层次符号森林中的消化算法：面向特定场景与轻量部署的快速文本归一化算法及语义解析框架

文本归一化与语义解析在自然语言处理中有着众多应用，例如自然语言编程、释义、数据增强、构建专家系统、文本匹配等。尽管深度学习在大语言模型（LLM）中取得了显著成就，但神经网络架构的可解释性仍然较差，这影响了其可信度，从而限制了在风险敏感场景中的部署。在某些数据稀缺的特定场景领域，快速获取大量监督学习标签具有挑战性，而人工标注数据的工作量将非常巨大。神经网络中的灾难性遗忘进一步导致数据利用率低。在需要快速响应的关键情况下，模型的密集性使得本地部署困难且响应时间长，不利于这些领域的本地应用。受乘法规则（组合数学的一个原理）和人类思维模式的启发，本文提出了一种多层框架及其算法——层次符号森林中的消化算法（DAHSF），将文本归一化与语义解析工作流相结合。中文脚本语言“火兔智能开发平台V2.0”是本文所讨论技术的重要测试与应用。DAHSF可在特定场景领域的小数据集上本地运行，模型大小和内存使用优化至少两个数量级，从而提高了执行速度，并具有良好的优化前景。