CN116541517B 文本信息處理方法、裝置、設備、軟件程序以及存儲介質 （騰訊科技（深圳）有限公司）

本發明提供了一種文本信息處理方法、裝實現過多級圖神經網絡多元化的對文本信息的2對所述待處理文本信息進行句法分析處理，得到所述待處理文本信息的句法分析結根據所述待處理文本信息的句法分析結果，確定所述句法分析結多級圖神經網絡包括與所述待處理文本信息相匹配的全局圖神經網絡和多個本地圖神經分別通過所述全局圖神經網絡和所述多個本地圖神經網絡對所述全局圖神經網絡和所述多個本地圖神經網絡的處理結果進行解析所述文本信息處理請求，確定所述文本信息處理請求中所包括基于所述目標對象，對所述目標對象的歷史行為參數和所述金通過所觸發的所述分詞庫的單詞詞典對所述待處理文本信息進行分根據所述至少一個依存關系中的主謂關系，對所述詞語級特征向量根據所述待處理文本信息的句法分析結果，確定不同的詞語級根據所述不同的詞語級特征向量的句法結構信息，確定所述句法分析結果3根據所述多跳信息中的不同級別的多跳信息，確定與所述待處根據所述待處理文本中的完整語句信息，確定與所述待處理文本信所述對所述全局圖神經網絡和所述多個本地圖神經網絡基于注意力機制對所述第一處理結果和所述第二處理結果進行融信息處理模塊，用于對所述待處理文本信息進行句法所述信息處理模塊，用于根據所述待處理文本信息的句法分析結果，確所述信息處理模塊，用于基于所述多跳信息，確定與所述待處理文本所述信息處理模塊，用于分別通過所述全局圖神經網絡和所述多個本地圖神經網絡，處理器，用于運行所述存儲器存儲的可執行指令時，實現權利要求14理器執行時實現權利要求1至6任一項所述的文本信息5以及存儲介質，能夠實現通過多級圖神經網絡多元化的對文本信息的情感狀態進行分析，678[0054]3)卷積神經網絡(CNNCo具有深度結構的前饋神經網絡(FeedforwardNeuralNetworks)，是深度學習(deeplearning)的代表算法之一。卷積神經網絡具有表征學習(representationlearning)能圖像經過openCV等工具讀取形成的三通道或原通道矩陣，模型輸出為多分類概率，通過softmax等算法最終輸出網頁類別。在訓練時，模型通過交叉熵等目標函數向正確趨勢逼得可以進行基于圖的推理。通常，圖神經網絡由兩個模塊組成：傳播模塊(Propagation有：圖卷積神經網絡(GraphConvolutionalNetworks，GCNs)，門控圖神經網絡(GatedGraphNeuralNetworks，GGNNs)以及基于注意力機制的圖注意力神經網絡(Graph[0060]9)雙向注意力神經網絡模(BERTBidirectionalEncoderRepresentationsfromTransformers)谷歌提出的雙9發相應的文本信息處理進程(例如即時通訊軟件[0065]作為一個示例，服務器200用于布設所述文本信息處理裝置以實現本發明所提供金融活動或者通過實體金融資源支付環境(包括但不限于各類型的實體金融資源變化環境)或者社交軟件進行信息交互的使用環境，在各類型的實體金融資源進行金融活動或者通過虛擬資源支付中通常會對不同數據來源的金融文本信息進行處理，最終在用戶界面文本信息。目標對象在當前顯示界面中所形成語音信號頻域分析(Speechsignalfrequencyanalyzing)、語音信號特征提取(Speechsignalfeatureextraction)、語音信號特征匹配/識別(Speechsignalfeature包括人工神經網絡(artificialneuralnetwork)，例如卷積神經網絡(Convolutional戶接口203和至少一個網絡接口204。文本信息處理裝置中的各個組件通過總線系統205耦非易失性存儲器兩者。本發明實施例中的存儲器202能夠存儲數據以支持終端(如10_1)的理器形式的處理器可以采用一個或多個應用專用集成電路(ASIC，ApplicationSpecific編程邏輯器件(CPLD，ComplexProgrammableLogicDevice)、現場可編程門陣列(FPGA，Field_ProgrammableGateArray)或其他電子實施例所提供的文本信息處理裝置可以直接體現為由處理器201執行的軟件模塊組合，軟邏輯器件(PLD，ProgrammableLogicDevice)、復雜可編程邏輯器件(CPLD，ComplexProgrammableLogicDevice)、現場可編程門陣列(FPGA，Field_ProgrammableGateArray)或其他電子元件執行實現本發明實施例提供的文本信[0079]本發明實施例中的存儲器202用于存儲各種類型的數據以支持文本信息處理裝置[0087]繼續結合圖1所示的使用場景對本申請所提供的文本信息處理方法進行說明，其大，所使用的文本信息情感分類的技術主要是基于長短期記憶網絡(LSTM，LongShort_感分類的效果較差；另外一種常用的技術是使用卷積神經網絡(ConvolutionalNeural的歷史參數：獲取數據庫中股票對應的股票數據；調用應漢語的待處理文本信息而言，由于作為最小語義單位的詞往往是由不同數量的字組成的，選出的詞語級特征向量的詞語級特征向量的類型與多個設定詞語級特征向量的類型進行存句法處理模塊的接口請求域名nlp.tencentcl，表1示出了依存句法處理模本發明實施例中多跳信息的一個可選的處理過程示意圖，以待處理文本信息為“Ithas的本地圖神經網絡；根據所述待處理文本中的完整語句信息，確定與所述待處理文本信息相匹配的全局圖神經網絡，其中，所述多級圖神經網絡包括全局圖神經網絡和至少一個本圖，本地圖神經網絡Local_1GCN在進行文本信息處理時僅使用句法分析的中的一跳信息，其余的結果全都置為0，本地圖神經網絡Local_2GCN在進行文本信息處理時僅使用句法分網絡的結構也是可以進行調整的，多級圖神經網絡的結構包括一個全局圖神經網絡和至少息進行處理所需要使用的多級圖神經網絡包括：本地圖神經網絡Local_1GCN、本地圖神經網絡Local_2GCN和全局圖神經網絡GlobalGCN。GCN與3個經過訓練的本地圖神經網絡Local_GCN共同構成了對待處理文信息進行處理所需任務定義目標函數。圖神經網絡有：圖卷積神經網絡(GraphConvolutionalNetworks，個節點可以包含與自己有直接或間接聯系的W(1)和W(2)為不同隱藏層之間的參數矩陣[0133]步驟603：基于注意力機制對所述第一處理結果和所述第二處理結果進行融合處[0135]同時考慮到實際應用中不但可以通過金融APP實現本申請的方案，同時還可以通[0139]結合前序圖1所示，本發明實施例所提供的文本信息處理方法可以通過相應的云端設備實現，例如：終端(包括終端10_1和終端10_2)通過網絡300連接位于云端的服務器