基于人工智能的语句分析方法、装置、终端设备及介质与流程

1.本技术属于人工智能分析领域，尤其涉及一种基于人工智能的语句分析方法、装置、终端设备及介质。


背景技术：

2.目前，为了监管电话服务中是否出现违规的词语或表述，需要对对话内容进行质检。由于电话服务的业务量大，通话时间长，人工聆听对话内容进行质检效率较低，且随着通话规则、要求的增加，导致人工审核易出错。因此，如何高效且准确地进行智能化质检成为亟待解决的问题。


技术实现要素：

3.有鉴于此，本技术实施例提供了一种基于人工智能的语句分析方法、装置、终端设备及介质，以解决如何高效且准确地进行智能化质检成为亟待解决的问题。
4.第一方面，本技术实施例提供一种基于人工智能的语句分析方法，所述语句分析方法包括：
5.使用训练好的文本分类模型对待分析对话语句进行文本分类，得到n类文本，n为大于1的整数；
6.若所述n类文本中包含目标类的文本，则使用训练好的关系抽取模型对所述n类文本进行关联分析，以检测所述n类文本中是否存在关联文本，所述关联文本是指与所述目标类的文本关联的文本；
7.获取所述目标类的文本对应的目标属性信息，所述目标属性信息是与所述目标类的文本具备映射关系的信息；
8.若检测到所述n类文本中存在所述关联文本，则判断所述关联文本与所述目标属性信息的关系是否满足预设规则，并根据判断结果，对所述待分析对话语句的合规性进行判定。
9.第二方面，本技术实施例提供一种基于人工智能的语句分析装置，所述语句分析装置包括：
10.文本分类模块，用于使用训练好的文本分类模型对待分析对话语句进行文本分类，得到n类文本，n为大于1的整数；
11.关系抽取模块，用于若所述n类文本中包含目标类的文本，则使用训练好的关系抽取模型对所述n类文本进行关联分析，以检测所述n类文本中是否存在关联文本，所述关联文本是指与所述目标类的文本关联的文本；
12.属性获取模块，用于获取所述目标类的文本对应的目标属性信息，所述目标属性信息是与所述目标类的文本具备映射关系的信息；
13.合规性判定模块，用于若检测到所述n类文本中存在所述关联文本，则判断所述关联文本与所述目标属性信息的关系是否满足预设规则，并根据判断结果，对所述待分析对
话语句的合规性进行判定。
14.第三方面，本技术实施例提供一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的语句分析方法。
15.第四方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的语句分析方法。
16.第五方面，本技术实施例提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面所述的语句分析方法。
17.本技术实施例与现有技术相比存在的有益效果是：本技术使用训练好的文本分类模型对待分析对话语句进行文本分类，在n类文本中包含目标类的文本时，使用训练好的关系抽取模型对n类文本进行关联分析，确定与目标类的文本对应的关联文本，获取目标类的文本对应的目标属性信息，判断关联文本与目标属性信息是否满足预设规则，从而判定待分析对话语句的合规性，以实现对待分析对话语句的质检，采用独立的文本分类模型和关系抽取模型，模型及其训练的复杂度较低，可以快速地从语句中识别到目标类的文本及其对应的关联文本，实现人工智能自动质检，提高了质检效率和准确率。
附图说明
18.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
19.图1是本技术实施例一提供的一种基于人工智能的语句分析方法的流程示意图；
20.图2是本技术实施例二提供的一种基于人工智能的语句分析方法的流程示意图；
21.图3是本技术实施例三提供的一种基于人工智能的语句分析装置的结构示意图；
22.图4是本技术实施例四提供的一种终端设备的结构示意图。
具体实施方式
23.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
24.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
25.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
26.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确
networks，textcnn)、深度卷积神经网络(diffusion
‑
convolutional neural networks，dcnn)、异构图注意力网络(heterogeneous graph attention network，han)等的分类模型，该文本分类模型所需的训练集为标注出所属类的语料集，且该文本分类模型主要关注文本分类，因此，训练所需语料集比较容易收集，便于快速地得到训练好的文本分类模型。
38.文本分类模型首先要对待分析对话语句进行预处理，预处理是将待分析对话语句切分成终端设备可以处理的数据结构(例如构成文本的语义单元)。语义单元可以是句子、短语、词语或单个的字。然后，对文本进行特征提取，如特征向量提取、词频特征提取、重要词特征提取等。最后，通过该文本分类模型对上述特征进行分类，取得分类结果。
39.举例说明，若待分析对话语句为销售人员a：z基金产品将已经发行，该基金产品为低风险产品，客户b：该z基金产品是不是x基金公司的产品，则通过训练好的文本分类模型，可以将待分析对话语句分为3个句子，再对每个句子的词组进行特征提取，可以确定“z基金产品”、“低风险产品”、“x基金公司”这三个词组的特征分别对应产品名称类、产品提示类、公司名称类，因此，可以提取到3类文本，包括产品名称类的文本、产品提示类的文本、公司名称类的文本，其中，产品名称类的文本包括“z基金产品”，产品提示类的文本包括“低风险产品”，公司名称类的文本包括“x基金公司”。
40.本技术中，终端设备可以从存储有对话语句的服务器中获取到待分析对话语句，上述服务器能够采集对话音频，并将其转换为文本形式的对话语句之后存储该对话语句。
41.在一种实施方式中，终端设备连接相应的对话采集器，该对话采集器可以是录音器等设备，以采集对话音频。终端设备将上述采集的对话音频处理成为文本形式的待分析对话语句。
42.其中，语音文本转换技术可以是用语音识别(automatic speech recognition，asr)，其以语音为研究对象，通过语音信号处理和模式识别转换为相应文本。
43.可选的是，使用训练好的文本分类模型对待分析对话语句进行文本分类之前，还包括：
44.获取待分析对话音频；
45.对待分析对话音频进行语音识别，得到待分析对话音频中每个语句下的文本；
46.对待分析对话音频进行音色分析，得到每个语句下的文本所属的发声对象；
47.在每个语句下的文本上标注所属的发声对象，得到待分析对话语句。
48.其中，由于在后续对对话语句进行关联分析时，可能会对语句所属的发声对象进行分辨，以区别前后语句是否为同一人所发出。在对待分析对话音频进行语音文本转换时，将转换后的文本标注对应的发声对象，从而形成待分析对话语句，可便于处理对话语句中的问句、疑问句等语句。
49.举例说明，针对待分析对话语句中的一个语句是由销售人员a发出，即销售人员a为该语句的发声对象，该语句的前一语句是由客户b发出，即客户b为该前一语句的发声对象。若客户b发出的前一语句为“该基金产品是低风险产品吗”，销售人员a发出的语句为“是”，则根据前后语句的语义及发声对象可以确定，销售人员a要表达的是“该基金产品是低风险产品”。
50.步骤s102，若n类文本中包含目标类的文本，则使用训练好的关系抽取模型对n类文本进行关联分析，以检测n类文本中是否存在关联文本。
51.其中，关联文本是指与目标类的文本关联的文本。目标类可以是指能够表达某一预设含义、预设意图或预设信息的类，例如，在上述姓名类的文本、日期类的文本、产品名称类的文本、产品提示类的文本中，若目标类为产品名称类，则说明目标类为存在推荐产品的意图和对应的产品信息的类。目标类可以是指一类或者多类，本技术对此不作限定。
52.可选的是，在确定n类文本之后，还包括：
53.若n类文本中不包含目标类的文本，则判定待分析对话语句为合规语句。
54.其中，在执行步骤s102之前隐含了检测上述n类文本是否包含目标类的文本，若检测到上述n类文本不包含目标类的文本，则无需执行后续步骤，避免非必要对话语句的分析。
55.针对上述检测n类文本是否包含目标类的文本的检测过程，可选的是，上述语句分析方法还包括：
56.获取目标类对应的正则表达式；
57.将n类文本分别与正则表达式进行匹配；
58.若n类文本中存在与正则表达式匹配的文本，则确定n类文本中包含目标类的文本；
59.若n类文本中不存在与正则表达式匹配的文本，则确定n类文本中不包含目标类的文本。
60.其中，正则表达式是对字符串和特殊字符操作的一种逻辑公式，用事先定义好的一些特定字符及这些特定字符的组合，组成一个“规则字符串”。例如，姓名类用于指示该姓名类的文本中存在人名等信息，因此，该姓名类对应的正则表达式即为姓名正则表达式“[\u4e00
‑
\u9fa5]”。
[0061]
n类文本中存在与正则表达式匹配的文本，则该文本即为n类文本中目标类的文本，n类文本中不存在与正则表达式匹配的文本，则说明n类文本没有目标类的文本。
[0062]
在一种实施方式中，针对上述检测n类文本是否包含目标类的文本的检测过程，可以通过预先设置目标类对应的至少一个目标文本，将n类文本分别与上述目标文本进行一一比对，若n类文本中存在与上述目标文本相似度大于第一相似度阈值的文本，则n类文本中包含目标类的文本，若n类文本中不存在与上述目标文本相似度大于第一相似度阈值的文本，则确定n类文本中不包含目标类的文本。
[0063]
上述训练好的关系抽取模型可以是基于cnn形成的模型，具体的可以是双向长短期记忆(bidirectional long short
‑
term memory，bi
‑
lstm)网络和条件随机场(conditional random field，crf)算法构成的关系抽取模型，其中，bi
‑
lstm网络是一种特殊结构的cnn。上述关系抽取模型所需的训练集为标注关系类型的语料集，且该关系抽取模型主要关注文本间关系，无需关注其他内容，因此，训练所需语料集比较容易收集，便于快速地得到训练好的关系抽取模型。
[0064]
在对n类文本进行关联分析时，可以是使用训练好的关系抽取模型，提取n类文本中任意两个文本之间的关系，或者仅提取n
‑
1类文本分别与目标类的文本之间的关系，其中，n
‑
1类文本为n类文本中除去目标类的文本所剩余的文本。
[0065]
上述训练好的关系抽取模型中具体可以分为两步，第一步是判断两个类文本之间是否有关系，第二步是判断这两个类文本之间的关系属于哪种关系。两个类文本之间具备
目标关系，则可以认为两个类文本互为关联文本，若其中一个为目标类的文本，则另一个即为该目标类的文本对应的关联文本。例如，在提取n
‑
1类文本分别与目标类的文本之间的关系时，确定n
‑
1类文本中某个类文本与目标类的文本之间存在关系，且该关系为目标关系，则说明n类文本中存在与目标类的文本关联的文本(即关联文本)。
[0066]
举例说明，n类文本可以包括姓名类的文本、日期类的文本、产品名称类的文本、产品提示类的文本等，其中，产品名称类的文本可以用于指示该对话语句中存在推荐产品的意图和对应的产品信息，产品提示类的文本可以用于指示该对话语句中存在提示的意图和对应的提示信息，产品名称类的文本与产品提示类的文本之间存在产品与提示的关系，即产品名称类的文本是介绍产品名称，产品提示类的文本是介绍产品内容，若产品名称类的文本为目标类的文本，则产品提示类的文本为关联文本。例如，产品名称类的文本内容为“基金代码100357”，产品提示类的文本内容为“基金代码100357为低风险”，则产品名称类的文本与产品提示类的文本存在产品与提示的关系。
[0067]
可选的是，在检测n类文本中是否存在关联文本之后，还包括：
[0068]
若检测到n类文本中不存在关联文本，则判定待分析对话语句为不合规语句。
[0069]
其中，按照对对话过程中对话语句的要求，在对话语句包含目标类的文本时，需要对该目标类的文本进行解释、提示或说明，也即对话语句中需要包含相关的一些话术(即关联文本)，因此，如若待分析对话语句中不包含这些话术，则可以直接判定该待分析对话语句为不合规语句。
[0070]
步骤s103，获取目标类的文本对应的目标属性信息。
[0071]
其中，目标属性信息是与目标类的文本具备映射关系的信息。属性信息可以是指描述或介绍某个类的文本内容的文字或数据等信息，如果目标类的文本内容为基金产品，基金产品的属性信息可以包括风险提示、买入/赎回规则等信息。上述目标属性信息是根据监管需求的不同而对应设置，当然，文本内容的不同，对应的目标属性信息不同。例如，若监管需求为产品风险提示，则目标类的文本对应的目标属性信息需要为目标类的文本对应产品风险提示信息，若目标类的文本为z基金产品，且该z基金产品对应产品风险提示信息为“低风险”，则目标类的文本对应的目标属性信息为“低风险”。
[0072]
本技术中，目标类的文本与目标属性信息的映射关系存储在终端设备的数据库中，在执行步骤s103时，可根据上述目标类的文本，从该数据库中查询并得到目标属性信息。在一种实施方式中，终端设备连接相应的数据库，该数据库能够提供查询服务和调取服务，上述终端设备将目标类的文本发送给该数据库后，该数据库在匹配到对应的目标属性信息，将该目标属性信息反馈给上述终端设备。
[0073]
步骤s104，若检测到n类文本中存在关联文本，则判断关联文本与目标属性信息的关系是否满足预设规则，并根据判断结果，对待分析对话语句的合规性进行判定。
[0074]
其中，在上述步骤s102中检测了n类文本中是否存在关联文本，若检测到n类文本中不存在关联文本，则判定待分析对话语句为不合规语句，因此，步骤s104需要在检测到n类文本中存在关联文本时才能执行。
[0075]
预设规则为根据需求设定的规则，该规则可以是指表征文本与属性信息两者之间关系的要求。例如，规则为文本内包含属性信息，或者规则为文本与属性信息的相似度大于或等于第二相似度阈值。
[0076]
上述判断结果为关联文本与目标属性信息的关系满足预设规则，或者关联文本与目标属性信息的关系不满足预设规则。当判断结果为关联文本与目标属性信息的关系满足预设规则时，说明待分析对话语句符合规定，其合规性判定为合规，当判断结果为关联文本与目标属性信息的关系不满足预设规则时，说明待分析对话语句不符合规定，其合规性判定为不合规。
[0077]
可选的是，预设规则为关联文本包含目标属性信息，判断关联文本与目标属性信息的关系是否满足预设规则包括：
[0078]
判断关联文本与目标属性信息的关系是否满足关联文本包含目标属性信息；
[0079]
相应地，根据判断结果，对待分析对话语句的合规性进行判定包括：
[0080]
若判断结果是关联文本与目标属性信息的关系满足关联文本包含目标属性信息，则确定待分析对话语句为合规语句；
[0081]
若判断结果是关联文本与目标属性信息的关系不满足关联文本包含目标属性信息，则确定待分析对话语句为不合规语句。
[0082]
其中，若预设规则为关联文本包含目标属性信息，则将关联文本的内容与目标属性信息进行匹配，在关联文本的内容中匹配到与上述目标属性信息相同的内容时，判断结果为满足预设规则，在关联文本的内容中匹配不到与上述目标属性信息相同的内容时，判断结果为不满足预设规则。
[0083]
在一种实施方式中，若预设规则为文本与属性信息的相似度大于或等于第二相似度阈值，则将关联文本的内容与目标属性信息进行相似度计算，在关联文本的内容与上述目标属性信息的相似度大于或者等于第二相似度阈值时，判断结果为满足预设规则，在关联文本的内容与上述目标属性信息的相似度小于第二相似度阈值时，判断结果为不满足预设规则。
[0084]
举例说明，在销售基金的场景下，监管的规定是在向客户推荐完产品后，需要进行风险提示，且风险提示须严格按照实事求是的方式进行说明。在待分析对话语句经过文本分类模型和关系抽取模型后，可以检测出待分析对话语句是否包含推荐产品的产品名称类的文本，以及待分析对话语句是否包含风险提示的产品提示类的文本，以验证在推荐完产品后是否进行了风险提示。然后，确定产品真实的属性信息，该属性信息为产品对应的风险提示，并将风险提示的产品提示类的文本与属性信息进行比较，以验证风险提示是否遵循真实的属性信息。
[0085]
本技术实施例使用训练好的文本分类模型对待分析对话语句进行文本分类，在n类文本中包含目标类的文本时，使用训练好的关系抽取模型对n类文本进行关联分析，确定与目标类的文本对应的关联文本，获取目标类的文本对应的目标属性信息，判断关联文本与目标属性信息是否满足预设规则，从而判定待分析对话语句的合规性，以实现对待分析对话语句的质检，采用独立的文本分类模型和关系抽取模型，模型及其训练的复杂度较低，可以快速地从语句中识别到目标类的文本及其对应的关联文本，实现人工智能自动质检，提高了质检效率和准确率。
[0086]
参见图2，是本技术实施例二提供的一种基于人工智能的语句分析方法的流程示意图，如图2所示，该语句分析方法可以包括以下步骤：
[0087]
步骤s201，使用训练好的文本分类模型对待分析对话语句进行文本分类，得到n类
文本。
[0088]
其中，步骤s201与上述步骤s101的内容相同，可参考步骤s101的描述，在此不再赘述。
[0089]
步骤s202，若n类文本中包含目标类的文本，则从n类文本中提取第一语句和第二语句下的所有文本。
[0090]
其中，第一语句为目标类的文本所在的当前句，第二语句包括当前句的前一句和/或当前句的后一句。当上述当前句为待分析对话语句的第一句时，第二语句仅包括当前局的后一句(即待分析对话语句的第二句)，当上述当前句为待分析对话语句的最后一句时，第二语句仅包括当前局的前一句(即待分析对话语句的倒数第二句)。
[0091]
步骤s203，使用训练好的关系抽取模型，对第一语句和第二语句下的所有文本进行实体抽取，得到所有文本的实体。
[0092]
其中，关系抽取模型中对信息抽取过程可分为实体抽取或称命名实体、关系抽取。实体抽取的目的是要识别出文本中出现的专有名称和有意义的数量短语并加以归类。
[0093]
实体抽取对应真实世界的实体，一般表现为一个词或一个短语，比如玫瑰花、仙人掌等已被命名的命名实体。关系抽取是刻画两个或多个命名实体的关系，例如，若作者d创作了作品x，则d与x为创作关系，若员工g是银行h的员工，则g与h为所属关系。
[0094]
步骤s204，对所有文本的实体进行提及关系抽取，得到两个实体间的关联情况。
[0095]
其中，上述关系抽取模型包括实体抽取和提及关系抽取，通过对某类的文本内容进行实体抽取之后，对实体对进行提及关系抽取，从而实现实体间关联情况的判定。例如，目标类的文本内容含有第一实体，关联文本的内容含有第二实体，对第一实体和第二实体进行提及关系抽取，根据上下文语义得到第一实体属于第二实体的一部分，则判断第一实体与第二实体存在所属关系。
[0096]
举例说明，产品名称类的文本内容含有“基金代码100357”实体，产品提示类的文本内容含有“低风险”实体，若产品名称类的文本与产品提示类的文本在同一句话，根据上下文语义确定“低风险”实体是对“基金代码100357”实体的解释，确定两者具备解释关系，因此，可以将解释关系作为两个实体间的关联情况。
[0097]
步骤s205，根据关联情况，判断所有文本的实体中是否存在目标实体，以检测n类文本中是否存在关联文本。
[0098]
其中，目标实体是指与目标类的文本的实体关联的实体，目标实体所属的文本为关联文本。
[0099]
若所有文本的实体中存在目标实体，则说明所有文本中存在关联文本，也即是n类文本中存在关联文本；若所有文本的实体中不存在目标实体，则说明所有文本中不存在关联文本，也即是n类文本中不存在关联文本。
[0100]
步骤s206，获取目标类的文本对应的目标属性信息。
[0101]
步骤s207，若检测到n类文本中存在关联文本，则判断关联文本与目标属性信息的关系是否满足预设规则，并根据判断结果，对待分析对话语句的合规性进行判定。
[0102]
其中，步骤s206和步骤s207分别与上述步骤s103和步骤s104的内容相同，可参考步骤s103和步骤s104的描述，在此不再赘述。
[0103]
本技术中，通过文本分类模型和关系抽取模型构成的自然语言处理模型对对话语
句进行处理，再根据处理结果与相应的信息，按照预设规则进行比较，从而实现对对话语句的分析，其中，将关系抽取模型分为实体抽取和提及关系抽取，能够识别复杂语义的同时保证了处理效率。
[0104]
对应于上文实施例的语句分析方法，图3示出了本技术实施例三提供的基于人工智能的语句分析装置的结构框图，上述语句分析装置应用于终端设备，终端设备上配置有训练好的文本分类模型和关系抽取模型，终端设备可以连接的相应服务器或对话采集器等，以获取待分析对话语句等数据。为了便于说明，仅示出了与本技术实施例相关的部分。
[0105]
参见图3，该语句分析装置包括：
[0106]
文本分类模块31，用于使用训练好的文本分类模型对待分析对话语句进行文本分类，得到n类文本，n为大于1的整数；
[0107]
关系抽取模块32，用于若n类文本中包含目标类的文本，则使用训练好的关系抽取模型对n类文本进行关联分析，以检测n类文本中是否存在关联文本，关联文本是指与目标类的文本关联的文本；
[0108]
属性获取模块33，用于获取目标类的文本对应的目标属性信息，目标属性信息是与目标类的文本具备映射关系的信息；
[0109]
合规性判定模块34，用于若检测到n类文本中存在关联文本，则判断关联文本与目标属性信息的关系是否满足预设规则，并根据判断结果，对待分析对话语句的合规性进行判定。
[0110]
可选的是，该语句分析装置还包括：
[0111]
第一判定模块，用于在检测n类文本中是否存在关联文本之后，若检测到n类文本中不存在关联文本，则判定待分析对话语句为不合规语句。
[0112]
可选的是，该语句分析装置还包括：
[0113]
第二判定模块，用于在确定n类文本之后，若n类文本中不包含目标类的文本，则判定待分析对话语句为合规语句。
[0114]
可选的是，语句分析装置还包括：
[0115]
表达式获取模块，用于获取目标类对应的正则表达式；
[0116]
匹配模块，用于将n类文本分别与正则表达式进行匹配；
[0117]
第一确定模块，用于若n类文本中存在与正则表达式匹配的文本，则确定n类文本中包含目标类的文本；
[0118]
第二确定模块，用于若n类文本中不存在与正则表达式匹配的文本，则确定n类文本中不包含目标类的文本。
[0119]
可选的是，语句分析装置还包括：
[0120]
音频获取模块，用于使用训练好的文本分类模型对待分析对话语句进行文本分类之前，获取待分析对话音频；
[0121]
文本确定模块，用于对待分析对话音频进行语音识别，得到待分析对话音频中每个语句下的文本；
[0122]
对象确定模块，用于对待分析对话音频进行音色分析，得到每个语句下的文本所属的发声对象；
[0123]
语句确定模块，用于在每个语句下的文本上标注所属的发声对象，得到待分析对
话语句。
[0124]
可选的是，上述关系抽取模块32包括：
[0125]
提取单元，用于从n类文本中提取第一语句和第二语句下的所有文本，第一语句为目标类的文本所在的当前句，第二语句包括当前句的前一句和/或当前句的后一句；
[0126]
实体抽取单元，用于使用训练好的关系抽取模型，对第一语句和第二语句下的所有文本进行实体抽取，得到所有文本的实体；
[0127]
关联情况抽取单元，用于对所有文本的实体进行提及关系抽取，得到两个实体间的关联情况；
[0128]
检测单元，用于根据关联情况，判断所有文本的实体中是否存在目标实体，以检测n类文本中是否存在关联文本，目标实体是指与目标类的文本的实体关联的实体，目标实体所属的文本为关联文本。
[0129]
可选的是，预设规则为关联文本包含目标属性信息，上述合规性判定模块34包括：
[0130]
判断单元，用于判断关联文本与目标属性信息的关系是否满足关联文本包含目标属性信息；
[0131]
相应地，上述合规性判定模块34包括：
[0132]
第一合规性判定单元，用于若判断结果是关联文本与目标属性信息的关系满足关联文本包含目标属性信息，则确定待分析对话语句为合规语句；
[0133]
第二合规性判定单元，用于若判断结果是关联文本与目标属性信息的关系不满足关联文本包含目标属性信息，则确定待分析对话语句为不合规语句。
[0134]
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0135]
图4为本技术实施例四提供的一种终端设备的结构示意图。如图4所示，该实施例的终端设备4包括：至少一个处理器40(图4中仅示出一个)、存储器41以及存储在存储器41中并可在至少一个处理器40上运行的计算机程序42，处理器40执行计算机程序42时实现上述任意各个语句分析方法实施例中的步骤。
[0136]
该终端设备4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的举例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0137]
所称处理器40可以是cpu，该处理器40还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0138]
存储器41在一些实施例中可以是终端设备4的内部存储单元，例如终端设备4的硬盘或内存。存储器41在另一些实施例中也可以是终端设备4的外部存储设备，例如终端设备4上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器41还可以既包括终端设备4的内部存储单
元也包括外部存储设备。存储器41用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如计算机程序的程序代码等。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
[0139]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0140]
本技术实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述方法实施例中的步骤。
[0141]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0142]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0143]
在本技术所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0144]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络
单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0145]
以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。