[发明专利]文本长难句的压缩方法、装置、计算机设备及存储介质

权利要求书

1.一种文本长难句的压缩方法，其特征在于，包括：

获取待处理的文本信息；

根据第一预置神经网络模型确定所述文本信息的类型，包括：通过所述第一预置神经网络模型确定所述文本信息的目标特征向量信息；通过所述第一预置神经网络模型的最大池化，提取所述目标特征向量信息中的最大值，并通过拼接操作，得到所述文本信息的特征表达向量；通过所述第一预置神经网络模型中预设的概率公式对所述特征表达向量进行分类，分别得到无关类型的概率值和核心类型的概率值；基于所述无关类型的概率值和所述核心类型的概率值，确定所述文本信息的类型；

若所述文本信息的类型为核心类型，则将所述文本信息输入第二预置神经网络模型，通过所述第二预置神经网络对所述文本信息进行分词；获取各个所述分词的权重矩阵，以确定各个所述分词之间的属性关系；基于各个所述分词之间的属性关系，获取所述第二预置神经网络模型输出所述文本信息的核心句。

2.如权利要求1所述的文本长难句的压缩方法，其特征在于，所述根据第一预置模型确定所述文本信息的类型，包括：

将所述文本信息输入第一预置神经网络模型；

通过所述第一预置神经网络模型的词向量层将所述文本信息转化为特征矩阵；

基于所述第一预置神经网络模型的卷积核对所述特征矩阵进行卷积操作，提取所述文本信息中的上下文特征信息，得到所述文本信息的目标特征向量信息；

根据所述目标特征向量信息，确定所述第一预置神经网络模型输出所述文本信息的类型概率值；

基于所述类型概率值，确定所述文本信息的类型。

3.如权利要求2所述的文本长难句的压缩方法，其特征在于，所述得到所述文本信息的目标特征向量信息，包括：

将所述卷积核与所述特征矩阵对应位置的元素进行相乘并求和，得到对应的第一目标特征；

通过所述卷积核与所述特征矩阵的下一位置的元素进行相乘并求和，得到对应的第二目标特征；

将得到的所述第一目标特征和所述第二目标特征进行拼接，生成目标特征向量信息。

4.如权利要求1所述的文本长难句的压缩方法，其特征在于，所述确定所述文本信息的类型，包括：

将所述无关类型的概率值和所述核心类型的概率值进行比对；

若所述无关类型的概率值大于所述核心类型的概率值，则确定所述文本信息的类型为无关类型；

若所述无关类型的概率值小于或等于所述核心类型的概率值，则确定所述文本信息的类型为核心类型。

5.如权利要求1所述的文本长难句的压缩方法，其特征在于，所述根据第二预置神经网络模型对所述文本信息进行压缩，获取所述文本信息的核心句之后，还包括：

将所述核心句与预置问答库进行匹配，获取与所述核心句相匹配的问答文本；

基于所述问答文本，向用户发送所述问答文本中的话术信息。

6.一种文本长难句的压缩装置，其特征在于，包括：

获取模块，用于获取待处理的文本信息；

确定模块，用于根据第一预置神经网络模型确定所述文本信息的类型，包括：通过所述第一预置神经网络模型确定所述文本信息的目标特征向量信息；通过所述第一预置神经网络模型的最大池化，提取所述目标特征向量信息中的最大值，并通过拼接操作，得到所述文本信息的特征表达向量；通过所述第一预置神经网络模型中预设的概率公式对所述特征表达向量进行分类，分别得到无关类型的概率值和核心类型的概率值；基于所述无关类型的概率值和所述核心类型的概率值，确定所述文本信息的类型；

压缩获取模块，用于若所述文本信息的类型为核心类型，则将所述文本信息输入第二预置神经网络模型，通过所述第二预置神经网络对所述文本信息进行分词；获取各个所述分词的权重矩阵，以确定各个所述分词之间的属性关系；基于各个所述分词之间的属性关系，获取所述第二预置神经网络模型输出所述文本信息的核心句。

7.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至5中任一项所述的文本长难句的压缩方法的步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1至5中任一项所述的文本长难句的压缩方法的步骤。