进行语句识别的方法及装置的制造方法
【技术领域】
[0001]本发明涉及信息处理技术，尤其涉及进行语句识别的方法及装置。
【背景技术】
[0002]目前的信息处理应用中，常涉及对语句进行识别以确定其分类结果的场景。
[0003]例如，在网络问答系统中，用户输入自然语言文本语句，网络侧对其进行识别，得到分类结果，根据分类结果提取出对应的应答数据，反馈给用户。该实例通过对用户输入的语句进行处理分析，最终执行用户请求，返回用户所需的信息。
[0004]问答系统中，回答的准确性是比较重要的核定指标。要想回答精准，须尽可能精准的识别出语句的分类结果。
[0005]现有进行语句识别的方案一般基于普通分类模型(如支持向量机，随机森林、贝叶斯、Adaboost等)实现，具体包括:
[0006]采用实例语料对普通分类器进行训练，得到训练后的分类模型。后续在需要时，向训练后的分类模型输入语句，将返回一个分类结果。有了分类结果后，就可以调用相应的任务处理逻辑组装回答用户的问题了。
[0007]现有通过普通分类器进行语句识别的方案存在以下缺陷:由于普通分类模型基于对实例语料进行统计的方式训练得到，它识别的正确率到了一定程度后就不容易提升，并且对于一些相差非常小的语句很难识别准确。
[0008]综上，现有进行语句识别的方案具有局限性，且识别准确率低。
【发明内容】
[0009]本发明提供了一种进行语句识别的方法，该方法能够提高对语句识别的准确率。
[0010]本发明提供了一种进行语句识别的装置，该装置能够提高对语句识别的准确率。[0011 ] 一种进行语句识别的方法，该方法包括:
[0012]对实例语料进行分类标注，得到标准分类结果；并对实例语料进行特征向量提取；
[0013]定制出映射分类器，映射分类器中设置特征向量与分类结果之间的映射关系；将普通分类器和映射分类器组合成弱分类器；
[0014]将语料样本输入弱分类器进行分类识别，所述语料样本包含实例语料的特征向量；当弱分类器为普通分类器时，先对普通分类器进行训练，再由训练后的分类模型进行分类识别；
[0015]将弱分类器识别出的分类结果与标准分类结果进行比较，如果一致，则分类正确，如果不一致，则分类错误；统计出弱分类器分类识别的错误率，根据错误率设置相应弱分类器的权重；
[0016]该方法还包括:
[0017]将待分类语句输入各弱分类器，弱分类器对待分类语句进行分类，得到分类结果;
[0018]对输出相同分类结果的所有弱分类器的权重进行统计，得到相应分类结果的几率值；
[0019]将几率值最大的分类结果作为待分类语句的最终识别结果。
[0020]一种进行语句识别的装置，该装置包括语料标注单元、语料训练单元和识别单元;
[0021]所述语料标注单元，对实例语料进行分类标注，得到标准分类结果；并对实例语料进行特征向量提取；
[0022]所述语料训练单元，定制出映射分类器，映射分类器中设置特征向量与分类结果之间的映射关系；将普通分类器和映射分类器组合成弱分类器；将语料样本输入弱分类器进行分类识别，所述语料样本包含实例语料的特征向量，当弱分类器为普通分类器时，先对普通分类器进行训练，再由训练后的分类模型进行分类识别；将弱分类器识别出的分类结果与标准分类结果进行比较，如果一致，则分类正确，如果不一致，则分类错误；统计出弱分类器分类识别的错误率，根据错误率设置相应弱分类器的权重；
[0023]所述识别单元，将待分类语句输入各弱分类器，弱分类器对待分类语句进行分类，得到分类结果；对输出相同分类结果的所有弱分类器的权重进行统计，得到相应分类结果的几率值；将几率值最大的分类结果作为待分类语句的最终识别结果。
[0024]从上述方案可以看出，本发明中，定制出映射分类器，映射分类器中设置特征向量与分类结果之间的映射关系，将普通分类器和映射分类器组合成弱分类器；然后采用语料样本对组合成的弱分类器进行训练，得到各弱分类器的权重。而后，基于带权重的弱分类器对待分类语句进行识别，对输出相同分类结果的所有弱分类器的权重进行统计，得到相应分类结果的几率值；将几率值最大的分类结果作为待分类语句的最终识别结果。本发明采用普通分类器和映射分类器结合对待分类语句进行识别，且映射分类器中的映射关系可自行设置，这样，相比于仅采用普通分类器进行数据识别的方式，提高了识别的准确性。
【附图说明】
[0025]图1为本发明进行语句识别的方法示意性流程图；
[0026]图2为本发明进行语料训练的方法流程图实例；
[0027]图3为本发明基于带权重的弱分类器进行语句识别的方法流程图实例；
[0028]图4为本发明进行语句识别的装置结构示意图。
【具体实施方式】
[0029]为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明进一步详细说明。
[0030]本发明中，定制出映射分类器，映射分类器中设置特征向量与分类结果之间的映射关系；采用普通分类器和映射分类器结合对待分类语句进行识别，且映射分类器中的映射关系可自行设置，这样，相比于仅采用普通分类器进行数据识别的方式，提高了识别的准确性。
[0031]参见图1，为本发明进行语句识别的方法示意性流程图，其包括以下步骤:
[0032]步骤101，对实例语料进行分类标注，得到标准分类结果；并对实例语料进行特征向量提取。
[0033]实例语料用于训练分类器。
[0034]对实例语料进行分类标注，给予准确的分类结果，即标准分类结果。例如，实例语料为“这个手机有什么配件”，其标准分类结果为“配件查询”。对实例语料进行特征向量提取为已有技术，同样以前述的实例语料进行说明，其特征向量包括“手机、有、什么、配件”。
[0035]步骤102，定制出映射分类器，映射分类器中设置特征向量与分类结果之间的映射关系；将普通分类器和映射分类器组合成弱分类器。
[0036]具体实现时，针对实例语料，本步骤设置出特征向量与分类结果之间的映射关系，定制出映射分类器。映射关系尤其可针对相差非常小的语句，以及一些需要特别进行分类结果设置的语句；当然，映射关系也可针对一般语句进行分类结果的映射。
[0037]映射关系可根据需要自行设置。
[0038]步骤103，将语料样本输入弱分类器进行分类识别，所述语料样本包含实例语料的特征向量；当弱分类器为普通分类器时，先对普通分类器进行训练，再由训练后的分类模型进行分类识别。
[0039]弱分类器包含映射分类器和普通分类器，当为映射分类器时，输入语料样本，便可根据特征向量在映射关系中查找出相应的分类结果，作为输出。若为弱分类器，则需要对普通分类器进行训练，采用实例语料训练普通分类器为已有技术，这里不多赘述；训练得到的分类模型可对语料样本进行分类识别，输出分类结果。
[0040]步骤104，将弱分类器识别出的分类结果与标准分类结果进行比较，如果一致，则分类正确，如果不一致，则分类错误；统计出弱分类器分类识别的错误率，根据错误率设置相应弱分类器的权重。
[0041]为了进一步提高分类准确性，还可为语料样本设置权重，并对权重进行调整；具体地，所有语料样本的初始权重可设置为相同数值，在对语料样本进行分类识别后，再进行权重调整，具体地:
[0042