CN110275963A - 用于输出信息的方法和装置 - Google Patents
用于输出信息的方法和装置 Download PDFInfo
- Publication number
- CN110275963A CN110275963A CN201910554364.7A CN201910554364A CN110275963A CN 110275963 A CN110275963 A CN 110275963A CN 201910554364 A CN201910554364 A CN 201910554364A CN 110275963 A CN110275963 A CN 110275963A
- Authority
- CN
- China
- Prior art keywords
- sentence
- guest
- word
- host
- entity
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Machine Translation (AREA)
Abstract
本公开的实施例公开了用于输出信息的方法和装置。该方法的一具体实施方式包括:从待处理的网页文本中解析出至少一个句子;对于至少一个句子中的句子,通过文本分析确定出从该句子中抽取实体所需的信息,其中,实体包括主体和客体;对于至少一个句子中的句子,基于预先训练的关系判别模型,根据从该句子中抽取实体所需的信息确定出该句子的有效的主体客体对集合;对于至少一个句子中的句子的主体客体对集合中的主体客体对,基于预先训练的序列标注模型从该句子中确定出该主体客体对之间的关系,得到至少一组主体‑关系‑客体并输出。该实施方式能够在开放网页的自由文本挖掘源中抽取实体之间的相关语义关系。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于输出信息的方法和装置。
背景技术
实体关系数据,也被称作SPO三元组数据,是指实体对(主体S-客体O)与他们之间的关系(P)构成的三元组。实体关系是知识图谱的关键组成部分,从知识图谱构建角度来看,实体关系挖掘可以丰富图谱中的关系知识,构建实体之间的关联关系;从产品应用角度,实体关系一方面可以直接满足用户对于知识类的搜索需求,例如搜索“XX妻子”时,可以通过实体关系数据直接给出答案,另外一方面还可以基于实体关系为用户推荐关联的知识,为用户提供信息扩展的阅读体验。
实体关系挖掘在业界主要通过以下两种方式来进行:
(1)限定schema(模式)下的限定关系挖掘。即在有限的给定P以及P相关的S和O实体分类的情况下,对每个P分别建模或者进行指定数量的多分类建模挖掘其相关的SPO数据。例如,人物(S类型)和人物(O类型)之间的父子关系(P)。
(2)对属性/关系(key)-属性值(Value)类型的知识进行关系挖掘。即将文本中的实体以及与该实体相关的以key-value形式表示的关系信息抽取整理成三元组形式的数数据。例如,将「刘XX,身高:173cm」抽取得到三元组(刘XX,身高,173cm)。
上述两种方案的问题和不足非常明显:
方案(1)主要有两点不足:一是圈定的P-schema完全依赖于专家对schema的定义,既有很高的人力成本,能定义的集合也非常有限,通常来说只能覆盖主流的、热门的关系;二是所有识别结果都基于人工预先定义的schema,所以无法发现新的P。
方案(2)主要有两点不足:一是对于输入数据的表达形式有较强依赖性,可以处理的文本类型有限,只能处理有key-value类型表示的数据/文本;二是现实生活中只有有限的、较为热门的知识才会被整理,并以key-value类型体现的,而更多的知识则隐藏在自然语言句子中,通过这种方式获取到的知识有限。
发明内容
本公开的实施例提出了用于输出信息的方法和装置。
第一方面,本公开的实施例提供了一种用于输出信息的方法,包括:从待处理的网页文本中解析出至少一个句子;对于至少一个句子中的句子,通过文本分析确定出从该句子中抽取实体所需的信息,其中,实体包括主体和客体;对于至少一个句子中的句子,基于预先训练的关系判别模型,根据从该句子中抽取实体所需的信息确定出该句子的有效的主体客体对集合;对于至少一个句子中的句子的主体客体对集合中的主体客体对,基于预先训练的序列标注模型从该句子中确定出该主体客体对之间的关系,得到至少一组主体-关系-客体并输出。
在一些实施例中,从待处理的网页文本中解析出至少一个句子,包括:根据标点、预定分隔符对输入的网页文本进行切分,将篇章粒度的文本处理成句子粒度的文本;根据句子在网页文本中的位置、句子长度、以及黑名单词表对句子进行过滤。
在一些实施例中,通过文本分析确定出从该句子中抽取实体所需的信息,包括:对该句子进行切词,得到词序列和词位置信息;对词序列进行词性标注,得到各词的词性;对词序列进行句法依存树分析,得到句法依存树;从词序列中识别出至少一个实体;从至少一个实体中筛选出预定类别的实体作为主体;根据至少一个主体和词序列中各词的词性从该句子中确定至少一个客体。
在一些实施例中,基于预先训练的关系判别模型,根据从该句子中抽取实体所需的信息确定出该句子的有效的主体客体对集合,包括:将该句子中的至少一个主体和至少一个客体两两组合生成候选主体客体对集合;从候选主体客体对集合中过滤掉不符合预定条件的候选主体客体对;对于过滤后的候选主体客体对集合中的候选主体客体对,将该句子的词序列、词位置信息、实体识别结果和该候选主体客体对输入到预先训练的关系判别模型,得到该候选主体客体对有效的概率;将概率大于预定值的候选主体客体对确定为有效的主体客体对。
在一些实施例中,基于预先训练的序列标注模型从该句子中确定出该主体客体对之间的关系,包括:将该句子的词序列、词位置信息、词性、实体识别结果和该主体客体对输入到预先训练的序列标注模型,得到词序列中各词的BIOE标注结果;将该句子中位于标注为B的词与标注为E的词之间的词确定为该主体客体对之间的关系。
在一些实施例中,该方法还包括:基于预定的筛选规则,对至少一组主体-关系-客体进行过滤;基于依存分析的规则将过滤后的至少一组主体-关系-客体进行扩展并存储。
在一些实施例中,关系判别模型包括输入层、嵌入层、卷积层、池化层和多分类层。
在一些实施例中,序列标注模型包括输入层、嵌入层、编码层、解码层、输出层,其中,编码层和解码层采用双向长短期记忆网络,输出层采用条件随机场。
第二方面,本公开的实施例提供了一种用于输出信息的装置,包括:解析单元,被配置成从待处理的网页文本中解析出至少一个句子;分析单元,被配置成对于至少一个句子中的句子,通过文本分析确定出从该句子中抽取实体所需的信息,其中,实体包括主体和客体;抽取单元,被配置成对于至少一个句子中的句子,基于预先训练的关系判别模型,根据从该句子中抽取实体所需的信息确定出该句子的有效的主体客体对集合;确定单元,被配置成对于至少一个句子中的句子的主体客体对集合中的主体客体对,基于预先训练的序列标注模型从该句子中确定出该主体客体对之间的关系,得到至少一组主体-关系-客体并输出。
在一些实施例中,解析单元进一步被配置成:根据标点、预定分隔符对输入的网页文本进行切分,将篇章粒度的文本处理成句子粒度的文本;根据句子在网页文本中的位置、句子长度、以及黑名单词表对句子进行过滤。
在一些实施例中,分析单元进一步被配置成:对该句子进行切词,得到词序列和词位置信息;对词序列进行词性标注,得到各词的词性;对词序列进行句法依存树分析,得到句法依存树;从词序列中识别出至少一个实体;从至少一个实体中筛选出预定类别的实体作为主体;根据至少一个主体和词序列中各词的词性从该句子中确定至少一个客体。
在一些实施例中,抽取单元进一步被配置成:将该句子中的至少一个主体和至少一个客体两两组合生成候选主体客体对集合;从候选主体客体对集合中过滤掉不符合预定条件的候选主体客体对;对于过滤后的候选主体客体对集合中的候选主体客体对,将该句子的词序列、词位置信息、实体识别结果和该候选主体客体对输入到预先训练的关系判别模型,得到该候选主体客体对有效的概率;将概率大于预定值的候选主体客体对确定为有效的主体客体对。
在一些实施例中,确定单元进一步被配置成:将该句子的词序列、词位置信息、词性、实体识别结果和该主体客体对输入到预先训练的序列标注模型,得到词序列中各词的BIOE标注结果;将该句子中位于标注为B的词与标注为E的词之间的词确定为该主体客体对之间的关系。
在一些实施例中,装置还包括扩展单元,被配置成:基于预定的筛选规则,对至少一组主体-关系-客体进行过滤;基于依存分析的规则将过滤后的至少一组主体-关系-客体进行扩展并存储。
在一些实施例中,关系判别模型包括输入层、嵌入层、卷积层、池化层和多分类层。
在一些实施例中,序列标注模型包括输入层、嵌入层、编码层、解码层、输出层,其中,编码层和解码层采用双向长短期记忆网络,输出层采用条件随机场。
第三方面,本公开的实施例提供了一种用于输出信息的电子设备,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,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一的方法。
第四方面,本公开的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,程序被处理器执行时实现如第一方面中任一的方法。
本公开的实施例提供的用于输出信息的方法和装置,实现了一个通用系统,可以在开放网页的自由文本挖掘源中抽取实体之间的相关语义关系。也就是说在一段给定的输入文本上,本系统会输出所有具有语义关系的实体对(S和O),以及他们之间的语义关系(P)。本公开的实施例提供的用于输出信息的方法和装置具有以下优点:
(1)开放性。对于关系P不再进行类别和领域的限定,所有能表征实体之间关系的任意词性的词语,都作为挖掘目标,能更好的刻画实体之间的关系;对于三元组中的S不再局限于限定领域的实体,O值范围则不再局限于实体,而是将所有的实体和名词/名词性短语都作为O值,从而能有效提升知识图谱的连通度。
(2)泛化性。将问题拆分为SO pair(对)识别和P预测两部分,并使用深度学习模型对于所有SPO关系统一建模,在SO pair部分使用基于卷积网络的深度学习模型,在P预测结果则使用基于序列标注的模型。不需要再关注P的类别、数量,为其进行专门建模;在模型中也不再依赖于大量的人工特征,只需要简单的词、词性、位置等基础特征就可以抽取出SPO信息。
(3)普遍性。通过海量互联网文本中进行抽取,对于输入文本的表达形式和表述内容都没有特定的要求,对于冷门、长尾的知识也可以很好的覆盖。
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,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于输出信息的方法的一个实施例的流程图;
图3a、3b是根据本公开的用于输出信息的方法的一个应用场景的示意图;
图4是根据本公开的用于输出信息的方法的又一个实施例的流程图;
图5是根据本公开的用于输出信息的装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子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公开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,本公开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公开。
图1示出了可以应用本公开的用于输出信息的方法或用于输出信息的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103和服务器104和SPO库105。网络用以在终端设备101、102、103和服务器104之间提供通信链路的介质。网络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通过网络与服务器104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,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
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,可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、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104可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的网页进行实体抽取的后台抽取服务器。后台抽取服务器可以对接收到的网页文本等数据进行预处理、S-O pair(对)识别、P预测、后处理等处理,并将处理结果(例如主体-关系-客体)存储在SPO库105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,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的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开的实施例所提供的用于输出信息的方法一般由服务器104执行,相应地,用于输出信息的装置一般设置于服务器104中。
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。
继续参考图2,示出了根据本公开的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法,包括以下步骤:
步骤201,从待处理的网页文本中解析出至少一个句子。
在本实施例中,用于输出信息的方法的执行主体(例如图1所示的服务器)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网页浏览的终端接收网页文本。然后从待处理的网页文本中解析出至少一个句子。可根据标点、预定分隔符对输入的网页文本进行切分,将篇章粒度的文本处理成句子粒度的文本。还可根据句子在网页文本中的位置、句子长度、以及黑名单词表对句子进行过滤。例如,如果解析出的文本位于页面的页首或页尾,则说明它是固定格式的信息,例如,位于页首的标题,位于页尾的版权信息等。这些信息对提取实体没有实质用途,因此需要过滤掉。此外,过短的句子是无法提取出SPO的,因此也需要过滤掉。过长的句子也可过滤掉,以降低SPO匹配难度。一些预定的无需进行实体匹配的词语可生成黑名单词表。该表所列的词所在的句子也需要过滤掉。
步骤202,对于至少一个句子中的句子,通过文本分析确定出从该句子中抽取实体所需的信息。
在本实施例中,实体包括主体(S)和客体(O)。对句子进行切词、词性标注、句法依存树分析、实体识别,完成对句子的基本文本分析,获取从该句子中抽取实体所需的信息。该信息可包括以下至少一项:词性、词、实体识别结果(例如,实体的类别)、词在句子中的位置、句法依存树等。
在本实施例的一些可选的实现方式中,通过文本分析确定出从该句子中抽取实体所需的信息,包括:
步骤2021,对该句子进行切词,得到词序列和词位置信息。
在本实施例中,可通过多种粒度对该句子进行切词,得到不同的切词结果。切词结果中包括词序列和词位置信息,即词在句子中的位置。多种粒度切词的目的是为了确认名词短语中的核心词。例如“北京奥运会”中的核心词是“奥运会”。
步骤2022,对词序列进行词性标注,得到各词的词性。
在本实施例中,可用现有的字典等工具进行词性标注,得到名词、动词等词性。
步骤2023,对词序列进行句法依存树分析,得到句法依存树。
在本实施例中,句法依存树分析指的是将句子分析成一棵依存句法树,描述出各个词语之间的依存关系。也即指出了词语之间在句法上的搭配关系,这种搭配关系是和语义相关联的。通过词与词在句法依存树上的距离来判断它们之间的关联度。距离越近则表示两词之间关联度越高。
步骤2024,从词序列中识别出至少一个实体。
在本实施例中,通过现有的实体识别工具(例如,命名实体识别(Named EntityRecognition,简称NER))识别从词序列中识别出至少一个实体。
步骤2025,从至少一个实体中筛选出预定类别的实体作为主体。
在本实施例中,通过NER识别出句子中的所有实体,并过筛选出其中有实际意义(例如人物、动物、天体等,过滤掉概念、词语等类别)的共25类实体作为S的候选。
步骤2026,根据至少一个主体和词序列中各词的词性从该句子中确定至少一个客体。
在本实施例中,通过词性识别工具,识别出所有名词类型的词语/短语,加上S候选的实体,作为O值的候选列表。对S和O的候选列表两两组合,然后筛选符合过滤条件的S-Opair作为下一步的候选。目前的过滤条件包括S-O在依存树上的距离、S和O是否是名词短语中的核心词、S和O的词性等。
步骤203,对于至少一个句子中的句子,基于预先训练的关系判别模型,根据从该句子中抽取实体所需的信息确定出该句子的有效的主体客体对集合。
在本实施例中,S-O pair关系判别通过一个深度学习的关系判别模型来完成,具体网络结构图见图3a。其中,输入层包括句子的词序列、位置信息、实体识别结果以及S和O的词等。输入层通过嵌入层(embedding层)和一个卷积层网络(convolution层)连接,通过卷积网络之后接池化层(maxpooling层),最后通过多分类层(Softmax层),完成分类输出。
步骤204,对于至少一个句子中的句子的主体客体对集合中的主体客体对,基于预先训练的序列标注模型从该句子中确定出该主体客体对之间的关系,得到至少一组主体-关系-客体并输出。
在本实施例中,序列标注模型主要是根据给定的S-O pair以及句子,预测出句子中的P值。具体的,这里我们将P值预测作为一个序列标注任务,即对输入的文本逐个词进行标注,将作为P值的文本序列标注出来,采用的标注标记方式是BIOE,其中B是标注的开始位置,I是标注序列的中间部分,E是标注序列的结束位置,O是不作为P值的文本。对于输入『刘德华出生于香港新界,(刘德华,香港新界)』,最终会得到如下标注结果『刘德华(O)/出生(B)/于(E)/香港(O)/新界(O)』。P预测的通过一个双向LSTM(Long Short-Term Memory,长短期记忆网络)序列标注模型完成的,详细的网络结构见图3b。其中,输入层包括句子的词、词性、实体识别结果、词位置,S、O。输入层通过嵌入层(embedding层)和上层网络相连接,Encoding和Decoding都采用了双向长短期记忆网络(deep bi-LSTM网络),最后通过条件随机场(CRF层)完成序列标注输出。将该句子中位于标注为B的词与标注为E的词之间的词确定为该主体客体对之间的关系P。
进一步参考图4,其示出了用于输出信息的方法的又一个实施例的流程400。该用于输出信息的方法的流程400,包括以下步骤:
步骤401,从待处理的网页文本中解析出至少一个句子。
步骤402,对于至少一个句子中的句子,通过文本分析确定出从该句子中抽取实体所需的信息。
步骤403,对于至少一个句子中的句子,基于预先训练的关系判别模型,根据从该句子中抽取实体所需的信息确定出该句子的有效的主体客体对集合。
步骤404,对于至少一个句子中的句子的主体客体对集合中的主体客体对,基于预先训练的序列标注模型从该句子中确定出该主体客体对之间的关系,得到至少一组主体-关系-客体并输出。
步骤401-404与步骤201-204基本相同,因此不再赘述。
步骤405,基于预定的筛选规则,对至少一组主体-关系-客体进行过滤。
在本实施例中,SPO有效性判断主要基于置信度、词法句法规则、Schema约束,对SPO进行筛选。置信度可通过SO在句法依存树上的距离等信息判断,如果距离超过预定值,说明不可信。可根据词法句法规则过滤掉一些主体-关系-客体,例如,P为量词,则是不符合预期的,需要过滤。Schema约束是对主体、客体根据关系进行类型限定。例如,主体是人物,关系是妻子,则客体必须为人物。如果不符合这个限定则为无效的主体-关系-客体。
步骤406,基于依存分析的规则将过滤后的至少一组主体-关系-客体进行扩展并存储。
在本实施例中,SPO扩展主要通过基于依存树分析的规则对文本中已有SPO进行扩展。后处理模块产出的SPO三元组将直接进入SPO库。例如,“阳光从窗户射出来”直接提取的S为阳光,O为窗户,P为射出来,P不够完整,需要根据依存树分析的规则扩展为“从…射出来”。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于输出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,本实施例的用于输出信息的装置500包括:解析单元501、分析单元502、抽取单元503和确定单元504。其中,解析单元501,被配置成从待处理的网页文本中解析出至少一个句子;分析单元502,被配置成对于至少一个句子中的句子,通过文本分析确定出从该句子中抽取实体所需的信息,其中,实体包括主体和客体;抽取单元503,被配置成对于至少一个句子中的句子,基于预先训练的关系判别模型,根据从该句子中抽取实体所需的信息确定出该句子的有效的主体客体对集合;确定单元504,被配置成对于至少一个句子中的句子的主体客体对集合中的主体客体对,基于预先训练的序列标注模型从该句子中确定出该主体客体对之间的关系,得到至少一组主体-关系-客体并输出。
在本实施例中,用于输出信息的装置500的解析单元501、分析单元502、抽取单元503和确定单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。
在本实施例的一些可选的实现方式中,解析单元501进一步被配置成:根据标点、预定分隔符对输入的网页文本进行切分,将篇章粒度的文本处理成句子粒度的文本;根据句子在网页文本中的位置、句子长度、以及黑名单词表对句子进行过滤。
在本实施例的一些可选的实现方式中,分析单元502进一步被配置成:对该句子进行切词,得到词序列和词位置信息;对词序列进行词性标注,得到各词的词性;对词序列进行句法依存树分析,得到句法依存树;从词序列中识别出至少一个实体;从至少一个实体中筛选出预定类别的实体作为主体;根据至少一个主体和词序列中各词的词性从该句子中确定至少一个客体。
在本实施例的一些可选的实现方式中,抽取单元503进一步被配置成:将该句子中的至少一个主体和至少一个客体两两组合生成候选主体客体对集合;从候选主体客体对集合中过滤掉不符合预定条件的候选主体客体对;对于过滤后的候选主体客体对集合中的候选主体客体对,将该句子的词序列、词位置信息、实体识别结果和该候选主体客体对输入到预先训练的关系判别模型,得到该候选主体客体对有效的概率;将概率大于预定值的候选主体客体对确定为有效的主体客体对。
在本实施例的一些可选的实现方式中,确定单元504进一步被配置成:将该句子的词序列、词位置信息、词性、实体识别结果和该主体客体对输入到预先训练的序列标注模型,得到词序列中各词的BIOE标注结果;将该句子中位于标注为B的词与标注为E的词之间的词确定为该主体客体对之间的关系。
在本实施例的一些可选的实现方式中,装置500还包括扩展单元(附图中未示出),被配置成:基于预定的筛选规则,对至少一组主体-关系-客体进行过滤;基于依存分析的规则将过滤后的至少一组主体-关系-客体进行扩展并存储。
在本实施例的一些可选的实现方式中,关系判别模型包括输入层、嵌入层、卷积层、池化层和多分类层。
在本实施例的一些可选的实现方式中,序列标注模型包括输入层、嵌入层、编码层、解码层、输出层,其中,编码层和解码层采用双向长短期记忆网络,输出层采用条件随机场。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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,还存储有电子设备600操作所需的各种程序和数据。处理装置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。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
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装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例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。在本公开的实施例中,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。而在本公开的实施例中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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电子设备执行时,使得该电子设备从待处理的网页文本中解析出至少一个句子;对于至少一个句子中的句子,通过文本分析确定出从该句子中抽取实体所需的信息,其中,实体包括主体和客体;对于至少一个句子中的句子,基于预先训练的关系判别模型,根据从该句子中抽取实体所需的信息确定出该句子的有效的主体客体对集合;对于至少一个句子中的句子的主体客体对集合中的主体客体对,基于预先训练的序列标注模型从该句子中确定出该主体客体对之间的关系,得到至少一组主体-关系-客体并输出。
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公开的实施例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,图示了按照本公开各种实施例的系统、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。
描述于本公开的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:一种处理器包括解析单元、分析单元、抽取单元和确定单元。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,解析单元还可以被描述为“从待处理的网页文本中解析出至少一个句子的单元”。
以上描述仅为本公开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,本公开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所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。例如上述特征与本公开中公开的(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 (18)
1.一种用于输出信息的方法,包括:
从待处理的网页文本中解析出至少一个句子;
对于所述至少一个句子中的句子,通过文本分析确定出从该句子中抽取实体所需的信息,其中,实体包括主体和客体;
对于所述至少一个句子中的句子,基于预先训练的关系判别模型,根据从该句子中抽取实体所需的信息确定出该句子的有效的主体客体对集合;
对于所述至少一个句子中的句子的主体客体对集合中的主体客体对,基于预先训练的序列标注模型从该句子中确定出该主体客体对之间的关系,得到至少一组主体-关系-客体并输出。
2.根据权利要求1所述的方法,其中,所述从待处理的网页文本中解析出至少一个句子,包括:
根据标点、预定分隔符对输入的网页文本进行切分,将篇章粒度的文本处理成句子粒度的文本;
根据句子在网页文本中的位置、句子长度、以及黑名单词表对句子进行过滤。
3.根据权利要求1所述的方法,其中,所述通过文本分析确定出从该句子中抽取实体所需的信息,包括:
对该句子进行切词,得到词序列和词位置信息;
对所述词序列进行词性标注,得到各词的词性;
对所述词序列进行句法依存树分析,得到句法依存树;
从所述词序列中识别出至少一个实体;
从所述至少一个实体中筛选出预定类别的实体作为主体;
根据至少一个主体和所述词序列中各词的词性从该句子中确定至少一个客体。
4.根据权利要求3所述的方法,其中,所述基于预先训练的关系判别模型,根据从该句子中抽取实体所需的信息确定出该句子的有效的主体客体对集合,包括:
将该句子中的至少一个主体和至少一个客体两两组合生成候选主体客体对集合;
从所述候选主体客体对集合中过滤掉不符合预定条件的候选主体客体对;
对于过滤后的候选主体客体对集合中的候选主体客体对,将该句子的词序列、词位置信息、实体识别结果和该候选主体客体对输入到预先训练的关系判别模型,得到该候选主体客体对有效的概率;
将概率大于预定值的候选主体客体对确定为有效的主体客体对。
5.根据权利要求1所述的方法,其中,所述基于预先训练的序列标注模型从该句子中确定出该主体客体对之间的关系,包括:
将该句子的词序列、词位置信息、词性、实体识别结果和该主体客体对输入到预先训练的序列标注模型,得到词序列中各词的BIOE标注结果;
将该句子中位于标注为B的词与标注为E的词之间的词确定为该主体客体对之间的关系。
6.根据权利要求1所述的方法,其中,所述方法还包括:
基于预定的筛选规则,对所述至少一组主体-关系-客体进行过滤;
基于依存分析的规则将过滤后的至少一组主体-关系-客体进行扩展并存储。
7.根据权利要求1所述的方法,其中,所述关系判别模型包括输入层、嵌入层、卷积层、池化层和多分类层。
8.根据权利要求1所述的方法,其中,所述序列标注模型包括输入层、嵌入层、编码层、解码层、输出层,其中,所述编码层和所述解码层采用双向长短期记忆网络,所述输出层采用条件随机场。
9.一种用于输出信息的装置,包括:
解析单元,被配置成从待处理的网页文本中解析出至少一个句子;
分析单元,被配置成对于所述至少一个句子中的句子,通过文本分析确定出从该句子中抽取实体所需的信息,其中,实体包括主体和客体;
抽取单元,被配置成对于所述至少一个句子中的句子,基于预先训练的关系判别模型,根据从该句子中抽取实体所需的信息确定出该句子的有效的主体客体对集合;
确定单元,被配置成对于所述至少一个句子中的句子的主体客体对集合中的主体客体对,基于预先训练的序列标注模型从该句子中确定出该主体客体对之间的关系,得到至少一组主体-关系-客体并输出。
10.根据权利要求9所述的装置,其中,所述解析单元进一步被配置成:
根据标点、预定分隔符对输入的网页文本进行切分,将篇章粒度的文本处理成句子粒度的文本;
根据句子在网页文本中的位置、句子长度、以及黑名单词表对句子进行过滤。
11.根据权利要求9所述的装置,其中,所述分析单元进一步被配置成:
对该句子进行切词,得到词序列和词位置信息;
对所述词序列进行词性标注,得到各词的词性;
对所述词序列进行句法依存树分析,得到句法依存树;
从所述词序列中识别出至少一个实体;
从所述至少一个实体中筛选出预定类别的实体作为主体;
根据至少一个主体和所述词序列中各词的词性从该句子中确定至少一个客体。
12.根据权利要求11所述的装置,其中,所述抽取单元进一步被配置成:
将该句子中的至少一个主体和至少一个客体两两组合生成候选主体客体对集合;
从所述候选主体客体对集合中过滤掉不符合预定条件的候选主体客体对;
对于过滤后的候选主体客体对集合中的候选主体客体对,将该句子的词序列、词位置信息、实体识别结果和该候选主体客体对输入到预先训练的关系判别模型,得到该候选主体客体对有效的概率;
将概率大于预定值的候选主体客体对确定为有效的主体客体对。
13.根据权利要求9所述的装置,其中,所述确定单元进一步被配置成:
将该句子的词序列、词位置信息、词性、实体识别结果和该主体客体对输入到预先训练的序列标注模型,得到词序列中各词的BIOE标注结果;
将该句子中位于标注为B的词与标注为E的词之间的词确定为该主体客体对之间的关系。
14.根据权利要求9所述的装置,其中,所述装置还包括扩展单元,被配置成:
基于预定的筛选规则,对所述至少一组主体-关系-客体进行过滤;
基于依存分析的规则将过滤后的至少一组主体-关系-客体进行扩展并存储。
15.根据权利要求9所述的装置,其中,所述关系判别模型包括输入层、嵌入层、卷积层、池化层和多分类层。
16.根据权利要求9所述的装置,其中,所述序列标注模型包括输入层、嵌入层、编码层、解码层、输出层,其中,所述编码层和所述解码层采用双向长短期记忆网络,所述输出层采用条件随机场。
17.一种用于输出信息的电子设备,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1-8中任一所述的方法。
18.一种计算机可读介质,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1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910554364.7A CN110275963A (zh) | 2019-06-25 | 2019-06-25 | 用于输出信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910554364.7A CN110275963A (zh) | 2019-06-25 | 2019-06-25 | 用于输出信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110275963A true CN110275963A (zh) | 2019-09-24 |
Family
ID=67962344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910554364.7A Pending CN110275963A (zh) | 2019-06-25 | 2019-06-25 | 用于输出信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110275963A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633476A (zh) * | 2019-09-27 | 2019-12-31 | 北京百度网讯科技有限公司 | 用于获取知识标注信息的方法及装置 |
CN111079433A (zh) * | 2019-11-29 | 2020-04-28 | 北京奇艺世纪科技有限公司 | 一种事件抽取方法、装置及电子设备 |
CN111241209A (zh) * | 2020-01-03 | 2020-06-05 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN111476021A (zh) * | 2020-04-07 | 2020-07-31 | 北京字节跳动网络技术有限公司 | 输出信息的方法、装置、电子设备和计算机可读介质 |
CN112115720A (zh) * | 2020-08-31 | 2020-12-22 | 北京字节跳动网络技术有限公司 | 一种实体间关联关系的确定方法、装置、终端设备及介质 |
CN112214987A (zh) * | 2020-09-08 | 2021-01-12 | 深圳价值在线信息科技股份有限公司 | 一种信息提取方法、提取装置、终端设备及可读存储介质 |
CN114065765A (zh) * | 2021-10-29 | 2022-02-18 | 北京来也网络科技有限公司 | 结合ai和rpa的武器装备文本处理方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729319A (zh) * | 2017-10-18 | 2018-02-23 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN107798136A (zh) * | 2017-11-23 | 2018-03-13 | 北京百度网讯科技有限公司 | 基于深度学习的实体关系抽取方法、装置及服务器 |
CN108628943A (zh) * | 2018-03-28 | 2018-10-09 | 北京三快在线科技有限公司 | 一种数据处理方法、装置和电子设备 |
US20190065576A1 (en) * | 2017-08-23 | 2019-02-28 | Rsvp Technologies Inc. | Single-entity-single-relation question answering systems, and methods |
-
2019
- 2019-06-25 CN CN201910554364.7A patent/CN110275963A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190065576A1 (en) * | 2017-08-23 | 2019-02-28 | Rsvp Technologies Inc. | Single-entity-single-relation question answering systems, and methods |
CN107729319A (zh) * | 2017-10-18 | 2018-02-23 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN107798136A (zh) * | 2017-11-23 | 2018-03-13 | 北京百度网讯科技有限公司 | 基于深度学习的实体关系抽取方法、装置及服务器 |
CN108628943A (zh) * | 2018-03-28 | 2018-10-09 | 北京三快在线科技有限公司 | 一种数据处理方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
武晓阳: "《面向海量互联网中文文本的实体关系抽取研究与实现》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633476A (zh) * | 2019-09-27 | 2019-12-31 | 北京百度网讯科技有限公司 | 用于获取知识标注信息的方法及装置 |
CN110633476B (zh) * | 2019-09-27 | 2024-04-05 | 北京百度网讯科技有限公司 | 用于获取知识标注信息的方法及装置 |
CN111079433A (zh) * | 2019-11-29 | 2020-04-28 | 北京奇艺世纪科技有限公司 | 一种事件抽取方法、装置及电子设备 |
CN111079433B (zh) * | 2019-11-29 | 2023-10-27 | 北京奇艺世纪科技有限公司 | 一种事件抽取方法、装置及电子设备 |
CN111241209A (zh) * | 2020-01-03 | 2020-06-05 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN111476021A (zh) * | 2020-04-07 | 2020-07-31 | 北京字节跳动网络技术有限公司 | 输出信息的方法、装置、电子设备和计算机可读介质 |
CN111476021B (zh) * | 2020-04-07 | 2023-08-15 | 抖音视界有限公司 | 输出信息的方法、装置、电子设备和计算机可读介质 |
CN112115720A (zh) * | 2020-08-31 | 2020-12-22 | 北京字节跳动网络技术有限公司 | 一种实体间关联关系的确定方法、装置、终端设备及介质 |
CN112115720B (zh) * | 2020-08-31 | 2024-06-04 | 北京字节跳动网络技术有限公司 | 一种实体间关联关系的确定方法、装置、终端设备及介质 |
CN112214987A (zh) * | 2020-09-08 | 2021-01-12 | 深圳价值在线信息科技股份有限公司 | 一种信息提取方法、提取装置、终端设备及可读存储介质 |
CN114065765A (zh) * | 2021-10-29 | 2022-02-18 | 北京来也网络科技有限公司 | 结合ai和rpa的武器装备文本处理方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110275963A (zh) | 用于输出信息的方法和装置 | |
CN109036384B (zh) | 语音识别方法和装置 | |
US9652719B2 (en) | Authoring system for bayesian networks automatically extracted from text | |
CN111274815B (zh) | 用于挖掘文本中的实体关注点的方法和装置 | |
CN107679039A (zh) | 用于确定语句意图的方法和装置 | |
JP2020027649A (ja) | エンティティ関係データ生成方法、装置、機器、及び記憶媒体 | |
CN104462056B (zh) | 用于呈现基于知识的信息的方法和信息操纵系统 | |
CN109783651A (zh) | 提取实体相关信息的方法、装置、电子设备和存储介质 | |
US10579655B2 (en) | Method and apparatus for compressing topic model | |
WO2014126657A1 (en) | Latent semantic analysis for application in a question answer system | |
CN109697239A (zh) | 用于生成图文信息的方法和用于生成图像数据库的方法 | |
CN109740167B (zh) | 用于生成信息的方法和装置 | |
US11036996B2 (en) | Method and apparatus for determining (raw) video materials for news | |
CN109241286A (zh) | 用于生成文本的方法和装置 | |
CN109582954A (zh) | 用于输出信息的方法和装置 | |
CN110275962B (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 | |
CN102567455A (zh) | 利用语句的加权流行数据来管理文档的方法与系统 | |
CN113535977A (zh) | 一种知识图谱融合方法和装置及设备 | |
CN108038200A (zh) | 用于存储数据的方法和装置 | |
CN111488742A (zh) | 用于翻译的方法和装置 | |
CN116050352A (zh) | 文本编码方法和装置、计算机设备及存储介质 | |
CN107766498A (zh) | 用于生成信息的方法和装置 | |
CN112632223A (zh) | 案事件知识图谱构建方法及相关设备 | |
CN112035622A (zh) | 一种自然语言处理的集成平台及方法 |
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 |