用于文本表征的特征向量生成方法、装置和电子设备与流程

1.本公开的实施例涉及计算机技术领域，具体涉及用于文本表征的特征向量生成方法、装置和电子设备。


背景技术：

2.在自然语言处理领域内的多个应用场景中，往往都需要对文本进行文本表征，即将文本转换为对应的特征向量。目前，在进行特征向量生成时，通常采用的方式为：通过多层特征提取层进行特征提取，以生成特征向量。
3.然而，当采用上述方式时，经常会存在如下技术问题：第一，当文本包含较多特征时，经过多次特征提取得到的多个特征向量之间的向量相关度不大，导致生成的特征向量不够精准；第二，不同的特征对应的特征重要程度不同，往往未针对不同的特征进行适应性的特征提取，导致生成的特征向量不够精准。


技术实现要素：

4.本公开的内容部分用于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。本公开的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.本公开的一些实施例提出了用于文本表征的特征向量生成方法、装置和电子设备，来解决以上背景技术部分提到的技术问题中的一项或多项。
6.第一方面，本公开的一些实施例提供了一种用于文本表征的特征向量生成方法，该方法包括：获取待表征文本；将知识特征序列中的知识特征与上述待表征文本进行拼接，以生成拼接特征；将上述拼接特征输入预训练模型，以生成候选特征向量序列；将上述候选特征向量序列包括的候选特征向量子序列中的每个候选特征向量，与上述预训练模型中的嵌入矩阵进行相乘处理，以生成目标特征向量，得到目标特征向量序列；对于上述目标特征向量序列中的每个目标特征向量，将上述目标特征向量与上述目标特征向量在词表中对应的词向量进行向量融合，以生成融合向量；将得到的融合向量序列中的融合向量输入第一特征降维网络，以生成第一降维特征向量序列；将目标候选特征向量输入第二特征降维网络，以生成第二降维特征向量，其中，上述目标候选特征向量是上述候选特征向量序列中除上述候选特征向量子序列之外的候选特征向量；将上述第一降维特征向量序列中的第一降维特征向量和上述第二降维特征向量进行向量拼接，以生成上述待表征文本对应的文本表征向量。
7.第二方面，本公开的一些实施例提供了一种用于文本表征的特征向量生成装置，装置包括：获取单元，被配置成获取待表征文本；拼接单元，被配置成将知识特征序列中的知识特征与上述待表征文本进行拼接，以生成拼接特征；第一输入单元，被配置成将上述拼接特征输入预训练模型，以生成候选特征向量序列；相乘处理单元，被配置成将上述候选特
征向量序列包括的候选特征向量子序列中的每个候选特征向量，与上述预训练模型中的嵌入矩阵进行相乘处理，以生成目标特征向量，得到目标特征向量序列；向量融合单元，被配置成对于上述目标特征向量序列中的每个目标特征向量，将上述目标特征向量与上述目标特征向量在词表中对应的词向量进行向量融合，以生成融合向量；第二输入单元，被配置成将得到的融合向量序列中的融合向量输入第一特征降维网络，以生成第一降维特征向量序列；第三输入单元，被配置成将目标候选特征向量输入第二特征降维网络，以生成第二降维特征向量，其中，上述目标候选特征向量是上述候选特征向量序列中除上述候选特征向量子序列之外的候选特征向量；向量拼接单元，被配置成将上述第一降维特征向量序列中的第一降维特征向量和上述第二降维特征向量进行向量拼接，以生成上述待表征文本对应的文本表征向量。
8.第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
9.第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
10.本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的用于文本表征的特征向量生成方法，提高了生成的特征向量的精准度。具体来说，造成生成的特征向量的精准度不够精准的原因在于：当文本包含较多特征时，经过多次的特征提取得到的多个特征向量之间的向量相关度不大，导致生成的特征向量不够精准。基于此，本公开的一些实施例的用于文本表征的特征向量生成方法，首先，获取待表征文本。接着，将知识特征序列中的知识特征与上述待表征文本进行拼接，以生成拼接特征。本公开中的知识特征是与待表征文本存在关联关系的特征。通过增加知识特征，以增强和/或补充待表征文本的文本内容。进一步，将上述拼接特征输入预训练模型，以生成候选特征向量序列。通过预训练模型，以初步确定特征向量。此外，将上述候选特征向量序列包括的候选特征向量子序列中的每个候选特征向量，与上述预训练模型中的嵌入矩阵进行相乘处理，以生成目标特征向量，得到目标特征向量序列。接着，对于上述目标特征向量序列中的每个目标特征向量，将上述目标特征向量与上述目标特征向量在词表中对应的词向量进行向量融合，以生成融合向量。通过增加特征向量对应的词向量以丰富向量的特征表达能力。除此之外，将得到的融合向量序列中的融合向量输入第一特征降维网络，以生成第一降维特征向量序列。接着，将目标候选特征向量输入第二特征降维网络，以生成第二降维特征向量，其中，上述目标候选特征向量是上述候选特征向量序列中除上述候选特征向量子序列之外的候选特征向量。通过特征降维，以此降低特征维度，从而降低后续的特征计算的复杂度。最后，将上述第一降维特征向量序列中的第一降维特征向量和上述第二降维特征向量进行向量拼接，以生成上述待表征文本对应的文本表征向量。通过此种方式生成的特征向量，能够很好地表达和突出文本对应的特征，由此达到了提高生成的特征向量的精准度的目的。
附图说明
11.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，元件和元素不一定按照比例绘制。
12.图1是根据本公开的用于文本表征的特征向量生成方法的一些实施例的流程图；图2是根据本公开的用于文本表征的特征向量生成装置的一些实施例的结构示意图；图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
13.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。
14.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。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
15.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。
16.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”。
17.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。
18.下面将参考附图并结合实施例来详细说明本公开。
19.参考图1，示出了根据本公开的用于文本表征的特征向量生成方法的一些实施例的流程100。该用于文本表征的特征向量生成方法，包括以下步骤：步骤101，获取待表征文本。
20.在一些实施例中，用于文本表征的特征向量生成方法的执行主体（例如，计算设备）可以通过有线连接或无线连接的方式获取上述待表征文本。其中，上述待表征文本可以是待生成对应的文本表征向量的文本。例如，上述待表征文本可以是新闻文本。又如，上述待表征文本还可以是工单文本。
21.需要说明的是，上述计算设备可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。应该理解，计算设备的数目根据实现需要，可以具有任意数目的计算设备。
22.步骤102，将知识特征序列中的知识特征与待表征文本进行拼接，以生成拼接特征。
23.在一些实施例中，上述执行主体可以将知识特征序列中的知识特征与待表征文本进行拼接，以生成拼接特征。其中，知识特征序列中的知识特征是与上述待表征文本存在内容关联的特征。例如，上述待表征文本可以是工单文本，则上述知识特征序列可以是[2021-07-10，海淀区xx街道]。
[0024]
作为示例，上述执行主体可以将上述知识特征序列中的知识特征与待表征文本进
行前后拼接，以生成拼接特征。
[0025]
在一些实施例的一些可选的实现方式中，上述执行主体将知识特征序列中的知识特征与待表征文本进行拼接，以生成拼接特征，可以包括以下步骤：第一步，上述知识特征序列中的各个知识特征进行特征拼接，以生成拼接知识特征。
[0026]
作为示例，上述知识特征序列可以是[知识特征a，知识特征b]。得到拼接知识特征可以是“知识特征a知识特征b”。
[0027]
第二步，将上述拼接知识特征与上述待表征文本进行拼接，以生成候选拼接特征。
[0028]
作为示例，上述候选拼接特征可以是“知识特征a知识特征b待表征文本”。
[0029]
第三步，在上述候选拼接特征包括的知识特征尾部插入遮盖符，以及在上述候选拼接特征包括的上述待表征文本尾部插入遮盖符，以生成上述拼接特征。
[0030]
作为示例，上述遮盖符可以是[mask]。拼接特征可以是“知识特征a[mask]知识特征b[mask]待表征文本[mask]”。
[0031]
步骤103，将拼接特征输入预训练模型，以生成候选特征向量序列。
[0032]
在一些实施例中，上述执行主体可以将拼接特征输入预训练模型，以生成候选特征向量序列。其中，上述候选特征向量序列中的候选特征向量为遮盖符对应位置的文本对应的特征向量。上述预训练模型可以是预先经过训练的模型。例如，上述预训练模型可以是bert模型。其中，上述候选特征向量序列中的候选特征向量的向量维度为768维。
[0033]
步骤104，将候选特征向量序列包括的候选特征向量子序列中的每个候选特征向量，与预训练模型中的嵌入矩阵进行相乘处理，以生成目标特征向量，得到目标特征向量序列。
[0034]
在一些实施例中，上述执行主体可以将候选特征向量序列包括的候选特征向量子序列中的每个候选特征向量，与预训练模型中的嵌入矩阵进行相乘处理，以生成目标特征向量，得到目标特征向量序列。其中，上述嵌入矩阵为上述预训练模型包括的嵌入层对应的嵌入矩阵。其中，目标特征向量序列中的目标特征向量的向量维度为：21128维。
[0035]
在一些实施例的一些可选的实现方式中，上述执行主体将上述候选特征向量序列包括的候选特征向量子序列中的每个候选特征向量，与上述预训练模型中的嵌入矩阵进行相乘处理，以生成目标特征向量，包括：将上述候选特征向量与上述预训练模型包括的输入层对应的嵌入矩阵进行相乘处理，以生成上述目标特征向量。其中，输入层可以是上述预训练模型包括的第一个嵌入层。
[0036]
步骤105，对于目标特征向量序列中的每个目标特征向量，将目标特征向量与目标特征向量在词表中对应的词向量进行向量融合，以生成融合向量。
[0037]
在一些实施例中，对于目标特征向量序列中的每个目标特征向量，上述执行主体可以将目标特征向量与目标特征向量在词表中对应的词向量进行向量融合，以生成融合向量。其中，词表是预先设置的、存储有词和对应词向量的数据表。
[0038]
作为示例，上述执行主体可以将目标特征向量和对应的词向量进行向量拼接，以生成融合向量。
[0039]
通过将目标特征向量和对应的词向量进行融合，以丰富针对相同词的不同向量表
征，提高得到的融合向量的表征能力。
[0040]
可选地，目标特征向量序列中的目标特征向量的向量长度与目标特征向量在上述词表中对应的词向量的向量长度相同，上述词表中的词向量为经过独热编码后的词向量。
[0041]
作为示例，上述词表中的词向量的长度可以是21128维。
[0042]
在一些实施例的一些可选的实现方式中，上述执行主体将上述目标特征向量与上述目标特征向量在词表中对应的词向量进行向量融合，以生成融合向量，可以包括：将上述目标特征向量与上述目标特征向量在上述词表中对应的词向量进行向量相加融合，以生成上述目标特征向量对应的融合向量。
[0043]
作为示例，目标特征向量可以是“00000
…
010”。目标特征向量对应的词向量可以是“00000
…
001”。则得到的融合向量可以是“00000
…
011”。
[0044]
步骤106，将得到的融合向量序列中的融合向量输入第一特征降维网络，以生成第一降维特征向量序列。
[0045]
在一些实施例中，上述执行主体可以将得到的融合向量序列中的融合向量输入第一特征降维网络，以生成第一降维特征向量序列。其中，上述第一特征降维网络可以是用于进行降低特征的特征维度的模型。其中，上述第一特征网络输出第一降维特征向量的向量维度为：128维。
[0046]
作为示例，上述第一降维特征网络可以是线性的、包含有多个卷积层的卷积网络。
[0047]
可选地，上述第一特征降维网络包括：第一线性层和第二线性层。其中，上述第二线性层输出的向量的向量维度小于上述第一线性层输出的向量的向量维度。
[0048]
在一些实施例的可选的实现方式中，上述执行主体将得到的融合向量序列中的融合向量输入第一特征降维网络，以生成第一降维特征向量序列，可以包括以下步骤：第一步，初始化第一目标嵌入矩阵。
[0049]
其中，上述第一目标嵌入矩阵为上述第一特征降维网络对应的嵌入矩阵。上述第一目标嵌入矩阵的矩阵维度为：21128
×
768维。
[0050]
第二步，将上述融合向量序列中的融合向量与上述第一目标嵌入矩阵进行相乘处理，以生成第一相乘后特征向量序列。
[0051]
其中，上述第一相乘后特征向量序列中的第一相乘后特征向量的向量维度相同。第一相乘后特征向量的向量维度为：768维。
[0052]
第三步，将上述第一相乘后特征向量序列中的第一相乘后特征向量输入上述第一线性层，得到第一线性处理后的特征向量，得到第一线性处理后的特征向量序列。
[0053]
其中，第一线性处理后的特征向量的向量长度与上述第一相乘后特征向量的向量长度相同。例如，输入上述第一线性层的向量的向量维度为：768维。上述第一线性层输出的向量的向量维度为：768维。
[0054]
第四步，将上述第一线性处理后的特征向量序列中的第一线性处理后的特征向量输入上述第二线性层，以生成第一降维特征向量，得到上述第一降维特征向量序列。
[0055]
其中，第一降维特征向量序列中的第一降维特征向量的向量维度相同。第一降维特征向量的向量长度小于上述线性处理后的特征向量的向量长度。第一降维特征向量的向量维度为：128维。输入第二线性层的向量的向量维度为：768维。上述第二线性层输出的向量的向量维度为：128维。
[0056]
步骤107，将目标候选特征向量输入第二特征降维网络，以生成第二降维特征向量。
[0057]
在一些实施例中，上述执行主体可以将目标候选特征向量输入第二特征降维网络，以生成第二降维特征向量。上述第二特征降维网络可以是用于进行降低特征的特征维度的模型。其中，上述第二特征网络输出第二降维特征向量的向量维度为：256维。目标候选特征向量是上述候选特征向量序列中除上述候选特征向量子序列之外的候选特征向量作为示例，上述第二降维特征网络可以是线性的、包含有多个卷积层的卷积网络。
[0058]
作为示例，候选特征向量序列可以是[候选特征向量a，候选特征向量b，候选特征向量c，候选特征向量d]。则目标特征向量序列可以是[候选特征向量a，候选特征向量b，候选特征向量c]。目标候选特征向量可以是候选特征向量d。
[0059]
可选地，第二特征降维网络包括：第三线性层和第四线性层。第三线性层输出的向量的向量维度大于上述第四线性层输出的向量的向量维度。
[0060]
在一些实施例的一些可选的实现方式中，上述执行主体将目标候选特征向量输入第二特征降维网络，以生成第二降维特征向量，可以包括一下步骤：第一步，初始化第二目标嵌入矩阵。
[0061]
其中，上述第二目标嵌入矩阵为上述第二特征降维网络对应的嵌入矩阵。上述第二目标嵌入矩阵的矩阵维度为：768
×
768维。
[0062]
第二步，将上述目标候选特征向量与上述第二目标嵌入矩阵进行相乘处理，以生成第二相乘后特征向量。
[0063]
其中，上述第二相乘后特征向量的向量维度为：768维。
[0064]
第三步，将上述第二相乘后特征向量输入上述第三线性层，以生成第二线性处理后的特征向量。
[0065]
其中，上述第三线性层输出的向量的向量维度为：768维。
[0066]
第四步，将上述第二线性处理后的特征向量输入上述第四线性层，以生成上述第二降维特征向量。
[0067]
其中，上述第二降维特征向量的向量维度为128维。
[0068]
上述步骤106至步骤107中的内容作为本公开的一个发明点，解决了背景技术中的技术问题二，即“不同的特征对应的特征重要程度不同，往往未针对不同的特征进行适应性的特征提取，导致生成的特征向量不够精准”。实际情况中，不同的特征的重要程度往往不同，采用相同的特征提取方式，会导致得到的多个子特征向量的向量长度一致，即导致较为重要的特征对应的子特征向量占特征向量的比重降低。同时，当特征较多时，也会增加特征向量的长度，影响后续的计算和使用。基于此，考虑到本公开中的目标候选特征的重要程度高于目标特征向量序列中的目标特征向量。由此，本公开采用第一特征降维网络对目标特征向量进行特征维度降维，以及通过第二特征降维网络对目标候选特征向量进行降维，以得到第一降维特征向量序列和第二降维特征向量。其中，第二降维特征向量的向量维度大于第一降维特征向量。通过此种方式提高了重要特征在文本表征向量中的比重，此外，通过第一特征降维网络和第二特征降维网络缩短了得到的文本表征向量的向量维度，降低了在后续文本表征向量使用过程中的计算复杂度。
[0069]
步骤108，将第一降维特征向量序列中的第一降维特征向量和第二降维特征向量
进行向量拼接，以生成待表征文本对应的文本表征向量。
[0070]
在一些实施例中，上述执行主体可以将第一降维特征向量序列中的第一降维特征向量和第二降维特征向量进行向量拼接，以生成待表征文本对应的文本表征向量。其中，上述执行主体可以将第一降维特征向量序列中的第一降维特征向量和上述第二降维特征向量前后拼接，以生成上述文本表征向量。
[0071]
可选地，上述执行主体还可以执行以下处理步骤：响应于确定上述待表征文本对应的特征应用场景为文本分类场景，将上述文本表征向量输入至预先训练的文本分类模型，以确定上述待表征文本对应的文本类别。其中，特征应用场景表征特征的应用场景。例如，特征应用场景可以是文本标注场景。又如，上述特征应用场景还可以是文本分类场景。其中，文本分类场景是对待表征文本进行分类的应用场景。如，对待表征文本所表达的情感进行分类。
[0072]
作为示例，响应于确定上述待表征文本对应的特征应用场景为文本分类场景，将上述文本表征向量输入至预先训练的文本分类模型，以确定上述待表征文本对应的文本类别可以包括以下步骤：第一步，确定上述文本分类场景对应的分类任务。
[0073]
例如，分类任务可以是但不限于以下任意一种：文本情感分类任务，文本标注任务，文本类别分类任务。如，当待表征文本为工单文本时，对应的分类任务可以是文本类别分类任务，实践中，文本类别分类任务可以是用于对工单类别进行分类的分类任务。此外，文本类别分类任务还可以是用于对工单定级的分类任务。
[0074]
第二步，将上述文本表征向量输入上述分类任务对应的文本分类模型，以生成上述文本类别。
[0075]
作为示例，当分类任务为文本情感分类任务时，上述文本分类模型可以是lstm（long short-term memory，长短时记忆）模型。
[0076]
作为又一示例，当分类任务为文本标注任务时，上述文本分类模型可以是bilstm（bi-directional long short-term memory，双向长短时记忆）模型+cnn（convolutional neural networks，卷积神经网络）模型+crf（conditional random field，条件随机场）模型。
[0077]
作为再一示例，当分类任务为文本类别分类任务时，上述文本分类模型可以是带有分类层的cnn模型。
[0078]
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的用于文本表征的特征向量生成方法，提高了生成的特征向量的精准度。具体来说，造成生成的特征向量的精准度不够精准的原因在于：当文本包含较多特征时，经过多次的特征提取得到的多个特征向量之间的向量相关度不大，导致生成的特征向量不够精准。基于此，本公开的一些实施例的用于文本表征的特征向量生成方法，首先，获取待表征文本。接着，将知识特征序列中的知识特征与上述待表征文本进行拼接，以生成拼接特征。本公开中的知识特征是与待表征文本存在关联关系的特征。通过增加知识特征，以增强和/或补充待表征文本的文本内容。进一步，将上述拼接特征输入预训练模型，以生成候选特征向量序列。通过预训练模型，以初步确定特征向量。此外，将上述候选特征向量序列包括的候选特征向量子序列中的每个候选特征向量，与上述预训练模型中的嵌入矩阵进行相乘处理，以生成目标特征向
量，得到目标特征向量序列。接着，对于上述目标特征向量序列中的每个目标特征向量，将上述目标特征向量与上述目标特征向量在词表中对应的词向量进行向量融合，以生成融合向量。通过增加特征向量对应的词向量以丰富向量的特征表达能力。除此之外，将得到的融合向量序列中的融合向量输入第一特征降维网络，以生成第一降维特征向量序列。接着，将目标候选特征向量输入第二特征降维网络，以生成第二降维特征向量，其中，上述目标候选特征向量是上述候选特征向量序列中除上述候选特征向量子序列之外的候选特征向量。通过特征降维，以此降低特征维度，从而降低后续的特征计算的复杂度。最后，将上述第一降维特征向量序列中的第一降维特征向量和上述第二降维特征向量进行向量拼接，以生成上述待表征文本对应的文本表征向量。通过此种方式生成的特征向量，能够很好地表达和突出文本对应的特征，由此达到了提高生成的特征向量的精准度的目的。
[0079]
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种用于文本表征的特征向量生成装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0080]
如图2所示，一些实施例的用于文本表征的特征向量生成装置200包括：获取单元、拼接单元、第一输入单元、相乘处理单元、向量融合单元、第二输入单元、第三输入单元和向量拼接单元。其中，获取单元，被配置成获取待表征文本；拼接单元，被配置成将知识特征序列中的知识特征与所述待表征文本进行拼接，以生成拼接特征；第一输入单元，被配置成将所述拼接特征输入预训练模型，以生成候选特征向量序列；相乘处理单元，被配置成将所述候选特征向量序列包括的候选特征向量子序列中的每个候选特征向量，与所述预训练模型中的嵌入矩阵进行相乘处理，以生成目标特征向量，得到目标特征向量序列；向量融合单元，被配置成对于所述目标特征向量序列中的每个目标特征向量，将所述目标特征向量与所述目标特征向量在词表中对应的词向量进行向量融合，以生成融合向量；第二输入单元，被配置成将得到的融合向量序列中的融合向量输入第一特征降维网络，以生成第一降维特征向量序列；第三输入单元，被配置成将目标候选特征向量输入第二特征降维网络，以生成第二降维特征向量，其中，所述目标候选特征向量是所述候选特征向量序列中除所述候选特征向量子序列之外的候选特征向量；向量拼接单元，被配置成将所述第一降维特征向量序列中的第一降维特征向量和所述第二降维特征向量进行向量拼接，以生成所述待表征文本对应的文本表征向量。
[0081]
可以理解的是，该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。
[0082]
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备（例如，计算设备）300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
[0083]
如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（rom）302中的程序或者从存储装置308加载到随机访问存储器（ram）303中的程序而执行各种适当的动作和处理。在ram 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、rom 302以及ram 303通过总线304彼此相连。输入/输出（i/o）接口305也连接至总线304。
[0084]
通常，以下装置可以连接至i/o接口305：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306；包括例如液晶显示器（lcd）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，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。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
[0085]
特别地，根据本公开的一些实施例，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，本公开的一些实施例包括一种计算机程序产品，其包括承载在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。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从rom 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
[0086]
需要说明的是，本公开的一些实施例中记载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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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。
[0087]
在一些实施方式中，客户端、服务器可以利用诸如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。
[0088]
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。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：获取待表征文本；将知识特征序列中的知识特征与上述待表征文本进行拼接，以生成拼接特征；将上述拼接特征输入预训练模型，以生成候选特征向量序列；将上述候选特征向量序列包括的候选特征向量子序列中的每个候选特征向量，与上述预训练模型中的嵌入矩阵进行相乘处理，以生成目标特征向量，得到目标
特征向量序列；对于上述目标特征向量序列中的每个目标特征向量，将上述目标特征向量与上述目标特征向量在词表中对应的词向量进行向量融合，以生成融合向量；将得到的融合向量序列中的融合向量输入第一特征降维网络，以生成第一降维特征向量序列；将目标候选特征向量输入第二特征降维网络，以生成第二降维特征向量，其中，上述目标候选特征向量是上述候选特征向量序列中除上述候选特征向量子序列之外的候选特征向量；将上述第一降维特征向量序列中的第一降维特征向量和上述第二降维特征向量进行向量拼接，以生成上述待表征文本对应的文本表征向量。
[0089]
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一些实施例的操作的计算机程序代码，上述程序设计语言包括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）。
[0090]
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。
[0091]
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、拼接单元、第一输入单元、相乘处理单元、向量融合单元、第二输入单元、第三输入单元和向量拼接单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，拼接单元还可以被描述为“将知识特征序列中的知识特征与上述待表征文本进行拼接，以生成拼接特征的单元”。
[0092]
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。
[0093]
以上描述仅为本公开的一些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，本公开的实施例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上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。例如上述特征与本公开的实施例中公开的（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。