CN109657073A - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN109657073A CN109657073A CN201811572448.5A CN201811572448A CN109657073A CN 109657073 A CN109657073 A CN 109657073A CN 201811572448 A CN201811572448 A CN 201811572448A CN 109657073 A CN109657073 A CN 109657073A
- Authority
- CN
- China
- Prior art keywords
- person names
- information
- relation
- personage
- names
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Machine Translation (AREA)
Abstract
本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:确定所获取的文本信息中包括的至少两个人物名称;对于上述至少两个人物名称中的两个人物名称,确定该两个人物名称对应的两个人物之间是否存在关系,响应于确定该两个人物名称对应的人物之间存在关系,确定该两个人物名称对应的人物之间的关系信息;基于所确定的关系信息,生成针对上述文本信息中至少两个人物名称对应的人物的关系图谱。该实施方式自动生成了文本信息中多个人物名称对应的人物的关系图谱,提高了信息生成的效率。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于生成信息的方法和装置。
背景技术
阅读是人类获取知识的主要途径之一。当读者阅读文章、书籍等资料时,如果资料中出现大量的人物,会加大读者的阅读难度。读者想要从资料中抽取和分析人物关系,往往需要重复阅读资料,对于人力的消耗较大。
发明内容
本申请实施例提出了用于生成信息的方法和装置。
第一方面,本申请实施例提供了一种用于生成信息的方法,该方法包括:确定所获取的文本信息中包括的至少两个人物名称;对于上述至少两个人物名称中的两个人物名称,确定该两个人物名称对应的两个人物之间是否存在关系,响应于确定该两个人物名称对应的人物之间存在关系,确定该两个人物名称对应的人物之间的关系信息;基于所确定的关系信息,生成针对上述文本信息中至少两个人物名称对应的人物的关系图谱。
在一些实施例中,上述确定该两个人物名称对应的人物之间的关系信息,包括:统计该两个人物名称在上述文本信息中的共现次数;响应于确定上述共现次数大于预设的次数阈值,根据上述共现次数确定该两个人物名称对应的人物之间的关系密切度,将上述关系密切度作为该两个人物名称对应的人物之间的关系信息。
在一些实施例中,上述基于所确定的信息,生成针对上述文本信息中至少两个人物名称对应的人物的关系图谱,包括:对于上述至少两个人物名称中的人物名称,根据该人物名称在上述文本信息中出现的次数,确定以该人物名称为内容的节点的大小;根据上述至少两个人物名称中的两个人物名称所对应的人物之间的关系密切度,确定针对上述至少两个人物名称得到的至少两个节点之间连线的粗细程度信息,得到上述文本信息中至少两个人物名称对应的人物的关系图谱。
在一些实施例中,上述确定该两个人物名称对应的人物之间的关系信息,包括:将上述文本信息中包含该两个人物名称的语句作为目标语句;对上述目标语句进行句法分析,得到该两个人物名称在上述目标语句中的句法特征;将上述句法特征输入预先建立的人物关系识别模型,得到该两个人物名称所对应的人物之间的关系信息,其中,上述人物关系识别模型用于表征语句中两个人物名称的句法特征与上述语句中两个人物名称所对应的人物之间的关系信息的对应关系。
在一些实施例中,上述基于所确定的关系信息,生成针对上述文本信息中至少两个人物名称对应的人物的关系图谱,包括:将上述至少两个人物名称中的人物名称作为节点的内容,得到至少两个节点;根据上述至少两个节点中的人物名称对应的人物之间的关系信息,确定上述至少两个节点之间的边,得到上述文本信息中至少两个人物名称对应的人物的关系图谱。
在一些实施例中,上述人物关系识别模型通过以下方式训练得到:获取样本集,其中,样本包括样本语句中两个人物名称的句法特征以及样本语句中两个人物名称所对应的人物的关系信息;将上述样本集中样本包括的句法特征作为输入,将与输入的句法特征对应的关系信息作为期望输出,训练得到上述人物关系识别模型。
在一些实施例中,上述人物关系识别模型的训练还包括:将上述目标语句、该两个人物名称以及得到的该两个人物名称对应的人物之间的关系信息作为已识别数据关联存储到已识别数据集合;将上述已识别数据集合中关联存储的语句、人物名称以及关系信息进行发送;接收数据选取信息和关系信息修改信息,其中,上述数据选取信息和上述关系信息修改信息是用户针对上述已识别数据集合中识别错误的已识别数据生成的;根据上述数据选取信息从上述已识别数据集合中选取至少一条已识别数据;对于上述至少一条已识别数据中的已识别数据,根据上述关系信息修改信息对该已识别数据中的关系信息进行修改;确定该已识别数据包括的语句中的两个人物名称的句法特征,将确定的句法特征和修改后的关系信息作为目标样本关联存储到目标样本集;将上述人物关系识别模型作为初始模型,使用上述目标样本集训练上述初始模型,得到更新后的人物关系识别模型。
第二方面,本申请实施例提供了一种用于生成信息的装置,装置包括:第一确定单元,被配置成确定所获取的文本信息中包括的至少两个人物名称;第二确定单元,被配置成对于上述至少两个人物名称中的两个人物名称,确定该两个人物名称对应的两个人物之间是否存在关系,响应于确定该两个人物名称对应的人物之间存在关系,确定该两个人物名称对应的人物之间的关系信息;生成单元,被配置成基于所确定的关系信息,生成针对上述文本信息中至少两个人物名称对应的人物的关系图谱。
在一些实施例中,上述第二确定单元进一步被配置成:统计该两个人物名称在上述文本信息中的共现次数;响应于确定上述共现次数大于预设的次数阈值,根据上述共现次数确定该两个人物名称对应的人物之间的关系密切度,将上述关系密切度作为该两个人物名称对应的人物之间的关系信息。
在一些实施例中,上述生成单元进一步被配置成:对于上述至少两个人物名称中的人物名称,根据该人物名称在上述文本信息中出现的次数,确定以该人物名称为内容的节点的大小;根据上述至少两个人物名称中的两个人物名称所对应的人物之间的关系密切度,确定针对上述至少两个人物名称得到的至少两个节点之间连线的粗细程度信息,得到上述文本信息中至少两个人物名称对应的人物的关系图谱。
在一些实施例中,上述第二确定单元进一步被配置成:将上述文本信息中包含该两个人物名称的语句作为目标语句;对上述目标语句进行句法分析,得到该两个人物名称在上述目标语句中的句法特征;将上述句法特征输入预先建立的人物关系识别模型,得到该两个人物名称所对应的人物之间的关系信息,其中,上述人物关系识别模型用于表征语句中两个人物名称的句法特征与上述语句中两个人物名称所对应的人物之间的关系信息的对应关系。
在一些实施例中,上述生成单元进一步被配置成:将上述至少两个人物名称中的人物名称作为节点的内容,得到至少两个节点;根据上述至少两个节点中的人物名称对应的人物之间的关系信息,确定上述至少两个节点之间的边,得到上述文本信息中至少两个人物名称对应的人物的关系图谱。
在一些实施例中,上述人物关系识别模型通过以下方式训练得到:获取样本集,其中,样本包括样本语句中两个人物名称的句法特征以及样本语句中两个人物名称所对应的人物的关系信息;将上述样本集中样本包括的句法特征作为输入,将与输入的句法特征对应的关系信息作为期望输出,训练得到上述人物关系识别模型。
在一些实施例中,上述人物关系识别模型的训练还包括:将上述目标语句、该两个人物名称以及得到的该两个人物名称对应的人物之间的关系信息作为已识别数据关联存储到已识别数据集合;将上述已识别数据集合中关联存储的语句、人物名称以及关系信息进行发送;接收数据选取信息和关系信息修改信息,其中,上述数据选取信息和上述关系信息修改信息是用户针对上述已识别数据集合中识别错误的已识别数据生成的;根据上述数据选取信息从上述已识别数据集合中选取至少一条已识别数据;对于上述至少一条已识别数据中的已识别数据,根据上述关系信息修改信息对该已识别数据中的关系信息进行修改;确定该已识别数据包括的语句中的两个人物名称的句法特征,将确定的句法特征和修改后的关系信息作为目标样本关联存储到目标样本集;将上述人物关系识别模型作为初始模型,使用上述目标样本集训练上述初始模型,得到更新后的人物关系识别模型。
第三方面,本申请实施例提供了一种设备,该设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于生成信息的方法和装置,首先确定所获取的文本信息中包括的至少两个人物名称,而后对于至少两个人物名称中的两个人物名称,响应于确定该两个人物名称对应的人物之间存在关系,进一步确定该两个人物名称对应的人物之间的关系信息,最后基于所确定的关系信息生成针对文本信息中至少两个人物名称对应的人物的关系图谱,从而自动生成文本信息中多个人物名称对应的人物的关系图谱,提高了信息生成的效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于生成信息的方法的一个实施例的流程图;
图3是根据本申请的用于生成信息的方法的一个应用场景的示意图;
图4是根据本申请的用于生成信息的方法的又一个实施例的流程图;
图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的用于生成信息的方法或用于生成信息的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如阅读类应用、网页浏览器应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的信息提供支持的后台服务器。后台服务器可以对接收到的文本信息进行分析等处理,并将处理结果(例如关系图谱)反馈给终端设备101、102、103。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
需要说明的是,本申请实施例所提供的用于生成信息的方法可以通过终端设备101、102、103执行,也可以通过服务器105执行。相应地,用于生成信息的装置可以设置于终端设备101、102、103中,也可以设置于服务器105中。本申请对此不做限定。
继续参考图2,示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,确定所获取的文本信息中包括的至少两个人物名称。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的终端设备101、102、103或者服务器105)可以获取文本信息。作为示例,当执行主体为终端设备时,执行主体可以直接获取用户发送的文本信息。当执行主体为服务器时,执行主体可以通过有线连接方式或者无线连接方式从用户利用其进行文本信息输入的终端获取文本信息。在这里,文本信息可以是指小说、新闻等等。可以理解的是,当执行主体直接获取的信息为语音信息、图像信息等非文本类的信息时,执行主体可以对语音信息、图像信息等进行处理,从而获取文本信息。例如,可以对语音信息进行语音识别,从而得到与语音信息对应的文本信息。又例如,可以对图像信息进行语义识别,从而得到与图像信息对应的文本信息。显而易见,语音识别和语义识别的技术是目前广泛研究和应用的公知技术,因此这里不再赘述。
实践中,执行主体获取文本信息之后,首先可以对文本信息进行命名实体识别(Named Entity Recognition),抽取出文本信息中所有的实体(Entity)。并将其中识别为人名分类的实体标记为人物名称,得到人物名称集合。之后,执行主体可以对人物名称集合执行以下过滤处理:对于人物名称集合中的每一个人物名称,统计该人物名称在文本信息中出现的次数;响应于确定该人物名称在文本信息中出现的次数小于预设的次数阈值,将该人物名称从人物名称集合中去除。最后,执行主体将过滤处理后的人物名称集合中包括的多个人物名称作为从文本信息中确定的人物名称。这里,次数阈值可以根据实际需要进行设定。这样,执行主体可以去除从文本信息中识别出的、出现次数少于一定阈值的人物名称。
步骤202,对于至少两个人物名称中的两个人物名称,确定该两个人物名称对应的两个人物之间是否存在关系,响应于确定该两个人物名称对应的人物之间存在关系,确定该两个人物名称对应的人物之间的关系信息。
在本实施例中,对于步骤201中确定出的至少两个人物名称中的任意两个人物名称,执行主体可以确定这两个人物名称对应的两个人物之间是否存在关系。作为示例,执行主体可以确定共同出现的两个人物名称对应的人物之间存在关系。在这里,共同出现可以是指都出现在一句话中,还可以是指都出现在同一段内容中。之后,响应于确定这两个人物名称对应的人物之间存在关系,执行主体可以进一步确定这两个人物名称对应的人物之间的关系信息。
步骤203,基于所确定的关系信息,生成针对文本信息中至少两个人物名称对应的人物的关系图谱。
在本实施例中,执行主体可以基于步骤202中所确定的至少两个人物名称中的任意两个人物名称对应的人物之间的关系信息,生成针对文本信息中至少两个人物名称对应的人物的关系图谱。
在本实施例的一些可选的实现方式中,步骤202中的确定该两个人物名称对应的人物之间的关系信息,可以具体如下进行:
首先,统计该两个人物名称在文本信息中的共现次数。
在本实现方式中,执行主体可以统计该两个人物名称在文本信息中的共现次数。在这里,两个人物名称共现可以是指这两个人物名称都出现在一句话中。通常,两个人物名称被同时提及,则可以认为这两个人物名称对应的人物之间存在某种关系。被同时提及的次数越多,则认为这两个人物名称对应的人物之间的关系越密切,
然后,响应于确定共现次数大于预设的次数阈值,根据共现次数确定该两个人物名称对应的人物之间的关系密切度,将关系密切度作为该两个人物名称对应的人物之间的关系信息。
在本实现方式中,响应于确定该两个人物名称在文本信息中的共现次数大于预设的次数阈值,执行主体可以根据共现次数确定该两个人物名称对应的人物之间的关系密切度。例如,可以将该两个人物名称在文本信息中的共现次数作为该两个人物名称对应的人物之间的关系密切度。执行主体还可以将关系密切度作为该两个人物名称对应的人物之间的关系信息。响应于确定该两个人物名称在文本信息中的共现次数不大于预设的次数阈值,则表示该两个人物名称对应的人物之间的关系不密切,此时,执行主体可以不用生成该两个人物名称对应的人物之间的关系信息。在这里,上述次数阈值可以根据实际需要进行设定。
在一些可选的实现方式中,上述步骤203可以具体如下进行:
首先,对于至少两个人物名称中的人物名称,根据该人物名称在文本信息中出现的次数,确定以该人物名称为内容的节点的大小。
在本实施例中,对于上述至少两个人物名称中的每一个人物名称,执行主体可以统计该人物名称在上述文本信息中出现的次数。并根据该人物名称在上述文本信息中出现的次数,确定以该人物名称为内容的节点的大小。作为示例,该人物名称在上述文本信息中出现的次数越多,以该人物名称为内容的节点的越大,即在关系图谱中以该人物名称为内容的节点所占的面积越大。
实践中,同一个人物在同一文本信息中可能有不同的名称,例如,同一个人物可以有小名、别名、绰号、乳名等等多种名称。因此,为了使统计更加准确,上述执行主体可以根据预先存储的映射表统计每一个人物名称在文本信息中出现的次数。上述映射表可以用于记载同一个人物对应的多种名称。
然后,根据至少两个人物名称中的两个人物名称所对应的人物之间的关系密切度,确定针对至少两个人物名称得到的至少两个节点之间连线的粗细程度信息,得到文本信息中至少两个人物名称对应的人物的关系图谱。
在本实现方式中,执行主体可以根据上述至少两个人物名称中的每两个人物名称所对应的人物之间的关系密切度,确定针对上述至少两个人物名称得到的至少两个节点之间连线的粗细程度信息,并根据粗细程度信息生成节点之间的连线,得到关系图谱。作为示例,对于两个人物名称,这两个人物名称对应的人物之间的关系密切度越高,以这两个人物名称为内容的两个节点之间的连线越粗。由于节点的大小与节点中的人物名称在文本信息中出现的次数相关,节点之间连线的粗细与节点中的人物名称所对应的人物之间的关系密切度相关,因此,通过本实现方式生成的关系图谱,可以更加直观的反映文本信息中人物的重要程度,以及各人物与其他人物之间关系的密切程度。
继续参见图3,图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中,用户首先向终端设备301输入文本信息,该文本信息为一部小说,终端设备确定所获取的小说中包括的多个人物名称。之后,对于多个人物名称中的任意两个人物名称,终端设备确定该两个人物名称对应的人物之间是否存在关系。响应于确定该两个人物名称对应的人物之间存在关系,确定该两个人物名称对应的人物之间的关系信息。最后,终端设备基于所确定的关系信息,生成针对小说中的多个人物名称对应的人物的关系图谱,如图3所示。作为示例,图3所示的关系图谱中人物名称在小说中出现的次数越多,以人物名称为内容的节点的越大。两个人物名称对应的人物之间的关系密切度越高,关系图谱中以这两个人物名称为内容的两个节点之间的连线越粗。
本申请的上述实施例提供的方法实现了自动生成文本信息中多个人物名称对应的人物的关系图谱,提高了信息生成的效率。
进一步参考图4,其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400,包括以下步骤:
步骤401,确定所获取的文本信息中包括的至少两个人物名称。
在本实施例中,步骤401与图2所示实施例的步骤201类似,此处不再赘述。
步骤402,对于至少两个人物名称中的两个人物名称,确定该两个人物名称对应的两个人物之间是否存在关系,响应于确定该两个人物名称对应的人物之间存在关系,通过步骤4021~4023确定该两个人物名称对应的人物之间的关系信息。
在本实施例中,对于步骤401中确定出的至少两个人物名称中的任意两个人物名称,执行主体可以确定这两个人物名称对应的两个人物之间是否存在关系。作为示例,执行主体可以确定共同出现的两个人物名称对应的人物之间存在关系。在这里,共同出现可以是指都出现在一句话中。之后,响应于确定这两个人物名称对应的人物之间存在关系,执行主体可以通过以下步骤4021~4023确定这两个人物名称对应的人物之间的关系信息。
步骤4021,将文本信息中包含该两个人物名称的语句作为目标语句。
在本实施例中,执行主体可以将上述文本信息按标点符号划分为多个语句,并将包括该两个人物名称的语句作为目标语句。
步骤4022,对目标语句进行句法分析,得到该两个人物名称在目标语句中的句法特征。
在本实施例中,执行主体可以对目标语句进行句法分析,得到该两个人物名称在目标语句中的句法特征。作为示例,执行主体可以对目标语句进行依存句法分析,将目标语句分析成依存句法树,该依存句法树可以描述出目标语句中各个词语之间的依存关系。以该两个人物名称是A和B为例,此时,该两个人物名称在目标语句中的句法特征可以包括以下之一:从依存句法树中的根节点到A的路径,根节点到A的路径上的标签,从依存句法树中的根节点到B的路径,根节点到B路径上的标签,依存句法树中从A到B的路径,A到B路径上的标签等等。需要说明的是,对句子进行句法分析得到依存句法树的技术是目前广泛研究和应用的公知技术,因此这里不再赘述。
步骤4023,将句法特征输入预先建立的人物关系识别模型,得到该两个人物名称所对应的人物之间的关系信息。
在本实施例中,执行主体可以将步骤4022中得到的句法特征输入预先建立的人物关系识别模型,得到该两个人物名称所对应的人物之间的关系信息。在这里,人物关系识别模型可以用于表征语句中两个人物名称的句法特征与语句中两个人物名称所对应的人物之间的关系信息的对应关系。这里,关系信息可以包括但不限于父子、父女、母子、母女、夫妻、同事、同学等等。实践中,当文本信息中包含该两个人物名称的语句有多条时,即有多条目标语句时,执行主体可以对基于多个目标语句得到的多条关系信息进行统计分析,从而确定该两个人物名称所对应的人物之间最终的关系信息。例如,可以统计多条关系信息中各种关系信息所占的比例,将占比最大的关系信息作为最终的关系信息。
作为示例,人物关系识别模型可以包括对应关系表。该对应关系表可以是技术人员基于对大量的句法特征与关系信息的统计而预先制定的、存储有多个句法特征与关系信息的对应关系的对应关系表。这样,人物关系识别模型可以将接收的句法特征作为目标句法特征与对应关系表中的多个句法特征依次进行比较,若对应关系表中的某一个句法特征与目标句法特征相同或相似,则将对应关系表中的该句法特征对应的关系信息作为目标句法特征所对应的两个人物名称对应的人物之间的关系信息。
在本实施例的一些可选的实现方式中,上述人物关系识别模型可以是机器学习模型,例如,卷积神经网络、支持向量机、决策树等等。上述人物关系识别模型可以是上述执行主体或者其他用于训练上述人物关系识别模型的执行主体通过以下方式训练得到的:
首先,获取样本集,其中,样本可以包括样本语句中两个人物名称的句法特征以及样本语句中两个人物名称所对应的人物的关系信息。
然后,将样本集中样本包括的句法特征作为输入,将与输入的句法特征对应的关系信息作为期望输出,训练得到人物关系识别模型。作为示例,可以将模型输出与期望输出进行比较,如果两者之间的误差值小于预先设定的阈值,则表示训练完成,停止训练;如果两者之间的误差值不小于预先设定的阈值,则可以采用反向传播算法(Back PropgationAlgorithm,BP算法)和梯度下降法(例如随机梯度下降算法)对人物关系识别模型的参数进行调整,并从样本集中重新选取样本进行训练。
需要说明的是,如果上述人物关系识别模型由用于生成信息的方法的执行主体训练得到的,可以将训练完成的人物关系识别模型的结构信息和参数的参数值存储到本地。如果上述人物关系识别模型由其他执行主体训练得到,则其他执行主体可以将训练完成的人物关系识别模型的结构信息和参数的参数值发送给用于生成信息的方法的执行主体。
在一些可选的实现方式中,上述人物关系识别模型的训练还可以包括以下步骤:
步骤S1,将目标语句、该两个人物名称以及得到的该两个人物名称对应的人物之间的关系信息作为已识别数据关联存储到已识别数据集合。
步骤S2,将已识别数据集合中关联存储的语句、人物名称以及关系信息进行发送。作为示例,可以发送给显示设备以供显示设备进行显示。
步骤S3,接收数据选取信息和关系信息修改信息。
在这里,数据选取信息和关系信息修改信息是用户针对已识别数据集合中识别错误的已识别数据生成的。实践中,用户可以对显示的每个已识别数据中的关系信息进行判断,从而确定该关系信息是否正确。如果不正确,用户可以针对该已识别数据发送数据选取信息和关系信息修改信息。其中,数据选取信息可以用于从已识别数据集合中选取出识别错误的已识别数据,关系信息修改信息为用户针对识别错误的关系信息输入的、正确的关系信息。
步骤S4,根据数据选取信息从已识别数据集合中选取至少一条已识别数据。
步骤S5,对于至少一条已识别数据中的每一条已识别数据,根据关系信息修改信息对该已识别数据中的关系信息进行修改。并确定该已识别数据包括的语句中的两个人物名称的句法特征,将确定的句法特征和修改后的关系信息作为目标样本关联存储到目标样本集。
步骤S6,将人物关系识别模型作为初始模型,使用目标样本集训练初始模型,得到更新后的人物关系识别模型。
通过上述实现方式可以使用识别错误的数据不断更新人物关系识别模型,以提高人物关系识别模型生成关系信息的准确率。
步骤403,基于所确定的关系信息,生成针对文本信息中至少两个人物名称对应的人物的关系图谱。
在本实施例中,步骤403与图2所示实施例的步骤203类似,此处不再赘述。
在本实施例的一些可选的实现方式中,步骤403具体可以如下进行:首先,将至少两个人物名称中的人物名称作为节点的内容,得到至少两个节点。然后,根据至少两个节点中的人物名称对应的人物之间的关系信息,确定至少两个节点之间的边,得到文本信息中至少两个人物名称对应的人物的关系图谱。
在本实现方式中,执行主体可以将上述至少两个人物名称中的每一个人物名称作为一个节点的内容,从而得到至少两个节点。其中,人物名称与节点的数量相同。之后,执行主体可以根据上述至少两个人物名称中的每两个人物名称所对应的人物之间的关系信息,确定以这两个人物名称为内容的两个节点之间的边,从而得到上述文本信息中至少两个人物名称对应的人物的关系图谱。作为示例,上述执行主体可以将关系信息作为节点之间的边。通过本实现方式得到的关系图谱,可以清楚的显示文本信息中各人物之间的关系信息。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息的方法的流程400突出了使用人物关系识别模型生成关系信息的步骤。由此,本实施例描述的方案可以生成人物名称所对应的人物之间的关系信息,从而实现了关系图谱的自动生成,提高了信息生成的效率。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于生成信息的装置500包括:第一确定单元501、第二确定单元502和生成单元503。其中,第一确定单元501被配置成确定所获取的文本信息中包括的至少两个人物名称;第二确定单元502被配置成对于上述至少两个人物名称中的两个人物名称,确定该两个人物名称对应的两个人物之间是否存在关系,响应于确定该两个人物名称对应的人物之间存在关系,确定该两个人物名称对应的人物之间的关系信息;生成单元503被配置成基于所确定的关系信息,生成针对上述文本信息中至少两个人物名称对应的人物的关系图谱。
在本实施例中,用于生成信息的装置500的第一确定单元501、第二确定单元502和生成单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述第二确定单元502进一步被配置成:统计该两个人物名称在上述文本信息中的共现次数;响应于确定上述共现次数大于预设的次数阈值,根据上述共现次数确定该两个人物名称对应的人物之间的关系密切度,将上述关系密切度作为该两个人物名称对应的人物之间的关系信息。
在本实施例的一些可选的实现方式中,上述生成单元503进一步被配置成:对于上述至少两个人物名称中的人物名称,根据该人物名称在上述文本信息中出现的次数,确定以该人物名称为内容的节点的大小;根据上述至少两个人物名称中的两个人物名称所对应的人物之间的关系密切度,确定针对上述至少两个人物名称得到的至少两个节点之间连线的粗细程度信息,得到上述文本信息中至少两个人物名称对应的人物的关系图谱。
在本实施例的一些可选的实现方式中,上述第二确定单元502进一步被配置成:将上述文本信息中包含该两个人物名称的语句作为目标语句;对上述目标语句进行句法分析,得到该两个人物名称在上述目标语句中的句法特征;将上述句法特征输入预先建立的人物关系识别模型,得到该两个人物名称所对应的人物之间的关系信息,其中,上述人物关系识别模型用于表征语句中两个人物名称的句法特征与上述语句中两个人物名称所对应的人物之间的关系信息的对应关系。
在本实施例的一些可选的实现方式中,上述生成单元503进一步被配置成:将上述至少两个人物名称中的人物名称作为节点的内容,得到至少两个节点;根据上述至少两个节点中的人物名称对应的人物之间的关系信息,确定上述至少两个节点之间的边,得到上述文本信息中至少两个人物名称对应的人物的关系图谱。
在本实施例的一些可选的实现方式中,上述人物关系识别模型通过以下方式训练得到:获取样本集,其中,样本包括样本语句中两个人物名称的句法特征以及样本语句中两个人物名称所对应的人物的关系信息;将上述样本集中样本包括的句法特征作为输入,将与输入的句法特征对应的关系信息作为期望输出,训练得到上述人物关系识别模型。
在本实施例的一些可选的实现方式中,上述人物关系识别模型的训练还包括:将上述目标语句、该两个人物名称以及得到的该两个人物名称对应的人物之间的关系信息作为已识别数据关联存储到已识别数据集合;将上述已识别数据集合中关联存储的语句、人物名称以及关系信息进行发送;接收数据选取信息和关系信息修改信息,其中,上述数据选取信息和上述关系信息修改信息是用户针对上述已识别数据集合中识别错误的已识别数据生成的;根据上述数据选取信息从上述已识别数据集合中选取至少一条已识别数据;对于上述至少一条已识别数据中的已识别数据,根据上述关系信息修改信息对该已识别数据中的关系信息进行修改;确定该已识别数据包括的语句中的两个人物名称的句法特征,将确定的句法特征和修改后的关系信息作为目标样本关联存储到目标样本集;将上述人物关系识别模型作为初始模型,使用上述目标样本集训练上述初始模型,得到更新后的人物关系识别模型。
下面参考图6,其示出了适于用来实现本申请实施例的设备的计算机系统600的结构示意图。图6示出的设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一确定单元、第二确定单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一确定单元还可以被描述为“确定所获取的文本信息中包括的至少两个人物名称的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:确定所获取的文本信息中包括的至少两个人物名称;对于上述至少两个人物名称中的两个人物名称,确定该两个人物名称对应的两个人物之间是否存在关系,响应于确定该两个人物名称对应的人物之间存在关系,确定该两个人物名称对应的人物之间的关系信息;基于所确定的关系信息,生成针对上述文本信息中至少两个人物名称对应的人物的关系图谱。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种用于生成信息的方法,包括:
确定所获取的文本信息中包括的至少两个人物名称;
对于所述至少两个人物名称中的两个人物名称,确定该两个人物名称对应的两个人物之间是否存在关系,响应于确定该两个人物名称对应的人物之间存在关系,确定该两个人物名称对应的人物之间的关系信息;
基于所确定的关系信息,生成针对所述文本信息中至少两个人物名称对应的人物的关系图谱。
2.根据权利要求1所述的方法,其中,所述确定该两个人物名称对应的人物之间的关系信息,包括:
统计该两个人物名称在所述文本信息中的共现次数;
响应于确定所述共现次数大于预设的次数阈值,根据所述共现次数确定该两个人物名称对应的人物之间的关系密切度,将所述关系密切度作为该两个人物名称对应的人物之间的关系信息。
3.根据权利要求2所述的方法,其中,所述基于所确定的信息,生成针对所述文本信息中至少两个人物名称对应的人物的关系图谱,包括:
对于所述至少两个人物名称中的人物名称,根据该人物名称在所述文本信息中出现的次数,确定以该人物名称为内容的节点的大小;
根据所述至少两个人物名称中的两个人物名称所对应的人物之间的关系密切度,确定针对所述至少两个人物名称得到的至少两个节点之间连线的粗细程度信息,得到所述文本信息中至少两个人物名称对应的人物的关系图谱。
4.根据权利要求1所述的方法,其中,所述确定该两个人物名称对应的人物之间的关系信息,包括:
将所述文本信息中包含该两个人物名称的语句作为目标语句;
对所述目标语句进行句法分析,得到该两个人物名称在所述目标语句中的句法特征;
将所述句法特征输入预先建立的人物关系识别模型,得到该两个人物名称所对应的人物之间的关系信息,其中,所述人物关系识别模型用于表征语句中两个人物名称的句法特征与所述语句中两个人物名称所对应的人物之间的关系信息的对应关系。
5.根据权利要求4所述的方法,其中,所述基于所确定的关系信息,生成针对所述文本信息中至少两个人物名称对应的人物的关系图谱,包括:
将所述至少两个人物名称中的人物名称作为节点的内容,得到至少两个节点;
根据所述至少两个节点中的人物名称对应的人物之间的关系信息,确定所述至少两个节点之间的边,得到所述文本信息中至少两个人物名称对应的人物的关系图谱。
6.根据权利要求4所述的方法,其中,所述人物关系识别模型通过以下方式训练得到:
获取样本集,其中,样本包括样本语句中两个人物名称的句法特征以及样本语句中两个人物名称所对应的人物的关系信息;
将所述样本集中样本包括的句法特征作为输入,将与输入的句法特征对应的关系信息作为期望输出,训练得到所述人物关系识别模型。
7.根据权利要求6所述的方法,其中,所述人物关系识别模型的训练还包括:
将所述目标语句、该两个人物名称以及得到的该两个人物名称对应的人物之间的关系信息作为已识别数据关联存储到已识别数据集合;
将所述已识别数据集合中关联存储的语句、人物名称以及关系信息进行发送;
接收数据选取信息和关系信息修改信息,其中,所述数据选取信息和所述关系信息修改信息是用户针对所述已识别数据集合中识别错误的已识别数据生成的;
根据所述数据选取信息从所述已识别数据集合中选取至少一条已识别数据;
对于所述至少一条已识别数据中的已识别数据,根据所述关系信息修改信息对该已识别数据中的关系信息进行修改;确定该已识别数据包括的语句中的两个人物名称的句法特征,将确定的句法特征和修改后的关系信息作为目标样本关联存储到目标样本集;
将所述人物关系识别模型作为初始模型,使用所述目标样本集训练所述初始模型,得到更新后的人物关系识别模型。
8.一种用于生成信息的装置,包括:
第一确定单元,被配置成确定所获取的文本信息中包括的至少两个人物名称;
第二确定单元,被配置成对于所述至少两个人物名称中的两个人物名称,确定该两个人物名称对应的两个人物之间是否存在关系,响应于确定该两个人物名称对应的人物之间存在关系,确定该两个人物名称对应的人物之间的关系信息;
生成单元,被配置成基于所确定的关系信息,生成针对所述文本信息中至少两个人物名称对应的人物的关系图谱。
9.根据权利要求8所述的装置,其中,所述第二确定单元进一步被配置成:
统计该两个人物名称在所述文本信息中的共现次数;
响应于确定所述共现次数大于预设的次数阈值,根据所述共现次数确定该两个人物名称对应的人物之间的关系密切度,将所述关系密切度作为该两个人物名称对应的人物之间的关系信息。
10.根据权利要求9所述的装置,其中,所述生成单元进一步被配置成:
对于所述至少两个人物名称中的人物名称,根据该人物名称在所述文本信息中出现的次数,确定以该人物名称为内容的节点的大小;
根据所述至少两个人物名称中的两个人物名称所对应的人物之间的关系密切度,确定针对所述至少两个人物名称得到的至少两个节点之间连线的粗细程度信息,得到所述文本信息中至少两个人物名称对应的人物的关系图谱。
11.根据权利要求8所述的装置,其中,所述第二确定单元进一步被配置成:
将所述文本信息中包含该两个人物名称的语句作为目标语句;
对所述目标语句进行句法分析,得到该两个人物名称在所述目标语句中的句法特征;
将所述句法特征输入预先建立的人物关系识别模型,得到该两个人物名称所对应的人物之间的关系信息,其中,所述人物关系识别模型用于表征语句中两个人物名称的句法特征与所述语句中两个人物名称所对应的人物之间的关系信息的对应关系。
12.根据权利要求11所述的装置,其中,所述生成单元进一步被配置成:
将所述至少两个人物名称中的人物名称作为节点的内容,得到至少两个节点;
根据所述至少两个节点中的人物名称对应的人物之间的关系信息,确定所述至少两个节点之间的边,得到所述文本信息中至少两个人物名称对应的人物的关系图谱。
13.根据权利要求11所述的装置,其中,所述人物关系识别模型通过以下方式训练得到:
获取样本集,其中,样本包括样本语句中两个人物名称的句法特征以及样本语句中两个人物名称所对应的人物的关系信息;
将所述样本集中样本包括的句法特征作为输入,将与输入的句法特征对应的关系信息作为期望输出,训练得到所述人物关系识别模型。
14.根据权利要求13所述的装置,其中,所述人物关系识别模型的训练还包括:
将所述目标语句、该两个人物名称以及得到的该两个人物名称对应的人物之间的关系信息作为已识别数据关联存储到已识别数据集合;
将所述已识别数据集合中关联存储的语句、人物名称以及关系信息进行发送;
接收数据选取信息和关系信息修改信息,其中,所述数据选取信息和所述关系信息修改信息是用户针对所述已识别数据集合中识别错误的已识别数据生成的;
根据所述数据选取信息从所述已识别数据集合中选取至少一条已识别数据;
对于所述至少一条已识别数据中的已识别数据,根据所述关系信息修改信息对该已识别数据中的关系信息进行修改;确定该已识别数据包括的语句中的两个人物名称的句法特征,将确定的句法特征和修改后的关系信息作为目标样本关联存储到目标样本集;
将所述人物关系识别模型作为初始模型,使用所述目标样本集训练所述初始模型,得到更新后的人物关系识别模型。
15.一种设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811572448.5A CN109657073A (zh) | 2018-12-21 | 2018-12-21 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811572448.5A CN109657073A (zh) | 2018-12-21 | 2018-12-21 | 用于生成信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109657073A true CN109657073A (zh) | 2019-04-19 |
Family
ID=66116317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811572448.5A Pending CN109657073A (zh) | 2018-12-21 | 2018-12-21 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657073A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488405A (zh) * | 2020-04-16 | 2020-08-04 | 北京字节跳动网络技术有限公司 | 一种信息更新方法及装置 |
CN111860083A (zh) * | 2019-04-30 | 2020-10-30 | 广东小天才科技有限公司 | 一种人物关系补全方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8280719B2 (en) * | 2005-05-05 | 2012-10-02 | Ramp, Inc. | Methods and systems relating to information extraction |
CN103235772A (zh) * | 2013-03-08 | 2013-08-07 | 北京理工大学 | 一种文本集人物关系自动提取方法 |
CN103971415A (zh) * | 2014-05-23 | 2014-08-06 | 南京大学 | 一种三维模型构件的在线标注方法 |
CN106095748A (zh) * | 2016-06-06 | 2016-11-09 | 东软集团股份有限公司 | 一种生成事件关系图谱的方法及装置 |
-
2018
- 2018-12-21 CN CN201811572448.5A patent/CN109657073A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8280719B2 (en) * | 2005-05-05 | 2012-10-02 | Ramp, Inc. | Methods and systems relating to information extraction |
CN103235772A (zh) * | 2013-03-08 | 2013-08-07 | 北京理工大学 | 一种文本集人物关系自动提取方法 |
CN103971415A (zh) * | 2014-05-23 | 2014-08-06 | 南京大学 | 一种三维模型构件的在线标注方法 |
CN106095748A (zh) * | 2016-06-06 | 2016-11-09 | 东软集团股份有限公司 | 一种生成事件关系图谱的方法及装置 |
Non-Patent Citations (2)
Title |
---|
中国科学技术信息研究所: "《信息资源管理研究前沿聚焦》", 31 December 2017 * |
张立宪: "《读库 1801》", 31 January 2018, 新星出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860083A (zh) * | 2019-04-30 | 2020-10-30 | 广东小天才科技有限公司 | 一种人物关系补全方法及装置 |
CN111488405A (zh) * | 2020-04-16 | 2020-08-04 | 北京字节跳动网络技术有限公司 | 一种信息更新方法及装置 |
CN111488405B (zh) * | 2020-04-16 | 2022-02-18 | 北京字节跳动网络技术有限公司 | 一种信息更新方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240078386A1 (en) | Methods and systems for language-agnostic machine learning in natural language processing using feature extraction | |
CN108171276B (zh) | 用于生成信息的方法和装置 | |
CN107491534A (zh) | 信息处理方法和装置 | |
CN109522483A (zh) | 用于推送信息的方法和装置 | |
CN110378474A (zh) | 对抗样本生成方法、装置、电子设备和计算机可读介质 | |
CN108388674A (zh) | 用于推送信息的方法和装置 | |
CN108121800A (zh) | 基于人工智能的信息生成方法和装置 | |
CN109299477A (zh) | 用于生成文本标题的方法和装置 | |
CN109325213A (zh) | 用于标注数据的方法和装置 | |
US10554613B2 (en) | Dynamic hashtag ordering based on projected interest | |
CN109976997A (zh) | 测试方法和装置 | |
CN109697537A (zh) | 数据审核的方法和装置 | |
CN109657251A (zh) | 用于翻译语句的方法和装置 | |
CN107193974A (zh) | 基于人工智能的地域性信息确定方法和装置 | |
CN109582954A (zh) | 用于输出信息的方法和装置 | |
CN108121699A (zh) | 用于输出信息的方法和装置 | |
CN108900612A (zh) | 用于推送信息的方法和装置 | |
CN109284367B (zh) | 用于处理文本的方法和装置 | |
CN109558593A (zh) | 用于处理文本的方法和装置 | |
CN109101309A (zh) | 用于更新用户界面方法和装置 | |
CN109284342A (zh) | 用于输出信息的方法和装置 | |
CN109614327A (zh) | 用于输出信息的方法和装置 | |
CN109522399A (zh) | 用于生成信息的方法和装置 | |
CN109062560A (zh) | 用于生成信息的方法和装置 | |
CN109657073A (zh) | 用于生成信息的方法和装置 |
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 |