公开(公告)号：CN114065749A

公开(公告)日：2022-02-18

申请号：CN202111332368.4

申请日：2021-11-11

Applicant: 中国科学院计算技术研究所

Inventor： 王永庆 ,  骆宣朴 ,  史铂深 ,  沈华伟 ,  高金华 ,  庞亮 ,  程学旗

IPC: G06F40/279 ,  G06F40/289 ,  G06F40/216 ,  G06F16/35 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种面向文本的粤语识别系统的训练方法，所述方法包括：A1、获取粤语和普通话文本语料，对语料所属语种进行人工标注以获得标注数据集，采用改进停用词表过滤标注数据集并进行分词获得训练数据集；A2、利用步骤A1中获得的训练数据集，训练浅层网络至收敛以获得粤语识别模型；A3、构建粤语特色词表，以步骤A1中获得的训练数据集中的语料为输入、以语料是否为粤语的判断结果为输出，基于粤语特色词表构建用于检索语料是否命中粤语特色词表的规则匹配模型；A4、以步骤A1中获得的训练数据集中的语料为输入、以语料是否为繁体中文的判断结果为输出构建简繁识别模型；A5、以粤语识别模型、规则匹配模型和简繁识别模型的输出训练融合模块。