CN111090987B - 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 PDF

Info

Publication number
CN111090987B
CN111090987B CN201911378383.5A CN201911378383A CN111090987B CN 111090987 B CN111090987 B CN 111090987B CN 201911378383 A CN201911378383 A CN 201911378383A CN 111090987 B CN111090987 B CN 111090987B
Authority
CN
China
Prior art keywords
sequence
word
dictionary
entity
sample
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
Application number
CN201911378383.5A
Other languages
English (en)
Other versions
CN111090987A (zh
Inventor
高原
戴岱
肖欣延
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201911378383.5A priority Critical patent/CN111090987B/zh
Publication of CN111090987A publication Critical patent/CN111090987A/zh
Priority to JP2020099160A priority patent/JP7100087B2/ja
Priority to US16/896,465 priority patent/US11507748B2/en
Application granted granted Critical
Publication of CN111090987B publication Critical patent/CN111090987B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • 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)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (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：获取待识别的语句；将待识别的语句进行切词得到词序列；将词序列输入预先训练的基于序列标注和实体词预测的多任务要素识别模型，输出识别出的实体词、实体类别和实体词位置，其中，多任务要素识别模型包括序列标注网络和实体词预测网络，序列标注网络用于执行序列标注任务，实体词预测网络用于执行实体词预测任务，BILSTM‑CRF网络在LSTM的隐层之后通过融合模块与实体词预测网络融合。该实施方式将领域词典知识融入要素识别模型，提升要素识别效果。

Description

用于输出信息的方法和装置
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
领域要素识别技术是解决专业领域(医疗、法律、金融等)内的自然语言文本中包含的要素(重要实体)或关键属性的识别与标注的自然语言处理技术。例如在医疗场景的病历文本处理，希望提取医生关注的疾病、症状、手术、检查等要素：患者为冠心病[disease]，冠脉搭桥术[operation]后，应考虑可能存在不典型心梗[disease]，应行心电图[examination]及心肌损伤标志物[examination]除外该诊断。
领域要素识别技术可以用于各个专业领域中的自然语言理解和结构化，为所有后续的决策提供最为基础的支持，比如：1.医疗领域：领域要素识别技术作为CDSS(临床决策支持系统)的核心模块用于抽取病历中的关键实体，为后续的疾病推理提供文本理解的重要能力；2.金融领域：领域要素识别技术可用于分析上市公司财报，分析这些文本中的关键实体(比如公司名称，上市时间，融资历史等)最终可用在智能投研等金融辅助决策产品中。
目前业界主流做法有两种，一是使用纯规则来做领域要素的标注；另一种是使用规则+模型进行标注。
现有的基于规则和规则+模型的领域要素识别系统具有以下几个方面的缺点：
1)使用纯规则的领域要素识别系统泛化能力弱，只能识别已有规则覆盖的要素。
2)规则系统的建立需要耗费工程师大量的精力，一个完善的领域规则系统需要工程师常年累月的深耕领域并分析和解决系统的问题。
3)现有基于模型的领域要素识别系统需要大量的人工标注数据。专业领域内的标注一般由专业领域的从业人员完成，标注成本十分高昂，标注费用大约是普通标注的5-10倍。
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：获取待识别的语句；将待识别的语句进行切词得到词序列；将词序列输入预先训练的基于序列标注和实体词预测的多任务要素识别模型，输出识别出的实体词、实体类别和实体词位置，其中，多任务要素识别模型包括序列标注网络和实体词预测网络，序列标注网络用于执行序列标注任务，实体词预测网络用于执行实体词预测任务，BILSTM-CRF网络在LSTM的隐层之后通过融合模块与实体词预测网络融合。
在一些实施例中，多任务要素识别模型通过如下步骤训练：获取训练样本集，其中，训练样本包括将样本语句切词得到的样本词序列和用于表征样本语句中实体词、实体类别和实体词位置的标注信息；将训练样本集中的训练样本中的样本词序列和标注信息分别作为初始多任务要素识别模型的输入和期望输出，利用多任务机器学习方法进行序列标注任务和实体词预测任务的学习，得到训练好的多任务要素识别模型。
在一些实施例中，BILSTM-CRF网络包括嵌入层、上下文编码层、CRF层，实体词预测网络包括：记忆网络、词典表示层和词典生成层；以及利用机器学习方法进行序列标注任务和实体词预测任务的学习，得到初始多任务要素识别模型，包括：从训练样本集中选取训练样本，执行以下训练步骤：将所选取的训练样本中的样本词序列通过嵌入层转换成词向量序列，并将词向量序列通过上下文编码层转换成上下文向量序列；通过预先训练的记忆网络将样本词序列转换成词典向量序列；将上下文向量序列和词典向量序列通过融合模块融合后得到融合向量序列；将融合向量序列通过词典表示层后和上下文向量序列进行全连接，然后通过CRF层进行序列标注，得到序列标注结果；将词典表示层的输出通过词典生成层进行实体词预测，得到实体词预测结果；基于序列标注结果与训练样本中的标注信息的差异以及实体词预测结果与训练样本中的标注信息的差异，调整嵌入层、上下文编码层、词典表示层、CRF层、词典生成层的参数，训练多任务要素识别模型。
在一些实施例中，获取训练样本集，包括：获取无结构/半结构化的文档；对文档进行分句；对于每个分句，对该分句切词得到词序列，并通过规则匹配方法对该分句进行实体标注，得到该分句的实体词、实体类别和实体词位置作为标注信息。
在一些实施例中，通过预先训练的记忆网络将样本词序列转换成词典向量序列，包括：将样本词序列中各样本词与记忆网络存储的词典进行匹配，得到各样本词的至少一个相关词对应的词典向量；对于样本词序列中每个样本词，将该样本词的至少一个相关词对应的词典向量通过注意力机制融合成该样本词的词典向量；将样本词序列中各样本词的词典向量组成样本词序列的词典向量序列。
在一些实施例中，词典生成层为预先训练的分类模型。
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：获取单元，被配置成获取待识别的语句；切词单元，被配置成将待识别的语句进行切词得到词序列；输出单元，被配置成将词序列输入预先训练的基于序列标注和实体词预测的多任务要素识别模型，输出识别出的实体词、实体类别和实体词位置，其中，多任务要素识别模型包括序列标注网络和实体词预测网络，序列标注网络用于执行序列标注任务，实体词预测网络用于执行实体词预测任务，BILSTM-CRF网络在LSTM的隐层之后通过融合模块与实体词预测网络融合。
在一些实施例中，该装置还包括训练单元，被配置成：获取训练样本集，其中，训练样本包括将样本语句切词得到的样本词序列和用于表征样本语句中实体词、实体类别和实体词位置的标注信息；将训练样本集中的训练样本中的样本词序列和标注信息分别作为初始多任务要素识别模型的输入和期望输出，利用多任务机器学习装置进行序列标注任务和实体词预测任务的学习，得到训练好的多任务要素识别模型。
在一些实施例中，BILSTM-CRF网络包括嵌入层、上下文编码层、CRF层，实体词预测网络包括：记忆网络、词典表示层和词典生成层；以及训练单元进一步被配置成：从训练样本集中选取训练样本，执行以下训练步骤：将所选取的训练样本中的样本词序列通过嵌入层转换成词向量序列，并将词向量序列通过上下文编码层转换成上下文向量序列；通过预先训练的记忆网络将样本词序列转换成词典向量序列；将上下文向量序列和词典向量序列通过融合模块融合后得到融合向量序列；将融合向量序列通过词典表示层后和上下文向量序列进行全连接，然后通过CRF层进行序列标注，得到序列标注结果；将词典表示层的输出通过词典生成层进行实体词预测，得到实体词预测结果；基于序列标注结果与训练样本中的标注信息的差异以及实体词预测结果与训练样本中的标注信息的差异，调整嵌入层、上下文编码层、词典表示层、CRF层、词典生成层的参数，训练多任务要素识别模型。
在一些实施例中，训练单元进一步被配置成：获取无结构/半结构化的文档；对文档进行分句；对于每个分句，对该分句切词得到词序列，并通过规则匹配装置对该分句进行实体标注，得到该分句的实体词、实体类别和实体词位置作为标注信息。
在一些实施例中，训练单元进一步被配置成：将样本词序列中各样本词与记忆网络存储的词典进行匹配，得到各样本词的至少一个相关词对应的词典向量；对于样本词序列中每个样本词，将该样本词的至少一个相关词对应的词典向量通过注意力机制融合成该样本词的词典向量；将样本词序列中各样本词的词典向量组成样本词序列的词典向量序列。
在一些实施例中，词典生成层为预先训练的分类模型。
第三方面，本公开的实施例提供了一种电子设备，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，能够以全局和局部的方式融入已有的领域知识。全局指基于序列标注和实体词预测的多任务要素识别模型能够对出现实体的上下文进行建模，能够通过上下文预测出现的实体词和对应类别。局部信息是指上节描述的内存网络。在这里记忆网络存储和当前词有语义关联的词典候选词(词典的局部信息，仅仅是部分词)。
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是根据本公开的用于输出信息的方法的多任务要素识别模型的网络架构图；
图3b是根据本公开的用于输出信息的方法的多任务要素识别模型的记忆网络的网络架构图；
图4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，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，例如领域要素识别类应用、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文本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上显示的文本提供领域标注服务支持的后台标注服务器。后台网页服务器可以对接收到的包括待识别的语句的标注请求等数据进行分析等处理，并将处理结果(例如识别出的实体词、实体类别和实体词位置)反馈给终端设备。
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105执行，相应地，用于输出信息的装置一般设置于服务器105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，获取待识别的语句。
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领域要素识别的终端接收待识别的语句。
步骤202，将待识别的语句进行切词得到词序列。
在本实施例中，可通过常规的切词方法例如，最大逆向匹配法等进行切词。例如将“患者为冠心病，冠脉搭桥术后，应考虑可能存在不典型心梗，应行心电图及心肌损伤标志物除外该诊断”，切成词序列{患者，为，冠心病，冠脉搭桥术，后，应，考虑，可能，存在，不典型心梗，应，行，心电图，及，心肌损伤标志物，除外，该，诊断}。
步骤203，将词序列输入预先训练的基于序列标注和实体词预测的多任务要素识别模型，输出识别出的实体词、实体类别和实体词位置。
在本实施例中，多任务要素识别模型包括序列标注网络和实体词预测网络。序列标注网络可以是BILSTM-CRF(biLSTM，指的是双向LSTM(Long Short-Term Memory，长短期记忆网络)；CRF指的是条件随机场)网络等可用于执行序列标注任务的网络。实体词预测网络用于执行实体词预测任务。BILSTM-CRF网络可在LSTM的隐层之后通过融合模块与实体词预测网络融合。
如图3a所示，词序列进入多任务要素识别模型后，执行如下步骤：
步骤301，将词序列通过嵌入层转换成词向量序列。
在本实施例中，嵌入层本质就是word2vec，数据降维，同时可以很方便计算同义词(各个word之间的距离)。对每一个词，我们需要构建一个向量来获取这个词的意思以及对实体识别有用的一些特征，这个向量由Glove训练的词向量和从字母中提取出特征的向量堆叠而成。一个选择是使用手动提取的特征，例如单词是否是大写字母开头等。另一种更美好的选择是使用某种神经网络来自动提取特征。在这里，对单个字母使用bi-LSTM，当然也可以使用其他循环神经网络，或者对单个字母或n-gram使用CNN。
步骤302，将词向量序列通过上下文编码层转换成上下文向量序列。
在本实施例中，当我们得到词最终的向量表示后，对词向量的序列进行LSTM或bi-LSTM。这次，我们使用每一个时间点的隐藏状态，而不仅仅是最终状态。输入m个词向量，获得m个隐藏状态的向量，然而词向量只是包含词级别的信息，而隐藏状态的向量考虑了上下文。
步骤303，通过预先训练的记忆网络将样本词序列转换成词典向量序列。
在本实施例中，记忆网络(memory networks，简称为MemNN)。记忆网络模型通过对上下文集合S(领域词典)和问题q(样本词序列)的数学变换，得到对应于问题的答案(词典向量序列)。具体步骤如下：
1、单次推理，如图3b的左图(a)所示。
把领域词典中的词进行embedding，变成向量放入记忆m中。
对问题q进行同样的embedding，变成向量u。
计算u和记忆m的匹配程度。
pi＝Softmax(uTmi)
输出o：记忆m的加权和
Figure BDA0002341622220000091
用o，以及问题u预测答案
Figure BDA0002341622220000092
2、多次推理：图3b的右图(b)所示。
每次的更新：
uk+1＝uk+ok
经过多次推理，计算输出：
Figure BDA0002341622220000093
可选地，可先计算领域词典和样本词序列的向量表示，然后根据样本词序列触发Attention机制，使用门控的方法选择出跟样本词序列相关的领域词典中的词。然后情景记忆模块会结合相关的领域词典和样本词序列进行迭代生成记忆，并且生成一个答案的向量表示。
步骤304，将上下文向量序列和词典向量序列通过融合模块融合后得到融合向量序列。
在本实施例中，可通过向量concat的方式融合上下文向量序列和词典向量序列得到融合向量序列。
步骤305，将融合向量序列通过词典表示层后和上下文向量序列进行全连接。
在本实施例中，词典表示层是融合了词典知识的主网络中的一个表示层。全连接(FC)是神经网络的一层，主要用来变换表示。
步骤306，通过CRF层进行序列标注，得到序列标注结果。
在本实施例中，CRF层作解码，在解码阶段计算标签得分，使用每个词对应的隐藏状态向量来做最后预测，可以使用一个全连接神经网络来获取每个实体标签的得分。对标签得分进行解码，计算标签序列的概率并找到概率最大的序列，得到序列标注结果。即，执行了序列标注任务，识别出实体词、实体类别和实体词位置。
步骤307，将词典表示层的输出通过词典生成层进行实体词预测，得到实体词预测结果。
在本实施例中，词典生成层可以是一个基于神经网络的分类模型，将将词典表示层的输出进行分类，得到分类标签和概率，从而判断出实体词、实体类别和实体词位置。
步骤307用于多任务训练，提高序列标注网络的性能，在应用时可不执行步骤307，而只使用步骤306中序列标注网络的标注结果。
多任务要素识别模型的训练过程与步骤301-307类似，只不过需要利用步骤307的实体词预测结果和步骤306的序列标注结果分别与期望的标注结果的差异，调整多任务要素识别模型各层的参数进行迭代训练。可由图1所示的服务器训练模型，也可由第三方服务器训练模型。
可使用词典对领域内大量的无监督文本进行规则标注得到训练样本。规则标注指的是使用领域词典、正则表达式和句法树等手段对输入的领域文本进行规则匹配。例如，从上例中提取医生关注的疾病(disease)、症状、手术(operation)、检查(examination)等要素：患者为冠心病[disease]，冠脉搭桥术[operation]后，应考虑可能存在不典型心梗[disease]，应行心电图[examination]及心肌损伤标志物[examination]除外该诊断。
继续参见图4，图4是根据本实施例的用于输出信息的方法的应用场景的一个示意图。在图4的应用场景中，首先使用词典对领域内大量的无监督文本进行规则标注，得到的规则标注数据作为训练样本。还需要通过领域词典进行词典表示建模，构建出记忆网络。然后利用构建好的记忆网络和标注好的训练样本进行多任务学习,得到初始化模型。然后再使用人工标注数据进行精调，得到最终的模型。当用户需要进行领域要素识别时，将待识别的语句输入训练好的模型，即可输出识别出的实体词、实体类别和实体词位置。
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：获取单元501、切词单元502和输出单元503。其中，获取单元501，被配置成获取待识别的语句；切词单元502，被配置成将待识别的语句进行切词得到词序列；输出单元503，被配置成将词序列输入预先训练的基于序列标注和实体词预测的多任务要素识别模型，输出识别出的实体词、实体类别和实体词位置，其中，多任务要素识别模型包括序列标注网络和实体词预测网络，序列标注网络用于执行序列标注任务，实体词预测网络用于执行实体词预测任务，序列标注网络通过融合模块与实体词预测网络融合。
在本实施例中，用于输出信息的装置500的获取单元501、切词单元502和输出单元503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。
在本实施例的一些可选的实现方式中，装置500还包括训练单元504，被配置成：获取训练样本集，其中，训练样本包括将样本语句切词得到的样本词序列和用于表征样本语句中实体词、实体类别和实体词位置的标注信息；将训练样本集中的训练样本中的样本词序列和标注信息分别作为初始多任务要素识别模型的输入和期望输出，利用多任务机器学习装置进行序列标注任务和实体词预测任务的学习，得到训练好的多任务要素识别模型。
在本实施例的一些可选的实现方式中，BILSTM-CRF网络包括嵌入层、上下文编码层、CRF层，实体词预测网络包括：记忆网络、词典表示层和词典生成层；以及训练单元进一步被配置成：从训练样本集中选取训练样本，执行以下训练步骤：将所选取的训练样本中的样本词序列通过嵌入层转换成词向量序列，并将词向量序列通过上下文编码层转换成上下文向量序列；通过预先训练的记忆网络将样本词序列转换成词典向量序列；将上下文向量序列和词典向量序列通过融合模块融合后得到融合向量序列；将融合向量序列通过词典表示层后和上下文向量序列进行全连接，然后通过CRF层进行序列标注，得到序列标注结果；将词典表示层的输出通过词典生成层进行实体词预测，得到实体词预测结果；基于序列标注结果与训练样本中的标注信息的差异以及实体词预测结果与训练样本中的标注信息的差异，调整嵌入层、上下文编码层、词典表示层、CRF层、词典生成层的参数，训练多任务要素识别模型。
在本实施例的一些可选的实现方式中，训练单元进一步被配置成：获取无结构/半结构化的文档；对文档进行分句；对于每个分句，对该分句切词得到词序列，并通过规则匹配装置对该分句进行实体标注，得到该分句的实体词、实体类别和实体词位置作为标注信息。
在本实施例的一些可选的实现方式中，训练单元进一步被配置成：将样本词序列中各样本词与记忆网络存储的词典进行匹配，得到各样本词的至少一个相关词对应的词典向量；对于样本词序列中每个样本词，将该样本词的至少一个相关词对应的词典向量通过注意力机制融合成该样本词的词典向量；将样本词序列中各样本词的词典向量组成样本词序列的词典向量序列。
在本实施例的一些可选的实现方式中，词典生成层为预先训练的分类模型。
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RAM603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：获取待识别的语句；将待识别的语句进行切词得到词序列；将词序列输入预先训练的基于序列标注和实体词预测的多任务要素识别模型，输出识别出的实体词、实体类别和实体词位置，其中，多任务要素识别模型包括序列标注网络和实体词预测网络，序列标注网络用于执行序列标注任务，实体词预测网络用于执行实体词预测任务，BILSTM-CRF网络在LSTM的隐层之后通过融合模块与实体词预测网络融合。
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：一种处理器包括获取单元、切词单元、输出单元。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，获取单元还可以被描述为“获取待识别的语句的单元”。
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 (14)

1.一种用于输出信息的方法，包括：
获取待识别的语句；
将所述待识别的语句进行切词得到词序列；
将所述词序列输入预先训练的基于序列标注和实体词预测的多任务要素识别模型，其中，所述多任务要素识别模型包括序列标注网络和实体词预测网络，所述序列标注网络用于执行序列标注任务，所述实体词预测网络用于执行实体词预测任务，所述序列标注网络通过融合模块与所述实体词预测网络融合，所述序列标注网络包括嵌入层、上下文编码层、CRF层，所述实体词预测网络包括：记忆网络、词典表示层和词典生成层；
将词序列通过嵌入层转换成词向量序列；
将词向量序列通过上下文编码层转换成上下文向量序列；
通过预先训练的记忆网络将样本词序列转换成词典向量序列；
将上下文向量序列和词典向量序列通过融合模块融合后得到融合向量序列；
将融合向量序列通过词典表示层后和上下文向量序列进行全连接；
通过CRF层进行序列标注，得到序列标注结果；
将词典表示层的输出通过词典生成层进行实体词预测，输出识别出的实体词、实体类别和实体词位置。
2.根据权利要求1所述的方法，所述多任务要素识别模型通过如下步骤训练：
获取训练样本集，其中，训练样本包括将样本语句切词得到的样本词序列和用于表征样本语句中实体词、实体类别和实体词位置的标注信息；
将所述训练样本集中的训练样本中的样本词序列和标注信息分别作为初始多任务要素识别模型的输入和期望输出，利用多任务机器学习方法进行序列标注任务和实体词预测任务的学习，得到训练好的多任务要素识别模型。
3.根据权利要求2所述的方法，其中，所述序列标注网络为BILSTM-CRF网络；以及
所述利用多任务机器学习方法进行序列标注任务和实体词预测任务的学习，得到所述初始多任务要素识别模型，包括：
从所述训练样本集中选取训练样本，执行以下训练步骤：
将所选取的训练样本中的样本词序列通过嵌入层转换成词向量序列，并将所述词向量序列通过上下文编码层转换成上下文向量序列；
通过预先训练的记忆网络将所述样本词序列转换成词典向量序列；
将所述上下文向量序列和所述词典向量序列通过融合模块融合后得到融合向量序列；
将所述融合向量序列通过词典表示层后和上下文向量序列进行全连接，然后通过CRF层进行序列标注，得到序列标注结果；
将词典表示层的输出通过词典生成层进行实体词预测，得到实体词预测结果；
基于所述序列标注结果与所述训练样本中的标注信息的差异以及所述实体词预测结果与所述训练样本中的标注信息的差异，调整嵌入层、上下文编码层、词典表示层、CRF层、词典生成层的参数，训练多任务要素识别模型。
4.根据权利要求2所述的方法，其中，所述获取训练样本集，包括：
获取无结构/半结构化的文档；
对所述文档进行分句；
对于每个分句，对该分句切词得到词序列，并通过规则匹配方法对该分句进行实体标注，得到该分句的实体词、实体类别和实体词位置作为标注信息。
5.根据权利要求3所述的方法，其中，所述通过预先训练的记忆网络将所述样本词序列转换成词典向量序列，包括：
将所述样本词序列中各样本词与所述记忆网络存储的词典进行匹配，得到各样本词的至少一个相关词对应的词典向量；
对于所述样本词序列中每个样本词，将该样本词的至少一个相关词对应的词典向量通过注意力机制融合成该样本词的词典向量；
将所述样本词序列中各样本词的词典向量组成所述样本词序列的词典向量序列。
6.根据权利要求3所述的方法，其中，所述词典生成层为预先训练的分类模型。
7.一种用于输出信息的装置，包括：
获取单元，被配置成获取待识别的语句；
切词单元，被配置成将所述待识别的语句进行切词得到词序列；
输出单元，被配置成将所述词序列输入预先训练的基于序列标注和实体词预测的多任务要素识别模型，其中，所述多任务要素识别模型包括序列标注网络和实体词预测网络，所述序列标注网络用于执行序列标注任务，所述实体词预测网络用于执行实体词预测任务，所述序列标注网络通过融合模块与所述实体词预测网络融合，所述序列标注网络包括嵌入层、上下文编码层、CRF层，所述实体词预测网络包括：记忆网络、词典表示层和词典生成层；将词序列通过嵌入层转换成词向量序列；将词向量序列通过上下文编码层转换成上下文向量序列；通过预先训练的记忆网络将样本词序列转换成词典向量序列；将上下文向量序列和词典向量序列通过融合模块融合后得到融合向量序列；将融合向量序列通过词典表示层后和上下文向量序列进行全连接；通过CRF层进行序列标注，得到序列标注结果；将词典表示层的输出通过词典生成层进行实体词预测，输出识别出的实体词、实体类别和实体词位置。
8.根据权利要求7所述的装置，所述装置还包括训练单元，被配置成：
获取训练样本集，其中，训练样本包括将样本语句切词得到的样本词序列和用于表征样本语句中实体词、实体类别和实体词位置的标注信息；
将所述训练样本集中的训练样本中的样本词序列和标注信息分别作为初始多任务要素识别模型的输入和期望输出，利用多任务机器学习装置进行序列标注任务和实体词预测任务的学习，得到训练好的多任务要素识别模型。
9.根据权利要求8所述的装置，其中，所述序列标注网络为BILSTM-CRF网络；以及
所述训练单元进一步被配置成：
从所述训练样本集中选取训练样本，执行以下训练步骤：
将所选取的训练样本中的样本词序列通过嵌入层转换成词向量序列，并将所述词向量序列通过上下文编码层转换成上下文向量序列；
通过预先训练的记忆网络将所述样本词序列转换成词典向量序列；
将所述上下文向量序列和所述词典向量序列通过融合模块融合后得到融合向量序列；
将所述融合向量序列通过词典表示层后和上下文向量序列进行全连接，然后通过CRF层进行序列标注，得到序列标注结果；
将词典表示层的输出通过词典生成层进行实体词预测，得到实体词预测结果；
基于所述序列标注结果与所述训练样本中的标注信息的差异以及所述实体词预测结果与所述训练样本中的标注信息的差异，调整嵌入层、上下文编码层、词典表示层、CRF层、词典生成层的参数，训练多任务要素识别模型。
10.根据权利要求8所述的装置，其中，所述训练单元进一步被配置成：
获取无结构/半结构化的文档；
对所述文档进行分句；
对于每个分句，对该分句切词得到词序列，并通过规则匹配装置对该分句进行实体标注，得到该分句的实体词、实体类别和实体词位置作为标注信息。
11.根据权利要求9所述的装置，其中，所述训练单元进一步被配置成：
将所述样本词序列中各样本词与所述记忆网络存储的词典进行匹配，得到各样本词的至少一个相关词对应的词典向量；
对于所述样本词序列中每个样本词，将该样本词的至少一个相关词对应的词典向量通过注意力机制融合成该样本词的词典向量；
将所述样本词序列中各样本词的词典向量组成所述样本词序列的词典向量序列。
12.根据权利要求9所述的装置，其中，所述词典生成层为预先训练的分类模型。
13.一种电子设备，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1-6中任一所述的方法。
14.一种计算机可读介质，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1-6中任一所述的方法。
CN201911378383.5A 2019-12-27 2019-12-27 用于输出信息的方法和装置 Active CN111090987B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201911378383.5A CN111090987B (zh) 2019-12-27 2019-12-27 用于输出信息的方法和装置
JP2020099160A JP7100087B2 (ja) 2019-12-27 2020-06-08 情報を出力する方法および装置
US16/896,465 US11507748B2 (en) 2019-12-27 2020-06-09 Method and apparatus for outputting information

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911378383.5A CN111090987B (zh) 2019-12-27 2019-12-27 用于输出信息的方法和装置

Publications (2)

Publication Number Publication Date
CN111090987A CN111090987A (zh) 2020-05-01
CN111090987B true CN111090987B (zh) 2021-02-05

Family

ID=70397500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911378383.5A Active CN111090987B (zh) 2019-12-27 2019-12-27 用于输出信息的方法和装置

Country Status (3)

Country Link
US (1) US11507748B2 (zh)
JP (1) JP7100087B2 (zh)
CN (1) CN111090987B (zh)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11487942B1 (en) * 2019-06-11 2022-11-01 Amazon Technologies, Inc. Service architecture for entity and relationship detection in unstructured text
US11556579B1 (en) 2019-12-13 2023-01-17 Amazon Technologies, Inc. Service architecture for ontology linking of unstructured text
CN113761882A (zh) * 2020-06-08 2021-12-07 北京沃东天骏信息技术有限公司 一种词典构建方法和装置
CN112131380A (zh) * 2020-08-20 2020-12-25 彭涛 用于识别问题类别的方法、装置、电子设备及存储介质
CN112214987B (zh) * 2020-09-08 2023-02-03 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
CN112307766A (zh) * 2020-09-22 2021-02-02 北京京东世纪贸易有限公司 用于识别预设类别实体的方法、装置、电子设备和介质
CN112084783B (zh) * 2020-09-24 2022-04-12 中国民航大学 基于民航不文明旅客的实体识别方法及系统
CN112257448A (zh) * 2020-10-29 2021-01-22 重庆紫光华山智安科技有限公司 一种多任务命名实体识别方法、系统、介质及终端
CN112559727B (zh) * 2020-12-15 2024-04-09 北京百度网讯科技有限公司 用于输出信息的方法、装置、设备、存储介质和程序
CN113268452B (zh) * 2021-05-25 2024-02-02 联仁健康医疗大数据科技股份有限公司 一种实体抽取的方法、装置、设备和存储介质
CN113254656B (zh) * 2021-07-06 2021-10-22 北京邮电大学 专利文本分类方法、电子设备及计算机存储介质
CN113627424B (zh) * 2021-07-14 2023-09-12 重庆师范大学 一种协同门控循环融合lstm图像标注方法
CN113537345B (zh) * 2021-07-15 2023-01-24 中国南方电网有限责任公司 一种通信网设备数据关联的方法及系统
CN113676348B (zh) * 2021-08-04 2023-12-29 南京赋乐科技有限公司 一种网络通道破解方法、装置、服务器及存储介质
CN113743746A (zh) * 2021-08-17 2021-12-03 携程旅游网络技术（上海）有限公司 模型训练方法、事件分派处理方法、设备及介质
CN113392189B (zh) * 2021-08-17 2022-02-08 东华理工大学南昌校区 基于自动分词的新闻文本处理方法
CN113836940B (zh) * 2021-09-26 2024-04-12 南方电网数字电网研究院股份有限公司 电力计量领域的知识融合方法、装置和计算机设备
CN113626564B (zh) * 2021-10-09 2021-12-17 腾讯科技（深圳）有限公司 一种概念标签生成方法、装置、电子设备和存储介质
US20230161962A1 (en) * 2021-11-23 2023-05-25 Microsoft Technology Licensing, Llc System for automatically augmenting a message based on context extracted from the message
CN114330345B (zh) * 2021-12-24 2023-01-17 北京百度网讯科技有限公司 命名实体识别方法、训练方法、装置、电子设备及介质
CN114821622B (zh) * 2022-03-10 2023-07-21 北京百度网讯科技有限公司 文本抽取方法、文本抽取模型训练方法、装置及设备
CN114997169B (zh) * 2022-05-30 2023-06-13 中电金信软件有限公司 一种实体词识别方法、装置、电子设备及可读存储介质
CN115081451A (zh) * 2022-06-30 2022-09-20 中国电信股份有限公司 实体识别方法、装置、电子设备及存储介质
CN115204150B (zh) * 2022-09-06 2022-12-09 北京国电通网络技术有限公司 信息校验方法、装置、电子设备和计算机可读介质
CN115374788B (zh) * 2022-10-26 2023-02-07 江西农业大学 农业病虫害文本命名实体的方法及装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6062879B2 (ja) 2014-03-14 2017-01-18 日本電信電話株式会社 モデル学習装置、方法及びプログラム
JP6522446B2 (ja) 2014-12-26 2019-05-29 Kddi株式会社 ラベル付与装置、方法およびプログラム
US10509860B2 (en) * 2016-02-10 2019-12-17 Weber State University Research Foundation Electronic message information retrieval system
US10997223B1 (en) * 2017-06-28 2021-05-04 Amazon Technologies, Inc. Subject-specific data set for named entity resolution
CN109388795B (zh) * 2017-08-07 2022-11-08 芋头科技（杭州）有限公司 一种命名实体识别方法、语言识别方法及系统
CN107977361B (zh) * 2017-12-06 2021-05-18 哈尔滨工业大学深圳研究生院 基于深度语义信息表示的中文临床医疗实体识别方法
US11392828B2 (en) * 2018-09-24 2022-07-19 Salesforce.Com, Inc. Case object context embeddings for machine learning training of case context
CN109657230B (zh) * 2018-11-06 2023-07-28 众安信息技术服务有限公司 融合词向量和词性向量的命名实体识别方法及装置
US20220075944A1 (en) * 2019-02-19 2022-03-10 Google Llc Learning to extract entities from conversations with neural networks
CN110147551B (zh) * 2019-05-14 2023-07-11 腾讯科技（深圳）有限公司 多类别实体识别模型训练、实体识别方法、服务器及终端
US11354506B2 (en) * 2019-07-30 2022-06-07 Baidu Usa Llc Coreference-aware representation learning for neural named entity recognition
CN111274815B (zh) * 2020-01-15 2024-04-12 北京百度网讯科技有限公司 用于挖掘文本中的实体关注点的方法和装置

Also Published As

Publication number Publication date
CN111090987A (zh) 2020-05-01
US11507748B2 (en) 2022-11-22
JP7100087B2 (ja) 2022-07-12
US20210200951A1 (en) 2021-07-01
JP2021108096A (ja) 2021-07-29

Similar Documents

Publication Publication Date Title
CN111090987B (zh) 用于输出信息的方法和装置
CN107783960B (zh) 用于抽取信息的方法、装置和设备
CN107679039B (zh) 用于确定语句意图的方法和装置
CN111444340B (zh) 文本分类方法、装置、设备及存储介质
CN111026842B (zh) 自然语言处理方法、自然语言处理装置及智能问答系统
CN111177393B (zh) 一种知识图谱的构建方法、装置、电子设备及存储介质
CN112015859A (zh) 文本的知识层次抽取方法及装置、计算机设备及可读介质
US20200104409A1 (en) Method and system for extracting information from graphs
CN112231569B (zh) 新闻推荐方法、装置、计算机设备及存储介质
CN110517767B (zh) 辅助诊断方法、装置、电子设备及存储介质
CN111666766B (zh) 数据处理方法、装置和设备
US10915756B2 (en) Method and apparatus for determining (raw) video materials for news
CN111666416A (zh) 用于生成语义匹配模型的方法和装置
US11036996B2 (en) Method and apparatus for determining (raw) video materials for news
CN111666500A (zh) 文本分类模型的训练方法及相关设备
CN113707299A (zh) 基于问诊会话的辅助诊断方法、装置及计算机设备
CN110647613A (zh) 一种课件构建方法、装置、服务器和存储介质
CN115798661A (zh) 临床医学领域的知识挖掘方法和装置
CN110991183A (zh) 问题的谓词确定方法、装置、设备及存储介质
CN112182255A (zh) 用于存储媒体文件和用于检索媒体文件的方法和装置
CN110580294B (zh) 实体融合方法、装置、设备及存储介质
US20210166016A1 (en) Product baseline information extraction
CN112199954B (zh) 基于语音语义的疾病实体匹配方法、装置及计算机设备
CN116453702B (zh) 孤独症行为特征集的数据处理方法、设备、系统及介质
CN117131152B (zh) 信息存储方法、装置、电子设备和计算机可读介质

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