CN111160023B - 一种基于多路召回的医疗文本命名实体识别方法 - Google Patents
一种基于多路召回的医疗文本命名实体识别方法 Download PDFInfo
- Publication number
- CN111160023B CN111160023B CN201911333889.4A CN201911333889A CN111160023B CN 111160023 B CN111160023 B CN 111160023B CN 201911333889 A CN201911333889 A CN 201911333889A CN 111160023 B CN111160023 B CN 111160023B
- Authority
- CN
- China
- Prior art keywords
- named entity
- medical text
- text data
- recall
- medical
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于多路召回的医疗文本命名实体识别方法，包括如下：医疗文本数据采集与预处理步骤；对预处理后的医疗文本数据进行多路召回命名实体候选词步骤；采用Lightgbm命名实体候选词排序步骤；对排序后的实体候选词进行处理，得到最终的命名实体集合，实现医疗文本数据命名实体识别步骤。本发明基于多路召回的思路，结合词典召回、规则召回、机器学习方法召回和神经网络方法召回等召回方式，利用Lightgbm进行排序并进行结果后处理，实现准确、有效的医疗文本命名实体识别。
Description
技术领域
本发明涉及医疗文本挖掘领域，具体涉及一种基于多路召回的医疗文本命名实体识别方法。
背景技术
近年来，随着互联网的高速发展，在医疗健康领域，越来越多的在线问诊网站及问诊App出现，它们为患者提供了更多元化的医疗信息获取渠道。在问诊过程中，会产生很多医疗问诊语音或文本数据，这些非结构化的数据信息结构较为复杂，如何进行预处理、分析和挖掘成为了医疗领域信息化建设的重要问题。其中进行医疗文本命名实体识别是关键的一个环节。
对于命名实体识别，主要包括三种方法：基于词典的方法，基于启发式规则的方法以及基于机器学习的方法。前两种方法比较依赖于词典与规则的建立，而基于机器学习的方法对样本标签有比较高的要求，通常需要进行大量的人工标注。随着深度学习和自然语言处理技术的发展，越来越多高精度的神经网络模型在命名实体识别方向取得了不错的效果，并且相对于传统机器学习的方法提高了对长文本命名实体识别的精度。
医疗文本数据中的命名实体涵盖了短文本和长文本实体，对于上述的各种方法来说，它们在命名实体识别上各有优势，相互补充。因此，发明一种融合多种命名实体识别方式的方法并将其应用于医疗文本命名实体识别是目前亟待解决的问题。
发明内容
为了克服现有技术存在的缺点与不足，本发明提供一种基于多路召回的医疗文本命名实体识别方法。
本发明采用如下技术方案：
一种基于多路召回的医疗文本命名实体识别方法，包括如下：
医疗文本数据采集与预处理步骤；
对预处理后的医疗文本数据进行多路召回命名实体候选词步骤；
采用Lightgbm命名实体候选词排序步骤；
对排序后的实体候选词进行处理，得到最终的命名实体集合，实现医疗文本数据命名实体识别步骤。
所述医疗文本数据采集与预处理阶段，具体为：利用医疗问诊APP收集用户输入的问诊语音信息及问诊医疗文本数据，采用语音转文字接口将语音数据统一转为医疗文本数据，获得的医疗文本数据进行标注得到命名实体标签。
所述预处理是将采集到医疗文本数据中无用的分隔符、表情符号及特殊符号删除。
所述对预处理后的医疗文本数据进行多路召回命名实体候选词阶段，具体为：
re规则方式，结合预先建立的医疗词典，利用python中的re正则表达式接口提取医疗文本数据的命名实体候选词；
jieba分词+tf-idf方式，调用jieba分词接口将医疗文本数据进行分词，并去除当中的停用词，通过计算每个词的tf-idf值，选择其中的前N个tf-idf值大的关键词，作为命名实体候选词进行召回；
Bi-LSTM-CRF方式，具体为：
利用医疗文本数据以及对应命名实体标签，结合BIO序列标注方式得到医疗文本数据基于字的标注序列作为训练数据集，其中B代表开始，I代表中间，O代表其他；
将训练数据集输入到Bi-LSTM-CRF模型中，用于模型训练，而对于测试数据则用训练好的Bi-LSTM-CRF模型进行命名实体识别，返回识别出来的N个命名实体；
Bert+CRF方式，利用BIO序列标注方式对医疗文本数据进行基于字的序列标注用于Bert模型的训练，并对Bert模型输出进行fine-tune，结合CRF对全局的考虑，训练Bert+CRF模型，将模型识别出来的N个命名实体返回。
本发明中，对Bert模型输出进行fine-tune，结合CRF对全局的考虑，具体为：利用Bert模型输出的每个字的encoding vector通过一层全连接层FC layer映射到标签集合后再进行softmax处理，并在此基础上增加CRF layer，最终输出对应的标签。
本发明中，采用Lightgbm命名实体候选词排序阶段，具体为：根据多路召回命名实体候选词步骤得到命名实体候选词和命名实体标签，依据候选词是否在命名实体标签集合中打0和1的标签，通过提取各种有效特征训练Lightgbm二分类模型，得到候选词作为命名实体的概率。
所述有效特征包括：
召回渠道特征，根据上述四种命名实体候选词召回渠道进行one-hot处理提取特征；
词性特征，依据分词后调用jieba分词接口识别候选词词性得到对应特征，对于不在jieba分词集合中的词对应词性特征为空；
idf特征，命名实体候选词在整个训练集中的idf；
tf特征，命名实体候选词在医疗文本数据中的词频；
位置特征，命名实体候选词在整个医疗文本数据的第一次出现位置；
文本长度特征，命名实体候选词的长度；
word2vec特征，对所有分词后的医疗文本数据训练word2vec模型得到候选词的向量表示作为特征；
语义相似特征，利用word2vec模型得到的候选词向量表示与doc2vec模型得到的医疗文本向量表示计算余弦距离。
所述对排序后的实体候选词进行处理，得到最终的命名实体集合，实现医疗文本数据命名实体识别步骤，具体为：
基于预先建立的医疗词典与Lightgbm模型返回的医疗命名实体候选词概率值，首先选择在词典中的候选词，并挑选预测概率值大于0.8的候选词作为命名实体集合，若命名实体集合中命名实体的个数小于2个，则依据概率值大小填充至2个，得到最终的命名实体集合，实现医疗文本数据命名实体识别。
本发明的有益效果：
(1)本发明利用多路召回的思路进行命名实体候选词召回，通过结合规则召回、传统机器学习方法召回对短文本召回的优势和神经网络召回方法对长文本召回的优势，提高候选词的召回率；
(2)本发明应用当今比较热门的Bert模型，进行fine-tune并结合CRF用于候选词召回，相较于其他模型训练速度更快，准确率更高，提高模型对长文本的敏感度；
(3)本发明通过训练Lightgbm二分类模型用于命名实体候选词预测，避免复杂的规则处理，简单直接地得到候选词作为命名实体的概率值；
(4)本发明通过简单的后处理规则，解决了不同医疗文本数据命名实体个数不一致的问题，实现准确、有效的医疗文本数据命名实体识别。
附图说明
图1是本发明的工作流程图；
图2是本发明多路召回的工作流程图；
图3是本发明对排序后的实体候选词进行处理，得到最终的命名实体集合，实现医疗文本数据命名实体识别步骤的工作流程图。
具体实施方式
下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例
如图1-图3所示，一种基于多路召回的医疗文本命名实体识别方法，包括如下步骤：
S1医疗文本数据采集与预处理步骤；具体为：主要通过医疗问诊App用于医疗文本数据采集，包括用户输入的问诊语音信息或者是问诊医疗文本数据，并调用百度语音转文字接口将语音数据统一转为文本数据，获得的医疗文本数据进行标注得到命名实体标签。
标注方式得到相应的命名实体标签，例如：
“今天起床我有点手脚发软，感觉是感冒了”，本句话的标签就是感冒。
对医疗文本数据预处理，主要是直接去除医疗文本数据中无用的分隔符、表情符号及特殊符号等。
S2对预处理后的医疗文本数据进行多路召回命名实体候选词步骤，具体通过结合规则召回、传统机器学习方法召回与神经网络召回方法进行多路召回，将规则召回、传统机器学习方法召回对短文本召回的优势和神经网络召回方法对长文本召回的优势结合起来，提高候选词的召回率。具体方式包括re规则方式，jieba分词+tf-idf方式，Bi-LSTM-CRF方式以及Bert+CRF方式。
所述re规则方式，结合预先建立的医疗词典，利用python中的re正则表达式接口提取命名实体候选词。
jieba分词+tf-idf方式，调用jieba分词接口将医疗文本数据进行分词，并去除当中的停用词，通过计算每个词的tf-idf值，选择其中的前N个tf-idf值大的关键词，作为命名实体候选词进行召回；
Bi-LSTM-CRF方式，具体为：
利用医疗文本数据以及对应命名实体标签，结合BIO序列标注方式得到医疗文本数据基于字的标注序列作为训练数据集，其中B代表开始，I代表中间，O代表其他；
将训练数据集输入到Bi-LSTM-CRF模型中，用于模型训练，而对于测试数据则用训练好的Bi-LSTM-CRF模型进行命名实体识别，返回识别出来的N个命名实体；
Bert+CRF方式，利用BIO序列标注方式对医疗文本数据进行基于字的序列标注用于Bert模型的训练，并对Bert模型输出进行fine-tune，结合CRF对全局的考虑，训练Bert+CRF模型，将模型识别出来的N个命名实体返回。
进一步地，对Bert模型输出进行fine-tune，结合CRF对全局的考虑，具体为：利用Bert模型输出的每个字的encoding vector通过一层全连接层FC layer映射到标签集合后再进行softmax处理，并在此基础上增加CRF layer，最终输出对应的标签。
S3采用Lightgbm命名实体候选词排序步骤；
对排序后的实体候选词进行处理，得到最终的命名实体集合，实现医疗文本数据命名实体识别步骤。
具体为：根据多路召回命名实体候选词步骤得到命名实体候选词和命名实体标签，依据候选词是否在命名实体标签集合中打0和1的标签，通过提取各种有效特征训练Lightgbm二分类模型，得到候选词作为命名实体的概率。
所述有效特征是指Lightgbm模型特征重要性比较高的特征，主要包括
召回渠道特征，根据上述四种命名实体候选词召回渠道进行one-hot处理提取特征；
词性特征，依据分词后调用jieba分词接口识别候选词词性得到对应特征，对于不在jieba分词集合中的词对应词性特征为空；
idf特征，命名实体候选词在整个训练集中的idf；
tf特征，命名实体候选词在医疗文本数据中的词频；
位置特征，命名实体候选词在整个医疗文本数据的第一次出现位置；
文本长度特征，命名实体候选词的长度；
word2vec特征，对所有分词后的医疗文本数据训练word2vec模型得到候选词的向量表示作为特征；
语义相似特征，利用word2vec模型得到的候选词向量表示与doc2vec模型得到的医疗文本向量表示计算余弦距离。
S4对排序后的实体候选词进行处理，得到最终的命名实体集合，实现医疗文本数据命名实体识别步骤，具体为：
基于预先建立的医疗词典与Lightgbm模型返回的医疗命名实体候选词概率值，首先选择在词典中的候选词，并挑选预测概率值大于0.8的候选词作为命名实体集合，若命名实体集合中命名实体的个数小于2个，则依据概率值大小填充至2个，得到最终的命名实体集合，实现医疗文本数据命名实体识别。
本实施例中的词典，均是通过互联网搜索构建的医疗常用词汇词典。
综上所述，本实施例公开了一种基于多路召回的医疗文本命名实体识别方法，该方法利用多路召回的思路进行命名实体候选词召回，通过集合规则召回、传统机器学习方法召回对短文本召回的优势和神经网络召回方法对长文本召回的优势，提高候选词的召回率。该方法应用当今比较热门的Bert模型，进行fine-tune并结合CRF用于候选词召回，提高模型对长文本的敏感度。此外，该方法通过训练Lightgbm二分类模型用于命名实体候选词预测，避免复杂的规则处理，简单直接地得到候选词作为命名实体的概率值，并通过简单的后处理规则，解决了不同医疗文本数据命名实体个数不一致的问题，实现准确、有效的医疗文本数据命名实体识别。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (5)
1.一种基于多路召回的医疗文本命名实体识别方法，其特征在于，包括如下：
医疗文本数据采集与预处理步骤；
对预处理后的医疗文本数据进行多路召回命名实体候选词步骤；
采用Lightgbm命名实体候选词排序步骤；
对排序后的实体候选词进行处理，得到最终的命名实体集合，实现医疗文本数据命名实体识别步骤；
所述对预处理后的医疗文本数据进行多路召回命名实体候选词阶段，具体为：
re规则方式，结合预先建立的医疗词典，利用python中的re正则表达式接口提取医疗文本数据的命名实体候选词；
jieba分词+tf-idf方式，调用jieba分词接口将医疗文本数据进行分词，并去除当中的停用词，通过计算每个词的tf-idf值，选择其中的前N个tf-idf值大的关键词，作为命名实体候选词进行召回；
Bi-LSTM-CRF方式，具体为：
利用医疗文本数据以及对应命名实体标签，结合BIO序列标注方式得到医疗文本数据基于字的标注序列作为训练数据集，其中B代表开始，I代表中间，O代表其他；
将训练数据集输入到Bi-LSTM-CRF模型中，用于模型训练，而对于测试数据则用训练好的Bi-LSTM-CRF模型进行命名实体识别，返回识别出来的N个命名实体；
Bert+CRF方式，利用BIO序列标注方式对医疗文本数据进行基于字的序列标注用于Bert模型的训练，并对Bert模型输出进行fine-tune，结合CRF对全局的考虑，训练Bert+CRF模型，将模型识别出来的N个命名实体返回；
采用Lightgbm命名实体候选词排序阶段，具体为：根据多路召回命名实体候选词步骤得到命名实体候选词和命名实体标签，依据候选词是否在命名实体标签集合中打0和1的标签，通过提取各种有效特征训练Lightgbm二分类模型，得到候选词作为命名实体的概率；
所述有效特征包括：
召回渠道特征，根据四种命名实体候选词召回渠道进行one-hot处理提取特征；
词性特征，依据分词后调用jieba分词接口识别候选词词性得到对应特征，对于不在jieba分词集合中的词对应词性特征为空；
idf特征，命名实体候选词在整个训练集中的idf；
tf特征，命名实体候选词在医疗文本数据中的词频；
位置特征，命名实体候选词在整个医疗文本数据的第一次出现位置；
文本长度特征，命名实体候选词的长度；
word2vec特征，对所有分词后的医疗文本数据训练word2vec模型得到候选词的向量表示作为特征；
语义相似特征，利用word2vec模型得到的候选词向量表示与doc2vec模型得到的医疗文本向量表示计算余弦距离。
2.根据权利要求1所述的医疗文本命名实体识别方法，其特征在于，所述医疗文本数据采集与预处理阶段，具体为：利用医疗问诊APP收集用户输入的问诊语音信息及问诊医疗文本数据，采用语音转文字接口将语音数据统一转为医疗文本数据，获得的医疗文本数据进行标注得到命名实体标签。
3.根据权利要求2所述的医疗文本命名实体识别方法，其特征在于，所述预处理是将采集到医疗文本数据中无用的分隔符、表情符号及特殊符号删除。
4.根据权利要求1所述的医疗文本命名实体识别方法，其特征在于，对Bert模型输出进行fine-tune，结合CRF对全局的考虑，具体为：利用Bert模型输出的每个字的encodingvector通过一层全连接层FC layer映射到标签集合后再进行softmax处理，并在此基础上增加CRF layer，最终输出对应的标签。
5.根据权利要求1所述的医疗文本命名实体识别方法，其特征在于，所述对排序后的实体候选词进行处理，得到最终的命名实体集合，实现医疗文本数据命名实体识别步骤，具体为：
基于预先建立的医疗词典与Lightgbm模型返回的医疗命名实体候选词概率值，首先选择在词典中的候选词，并挑选预测概率值大于0.8的候选词作为命名实体集合，若命名实体集合中命名实体的个数小于2个，则依据概率值大小填充至2个，得到最终的命名实体集合，实现医疗文本数据命名实体识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911333889.4A CN111160023B (zh) | 2019-12-23 | 2019-12-23 | 一种基于多路召回的医疗文本命名实体识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911333889.4A CN111160023B (zh) | 2019-12-23 | 2019-12-23 | 一种基于多路召回的医疗文本命名实体识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111160023A CN111160023A (zh) | 2020-05-15 |
| CN111160023B true CN111160023B (zh) | 2023-06-20 |
Family
ID=70557728
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911333889.4A Active CN111160023B (zh) | 2019-12-23 | 2019-12-23 | 一种基于多路召回的医疗文本命名实体识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160023B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111666768A (zh) * | 2020-06-10 | 2020-09-15 | 京东方科技集团股份有限公司 | 一种中文命名实体的识别方法、识别装置及电子设备 |
| CN111950283B (zh) * | 2020-07-31 | 2021-09-07 | 合肥工业大学 | 面向大规模医疗文本挖掘的中文分词和命名实体识别系统 |
| CN114564556A (zh) * | 2020-11-27 | 2022-05-31 | 北京搜狗科技发展有限公司 | 一种词条推荐方法、装置和用于推荐词条的装置 |
| CN112231449A (zh) * | 2020-12-10 | 2021-01-15 | 杭州识度科技有限公司 | 一种基于多路召回的垂直领域实体链指系统 |
| CN113343701B (zh) * | 2021-06-30 | 2022-08-02 | 广东电网有限责任公司 | 一种电力设备故障缺陷文本命名实体的抽取方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107977361A (zh) * | 2017-12-06 | 2018-05-01 | 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 |
| CN109359291A (zh) * | 2018-08-28 | 2019-02-19 | 昆明理工大学 | 一种命名实体识别方法 |
| CN110348008A (zh) * | 2019-06-17 | 2019-10-18 | 五邑大学 | 基于预训练模型和微调技术的医疗文本命名实体识别方法 |
| CN110377693A (zh) * | 2019-06-06 | 2019-10-25 | 新华智云科技有限公司 | 财经新闻的模型训练方法和生成方法、装置、设备及介质 |
| CN110516256A (zh) * | 2019-08-30 | 2019-11-29 | 的卢技术有限公司 | 一种中文命名实体提取方法及其系统 |
| CN110569506A (zh) * | 2019-09-05 | 2019-12-13 | 清华大学 | 一种基于医疗词典的医疗命名实体识别方法 |
-
2019
- 2019-12-23 CN CN201911333889.4A patent/CN111160023B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107977361A (zh) * | 2017-12-06 | 2018-05-01 | 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 |
| CN109359291A (zh) * | 2018-08-28 | 2019-02-19 | 昆明理工大学 | 一种命名实体识别方法 |
| CN110377693A (zh) * | 2019-06-06 | 2019-10-25 | 新华智云科技有限公司 | 财经新闻的模型训练方法和生成方法、装置、设备及介质 |
| CN110348008A (zh) * | 2019-06-17 | 2019-10-18 | 五邑大学 | 基于预训练模型和微调技术的医疗文本命名实体识别方法 |
| CN110516256A (zh) * | 2019-08-30 | 2019-11-29 | 的卢技术有限公司 | 一种中文命名实体提取方法及其系统 |
| CN110569506A (zh) * | 2019-09-05 | 2019-12-13 | 清华大学 | 一种基于医疗词典的医疗命名实体识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111160023A (zh) | 2020-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111160023B (zh) | 一种基于多路召回的医疗文本命名实体识别方法 | |
| CN108363790B (zh) | 用于对评论进行评估的方法、装置、设备和存储介质 | |
| CN110083682B (zh) | 一种基于多轮注意力机制的机器阅读理解答案获取方法 | |
| CN110019839B (zh) | 基于神经网络和远程监督的医学知识图谱构建方法和系统 | |
| CN110298033B (zh) | 关键词语料标注训练提取系统 | |
| CN111382565B (zh) | 基于多标签的情绪-原因对抽取方法及系统 | |
| CN109960728B (zh) | 一种开放域会议信息命名实体识别方法及系统 | |
| CN112101028B (zh) | 一种多特征双向门控领域专家实体抽取方法及系统 | |
| CN111160031A (zh) | 一种基于词缀感知的社交媒体命名实体识别方法 | |
| CN111783394A (zh) | 事件抽取模型的训练方法、事件抽取方法和系统及设备 | |
| CN110489750A (zh) | 基于双向lstm-crf的缅甸语分词及词性标注方法及装置 | |
| CN111444704B (zh) | 基于深度神经网络的网络安全关键词抽取方法 | |
| CN111462752B (zh) | 基于注意力机制、特征嵌入及bi-lstm的客户意图识别方法 | |
| CN113408287B (zh) | 实体识别方法、装置、电子设备及存储介质 | |
| CN112800184B (zh) | 基于Target-Aspect-Opinion联合抽取的短文本评论情感分析方法 | |
| CN114818717A (zh) | 融合词汇和句法信息的中文命名实体识别方法及系统 | |
| CN115630145A (zh) | 一种基于多粒度情感的对话推荐方法及系统 | |
| CN115759092A (zh) | 一种基于albert的网络威胁情报命名实体识别方法 | |
| CN114064901B (zh) | 一种基于知识图谱词义消歧的书评文本分类方法 | |
| CN112597299A (zh) | 文本的实体分类方法、装置、终端设备和存储介质 | |
| CN111104492B (zh) | 一种基于层次化Attention机制的民航领域自动问答方法 | |
| CN116932736A (zh) | 一种基于用户需求结合倒排表的专利推荐方法 | |
| CN114970537B (zh) | 基于多层标注策略的跨境民族文化实体关系抽取方法及装置 | |
| CN114491265B (zh) | 一种经营性空间平台运营服务系统的构建方法 | |
| CN114880994B (zh) | 一种直白文本到反讽文本的文本风格转换方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |