CN110442759A - 一种知识检索方法及其系统、计算机设备和可读存储介质 - Google Patents
一种知识检索方法及其系统、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN110442759A CN110442759A CN201910678297.XA CN201910678297A CN110442759A CN 110442759 A CN110442759 A CN 110442759A CN 201910678297 A CN201910678297 A CN 201910678297A CN 110442759 A CN110442759 A CN 110442759A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- information
- processed
- data
- keyword
- 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.)
- Granted
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9038—Presentation of query results
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种知识检索方法及其系统、计算机设备和可读存储介质,该方法包括:获取待处理知识数据,所述待处理知识数据包括语音信息、图像信息或第一文字信息中的一种或多种;对所述待处理知识数据进行预处理得到关键词;将所述关键词输入预先训练好的深度学习神经网络进行特征检索得到检索结果;所述检索结果包括深度学习神经网络中与所述关键词关联的特征知识;输出并展示所述检索结果。所述系统、计算机设备和可读存储介质均为实现所述知识检索方法的载体。实施本发明,能够提高知识检索的速度和准确度,便于使用者更准确的了解该特征的相关知识。
Description
技术领域
本发明涉及问答检索技术领域,特别涉及一种知识检索方法及其系统、计算机设备和可读存储介质。
背景技术
深度学习源于人工神经网络的研究,含多隐层的多层感知器就是一种深度学习结构,深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示,深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征,并通过各层的神经网络的关系,便于使用者更准确的了解获取特征的相关信息。
现有的知识检索方式依靠在庞大的数据库内查找特征,其获取速度较慢,且无法联系到该特征的相关信息,使得知识检索后获得的信息具有局限性,不便于使用者更准确的了解该特征的相关知识,所以人们急需基于深度学习的知识检索方法来解决上述问题。
发明内容
本发明旨在提供一种知识检索方法及其系统、计算机设备和可读存储介质,以提高知识检索的速度和准确度,便于使用者更准确的了解该特征的相关知识。
为了实现本发明目的,根据第一方面,本发明实施例提供一种知识检索方法,包括如下步骤:
获取待处理知识数据,所述待处理知识数据包括语音信息、图像信息或第一文字信息中的一种或多种;
对所述待处理知识数据进行预处理得到关键词;
将所述关键词输入预先训练好的深度学习神经网络进行特征检索得到检索结果;所述检索结果包括深度学习神经网络中与所述关键词关联的特征知识;
输出并展示所述检索结果。
在一实施例中,所述对所述待处理知识数据进行预处理得到关键词包括:
将待处理知识数据转换为文字信息;其中,所述文字信息包括第一文字信息、第二文字信息和/或第三文字信息;
采用BERT算法对所述文字信息进行处理得到关键词。
在一实施例中,所述将待处理知识数据转换为文字信息包括:
若待处理知识数据包括语音信息,则对语音信息进行滤波降噪,并将滤波降噪后的语音识别信息转换为所述第二文字信息;
若待处理知识数据包括图像信息,则对图像信息进行二值化,并提取二值化后的图像信息中的所述第三文字信息。
在一实施例中,所述展示所述检索结果包括检索结果的初级展示;
其中,所述初级展示包括初级知识、同层神经网络相关知识以及引申抽象的高层知识的展示;其中,所述初级知识为与深度学习神经网络中与所述关键词相同的第一特征词;所述同层神经网络相关知识为所述第一特征词所在神经网络层中与所述关键词相关的第二特征词;所述引申抽象的高层知识为所述第一特征词所在神经网络层中的高层抽象概念字词。
在一实施例中,所述展示所述检索结果包括检索结果的次级展示;
次级展示是将初级知识展示、同层神经网络相关知识以及引申抽象的高层知识均通过链接方式与数据资料中的提取文本链接,将包括所述关键词的文本段落进行展示。
在一实施例中,所述方法还包括如下步骤:
接收数据修改信息,并根据所述数据修改信息确定深度学习神经网络中需修改的特征词和知识数据,并对所述需修改的特征词所对应的神经网络层进行重新训练。
根据第二方面,本发明实施例提供一种知识检索系统,用于实现第一方面实施例所述知识检索方法,所述系统包括:
信息获取单元,被配置为获取待处理知识数据;其中,所述待处理知识数据为语音信息、图像信息或第一文字信息中的一种或多种;
信息处理单元,被配置为对所述待处理知识数据进行预处理得到关键词;
信息检索单元,被配置为将所述关键词输入预先训练好的深度学习神经网络进行特征检索得到检索结果;所述检索结果包括深度学习神经网络中与所述关键词关联的特征知识;
信息展示单元,被配置为输出并展示所述检索结果。
根据第三方面,本发明实施例提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行第一方面实施例所述知识检索方法的步骤。
根据第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时,以实现如第一方面实施例所述知识检索方法的步骤。
以上技术方案具有如下有益效果:
通过创建深度学习神经网络,使得使用者在知识检索时能快速获取知识,解决现有的通过庞大数据库检索造成时间浪费和准确度较低的问题;
在知识检索时,使用者可以通过语音、图像和文本作为输入,使得使用者在知识检索时的输入更加便捷,并通过对语音和图像进行降噪,使得输出文本更加准确;
深度学习神经网络提取特征时,关键词通过BERT算法进行处理,BERT算法能有效根据语境向上和向下判断字词的归属,进而使得关键词获取更加准确,避免无效的字词干扰深度学习神经网络提取特征;
设置的展示方式能准确展现使用者检索的知识特征和该知识特征的获取文本,同时因深度学习神经网络的作用,也向使用者展示检索的知识特征相关的知识以及向上和向下的分支关系,便于使用者更好的了解检索的知识特征;
设置的数据纠错和更新能保证知识特征的信息保持更好的时效性和准确性,降低错误或过时的知识特征对使用者的错误引导,并在管理员登录时设置了密码和指纹,减少深度学习神经单元和相关算法被篡改的情况,保证数据的安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例一所述一种知识检索方法流程图。
图2为本发明实施例二所述一种问答检索系统示意图。
具体实施方式
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,所描述的实施例仅仅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它实施例,都属于本发明保护的范围。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
如图1所示,本发明实施例一提供一种知识检索方法,包括如下步骤:
步骤S1、获取待处理知识数据,所述待处理知识数据包括语音信息、图像信息或第一文字信息中的一种或多种;
步骤S2、对所述待处理知识数据进行预处理得到关键词;
步骤S3、将所述关键词输入预先训练好的深度学习神经网络进行特征检索得到检索结果;所述检索结果包括深度学习神经网络中与所述关键词关联的特征知识;
步骤S4、输出并展示所述检索结果。
具体而言,本实施例中所述深度学习神经网络建立过程如下:
A、导入模型训练所需的数据资料,并根据所述数据资料提取多个特征词;数据资料包括知识关键词、关键词所属文本段落、BERT的训练集和各算法的编程数据;
B、根据所述特征词逐层构建神经网络层得到深度学习神经网络;
C、利用wake-s leep算法对构建的深度学习神经网络进行调优;wake-s leep算法进行调优是对每层神经网络常采用wake-s leep算法进行调节,并在每次仅调整一层,逐层调整;
D、进行深度学习神经网络调整,在各层参数的基础上,在最顶层的编码器添加一个SVM分类器,而后通过带标签数据的监督学习,并利用梯度下降法微调整个网络参数;
E、进行特征词链接,将深度学习神经网络的关键词语与数据资料文本创建链接关系。本实施例步骤S3中所述深度学习神经网络的工作原理为识别步骤S2预处理得到的关键词,然后根据关键词获取与关键词对应的特征词,并根据特征词与数据资料文本的链接关系获取包括关键词的数据文本内容。最后步骤S4对步骤S3的处理结果进行展示,从而实现对待处理知识数据的知识检索。
在一实施例中,所述对所述待处理知识数据进行预处理得到关键词包括:
将待处理知识数据转换为文字信息;其中,所述文字信息包括第一文字信息、第二文字信息和/或第三文字信息;
采用BERT算法对所述文字信息进行处理得到关键词。
在一实施例中,所述将待处理知识数据转换为文字信息包括:
若待处理知识数据包括语音信息,则对语音信息进行滤波降噪,并将滤波降噪后的语音识别信息转换为所述第二文字信息;
若待处理知识数据包括图像信息,则对图像信息进行二值化,并提取二值化后的图像信息中的所述第三文字信息。
在一实施例中,所述展示所述检索结果包括检索结果的初级展示;
其中,所述初级展示包括初级知识、同层神经网络相关知识以及引申抽象的高层知识的展示;其中,所述初级知识为与深度学习神经网络中与所述关键词相同的第一特征词;所述同层神经网络相关知识为所述第一特征词所在神经网络层中与所述关键词相关的第二特征词;所述引申抽象的高层知识为所述第一特征词所在神经网络层中的高层抽象概念字词。
具体而言,所述第一特征词与所述关键词唯一对应,所述第二特征词为一个或多个。在所述步骤S3中,所述深度学习神经网络识别预处理得到的关键词,并获取与该关键词对应的一第一特征词和一个或多个第二特征词。
在一实施例中,所述展示所述检索结果包括检索结果的次级展示;
次级展示是将初级知识展示、同层神经网络相关知识以及引申抽象的高层知识均通过链接方式与数据资料中的提取文本链接,将包括所述关键词的文本段落进行展示。
在一实施例中,所述方法还包括如下步骤:
接收数据修改信息,并根据所述数据修改信息确定深度学习神经网络中需修改的特征词和知识数据,并对所述需修改的特征词所对应的神经网络层进行重新训练。
本发明实施例二提供一种知识检索系统,用于实现实施例一所述知识检索方法,所述系统包括:
信息获取单元1,被配置为获取待处理知识数据;其中,所述待处理知识数据为语音信息、图像信息或第一文字信息中的一种或多种;
信息处理单元2,被配置为对所述待处理知识数据进行预处理得到关键词;
信息检索单元3,被配置为将所述关键词输入预先训练好的深度学习神经网络进行特征检索得到检索结果;所述检索结果包括深度学习神经网络中与所述关键词关联的特征知识;
信息展示单元4,被配置为输出并展示所述检索结果。
在一实施例中,所述系统包括数据修改单元;
所述信息获取单元1还用于接收数据修改信息;
所述数据修改单元被配置为根据所述数据修改信息确定需修改的关键词和知识数据;
所述信息检索单元3还用于对所述需修改的关键词所对应的神经网络层进行重新训练。
需说明的是,本实施例二所述系统用于实现实施例一所述方法,因此,关于本实施例二所述系统的相关部分可以参阅实施例一所述方法的内容得到,此处不再赘述。
本发明实施例三提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述知识检索方法的步骤。
本发明实施例四提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,以实现所述知识检索方法的步骤。
通过以上实施例的描述可知,首先,通过语素解析的作用,便于将检索文本进行切分,从而方便后期加权操作,通过词向量预处理的作用,便于将文本数据转换成计算机能识别的数据,方便计算机识别,然后更新表示来预测其上下文,共享相似上下文的文本在向量空间中彼此接近,提高多个语素词组的词义之间的关联性,再通过BM25算法加权的作用,对检索文本的语素进行加权,从文本中识别出最重要的单词,并在将单词组合成文本表示时赋予它们更大的权重,利用其相关性的高低,提高检索结果的精准性;其次,通过对修改部分进行处理的作用,便于根据操作人员需求针对修改检索文本,实时对操作人员的检索文本进行答复,且通过改变量与初始检索文本的对比,避免重复量继续进行计算操作,减少计算量,降低检索时间,提高问答检索的效率。
以上所述仅是本申请的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (9)
1.一种知识检索方法,其特征在于,包括如下步骤:
获取待处理知识数据,所述待处理知识数据包括语音信息、图像信息或第一文字信息中的一种或多种;
对所述待处理知识数据进行预处理得到关键词;
将所述关键词输入预先训练好的深度学习神经网络进行特征检索得到检索结果;所述检索结果包括深度学习神经网络中与所述关键词关联的特征知识;
输出并展示所述检索结果。
2.如权利要求1所述的知识检索方法,其特征在于,所述对所述待处理知识数据进行预处理得到关键词包括:
将待处理知识数据转换为文字信息;其中,所述文字信息包括第一文字信息、第二文字信息和/或第三文字信息;
采用BERT算法对所述文字信息进行处理得到关键词。
3.如权利要求2所述的知识检索方法,其特征在于,所述将待处理知识数据转换为文字信息包括:
若待处理知识数据包括语音信息,则对语音信息进行滤波降噪,并将滤波降噪后的语音识别信息转换为所述第二文字信息;
若待处理知识数据包括图像信息,则对图像信息进行二值化,并提取二值化后的图像信息中的所述第三文字信息。
4.如权利要求1所述的知识检索方法,其特征在于,所述展示所述检索结果包括检索结果的初级展示;
其中,所述初级展示包括初级知识、同层神经网络相关知识以及引申抽象的高层知识的展示;所述初级知识为与深度学习神经网络中与所述关键词相同的第一特征词;所述同层神经网络相关知识为所述第一特征词所在神经网络层中与所述与所述关键词相关的第二特征词;所述引申抽象的高层知识为所述第一特征词所在神经网络层中的高层抽象概念字词。
5.如权利要求4所述的知识检索方法,其特征在于,所述展示所述检索结果包括检索结果的次级展示;
次级展示是将初级知识展示、同层神经网络相关知识以及引申抽象的高层知识均通过链接方式与数据资料中的提取文本链接,将包括所述关键词的文本段落进行展示。
6.如权利要求1所述的知识检索方法,其特征在于,所述方法还包括如下步骤:
接收数据修改信息,并根据所述数据修改信息确定深度学习神经网络中需修改的特征词和知识数据,并对所述需修改的特征词所对应的神经网络层进行重新训练。
7.一种知识检索系统,用于实现权利要求1-6任一项所述知识检索方法,其特征在于,所述系统包括:
信息获取单元,被配置为获取待处理知识数据;其中,所述待处理知识数据为语音信息、图像信息或第一文字信息中的一种或多种;
信息处理单元,被配置为对所述待处理知识数据进行预处理得到关键词;
信息检索单元,被配置为将所述关键词输入预先训练好的深度学习神经网络进行特征检索得到检索结果;所述检索结果包括深度学习神经网络中与所述关键词关联的特征知识;
信息展示单元,被配置为输出并展示所述检索结果。
8.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1至6中任一项所述知识检索方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时,以实现如权利要求1至6中任一项所述知识检索方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910678297.XA CN110442759B (zh) | 2019-07-25 | 2019-07-25 | 一种知识检索方法及其系统、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910678297.XA CN110442759B (zh) | 2019-07-25 | 2019-07-25 | 一种知识检索方法及其系统、计算机设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110442759A true CN110442759A (zh) | 2019-11-12 |
CN110442759B CN110442759B (zh) | 2022-05-13 |
Family
ID=68431595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910678297.XA Active CN110442759B (zh) | 2019-07-25 | 2019-07-25 | 一种知识检索方法及其系统、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110442759B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949316A (zh) * | 2021-02-23 | 2021-06-11 | 南方电网调峰调频发电有限公司信息通信分公司 | 基于神经网络模型的知识检索方法、装置、设备和介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150095017A1 (en) * | 2013-09-27 | 2015-04-02 | Google Inc. | System and method for learning word embeddings using neural language models |
CN105069047A (zh) * | 2014-07-25 | 2015-11-18 | 沈阳美行科技有限公司 | 一种地理信息的检索方法及装置 |
CN106354852A (zh) * | 2016-09-02 | 2017-01-25 | 北京百度网讯科技有限公司 | 基于人工智能的搜索方法及装置 |
CN106649786A (zh) * | 2016-12-28 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于深度问答的答案检索方法及装置 |
CN107577763A (zh) * | 2017-09-04 | 2018-01-12 | 北京京东尚科信息技术有限公司 | 检索方法和装置 |
CN108460122A (zh) * | 2018-02-23 | 2018-08-28 | 武汉斗鱼网络科技有限公司 | 基于深度学习的视频搜索方法、存储介质、设备及系统 |
CN108984576A (zh) * | 2018-02-07 | 2018-12-11 | 广州集创佳禾知识产权运营有限公司 | 一种基于卷积神经网络的专利文献获取方法及系统 |
CN109522392A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 基于语音的检索方法、服务器及计算机可读存储介质 |
CN109815318A (zh) * | 2018-12-24 | 2019-05-28 | 平安科技(深圳)有限公司 | 问答系统中的问题答案查询方法、系统及计算机设备 |
CN109840287A (zh) * | 2019-01-31 | 2019-06-04 | 中科人工智能创新技术研究院(青岛)有限公司 | 一种基于神经网络的跨模态信息检索方法和装置 |
-
2019
- 2019-07-25 CN CN201910678297.XA patent/CN110442759B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150095017A1 (en) * | 2013-09-27 | 2015-04-02 | Google Inc. | System and method for learning word embeddings using neural language models |
CN105069047A (zh) * | 2014-07-25 | 2015-11-18 | 沈阳美行科技有限公司 | 一种地理信息的检索方法及装置 |
CN106354852A (zh) * | 2016-09-02 | 2017-01-25 | 北京百度网讯科技有限公司 | 基于人工智能的搜索方法及装置 |
CN106649786A (zh) * | 2016-12-28 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于深度问答的答案检索方法及装置 |
CN107577763A (zh) * | 2017-09-04 | 2018-01-12 | 北京京东尚科信息技术有限公司 | 检索方法和装置 |
CN108984576A (zh) * | 2018-02-07 | 2018-12-11 | 广州集创佳禾知识产权运营有限公司 | 一种基于卷积神经网络的专利文献获取方法及系统 |
CN108460122A (zh) * | 2018-02-23 | 2018-08-28 | 武汉斗鱼网络科技有限公司 | 基于深度学习的视频搜索方法、存储介质、设备及系统 |
CN109522392A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 基于语音的检索方法、服务器及计算机可读存储介质 |
CN109815318A (zh) * | 2018-12-24 | 2019-05-28 | 平安科技(深圳)有限公司 | 问答系统中的问题答案查询方法、系统及计算机设备 |
CN109840287A (zh) * | 2019-01-31 | 2019-06-04 | 中科人工智能创新技术研究院(青岛)有限公司 | 一种基于神经网络的跨模态信息检索方法和装置 |
Non-Patent Citations (1)
Title |
---|
孙刘杰: "《印刷图像处理》", 28 February 2013, 印刷工业出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949316A (zh) * | 2021-02-23 | 2021-06-11 | 南方电网调峰调频发电有限公司信息通信分公司 | 基于神经网络模型的知识检索方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110442759B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020232861A1 (zh) | 命名实体识别方法、电子装置及存储介质 | |
CN108829822B (zh) | 媒体内容的推荐方法和装置、存储介质、电子装置 | |
CN103699625B (zh) | 基于关键词进行检索的方法及装置 | |
CN104462066B (zh) | 语义角色标注方法及装置 | |
CN107818164A (zh) | 一种智能问答方法及其系统 | |
US11113323B2 (en) | Answer selection using a compare-aggregate model with language model and condensed similarity information from latent clustering | |
CN110851596A (zh) | 文本分类方法、装置及计算机可读存储介质 | |
CN107330011A (zh) | 多策略融合的命名实体的识别方法及装置 | |
CN105139237A (zh) | 信息推送的方法和装置 | |
CN106557462A (zh) | 命名实体识别方法和系统 | |
CN113761218B (zh) | 一种实体链接的方法、装置、设备及存储介质 | |
CN110110335A (zh) | 一种基于层叠模型的命名实体识别方法 | |
EP2659437A1 (en) | Automatic variable creation for adaptive analytical models | |
CN108549658A (zh) | 一种基于语法分析树上注意力机制的深度学习视频问答方法及系统 | |
CN107315738A (zh) | 一种文本信息的创新度评估方法 | |
CN112559684A (zh) | 一种关键词提取及信息检索方法 | |
CN106537387B (zh) | 检索/存储与事件相关联的图像 | |
Sheshikala et al. | Natural language processing and machine learning classifier used for detecting the author of the sentence | |
CN112527958A (zh) | 用户行为倾向识别方法、装置、设备及存储介质 | |
CN111078546A (zh) | 一种表达页面特征的方法和电子设备 | |
CN113807103A (zh) | 基于人工智能的招聘方法、装置、设备及存储介质 | |
Sinha et al. | NLP-based automatic answer evaluation | |
CN107357782A (zh) | 一种识别用户性别的方法及终端 | |
CN112562736B (zh) | 一种语音数据集质量评估方法和装置 | |
CN116756347B (zh) | 一种基于大数据的语义信息检索方法 |
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 |