摘要：針對(duì)數(shù)據(jù)業(yè)務(wù)語(yǔ)句的詞語(yǔ)解析和信息抽取存在較大差異的問(wèn)題，研究一種基于自然語(yǔ)言處理（NLP）技術(shù)的語(yǔ)義自動(dòng)識(shí)別系統(tǒng)。在本識(shí)別系統(tǒng)的功能基礎(chǔ)上，加入了基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）算法的人工智能模塊，對(duì)所接收的信息數(shù)據(jù)語(yǔ)義進(jìn)行卷積和池化，使數(shù)據(jù)業(yè)務(wù)語(yǔ)句解析和信息抽取的差異問(wèn)題有很大改善。為了提高語(yǔ)義識(shí)別效率，進(jìn)一步采用分詞法（WS），來(lái)對(duì)接收的語(yǔ)句進(jìn)行分詞解讀，達(dá)到降低詞語(yǔ)歧義的目的，減少對(duì)整體語(yǔ)義識(shí)別的影響。試驗(yàn)結(jié)果表明，通過(guò)本系統(tǒng)對(duì)數(shù)據(jù)業(yè)務(wù)的語(yǔ)義識(shí)別精準(zhǔn)度在90%以上，表明該系統(tǒng)對(duì)解決語(yǔ)義識(shí)別問(wèn)題具有較強(qiáng)的實(shí)用性和優(yōu)越性。

關(guān)鍵詞：語(yǔ)義識(shí)別；NLP技術(shù)；CNN算法；分詞法；人工智能

中圖分類號(hào)：TP317.2文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1001-5922（2025）01-0145-04

Construction and application of automatic recognition model for data business semantics

SU Zhiyong 1，ZHU Yiyuan1，CHEN Wei1，ZENG Rongfu 1，HE Qiuyun2

（1.State Network XintongYili Technology Co.，Ltd.，Xiamen 361001，F(xiàn)ujian China；

2.Fujian Rhodes Digital Technology Co.，Ltd.，F(xiàn)uzhou 350200，China）

Abstract：Aiming at the big difference between word parsing and information extraction of data business state?ments，an automatic semantic recognition system based on Natural Language Processing（NLP）technology was studied.On the basis of the functions of the recognition system，an artificial intelligence module based on Convolu?tional Neural Networks（CNN）algorithm was added to convolve and pool the semantics of the received information data，which greatly improves the difference between data business statement parsing and information extraction.In order to improve the efficiency of semantic recognition，Word segmentation（WS）was further adopted to interpret the received sentences，so as to reduce word ambiguity and reduce the impact on the overall semantic recognition.The test results showed that the accuracy of semantic recognition of data business through this system was more than 90%，which indicates that this research system has strong practicability and superiority in solving semantic rec?ognition problems.

Key words：semantic recognition；nlp technology；cnn algorithm；word segmentation；artificial intelligence

隨著通信網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，數(shù)據(jù)業(yè)務(wù)語(yǔ)句的要的數(shù)據(jù)信息無(wú)法被解讀和識(shí)別，從而造成了大量的詞語(yǔ)解析和信息抽取等都存在較大差異，導(dǎo)致很多重信息浪費(fèi)，因此設(shè)計(jì)一個(gè)智能語(yǔ)義自動(dòng)識(shí)別系統(tǒng)有很大的必要[1]。提出利用數(shù)據(jù)壓縮的技術(shù)，來(lái)實(shí)現(xiàn)提取數(shù)據(jù)關(guān)鍵信息的目標(biāo)[2]。利用隨機(jī)森林算法構(gòu)建語(yǔ)義識(shí)別系統(tǒng)，此算法可以達(dá)到篩選冗雜數(shù)據(jù)的功能[3]。采用人工神經(jīng)網(wǎng)絡(luò)法來(lái)實(shí)現(xiàn)對(duì)業(yè)務(wù)語(yǔ)義的識(shí)別，它可以模仿人的大腦對(duì)數(shù)據(jù)處理具有自主學(xué)習(xí)，以及推理的能力，可以很迅速的完成響應(yīng)[4]。針對(duì)現(xiàn)有研究存在的不足，研究設(shè)計(jì)了一個(gè)基于自然語(yǔ)言處理（NLP）技術(shù)的語(yǔ)義自動(dòng)識(shí)別系統(tǒng)。

1基于數(shù)據(jù)業(yè)務(wù)的語(yǔ)義自動(dòng)識(shí)別系統(tǒng)的設(shè)計(jì)

本系統(tǒng)以NLP技術(shù)和CNN算法的人工智能技術(shù)為主要語(yǔ)義識(shí)別系統(tǒng)的組成部分。加入分詞法（WS），來(lái)對(duì)接收的語(yǔ)句進(jìn)行分詞解讀，經(jīng)過(guò)總控部門的控制，詞、句，語(yǔ)法、詞義等由分詞子系統(tǒng)解讀，然后依據(jù)識(shí)別的信息數(shù)據(jù)實(shí)施歧義判斷[5]。具體NLP系統(tǒng)構(gòu)成如圖1所示。

在圖1中，采用“4層3網(wǎng)”的工作架構(gòu)和工作方式，其中4層包含有數(shù)據(jù)源、語(yǔ)義層、業(yè)務(wù)層、展示層，3網(wǎng)結(jié)構(gòu)中包含數(shù)據(jù)接收網(wǎng)、數(shù)據(jù)傳輸網(wǎng)和語(yǔ)義翻譯網(wǎng)。在具體應(yīng)用中，數(shù)據(jù)源的數(shù)據(jù)來(lái)自移動(dòng)端數(shù)據(jù)業(yè)務(wù)的非CS域語(yǔ)音外的其他業(yè)務(wù)，主要依靠數(shù)據(jù)傳輸和信息交互的業(yè)務(wù)數(shù)據(jù)[5]。業(yè)務(wù)數(shù)據(jù)的產(chǎn)生包括遠(yuǎn)端通信、個(gè)人的通信、往來(lái)式娛樂(lè)、電子商務(wù)等為主要數(shù)據(jù)源。語(yǔ)義識(shí)別就是在識(shí)別文字的基礎(chǔ)上，將所收集的數(shù)據(jù)信息轉(zhuǎn)換成語(yǔ)義輸出。語(yǔ)義層的作用是，對(duì)數(shù)據(jù)源接收后的數(shù)據(jù)進(jìn)行語(yǔ)義模型的處理，其中核心技術(shù)是CNN算法的語(yǔ)義識(shí)別技術(shù)，然后將所識(shí)別的語(yǔ)義類型劃分，傳輸?shù)讲煌臉I(yè)務(wù)層的不同類型模型中，最后上傳到展示層保存[6]。

2系統(tǒng)核心技術(shù)設(shè)計(jì)

2.1 NLP技術(shù)實(shí)現(xiàn)模型

NLP是關(guān)于人與計(jì)算機(jī)之間交流的研究方案，具體實(shí)現(xiàn)模型如圖2所示。

由圖2可知，NLP技術(shù)是人與數(shù)據(jù)業(yè)務(wù)終端溝通的橋梁，以實(shí)現(xiàn)人機(jī)交流為目的。其中主要包括NLU技術(shù)和NLG技術(shù)，其中NLU技術(shù)可以將語(yǔ)句的歧義或者沒(méi)有識(shí)別的語(yǔ)句進(jìn)行分解，也可以對(duì)詞性進(jìn)行標(biāo)注，進(jìn)一步按照句法類型分析，之后將語(yǔ)義信息按文本分類，然后對(duì)信息進(jìn)行檢索，最后進(jìn)行信息抽取和語(yǔ)義校對(duì)。NLG的主要功能是將文本信息抽取后自動(dòng)生成主題摘要，使語(yǔ)句表達(dá)意思更清晰[7]，減少語(yǔ)義抽取周期，提高語(yǔ)義識(shí)別效率和質(zhì)量。

2.2基于NLP技術(shù)的分詞法設(shè)計(jì)

數(shù)據(jù)業(yè)務(wù)的文本中，2個(gè)字或多個(gè)字組成的詞語(yǔ)出現(xiàn)的場(chǎng)景較多，所以解決此問(wèn)題的方法就是將數(shù)據(jù)中距離較近的字出現(xiàn)的次數(shù)看作是緊密度，如果緊密度過(guò)高，則自動(dòng)認(rèn)定是詞語(yǔ)，具體計(jì)算方法采用MI（Mutu?al Information）計(jì)算法。分詞法模型圖如圖3所示。

圖3表示MI計(jì)算法功能模型，將2個(gè)字符串A和Q，采取一個(gè)公式計(jì)算這2個(gè)字符串互信息大小[8-9]，然后依據(jù)這個(gè)值判斷A、Q的緊密度。結(jié)點(diǎn)則表示相近的詞候選，邊上的概率表示代價(jià)，最后利用相關(guān)搜索算法從圖中找到代價(jià)最小的路徑作為最后的分詞結(jié)果。計(jì)算公式：

式中：P（A Q）是A、Q同時(shí)出現(xiàn)的次數(shù)；P（A）、P（Q）表示字符串出現(xiàn)的次數(shù)；P（A Q）表示2個(gè)字符串的互信息量，互信息的值越大，表示這2個(gè)字符串距離越近。

3基于CNN算法的語(yǔ)義識(shí)別方法與識(shí)別過(guò)程

3.1基于CNN算法的語(yǔ)義識(shí)別方法

利用CNN對(duì)相關(guān)組合的詞句進(jìn)行處理，并將其運(yùn)用到處理語(yǔ)義數(shù)據(jù)的設(shè)計(jì)。CNN算法是由卷積層、池化層組成，每一層都是對(duì)上層數(shù)據(jù)的有效銜接和提取，可以將語(yǔ)義從文本中提取出來(lái)。

CNN最重要的組成部分就是卷積層，在數(shù)據(jù)進(jìn)行卷積的時(shí)候，每個(gè)文本數(shù)據(jù)的提取，都用一類卷積核來(lái)實(shí)施，這就是其可共享的表現(xiàn)。每一層的一個(gè)或多個(gè)數(shù)據(jù)作為輸入的相關(guān)卷積核卷積[10]，會(huì)出現(xiàn)相對(duì)應(yīng)的卷積輸出，計(jì)算公式：

式中：卷積核的值是k2；Wl是l層的卷積核，值是當(dāng)前層的卷積加1；Zl1是輸入的值，如果所在層大于2，Zl1是上層池化層的所有輸出；bl是l的偏置；F是神經(jīng)元離散的激勵(lì)函數(shù)。在本系統(tǒng)算法中，達(dá)到快速收斂的擬合對(duì)象，選用ReLu函數(shù)。公式：

式（3）表示激活函數(shù)，該函數(shù)的作用不僅可以避免擬合的出現(xiàn)，在反饋傳輸時(shí)，導(dǎo)數(shù)也不難獲取。具體來(lái)說(shuō)，卷積層是按照步長(zhǎng)1進(jìn)行操作的，若上一層的數(shù)據(jù)是hg，卷積核的范圍是kk，所以卷積層的輸出特征語(yǔ)義的值是（hk1）（gk1）。

CNN卷積層和池化層是相互連接的。利用CNN池化層，也能夠讓數(shù)據(jù)業(yè)務(wù)文本具有魯棒性，具體做法就是將文本中的詞語(yǔ)順序排除。按照語(yǔ)料庫(kù)的文本特征來(lái)對(duì)照識(shí)別，實(shí)現(xiàn)將文本的語(yǔ)義完整的輸出[11]。

研究選擇最大池化法來(lái)融入系統(tǒng)，由于文本語(yǔ)義的提取是將上卷積層中對(duì)語(yǔ)義貢獻(xiàn)最大的數(shù)據(jù)提取出來(lái)，是該層的既有意義，而且最大池化層不僅可以提取最重要的語(yǔ)義數(shù)據(jù)，也能夠?qū)⑻卣鲾?shù)的維度大幅減少，即池化大小為p，池化層的操作如下式：

式中：i、j分別表示卷積層所輸出的數(shù)據(jù)業(yè)務(wù)文本特征值。在池化層不斷的實(shí)施疊化操作，表明2次池化的范圍并不沖突。故池化的尺寸是p，表示在池化層輸入的文本值的范圍是p中的最大特征量。那么文本特征值就變成其原來(lái)的1/p。

3.2基于CNN的語(yǔ)義識(shí)別過(guò)程

針對(duì)數(shù)據(jù)業(yè)務(wù)通話的語(yǔ)音文本資料，使用上述CNN模型進(jìn)行文本語(yǔ)義識(shí)別[12-13]，分為以下3個(gè)步驟。

步驟1：語(yǔ)料庫(kù)的構(gòu)建，如圖4所示。

由圖4可知，語(yǔ)義文本庫(kù)的整理，通過(guò)存儲(chǔ)數(shù)據(jù)業(yè)務(wù)往來(lái)的文本資料以及相關(guān)業(yè)務(wù)詞語(yǔ)構(gòu)成語(yǔ)義集合，生成對(duì)應(yīng)語(yǔ)義向量庫(kù)。

步驟2：CNN模型對(duì)語(yǔ)料庫(kù)樣本的處理，如圖5所示。

圖5表示利用CNN原始自然語(yǔ)言處理技術(shù)對(duì)原有的業(yè)務(wù)往來(lái)文本庫(kù)進(jìn)行語(yǔ)義向量的轉(zhuǎn)化，在語(yǔ)料庫(kù)中找到與樣本詞語(yǔ)對(duì)應(yīng)的詞向量，得出樣本2條語(yǔ)句SATC、SP的詞向量，最后通過(guò)CNN模型加工，得到2條句子矩陣M1、M2，然后再利用CNN模型提取每一句語(yǔ)義特征向量V1、V2。

步驟3：語(yǔ)義向量到語(yǔ)義識(shí)別，如圖6所示。

圖6表示通過(guò)2個(gè)語(yǔ)義向量來(lái)判斷相似度，表征2句文本的語(yǔ)義相似程度，然后利用分類器進(jìn)行余弦相似度分類，最后達(dá)到語(yǔ)義識(shí)別的目的。識(shí)別結(jié)果分為2類，1代表語(yǔ)義內(nèi)容相同；0代表語(yǔ)義結(jié)果不同。

在本系統(tǒng)中，使用原始詞向量生成方法（one-hot）和神經(jīng)網(wǎng)絡(luò)方法（word2vec），生成2個(gè)詞向量庫(kù)，在經(jīng)過(guò)2次卷積層和池化層的操作后，形成語(yǔ)義向量[14]。

4語(yǔ)義識(shí)別試驗(yàn)流程與結(jié)果

實(shí)驗(yàn)通訊網(wǎng)絡(luò)傳輸速度為60 Mb/s，測(cè)試實(shí)驗(yàn)環(huán)境為：半雙工總線采用RS485型、CPU采用Intel i8 9600 KF、微機(jī)配置為64 G+256 G內(nèi)存，32位、MSP430芯片仿真采用Proteus 8.6仿真、誤差仿真則使用MATLAB 2019版本。

實(shí)驗(yàn)通過(guò)采用不同的數(shù)據(jù)業(yè)務(wù)類型，在CNN算法2個(gè)詞向量庫(kù)內(nèi)將實(shí)際語(yǔ)義樣本測(cè)試結(jié)果和預(yù)測(cè)語(yǔ)義樣本測(cè)試結(jié)果的精度進(jìn)行對(duì)比，如表1所示。

由表1可知，本系統(tǒng)2個(gè)詞向量庫(kù)中對(duì)所涉及數(shù)據(jù)業(yè)務(wù)的語(yǔ)義識(shí)別精度在90%以上，標(biāo)準(zhǔn)差也較低，表明本系統(tǒng)達(dá)到了對(duì)數(shù)據(jù)業(yè)務(wù)的語(yǔ)義識(shí)別效果，也符合數(shù)據(jù)業(yè)務(wù)的語(yǔ)義識(shí)別要求。

在實(shí)驗(yàn)討論的CNN算法中，采用的分詞法按照距離較近的字出現(xiàn)的緊密度的原理對(duì)實(shí)驗(yàn)樣本進(jìn)行分詞測(cè)試，測(cè)試參數(shù)如表2所示。本的全局特征，可以充分的學(xué)習(xí)詞語(yǔ)的位置信息。

卷積核的高度是k3，在卷積層中依次對(duì)3條詞語(yǔ)詞向量進(jìn)行卷積操作，隨著卷積高度的變化實(shí)驗(yàn)結(jié)果的相應(yīng)變化如表3所示。

由表3可知，卷積核高度設(shè)置到7時(shí)，實(shí)驗(yàn)的平均精度最高，所以，在本實(shí)驗(yàn)內(nèi)的語(yǔ)料庫(kù)中，高度7的卷積核是與本系統(tǒng)最契合。

系統(tǒng)在數(shù)據(jù)業(yè)務(wù)中，選擇70個(gè)樣本數(shù)據(jù)進(jìn)行語(yǔ)義識(shí)別，整體測(cè)試精度仿真圖如圖7所示。

由圖7可知，系統(tǒng)在測(cè)試中，最擅長(zhǎng)識(shí)別的語(yǔ)義類型是商務(wù)業(yè)務(wù)類型，但在實(shí)驗(yàn)中，整體語(yǔ)義識(shí)別精度都在90%以上，且誤差較低。這表明系統(tǒng)的先進(jìn)性和穩(wěn)定性。在數(shù)據(jù)業(yè)務(wù)的信息業(yè)務(wù)模塊，系統(tǒng)在識(shí)別信息業(yè)務(wù)時(shí)的精度不斷提高，這也表示出系統(tǒng)在測(cè)試時(shí)也會(huì)將識(shí)別文本記錄、保存在業(yè)務(wù)語(yǔ)義庫(kù)中，為系統(tǒng)預(yù)測(cè)最高值。

試驗(yàn)將文獻(xiàn)[2]、文獻(xiàn)[3]和所研究系統(tǒng)使用同樣的業(yè)務(wù)文本數(shù)據(jù)進(jìn)行測(cè)試，所得誤差對(duì)比如圖8所示。

由圖8可知，文獻(xiàn)[2]誤差較大且不穩(wěn)定；文獻(xiàn)[3]隨著系統(tǒng)運(yùn)行時(shí)間的增加，誤差不斷增大，不符合實(shí)際情況允許的范圍。經(jīng)過(guò)對(duì)比可知，所研究的系統(tǒng)有較大的優(yōu)越性和鮮明的特點(diǎn)。

5結(jié)語(yǔ)

設(shè)計(jì)基于NLP技術(shù)的語(yǔ)義自動(dòng)識(shí)別系統(tǒng)，在系統(tǒng)內(nèi)融入了先進(jìn)、可靠、便利、高效等相關(guān)技術(shù)模塊。在管理模塊加入人工智能主要是對(duì)所接收的信息數(shù)據(jù)和語(yǔ)義信息進(jìn)行類似人腦的識(shí)別和反饋，這也是系統(tǒng)創(chuàng)新的部分。加入分詞法對(duì)接收的語(yǔ)句進(jìn)行分詞解讀。經(jīng)過(guò)總控部門的控制，詞、句，還有語(yǔ)法、詞義等由分詞子系統(tǒng)解讀，然后依據(jù)識(shí)別的信息數(shù)據(jù)對(duì)歧義判斷達(dá)到了數(shù)字化、智能化的信息搜集、測(cè)量、篩選、智能識(shí)別等功能要求，數(shù)據(jù)經(jīng)過(guò)智能識(shí)別后會(huì)自動(dòng)以日志的形式被保存在數(shù)據(jù)存儲(chǔ)中心。這樣既保證了數(shù)據(jù)的安全，也有利于篩選冗雜的數(shù)據(jù)信息，為數(shù)據(jù)存儲(chǔ)營(yíng)造良好的空間環(huán)境。但所研究的系統(tǒng)存在各個(gè)環(huán)節(jié)功能不穩(wěn)定，消息業(yè)務(wù)的識(shí)別精度相對(duì)較低，這也是后續(xù)本系統(tǒng)需要加強(qiáng)和改進(jìn)的方向。

【參考文獻(xiàn)】

[1]蔡盈芳.數(shù)據(jù)管理業(yè)務(wù)與檔案融合管理研究[J].檔案學(xué)研究，2021（3）：40-46.

[2]仲美玉，吳培良，竇燕，等.基于中文語(yǔ)義-音韻信息的語(yǔ)音識(shí)別文本校對(duì)模型[J].通信學(xué)報(bào)，2022，43（11）：65-79.

[3]杜夢(mèng)琦，蔣峰，褚曉敏，等.融合全局語(yǔ)義信息和結(jié)構(gòu)特征的篇章功能語(yǔ)用識(shí)別方法[J].中文信息學(xué)報(bào)，2022，36（11）：50-59.

[4]LI G C，LIU M Z，ZHANG X Y，et al.Semantic recognition of ship motion patterns entering and leaving port based on topic model[J].Journal of Marine Science and Engineering，2022，10（12）：2012-2012.

[5]張敏，趙海麟.電網(wǎng)調(diào)度運(yùn)行網(wǎng)絡(luò)發(fā)令系統(tǒng)設(shè)計(jì)與應(yīng)用[J].粘接，2020，44（12）：140-144.

[6]黃紅，陳翀，張婧瑩.科技文獻(xiàn)內(nèi)容語(yǔ)義識(shí)別研究綜述[J].情報(bào)學(xué)報(bào)，2022，41（9）：991-1002.

[7]鐘維幸，王海榮，王棟，等.多模態(tài)語(yǔ)義協(xié)同交互的圖文聯(lián)合命名實(shí)體識(shí)別方法[J].廣西科學(xué)，2022，29（4）：681-690.

[8]廖如超，張英，廖建東，等.基于語(yǔ)義信息分塊的高像素導(dǎo)線缺陷目標(biāo)識(shí)別[J].電力科學(xué)與技術(shù)學(xué)報(bào)，2022，37（3）：206-212.

[9]潘宏鵬，汪東，劉忠軼，等.考慮反諷語(yǔ)義識(shí)別的協(xié)同雙向編碼輿情評(píng)論情感分析研究[J].情報(bào)雜志，2022，41（5）：99-105.

[10]耿汝山，陳艷平，唐瑞雪，等.跨度語(yǔ)義增強(qiáng)的命名實(shí)體識(shí)別方法[J].西安交通大學(xué)學(xué)報(bào)，2022，56（7）：118-126.

[11]徐小良，戴乾杰，方啟明.基于依存語(yǔ)義注意力的詞對(duì)上下位關(guān)系識(shí)別[J].華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，50（5）：33-38.

[12]左亞堯，陳皓宇，陳致然，等.融合多語(yǔ)義特征的命名實(shí)體識(shí)別方法[J].計(jì)算機(jī)應(yīng)用，2022，42（7）：2001-2008.

[13]范德和，李新海，周恒，等.基于卷積神經(jīng)網(wǎng)絡(luò)的設(shè)備運(yùn)行狀態(tài)智能控制優(yōu)化模型分析[J].粘接，2023，50（6）：179-182.

[14]柳昊良.基于語(yǔ)義向量表示學(xué)習(xí)的跨模態(tài)圖文檢索方法研究[D].南京：東南大學(xué)，2022.

（責(zé)任編輯：平海，蘇幔）