0116]
可选地，检测模块240，包括：
[0117]
待测词信息获取单元，用于根据待测词信息确定待检测语料中的待测词，并利用词表获取待测词对应的待测词信息；
[0118]
概率值获取单元，用于将待检测语料和待测词信息输入语义错误检测模型，得到词表中各个词语对应的概率值；
[0119]
判断单元，用于确定待测词对应的目标概率值，并判断目标概率值是否大于预设阈值；
[0120]
正确确定单元，用于若目标概率值大于预设阈值，则确定检测结果为正确；
[0121]
错误确定单元，用于若目标概率值不大于预设阈值，则确定检测结果为错误。
[0122]
可选地，还包括：
[0123]
最大概率值确定模块，用于从各个概率值中确定最大概率值，并判断最大概率值是否大于预设阈值；
[0124]
参考信息生成模块，用于若最大概率值大于预设阈值，则确定最大概率值对应的词语，并根据最大概率值对应的词语生成参考信息。
[0125]
可选地，检测模块，包括：
[0126]
解析单元，用于获取待检测信息，并对待检测信息进行解析得到待检测语料；
[0127]
和/或，
[0128]
图像识别单元，用于获取待检测图像，并对待检测图像进行识别处理，得到待检测语料。
[0129]
下面对本发明实施例提供的语义错误检测设备进行介绍，下文描述的语义错误检测设备与上文描述的语义错误检测方法可相互对应参照。
[0130]
请参考图3，图3为本发明实施例提供的一种语义错误检测设备的结构示意图。其中语义错误检测设备300可以包括处理器301和存储器302，还可以进一步包括多媒体组件303、信息输入/信息输出(i/o)接口304以及通信组件305中的一种或多种。
[0131]
其中，处理器301用于控制语义错误检测设备300的整体操作，以完成上述的语义
错误检测方法中的全部或部分步骤；存储器302用于存储各种类型的数据以支持在语义错误检测设备300的操作，这些数据例如可以包括用于在该语义错误检测设备300上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，sram)、电可擦除可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、可擦除可编程只读存储器(erasable programmable read-only memory，eprom)、可编程只读存储器(programmable read-only memory，prom)、只读存储器(read-only memory，rom)、磁存储器、快闪存储器、磁盘或光盘中的一种或多种。
[0132]
多媒体组件303可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器302或通过通信组件305发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口304为处理器301和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件305用于语义错误检测设备300与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(near field communication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件305可以包括：wi-fi部件，蓝牙部件，nfc部件。
[0133]
语义错误检测设备300可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例给出的语义错误检测方法。
[0134]
下面对本发明实施例提供的计算机可读存储介质进行介绍，下文描述的计算机可读存储介质与上文描述的语义错误检测方法可相互对应参照。
[0135]
本发明还提供一种计算机可读存储介质，计算机可读存储介质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的语义错误检测方法的步骤。
[0136]
该计算机可读存储介质可以包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0137]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0138]
本领域技术人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行，取决于技术方案的特定应用和设计约束
条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应该认为超出本发明的范围。
[0139]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0140]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语包括、包含或者其他任何变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0141]
以上对本发明所提供的语义错误检测方法、语义错误检测装置、语义错误检测设备和计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。