人机智能问答系统的断句识别方法和装置与流程

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及人机智能问答系统的断句识别方法和装置。

背景技术：

随着人机智能技术的发展，越来越多的问答系统采用人机智能技术。现有的人机智能问答系统通常采用一问一答的形式，即默认用户输入为一个完整语句，而后针对该完整语句反馈问题的答案。而实际上人机对话的过程中，用户可能会将一个完整的语句拆成多个断句进行表达，比如用户可能会将“我想问一下东西送到北京需要多久”，拆分成“我想问一下”和“东西送到北京需要多久”两个断句进行输入。针对这种情况，就需要人机智能问答系统能够准确判断出用户输入语句的完整性。

现有的人机智能问答系统通常是采用汉语言语言模型(n-gram模型)通过预测下一个词出现的概率来判断输入语句为完整语句的概率。但是，由于n-gram模型自身具有局限性，n的取值通常只能为2或3，即当前词的出现只与前面1个或2个词相关，导致该模型因信息缺失而不能准确判断输入语句是否为完整语句。

技术实现要素：

本申请的目的在于提出一种改进的人机智能问答系统的断句识别方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请提供了一种人机智能问答系统的断句识别方法，所述方法包括：接收用户输入的当前语句；将所述当前语句输入预先训练的断句识别模型得到所述当前语句为完整语句的第一概率，其中，所述断句识别模型用于根据所述当前语句的汉语言模型对应的概率和 循环神经网络语言模型对应的概率确定所述第一概率；若所述第一概率大于预设的第一阈值，则确定所述当前语句为完整语句。

在一些实施例中，所述方法还包括：基于循环神经网络语言模型，确定所述当前语句的第一个词出现在与所述当前语句相邻的上一句中的第二概率；若所述第二概率大于预设的第二阈值，则确定所述当前语句和与所述当前语句相邻的上一句均为断句；将所述当前语句与所述上一句相结合作为完整语句。

在一些实施例中，所述方法还包括：建立断句识别模型的步骤，包括：获取问题语料库，其中，所述问题语料库包括多个问题语料，所述问题语料为完整语句；对各所述问题语料分词生成多个断句；根据所述断句中包含词的数目以及该断句对应的完整语句包含词的数目，确定各所述断句的分值，其中，所述分值用于表征与之对应的断句为完整语句的概率；确定各所述断句的所述汉语言模型对应的概率和循环神经网络语言模型对应的概率；以各所述断句的所述概率以及该断句的分值为训练样本，训练得到所述断句识别模型。

在一些实施例中，所述对各所述问题语料分词生成多个断句，包括：生成所述断句的步骤，包括：对第一问题语料进行分词处理，获取由n个词组成的第一问题语料，其中，所述第一问题语料为所述问题语料库中的任一问题语料，n为自然数；在所述第一问题语料中取第1～i个词，生成第i个语句，其中，1≤i≤n；生成所述第一问题语料对应的n个断句；基于所述生成所述断句的步骤，生成所述问题语料库中各所述第一问题语料对应的断句。

在一些实施例中，所述方法还包括：若所述第一概率小于或等于预设的第一阈值，则确定所述当前语句为断句；提示用户继续输入的提示信息。

第二方面，本申请提供了一种人机智能问答系统的断句识别装置，所述装置包括：当前语句接收模块，配置用于接收用户输入的当前语句；第一概率获取模块，配置用于将所述当前语句输入预先训练的断句识别模型得到所述当前语句为完整语句的第一概率，其中，所述断句识别模型用于根据所述当前语句的汉语言模型对应的概率和循环神 经网络语言模型对应的概率确定所述第一概率；完整语句确定模块，配置用于若所述第一概率大于预设的第一阈值，则确定所述当前语句为完整语句。

在一些实施例中，所述装置还包括：第二概率确定模块，配置用于基于循环神经网络语言模型，确定所述当前语句的第一个词出现在与所述当前语句相邻的上一句中的第二概率；若所述第二概率大于预设的第二阈值，则确定所述当前语句和与所述当前语句相邻的上一句均为断句；将所述当前语句与所述上一句相结合作为完整语句。

在一些实施例中，所述装置还包括：断句识别模型建立模块，配置用于建立断句识别模型，所述断句识别模型建立模块包括：问题语料库获取单元，配置用于获取问题语料库，其中，所述问题语料库包括多个问题语料，所述问题语料为完整语句；断句生成单元，配置用于对各所述问题语料分词生成多个断句；分值确定单元，配置用于根据所述断句中包含词的数目以及该断句对应的完整语句包含词的数目，确定各所述断句的分值，其中，所述分值用于表征与之对应的断句为完整语句的概率；概率确定单元，配置用于确定各所述断句的所述汉语言模型对应的概率和循环神经网络语言模型对应的概率；断句识别模型训练单元，配置用于以各所述断句的所述概率以及该断句的分值为训练样本，训练得到所述断句识别模型。

在一些实施例中，所述断句生成单元配置具体用于：生成所述断句，且生成所述断句的步骤包括：对第一问题语料进行分词处理，获取由n个词组成的第一问题语料，其中，所述第一问题语料为所述问题语料库中的任一问题语料，n为自然数；在所述第一问题语料中取第1～i个词，生成第i个语句，其中，1≤i≤n；生成所述第一问题语料对应的n个断句；基于所述生成所述断句的步骤，生成所述问题语料库中各所述第一问题语料对应的断句。

在一些实施例中，所述装置还包括：断句确定模块，配置用于若所述第一概率小于或等于预设的第一阈值，则确定所述当前语句为断句；生成提示用户继续输入的提示信息。

本申请提供的人机智能问答系统的断句识别方法和装置，首先接 收用户输入的当前语句，之后将接收到的当前语句输入预先训练的断句识别模型，以获取该当前语句为完整语句的第一概率，而后判断该第一概率是否大于预设的第一阈值，若是，则确定该当前语句为完整语句，该方法将汉语言模型和循环神经网络语言模型相融合获得用于确定当前语句为完整语句的概率的断句识别模型，该断句识别模型可以提高人机智能问答系统判断所述当前语句为完整语句的准确率。

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，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的人机智能问答系统的断句识别方法的一个实施例的流程图；

图3是根据本申请的人机智能问答系统的断句识别方法中，获得预先训练的断句识别模型的一种实现方式的示意性流程图；

图4是根据本申请的人机智能问答系统的断句识别方法的又一个实施例的流程图；

图5是根据本申请的人机智能问答系统的断句识别装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的终端设备或服务器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申请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，本申请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申请。

图1示出了可以应用本申请的人机智能问答系统的断句识别方法或人机智能问答系统的断句识别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，例如即时通信软件、购物类应用、搜索类应用、网页浏览器应用、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持人机智能问答的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

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发送的当前语句提供支持的后台服务器。后台服务器可以对接收到的当前语句等数据进行统计、分析等处理，并将处理结果反馈给终端设备。

需要说明的是，本申请实施例所提供的人机智能问答系统的断句识别方法一般由服务器105执行，相应地，人机智能问答系统的断句识别装置一般设置于服务器105中。

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，其示出了根据本申请的人机智能问答系统的断句识别方法的一个实施例的流程200。所述的人机智能问答系统的断句识别方法，包括以下步骤：

步骤201，接收用户输入的当前语句。

在本实施例中，人机智能问答方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行人机智能问答的终端接收用户输入的当前语句。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。

通常，在人机智能问答系统中，当用户一次输入完成后即认为用户已经输入了当前语句，而不考虑该语句是否为完整语句。例如，当用户想要询问东西送到北京要多久时，不论用户输入为类似于“我想问一下”的断句，还是类似于“我想问一下东西送到北京要多久”的整句，都可以认为用户输入的是当前语句。

步骤202，将当前语句输入预先训练的断句识别模型得到当前语句为完整语句的第一概率。

在本实施例中，人机智能问答系统的断句识别方法运行与其上的电子设备可以预先训练一个断句识别模型，该断句识别模型可以用于根据用户输入的当前语句的汉语言模型对应的概率和循环神经网络语言模型对应的概率确定当前语句为完整语句的第一概率。基于步骤201接收到的用户输入的当前语句，上述电子设备可以将该当前语句输入上述断句识别模型，获取上述当前语句为完整语句的第一概率。

步骤203，若第一概率大于预设的第一阈值，则确定当前语句为完整语句。

在本实施例中，人机智能问答系统的断句识别方法运行与其上的电子设备可以预先设置一个第一阈值，而后基于步骤202获得的上述当前语句为完整语句的第一概率，上述电子设备可以判断该第一概率与上述第一阈值的大小关系，如果上述第一概率大于预设的第一阈值，则可以认为上述当前语句为完整语句。

在本实施例的一些可选的实现方式中，如果上述第一概率小于或等于预设的第一阈值，则可以认为上述当前语句为断句。上述电子设备可以生成用于提示用户继续输入的提示信息，该提示信息可以类似于“嗯，您说”等。

本申请的上述实施例提供的人机智能问答系统的断句识别方法，首先接收用户输入的当前语句，之后将接收到的当前语句输入预先训练的断句识别模型，以获取该当前语句为完整语句的第一概率，而后判断该第一概率是否大于预设的第一阈值，若是，则确定该当前语句为完整语句，该方法将汉语言模型和循环神经网络语言模型相融合获得用于确定当前语句为完整语句的概率的断句识别模型，该断句识别模型可以提高人机智能问答系统判断上述当前语句为完整语句的准确率。

在一些可选的方案中，步骤202中用到的预先训练的断句识别模型可以通过如图3所示的流程300来建立。

步骤301，获取问题语料库。

在本实现方式中，人机智能问答系统的断句识别方法运行于其上的电子设备可以从历史的人机问答数据中选取完整的问题语料组成问题语料库。这里的问题语料库可以包括多个问题语料，并且各问题语料均为完整语句。以电商领域的人机智能问答系统的咨询数据为例，其包括在线咨询数据和离线咨询数据，而离线咨询数据因不是实时交互数据，通常都是较为完整的语句，因此可以选取人机智能问答系统中离线咨询数据组成上述问题语料库。

需要说明的是，上述电子设备还需要对上述获取的问题语料库进一步处理。首先，可以将包含多个完整句子的问题语料做分句处理，这里可以将问题语料中的逗号、顿号等删除后，将问号、句号、叹号等作为分隔符对问题语料进行分句处理。其次，还可以在每个完整语句的后面添加一个例如<end>等的结束标记。

步骤302，对各问题语料分词生成多个断句。

在本实施例中，上述电子设备可以通过各种手段将上述问题语料库中的各问题语料做分词处理。之后，根据分词生成各问题语料对应的断句。以问题语料“这手机是金属机身吗”为例，可以首先做分词处理，获取分词结果为“这手机是金属机身吗”，而后获取该问题语料对应的断句。

需要说明的是，上述电子设备可以通过如下步骤获取各问题语料 对应的断句：首先，上述电子设备可以对第一问题语料进行分词处理，获取由n个词组成的第一问题语料，这里的第一问题语料可以为上述问题语料库中的任一问题语料，n为自然数；之后，上述电子设备可以在第一问题语料中取第1～i个词，生成第i个断句；最后，根据上述方法生成上述第一问题语料对应的n个断句，1≤i≤n。上述电子设备可以利用上述方法生成问题语料库中各问题语料对应的断句。例如，若上述第一问题语料为“这手机是金属机身吗”，首先可以将该第一问题语料进行分词处理，得到分词结果为“这手机是金属机身吗”，由此可见，该第一问题语料包括6个词，而后可以获取上述第一问题语料对应的6个断句，该第一问题预料的6个断句分别为：“这”、“这手机”、“这手机是”、“这手机是金属”、“这手机是金属机身”、“这手机是金属机身吗”，并且其中的“这手机是金属机身吗”可以认为是断句的一种。

步骤303，根据断句中包含词的数目以及该断句对应的完整语句包含词的数目，确定各断句的分值。

在本实现方式中，基于步骤302获取的第一问题语料以及第一问题语料对应的断句，上述电子设备可以确定各断句以及该断句对应的完整语句所包含词的数目，进而将各断句中所包含的词数除以该断句对应的完整语句所包含的词数，得到的分值即为该断句为完整语句的概率。以第一问题语料“这手机是金属机身吗”和其对应的断句“这手机是”和“这手机是金属机身吗”为例，上述第一问题语料包含的词数为6，其对应的上述断句包含的词数为3和6，由此可见，用于表征上述两个断句为完整语句概率的分值为0.5和1。

步骤304，确定各断句的汉语言模型对应的概率和循环神经网络语言模型对应的概率。

在本实现方式中，上述电子设备利用汉语言模型和循环神经网络语言模型，分别确定各断句的为完整语句的概率。此方式与现有技术中的仅通过汉语言模型确定完整语句概率的方式相比，可以有效地避免因数据稀疏导致的模型准确率低的问题。

步骤305，以各断句的概率以及该断句的分值为训练样本，训练 得到断句识别模型。

在本实现方式中，基于步骤303确定的各断句的分值和步骤304确定的各断句的汉语言模型对应的概率和循环神经网络语言模型对应的概率，上述电子设备可以采用线性回归算法等训练生成上述断句识别模型。这里的断句识别模型可以是形如y＝f(x1,x2)的公式，其中，x1、x2分别指任一语句的汉语言模型对应的概率和循环神经网络语言模型对应的概率，y为该语句为完整语句的概率。

本申请的上述实施例的实现方式提供的断句识别模型的训练方法，对问题语料库中的各问题语料分词处理以获取各问题语料对应的断句，而后获取各断句的分值、汉语言模型对应的概率以及循环神经网络语言模型对应的概率作为训练数据，最后采用线性回归算法等训练上述训练数据训练获得断句识别模型，该断句识别模型融合了汉语言模型和循环神经网络语言模型的优点，可以有效地提高人机智能问答系统判断当前语句为完整语句的准确率。

进一步参考图4，其示出了人机智能问答系统的断句识别方法的又一个实施例的流程400。该人机智能问答系统的断句识别方法的流程400，包括以下步骤：

步骤401，接收用户输入的当前语句。

在本实施例中，人机智能问答方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行人机智能问答的终端接收用户输入的当前语句。

步骤402，将当前语句输入预先训练的断句识别模型得到当前语句为完整语句的第一概率。

在本实施例中，人机智能问答系统的断句识别方法运行与其上的电子设备可以将用户输入的当前语句输入上述训练的断句识别模型，以获取上述当前语句为完整语句的第一概率。这里的该断句识别模型可以用于根据用户输入的当前语句的汉语言模型对应的概率和循环神经网络语言模型对应的概率确定当前语句为完整语句的第一概率。

步骤403，若第一概率大于预设的第一阈值，则确定当前语句为完整语句。

在本实施例中，人机智能问答系统的断句识别方法运行与其上的电子设备可以预先设置一个第一阈值，而后基于步骤402获得的上述当前语句为完整语句的第一概率，上述电子设备可以判断该第一概率与上述第一阈值的大小关系，如果上述第一概率大于预设的第一阈值，则可以认为上述当前语句为完整语句。

步骤404，基于循环神经网络语言模型，确定当前语句的第一个词出现在与当前语句相邻的上一句中的第二概率。

在本实施例中，基于步骤403确定的当前语句为完整语句，上述电子设备可以首先获取与上述当前语句相邻的上一句以及当前语句中的第一个词，而后采用循环神经网络模型预测当前语句的第一个词出现在与当前语句相邻的上一句中的第二概率。

步骤405，若第二概率大于预设的第二阈值，则确定当前语句和与当前语句相邻的上一句均为断句。

在本实施例中，上述电子设备可以预先设置一个第二阈值，之后将上述第二概率与第二阈值相比较。如果比较结果为第二概率大于上述第二阈值，则可以认为上述当前语句和与当前语句相邻的上一句均为断句。如果比较结果为第二概率小于或等于上述第二阈值，则可以认为与当前语句相邻得上一句为完整语句。

步骤406，将当前语句与上一句相结合作为完整语句。

在本实施例中，基于步骤405确定的当前语句和与当前语句相邻的上一句均为断句，上述电子设备可以将当前语句和与当前语句相邻的上一句相结合作为完整语句。由此可见，上述步骤404、405和406可以认为是对当前语句是否为完整语句的进一步判断，可以进一步提高判断当前语句为完整语句的准确率。并且该实施例实现了人机智能问答系统的多问一答的形式，即当用户输入大于一个断句的情况下，人机智能问答系统可以只进行一次反馈回答。

从图4中可以看出，与图2对应的实施例相比，本实施例中的人机智能问答系统的断句识别方法的流程400突出了对当前语句是否为完整语句的进一步判断的步骤。由此，本实施例描述的方案可以通过循环神经网络语言模型对当前语句是否为完整语句进行再次的判断， 进一步地提高了判断当前语句为完整语句的准确率。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种人机智能问答系统的断句识别装置的一个实施例，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5所示，本实施例所述的人机智能问答装置500包括：当前语句接收模块501、第一概率获取模块502和完整语句确定模块503。其中，当前语句接收模块501配置用于接收用户输入的当前语句；第一概率获取模块502配置用于将上述当前语句输入预先训练的断句识别模型得到该当前语句为完整语句的第一概率，其中，断句识别模型用于根据上述当前语句的汉语言模型对应的概率和循环神经网络语言模型对应的概率确定第一概率；完整语句确定模块503配置用于若上述第一概率大于预设的第一阈值，则确定上述当前语句为完整语句。

在本实施例的一些可选的实现方式中，上述装置500还包括第二概率确定模块(未示出)，配置用于基于循环神经网络语言模型，确定上述当前语句的第一个词出现在与该当前语句相邻的上一句中的第二概率；若该第二概率大于预设的第二阈值，则确定当前语句和与该当前语句相邻的上一句均为断句；将上述当前语句与上述上一句相结合作为完整语句。

在本实施例的一些可选的实现方式中，上述装置500还包括断句识别模型建立模块(未示出)，配置用于建立断句识别模型，该断句识别模型建立模块包括：问题语料库获取单元(未示出)，配置用于获取问题语料库，其中，问题语料库包括多个问题语料，各问题语料为完整语句；断句生成单元(未示出)，配置用于对各问题语料分词生成多个断句；分值确定单元(未示出)，配置用于根据上述断句中包含词的数目以及该断句对应的完整语句包含词的数目，确定各断句的分值，其中，该分值用于表征与之对应的断句为完整语句的概率；概率确定单元(未示出)，配置用于确定各上述断句的汉语言模型对应的概率和循环神经网络语言模型对应的概率；断句识别模型训练单元(未示出)，配置用于以各上述断句的概率以及该断句的分值为训练样本，训练得 到断句识别模型。

在本实施例的一些可选的实现方式中，上述断句生成单元(未示出)配置具体用于：生成各问题语料的断句，生成断句的步骤包括：对第一问题语料进行分词处理，获取由n个词组成的第一问题语料，其中，第一问题语料为上述问题语料库中的任一问题语料，n为自然数；在上述第一问题语料中取第1～i个词，生成第i个语句，其中，1≤i≤n；生成上述第一问题语料对应的n个断句；基于上述生成断句的步骤，生成上述问题语料库中各第一问题语料对应的断句。

在本实施例的一些可选的实现方式中，上述装置500还包括断句确定模块(未示出)配置用于若上述第一概率小于或等于预设的第一阈值，则确定上述当前语句为断句；生成提示用户继续输入的提示信息。

本领域技术人员可以理解，上述人机智能问答系统的断句识别装置500还包括一些其他公知结构，例如处理器、存储器等，为了不必要地模糊本公开的实施例，这些公知的结构在图5中未示出。

下面参考图6，其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统600的结构示意图。

如图6所示，计算机系统600包括中央处理单元(cpu)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部分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ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603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。

以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据 需要被安装入存储部分608。

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，其包括有形地包含在机器可读介质上的计算机程序，所述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部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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，所述模块、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。

描述于本申请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。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括当前语句接收模块、第一概率获取模块和完整语句确定模块。其中，这些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，当前语句接收模块还可以被描述为“接收用户输入的当前语句的模块”。

作为另一方面，本申请还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质；也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当所述一个或者多个程序被一个设备执行时，使得所述设备：接收用户输入的当前语句；将所述当前语句输入预先训练的断 句识别模型得到所述当前语句为完整语句的第一概率，其中，所述断句识别模型用于根据所述当前语句的汉语言模型对应的概率和循环神经网络语言模型对应的概率确定所述第一概率；若所述第一概率大于预设的第一阈值，则确定所述当前语句为完整语句。

以上描述仅为本申请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，本申请中所涉及的发明范围，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所述发明构思的情况下，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。例如上述特征与本申请中公开的(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。