地图信息变化的识别方法和装置

技术领域

本发明涉及电子地图领域，尤其涉及一种地图信息变化的识别方法和装置。

背景技术

随着互联网技术的发展，电子地图现已成为家喻户晓的应用。现实场景下，道路和兴趣点POI等地图要素经常变化，如何从海量的文本信息中挖掘出体现这些变化的文本，进而根据这些文本更新电子地图是目前面临的主要课题。

现有技术中，主要通过特征工程或者神经网络的方法来实现目标文本的挖掘。然而，特征工程方面，在提取文档特征时需结合无监督算法，而无监督算法的误差势必会影响特征提取的准确度，最终造成挖掘效果不佳；神经网络方面，传统的卷积神经网络CNN模型中的最大、最小及均值池化方法在单个核中仅取唯一值容易导致特征的丢失，也导致特征提取准确度低，挖掘效果不佳。可见，现有技术的两种方法在目标文本挖掘方面准确度并不高。

发明内容

本发明提供一种地图信息变化的识别方法和装置，用以提高地图信息变化的识别准确度。

第一方面，本发明提供一种地图信息变化的识别方法，包括：

获取待处理文本的词项特征矩阵和文档表示特征矩阵；

结合动态池化操作，获取所述待处理文本的神经网络特征矩阵；

拼接所述词项特征矩阵、所述文档表示特征矩阵和所述神经网络特征矩阵，得到目标特征矩阵；

根据所述目标特征矩阵，确定所述待处理文本是否为地图信息变化的文本。

可选的，所述获取待处理文本的词项特征矩阵，包括：

对所述待处理文本进行分词处理、去停用词处理、低频词项过滤处理和词项标识转换处理，得到预处理文本；

从所述预处理文本中提取所述预处理文本包含的字符长度以及包含的词项数量；

从所述预处理文本中提取所述预处理文本包含的不重复字符长度以及包含的不重复词项数量；

根据所述预处理文本包含的各词项和关键词库中各关键词，计算关键词相似度；

将所述字符长度、所述词项数量、所述不重复字符长度、所述不重复词项数量和所述关键词相似度输入多层感知器MLP，得到所述词项特征矩阵。

可选的，所述获取待处理文本的文档表示特征矩阵，包括：

通过预先训练的文档主题生成模型LDA提取所述待处理文本的文档表示特征；

将所述文档表示特征输入多层感知器MLP，得到所述文档表示特征矩阵。

可选的，所述根据所述预处理文本包含的各词项和关键词库中各关键词，计算关键词相似度，包括：

根据所述预处理文本包含的各词项和预先训练的词向量转换word2vec模型，获取所述预处理文本包含的各词项的词向量；

根据所述关键词库中各关键词和所述词向量转换word2vec模型，获取所述关键词库中各关键词的词向量；

根据所述预处理文本包含的各词项的词向量和所述关键词库中各关键词的词向量，通过相似度公式计算所述关键词相似度。

可选的，所述结合动态池化操作，获取所述待处理文本的神经网络特征矩阵，包括：

根据所述待处理文本，生成对应的静态词向量和动态词向量；

拼接所述静态词向量和所述动态词向量，得到拼接结果；

采用一维宽卷积对所述拼接结果进行卷积操作，得到卷积结果；

将所述卷积结果在相邻维度上的特征数值相加，得到折叠结果；

采用注意力机制对所述折叠结果进行加权，得到加权结果；

对所述加权结果执行动态池化操作，得到池化结果；

通过MLP对池化结果进行变换，确定所述神经网络特征矩阵。

可选的，所述采用注意力机制对所述折叠结果进行加权，得到加权结果，包括：

采用如下公式对所述折叠结果进行加权，得到加权结果：

f(K

其中，f(K

可选的，所述根据所述目标特征矩阵，确定所述待处理文本是否为地图信息变化的文本，包括：

将所述目标特征矩阵输入预先训练好的分类模型中；

根据所述分类模型的输出结果，确定所述待处理文本是否为地图信息变化的文本。

可选的，上述方法应用于第一模型结构，所述第一模型结构包括：嵌入层和神经网络模型结构，所述神经网络模型结构包括：卷积层、折叠层、自注意力机制层、池化层、激活层和批归一化层；

所述结合动态池化操作，获取所述待处理文本的神经网络特征矩阵，包括：

所述嵌入层根据所述待处理文本，生成对应的静态词向量和动态词向量，拼接所述静态词向量和所述动态词向量，得到拼接结果，并将所述拼接结果传输至所述卷积层；

所述卷积层采用一维宽卷积对所述拼接结果进行卷积操作，得到卷积结果，并将所述卷积结果传输至所述折叠层；

所述折叠层将所述卷积结果在相邻维度上的特征数值相加，得到折叠结果，并将所述折叠结果传输至所述自注意力机制层；

所述自注意力机制层采用注意力机制对所述折叠结果进行加权，得到加权结果，并将所述加权结果传输至所述池化层；

所述池化层对所述加权结果执行动态池化操作，得到池化结果，并将所述池化结果输至所述激活层；

所述激活层和所述批归一化层通过MLP对池化结果进行变换，确定所述神经网络特征矩阵。

第二方面，本发明提供一种地图信息变化的识别装置，包括：

获取模块，用于获取待处理文本的词项特征矩阵和文档表示特征矩阵；

所述获取模块，还用于结合动态池化操作，获取所述待处理文本的神经网络特征矩阵；

拼接模块，用于拼接所述词项特征矩阵、所述文档表示特征矩阵和所述神经网络特征矩阵，得到目标特征矩阵；

分类模块，用于根据所述目标特征矩阵，确定所述待处理文本是否为地图信息变化的文本。

可选的，所述获取模块，具体用于：

对所述待处理文本进行分词处理、去停用词处理、低频词项过滤处理和词项标识转换处理，得到预处理文本；

从所述预处理文本中提取所述预处理文本包含的字符长度以及包含的词项数量；

从所述预处理文本中提取所述预处理文本包含的不重复字符长度以及包含的不重复词项数量；

根据所述预处理文本包含的各词项和关键词库中各关键词，计算关键词相似度；

将所述字符长度、所述词项数量、所述不重复字符长度、所述不重复词项数量和所述关键词相似度输入多层感知器MLP，得到所述词项特征矩阵。

所述获取模块，具体用于：

通过预先训练的文档主题生成模型LDA提取所述待处理文本的文档表示特征；

将所述文档表示特征输入多层感知器MLP，得到所述文档表示特征矩阵。

可选的，所述获取模块，具体用于：

根据所述预处理文本包含的各词项和预先训练的词向量转换word2vec模型，获取所述预处理文本包含的各词项的词向量；

根据所述关键词库中各关键词和所述词向量转换word2vec模型，获取所述关键词库中各关键词的词向量；

根据所述预处理文本包含的各词项的词向量和所述关键词库中各关键词的词向量，通过相似度公式计算所述关键词相似度。

可选的，所述获取模块，具体用于：

根据所述待处理文本，生成对应的静态词向量和动态词向量；

拼接所述静态词向量和所述动态词向量，得到拼接结果；

采用一维宽卷积对所述拼接结果进行卷积操作，得到卷积结果；

将所述卷积结果在相邻维度上的特征数值相加，得到折叠结果；

采用注意力机制对所述折叠结果进行加权，得到加权结果；

对所述加权结果执行动态池化操作，得到池化结果；

通过MLP对池化结果进行变换，确定所述神经网络特征矩阵。

可选的，所述获取模块，具体用于：

采用如下公式对所述折叠结果进行加权，得到加权结果：

f(K

其中，f(K

可选的，所述装置具有第一模型结构，所述第一模型结构包括：嵌入层和神经网络模型结构，所述神经网络模型结构包括：卷积层、折叠层、自注意力机制层、池化层、激活层和批归一化层。

所述分类模块，具体用于：

将所述目标特征矩阵输入预先训练好的分类模型中；

根据所述分类模型的输出结果，确定所述待处理文本是否为地图信息变化的文本。

第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述地图信息变化的识别方法。

第四方面，本发明提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来实现上述地图信息变化的识别方法。

本发明提供的地图信息变化的识别方法和设备，首先，获取待处理文本的词项特征矩阵和文档表示特征矩阵；然后，结合动态池化操作，获取所述待处理文本的神经网络特征矩阵；然后，拼接所述词项特征矩阵、所述文档表示特征矩阵和所述神经网络特征矩阵，得到目标特征矩阵；最后，根据所述目标特征矩阵，确定所述待处理文本是否为地图信息变化的文本。极大地提高了提取到的特征的准确度，同时也提高了基于提取到的特征识别目标文本的准确度。

附图说明

图1为本发明提供的地图信息变化的识别方法的实施例一的流程示意图；

图2为本发明提供的地图信息变化的识别方法的实施例二的流程示意图；

图2a为本发明提供的第一模型结构示意图；

图3为本发明提供的地图信息变化的识别装置的实施例的结构示意图；

图4为本发明提供的电子设备的硬件结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。

此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

从海量的文本信息中挖掘与地图要素变化相关的文本，并根据这些文本更新电子地图是保持电子地图鲜度的重要手段，现有技术中，主要通过特征工程或者神经网络的方法来实现目标文本的挖掘。然而，特征工程方面，在提取文档特征时需结合无监督算法，而无监督算法的误差势必会影响特征提取的准确度，最终造成挖掘效果不佳；神经网络方面，传统的卷积神经网络CNN模型中的最大、最小及均值池化方法在单个核中仅取唯一值容易导致特征的丢失，也导致特征提取准确度低，挖掘效果不佳。可见，现有技术的两种方法在目标文本挖掘方面准确度并不高。

基于上述技术问题，本发明提供一种地图信息变化的识别方法和装置，一方面，将神经网络中的池化方法改进为动态池化方法；另一方面，将神经网络和特征工程相结合来提取文档特征，极大地提高了提取到的特征的准确度，同时也提高了基于提取到的特征识别目标文本的准确度。

下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。

图1为本发明提供的地图信息变化的识别方法的实施例一的流程示意图。如图1所示，本实施例提供的地图信息变化的识别方法，包括：

S101、获取待处理文本的词项特征矩阵。

一种可能的实现方式中，获取待处理文本的词项特征矩阵包括：

步骤A、对所述待处理文本进行分词处理、去停用词处理、低频词项过滤处理和词项标识转换处理，得到预处理文本。

其中，对待处理文本进行分词处理指的是：将待处理文本中的句子拆分成词项，从而得到分词处理后的词项集合。

其中，对待处理文本进行去停用词处理指的是：删除上述分词处理后的词项集合中与地图要素无关的词项。可选的，可预先建立一个停用词库，将上述集合中的词项和停用词库中的词项进行匹配，匹配成功的词项可认为是停用词，进而可将该词项删除，从而得到去停用词处理后的词项集合。

其中，对待处理文本进行低频词项过滤处理指的是：删除上述去停用词处理后的词项集合中出现频率较低的词项。可选的，可先设置一个次数阈值，统计上述去停用词处理后的词项集合中每个词项出现的次数，将每个词项出现的次数和次数阈值进行比较，小于次数阈值的词项可认为是低频词项，进而可将该词项删除，从而得到低频词项过滤处理后的词项集合。

其中，对待处理文本进行词项标识转换处理指的是：将低频词项过滤处理后的词项集合中的词语转换为对应的词项标识，从而得到词项标识转换处理后的词项集合。

可选的，为了消除地名对后续处理过程的影响，在对待处理文本进行词项标识转换处理时，可先识别出词项集合中表征地名的词语，将识别出来的词语转换为，对于词项集合中出现的词典中没有的词语，转换为。

可选的，上述对待处理文本进行预处理的过程还可包括：去标点符号处理和去特殊符号处理等。

需要说明的是：上述预处理包含的几个处理过程的先后顺序不以上文描述的顺序为限制，本领域技术人员可根据实际情况对处理过程的顺序进行调整，包含上述处理过程的按照任意顺序执行的方案均在本发明保护范围内。

步骤B、从所述预处理文本中提取所述预处理文本包含的字符的长度以及包含的词项的数量。

步骤C、从所述预处理文本中提取所述预处理文本包含的不重复字符的长度以及包含的不重复词项的数量。

比如，待处理文本包含句子“武汉正在修建第5条过江隧道，南京也在修建过江隧道”，假设分词结果为“武汉/正在/修建/第/5/条/过江/隧道/,/南京/也/在/修建/过江/隧道/。”则步骤B和步骤C涉及的统计量为：字符长度：25；词项数量：16；不重复字符长度：18；不重复词项数量：13。

需要说明的是：上述举例是为了说明步骤B和步骤C中涉及到的统计量的概念而列举的例子，省去了上文去除停用词、标点符合等预处理步骤，本领域技术人员将上述预处理过程、步骤B和步骤C相互结合得到的方案仍在本发明的保护范围之内。

步骤D、根据所述预处理文本包含的各词项和关键词库中各关键词，计算关键词相似度。

一种可实现的方式中，计算关键词相似度可通过如下方式实现：

首先，根据所述预处理文本包含的各词项和预先训练的词向量转换word2vec模型，获取所述预处理文本包含的各词项的词向量。

然后，根据所述关键词库中各关键词和所述词向量转换word2vec模型，获取所述关键词库中各关键词的词向量。

其中，word2vec模型是一种语言模型，主要用来训练词向量，即将词以向量的方式进行表示，实现对词的量化。word2vec模型简单、训练快，且在本发明的相似度计算的人工评测中，效果较好。

最后，根据所述预处理文本包含的各词项的词向量和所述关键词库中各关键词的词向量，通过相似度公式计算所述关键词相似度。

假设，关键词库包含的关键词例如可以是表1中的词语：

表1

可选的，可采用如下公式计算关键词相似度：

其中，sim(doc

步骤E、将所述预处理文本包含的字符的长度、词项的数量、不重复字符的长度、不重复词项的数量和所述关键词相似度输入多层感知器MLP，得到所述词项特征矩阵。

具体的，将步骤E的几个特征输入多层感知器MLP后，多层感知器MLP可将这些特征映射为形状为(batch_size,hidden

S102、获取待处理文本的文档表示特征矩阵。

一种可实现的方式中，获取文档表示特征矩阵可通过如下方式实现：

首先，通过预先训练的文档主题生成模型LDA提取所述预处理文本的文档表示特征。

其中，LDA模型为无监督的文档主题模型，以文档主题来量化表示文档。这里使用LDA模型是为了丰富文档的向量化表示，在最终的文档类别判断中取得更好的效果。

然后，将所述文档表示特征输入多层感知器MLP，得到所述文档表示特征矩阵。

具体的，文档表示特征输入多层感知器MLP后，多层感知器MLP可将文档表示特征映射为形状为(batch_size,hidden

S103、结合动态池化操作，获取所述待处理文本的神经网络特征矩阵。

S104、拼接所述词项特征矩阵、所述文档表示特征矩阵和所述神经网络特征矩阵，得到目标特征矩阵。

具体的，在获取到待处理文本的词项特征矩阵、文档表示特征矩阵和神经网络特征矩阵后，将这些征矩阵进行拼接，拼接得到的向量即为目标特征矩阵，该目标特征矩阵的维度为(batch_size,hidden

其中，hidden

S105、根据所述目标特征矩阵，确定所述待处理文本是否为地图信息变化的文本。

具体的，可将目标特征向量输入分类器中，分配器会根据目标特征向量断待处理文本的类别，进而根据该类别判断待处理文本是否为与地图要素的变化相关的文本。

本实施例提供的地图信息变化的识别方法，在对待处理文本进行特征提取时，一方面，通过特征工程的方法获取待处理文本的词项特征矩阵和文档表示特征矩阵，另一方面，结合动态池化操作，获取所述待处理文本的神经网络特征矩阵，然后拼接所述词项特征矩阵、所述文档表示特征矩阵和所述神经网络特征矩阵，得到目标特征矩阵，最后根据所述目标特征矩阵，确定所述待处理文本是否为地图信息变化的文本，极大地提高了提取到的特征的准确度，同时也提高了基于提取到的特征识别目标文本的准确度。

下面结合具体的实施例对上述实施例S103中结合动态池化操作，获取待处理文本的神经网络特征矩阵的可实现方式进行说明。图2为本发明提供的地图信息变化的识别方法的实施例二的流程示意图，如图2所示，本实施例提供的地图信息变化的识别方法，包括：

S201、获取待处理文本的词项特征矩阵和文档表示特征矩阵。

其中，S201的实现方式可参见上述实施例的S101，本发明在此不再赘述。

S202、根据所述待处理文本，生成对应的静态词向量和动态词向量。

具体的，生成待处理文本对应的静态词向量的可实现方式为：将上述实施例预处理后的预处理文本中每个词项输入word2vec模型中，得到每个词项对应的词向量，将所有词项对应的词向量进行组合，得到待处理文本对应的静态词向量。

生成待处理文本对应的动态词向量的可实现方式为：将上述所有词项对应的词向量进行组合后形成的向量作为初始值，以现有技术中的提供的方式对初始值进行动态调整，从而得到待处理文本对应的动态词向量。

S203、拼接所述静态词向量和所述动态词向量，得到拼接结果。

其中，拼接向量的方法可参见现有技术，本发明在此不再赘述。

S204、采用一维宽卷积对所述拼接结果进行卷积操作，得到卷积结果。

由于动态词向量的长度是不固定的，因此拼接结果的长度也是不固定的，本步骤采用一维宽卷积来处理长度不固定的拼接结果，避免了文本信息的丢失的同时，提升了处理效率。

其中，卷积操作的原理和现有技术类似，本发明对此不再赘述。

S205、将所述卷积结果在相邻维度上的特征数值相加，得到折叠结果。

S206、采用注意力机制对所述折叠结果进行加权，得到加权结果。

具体的，此处采用自注意力机制，其公式如下：

f(K

其中，K表示S205得到的折叠结果。f(K

S207、对所述加权结果执行动态池化操作，得到池化结果。

动态池化即K-max Pooling，其池化窗口大小为(S,1)，S为上述加权结果的行数。与最大值池化在一个池化窗口仅取一个最大值相比，K-max Pooling在单一池化窗口动态取Top-K个最大值并保留它们之间的相对顺序。除模型中最后一个K-max Pooling中的K为人工指定超参数外，其余K均根据输入特征图行数(即序列个数)动态计算得到，其计算方式见如下公式。其中k

与一般池化操作相比，本实施例的动态池化操作在降维的同时减少了有效特征的丢失且保留位置信息。

可选的，S204-S207的过程可重复执行两次，可将第二次执行后的池化结果作为最终的池化结果，两次动态池化操作对应神经网络中的两个动态池化层。

S208、通过MLP对池化结果进行变换，确定所述神经网络特征矩阵。

一种可实现的方式中，可通过图2a所示第一模型结构执行上述S202-S208的步骤，图2a所示第一模型结构包括：嵌入层和神经网络模型结构，神经网络模型结构进一步包括：卷积层、折叠层、自注意力机制层、池化层、激活层和批归一化层。

具体的，嵌入层首先根据待处理文本，生成对应的静态词向量和动态词向量，并拼接该静态词向量和该动态词向量，得到拼接结果，并进一步将该拼接结果传输至卷积层；卷积层采用一维宽卷积对该拼接结果进行卷积操作，得到卷积结果，并将该卷积结果传输至折叠层；折叠层将该卷积结果在相邻维度上的特征数值相加，得到折叠结果，并将该折叠结果传输至自注意力机制层；自注意力机制层采用注意力机制对该折叠结果进行加权，得到加权结果，并将该加权结果传输至池化层；池化层对该加权结果执行动态池化操作，得到池化结果，并将该池化结果输至激活层；所述激活层和所述批归一化层通过MLP对该池化结果进行变换，从而确定上述神经网络特征矩阵。

S209、拼接所述词项特征矩阵、所述文档表示特征矩阵和所述神经网络特征矩阵，得到目标特征矩阵。

S2010、根据所述目标特征矩阵，确定所述待处理文本是否为地图信息变化的文本。

具体的，S208-S2010的实现方式可参见上述实施例，本发明在此不再赘述。

本实施例提供的地图信息变化的识别方法，描述了通过神经网络的方法获取待处理文本的神经网络特征矩阵的可实现方式，通过将特征工程和神经网络两种方法进行融合，相互促进，弥补了单个方法的不足，识别结果更加准确。

图3为本发明提供的地图信息变化的识别装置的实施例的结构示意图。如图3所示，本实施例提供的地图信息变化的识别装置，包括：

获取模块301，用于获取待处理文本的词项特征矩阵和文档表示特征矩阵；

所述获取模块301，还用于结合动态池化操作，获取所述待处理文本的神经网络特征矩阵；

拼接模块302，用于拼接所述词项特征矩阵、所述文档表示特征矩阵和所述神经网络特征矩阵，得到目标特征矩阵；

分类模块303，用于根据所述目标特征矩阵，确定所述待处理文本是否为地图信息变化的文本。

可选的，所述获取模块301，具体用于：

对所述待处理文本进行分词处理、去停用词处理、低频词项过滤处理和词项标识转换处理，得到预处理文本；

从所述预处理文本中提取所述预处理文本包含的字符长度以及包含的词项数量；

从所述预处理文本中提取所述预处理文本包含的不重复字符长度以及包含的不重复词项数量；

根据所述预处理文本包含的各词项和关键词库中各关键词，计算关键词相似度；

将所述字符长度、所述词项数量、所述不重复字符长度、所述不重复词项数量和所述关键词相似度输入多层感知器MLP，得到所述词项特征矩阵。

所述获取模块301，具体用于：

通过预先训练的文档主题生成模型LDA提取所述待处理文本的文档表示特征；

将所述文档表示特征输入多层感知器MLP，得到所述文档表示特征矩阵。

可选的，所述获取模块301，具体用于：

根据所述预处理文本包含的各词项和预先训练的词向量转换word2vec模型，获取所述预处理文本包含的各词项的词向量；

根据所述关键词库中各关键词和所述词向量转换word2vec模型，获取所述关键词库中各关键词的词向量；

根据所述预处理文本包含的各词项的词向量和所述关键词库中各关键词的词向量，通过相似度公式计算所述关键词相似度。

可选的，所述获取模块301，具体用于：

根据所述待处理文本，生成对应的静态词向量和动态词向量；

拼接所述静态词向量和所述动态词向量，得到拼接结果；

采用一维宽卷积对所述拼接结果进行卷积操作，得到卷积结果；

将所述卷积结果在相邻维度上的特征数值相加，得到折叠结果；

采用注意力机制对所述折叠结果进行加权，得到加权结果；

对所述加权结果执行动态池化操作，得到池化结果；

通过MLP对池化结果进行变换，确定所述神经网络特征矩阵。

可选的，所述获取模块301，具体用于：

采用如下公式对所述折叠结果进行加权，得到加权结果：

f(K

其中，f(K

可选的，本实施例的装置具有第一模型结构，参见图3所示，所述第一模型结构包括：嵌入层和神经网络模型结构，所述神经网络模型结构包括：卷积层、折叠层、自注意力机制层、池化层、激活层和批归一化层。

所述嵌入层根据所述待处理文本，生成对应的静态词向量和动态词向量，拼接所述静态词向量和所述动态词向量，得到拼接结果，并将所述拼接结果传输至所述卷积层；

所述卷积层采用一维宽卷积对所述拼接结果进行卷积操作，得到卷积结果，并将所述卷积结果传输至所述折叠层；

所述折叠层将所述卷积结果在相邻维度上的特征数值相加，得到折叠结果，并将所述折叠结果传输至所述自注意力机制层；

所述自注意力机制层采用注意力机制对所述折叠结果进行加权，得到加权结果，并将所述加权结果传输至所述池化层；

所述池化层对所述加权结果执行动态池化操作，得到池化结果，并将所述池化结果输至所述激活层；

所述激活层和所述批归一化层通过MLP对池化结果进行变换，确定所述神经网络特征矩阵。

可选的，可以是获取模块301包括上述第一模型结构。

所述分类模块303，具体用于：

将所述目标特征矩阵输入预先训练好的分类模型中；

根据所述分类模型的输出结果，确定所述待处理文本是否为地图信息变化的文本。

本实施例提供的地图信息变化的识别装置，可用于执行上述任一实施例描述的地图信息变化的识别方法，其实现原理和技术效果类似，在此不再赘述。

图4为本发明提供的电子设备的硬件结构示意图。如图4所示，本实施例的电子设备可以包括：

存储器401，用于存储程序指令。

处理器402，用于在所述程序指令被执行时实现上述任一实施例描述的地图信息变化的识别方法，具体实现原理可参见上述实施例，本实施例此处不再赘述。

本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例描述的地图信息变化的识别方法。

本发明还提供一种程序产品，所述程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备实施上述任一实施例描述的地图信息变化的识别方法。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述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。

另外，在本发明各个实施例中的各功能单元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，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application Specific Integrated Circuit，简称：ASIC)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。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案的范围。