本發(fā)明實(shí)施例涉及智能家居
技術(shù)領(lǐng)域：
，具體涉及一種語(yǔ)句分類(lèi)方法、系統(tǒng)、電子設(shè)備、冰箱及存儲(chǔ)介質(zhì)。
背景技術(shù)：
：隨著智能家電和智能手機(jī)的推廣使用，人們?cè)絹?lái)越習(xí)慣利用智能家電和智能手機(jī)上的語(yǔ)音識(shí)別系統(tǒng)或搜索引擎發(fā)出問(wèn)題詢(xún)問(wèn)或?qū)χ悄芗译娺M(jìn)行控制。以語(yǔ)音識(shí)別系統(tǒng)為例，在將語(yǔ)音識(shí)別為語(yǔ)句文本后，需要對(duì)語(yǔ)句文本進(jìn)行類(lèi)型劃分，在根據(jù)語(yǔ)句文本的類(lèi)型確認(rèn)獲取對(duì)應(yīng)的答案或操作指令，因此，語(yǔ)句分類(lèi)的過(guò)程是實(shí)現(xiàn)智能問(wèn)答、搜索引擎等語(yǔ)言處理任務(wù)的重要步驟。目前的語(yǔ)句文本分類(lèi)方法為基于深度學(xué)習(xí)方法對(duì)語(yǔ)句進(jìn)行分類(lèi)，其中利用卷積神經(jīng)網(wǎng)絡(luò)cnn(convolutionalneuralnetwork)模型，或者，循環(huán)神經(jīng)網(wǎng)絡(luò)rnn(recurrentneuralnetwork)模型是較為常見(jiàn)的語(yǔ)句分類(lèi)方法。但在利用卷積神經(jīng)網(wǎng)絡(luò)cnn模型進(jìn)行語(yǔ)句分類(lèi)時(shí)，由于只能獲取語(yǔ)句中各詞語(yǔ)的抽象特征，缺少語(yǔ)句中各詞語(yǔ)的語(yǔ)序特征進(jìn)而造成的語(yǔ)句分類(lèi)不準(zhǔn)確的問(wèn)題；而在利用循環(huán)神經(jīng)網(wǎng)絡(luò)rnn模型進(jìn)行語(yǔ)句分類(lèi)時(shí)，由于其抽象各詞語(yǔ)特征的能力不如cnn，因也會(huì)造成的后續(xù)語(yǔ)句分類(lèi)準(zhǔn)確性低的問(wèn)題。技術(shù)實(shí)現(xiàn)要素：針對(duì)現(xiàn)有技術(shù)中的問(wèn)題，本發(fā)明提供一種語(yǔ)句分類(lèi)方法、系統(tǒng)、電子設(shè)備、冰箱及存儲(chǔ)介質(zhì)，本發(fā)明能夠提高對(duì)語(yǔ)句分類(lèi)及語(yǔ)句類(lèi)型識(shí)別的準(zhǔn)確性，提升用戶(hù)體驗(yàn)。為解決上述技術(shù)問(wèn)題，本發(fā)明提供以下技術(shù)方案：第一方面，本發(fā)明提供了一種語(yǔ)句分類(lèi)方法，所述方法包括：獲取目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量，其中，所述詞語(yǔ)向量中包括詞義向量和詞性向量；將所述目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量輸入lstm模型中，得到目標(biāo)語(yǔ)句的狀態(tài)矩陣，其中，所述狀態(tài)矩陣中包括與所述目標(biāo)語(yǔ)句對(duì)應(yīng)的初始語(yǔ)義信息及語(yǔ)序信息；將所述狀態(tài)矩陣輸入卷積神經(jīng)網(wǎng)絡(luò)cnn模型中，獲取所述目標(biāo)語(yǔ)句對(duì)應(yīng)的特征量；以及，根據(jù)所述目標(biāo)語(yǔ)句的特征量對(duì)該目標(biāo)語(yǔ)句進(jìn)行分類(lèi)。進(jìn)一步地，在所述獲取目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量之前，所述方法還包括：對(duì)獲取的語(yǔ)句文本進(jìn)行預(yù)處理，并獲取預(yù)處理后的各語(yǔ)句中的各詞語(yǔ)對(duì)應(yīng)的詞義向量；通過(guò)一定方法生成預(yù)處理后的各語(yǔ)句中的各詞語(yǔ)對(duì)應(yīng)的詞性向量；以及，組合各詞語(yǔ)對(duì)應(yīng)的所述詞義向量和詞性向量，得到各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量。進(jìn)一步地，在所述組合各詞語(yǔ)對(duì)應(yīng)的所述詞義向量和詞性向量，得到各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量之后，所述方法還包括：根據(jù)各詞語(yǔ)對(duì)應(yīng)的所述詞語(yǔ)向量，生成關(guān)鍵詞向量庫(kù)，其中，所述關(guān)鍵詞向量庫(kù)中存儲(chǔ)有各詞語(yǔ)與其對(duì)應(yīng)的詞語(yǔ)向量間的一一映射關(guān)系；相應(yīng)的，所述獲取目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量，包括：根據(jù)所述目標(biāo)語(yǔ)句在所述關(guān)鍵詞向量庫(kù)中查找得到該目標(biāo)語(yǔ)句的全部詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量。進(jìn)一步地，所述將所述目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量輸入lstm模型中，得到目標(biāo)語(yǔ)句的狀態(tài)矩陣，包括：將與目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的各所述詞語(yǔ)向量依次按序輸入lstm中，獲取所述目標(biāo)語(yǔ)句對(duì)應(yīng)的初始語(yǔ)義信息及語(yǔ)序信息的隱含狀態(tài)；以及，根據(jù)所述lstm層提取的隱含狀態(tài)，生成所述目標(biāo)語(yǔ)句的狀態(tài)矩陣。進(jìn)一步地，所述將所述狀態(tài)矩陣輸入卷積神經(jīng)網(wǎng)絡(luò)cnn模型中，獲取所述目標(biāo)語(yǔ)句對(duì)應(yīng)的特征量，包括：將所述狀態(tài)矩陣輸入所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型中的卷積層中，獲取目標(biāo)語(yǔ)句對(duì)應(yīng)的抽象語(yǔ)義信息，且各所述抽象語(yǔ)義信息構(gòu)成各卷積層的卷積結(jié)果；以及，將所述卷積結(jié)果輸入所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型中的池化層中，得到所述目標(biāo)語(yǔ)句的特征量。進(jìn)一步地，將所述卷積結(jié)果輸入所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型中的池化層中，得到所述目標(biāo)語(yǔ)句的特征量，包括：分別將各卷積層的卷積結(jié)果進(jìn)行合并，得到合并后的卷積結(jié)果組；以及，將所述同類(lèi)型卷積結(jié)果組輸入所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型中的池化層中，得到所述目標(biāo)語(yǔ)句的特征量。第二方面，本發(fā)明提供了一種語(yǔ)句分類(lèi)系統(tǒng)，所述系統(tǒng)包括：詞語(yǔ)向量獲取模塊，用于獲取目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量，其中，所述詞語(yǔ)向量中包括詞義向量和詞性向量；lstm模型處理模塊，用于將所述目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量輸入lstm模型中，得到目標(biāo)語(yǔ)句的狀態(tài)矩陣，其中，所述狀態(tài)矩陣中包括與所述目標(biāo)語(yǔ)句對(duì)應(yīng)的初始語(yǔ)義信息及語(yǔ)序信息；cnn模型處理模塊，用于將所述狀態(tài)矩陣輸入卷積神經(jīng)網(wǎng)絡(luò)cnn模型中，獲取所述目標(biāo)語(yǔ)句對(duì)應(yīng)的特征量；語(yǔ)句分類(lèi)模塊，用于根據(jù)所述目標(biāo)語(yǔ)句的特征量對(duì)該目標(biāo)語(yǔ)句進(jìn)行分類(lèi)。進(jìn)一步地，所述系統(tǒng)還包括：詞義向量獲取單元，用于對(duì)獲取的語(yǔ)句文本進(jìn)行預(yù)處理，并獲取預(yù)處理后的各語(yǔ)句中的各詞語(yǔ)對(duì)應(yīng)的詞義向量；詞性向量生成單元，用于生成預(yù)處理后的各語(yǔ)句中的各詞語(yǔ)對(duì)應(yīng)的詞性向量；詞語(yǔ)向量獲取單元，用于組合各詞語(yǔ)對(duì)應(yīng)的所述詞義向量和詞性向量，得到各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量。進(jìn)一步地，所述系統(tǒng)還包括：關(guān)鍵詞向量庫(kù)生成單元，用于根據(jù)各詞語(yǔ)對(duì)應(yīng)的所述詞語(yǔ)向量，生成關(guān)鍵詞向量庫(kù)，其中，所述關(guān)鍵詞向量庫(kù)中存儲(chǔ)有各詞語(yǔ)與其對(duì)應(yīng)的詞語(yǔ)向量間的一一映射關(guān)系；相應(yīng)的，所述詞語(yǔ)向量獲取模塊用于根據(jù)所述目標(biāo)語(yǔ)句在所述關(guān)鍵詞向量庫(kù)中查找得到該目標(biāo)語(yǔ)句的全部詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量。進(jìn)一步地，所述lstm模型處理模塊包括：lstm層處理單元，用于將與目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的各所述詞語(yǔ)向量依次按序輸入長(zhǎng)短時(shí)記憶lstm中，獲取所述目標(biāo)語(yǔ)句對(duì)應(yīng)的初始語(yǔ)義信息及語(yǔ)序信息的隱含狀態(tài)；狀態(tài)矩陣生成單元，用于根據(jù)所述lstm層的隱含狀態(tài)，生成所述目標(biāo)語(yǔ)句的狀態(tài)矩陣。進(jìn)一步地，所述cnn模型處理模塊包括：卷積層處理單元，用于將所述狀態(tài)矩陣輸入所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型中的卷積層中，獲取目標(biāo)語(yǔ)句對(duì)應(yīng)的抽象語(yǔ)義信息，且各所述抽象語(yǔ)義信息構(gòu)成各卷積層的卷積結(jié)果；池化層處理單元，用于將所述卷積結(jié)果輸入所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型中的池化層中，得到所述目標(biāo)語(yǔ)句的特征量。進(jìn)一步地，所述池化層處理單元包括：合并子單元，用于分別將各卷積層的卷積結(jié)果進(jìn)行合并，得到合并后的卷積結(jié)果組；特征量獲取子單元，用于將所述同類(lèi)型卷積結(jié)果組輸入所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型中的池化層中，得到所述目標(biāo)語(yǔ)句的特征量。第三方面，本發(fā)明提供了一種電子設(shè)備，包括：處理器、存儲(chǔ)器和總線(xiàn)；其中，處理器和存儲(chǔ)器通過(guò)總線(xiàn)完成相互間的通信；處理器用于調(diào)用存儲(chǔ)器中的程序指令，以執(zhí)行所述的語(yǔ)句分類(lèi)方法。第四方面，本發(fā)明提供了一種冰箱，所述冰箱上設(shè)有語(yǔ)音識(shí)別系統(tǒng)，且所述語(yǔ)音識(shí)別系統(tǒng)中包括一種電子設(shè)備；所述電子設(shè)備包括：處理器、存儲(chǔ)器和總線(xiàn)；其中，處理器和存儲(chǔ)器通過(guò)總線(xiàn)完成相互間的通信；處理器用于調(diào)用存儲(chǔ)器中的程序指令，以執(zhí)行所述的語(yǔ)句分類(lèi)方法。第五方面，本發(fā)明提供了一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)計(jì)算機(jī)指令，所述計(jì)算機(jī)指令使所述計(jì)算機(jī)執(zhí)行所述的語(yǔ)句分類(lèi)方法。由上述技術(shù)方案可知，本發(fā)明提供的語(yǔ)句分類(lèi)方法，首先獲取目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量，然后將所述目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量輸入lstm模型中，使得lstm模型輸出目標(biāo)語(yǔ)句的狀態(tài)矩陣，再將所述狀態(tài)矩陣輸入卷積神經(jīng)網(wǎng)絡(luò)cnn模型中，使得卷積神經(jīng)網(wǎng)絡(luò)cnn模型輸出所述目標(biāo)語(yǔ)句對(duì)應(yīng)的特征量；相應(yīng)的，根據(jù)所述目標(biāo)語(yǔ)句的特征量對(duì)該目標(biāo)語(yǔ)句進(jìn)行分類(lèi)?？梢?jiàn)，本發(fā)明實(shí)施例提供的語(yǔ)句分類(lèi)方法，首先通過(guò)lstm模型初步獲取目標(biāo)語(yǔ)句中的各詞語(yǔ)對(duì)應(yīng)的語(yǔ)義和語(yǔ)序信息，在通過(guò)卷積神經(jīng)網(wǎng)絡(luò)cnn模型獲取目標(biāo)語(yǔ)句中的各詞語(yǔ)的更為抽象且準(zhǔn)確的語(yǔ)義信息，因而根據(jù)本發(fā)明實(shí)施例提供的方法，在提高了目標(biāo)語(yǔ)句對(duì)應(yīng)的語(yǔ)義信息的準(zhǔn)確性的同時(shí)，也通過(guò)增加語(yǔ)序信息，提高了對(duì)目標(biāo)語(yǔ)句分類(lèi)及類(lèi)型識(shí)別的準(zhǔn)確性和可靠性，故使得用戶(hù)體驗(yàn)提高。附圖說(shuō)明為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1是本發(fā)明的一個(gè)實(shí)施例提供的語(yǔ)句分類(lèi)方法的一種流程圖；圖2是本發(fā)明的一個(gè)實(shí)施例提供的語(yǔ)句分類(lèi)方法的另一種流程圖；圖3是本發(fā)明的一個(gè)實(shí)施例提供的語(yǔ)句分類(lèi)方法的再一種流程圖；圖4是本發(fā)明的一個(gè)實(shí)施例提供的語(yǔ)句分類(lèi)方法中步驟200的一種流程圖；圖5是lstm層提取目標(biāo)語(yǔ)句的狀態(tài)矩陣的示意圖；圖6是本發(fā)明的一個(gè)實(shí)施例提供的語(yǔ)句分類(lèi)方法中步驟300的一種流程圖；圖7是現(xiàn)有的池化過(guò)程示意圖；圖8是本發(fā)明的一個(gè)實(shí)施例提供的語(yǔ)句分類(lèi)方法中步驟302的一種流程圖；圖9是針對(duì)現(xiàn)有的池化過(guò)程進(jìn)行改進(jìn)的池化過(guò)程示意圖；圖10是本發(fā)明的另一個(gè)實(shí)施例提供的語(yǔ)句分類(lèi)系統(tǒng)的一種結(jié)構(gòu)示意圖；圖11是本發(fā)明的另一個(gè)實(shí)施例提供的語(yǔ)句分類(lèi)系統(tǒng)的另一種結(jié)構(gòu)示意圖；圖12是本發(fā)明的另一個(gè)實(shí)施例提供的語(yǔ)句分類(lèi)系統(tǒng)的再一種結(jié)構(gòu)示意圖；圖13是本發(fā)明的另一個(gè)實(shí)施例提供的語(yǔ)句分類(lèi)系統(tǒng)中rnn模型處理模塊20的一種結(jié)構(gòu)示意圖；圖14是本發(fā)明的另一個(gè)實(shí)施例提供的語(yǔ)句分類(lèi)系統(tǒng)中cnn模型處理模塊30的一種結(jié)構(gòu)示意圖；圖15是本發(fā)明的另一個(gè)實(shí)施例提供的語(yǔ)句分類(lèi)系統(tǒng)中池化層處理單元32的一種結(jié)構(gòu)示意圖。具體實(shí)施方式為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整的描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。針對(duì)現(xiàn)有技術(shù)中的問(wèn)題，本發(fā)明提供一種語(yǔ)句分類(lèi)方法、系統(tǒng)、電子設(shè)備、冰箱及存儲(chǔ)介質(zhì)?？梢岳斫獾氖?，本發(fā)明實(shí)施例所述的電子設(shè)備可以裝設(shè)在冰箱等家用電器上。本發(fā)明提供的語(yǔ)句分類(lèi)方法，在提高了目標(biāo)語(yǔ)句對(duì)應(yīng)的語(yǔ)義信息的準(zhǔn)確性的同時(shí)，也提供了其語(yǔ)序信息，提高對(duì)語(yǔ)句分類(lèi)及語(yǔ)句類(lèi)型識(shí)別的準(zhǔn)確性，故使得用戶(hù)體驗(yàn)提高。下面將通過(guò)第一至第五實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)解釋說(shuō)明。圖1示出了本發(fā)明第一個(gè)實(shí)施例提供的語(yǔ)句分類(lèi)方法的流程圖，參見(jiàn)圖1，本發(fā)明第一個(gè)實(shí)施例提供的語(yǔ)句分類(lèi)方法包括如下步驟：步驟100：獲取目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量，其中，所述詞語(yǔ)向量中包括詞義向量。在本步驟中，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備接收目標(biāo)語(yǔ)句，并查找得到將該目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量，可以理解的是，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備接收外部處理模塊發(fā)送的目標(biāo)語(yǔ)句的文本，或者，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備直接接收目標(biāo)語(yǔ)句的語(yǔ)音，并將該目標(biāo)語(yǔ)句的語(yǔ)音轉(zhuǎn)換為對(duì)應(yīng)的目標(biāo)語(yǔ)句的文本?？梢岳斫獾氖?，這里所述的用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備可以為一臺(tái)硬件設(shè)備，也可以為安裝在智能終端上的app，或者為嵌入在某一硬件設(shè)備中的一個(gè)處理模塊。在本步驟中，所述詞語(yǔ)向量中包括詞義向量，且該詞義向量記載了對(duì)應(yīng)的詞語(yǔ)本身以及該詞語(yǔ)在其應(yīng)用語(yǔ)句中相鄰詞語(yǔ)的信息，可以理解的是，各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量是在獲取目標(biāo)語(yǔ)句前存儲(chǔ)在用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備能夠調(diào)用的數(shù)據(jù)庫(kù)中的?？梢岳斫獾氖?，當(dāng)一個(gè)語(yǔ)句中包括不止一個(gè)詞語(yǔ)時(shí)，表示該語(yǔ)句中各詞語(yǔ)的不止一個(gè)的詞義向量按照在語(yǔ)句中出現(xiàn)的順序依次排列，進(jìn)而構(gòu)成一個(gè)矩陣，這個(gè)矩陣與該語(yǔ)句是一一對(duì)應(yīng)的關(guān)系。在本步驟中，裝設(shè)有用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備的電器可以為一種冰箱，通過(guò)冰箱上的語(yǔ)音識(shí)別系統(tǒng)或操作面板，目標(biāo)語(yǔ)句的文本可以為通過(guò)錄入用戶(hù)的問(wèn)題或指定的語(yǔ)音轉(zhuǎn)化而成的文本，也可以為用戶(hù)直接輸入的文本，無(wú)論是哪一種，均需要對(duì)其進(jìn)行分類(lèi)確認(rèn)，這樣才能夠根據(jù)其所述類(lèi)型迅速調(diào)取該類(lèi)型對(duì)應(yīng)的文字答案或操作指令等，但由于用戶(hù)并不會(huì)按照統(tǒng)一標(biāo)準(zhǔn)進(jìn)行目標(biāo)語(yǔ)句的錄入，因此會(huì)出現(xiàn)對(duì)目標(biāo)語(yǔ)句的分類(lèi)錯(cuò)誤，這顯然會(huì)造成答案或操作指令輸出錯(cuò)誤的情形，也必然會(huì)降低用戶(hù)體驗(yàn)。因此需要提供一種語(yǔ)句分類(lèi)方法以對(duì)目標(biāo)語(yǔ)句進(jìn)行快速且準(zhǔn)確的分類(lèi)，保證根據(jù)目標(biāo)語(yǔ)句的類(lèi)型能夠準(zhǔn)確且快速地輸出其對(duì)應(yīng)的答案或操作指令等，以便用戶(hù)及時(shí)且準(zhǔn)確的獲取其想要了解問(wèn)題答案或執(zhí)行相應(yīng)操作，進(jìn)而實(shí)現(xiàn)裝設(shè)有用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備的電器的有效利用和正確操作，以提升用戶(hù)體驗(yàn)。在本步驟中，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備接收目標(biāo)語(yǔ)句，并在預(yù)存的各詞語(yǔ)對(duì)應(yīng)的關(guān)鍵詞向量庫(kù)中查找得到將該目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量。可見(jiàn)，本發(fā)明實(shí)施例提供的基于深度學(xué)習(xí)的語(yǔ)句分類(lèi)方法，由于在接收到目標(biāo)語(yǔ)句后即獲取了其對(duì)應(yīng)的詞語(yǔ)向量，從而減少了用戶(hù)等待時(shí)間，故使得用戶(hù)體驗(yàn)提高。步驟200：將所述目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量輸入lstm模型中，得到目標(biāo)語(yǔ)句的狀態(tài)矩陣，其中，所述狀態(tài)矩陣中包括與所述目標(biāo)語(yǔ)句對(duì)應(yīng)的初始語(yǔ)義信息及語(yǔ)序信息。在本步驟中，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備將所述目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量輸入長(zhǎng)短時(shí)記憶lstm(longshorttermmemory)模型中，使得lstm模型通過(guò)其隱藏層的輸入不僅包括輸入層的輸出還包括上一時(shí)刻隱藏層的輸出的設(shè)定，得到所述目標(biāo)語(yǔ)句對(duì)應(yīng)的初始語(yǔ)義信息及語(yǔ)序信息?？梢岳斫獾氖牵琹stm模型以包含有對(duì)應(yīng)程序的處理單元的形式，設(shè)置在用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備中的處理單元中。在本步驟中，所述狀態(tài)矩陣中包括與所述目標(biāo)語(yǔ)句對(duì)應(yīng)的初始語(yǔ)義信息及語(yǔ)序信息。可以理解的是，每個(gè)輸入的詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量的輸出形態(tài)均包含該詞語(yǔ)對(duì)應(yīng)的初始語(yǔ)義信息及語(yǔ)序信息，因此，目標(biāo)語(yǔ)句對(duì)應(yīng)的各個(gè)詞語(yǔ)按其在目標(biāo)語(yǔ)句的先后順序，其對(duì)應(yīng)的初始語(yǔ)義信息及語(yǔ)序信息即組成了目標(biāo)語(yǔ)句的狀態(tài)矩陣。在本步驟中，假設(shè)一個(gè)目標(biāo)語(yǔ)句中包括依次出現(xiàn)的四個(gè)詞語(yǔ)，且該四個(gè)詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量分別為：詞語(yǔ)向量1、詞語(yǔ)向量2、詞語(yǔ)向量3個(gè)詞語(yǔ)向量4；則該目標(biāo)語(yǔ)句對(duì)應(yīng)的所述狀態(tài)矩陣中詞語(yǔ)與該詞語(yǔ)對(duì)應(yīng)的初始語(yǔ)義信息及語(yǔ)序信息有如下的映射關(guān)系表1：表1目標(biāo)語(yǔ)句中的詞語(yǔ)適配數(shù)據(jù)向量1語(yǔ)義信息1向量1和2語(yǔ)義信息和詞序信息2向量1、2和3語(yǔ)義信息和詞序信息3……步驟300：將所述狀態(tài)矩陣輸入卷積神經(jīng)網(wǎng)絡(luò)cnn模型中，獲取所述目標(biāo)語(yǔ)句對(duì)應(yīng)的特征量。在本步驟中，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備將所述狀態(tài)矩陣輸入卷積神經(jīng)網(wǎng)絡(luò)cnn(convolutionalneuralnetwork)模型中，使得卷積神經(jīng)網(wǎng)絡(luò)cnn模型通過(guò)其每個(gè)神經(jīng)元的輸入與前一層的局部接受域相連而提取該局部的特征的設(shè)定，得到所述目標(biāo)語(yǔ)句對(duì)應(yīng)的特征量?？梢岳斫獾氖?，lstm模型先輸出抽象詞義信息，在根據(jù)該抽象詞義信息及次序信息得到所述目標(biāo)語(yǔ)句對(duì)應(yīng)的特征量，以及，卷積神經(jīng)網(wǎng)絡(luò)cnn模型以包含有對(duì)應(yīng)程序的處理單元的形式，設(shè)置在用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備中的處理單元中。在步驟200和步驟300中，lstm模型能夠即獲取目標(biāo)語(yǔ)句中的詞語(yǔ)對(duì)應(yīng)的初始語(yǔ)義信息，又獲取目標(biāo)語(yǔ)句中的詞語(yǔ)對(duì)應(yīng)的語(yǔ)序信息，但經(jīng)其獲取的初始語(yǔ)義信息存在抽象程度差的缺陷，可能會(huì)導(dǎo)致后續(xù)的所述目標(biāo)語(yǔ)句對(duì)應(yīng)的特征量的獲取的準(zhǔn)確性降低；以及，卷積神經(jīng)網(wǎng)絡(luò)cnn模型能夠準(zhǔn)確獲取目標(biāo)語(yǔ)句中的輸出詞語(yǔ)對(duì)應(yīng)的抽象語(yǔ)義信息，但卻會(huì)丟失相應(yīng)的語(yǔ)序信息，而在語(yǔ)句中，詞序往往包含了用于理解語(yǔ)句的重要信息，這是因?yàn)橄嗤~語(yǔ)的不同組合可能會(huì)得到完全不同意思的句子，會(huì)造成獲取的所述目標(biāo)語(yǔ)句對(duì)應(yīng)的特征量的不夠準(zhǔn)確的問(wèn)題。因此，需要提供一種語(yǔ)句分類(lèi)方法來(lái)準(zhǔn)確地結(jié)合lstm模型和卷積神經(jīng)網(wǎng)絡(luò)cnn模型的優(yōu)勢(shì)，既能夠獲取目標(biāo)語(yǔ)句中的各詞語(yǔ)對(duì)應(yīng)的語(yǔ)序信息，又能夠獲取目標(biāo)語(yǔ)句中的各詞語(yǔ)的更為抽象且準(zhǔn)確的語(yǔ)義信息，以提高目標(biāo)語(yǔ)句對(duì)應(yīng)的特征量的準(zhǔn)確性，進(jìn)而保證對(duì)語(yǔ)句分類(lèi)的準(zhǔn)確性，使得用戶(hù)能夠獲取與其輸入問(wèn)題或操作指令相匹配的答案或操作，進(jìn)而實(shí)現(xiàn)裝設(shè)有用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備的電器的有效利用和正確操作，以提升用戶(hù)體驗(yàn)。在步驟200和步驟300中，首先通過(guò)lstm模型獲取目標(biāo)語(yǔ)句中的各詞語(yǔ)對(duì)應(yīng)的初步語(yǔ)義信息和語(yǔ)序信息，在通過(guò)卷積神經(jīng)網(wǎng)絡(luò)cnn模型獲取目標(biāo)語(yǔ)句中的各詞語(yǔ)的更為抽象且準(zhǔn)確的語(yǔ)義信息。可見(jiàn)，本發(fā)明實(shí)施例提供的基于深度學(xué)習(xí)的語(yǔ)句分類(lèi)方法，在提高了目標(biāo)語(yǔ)句對(duì)應(yīng)的語(yǔ)義信息的準(zhǔn)確性的同時(shí)，也提供了其語(yǔ)序信息，提高了對(duì)目標(biāo)語(yǔ)句識(shí)別的準(zhǔn)確性，故使得用戶(hù)體驗(yàn)提高。步驟400：根據(jù)所述目標(biāo)語(yǔ)句的特征量對(duì)該目標(biāo)語(yǔ)句進(jìn)行分類(lèi)。在本步驟中，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備根據(jù)所述目標(biāo)語(yǔ)句的特征量對(duì)該目標(biāo)語(yǔ)句進(jìn)行分類(lèi)?？梢岳斫獾氖牵谟糜趯?duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備根據(jù)所述目標(biāo)語(yǔ)句的特征量對(duì)該目標(biāo)語(yǔ)句進(jìn)行分類(lèi)之后，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備可以將所述目標(biāo)語(yǔ)句存儲(chǔ)在特征量相同的數(shù)據(jù)庫(kù)內(nèi)，也可以通過(guò)對(duì)該目標(biāo)語(yǔ)句的特征量的分類(lèi)確認(rèn)，到存儲(chǔ)有該類(lèi)型的數(shù)據(jù)庫(kù)中遍歷得到該目標(biāo)語(yǔ)句對(duì)應(yīng)的答案或操作等?？梢岳斫獾氖牵糜趯?duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備根據(jù)設(shè)置在卷積神經(jīng)網(wǎng)絡(luò)cnn模型內(nèi)的能夠?qū)崿F(xiàn)隱層和softmax層功能的程序單元對(duì)該目標(biāo)語(yǔ)句進(jìn)行分類(lèi)。由上述描述可知，本發(fā)明實(shí)施例提供的基于深度學(xué)習(xí)的語(yǔ)句分類(lèi)方法，首先獲取目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量，然后將所述目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量輸入lstm中，使得lstm模型輸出目標(biāo)語(yǔ)句的狀態(tài)矩陣，再將所述狀態(tài)矩陣輸入卷積神經(jīng)網(wǎng)絡(luò)cnn模型中，使得卷積神經(jīng)網(wǎng)絡(luò)cnn模型輸出所述目標(biāo)語(yǔ)句對(duì)應(yīng)的特征量；相應(yīng)的，根據(jù)所述目標(biāo)語(yǔ)句的特征量對(duì)該目標(biāo)語(yǔ)句進(jìn)行分類(lèi)?？梢?jiàn)，本發(fā)明實(shí)施例提供的語(yǔ)句分類(lèi)方法，首先通過(guò)lstm模型獲取目標(biāo)語(yǔ)句中的各詞語(yǔ)對(duì)應(yīng)的初步語(yǔ)義信息和語(yǔ)序信息，在通過(guò)卷積神經(jīng)網(wǎng)絡(luò)cnn模型獲取目標(biāo)語(yǔ)句中的各詞語(yǔ)的更為抽象且準(zhǔn)確的語(yǔ)義信息，因而根據(jù)本發(fā)明實(shí)施例提供的方法，在提高了目標(biāo)語(yǔ)句對(duì)應(yīng)的語(yǔ)義信息的準(zhǔn)確性的同時(shí)，也通過(guò)增加語(yǔ)序信息，提高了對(duì)目標(biāo)語(yǔ)句分類(lèi)及類(lèi)型識(shí)別的準(zhǔn)確性和可靠性，故使得用戶(hù)體驗(yàn)提高。在一種可選實(shí)施方式中，參見(jiàn)圖2，在步驟100之前，所述方法還包括：步驟001：對(duì)獲取的語(yǔ)句文本進(jìn)行預(yù)處理，并獲取預(yù)處理后的各語(yǔ)句中的各詞語(yǔ)對(duì)應(yīng)的詞義向量。在本步驟中，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備對(duì)語(yǔ)句文本進(jìn)行預(yù)處理?？梢岳斫獾氖?，語(yǔ)句文本為預(yù)先獲取的常見(jiàn)語(yǔ)句組成的文本，該語(yǔ)句文本相當(dāng)于一個(gè)詞語(yǔ)的數(shù)據(jù)庫(kù)；以及，對(duì)語(yǔ)句文本進(jìn)行預(yù)處理可以為對(duì)語(yǔ)句中的詞語(yǔ)進(jìn)行分詞、刪除及忽略等處理?？梢岳斫獾氖?，該語(yǔ)句文本可以根據(jù)用戶(hù)錄入的歷史語(yǔ)句生成，也可以用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備通過(guò)外部網(wǎng)絡(luò)直接獲取。在本步驟中，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備獲取預(yù)處理后的各語(yǔ)句中的各詞語(yǔ)對(duì)應(yīng)的詞義向量?？梢岳斫獾氖?，詞語(yǔ)對(duì)應(yīng)的詞義向量的獲取是將詞語(yǔ)表示成計(jì)算機(jī)可識(shí)別的對(duì)應(yīng)的數(shù)字信息。可以理解的是，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備中可以包含一個(gè)能夠?qū)崿F(xiàn)文本深度表示模型word2vec技術(shù)的程序單元，預(yù)處理后的各語(yǔ)句中的各詞語(yǔ)輸入該程序單元后，該程序單元輸出對(duì)應(yīng)的詞義向量。步驟002：生成預(yù)處理后的各語(yǔ)句中的各詞語(yǔ)對(duì)應(yīng)的詞性向量。在本步驟中，由于步驟001獲取的詞語(yǔ)對(duì)應(yīng)的詞義向量記載了對(duì)應(yīng)的詞語(yǔ)本身以及該詞語(yǔ)在其應(yīng)用語(yǔ)句中的相鄰詞語(yǔ)，但并未記載該詞語(yǔ)的詞性信息，例如，經(jīng)文本深度表示模型word2vec訓(xùn)練出的詞義向量雖然能較好的表達(dá)詞義，但并沒(méi)有表達(dá)詞語(yǔ)的詞性等信息，也就是說(shuō)文本深度表示模型word2vec并沒(méi)有將語(yǔ)句中隱藏的信息表達(dá)完全，其顯然會(huì)造成后續(xù)的語(yǔ)句分類(lèi)的結(jié)果不盡準(zhǔn)確的問(wèn)題。因此，本實(shí)施例中的基于深度學(xué)習(xí)的語(yǔ)句分類(lèi)方法通過(guò)生成預(yù)處理后的各語(yǔ)句中的各詞語(yǔ)對(duì)應(yīng)的詞性向量，解決了獲取的詞義向量中缺少詞語(yǔ)的詞性信息的問(wèn)題。步驟003：組合各詞語(yǔ)對(duì)應(yīng)的所述詞義向量和詞性向量，得到各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量。在本步驟中，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備將各詞語(yǔ)對(duì)應(yīng)的所述詞義向量和詞性向量組合成各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量?？梢岳斫獾氖?，各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量既包括了詞語(yǔ)對(duì)應(yīng)的所述詞義向量，又包括了詞語(yǔ)對(duì)應(yīng)的詞性向量?？梢?jiàn)，本實(shí)施方式提供的基于深度學(xué)習(xí)的語(yǔ)句分類(lèi)方法，通過(guò)在已獲取詞語(yǔ)所對(duì)應(yīng)的詞義信息的基礎(chǔ)上，又通過(guò)隨機(jī)方式獲取詞語(yǔ)的詞性信息，以及通過(guò)將其二者結(jié)合為詞語(yǔ)信息為后續(xù)的分類(lèi)處理提供數(shù)據(jù)基礎(chǔ)，從而提高了語(yǔ)句的隱藏的信息表達(dá)的完整性，進(jìn)而提高了后續(xù)的語(yǔ)句分類(lèi)結(jié)果的準(zhǔn)確性，故使得用戶(hù)體驗(yàn)提高。針對(duì)現(xiàn)有的目標(biāo)語(yǔ)句對(duì)應(yīng)的詞語(yǔ)向量的獲取效率低的問(wèn)題，為提高獲取的目標(biāo)語(yǔ)句對(duì)應(yīng)的詞語(yǔ)向量的效率，在一種可選實(shí)施方式中，參見(jiàn)圖3，在步驟003之后，所述方法還包括：步驟004：根據(jù)各詞語(yǔ)對(duì)應(yīng)的所述詞語(yǔ)向量，生成關(guān)鍵詞向量庫(kù)，其中，所述關(guān)鍵詞向量庫(kù)中存儲(chǔ)有各詞語(yǔ)與其對(duì)應(yīng)的詞語(yǔ)向量間的一一映射關(guān)系。在本步驟中，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備根據(jù)各詞語(yǔ)對(duì)應(yīng)的所述詞語(yǔ)向量，生成關(guān)鍵詞向量庫(kù)，以供用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)在獲取到目標(biāo)語(yǔ)句時(shí)，直接在關(guān)鍵詞向量庫(kù)中查到其對(duì)應(yīng)的詞語(yǔ)向量。可以理解的是，關(guān)鍵詞向量庫(kù)存儲(chǔ)的各詞語(yǔ)與其對(duì)應(yīng)的詞語(yǔ)向量間的一一映射關(guān)系可以表現(xiàn)為下映射關(guān)系表2：表2詞語(yǔ)詞語(yǔ)向量詞語(yǔ)1詞義向量b1、詞性向量b1詞語(yǔ)2詞義向量b2、詞性向量b2詞語(yǔ)3詞義向量b3、詞性向量b3詞語(yǔ)4詞義向量b4、詞性向量b4...…例如，假設(shè)向量w＝[w0w1…wn]表示一系列的詞語(yǔ)；矩陣v＝[v0v1…vn]表示向量w中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞義向量，這些詞義向量均由word2vec訓(xùn)練生成，這里詞義向量的維度一般為128，具體根據(jù)實(shí)際需要選取；矩陣p＝[p0p1…pn]表示向量w中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞性向量，這些詞性向量是隨機(jī)生成的，可以理解的是，不同詞語(yǔ)之間可能具有相同的詞性，那么這兩個(gè)詞語(yǔ)的詞性向量一致。關(guān)鍵詞向量庫(kù)具體如下表3所示：表3其中，以表3中的第一組數(shù)據(jù)為例進(jìn)行說(shuō)明，[v0p0]表示將兩個(gè)向量拼接起來(lái)對(duì)應(yīng)詞語(yǔ)w0組成的一個(gè)詞語(yǔ)向量的數(shù)字表示，進(jìn)而擴(kuò)充了詞語(yǔ)w0所對(duì)應(yīng)的信息。相對(duì)于步驟004的設(shè)置，步驟100具體包括：步驟101：根據(jù)所述目標(biāo)語(yǔ)句在所述關(guān)鍵詞向量庫(kù)中查找得到該目標(biāo)語(yǔ)句的全部詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量。在本步驟中，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備接收目標(biāo)語(yǔ)句，并根據(jù)獲取的目標(biāo)語(yǔ)句在所述關(guān)鍵詞向量庫(kù)中查找得到該目標(biāo)語(yǔ)句的全部詞語(yǔ)對(duì)應(yīng)詞語(yǔ)向量。例如，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備獲取的一個(gè)問(wèn)題語(yǔ)句q后，在關(guān)鍵詞向量庫(kù)中經(jīng)過(guò)索引得到該問(wèn)題語(yǔ)句q中出現(xiàn)的n個(gè)詞語(yǔ)＜q0、q1、…qn＞的對(duì)應(yīng)的n個(gè)詞語(yǔ)向量[x0x1…xn]，以及該n個(gè)詞語(yǔ)向量[x0x1…xn]組成的詞語(yǔ)矩陣[x0x1…xn]t?？梢?jiàn)，本實(shí)施方式提供的基于深度學(xué)習(xí)的語(yǔ)句分類(lèi)方法，通過(guò)根據(jù)詞語(yǔ)向量生成關(guān)鍵詞向量庫(kù)，為后續(xù)目標(biāo)語(yǔ)句對(duì)應(yīng)詞語(yǔ)向量的獲取提供了一種快速且可靠的方式，從而減少了用戶(hù)等待時(shí)間，故使得用戶(hù)體驗(yàn)提高。在一種可選實(shí)施方式中，參見(jiàn)圖4，所述步驟200具體包括：步驟201：將與目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的各所述詞語(yǔ)向量依次按序輸入長(zhǎng)短時(shí)記憶lstm中，獲取所述lstm層中包含所述目標(biāo)語(yǔ)句對(duì)應(yīng)的初始語(yǔ)義信息及語(yǔ)序信息的的隱含狀態(tài)。在本步驟中，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備將與目標(biāo)語(yǔ)句對(duì)應(yīng)的各所述詞語(yǔ)向量依次按序輸入長(zhǎng)短時(shí)記憶lstm(longshorttermmemory)中，使得所述lstm層提取得到所述目標(biāo)語(yǔ)句對(duì)應(yīng)的初始語(yǔ)義信息及語(yǔ)序信息，并保存所述lstm層提取過(guò)程中的各單元的包含所述初始語(yǔ)義信息及語(yǔ)序信息的隱含狀態(tài)?？梢岳斫獾氖牵薼stm層，門(mén)控制循環(huán)gru(gatedrecurrentunit)層也可以實(shí)現(xiàn)該功能。步驟202：根據(jù)所述lstm層的隱含狀態(tài)，生成所述目標(biāo)語(yǔ)句的狀態(tài)矩陣。在本步驟中，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備根據(jù)所述lstm層提取過(guò)程中的各單元的隱含狀態(tài)，生成所述目標(biāo)語(yǔ)句的狀態(tài)矩陣。可以理解的是，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備每個(gè)時(shí)刻向lstm細(xì)胞單元輸入一個(gè)詞向量以及上一時(shí)刻的隱含狀態(tài)，由此計(jì)算出當(dāng)前時(shí)刻的隱含狀態(tài)，將每一個(gè)時(shí)刻的隱含狀態(tài)保存。例如，如圖5所示，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備將與目標(biāo)語(yǔ)句對(duì)應(yīng)的各所述詞語(yǔ)矩陣中的每一個(gè)詞語(yǔ)向量按順序輸入lstm層中，可以理解的是，此處的詞語(yǔ)向量是分時(shí)依次輸入的，即每一個(gè)時(shí)刻輸入一個(gè)詞向量，即t0時(shí)刻輸入x0，t1時(shí)刻輸入x1等。lstm層抽將初步提取出目標(biāo)語(yǔ)句的語(yǔ)義信息和語(yǔ)序信息，并保存lstm每個(gè)單元的隱含狀態(tài)向量，目標(biāo)語(yǔ)句的語(yǔ)義信息和語(yǔ)序信息也包含在隱含狀態(tài)向量中，再將lstm層輸出的隱含狀態(tài)向量拼接成狀態(tài)矩陣[h0h1…h(huán)n]t?？梢?jiàn)，本實(shí)施方式提供的基于深度學(xué)習(xí)的語(yǔ)句分類(lèi)方法，通過(guò)根據(jù)詞語(yǔ)向量生成關(guān)鍵詞向量庫(kù)，提高了lstm模型獲取初始語(yǔ)義信息及語(yǔ)序信息的效率，并解決了應(yīng)用cnn模型無(wú)法提取詞語(yǔ)的詞序信息的缺陷，提高了對(duì)語(yǔ)句進(jìn)行分類(lèi)的準(zhǔn)確性，故使得用戶(hù)體驗(yàn)提高。為提高卷積神經(jīng)網(wǎng)絡(luò)cnn模型獲取抽象語(yǔ)義信息及特征量的效率，在一種可選實(shí)施方式中，參見(jiàn)圖6，所述步驟300具體包括：步驟301：將所述狀態(tài)矩陣輸入所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型中的卷積層中，獲取目標(biāo)語(yǔ)句對(duì)應(yīng)的抽象語(yǔ)義信息，且各所述抽象語(yǔ)義信息構(gòu)成各卷積層的卷積結(jié)果。在本步驟中，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備將所述狀態(tài)矩陣輸入所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型中的卷積層中，使得卷積層對(duì)輸入的句子矩陣進(jìn)行抽象化特征提取處理，獲取目標(biāo)語(yǔ)句對(duì)應(yīng)的抽象語(yǔ)義信息，步驟302：將所述卷積結(jié)果輸入所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型中的池化層中，得到所述目標(biāo)語(yǔ)句的特征量。在本步驟中，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備將所述卷積結(jié)果輸入所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型中的池化層中，得到所述目標(biāo)語(yǔ)句的特征量。可以理解的是，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備將所述卷積結(jié)果通過(guò)池化層以選擇出最具有代表性的特征作為所述目標(biāo)語(yǔ)句的特征量?？梢岳斫獾氖牵矸e神經(jīng)網(wǎng)絡(luò)cnn模型的卷積層雖然具有較好的語(yǔ)義特征提取能力，但是丟失了問(wèn)題的詞序信息，而在語(yǔ)句中詞序包含了重要信息，這是因?yàn)橄嗤~語(yǔ)的不同組合可能會(huì)得到完全不同意思的語(yǔ)句。lstm層的反饋機(jī)制能夠很好利用問(wèn)題的詞序信息，但lstm層的細(xì)胞單元對(duì)語(yǔ)句的語(yǔ)義信息提取能力不如卷積神經(jīng)網(wǎng)絡(luò)cnn模型的卷積層。因此，本實(shí)施方式中所述的基于深度學(xué)習(xí)的語(yǔ)句分類(lèi)方法，在獲取lstm層的包含所述初始語(yǔ)義信息及語(yǔ)序信息的隱含狀態(tài)后，根據(jù)隱含狀態(tài)獲取準(zhǔn)確的抽象語(yǔ)義信息，既發(fā)揮lstm層善于獲取語(yǔ)序信息的優(yōu)點(diǎn)，又充分利卷積神經(jīng)網(wǎng)絡(luò)cnn模型的卷積層在特征提取和抽象過(guò)程中的能力，二者進(jìn)行了優(yōu)勢(shì)互補(bǔ)，提高了語(yǔ)句分類(lèi)的準(zhǔn)確性，并提高卷積神經(jīng)網(wǎng)絡(luò)cnn模型獲取抽象語(yǔ)義信息及特征量的效率，故使得用戶(hù)體驗(yàn)提高。針對(duì)現(xiàn)有的如圖7所示的池化方法可能會(huì)丟失句子信息的情況，為提高卷積神經(jīng)網(wǎng)絡(luò)cnn模型中的池化層進(jìn)行目標(biāo)語(yǔ)句的特征量的準(zhǔn)確性，在一種可選實(shí)施方式中，參見(jiàn)圖8，所述步驟302具體包括：步驟302a：分別將各卷積層的卷積結(jié)果進(jìn)行合并，得到合并后的同類(lèi)型卷積結(jié)果組。在本步驟中，參見(jiàn)圖9，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備分別將各卷積層的卷積結(jié)果進(jìn)行同類(lèi)合并，對(duì)合并后的同類(lèi)型卷積結(jié)果組進(jìn)行池化操作，而且池化的對(duì)象是相同特征的不同卷積結(jié)果。此種池化操作的優(yōu)勢(shì)在于在相同特征的多種卷積結(jié)果中，選擇出最佳的、最合適的結(jié)果表示該特征，經(jīng)過(guò)這一層的池化操作后，就能得到所有輸入特征的最佳表示?？梢岳斫獾氖牵喜⑹菍⑾嗤奶卣飨蛄康牟煌矸e結(jié)果合成一個(gè)矩陣，例如有一個(gè)特征向量v在經(jīng)過(guò)第一個(gè)卷積核后得到一個(gè)featuremapf1，經(jīng)過(guò)第二個(gè)卷積核后得到一個(gè)featuremapf2,將這兩個(gè)featuremap合并得到一個(gè)矩陣f＝[f1f2]。。步驟302b：將所述同類(lèi)型卷積結(jié)果組輸入所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型中的池化層中，得到所述目標(biāo)語(yǔ)句的特征量。在本步驟中，用于對(duì)語(yǔ)句進(jìn)行分類(lèi)的電子設(shè)備分將所述同類(lèi)型卷積結(jié)果組輸入所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型中的池化層中，得到所述目標(biāo)語(yǔ)句的特征量?？梢岳斫獾氖牵鼗僮鞯姆绞讲晃ㄒ?，第一種是mean-pooling，即對(duì)池化窗中的值求平均，以均值來(lái)代表被池化區(qū)域的信息。第二種是max-pooling，即求解池化窗中的最大值，該種方法則是取池化窗中最大的值來(lái)代表被池化區(qū)域的信息，此種做法的出發(fā)點(diǎn)是取該區(qū)域中最優(yōu)的值表示整個(gè)區(qū)域?？梢?jiàn)，本實(shí)施方式提供的基于深度學(xué)習(xí)的語(yǔ)句分類(lèi)方法，通過(guò)將各卷積層的卷積結(jié)果進(jìn)行同類(lèi)合并，在相同特征的多種卷積結(jié)果中，選擇出最佳的、最合適的結(jié)果表示該特征，經(jīng)過(guò)這一層的池化操作后，就能得到所有輸入特征的最佳表示，提高了語(yǔ)句分類(lèi)的準(zhǔn)確性，故使得用戶(hù)體驗(yàn)提高?？梢岳斫獾氖?，本實(shí)施例上述多個(gè)可選實(shí)施方式記載的方案可以自由組合，本發(fā)明對(duì)此不作限定。基于同樣的發(fā)明構(gòu)思，本發(fā)明第二個(gè)實(shí)施例提供了一種語(yǔ)句分類(lèi)系統(tǒng)，參見(jiàn)圖10，該系統(tǒng)包括：詞語(yǔ)向量獲取模塊10、lstm模型處理模塊20、cnn模型處理模塊30和語(yǔ)句分類(lèi)模塊40；其中：詞語(yǔ)向量獲取模塊10，用于獲取目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量，其中，所述詞語(yǔ)向量中包括詞義向量。lstm模型處理模塊20，用于將所述目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量輸入循環(huán)神經(jīng)網(wǎng)絡(luò)lstm模型中，得到目標(biāo)語(yǔ)句的狀態(tài)矩陣，其中，所述狀態(tài)矩陣中包括與所述目標(biāo)語(yǔ)句對(duì)應(yīng)的初始語(yǔ)義信息及語(yǔ)序信息。cnn模型處理模塊30，用于將所述狀態(tài)矩陣輸入卷積神經(jīng)網(wǎng)絡(luò)cnn模型中，獲取所述目標(biāo)語(yǔ)句對(duì)應(yīng)的特征量。語(yǔ)句分類(lèi)模塊40，用于根據(jù)所述目標(biāo)語(yǔ)句的特征量對(duì)該目標(biāo)語(yǔ)句進(jìn)行分類(lèi)。在一種可選實(shí)施方式中，參見(jiàn)圖11，所述系統(tǒng)還包括：詞義向量獲取單元01，用于對(duì)獲取的語(yǔ)句文本進(jìn)行預(yù)處理，并獲取預(yù)處理后的各語(yǔ)句中的各詞語(yǔ)對(duì)應(yīng)的詞義向量。詞性向量生成單元02，用于生成預(yù)處理后的各語(yǔ)句中的各詞語(yǔ)對(duì)應(yīng)的詞性向量。詞語(yǔ)向量獲取單元03，用于組合各詞語(yǔ)對(duì)應(yīng)的所述詞義向量和詞性向量，得到各詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量。在一種可選實(shí)施方式中，參見(jiàn)圖12，所述系統(tǒng)還包括：關(guān)鍵詞向量庫(kù)生成單元04，用于根據(jù)各詞語(yǔ)對(duì)應(yīng)的所述詞語(yǔ)向量，生成關(guān)鍵詞向量庫(kù)，其中，所述關(guān)鍵詞向量庫(kù)中存儲(chǔ)有各詞語(yǔ)與其對(duì)應(yīng)的詞語(yǔ)向量間的一一映射關(guān)系。相應(yīng)的，所述詞語(yǔ)向量獲取模塊10用于根據(jù)所述目標(biāo)語(yǔ)句在所述關(guān)鍵詞向量庫(kù)中查找得到該目標(biāo)語(yǔ)句的全部詞語(yǔ)對(duì)應(yīng)的詞語(yǔ)向量。在一種可選實(shí)施方式中，參見(jiàn)圖13，所述lstm模型處理模塊20包括：lstm細(xì)胞記憶單元21，用于將與目標(biāo)語(yǔ)句中各詞語(yǔ)對(duì)應(yīng)的各所述詞語(yǔ)向量依次按序輸入lstm的記憶細(xì)胞中，獲取所述lstm層中包含所述目標(biāo)語(yǔ)句對(duì)應(yīng)的初始語(yǔ)義信息及語(yǔ)序信息的隱含狀態(tài)。狀態(tài)矩陣生成單元22，用于根據(jù)所述lstm層的隱含狀態(tài)，生成所述目標(biāo)語(yǔ)句的狀態(tài)矩陣。在一種可選實(shí)施方式中，參見(jiàn)圖14，所述cnn模型處理模塊30包括：卷積層處理單元31，用于將所述狀態(tài)矩陣輸入所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型中的卷積層中，獲取目標(biāo)語(yǔ)句對(duì)應(yīng)的抽象語(yǔ)義信息，且各所述抽象語(yǔ)義信息與對(duì)應(yīng)的所述語(yǔ)序信息構(gòu)成各卷積層的卷積結(jié)果。池化層處理單元32，用于將所述卷積結(jié)果輸入所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型中的池化層中，得到所述目標(biāo)語(yǔ)句的特征量。在一種可選實(shí)施方式中，參見(jiàn)圖15，所述池化層處理單元32包括：同類(lèi)合并子單元32a，用于分別將各卷積層的卷積結(jié)果進(jìn)行同類(lèi)合并，得到合并后的同類(lèi)型卷積結(jié)果組。特征量獲取子單元32b，用于將所述同類(lèi)型卷積結(jié)果組輸入所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型中的池化層中，得到所述目標(biāo)語(yǔ)句的特征量。本實(shí)施例提供的語(yǔ)句分類(lèi)系統(tǒng)，可以用于執(zhí)行上述實(shí)施例所述的語(yǔ)句分類(lèi)方法，其實(shí)現(xiàn)原理和技術(shù)效果類(lèi)似，此處不再詳述。本實(shí)施例提供的語(yǔ)句分類(lèi)系統(tǒng)，既可以是安裝在家電設(shè)備上的應(yīng)用程序app，也可以是獨(dú)立于家電設(shè)備而單獨(dú)形成的專(zhuān)門(mén)用于對(duì)家電設(shè)備進(jìn)行控制的終端產(chǎn)品，如手持移動(dòng)產(chǎn)品。本實(shí)施例提供的語(yǔ)句分類(lèi)系統(tǒng)，在提高了目標(biāo)語(yǔ)句對(duì)應(yīng)的語(yǔ)義信息的準(zhǔn)確性的同時(shí)，也提供了其語(yǔ)序信息，提高了對(duì)目標(biāo)語(yǔ)句識(shí)別的準(zhǔn)確性，故使得用戶(hù)體驗(yàn)提高。下面將通過(guò)第一至第五實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)解釋說(shuō)明?；谕瑯拥陌l(fā)明構(gòu)思，本發(fā)明第三個(gè)實(shí)施例提供了一種電子設(shè)備，包括：處理器、存儲(chǔ)器和總線(xiàn)；其中，處理器和存儲(chǔ)器通過(guò)總線(xiàn)完成相互間的通信；處理器用于調(diào)用存儲(chǔ)器中的程序指令，以執(zhí)行上述實(shí)施例所述的語(yǔ)句分類(lèi)方法，其實(shí)現(xiàn)原理和技術(shù)效果類(lèi)似，此處不再詳述。基于同樣的發(fā)明構(gòu)思，本發(fā)明第四個(gè)實(shí)施例提供了一種冰箱，該冰箱上設(shè)有語(yǔ)音識(shí)別系統(tǒng)，且所述語(yǔ)音識(shí)別系統(tǒng)中包括一種電子設(shè)備；所述電子設(shè)備包括：處理器、存儲(chǔ)器和總線(xiàn)；其中，處理器和存儲(chǔ)器通過(guò)總線(xiàn)完成相互間的通信；處理器用于調(diào)用存儲(chǔ)器中的程序指令，以執(zhí)行上述實(shí)施例所述的語(yǔ)句分類(lèi)方法，其實(shí)現(xiàn)原理和技術(shù)效果類(lèi)似，此處不再詳述?；谕瑯拥陌l(fā)明構(gòu)思，本發(fā)明第五個(gè)實(shí)施例提供了一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，該非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)計(jì)算機(jī)指令，所述計(jì)算機(jī)指令使所述計(jì)算機(jī)執(zhí)行上述實(shí)施例所述的語(yǔ)句分類(lèi)方法，其實(shí)現(xiàn)原理和技術(shù)效果類(lèi)似，此處不再詳述。在本發(fā)明的描述中，需要說(shuō)明的是，術(shù)語(yǔ)“上”、“下”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡(jiǎn)化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對(duì)本發(fā)明的限制。除非另有明確的規(guī)定和限定，術(shù)語(yǔ)“安裝”、“相連”、“連接”應(yīng)做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或一體地連接；可以是機(jī)械連接，也可以是電連接；可以是直接相連，也可以通過(guò)中間媒介間接相連，可以是兩個(gè)元件內(nèi)部的連通。對(duì)于本領(lǐng)域的普通技術(shù)人員而言，可以根據(jù)具體情況理解上述術(shù)語(yǔ)在本發(fā)明中的具體含義。還需要說(shuō)明的是，在本文中，諸如第一和第二等之類(lèi)的關(guān)系術(shù)語(yǔ)僅僅用來(lái)將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開(kāi)來(lái)，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語(yǔ)“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過(guò)程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒(méi)有明確列出的其他要素，或者是還包括為這種過(guò)程、方法、物品或者設(shè)備所固有的要素。在沒(méi)有更多限制的情況下，由語(yǔ)句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過(guò)程、方法、物品或者設(shè)備中還存在另外的相同要素。以上實(shí)施例僅用于說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。當(dāng)前第1頁(yè)12