识别引导式话题语句的方法、装置、存储介质及电子设备与流程

1.本公开涉及自然语言处理技术领域，具体地，涉及一种识别引导式话题语句的方法、装置、存储介质及电子设备。


背景技术：

2.相关技术中，话题的挖掘与分析一直是自然语言处理领域的一个重要研究方向，用户可以基于某一话题在社交媒体上进行讨论。但是在网络信息量爆炸的时代，使得普通用户在快速生成的巨量网络信息中无法获取到高质量的话题。
3.目前，为了促进作者对讨论价值高的话题进行讨论，采用人工的审核的方式，从巨量网络信息中得到讨论价值高的引导式话题，由此需要耗费大量的人力成本且识别效率低。因此，如何从巨大的网络信息量中快速、准确地获取到讨论价值高的引导式话题至关重要的。


技术实现要素：

4.提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
5.第一方面，本公开提供一种识别引导式话题语句的方法，包括：
6.获取待识别语句；
7.根据第一识别模型，对所述待识别语句进行识别，得到第一识别结果，所述第一识别结果用于表征所述待识别语句是否为一级引导式话题语句；
8.根据第二识别模型，对表征所述一级引导式话题语句的待识别语句进行处理，得到第二识别结果，所述第二识别结果用于表征该待识别语句是否为二级引导式话题语句，其中，所述二级引导式话题语句的引导成功率高于所述一级引导式话题语句。
9.第二方面，本公开提供一种识别引导式话题语句的装置，包括：
10.获取模块，用于获取待识别语句；
11.第一处理模块，用于根据第一识别模型，对所述待识别语句进行识别，得到第一识别结果，所述第一识别结果用于表征所述待识别语句是否为一级引导式话题语句；
12.第二处理模块，用于根据第二分类模型，对表征所述一级引导式话题语句的待识别语句进行处理，得到第二识别结果，所述第二识别结果用于表征该待识别语句是否为二级引导式话题语句，其中，所述二级引导式话题语句的引导成功率高于所述一级引导式话题语句。
13.第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现上述第一方面中所述方法的步骤。
14.第四方面，本公开提供一种电子设备，包括：
15.存储装置，其上存储有计算机程序；
16.处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述第一方面中所述方法的步骤。
17.通过上述技术方案，获取待识别语句；根据第一识别模型，对待识别语句进行识别，得到第一识别结果，第一识别结果用于表征待识别语句是否为一级引导式话题语句；根据第二识别模型，对表征一级引导式话题语句的待识别语句进行处理，得到第二识别结果，第二识别结果用于表征该待识别语句是否为二级引导式话题语句，利用模型识别待识别语句是否为引导式话题语句，取代人工审核方式，降低了人力成本，提高了引导式话题语句的识别效率；且二级引导式话题语句的引导成功率高于一级引导式话题语句，因此，结合第一分类模型和第二分类模型，确保了引导式话题语句的质量。
18.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
19.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
20.图1是根据本公开一示例性实施例示出的一种识别引导式话题语句的方法的流程图。
21.图2是根据本公开一示例性实施例示出的一种结合第一识别模型和第二识别模型对待识别语句进行识别的流程图。
22.图3是根据本公开一示例性实施例示出的一种确认待识别语句a是否为二级引导式话题语句的过程。
23.图4是根据本公开一示例性实施例示出的一种模型训练过程的流程图。
24.图5是根据本公开一示例性实施例示出的一种识别引导式话题语句的装置的框图。
25.图6是根据本公开一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
26.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
27.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
28.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
29.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单
元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
30.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
31.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
32.首先对本公开的应用场景进行说明，为了促进作者在社交媒体上发文，可以向作者推荐有讨论点、有时效性的话题作为文章的主旨，采用了作者发文引导的思路，作者发文引导具体是指向作者推送一些值得展开讨论的话题协助其写作。目前，作者发文引导的思路的具体过程是：召回可能有讨论点的引导话题，人工选择适合作者创作的引导话题(例如讨论价值高的话题)，并推荐至用户。但是由于网络信息量大，从巨量网络信息中识别得到讨论价值高的引导式话题，由此需要耗费大量的人力成本且识别效率低。
33.需要说明的是，引导话题一般以问句形式呈现，即称之为引导式话题语句，例如，“如果奥运会加入电竞类项目，中国在奖牌榜上的位置会如何变化？”。
34.下面结合具体示例对本公开的详细技术方案进行详细介绍说明。
35.图1是根据本公开一示例性实施例示出的一种识别引导式话题语句的方法的流图。该识别引导式话题语句的方法可以应用于电子设备，参照图1，该识别引导式话题语句的方法包括以下步骤。
36.步骤101，获取待识别语句。
37.在一些实施例中，待识别语句可以是当前获取时刻前预设时长内已发表的句子。该预设时长可以是一天。本实施例对此不作限定。
38.应当可以理解的是，将当前获取时刻前预设时长内已发表的句子作为待识别语句可以确保识别到的引导式话题语句中所涵盖话题的时效性。
39.在一些实施例中，待识别语句可以是作者原创文章中包括的语句。进一步地，作者原创文章可以是当前获取时刻前预设时长内已发表的文章。
40.应当可以理解的是，基于从作者原创文章中识别引导式话题语句，以此实现基于作者原创文章引导其他作者原创文章的创作。
41.在一些实施例中，待识别语句可以是从图像中获取的文字内容。其中，基于图像的文字识别可以参照相关技术，本实施例在此不做赘述。进一步地，图像可以是当前获取时刻前预设时长内已发表的图像，图像可以是从视频中提取的图像。
42.应当可以理解的是，在类似于采访的视频中，被采访人与采访人之间有关于某些话题的讨论，因此，基于此类视频，较大概率可以识别到引导式话题语句。
43.需要说明的是，由于用户发表观点的形式(例如，文字发表形式、视频发表视频、图片发表形式等)具有多样性，即引导式话题可以存在于不同形式的数据中，因此，从不同发表形式的网络数据中从中获取待识别语句，可以提高识别范围的全面性。
44.步骤102，根据第一识别模型，对待识别语句进行识别，得到第一识别结果，第一识别结果用于表征待识别语句是否为一级引导式话题语句。
45.应当说明的是，为了得到高质量的引导式话题语句，其基础是其本身为引导式话题语句。因此，一级引导式话题语句用于表征是引导式话题语句的语句，第一识别模型的目的是为了识别出具有引导式话题特性的语句。
46.步骤103，根据第二识别模型，对表征一级引导式话题语句的待识别语句进行处理，得到第二识别结果，第二识别结果用于表征该待识别语句是否为二级引导式话题语句，其中，二级引导式话题语句的引导成功率高于一级引导式话题语句。
47.应当可以理解的是，高质量的引导式话题语句的引导成功率高于一般的引导式话题语句。示例性地，例如，对于回复可能性高的引导式话题语句与回复可能性低的引导式话题语句，向用户终端推送回复可能性高的引导式话题语句更容易促进用户发文，以此回复可能性高的引导式话题语句的引导成功率更高。因此，第二识别模型的目的是为了识别出引导成功率较高的引导式话题语句。
48.参照图2，图2为一种结合第一识别模型和第二识别模型对待识别语句进行识别的流程图。第二识别模型是对第一识别模型识别到的表征一级引导式话题语句的待识别语句进行进一步识别，以此来实现高质量的引导式话题语句的识别。
49.在一些实施例中，将识别到的二级引导式话题语句可以进行个性化推荐。示例地，可以对二级引导式话题语句设置话题类型标签，基于用户的历史发文可以对用户设置用户标签，基于话题类型标签来匹配相对应的用户标签，进而实现个性化推荐。
50.示例地，话题类型标签例如可以包括人文、社会、食物、旅游等。用户标签与话题类型标签一致。
51.通过上述方式，利用模型识别待识别语句是否为引导式话题语句，取代人工审核方式，降低了人力成本，提高了引导式话题语句的识别效率；且二级引导式话题语句的引导成功率高于一级引导式话题语句，因此，结合第一分类模型和第二分类模型，确保了引导式话题语句的质量。
52.结合前述内容，第一识别模型的目的是为了识别出具有引导式话题特性的语句，在此情况下，第一识别模型可以包括问句识别模型和话题识别模型，图1所示的步骤102可以包括：根据问句识别模型，对待识别语句进行识别，得到问句识别结果，问句识别结果用于表征待识别语句是否为问句；针对问句识别结果表征为问句的待识别问句，通过话题识别模型进行识别，得到第一识别结果。
53.其中，由于引导话题一般以问句形式呈现，因此，采用问句识别模型首先来识别待识别语句是否是问句进行识别。进一步可以理解的是，并非所有问句均可以引发讨论，即并不是所有问句都是引导式话题语句，很多反问、表示情感的问句以及问句形式的问候都不属于引导式话题语句。
54.例如，“有人在吗？”，其属于问句，其仅仅表达一种疑问，其并不属于一个可以引发讨论的引导式话题语句。
55.再例如，“你最近是变漂亮了吗？”，其属于问句，其仅仅表达一种赞美情感，其并不属于一个可以引发用户进行讨论的引导式话题语句。
56.基于此，采用话题识别模型，对问句识别模型识别出的是问句的待识别语句进一步识别，以确定该待识别语句是否是引导式话题语句。
57.结合前述内容，第二识别模型的目的是为了识别出引导成功率较高的引导式话题语句，在此情况下，第一识别模型可以包括展现程度识别模型和热度识别模型，图1所示的步骤103可以包括：针对第一识别结果表征为一级引导式话题语句的待识别问句，通过展现程度识别模型进行识别，得到展现程度识别结果，展现程度识别结果用于表征该待识别语
句的展现程度是否符合预设展现程度；针对展现程度识别结果表征符合预设展现程度的待识别问句，通过热度识别模型进行识别，得到第二识别结果。
58.在一些实施例中，展现程度可以用于表征受众范围的大小，具体的，在受众范围较大时，其展现程度较高；在受众范围小时，其展现程度较低。
59.例如，对于“如何缓解视力疲劳，怎么做？”来说，此类问题的受众用户较多，可以定义为一个展现程度高的引导式话题语句；对于“xx大学的翻译研究生必须本科是英语或其他小语种吗？”来说，此类问题的受众用户较少，可以定义为一个展现程度低的引导式话题语句。
60.在一些实施例中，热度可以用于表征引导式话题受喜爱讨论程度，热度高，受喜爱讨论程度高，则可以认定为二级引导式话题语句；热度低，受喜爱讨论程度低，则可以认定为非二级引导式话题语句。示例地，热度的识别可以通过预测回复率来实现，且预测回复率高的语句，则其热度高，预测回复率低的语句，则其热度低。应当可以理解的是，对于推送端来说，在从文章内容出发挖掘出了新的的引导话题之后，希望推送给用户终端的引导话题具有更高的引导性，用于帮助部分作者创作，具有更高的引导性的引导话题其受众范围和受喜爱讨论程度是较高的，因此，可以从受众范围和受喜爱讨论程度来确定待识别语句是否可以作为二级引导式话题语句，以此来提高被推送的引导式话题语句的质量。
61.其中，预设展现程度和预设热度均可以根据实际情况进行设定，本实施例在此不作限定。
62.在一些实施例中，可以串联问句识别模型、话题识别模型、展现程度识别模型和热度识别模型，进而以得到的串联结构实现引导式话题语句的识别。应当说明的是，串联的方式可以是按问句识别模型、话题识别模型、展现程度识别模型和热度识别模型的顺序串联，也可以是按照问句识别模型、话题识别模型、热度识别模型和展现程度识别模型的顺序串联。本实施例在此不作限定。
63.具体的，参照图3，图3是一种确认待识别语句a是否为二级引导式话题语句的过程示意图。在该图中，是以按问句识别模型、话题识别模型、展现程度识别模型和热度识别模型的顺序进行串联得到的结构实现引导式话题语句识别的。首先，将待识别语句a输入至问句识别模型，在问句识别模型得到的问句识别结果表征待识别语句a是问句的情况下，将待识别语句a输入至话题识别模型，在话题识别模型得到的第一识别结果表征待识别语句a是一级引导式话题语句的情况下，将待识别语句a输入至展现程度识别模型，在展现程度识别模型得到的展现程度识别结果表征待识别语句a的展现程度符合预设展现程度的情况下，将待识别语句a输入至热度识别模型，在热度识别模型得到的第二识别结果表征待识别语句a的热度符合预设热度的情况下，确定待识别语句a是二级引导式话题语句。
64.通过上述过程，在满足相应条件下，逐级通过各识别模型对待识别语句进行识别，进而得到高质量的引导式话题语句。
65.可以理解的是，第一识别模型和第二识别模型的输入类型是相同的，即都是待识别语句，且第一识别模型和第二识别模型的模型结构也是相同的，因此，在此基础上，第一识别模型和第二识别模型可以采用元学习训练方法训练，以此得到第一识别模型和第二识别模型。
66.进一步可以理解的是，问句识别模型、话题识别模型、展现程度识别模型和热度识
别模型的输入类型是相同的，即都是待识别语句，且问句识别模型、话题识别模型、展现程度识别模型和热度识别模型的输入类型的模型结构也是相同的，因此，在此基础上，可以采用元学习训练方法训练得到问句识别模型、话题识别模型、展现程度识别模型和热度识别模型。以下将结合具体示例对本公开中问句识别模型、话题识别模型、展现程度识别模型和热度识别模型的训练过程进行进一步解释说明。
67.其中，元学习训练方法，也可以称为“learning to learn”，常见的深度学习模型，目的是学习一个用于预测的数学模型。而元学习面向的不是学习的结果，而是学习的过程。其学习的不是一个直接用于预测的数学模型，而是学习“如何更快更好地学习一个数学模型”。
68.举例来讲，训练过程可以包括以下步骤：
69.步骤401，获取样本集，其中，样本集包括问句识别任务、话题识别任务、展现程度识别任务和热度识别任务分别对应的样本数据。
70.问句识别任务的样本数据是与问句识别模型对应的样本数据，在一些实施例中，问句识别任务的样本数据可以包括以问号结尾的语句作为的正样本以及以非问号结尾的语句作为的负样本。
71.应当说明的是，有很多非问号结尾的句子本质是问句的语句，同时也存在以问号结尾但实则并不是问句的语句，因此，采用上述设置的正负样本，可以提高模型的鲁棒性。
72.话题识别任务的样本语句是与话题识别模型对应的样本数据，在一些实施例中，问句识别任务的样本数据可以包括被推荐的引导式话题语句作为的正样本以及以问句语句作为的负样本。
73.应当说明的是，问句识别任务的负样本可以是从已发表的文章中挖掘到的。问句识别任务的负样本包括符合引导话题形式的问句和不符合引导话题形式的问句。由于负样本包括符合引导话题形式的问句，因此，采用上述设置的正负样本，可以提高模型的鲁棒性。
74.展现程度识别任务的样本语句是与展现程度识别模型对应的样本数据，在一些实施例中，为了提高高质量的引导式话题语句的识别准确性，展现程度识别任务的样本数据可以通过人工标注。例如，展现程度识别任务的样本数据可以包括人工标注的适合全量/大量展现且符合引导形式的语句，以及人工标注的不适合全量/大量展现且符合引导形式的语句。
75.热度识别任务的样本语句是与热度识别模型对应的样本数据，在一些实施例中，热度识别任务的样本数据可以包括历史投放之后有回复且符合引导话题形式的语句和历史投放之后未有回复且符合引导话题形式的语句。
76.其中，上述提到的正负样本均包括样本语句和对应的样本标注标签。正负样本的样本标注标签可以用不同数字进行标注，例如，0和1。
77.在一些实施例中，样本集除了包括问句识别任务、话题识别任务、展现程度识别任务和热度识别任务分别对应的样本数据以外，还可以包括其他不是必要的判断语句是否是引导式话题语句的识别任务，例如可以是标题语句识别任务和病句识别任务，因此，还可以设置样本集包括标题语句识别任务和病句识别任务分别对应的样本数据，在任务类型越多的情况下，可以优化步骤402训练得到的基础识别模型，以使基础识别模型在面对新任务时
具有更好的鲁棒性。
78.步骤402，根据样本集，采用元学习训练方法对初始模型进行训练，得到基础识别模型。
79.在一些实施例中，步骤402例如可以包括：初始化初始模型的初始参数；重复执行以下过程对初始模型的初始参数进行迭代更新，直至满足第二预设停止条件，以得到所述基础识别模型：从样本集中采样第一训练集，基于第一训练集中的每个任务计算第一损失函数值，并基于第一损失函数值对初始参数进行迭代更新，以得到更新后的参数；从样本集中采样第二训练集，基于更新后的参数，计算第二训练集中的所有任务的第二损失函数值之和，并基于所有第二损失函数值之和对初始参数进行更新。
80.应当说明的是，上述提到的初始模型与问句识别模型、话题识别模型、展现程度识别模型和热度识别模型的模型结构都是一致的，问句识别模型、话题识别模型、展现程度识别模型和热度识别模型可以分别在基于初始模型训练得到的基础识别模型上进行参数的调整，即可得到各个识别任务对应的识别模型。
81.在一些实施例中，第一训练集和第二训练集均是从样本集中进行反复抽样得到的。具体的，训练集中包括多个任务，其中，每个任务对应的样本数据包括多个不同识别任务的样本数据，需要说明的是，一个任务相当于普通深度学习模型训练过程中的一条训练数据。
82.一般的，可以设置一个任务中的不同识别任务数量以及每个识别任务对应的样本数据数量。
83.在一种实施例中，初始模型的损失函数可以是交叉熵函数，如下式所示：
[0084][0085]
其中，为损失函数值，模型由函数f
φ
表示，该函数由模型的参数θ决定，x
(j)
为第j个任务，y
(j)
为第j个任务对应的标注值，j为自然数，ti为训练集中第i个任务，x
(j)
,y
(j)
～ti表示，第j个任务服从ti分布。
[0086]
示例地，以若第一训练集包括三个任务为例对初始函数的迭代更新进行说明，得到更新后的参数的过程是：
[0087]
基于第一个任务、初始参数对应的模型以及损失函数，计算与该第一个任务对应的第一损失函数值，并基于该第一损失函数值对初始参数进行更新，得到第一更新参数；基于第二个任务和第一更新参数对应的模型以及损失函数，计算与该第二个任务对应的第一损失函数值，并基于该第一损失函数值对第一参数进行更新，得到第二更新参数；基于第三个任务和第二更新参数对应的模型以及损失函数，计算与第三个任务对应的第一损失函数值，并基于该第一损失函数值对第二更新参数进行更新，得到第三更新参数，以此实现初始函数的迭代更新，第三更新参数则是更新后的参数。
[0088]
承接上述示例，以若第二训练集包括三个任务为例对基于第二损失函数之和对初始函数进行更新进行说明：
[0089]
基于第一个任务、更新后的参数(第三更新参数)对应的模型以及损失函数，基于第二个任务、更新后的参数(第三更新参数)对应的模型以及损失函数，以及基于第三个任
务、更新后的参数(第三更新参数)对应的模型以及损失函数，分别计算第二损失函数值，并确定三者第二损失函数之和，基于第二损失函数之和对初始函数进行更新。
[0090]
应当说明的是，上述两个相关示例为一个循环，在不满足第二预设停止条件的情况下，进行初始参数的迭代更新，直至满足第二预设停止条件。
[0091]
在一些实施例中，预设停止条件可以是重复执行预设次数，也可以是上述损失函数值之和小于预设阈值。对此，本实施例在此不作限定。
[0092]
应当可以理解的是，在满足第二预设停止条件时，最后一次基于第二损失函数值之和进行更新得到的参数即是基础识别模型对应的参数。其中，基础识别模型对应的参数是对于所有识别模型的优化值。
[0093]
通过上述方式训练得到基础识别模型，可以实现利用少量标记数据训练数学模型的过程，即实现小样本学习。
[0094]
步骤403，根据识别任务对应的样本数据，对基础识别模型的参数进行调整，得到与该识别任务对应的识别模型。
[0095]
在训练得到问句识别模型的情况下，基于问句识别任务对应的样本数据对基础识别模型的参数进行调整，即可得到问句识别模型。
[0096]
相应地，在训练得到话题识别模型的情况下，基于话题识别任务对于的样本数据对基础识别模型的参数进行调整，即可得到话题识别模型。
[0097]
在训练得到展现程度识别模型的情况下，基于展现程度识别任务对于的样本数据对基础识别模型的参数进行调整，即可得到展现程度识别模型。
[0098]
在训练得到热度识别模型的情况下，基于热度识别任务对于的样本数据对基础识别模型的参数进行调整，即可得到热度识别模型。
[0099]
通过上述方式训练得到基础识别模型，由于基础识别模型对应的参数是对于所有任务识别模型的优化值，因此使得模型参数只要经过少量次数的梯度更新就能实现在新任务上的快速学习，进而实现问句识别模型、话题识别模型、展现程度识别模型和热度识别模型的快速训练，且对于需要人工标注的训练任务而言，可以依赖少量标注数据进行学习，降低了普通模型训练中因需要大量标注标签而导致的人力成本。
[0100]
在一些实施例中，上述提到的模型的模型结构包括特征提取网络层和分类层。其中，特征提取层用于提取语句的特征信息，分类层用于基于特征信息对语句进行识别。
[0101]
在一些实施例中，特征提取网络可以包括注意力层，以下以模型结构包括注意力层和分类层对上述步骤403进行进一步解释说明。具体的，包括以下过程：
[0102]
重复执行以下过程对基础识别模型的参数进行迭代更新，直至满足第一预设停止条件，以得到识别模型：通过注意力层根据识别任务的样本数据，得到该样本数据的注意力向量，并通过分类层基于该注意力向量得到预测识别结果，以及根据预测识别结果和与所述预测识别结果对应的样本数据的标注标签的差值调整基础识别模型的参数。
[0103]
应当说明的是，首先需要将样本数据进行分词处理，再将分词处理得到的分词序列输入到注意力层实现注意力向量的计算。注意力层可以对输入数据进行筛选，能够适应地筛选出对预测目标更有利的输入，进而增加有利数据，抑制不利数据的输入，从而提升整个模型的性能。
[0104]
其中，预测识别结果对应的样本数据的标注标签的差值是基于交叉熵实现，交叉
熵可以参照相关技术。
[0105]
在一些实施例中，注意力层可以包括第一注意力层和第二注意力层。第一注意力层用于对待识别语句进行第一次注意力向量计算，第二注意力层对第一次注意力向量进行再计算，并输入到分类层进行分类识别。通过两层注意力结构进行注意力向量的计算，即可以保证特征信息精度，提高模型准确性，也可以确保特征信息的计算对模型的计算速度不产生较大影响，在两者之间实现平衡。
[0106]
在一些实施例中，注意力层可以是具有多头注意力结构的注意力层，其中，多头注意力结构的注意力层可以参照相关技术。
[0107]
在一些实施例中，第一预设停止条件可以是执行次数满足预设次数，也可以是预测识别结果对应的样本数据的标注标签的差值小于预设阈值。对此，本实施例在此不作限定。
[0108]
基于同一发明构思，本公开提供一种识别引导式话题语句的装置，参照与5，该装置500包括：
[0109]
获取模块501，用于获取待识别语句；
[0110]
第一处理模块502，用于根据第一识别模型，对所述待识别语句进行识别，得到第一识别结果，所述第一识别结果用于表征所述待识别语句是否为一级引导式话题语句；
[0111]
第二处理模块503，用于根据第二分类模型，对表征所述一级引导式话题语句的待识别语句进行处理，得到第二识别结果，所述第二识别结果用于表征该待识别语句是否为二级引导式话题语句，其中，所述二级引导式话题语句的引导成功率高于所述一级引导式话题语句。
[0112]
可选地，所述第一识别模型包括问句识别模型和话题识别模型，所述第一处理模块502包括：
[0113]
问句处理子模块，用于根据所述问句识别模型，对所述待识别语句进行识别，得到问句识别结果，所述问句识别结果用于表征所述待识别语句是否为问句；
[0114]
话题处理子模块，用于针对所述问句识别结果表征为问句的待识别问句，通过所述话题识别模型进行识别，得到所述第一识别结果。
[0115]
可选地，所述第二识别模型包括展现程度识别模型和热度识别模型，所述第二处理模块503包括：
[0116]
展现程度处理子模块，用于针对所述第一识别结果表征为所述一级引导式话题语句的待识别问句，通过所述展现程度识别模型进行识别，得到展现程度识别结果，所述展现程度识别结果用于表征该待识别语句的展现程度是否符合预设展现程度；
[0117]
热度处理子模块，用于针对所述展现程度识别结果表征符合预设展现程度的待识别问句，通过所述热度识别模型进行识别，得到所述第二识别结果。
[0118]
可选地，所述第一识别模型包括问句识别模型和话题识别模型，所述第二识别模型包括展现程度识别模型和热度识别模型，所述装置500还包括：
[0119]
样本获取模块，用于获取样本集，其中，所述样本集包括问句识别任务、话题识别任务、展现程度识别任务和热度识别任务分别对应的样本数据；
[0120]
基础模型训练模块，用于根据所述样本集，采用元学习训练方法对初始模型进行训练，得到基础识别模型；
[0121]
调整模块，用于根据识别任务对应的样本数据，对所述基础识别模型的参数进行调整，得到与该识别任务对应的识别模型。
[0122]
可选地，所述基础识别模型包括注意力层和分类层，所述调整模块包括：
[0123]
第一重复执行子模块，用于重复执行以下过程对所述基础识别模型的参数进行迭代更新，直至满足第一预设停止条件，以得到所述识别模型：
[0124]
通过所述注意力层根据所述识别任务的样本数据，得到该样本数据的注意力向量，并通过所述分类层基于该注意力向量得到预测识别结果，以及根据所述预测识别结果和与所述预测识别结果对应的样本数据的标注标签的差值调整所述基础识别模型的参数。
[0125]
可选地，所述基础模型训练模块，包括：
[0126]
初始化子模块，用于初始化初始模型的初始参数；
[0127]
第二重复执行子模块，用于重复执行以下过程迭代更新所述初始参数直至满足第二预设停止条件，以得到所述基础识别模型：从所述样本集中采样第一训练集，基于所述第一训练集中的每个任务计算第一损失函数值，并基于所述第一损失函数值对所述初始参数进行迭代更新，以得到更新后的参数；从所述样本集中采样第二训练集，基于更新后的参数，计算所述第二训练集中的所有任务的第二损失函数值之和，并基于所有所述第二损失函数值之和对所述初始参数进行更新；其中，所述任务对应的样本数据包括多个不同识别任务的样本数据。
[0128]
可选地，所述问句识别任务的样本数据包括以问号结尾的语句作为的正样本以及以非问号结尾的语句作为的负样本，所述话题识别任务的样本数据包括被推荐的引导式话题语句作为的正样本以及以问句语句作为的负样本。
[0129]
基于同一发明构思，本公开还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现上述方法实施例中所述方法的步骤。
[0130]
基于同一发明构思，本公开还提供一种电子设备，包括：
[0131]
存储装置，其上存储有计算机程序；
[0132]
处理装置，用于执行所述存储装置中的所述计算机程序，以上述方法实施例中所述方法的步骤。
[0133]
下面参考图6，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0134]
如图6所示，电子设备600可以包括处理装置601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0135]
通常，以下装置可以连接至i/o接口605：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606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置
609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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。
[0136]
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，其包括承载在非暂态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609从网络上被下载和安装，或者从存储装置608被安装，或者从rom 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
[0137]
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。
[0138]
在一些实施例中，电子设备可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0139]
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。
[0140]
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：获取待识别语句；根据第一识别模型，对所述待识别语句进行识别，得到第一识别结果，所述第一识别结果用于表征所述待识别语句是否为一级引导式话题语句；根据第二识别模型，对表征所述一级引导式话题语句的待识别语句进行处理，得到第二识别结果，所述第二识别结果用于表征该待识别语句是否为二级引导式话题语句，其中，所述二级引导式话题语句的引导成功率高于所述一级引导式话题语句。
[0141]
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但不限于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)。
[0142]
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。
[0143]
描述于本公开实施例中所涉及到的模块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，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取待识别语句的模块”。
[0144]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0145]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0146]
根据本公开的一个或多个实施例，示例1提供了一种识别引导式话题语句的方法，包括：
[0147]
获取待识别语句；
[0148]
根据第一识别模型，对所述待识别语句进行识别，得到第一识别结果，所述第一识别结果用于表征所述待识别语句是否为一级引导式话题语句；
[0149]
根据第二识别模型，对表征所述一级引导式话题语句的待识别语句进行处理，得到第二识别结果，所述第二识别结果用于表征该待识别语句是否为二级引导式话题语句，其中，所述二级引导式话题语句的引导成功率高于所述一级引导式话题语句。
[0150]
根据本公开的一个或多个实施例，示例2提供了示例1的方法，包括：所述第一识别
模型包括问句识别模型和话题识别模型，所述根据第一识别模型，对所述待识别语句进行识别，得到第一识别结果，包括：
[0151]
根据所述问句识别模型，对所述待识别语句进行识别，得到问句识别结果，所述问句识别结果用于表征所述待识别语句是否为问句；
[0152]
针对所述问句识别结果表征为问句的待识别问句，通过所述话题识别模型进行识别，得到所述第一识别结果。
[0153]
根据本公开的一个或多个实施例，示例3提供了示例1的方法，包括：所述第二识别模型包括展现程度识别模型和热度识别模型，所述根据第二识别模型，对表征所述一级引导式话题语句的待识别语句进行处理，得到第二识别结果，包括：
[0154]
针对所述第一识别结果表征为所述一级引导式话题语句的待识别问句，通过所述展现程度识别模型进行识别，得到展现程度识别结果，所述展现程度识别结果用于表征该待识别语句的展现程度是否符合预设展现程度；
[0155]
针对所述展现程度识别结果表征符合预设展现程度的待识别问句，通过所述热度识别模型进行识别，得到所述第二识别结果。
[0156]
根据本公开的一个或多个实施例，示例4提供了示例1的方法，包括：所述第一识别模型包括问句识别模型和话题识别模型，所述第二识别模型包括展现程度识别模型和热度识别模型，所述问句识别模型、所述话题识别模型、所述展现程度识别模型和所述热度识别模型中的任一识别模型通过以下方式训练：
[0157]
获取样本集，其中，所述样本集包括问句识别任务、话题识别任务、展现程度识别任务和热度识别任务分别对应的样本数据；
[0158]
根据所述样本集，采用元学习训练方法对初始模型进行训练，得到基础识别模型；
[0159]
根据识别任务对应的样本数据，对所述基础识别模型的参数进行调整，得到与该识别任务对应的识别模型。
[0160]
根据本公开的一个或多个实施例，示例5提供了示例4的方法，包括：所述基础识别模型包括注意力层和分类层，所述根据识别任务对应的样本数据，对所述基础识别模型的参数进行调整，得到与该识别任务对应的识别模型，包括：
[0161]
重复执行以下过程对所述基础识别模型的参数进行迭代更新，直至满足第一预设停止条件，以得到所述识别模型：
[0162]
通过所述注意力层根据所述识别任务的样本数据，得到该样本数据的注意力向量，并通过所述分类层基于该注意力向量得到预测识别结果，以及根据所述预测识别结果和与所述预测识别结果对应的样本数据的标注标签的差值调整所述基础识别模型的参数。
[0163]
根据本公开的一个或多个实施例，示例6提供了示例4的方法，包括：所述根据所述样本集，采用元学习训练方法对初始模型进行训练，得到基础识别模型，包括：
[0164]
初始化初始模型的初始参数；重复执行以下过程迭代更新所述初始参数直至满足第二预设停止条件，以得到所述基础识别模型：
[0165]
从所述样本集中采样第一训练集，基于所述第一训练集中的每个任务计算第一损失函数值，并基于所述第一损失函数值对所述初始参数进行迭代更新，以得到更新后的参数；
[0166]
从所述样本集中采样第二训练集，基于更新后的参数，计算所述第二训练集中的
所有任务的第二损失函数值之和，并基于所有所述第二损失函数值之和对所述初始参数进行更新；
[0167]
其中，所述任务对应的样本数据包括多个不同识别任务的样本数据。
[0168]
根据本公开的一个或多个实施例，示例7提供了示例4的方法，包括：所述问句识别任务的样本数据包括以问号结尾的语句作为的正样本以及以非问号结尾的语句作为的负样本，所述话题识别任务的样本数据包括被推荐的引导式话题语句作为的正样本以及以问句语句作为的负样本。
[0169]
根据本公开的一个或多个实施例，示例8提供了一种识别引导式话题语句的装置，包括：
[0170]
获取模块，用于获取待识别语句；
[0171]
第一处理模块，用于根据第一识别模型，对所述待识别语句进行识别，得到第一识别结果，所述第一识别结果用于表征所述待识别语句是否为一级引导式话题语句；
[0172]
第二处理模块，用于根据第二分类模型，对表征所述一级引导式话题语句的待识别语句进行处理，得到第二识别结果，所述第二识别结果用于表征该待识别语句是否为二级引导式话题语句，其中，所述二级引导式话题语句的引导成功率高于所述一级引导式话题语句。
[0173]
根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-7中任一项所述方法的步骤。
[0174]
根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：
[0175]
存储装置，其上存储有计算机程序；
[0176]
处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-7中任一项所述方法的步骤。
[0177]
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。
[0178]
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
[0179]
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。