[发明专利]中文标点符号添加方法和系统及设备

权利要求书

1.一种中文标点符号添加方法，其特征在于，包括：

获取文本信息并进行预处理，得到包括字序列和对应的标签序列的训练数据，标签序列中的标签表示字序列中对应的字后面应添加的标点符号；

通过对训练数据进行音素级编码、字级编码和词级编码，将训练数据的字序列转换成音素级特征向量、字级特征向量和词级特征向量并进行叠加融合，得到融合三个级别信息的特征向量；

基于融合三个级别信息的特征向量，进行特征提取和分类器训练，得到预测模型，该预测模型用于给输入的文本信息添加中文标点符号。

2.根据权利要求1所述的方法，其特征在于，所述预处理包括数据清洗和数据标准化；

所述数据清洗包括：对文本信息中的标点符号进行替换，将逗号、句号和问号以及感叹号以外的标点符号替换成逗号、句号、问号或感叹号；

所述数据标准化包括：将文本信息中每一个字对应到一个标签，所述标签包括：表示逗号的标签C、表示句号的标签P、表示问号的标签Q和表示感叹号的标签E以及无符号标签O。

3.根据权利要求1所述的方法，其特征在于，所述音素级编码包括：

利用一个字音转换G2P模型，将训练数据中的字序列转换成音素序列；

采用独热编码方式对得到的音素序列进行编码，得到音素级特征向量。

4.根据权利要求1所述的方法，其特征在于，所述字级编码包括：

采用独热编码方式对训练数据的字序列进行编码，得到字级特征向量。

5.根据权利要求1所述的方法，其特征在于，所述词级编码包括：

采用结巴中文分词工具，对训练数据进行分词和词性标注，获取分词序列和对应的词性序列，然后利用BMES标签在词性序列中加入分词信息；

采用独热编码方式对加入了分词信息的词性序列进行编码，得到词级特征向量。

6.根据权利要求5所述的方法，其特征在于，还包括：

在结巴中文分词工具中添加新词，对新词进行词性标注，利用BMES标签在新词的词性序列中加入分词信息。

7.根据权利要求1-6任一所述的方法，其特征在于，还包括：

接收语音识别系统输入的文本信息，利用所述预测模型输出添加了中文标点符号的文本信息给所述语音识别系统。

8.一种中文标点符号添加系统，其特征在于，包括：

数据处理模块，用于获取文本信息并进行预处理，得到包括字序列和对应的标签序列的训练数据，标签序列中的标签表示字序列中对应的字后面应添加的标点符号；

模型训练模块，用于通过对训练数据进行音素级编码、字级编码和词级编码，将训练数据的字序列转换成音素级特征向量、字级特征向量和词级特征向量并进行叠加融合，得到融合三个级别信息的特征向量；基于融合三个级别信息的特征向量，进行特征提取和分类器训练，得到预测模型，该预测模型用于给输入的文本信息添加中文标点符号。

9.一种计算机设备，包括处理器和存储器，所述存储器中存储有程序，所述程序包括计算机执行指令，当所述计算机设备运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述计算机设备执行如权利要求1-7中任一项所述的中文标点符号添加方法。

10.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括计算机执行指令，所述计算机执行指令当被计算机设备执行时，使所述计算机设备执行如权利要求1-7中任一项所述的中文标点符号添加方法。