一种语义分析方法、装置、设备及可读存储介质与流程

1.本发明涉及信息处理技术领域，特别是涉及一种语义分析方法、装置、设备及可读存储介质。


背景技术：

2.自然语言处理(nature language processing，nlp)是计算机科学领域与人工智能领域中的一个重要方向，它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。长文本数据在自然语言处理任务中是非常常见的处理对象，长文本数据指字符数较多的文本，长文本数据比如用户半年内累计输入长度超过3600个字符的搜索记录等。通过对这些长文本数据进行语义分析(semantic analysis)可以理解整个文本表达的真实语义，有助于促进其他自然语言处理任务的快速发展，具有较高的应用价值。
3.目前长文本数据的语义分析建模方法中，常见的是使用一些非常简单的模型(比如text_cnn，fasttext等)对长文本数据进行直接的语义识别，该种方式虽然保留了语义和时序信息，但模型无法对文本中的信息进行准确表达，语义分析精准度较差；同时也存在对长文本数据进行截断处理后调用复杂模型对截断后的长文本数据进行语义识别的方法，虽然使用复杂模型训练能得到更好的语义和时序表达结果，但对输入进行截断会导致模型丢失大量信息，造成提取对象不完整，模型识别到的结果也较为片面。
4.综上所述，如何实现针对长文本数据进行全面精准的语义识别，是目前本领域技术人员急需解决的技术问题。


技术实现要素：

5.本发明的目的是提供一种语义分析方法、装置、设备及可读存储介质，以针对长文本数据进行全面精准的语义识别。
6.为解决上述技术问题，本发明提供如下技术方案：
7.一种语义分析方法，包括：
8.根据预设分析指标提取出文本数据中待分析的目标向量；
9.确定所述目标向量中的第一向量以及第二向量；其中，所述第一向量的处理难度系数高于所述第二向量，所述第一向量的长度小于所述第二向量；
10.调用第一模型对所述第一向量进行语义分析，生成第一分析结果；调用第二模型对所述第二向量进行语义分析，生成第二分析结果；其中，所述第一模型的测评精度高于所述第二模型；
11.对所述第一分析结果与所述第二分析结果进行语义信息合并，得到数据分析结果。
12.可选地，所述根据预设分析指标提取出文本数据中待分析的目标向量，包括：
13.根据预设分析指标提取出文本数据中待分析的信息，作为目标信息；
14.对所述目标信息进行分字处理，得到分字结果；
15.对所述目标信息进行分词处理，得到分词结果；
16.对所述分字结果以及所述分词结果进行向量映射，将生成的分字向量以及分词向量作为所述目标向量。
17.可选地，所述的语义分析方法还包括：
18.按照所述分字结果的分字顺序，对所述长文本数据进行对齐分词处理，得到对齐分词结果；
19.则相应地，所述对所述分字结果以及所述分词结果进行向量映射，将生成的分字向量以及分词向量作为所述目标向量，包括：对所述分字结果、所述对齐分词结果以及所述分词结果进行向量映射，将生成的分字向量、对齐分词向量以及分词向量作为所述目标向量。
20.可选地，所述对所述第一分析结果与所述第二分析结果进行语义信息合并，包括：
21.提取出所述第一分析结果中的指定位置输出结果；
22.将所述指定位置输出结果以及所述第二分析结果进行语义信息合并。
23.可选地，所述提取出所述第一分析结果中的指定位置输出结果，包括：
24.提取出所述第一分析结果中的首位置输出结果以及全位置输出结果，作为所述指定位置输出结果。
25.可选地，所述的语义分析方法还包括：
26.对所述全位置输出结果进行局部位置信息提取，得到信息提取结果；
27.将所述首位置输出结果以及所述信息提取结果作为所述指定位置输出结果。
28.可选地，在所述确定所述目标向量中的第一向量以及第二向量之前，还包括：
29.根据文本长度对所述目标向量进行顺序切分，得到若干分段向量；
30.则相应地，所述确定所述目标向量中的第一向量以及第二向量，包括：确定所述分段向量中的第一向量以及第二向量；
31.则相应地，在所述对所述第一分析结果与所述第二分析结果进行语义信息合并之后，还包括：获取各所述分段向量对应的所述合并结果，调用语义合并模型对各所述合并结果进行语义合并处理，并将输出结果作为所述数据分析结果。
32.一种语义分析装置，包括：
33.数据提取单元，用于根据预设分析指标提取出文本数据中待分析的目标向量；
34.目标分类单元，用于确定所述目标向量中的第一向量以及第二向量；其中，所述第一向量的处理难度系数高于所述第二向量，所述第一向量的长度小于所述第二向量；
35.分类识别单元，用于调用第一模型对所述第一向量进行语义分析，生成第一分析结果；调用第二模型对所述第二向量进行语义分析，生成第二分析结果；其中，所述第一模型的测评精度高于所述第二模型；
36.语义合并单元，用于对所述第一分析结果与所述第二分析结果进行语义信息合并，得到数据分析结果。
37.一种计算机设备，包括：
38.存储器，用于存储计算机程序；
39.处理器，用于执行所述计算机程序时实现上述语义分析方法的步骤。
40.一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被
处理器执行时实现上述语义分析方法的步骤。
41.本发明实施例所提供的方法，调用模型结构简单的第二模型对语义简单的长文本向量进行快速语义分析，长文本向量相比短文本向量可以保证文本内容的完整性以及相关性，减少文本信息的损失，同时可以降低整体提取模型的复杂程度，提升推理速度，从而调用第二模型可以实现全面快速的语义特征提取；同时调用模型结构复杂的第一模型对语义复杂的短文本向量进行语义分析，可以更加准确地对语义信息进行表达提取，得到更精准的语义分析结果，再对第一分析结果与第二分析结果进行语义信息合并，实现短文本+长文本、简单模型+复杂模型的多粒度语义分析，保证分析结果的完整性以及精准度。
42.相应地，本发明实施例还提供了与上述语义分析方法相对应的语义分析装置、设备和可读存储介质，具有上述技术效果，在此不再赘述。
附图说明
43.为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关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一些实施例，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，还可以根据这些附图获得其他的附图。
44.图1为本发明实施例中一种语义分析方法的实施流程图；
45.图2为本发明实施例中一种实现流程示意图；
46.图3为本发明实施例中一种语义分析装置的结构示意图；
47.图4为本发明实施例中一种计算机设备的结构示意图。
具体实施方式
48.本发明的核心是提供一种语义分析方法，可以针对长文本数据进行全面精准的语义识别。
49.为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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.语义分析指运用各种方法，学习与理解一段文本所表示的语义内容，任何对语言的理解都可以归为语义分析的范畴，本发明提出了一种多粒度的语义分析方法，可以在降低文本信息损失的情况下，实现对于长文本的端到端语义分析，同时分析精准度高，耗时短。
51.请参考图1，图1为本发明实施例中一种语义分析方法的流程图，该方法主要包括以下步骤：
52.s101、根据预设分析指标提取出文本数据中待分析的目标向量；
53.其中，文本数据指语义分析的分析对象，文本数据可以为任意信息类型的数据，比如可以为搜索数据、日志数据等；文本数据的数据长度也不做限定，可以为长文本(指语句较长的文本，字符总数超过预先设置的阈值，阈值比如200)，也可以为短文本(指语句较短的文本，字符总数未超过预先设置的阈值)，需要说明的是，本方法对于长文本具有较高的
识别精准度以及效率，可以广泛应用于长文本的高精准识别领域。
54.预设分析指标指针对文本数据具体分析的信息类型，比如搜索内容、点击内容、收藏内容等。不同的文本数据的语义分析指标可能不同，由于本方法中对于文本数据的信息类型不做限定，因此对于分析指标也不做限定，可以根据实际应用的数据对象确定。以文本数据为搜索数据为例，则分析指标可以设置为搜索时间、搜索内容以及点击标题等，其他数据对象的分析指标均可参照上述介绍，在此不再赘述。
55.根据预设分析指标提取出文本数据中待分析的目标向量，提取为向量形式以便于输入至语义识别模型中，具体从文本数据中提取的预设分析指标信息到向量形式的转换实现方式本实施例中不做限定，可以参照相关技术的实现，在此不再赘述。
56.s102、确定目标向量中的第一向量以及第二向量；
57.为尽量减少文本信息损失，同时增强语义表达能力，本方法中将待识别的目标向量分为第一向量和第二向量，其中，第一向量为语义复杂、识别难度系数高的短词向量；第二向量为语义简单、识别难度系数低的长词向量，第一向量的处理难度系数高于第二向量，但是蕴含的语义信息丰富；第二向量的字符串长度不小于第一向量，以减少文本信息的截断，可以尽量避免由于截断文本造成的信息丢失的问题。
58.对于目标向量中第一向量与第二向量的确定方式，本实施例中不做限定，可以由使用者进行自主指定，也可以设置相应的识别规则来自动识别，可以根据实际使用需要进行相应设定，再次不再赘述。
59.s103、调用第一模型对第一向量进行语义分析，生成第一分析结果；调用第二模型对第二向量进行语义分析，生成第二分析结果；
60.测评精度指提取的语义信息的表达精准度，第一模型的测评精度高于第二模型即第一模型相比第二模型可以实现更加精准的语义信息的表达和提取，本实施例中对于测评精度的判别方式不做限定，可以通过实际测试得到的语义提取精准度来判定，也可以通过模型结构的复杂度、提取的信息维度、提取过程耗时长短等方面来判定，对此本实施例中不做具体判定方式的限定，可以根据实际模型调用的需要进行相应模型的配置。
61.具体的第一模型和第二模型选用的模型类型以及模型结构本实施例中不做限定，第一模型比如roberta模型、bert模型等语义提取能力强、耗时长、结构复杂的模型，第二模型比如text_cnn模型、fasttext模型等语义提取能力稍弱但是耗时短、模型结构简单的模型，本实施例中仅以上述模型类型为例进行介绍，其他模型类型均可参照本实施例的介绍，在此不再赘述。
62.对于语义复杂、识别难度系数高的短词向量——第一向量，本方法中调用测评精度较高的第一模型对其进行语义分析，从而实现更加准确地语义信息的表达提取；对于语义简单、识别难度系数低的长词向量——第二向量，本方法中调用第二模型对其进行语义分析，以大幅增加模型输入信息量，同时降低整体语义识别模型的复杂程度，提升模型推理速度。本方法中通过调用模型结构相对简单的第二模型对语义简单的长文本向量进行快速语义分析，保证文本内容的完整性以及相关性，减少文本信息的损失，同时可以提升推理速度，实现全面快速的语义特征提取；同时调用模型结构相对复杂的第一模型对语义复杂的短文本向量进行语义分析，可以更加准确地对语义信息进行表达提取，得到更精准的语义分析结果，因此本方法可以实现短文本+长文本、简单模型+复杂模型的多粒度语义分析，保
证分析结果的完整性以及精准度。
63.另外需要说明的是，本实施例中调用的第一模型以及第二模型均为训练后的模型，对于模型的训练过程本实施例中不做限定，可以参照相关实现方式的介绍，在此不再赘述。
64.s104、对第一分析结果与第二分析结果进行语义信息合并，得到数据分析结果。
65.为使数据分析结果融合长文本完整语义信息与短文本精准语义信息，需要对第一分析结果与第二分析结果进行语义信息合并，将不同模型针对不同的向量进行语义信息的识别结果融合，实现多粒度信息融合。具体的语义信息合并方式本实施例中不做限定，可以调用信息合并模型来实现，比如bilstm模型等。
66.基于上述介绍，本发明实施例所提供的技术方案，调用模型结构简单的第二模型对语义简单的长文本向量进行快速语义分析，长文本向量相比短文本向量可以保证文本内容的完整性以及相关性，减少文本信息的损失，同时可以降低整体提取模型的复杂程度，提升推理速度，从而调用第二模型可以实现全面快速的语义特征提取；同时调用模型结构复杂的第一模型对语义复杂的短文本向量进行语义分析，可以更加准确地对语义信息进行表达提取，得到更精准的语义分析结果，再对第一分析结果与第二分析结果进行语义信息合并，实现短文本+长文本、简单模型+复杂模型的多粒度语义分析，保证分析结果的完整性以及精准度。
67.需要说明的是，基于上述实施例，本发明实施例还提供了相应的改进方案。在优选/改进实施例中涉及与上述实施例中相同步骤或相应步骤之间可相互参考，相应的有益效果也可相互参照，在本文的优选/改进实施例中不再一一赘述。
68.上述实施例中对于目标向量的提取方式不做限定，为提升提取效果，根据预设分析指标提取出文本数据中待分析的目标向量的方式可以按照下述步骤来执行：
69.(1)根据预设分析指标提取出文本数据中待分析的信息，作为目标信息；
70.待分析的信息比如时间信息、搜索内容、点击内容等，可以参照上述实施例的介绍，在此不再赘述。
71.(2)对目标信息进行分字处理，得到分字结果；
72.第一模型对于短字的提取效果较高，为提升第一模型的提取效果，本实施例中对目标信息进行分字处理，根据分字结果进行语义分析。
73.(3)对目标信息进行分词处理，得到分词结果；
74.为提升在学习阶段之后的语义信息识别效果，本实施例中对目标信息进行分词处理，调用第二模型对分词结果进行语义分析。
75.(4)对分字结果以及分词结果进行向量映射，将生成的分字向量以及分词向量作为目标向量。
76.向量映射的实现可以参照相关技术的实现，在此不再赘述。分字向量可以作为目标向量中的第一向量，分词向量可以作为目标向量中的第二向量。
77.上述方法中通过对提取的目标信息进行分字和分词处理，可以保证有用信息点的完整提取，保证语义分析效果。
78.进一步地，为提升分字向量的学习能力，在上述步骤的基础上，可以进一步执行以下步骤：
79.(5)按照分字结果的分字顺序，对长文本数据进行对齐分词处理，得到对齐分词结果；
80.按照分字结果的分字顺序，对长文本数据进行对齐分词处理，分词顺序与分字顺序严格对齐，根据分字结果中字的数量进行分词结果的重复，生成对齐分词结果，以实现分字与对齐分词语义分析的相互补充学习，提升语义识别效果。
81.则相应地，上述步骤(4)对分字结果以及分词结果进行向量映射，将生成的分字向量以及分词向量作为目标向量的过程具体为：对分字结果、对齐分词结果以及分词结果进行向量映射，将生成的分字向量、对齐分词向量以及分词向量作为目标向量。
82.将向量映射后生成的分字向量和对齐分词向量作为目标向量中的第一向量，从而实现分字结果和对齐分词结果的相互对照。
83.需要说明的是，本实施例中分字以及分词的实现方式不做限定，比如可以采用jieba分词等方式，具体方式的选用可以根据实际应用场景进行设定，另外，分字分词的对照词典(或称为词库)也不做限定，可以使用已有的词典，比如roberta词典，也可以根据实际的应用场景搭建相应的词典，在此不再赘述。
84.另外，上述实施例中对于第一模型输出的第一分析结果和第二模型输出的第二分析结果的语义信息合并方式不做限定，本实施例中针对语义信息合并方式进行介绍。
85.具体地，对第一分析结果与第二分析结果进行语义信息合并的一种实现方式可以包括以下步骤：
86.(1)提取出第一分析结果中的指定位置输出结果；
87.第一分析结果中包括各位置的输出结果，指定位置为使用者指定获取的位置，本方法中对于指定位置不做限定，可以根据后续语义信息分析的需要进行指定位置的设置。
88.可选地，可以将首位置和全位置作为指定位置，则提取出第一分析结果中的指定位置输出结果具体为：提取出第一分析结果中的首位置输出结果以及全位置输出结果，作为指定位置输出结果。
89.提取首位置可以分析全局的语义信息，提取全位置可以分析关键词信息，结合首位置和全位置的输出结果，则可以全面兼容全局的综合语义信息以及关键词的语义信息，实现语义信息的统筹兼顾，既可以保证语义信息的全面性，又避免了语义信息过多造成的后续分析复杂的问题。本实施例中仅以提取上述两种位置的语义信息进行语义信息融合为例进行介绍，其他指定位置(比如尾位置、中间位置等)的实现方式均可参照本实施例的介绍，在此不再赘述。
90.(2)将指定位置输出结果以及第二分析结果进行语义信息合并。
91.由于第一模型对第一向量进行深度语义分析时会生成大量的分析结果，为保证后续信息分析的速度，该方法中对第一模型输出的分析结果进行指定位置的提取，只针对指定位置的输出结果与第二分析结果进行语义信息的合并，可以简化特征量，提升分析效率。
92.另外，上述实施例中以指定位置为全位置和首位置为例进行介绍，由于全位置输出结果在位置较多时信息合并难度较大，为降低信息合并难度，同时保证语义信息的全面性，在将指定位置输出结果以及第二分析结果进行语义信息合并之前，可以进一步对全位置输出结果进行局部位置信息提取，得到信息提取结果；并将首位置输出结果以及信息提取结果作为指定位置输出结果，再执行将指定位置输出结果以及第二分析结果进行语义信
息合并的步骤。
93.基于上述实施例，为进一步减少第一模型和第二模型进行语义分析的计算量，提升语义分析速度，可以对待输入至模型的对象进行数据分段，分段后输入模型进行语义分析，相比完整输入可以成本缩减计算量，有效提升计算效率。
94.则具体地，在确定目标向量中的第一向量以及第二向量之前，可以根据文本长度对目标向量进行顺序切分，得到若干分段向量。根据文本长度具体可以以字符数作为衡量对象，比如每隔n(任意正整数)个字符对应的向量进行文段切分；为保证文本的完整性在文本存在时序性时也可以将时间间隔作为衡量对象，比如完整文本为100天的记录信息，则可以以10天作为分段间隔，每10天的记录数据对应的向量作为一个分段，在此仅以上述两种分段方式为例进行介绍，其他实现方式均可参照本实施例的介绍，在此不再赘述。
95.则相应地，确定目标向量中的第一向量以及第二向量的步骤具体为：确定分段向量中的第一向量以及第二向量；
96.另外，在对第一分析结果与第二分析结果进行语义信息合并之后，还需要进一步执行：获取各分段向量对应的合并结果，调用语义合并模型对各合并结果进行语义合并处理，并将输出结果作为数据分析结果的步骤，以实现各分段分析结果的合并。在针对各分段向量进行相应结果合并时，合并需对照分段的顺序，以避免语义信息的混乱。
97.该方法在针对长文本数据时可以显著减少模型的计算量，有效提升模型计算速度。
98.另外，需要说明的是，本实施例中仅以先将文本处理为向量形式，再进行向量分段处理为例，也可以先将文本进行分段，再对分段的文本进行向量形式的处理，在此对分段的执行顺序不做限定，可以根据实际使用需要进行设定。
99.为加深对于上述实现过程的理解，本实施例中以接收到的文本数据为20天的搜索数据为例进行介绍，其他应用场景或应用对象下的实现方式均可参照本实施例的介绍。
100.一条搜索日志如下所示，包括时间、搜索内容和点击内容：[2019/10/31/10:38,“创意背景”,“创意背景免费下载”]，则本实施例的目的在于分析20天内某用户所有的搜索日志，以实现针对该用户的搜索倾向、情感性格的分析。
[0101]
如图2所示为本实施例对应的实现流程示意图，该方法具体包括以下步骤：
[0102]
(1)根据预设分析指标提取出搜索日志中的时间、搜索内容以及点击内容，作为目标信息；
[0103]
其中，时间的提取可以根据时间戳将长文本数据进行时间维度离散处理，生成多时间维度离散数据。具体地，离散的时间维度本实施例中不做限定，可以将时间戳按照小时离散成24维(hour_ids)每个时间维度作为一个向量输入。
[0104]
搜索内容的提取需要首先确定搜索数据中的搜索内容项数据，再对该数据进行分字、对齐分词以及(不对齐)分词处理，具体地，可以首先进行分字，使用roberta词典进行分字，结果表示为input_ids；其次进行分词，进行jieba分词，分词顺序与分字顺序严格对齐，根据子的数量重复，结果表示为lex_ids，使用字向量+词向量组合的方式作为输入，两者信息互补，同时提高了字向量和词向量表达的准确性；最后，重新对该数据进行jieba分词，并且每个词只按顺序记录一次，不与分字结果对齐，结果表示为only_lex_ids。
[0105]
针对点击内容的提取具体可以首先提取出点击的标题内容，再对其进行分词处
理，每个词只按顺序记录一次，结果表示为title_ids。
[0106]
(2)按照日期，将输入每10天切分一次，总共切分为2段，最后每个输入的维度如下：
[0107]
input_ids＝200*2
[0108]
lex_ids＝200*2
[0109]
hour_ids＝200*2
[0110]
only_lex_ids＝200*2
[0111]
title_ids＝100*2
[0112]
其中，输入的维度可调，本实施例中仅以上述维度为例进行介绍。
[0113]
(3)对切分后的前十天的input_ids、lex_ids、hour_ids、only_lex_ids、title_ids进行embedding(向量映射)，生成字向量、搜索词向量、时间向量、单独的搜索词向量以及点击词向量，然后与position(字的位置)的embedding(向量映射)结果(即位置向量)进行结合，作为目标向量。
[0114]
(4)将位置向量、字向量、搜索词向量、时间向量作为第一向量输入至roberta模型进行语义分析，将单独的搜索词向量以及点击词向量作为第二向量通过text_cnn模型进行语义分析。
[0115]
(5)获取roberta模型两部分的输出，一是可以看做全局语义信息的first_position_ouput，即首位置输出结果，另一部分是单独的全位置词向量信息all_position_output，即全位置输出结果。对全位置输出结果可以采用text_cnn模型提取局部未知的关键信息，以减少数据合并难度，最终将首位置输出结果，全位置输出结果经过text_cnn模型提取局部未知的关键信息后的输出结果，以及作为第二向量的text_cnn模型的输出结果三部分输出合并，作为lstm每一个时间步的输入信息。
[0116]
上述步骤(3)、(4)以及(5)仅以左支模型对前十天的数据进行处理过程进行介绍，右支模型对于后十天的数据进行处理的过程可以参照上述介绍，每个区间采用roberta+text_cnn的建模方式，使用roberta预训练模型，可以更加准确地对语义信息进行表达提取，使用text_cnn模型，可以大幅增加模型输入信息量，同时降低bert模型的复杂程度，提高模型推理速度，在此不再赘述。
[0117]
(6)得到两个分段分别的合并结果后，再调用bilstm模型进行长时序的语义信息合并，保证了语义空间的严格时序性。
[0118]
本实施例中以针对长时序的搜索数据为例进行介绍，其他对象的实现方式均可参照本实施例的介绍，在此不再赘述。
[0119]
相应于上面的方法实施例，本发明实施例还提供了一种语义分析装置，下文描述的语义分析装置与上文描述的语义分析方法可相互对应参照。
[0120]
参见图3所示，该装置包括以下模块：
[0121]
数据提取单元110主要用于根据预设分析指标提取出文本数据中待分析的目标向量；
[0122]
目标分类单元120主要用于确定目标向量中的第一向量以及第二向量；其中，第一向量的处理难度系数高于第二向量，第一向量的长度小于第二向量；
[0123]
分类识别单元130主要用于调用第一模型对第一向量进行语义分析，生成第一分
析结果；调用第二模型对第二向量进行语义分析，生成第二分析结果；其中，第一模型的测评精度高于第二模型；
[0124]
语义合并单元140主要用于对第一分析结果与第二分析结果进行语义信息合并，得到数据分析结果。
[0125]
本实施例中各单元的工作模型可以参照上述方法实施例的介绍，在此不再赘述。
[0126]
相应于上面的方法实施例，本发明实施例还提供了一种计算机设备，下文描述的一种计算机设备与上文描述的一种语义分析方法可相互对应参照。
[0127]
该计算机设备包括：
[0128]
存储器，用于存储计算机程序；
[0129]
处理器，用于执行计算机程序时实现上述方法实施例的语义分析方法的步骤。
[0130]
具体的，请参考图4，为本实施例提供的一种计算机设备的具体结构示意图，该计算机设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)322(例如，一个或一个以上处理器)和存储器332，存储器332存储有一个或一个以上的计算机应用程序342或数据344。其中，存储器332可以是短暂存储或持久存储。存储在存储器332的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储器332通信，在计算机设备301上执行存储器332中的一系列指令操作。
[0131]
计算机设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341。
[0132]
上文所描述的语义分析方法中的步骤可以由计算机设备的结构实现。
[0133]
相应于上面的方法实施例，本发明实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种语义分析方法可相互对应参照。
[0134]
一种可读存储介质，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方法实施例的语义分析方法的步骤。
[0135]
该可读存储介质具体可以为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存储程序代码的可读存储介质。
[0136]
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，但是这种实现不应认为超出本发明的范围。