买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：小语智能信息科技(云南)有限公司

摘要：本发明公开一种基于多任务学习的多标准中文分词方法，涉及自然语言处理技术领域。本发明充分利用不同标准的分词语料，将多个数据集共同训练充分学习其共享信息以提高OOV召回率；输入多个具有不同分词标准的数据集；利用BERT预训练语言模型得到输入文本的字嵌入向量；为充分进行不同标准数据集所对应的特征抽取层的分词特征交互，将不同分词标准的字嵌入向量按照特定的比例随机选择并混合，之后分别送入具有不同的头的打分层；基于每个打分层计算其多标签分类损失并相加作为损失；最后对每一个分词标准分别使用贪心策略进行解码。本发明在相同的数据集上，相比于基线模型，评价指标F1值提高了0.62％，未登录词的召回率提高了5.49％。

主权项：1.基于多任务学习的多标准中文分词方法，其特征在于：包括如下步骤：Step1、输入多个具有不同分词标准的数据集，利用BERT预训练语言模型得到输入文本的字嵌入向量；Step2、为充分进行不同标准数据集所对应的特征抽取层的分词特征交互，将不同分词标准的字嵌入向量按照特定的比例随机选择并混合，之后分别送入具有不同的头的打分层；基于每个打分层计算其多标签分类损失并相加作为损失；最后对每一个分词标准分别使用贪心策略进行解码；所述Step1包括：S1.1：利用不同分词标准的异构资源，将多个具有不同分词标准的数据集同时输入分别进行学习，并把每个标准的分词任务单独看作一个基于片段的多标签分类任务；S1.2：对于长度为n的未标注的文本序列Sm＝s1,s2,…,sn利用BERT预训练语言模型并进行线性变化： 获得其输入文本S1的字嵌入向量，其中和分别是第一个标准中文本序列S1中每个字符分别作为连续片段即分词片段首尾时的向量序列；在分词片段首时第一个标准中字嵌入向量q的第i个向量表示si作为连续片段的起始字符，其编码为在分词片段尾时第一个标准中字嵌入向量k的第i个向量表示si作为连续片段的结束字符，其编码为其中m代表第m个标准的分词语料；Wq，Wk是权重矩阵，bq和bk是偏置矩阵；所述Step2包括：S2.1：将句子的得分矩阵作为主要部分，其他得分矩阵作为次要部分，在次要部分中随机选择一个标准，将其与主要部分的字嵌入向量进行融合： 其中，表示以第一个标准为主要部分的起始字符，表示选择第m个标准为次要部分的起始字符，表示以第一个得分矩阵为主要部分的结束字符，表示选择第m个标准为次要部分的结束字符；采用β分布来确定主次向量的混合比例λ；用混合进行训练充分共享不同标准的分词语料所对应的特征抽取层的分词特征；S2.2：将得分层中的每个得分矩阵作为一个头，设置多个头，在不同的头中输入不同标准，第m个标准的分词语料送入第m个头中进行训练；定义作为从xi到xj的连续片段的打分函数，计算xi和xj的相关性，打分函数的结果将呈现两种类型：sij→+∞表示此片段为候选分词片段，sij→-∞则表示此片段不能构成分词片段；S2.3：为了保证上三角的分数矩阵中能够构成有效且正确的分词片段，使其中能构成有意义词的连续字符块的位置得分sij→+∞，而使完全不可能构成词语的连续字符块的位置得分sij→-∞，使用正确标签对打分矩阵采用多标签分类的损失函数计算损失，由于模型中有多个由头区分的不同标准的得分层，需要分别对每个头计算损失并求和，作为最终总的损失函数LML： 其中，Pm表示中最终的正确分词结果，即黄金标准切分结果，Nm表示的nn+12个连续片段中排除最终的正确分词结果以外所有的负例；S2.4：采用Adam优化器，并设置向量维度head_size为32，设置head_num来表示得分层中头的数量，也就是分词中标准的个数，按照输入的语料个数来进行具体设置。

全文数据：

权利要求：

百度查询： 小语智能信息科技(云南)有限公司 基于多任务学习的多标准中文分词方法