CN107944559B - 一种实体关系自动识别方法及系统 - Google Patents
一种实体关系自动识别方法及系统 Download PDFInfo
- Publication number
- CN107944559B CN107944559B CN201711190865.9A CN201711190865A CN107944559B CN 107944559 B CN107944559 B CN 107944559B CN 201711190865 A CN201711190865 A CN 201711190865A CN 107944559 B CN107944559 B CN 107944559B
- Authority
- CN
- China
- Prior art keywords
- corpus
- entity
- relationship
- word vectors
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种实体关系自动识别方法及系统，该方法包括：训练卷积神经网络得到实体关系识别模型；获取对应待确认实体组的相关语料库；将相关语料进行分词，并将分词得到的相关词语转化为相关词向量；将相关词向量按相关语料转化为矩阵作为实体关系识别模型的输入，得到相关关系种类和相关关系种类的相似度值，将相似度值高的相关关系种类作为待确认实体组的关系种类。本发明通过锻炼卷积神经网络作为实体关系识别模型，在出现新增实体时，计算得到一系列新增实体组的关系种类，并得出每一项关系种类的相似度值，通过具体的数值来确定相关关系种类的程度，提高得到的新增实体组之间关系种类的准确性。
Description
技术领域
本发明涉及实体关系识别技术领域，尤其涉及一种实体关系自动识别方法及系统。
背景技术
目前，知识图谱最早被应用于搜索引擎领域，旨在通过语义把碎片化的数据关联起来，让用户能直接搜索到事务(Things)，而不是文本字符串(Strings)。在搜索引擎中引入知识图谱大幅的提升和优化了搜索体验。
近年来，随着人工智能的再次兴起，知识图谱又被广泛的应用于聊天机器人和问答系统中，用于辅助深度理解人类的语言和支持推理，并提升人机问答的用户体验等。典型的如IBM的Watson，苹果的Siri，Google Allo，Amazon Echo，百度度秘，公子小白等。
此外，知识图谱还被用来提升数据分析的能力和效果。例如著名的大数据公司Palantir利用知识图谱建立数据的关联以提升上游数据分析的效果。与知识图谱有关的语义技术也被用来提升机器与机器之间的语义互操作能力，解决机器之间的语义理解问题。例如，全球最大物联网标准化组织OneM2M就把语义和知识技术作为物联设备抽象和语义封装的技术基础。
在金融、农业、电商、医疗健康、环境保护等大量的垂直领域，知识图谱都得到广泛的应用。例如，很多金融领域公司也构建了金融知识库以进行碎片化金融数据的集成与管理，并辅助金融专家进行风控控制、欺诈识别等；生物医疗专家通过集成和分析大规模的生物医学知识图谱，辅助其进行药物发现、潜在靶点识别等多方面任务。
在所关注的这个特定问题中，所研究的对象是文本。在文本当中会出现许多实体，比如，“张三是北京航空航天大学的学生”这句话中出现了两个实体，一个是“张三”，一个是“北京航空航天大学”，而“学生”不是实体，“北京”或是“大学”也不是。而“张三”和“北京航空航天大学”之间的关系是“学生”关系。而这些实体和他们之间的关系，就是想要构建的目标。
发明内容
(一)要解决的技术问题
本发明实施例要解决的技术问题是解决新出现的实体在现有的知识图谱中之间关系的无法确定的问题。
(二)技术方案
为了解决上述技术问题，本发明实施例提供了一种实体关系自动识别方法，包括：
对每一种关系种类从知识图谱中获取具有所述关系种类的若干实体组；从知识库中分别获取对应不同所述实体组的语料库，将所述语料库中的语料进行分词，并将分词得到的词语转化为词向量；
将语料库中的所述词向量转化为矩阵作为输入，将所述语料库对应的实体组的关系种类作为输出，训练得到实体关系识别模型；
从知识库中获取对应待确认实体组的相关语料库；将所述相关语料库中的相关语料进行分词，并将分词得到的相关词语转化为相关词向量；
将所述相关词向量按相关语料转化为矩阵作为所述实体关系识别模型的输入，得到所述相关语料库中每一条相关语料的相关关系种类和所述相关关系种类的相似度值；
将所有所述相似度值按大小进行排序，将排名名次高于预设排名名次的相似度值对应的所述相关关系种类作为所述待确认实体组的关系种类。
在上述技术方案的基础上，本发明实施例还可以做如下改进。
可选的，所述将排名名次高于预设排名名次的相似度值对应的所述相关关系种类作为所述待确认实体组的关系种类之后，该自动识别方法还包括：
根据所述待确认实体组的关系种类对所述知识图谱进行更新。
采取上述可选的方案的有益效果是：将识别完成的实体之间的关系种类在知识图谱中进行更新，使用户可以更高效的获取新增实体之间的关系。
可选的，所述实体关系识别模型的结构包括：卷积神经网络结合softmax分类器或深层卷积神经网络结合softmax分类器。
采取上述可选的方案的有益效果是：通过卷积神经网络或深层卷积神经网络的学习能力通过链式计算能力计算新增实体之间的相似度值，利用softmax分类器来避免系统只取排序结果中相似度值更大的关系种类，只是让相似度更大的关系更容易被获取，以提高系统的智能程度。
可选的，所述将语料库中的所述词向量转化为矩阵作为输入，将所述语料库对应的实体组的关系种类作为输出，训练得到实体关系识别模型，具体包括：
将所述语料库中的所述词向量转化为矩阵输入所述卷积神经网络中，利用卷积神经网络的正向传播按预设权重进行迭代计算得到预测值；
利用卷积神经网络的反向传播计算预测值与所述语料库对应的实体组的关系种类的误差值，当所述误差值大于或等于预设阀值时，对预设权重进行调整，重新进行迭代计算预测值；当误差值小于预设阀值时，则得到所述实体关系识别模型。
采取上述可选的方案的有益效果是：通过现有的知识图谱中各项实体的关系和关系种类作为输入和输出训练卷积神经网络，根据卷积神经网络的链式传导特性计算出传导过程中的误差值，并设置误差阀值，对卷积神经网络中各节点权重值进行调整，使卷积神经网络计算的预测值与最终结果的误差小于误差阀值，此时的卷积神经网络训练完毕，可以作为实体关系识别模型，提高本发明对实体之间的关系的识别效率。
可选的，计算所述相关关系种类的相似度值，具体包括：
根据所述相关关系种类从知识图谱中获取具有所述相关关系种类的检测实体组，从知识库中获取对应所述检测实体组的检测语料；
将所述检测语料进行分词，并将分词得到的检测词语转化为检测词向量；
根据所有所述检测词向量的平均词向量和所述相关关系种类对应的所有所述相关词向量的平均词向量计算得到检测语料与相关语料的相似度值，即所述相关关系种类的相似度值。
采取上述可选的方案的有益效果是：通过相关词向量输入实体关系识别器后得到相关关系种类，在知识图谱中获取该相关关系种类的检测实体组，并获取该检测实体组相对应的检测语料，根据监测语料得到检测词向量的平均词向量，将监测词向量的平均词向量与相关词向量的平均词向量进行计算，得到检测语料和相关语料的相似度值，由此来判断该相关关系种类的相似度值，通过具体的数值来确定相关关系种类的程度，提高判断的准确性。
本发明实施例还提供实现上述方法的一种实体关系自动识别系统，包括：知识图谱、知识库，还包括：数据提取模块、数据处理模块、数据录入模块和判断模块；
所述数据提取模块，用于对每一种关系种类从所述知识图谱中获取具有所述关系种类的若干实体组；从所述知识库中分别获取对应不同所述实体组的语料库；
所述数据处理模块，用于将所述语料库中的语料进行分词，并将分词得到的词语转化为词向量；将语料库中的所述词向量转化为矩阵作为输入，将所述语料库对应的实体组的关系种类作为输出，训练得到实体关系识别模型；
所述数据录入模块，用于接收用户输入的待确认实体组；
所述数据提取模块，还用于从知识库中获取对应待确认实体组的相关语料库；将所述相关语料库中的相关语料进行分词，并将分词得到的相关词语转化为相关词向量；
所述数据处理模块，还用于将所述相关词向量按相关语料转化为矩阵作为所述实体关系识别模型的输入，得到所述相关语料库中每一条相关语料的相关关系种类和所述相关关系种类的相似度值；
所述判断模块，用于将所有所述相似度值按大小进行排序，将排名名次高于预设排名名次的相似度值对应的所述相关关系种类作为所述待确认实体组的关系种类。
可选的，该自动识别系统还包括：数据更新模块，用于根据所述待确认实体组的关系种类对所述知识图谱进行更新。
可选的，所述数据处理模块，具体用于，将语料库中的所述词向量转化为矩阵作为输入，将所述语料库对应的实体组的关系种类作为输出，训练得到结构为卷积神经网络结合softmax分类器或深层卷积神经网络结合softmax分类器的实体关系识别模型。
可选的，所述数据处理模块，具体用于，将所述语料库中的所述词向量转化为矩阵输入所述卷积神经网络中，利用卷积神经网络的正向传播按预设权重进行迭代计算得到预测值；利用卷积神经网络的反向传播计算预测值与所述语料库对应的实体组的关系种类的误差值，当所述误差值大于或等于预设阀值时，对预设权重进行调整，重新进行迭代计算预测值；当误差值小于预设阀值时，则得到所述实体关系识别模型。
可选的，所述数据处理模块，具体用于，根据所述相关关系种类从知识图谱中获取具有所述相关关系种类的检测实体组，从知识库中获取对应所述检测实体组的检测语料；将所述检测语料进行分词，并将分词得到的检测词语转化为检测词向量；根据所有所述检测词向量的平均词向量和所述相关关系种类对应的所有所述相关词向量的平均词向量计算得到检测语料与相关语料的相似度值，即所述相关关系种类的相似度值。
(三)有益效果
本发明的上述技术方案与现有技术相比具有如下优点：本发明通过现有的知识图谱中各个实体作为输入，实体之间的关系作为输出，由此锻炼卷积神经网络作为实体关系识别模型，在出现新增实体时，计算得到一系列新增实体组的关系种类，并得出每一项关系种类的相似度值，通过具体的数值来确定相关关系种类的程度，提高得到的新增实体组之间关系种类的准确性。
附图说明
图1是本发明实施例提供的一种实体关系自动识别方法流程示意图；
图2是本发明实施例提供的一种实体关系自动识别系统结构示意图；
图3是本发明实施例提供的实体关系识别模型中卷积神经网络工作原理图。
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的一部分实施例，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做出创造性劳动的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。
如图1所示，本发明实施例提供的一种实体关系自动识别方法流程示意图，包括：
对每一种关系种类从知识图谱中获取具有关系种类的若干实体组；从知识库中分别获取对应不同实体组的语料库，将语料库中的语料进行分词，并将分词得到的词语转化为词向量；
将语料库中的词向量转化为矩阵作为输入，将语料库对应的实体组的关系种类作为输出，训练得到实体关系识别模型；
从知识库中获取对应待确认实体组的相关语料库；将相关语料库中的相关语料进行分词，并将分词得到的相关词语转化为相关词向量；
将相关词向量按相关语料转化为矩阵作为实体关系识别模型的输入，得到相关语料库中每一条相关语料的相关关系种类和相关关系种类的相似度值；
将所有相似度值按大小进行排序，将排名名次高于预设排名名次的相似度值对应的相关关系种类作为待确认实体组的关系种类。
上述实施例中，从知识图谱中获取具有某种关系种类的若干实体组，并从知识库中获取每组实体组的语料库，对语料库中的语料进行分词，并转化为词向量，将语料库中的每一条语料的词向量对应矩阵作为输入，将该语料的关系种类作为输出，由此训练卷积神经网络得到实体关系识别模型，从知识库中获取新增的实体组的语料库，将语料库中的语料进行分词，并得到词向量作为实体关系识别模型的输入，得到新增的实体组的关系种类，并计算该关系种类的相似度，通过具体的数值来确定相关关系种类的程度，提高得到的新增实体组之间关系种类的准确性。
如图2所示，本发明实施例一种实体关系自动识别系统结构示意图，包括：知识图谱、知识库，还包括：数据提取模块、数据处理模块、数据录入模块和判断模块；
数据提取模块，用于对每一种关系种类从知识图谱中获取具有关系种类的若干实体组；从知识库中分别获取对应不同实体组的语料库；
数据处理模块，用于将语料库中的语料进行分词，并将分词得到的词语转化为词向量；将语料库中的词向量转化为矩阵作为输入，利用实体之间关系隐藏在上下文语义的特点，将实体之间上下文作为深度卷积神经网络的输入，将语料库对应的实体组的关系种类作为输出，训练得到结构为卷积神经网络结合softmax分类器或深层卷积神经网络结合softmax分类器的实体关系识别模型，通过卷积神经网络或深层卷积神经网络的学习能力通过链式计算能力计算新增实体之间的相似度值，利用softmax分类器来避免系统只取排序结果中相似度值更大的关系种类，只是让相似度更大的关系更容易被获取，以提高系统的智能程度；
如图3所示，实体关系识别模型的卷积神经网络工作原理，将语料库中的词向量按语料来转化为矩阵，一个语料库中可以得到一个完整矩阵，具有相同关系的若干实体组分别具备一个语料库，由此对一种关系种类即可得到多个完整矩阵，作为卷积神经网络的输入，卷积神经网络通过链式传导进行迭代，将多个完整矩阵进行卷积，从而得到输出，并根据关系种类作为输出，对卷积神经网络进行反向传播计算误差值，并根据误差值来对卷积神经网络中各传播节点的权重值进行调整，以另一种关系种类的多个完整矩阵作为输入经历上述过程，以实现训练卷积神经网络的过程。
具体的，实体关系识别模型的训练过程包括：将语料库中的词向量转化为矩阵输入卷积神经网络中，利用卷积神经网络的正向传播按预设权重进行迭代计算得到预测值；利用卷积神经网络的反向传播计算预测值与语料库对应的实体组的关系种类的误差值，当误差值大于或等于预设阀值时，对预设权重进行调整，重新进行迭代计算预测值；当误差值小于预设阀值时，则得到实体关系识别模型。
数据录入模块，用于接收用户输入的待确认实体组；
数据提取模块，还用于从知识库中获取对应待确认实体组的相关语料库；将相关语料库中的相关语料进行分词，并将分词得到的相关词语转化为相关词向量；
数据处理模块，还用于将相关词向量按相关语料转化为矩阵作为实体关系识别模型的输入，得到相关语料库中每一条相关语料的相关关系种类和相关关系种类的相似度值；
具体的，相关关系种类的相似度值的计算过程包括：根据相关关系种类从知识图谱中获取具有相关关系种类的检测实体组，从知识库中获取对应检测实体组的检测语料；将检测语料进行分词，并将分词得到的检测词语转化为检测词向量；根据所有检测词向量的平均词向量和相关关系种类对应的所有相关词向量的平均词向量计算得到检测语料与相关语料的相似度值，即相关关系种类的相似度值；
判断模块，用于将所有相似度值按大小进行排序，将排名名次高于预设排名名次的相似度值对应的相关关系种类作为待确认实体组的关系种类，具体的，如取出得到的相似度值排名top5的关系种类作为待确认实体组的关系种类，将传统的实体之间关系判别转换为分类排名问题；利用实体之间关系隐藏在上下文语义的特点，将实体之间上下文作为深度卷积神经网络的输入；输出层为实体之间关系的排名打分，分值越高，所属关系的概率越大。
在本实施例中，自动识别系统还包括：数据更新模块，用于根据待确认实体组的关系种类对知识图谱进行更新，将识别完成的实体之间的关系种类在知识图谱中进行更新，使用户可以更高效的获取新增实体之间的关系。
最后应说明的是：以上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精神和范围。
Claims (8)
1.一种实体关系自动识别方法，其特征在于，包括：
对每一种关系种类从知识图谱中获取具有所述关系种类的若干实体组；从知识库中分别获取对应不同所述实体组的语料库，将所述语料库中的语料进行分词，并将分词得到的词语转化为词向量；
将语料库中的所述词向量转化为矩阵作为输入，将所述语料库对应的实体组的关系种类作为输出，训练得到实体关系识别模型；
从知识库中获取对应待确认实体组的相关语料库；将所述相关语料库中的相关语料进行分词，并将分词得到的相关词语转化为相关词向量；
将所述相关词向量按相关语料转化为矩阵作为所述实体关系识别模型的输入，得到所述相关语料库中每一条相关语料的相关关系种类；并计算所述相关关系种类的相似度值；
将所有所述相似度值按大小进行排序，将排名名次高于预设排名名次的相似度值对应的所述相关关系种类作为所述待确认实体组的关系种类；
计算所述相关关系种类的相似度值，具体包括：
根据所述相关关系种类从知识图谱中获取具有所述相关关系种类的检测实体组，从知识库中获取对应所述检测实体组的检测语料；
将所述检测语料进行分词，并将分词得到的检测词语转化为检测词向量；
根据所有所述检测词向量的平均词向量和所述相关关系种类对应的所有所述相关词向量的平均词向量计算得到检测语料与相关语料的相似度值，即所述相关关系种类的相似度值。
2.根据权利要求1所述的一种实体关系自动识别方法，其特征在于，所述将排名名次高于预设排名名次的相似度值对应的所述相关关系种类作为所述待确认实体组的关系种类之后，该自动识别方法还包括：
根据所述待确认实体组的关系种类对所述知识图谱进行更新。
3.根据权利要求1所述的一种实体关系自动识别方法，其特征在于，所述实体关系识别模型的结构包括：卷积神经网络结合softmax分类器或深层卷积神经网络结合softmax分类器。
4.根据权利要求3所述的一种实体关系自动识别方法，其特征在于，所述将语料库中的所述词向量转化为矩阵作为输入，将所述语料库对应的实体组的关系种类作为输出，训练得到实体关系识别模型，具体包括：
将所述语料库中的所述词向量转化为矩阵输入所述卷积神经网络中，利用卷积神经网络的正向传播按预设权重进行迭代计算得到预测值；
利用卷积神经网络的反向传播计算预测值与所述语料库对应的实体组的关系种类的误差值，当所述误差值大于或等于预设阀值时，对预设权重进行调整，重新进行迭代计算预测值；当误差值小于预设阀值时，则得到所述实体关系识别模型。
5.一种实体关系自动识别系统，包括：知识图谱、知识库，其特征在于，还包括：数据提取模块、数据处理模块、数据录入模块和判断模块；
所述数据提取模块，用于对每一种关系种类从所述知识图谱中获取具有所述关系种类的若干实体组；从所述知识库中分别获取对应不同所述实体组的语料库；
所述数据处理模块，用于将所述语料库中的语料进行分词，并将分词得到的词语转化为词向量；将语料库中的所述词向量转化为矩阵作为输入，将所述语料库对应的实体组的关系种类作为输出，训练得到实体关系识别模型；
所述数据录入模块，用于接收用户输入的待确认实体组；
所述数据提取模块，还用于从知识库中获取对应待确认实体组的相关语料库；将所述相关语料库中的相关语料进行分词，并将分词得到的相关词语转化为相关词向量；
所述数据处理模块，还用于将所述相关词向量按相关语料转化为矩阵作为所述实体关系识别模型的输入，得到所述相关语料库中每一条相关语料的相关关系种类；并计算所述相关关系种类的相似度值；
所述判断模块，用于将所有所述相似度值按大小进行排序，将排名名次高于预设排名名次的相似度值对应的所述相关关系种类作为所述待确认实体组的关系种类；
所述数据处理模块，具体用于，根据所述相关关系种类从知识图谱中获取具有所述相关关系种类的检测实体组，从知识库中获取对应所述检测实体组的检测语料；将所述检测语料进行分词，并将分词得到的检测词语转化为检测词向量；根据所有所述检测词向量的平均词向量和所述相关关系种类对应的所有所述相关词向量的平均词向量计算得到检测语料与相关语料的相似度值，即所述相关关系种类的相似度值。
6.根据权利要求5所述的一种实体关系自动识别系统，其特征在于，该自动识别系统还包括：数据更新模块，用于根据所述待确认实体组的关系种类对所述知识图谱进行更新。
7.根据权利要求5所述的一种实体关系自动识别系统，其特征在于，所述数据处理模块，具体用于，将语料库中的所述词向量转化为矩阵作为输入，将所述语料库对应的实体组的关系种类作为输出，训练得到结构为卷积神经网络结合softmax分类器或深层卷积神经网络结合softmax分类器的实体关系识别模型。
8.根据权利要求7所述的一种实体关系自动识别系统，其特征在于，所述数据处理模块，具体用于，将所述语料库中的所述词向量转化为矩阵输入所述卷积神经网络中，利用卷积神经网络的正向传播按预设权重进行迭代计算得到预测值；利用卷积神经网络的反向传播计算预测值与所述语料库对应的实体组的关系种类的误差值，当所述误差值大于或等于预设阀值时，对预设权重进行调整，重新进行迭代计算预测值；当误差值小于预设阀值时，则得到所述实体关系识别模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711190865.9A CN107944559B (zh) | 2017-11-24 | 2017-11-24 | 一种实体关系自动识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711190865.9A CN107944559B (zh) | 2017-11-24 | 2017-11-24 | 一种实体关系自动识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107944559A CN107944559A (zh) | 2018-04-20 |
| CN107944559B true CN107944559B (zh) | 2021-04-27 |
Family
ID=61949658
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711190865.9A Active CN107944559B (zh) | 2017-11-24 | 2017-11-24 | 一种实体关系自动识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107944559B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108733792B (zh) * | 2018-05-14 | 2020-12-01 | 北京大学深圳研究生院 | 一种实体关系抽取方法 |
| CN109191281A (zh) * | 2018-08-21 | 2019-01-11 | 重庆富民银行股份有限公司 | 一种基于知识图谱的团体欺诈识别系统 |
| CN109739983A (zh) * | 2018-12-23 | 2019-05-10 | 北京明朝万达科技股份有限公司 | 识别公安笔录人物关系的方法、装置及计算机可读介质 |
| CN109885627A (zh) * | 2019-02-13 | 2019-06-14 | 北京航空航天大学 | 一种神经网络训练实体间关系的方法及装置 |
| CN109902186B (zh) * | 2019-03-12 | 2021-05-11 | 北京百度网讯科技有限公司 | 用于生成神经网络的方法和装置 |
| CN110134772B (zh) * | 2019-04-18 | 2023-05-12 | 五邑大学 | 基于预训练模型与微调技术的医疗文本关系抽取方法 |
| CN110399339A (zh) * | 2019-06-18 | 2019-11-01 | 平安科技（深圳）有限公司 | 知识库管理系统的文件分类方法、装置、设备及存储介质 |
| CN110263167B (zh) * | 2019-06-20 | 2022-07-29 | 北京百度网讯科技有限公司 | 医疗实体分类模型生成方法、装置、设备和可读存储介质 |
| CN110781309A (zh) * | 2019-07-01 | 2020-02-11 | 厦门美域中央信息科技有限公司 | 一种基于模式匹配的实体并列关系相似度计算方法 |
| CN112463974A (zh) * | 2019-09-09 | 2021-03-09 | 华为技术有限公司 | 知识图谱建立的方法和装置 |
| CN111062214B (zh) * | 2019-11-25 | 2021-11-19 | 中国科学院计算技术研究所 | 基于深度学习的集成实体链接方法及系统 |
| CN111160035B (zh) * | 2019-12-31 | 2023-06-20 | 北京明朝万达科技股份有限公司 | 文本语料的处理方法和装置 |
| CN111506706B (zh) * | 2020-04-15 | 2022-06-17 | 重庆邮电大学 | 一种基于关系相似度的上下义关系森林构建方法 |
| CN112307217B (zh) * | 2020-09-16 | 2021-12-14 | 北京中兵数字科技集团有限公司 | 知识图谱模型的构建方法以及构建装置、存储介质 |
| CN112487201B (zh) * | 2020-11-26 | 2022-05-10 | 西北工业大学 | 一种使用共享参数卷积神经网络的知识图谱表示方法 |
| CN112837769A (zh) * | 2021-01-12 | 2021-05-25 | 山东众阳健康科技集团有限公司 | 一种基于深度学习和知识图谱的患者画像方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101837262B1 (ko) * | 2016-02-15 | 2018-04-20 | 한국과학기술원 | 단어 자질 가중치를 적용한 딥 러닝 기반 개체 유형 분류 방법 |
| CN106354710A (zh) * | 2016-08-18 | 2017-01-25 | 清华大学 | 一种神经网络关系抽取方法 |
| CN106649275A (zh) * | 2016-12-28 | 2017-05-10 | 成都数联铭品科技有限公司 | 基于词性信息和卷积神经网络的关系抽取方法 |
| CN106855853A (zh) * | 2016-12-28 | 2017-06-16 | 成都数联铭品科技有限公司 | 基于深度神经网络的实体关系抽取系统 |
-
2017
- 2017-11-24 CN CN201711190865.9A patent/CN107944559B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107944559A (zh) | 2018-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107944559B (zh) | 一种实体关系自动识别方法及系统 | |
| CN110298037B (zh) | 基于增强注意力机制的卷积神经网络匹配的文本识别方法 | |
| CN107480125B (zh) | 一种基于知识图谱的关系链接方法 | |
| CN104615767B (zh) | 搜索排序模型的训练方法、搜索处理方法及装置 | |
| CN106845411B (zh) | 一种基于深度学习和概率图模型的视频描述生成方法 | |
| CN108984530A (zh) | 一种网络敏感内容的检测方法及检测系统 | |
| CN112257449B (zh) | 命名实体识别方法、装置、计算机设备和存储介质 | |
| CN109325229B (zh) | 一种利用语义信息计算文本相似度的方法 | |
| CN107038480A (zh) | 一种基于卷积神经网络的文本情感分类方法 | |
| CN111444344B (zh) | 实体分类方法、装置、计算机设备和存储介质 | |
| CN107526799A (zh) | 一种基于深度学习的知识图谱构建方法 | |
| CN109271522A (zh) | 基于深度混合模型迁移学习的评论情感分类方法及系统 | |
| CN110287323B (zh) | 一种面向目标的情感分类方法 | |
| CN105139237A (zh) | 信息推送的方法和装置 | |
| CN104142995B (zh) | 基于视觉属性的社会事件识别方法 | |
| CN110175221B (zh) | 利用词向量结合机器学习的垃圾短信识别方法 | |
| CN109993100A (zh) | 基于深层特征聚类的人脸表情识别的实现方法 | |
| CN111581364B (zh) | 一种面向医疗领域的中文智能问答短文本相似度计算方法 | |
| CN110489554B (zh) | 基于位置感知互注意力网络模型的属性级情感分类方法 | |
| CN110717330A (zh) | 基于深度学习的词句级短文本分类方法 | |
| CN110879834A (zh) | 一种基于循环卷积网络的观点检索系统及其观点检索方法 | |
| CN104008187A (zh) | 一种基于最小编辑距离的半结构化文本匹配方法 | |
| CN108920446A (zh) | 一种工程文本的处理方法 | |
| CN114417851A (zh) | 一种基于关键词加权信息的情感分析方法 | |
| CN103744958B (zh) | 一种基于分布式计算的网页分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |