1.一种文本标注神经网络模型,其特征在于,所述模型至少包括文本标注处理器、文本质量评价器、文本标注数据融合器;
所述文本标注处理器包括可参数化的滤波器,所述可参数化的滤波器是对卷积滤波器的训练参数进行训练后得到的,所述可参数化的滤波器配置为,将目标文本数据向量化并标注,以输出所述目标文本数据的第一特征向量;
所述文本质量评价器配置为,输入所述第一特征向量,对所述第一特征向量进行深度学习后,输出验证后的第二特征向量,其中,所述第二特征向量包括评价信息的局部向量;
所述文本标注数据融合器配置为,输入所述第二特征向量,并至少根据所述第二特征向量输出目标文本数据对应的最优标注向量;
所述文本标注处理器包括:依次连接的数据量化层、线性层、筛选输出层;
所述数据量化层配置为,接收目标文本数据的输入,对所述目标文本数据进行向量化处理;
所述线性层配置为,对所述数据量化层数输出的特征向量作为时间步输入,获得时间步的完整隐藏向量;
所述筛选输出层配置为,对所述线性层输出的完整隐藏向量进行特征筛选,并将其转换为所述目标文本数据的第一特征向量。
2.根据权利要求1所述的文本标注神经网络模型,其特征在于,所述文本质量评价器包括交叉验证层,所述交叉验证层配置为,将所述第一特征向量分配给不同标注员,对不同标注员的标注的特征向量进行k折交叉验证,获得对不同标注员的对不同特征标注的准确率评分,转化准确率为局部向量,将分别带有评价信息的不同标注员的标注的特征向量,转化为第二特征向量。
3.一种文本标注方法,其特征在于,运用权利要求1‑2所任一所述的文本标注神经网络模型,所述方法包括:将目标文本数据向量化并标注,以输出所述目标文本数据的第一特征向量;
输入所述第一特征向量,对所述第一特征向量进行深度学习后,输出验证后的第二特征向量,其中,所述第二特征向量包括量化评价信息的局部向量;
输入所述第二特征向量,并至少根据所述第二特征向量输出目标文本数据对应的最优标注向量。
4.根据权利要求3所述的文本标注方法,其特征在于,所述目标文本数据向量化并标注,以输出所述目标文本数据的第一特征向量,其中,包括:接收目标文本数据的输入,对所述目标文本数据进行向量化处理;对所述数据量化层数输出的特征向量作为时间步输入,获得时间步的完整隐藏向量;对所述线性层输出的完整隐藏向量进行特征筛选,并将其转换为所述目标文本数据的第一特征向量。
5.根据权利要求4所述的文本标注方法,其特征在于,将所述第一特征向量分配给不同标注员,对不同标注员的标注的特征向量进行k折交叉验证,获得对不同标注员的对不同特征标注的准确率评分,转化准确率为局部向量,将分别带有评价信息的不同标注员的标注的特征向量,转化为第二特征向量。
6.根据权利要求5所述的文本标注方法,其特征在于,所述输入所述第二特征向量,并至少根据所述第二特征向量输出目标文本数据对应的最优标注向量,其中,包括:基于决策树模型计算所述第二特征向量的不同标注数据集信息熵,获得最大信息增益,根据最大信息增益对第二特征向量进行提取并融合,转化为最优标注向量。
7.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求3至6任一项中所述的方法。
8.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求3至6任一项中所述的方法。