CN111241838A - 文本实体的语义关系处理方法、装置及设备 - Google Patents
文本实体的语义关系处理方法、装置及设备 Download PDFInfo
- Publication number
- CN111241838A CN111241838A CN202010043055.6A CN202010043055A CN111241838A CN 111241838 A CN111241838 A CN 111241838A CN 202010043055 A CN202010043055 A CN 202010043055A CN 111241838 A CN111241838 A CN 111241838A
- Authority
- CN
- China
- Prior art keywords
- target
- text
- relationship
- entity pair
- processing
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 119
- 238000012545 processing Methods 0.000 claims abstract description 88
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims description 40
- 238000013507 mapping Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本申请提出了一种文本实体的语义关系处理方法、装置及设备,涉及知识图谱技术领域,具体实现方案为:获取包含目标实体对的多个目标文本;根据预先训练的实体关系提取模型对目标实体对和每个目标文本进行处理,获取与每个目标文本对应的目标实体对的关系向量;根据与每个目标文本对应的目标实体对的关系向量,计算目标实体对在不同目标文本之间的相似度距离;根据目标实体对在不同目标文本之间的相似度距离,确定目标实体对在不同目标文本之间的语义关系相似度。由此,能够精准确定目标实体对在不同目标文本之间的语义关系是否相似,提高了文本语义关系相似度计算的准确性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及知识图谱技术领域,提出一种文本实体的语义关系处理方法、装置及设备。
背景技术
文本相似度被广泛应用于自然语言处理、知识图谱等领域,目前已有多种确定文本相似度的方案,例如可以通过语言模型计算文本相似度。然而,存在需要区分不同文本中一对实体间的关系是否相近的场景,例如对于文本“A携妻子B参加了发布会,C与D一同出席发布会”和文本“A与B被扣留,C帮助其解围”,会存在确定实体A与C之间的关系在两篇文本中是否相近的需求。
针对上述场景,需要一种能够确定实体对在不同文本之间的语义关系相似度的方案。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种文本实体的语义关系处理方法,以精准确定目标实体对在不同目标文本之间的语义关系是否相似,提高文本语义关系相似度计算的准确性。
本申请的第二个目的在于提出一种文本实体的语义关系处理装置。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种计算机可读存储介质。
本申请第一方面实施例提出了一种文本实体的语义关系处理方法,包括:
获取包含目标实体对的多个目标文本;
根据预先训练的实体关系提取模型对所述目标实体对和每个目标文本进行处理,获取与每个目标文本对应的目标实体对的关系向量;
根据与每个目标文本对应的目标实体对的关系向量,计算所述目标实体对在不同目标文本之间的相似度距离;
根据所述目标实体对在不同目标文本之间的相似度距离,确定所述目标实体对在不同目标文本之间的语义关系相似度。
本申请第二方面实施例提出了一种文本实体的语义关系处理装置,包括:
获取模块,用于获取包含目标实体对的多个目标文本;
处理模块,用于根据预先训练的实体关系提取模型对所述目标实体对和每个目标文本进行处理,获取与每个目标文本对应的目标实体对的关系向量;
生成模块,用于根据与每个目标文本对应的目标实体对的关系向量,计算所述目标实体对在不同目标文本之间的相似度距离;
确定模块,用于根据所述目标实体对在不同目标文本之间的相似度距离,确定所述目标实体对在不同目标文本之间的语义关系相似度。
本申请第三方面实施例提出了一种电子设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如第一方面实施例所述的文本实体的语义关系处理方法。
本申请第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如第一方面实施例所述的文本实体的语义关系处理方法。
上述申请中的一个实施例具有如下优点或有益效果:由于采用了获取包含目标实体对的多个目标文本,进而,根据预先训练的实体关系提取模型对目标实体对和每个目标文本进行处理,获取与每个目标文本对应的目标实体对的关系向量。进一步,根据与每个目标文本对应的目标实体对的关系向量,计算目标实体对在不同目标文本之间的相似度距离,以及,根据目标实体对在不同目标文本之间的相似度距离,确定目标实体对在不同目标文本之间的语义关系相似度。由此,通过获取目标文本中目标实体对的关系向量,进而基于关系向量相似度精准确定目标实体对在不同目标文本之间的语义关系相似度,提高了文本语义关系相似度计算的准确性,可以应用于知识图谱构建等场景。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请实施例所提供的一种文本实体的语义关系处理方法的流程示意图;
图2为本申请实施例所提供的另一种文本实体的语义关系处理方法的流程示意图;
图3为本申请实施例所提供的另一种文本实体的语义关系处理方法的流程示意图;
图4为本申请实施例所提供的另一种文本实体的语义关系处理方法的流程示意图;
图5为本申请实施例所提供的另一种文本实体的语义关系处理方法的流程示意图;
图6为本申请实施例所提供的一种文本实体的语义关系处理装置的结构示意图;
图7示出了适于用来实现本申请实施例的示例性电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1为本申请实施例所提供的一种文本实体的语义关系处理方法的流程示意图,如图1所示,该方法包括:
步骤101,获取包含目标实体对的多个目标文本。
在实际应用中,存在需要精确区分两个实体间的关系是否相近的场景,例如文本1“A携妻子B参加了发布会,C与D一同出席发布会”和文本2“2000年A与B被扣留,C帮助其解围”中,实体A和B的关系在两篇文本中相近,而A与C的关系在两篇文本中不同。
本实施例中,在处理文本实体的语义关系时,可以获取包含目标实体对的多个目标文本。作为一种示例,可以确定需要确定实体间语义关系的实体A和B,作为目标实体对,进而获取包含目标实体对的多个目标文本。
步骤102,根据预先训练的实体关系提取模型对目标实体对和每个目标文本进行处理,获取与每个目标文本对应的目标实体对的关系向量。
在本申请的一个实施例中,步骤102包括:获取目标文本中每个字的第一向量表示,进而,根据预先训练的转换模型对目标实体对和第一向量表示进行加权处理,获取目标文本中与目标实体对关联的文本内容的第二向量表示。进一步,对第二向量表示进行池化处理,生成与目标文本对应的目标实体对的关系向量。
在本申请的一个实施例中,步骤102包括:根据预先训练的关系抽取模型对目标文本和目标实体对进行处理,获取目标实体对关系的概率分布,进而,根据预先训练的映射模型对概率分布进行映射,获取与目标文本对应的目标实体对的关系向量。
在本申请的一个实施例中,在对第二向量表示进行池化处理,生成向量表示a,以及根据预先训练的映射模型对概率分布进行映射,获取向量表示b之后,还包括:将向量表示a和向量表示b进行拼接处理,将拼接后的向量表示作为与目标文本对应的目标实体对的关系向量,例如向量表示a和b为两个100维向量表示,通过拼接获取一个200维向量表示。在实际应用中,向量表示a对于常见的实体关系表示效果较好,向量表示b对于非常见的实体关系表示效果较好,因此,可以根据实际需要进行选择,或者将上述向量表示a和b进行拼接获取目标实体对的关系向量。
步骤103,根据与每个目标文本对应的目标实体对的关系向量,计算目标实体对在不同目标文本之间的相似度距离。
本实施例中,通过获取多个包含目标实体对的目标文本,并针对每个目标文本获取目标实体对的关系向量,进而,根据关系向量计算相似度,从而获取目标实体对在不同目标文本之间的相似度距离。其中,相似度计算的实现方式可以根据需要选择,此处不作限制。
步骤104,根据目标实体对在不同目标文本之间的相似度距离,确定目标实体对在不同目标文本之间的语义关系相似度。
本实施例中,可以根据相似度距离确定目标实体对在不同目标文本之间的语义关系相似度,例如,相似度越高,目标实体对在两篇文本中的语义关系越接近。
作为一种示例,可以获取第一文本和第二文本,第一文本和第二文本中均包括目标实体对。进而,获取在第一文本中目标实体对的关系向量1,以及在第二文本中目标实体对的关系向量2,根据距离相似度计算关系向量1和2之间的相似度,根据相似度确定在第一文本和第二文本中目标实体对之间的语义关系,相似度越高,目标实体对在两篇文本中的语义关系越接近。
可选地,在根据多篇文本中目标实体对的关系向量计算相似度时,还可以基于上述关系向量a和b分别计算相似度,进而根据得到的两个相似度进行加权平均,从而根据加权平均后的相似度确定在多篇文本中目标实体对之间的语义关系。
本申请实施例的文本实体的语义关系处理方法,通过获取包含目标实体对的多个目标文本,进而,根据预先训练的实体关系提取模型对目标实体对和每个目标文本进行处理,获取与每个目标文本对应的目标实体对的关系向量。进一步,根据与每个目标文本对应的目标实体对的关系向量,计算目标实体对在不同目标文本之间的相似度距离,以及,根据目标实体对在不同目标文本之间的相似度距离,确定目标实体对在不同目标文本之间的语义关系相似度。由此,通过获取目标文本中目标实体对的关系向量,进而基于关系向量相似度精准确定目标实体对在不同目标文本之间的语义关系相似度,提高了文本语义关系相似度计算的准确性,可以应用于知识图谱构建、智能问答的答案校验等场景。
基于上述实施例,下面对获取目标实体对的关系向量的一种实现方式进行说明。
图2为本申请实施例所提供的另一种文本实体的语义关系处理方法的流程示意图,如图2所示,该方法包括:
步骤201,获取文本中每个字的第一向量表示。
步骤202,根据预先训练的转换模型对目标实体对和第一向量表示进行加权处理,获取目标文本中与目标实体对关联的文本内容的第二向量表示。
作为一种可能的实现方式,可以通过语言模型对文本进行处理,获取文本中每个字的向量表示,作为第一向量表示。其中,语言模型包括但不限于BERT模型(BidirectionalEncoder Representations from Transformers)、ERNIE(知识增强语义表示模型,Enhanced Representation from kNowledge IntEgration)等。
在本申请的一个实施例中,可以获取样本文本集,其中,样本文本集包括预设实体对,样本文本集中标注预设实体对的关系是否相似。进而,将样本文本集输入预设模型中进行处理,获取预设实体对关系的相似度预测结果,根据相似度预测结果和标注结果训练预设模型的处理参数,确定转换模型。
本实施例中,在获取每个字的第一向量表示后,可以根据目标实体对和预先训练的转换模型对第一向量表示进行加权处理,生成目标文本中与目标实体对关联的文本内容的第二向量表示。其中,转换模型可以基于transformer结构实现。
作为一种示例,文本中包括N个字,对应获取N个第一向量表示,例如每个第一向量表示可以为1×M的向量的形式。进而,根据目标实体对和预先训练的转换模型对第一向量表示进行加权处理,生成加权后的第二向量表示,例如第二向量表示可以为N×M矩阵的形式。由此,能够赋予与目标实体对关系密切的文本高权重,以及对于与目标实体对关系不密切的文本低权重,从而关注文本中与目标实体对相关的部分并过滤无关部分,以准确生成文本实体间关系的向量表示。
步骤203,对第二向量表示进行池化处理,生成与目标文本对应的目标实体对的关系向量。
本实施例中,对第二向量表示进行池化处理,生成与目标文本对应的目标实体对的关系向量,以用于表示目标实体对关系。进一步地,基于目标实体对的关系向量计算相似度,能够确定不同文本中实体间语义关系是否相似。例如,获取第一文本和第二文本,第一文本和第二文本均包括实体A和B,将实体A和B作为目标实体对,分别获取第一文本和第二文本对应的目标实体对的关系向量,通过计算目标实体对的关系向量的相似度,能够确定实体A和B之间的关系在第一文本和第二文本中是否相近,可以应用于知识图谱构建。
作为一种示例,对于N×M矩阵的第二向量表示(N个字,M个维度),根据每个字的第m个维度求平均值。通过对每个维度求平均值,生成1×M形式的目标实体对的关系向量。
需要说明的是,上述进行池化处理的方式仅为一种示例,例如还可以通过对每个维度取最大值/最小值的方式实现,此处不作限制。
本申请实施例的文本实体的语义关系处理方法,通过预先训练的转换模型和池化层对目标实体对和目标文本进行处理,生成与目标文本对应的目标实体对的关系向量。实现了获取目标实体对之间关系的向量表示,以进一步提高文本语义关系相似度计算的准确性。
基于上述实施例,下面对训练过程进行说明。
图3为本申请实施例所提供的另一种文本实体的语义关系处理方法的流程示意图,如图3所示,该方法包括:
步骤301,获取包含预设实体对的样本文本集,样本文本集中标注预设实体对的关系是否相似。
本实施例中,样本文本集包括至少两篇文本,作为一种示例,两篇文本均包括预设实体A和B,标注预设实体A和B之间的关系在该两篇文本中是否相似。
步骤302,将样本文本集输入预设模型中进行处理,获取预设实体关系的相似度预测结果。
本实施例中,预设模型可包括transformer结构、池化层以及相似度计算部分。
作为一种示例,对于样本文本集中的第一文本和第二文本,将第一文本输入语言模型,获取第一文本中每个字的向量表示。根据预设实体对和每个字的向量表示输入transformer结构进行加权处理,进而根据加权处理后的向量表示输入池化层进行池化处理,获取第一文本中预设实体对的关系向量。以及,参照第一文本的方式获取第二文本中预设实体对的关系向量。进一步,根据第一文本和第二文本中预设实体对的关系向量进行相似度计算,确定预设实体对语义关系的相似度预测结果。
步骤303,根据预测结果和标注结果训练预设模型的处理参数,确定转换模型。
作为一种示例,预测结果为0.7,标注结果为相似(标注结果为1),通过反向传播的方式调整transformer结构的处理参数,直至预测结果与标注结果匹配,通过训练确定转换模型,以根据转换模型实现目标实体对和第一向量表示的加权处理。
本申请实施例的文本实体的语义关系处理方法,能够基于样本文本集训练转换模型,从而实现根据目标文本和目标实体对生成目标实体对的关系向量。
基于上述实施例,下面对获取目标实体对关系的向量表示的另一种实现方式进行说明。
图4为本申请实施例所提供的另一种文本实体的语义关系处理方法的流程示意图,如图4所示,该方法包括:
步骤401,根据预先训练的关系抽取模型对目标文本和目标实体对进行处理,获取目标实体对关系的概率分布。
在本申请的一个实施例中,可以预先获取训练样本,训练样本中标注实体之间的关系,例如A和B的关系为朋友,A和C的关系为担任职位等,关系类型可以是预先设置的。进而,根据训练样本和实体对输入到预设模型中进行处理,获取实体对关系的概率分布的预测结果,例如[夫妻,朋友,无关系]=(0.7,0.2,0.1)。进而根据预测结果与标注结果进行比较,通过反向传播的方式调整预设模型的处理参数,直至预测结果与标注结果匹配,从而训练关系抽取模型。
本实施例中,根据预先训练的关系抽取模型对目标文本和目标实体对进行处理,获取目标实体对关系的概率分布。例如,目标实体对包括实体A和B,获取其在文本中的关系的概率分布[0.6,0.2,0.2]。
步骤402,根据预先训练的映射模型对概率分布进行映射,获取与目标文本对应的目标实体对的关系向量。
在本申请的一个实施例中,可以获取样本文本集,样本文本包括预设实体,样本文本集中标注预设实体对关系是否相似。进而,将样本文本集输入预设模型中进行处理,获取预设实体对关系的相似度预测结果,根据预测结果和标注结果训练预设模型的处理参数,确定映射模型。可选地,映射模型可以通过全连接层实现。
本实施例中,在确定目标实体对关系的概率分布后,将概率分布输入预先训练的映射模型进行处理,获取目标实体对的关系向量,例如,1×M形式的向量表示。进一步地,基于目标实体对的关系向量计算相似度,能够确定不同文本中实体间关系是否相似。
本申请实施例的文本实体的语义关系处理方法,通过关系抽取模型和映射模型对目标文本和目标实体对进行处理,获取与目标文本对应的目标实体对的关系向量。实现了获取目标实体对之间关系的向量表示,以进一步提高文本语义关系相似度计算的准确性。
基于上述实施例,下面对训练过程进行说明。
图5为本申请实施例所提供的另一种文本实体的语义关系处理方法的流程示意图,如图5所示,该方法包括:
步骤501,获取包含预设实体对的样本文本集,样本文本集中标注预设实体对的关系是否相似。
前述对步骤301的解释说明同样适用于步骤501,此处不再赘述。
步骤502,将样本文本集输入预设模型中进行处理,获取预设实体关系的相似度预测结果。
本实施例中,预设模型可包括关系抽取模型和全连接层。
作为一种示例,对于样本文本集中的第一文本和第二文本,将第一文本和预设实体输入关系抽取模型,获取第一文本中预设实体对的关系的概率分布,根据概率分布输入至全连接层,生成第一文本中预设实体对的关系向量。以及,参照第一文本的方式获取第二文本中预设实体对的关系向量。进一步,根据第一文本和第二文本中预设实体对的关系向量进行相似度计算,确定预设实体对关系的相似度预测结果。
步骤503,根据预测结果和标注结果训练预设模型的处理参数,确定映射模型。
作为一种示例,预测结果为0.7,标注结果为1,通过反向传播的方式调整全连接层的处理参数,直至预测结果与标注结果匹配,根据训练完成的全连接层确定映射模型,从而根据关系抽取模型和映射模型确定实体关系提取模型。
需要说明的是,也可以通过误差反向传播的方式同时调整关系抽取模型、映射模型的处理参数,此处不作限制。
本申请实施例的文本实体的语义关系处理方法,能够基于样本文本集训练映射模型,实现根据目标文本和目标实体对生成目标实体对的关系向量。
为了实现上述实施例,本申请还提出一种文本实体的语义关系处理装置。
图6为本申请实施例所提供的一种文本实体的语义关系处理装置的结构示意图,如图6所示,该装置包括:获取模块10,处理模块20,生成模块30,确定模块40。
其中,获取模块10,用于获取包含目标实体对的多个目标文本。
处理模块20,用于根据预先训练的实体关系提取模型对目标实体对和每个目标文本进行处理,获取与每个目标文本对应的目标实体对的关系向量。
生成模块30,用于根据与每个目标文本对应的目标实体对的关系向量,计算目标实体对在不同目标文本之间的相似度距离。
确定模块40,用于根据目标实体对在不同目标文本之间的相似度距离,确定目标实体对在不同目标文本之间的语义关系相似度。
在本申请的一个实施例中,处理模块20具体用于:获取目标文本中每个字的第一向量表示;根据预先训练的转换模型对目标实体对和第一向量表示进行加权处理,获取目标文本中与目标实体对关联的文本内容的第二向量表示;对第二向量表示进行池化处理,生成与目标文本对应的目标实体对的关系向量。
可选地,该装置还包括:第一训练模块,用于获取包含预设实体对的样本文本集,样本文本集中标注预设实体对的关系是否相似;将样本文本集输入预设模型中进行处理,获取预设实体对关系的相似度预测结果;根据预测结果和标注结果训练预设模型的处理参数,确定转换模型。
在本申请的一个实施例中,处理模块20具体用于:根据预先训练的关系抽取模型对目标文本和目标实体对进行处理,获取目标实体对关系的概率分布;根据预先训练的映射模型对概率分布进行映射,获取与目标文本对应的目标实体对的关系向量。
可选地,该装置还包括:第二训练模块,用于获取包含预设实体对的样本文本集,样本文本集中标注预设实体对的关系是否相似;将样本文本集输入预设模型中进行处理,获取预设实体对关系的相似度预测结果;根据预测结果和标注结果训练预设模型的处理参数,确定映射模型。
需要说明的是,前述实施例对文本实体的语义关系处理方法的解释说明同样适用于本实施例的文本实体的语义关系处理装置,此处不再赘述。
本申请实施例的文本实体的语义关系处理装置,通过获取包含目标实体对的多个目标文本,进而,根据预先训练的实体关系提取模型对目标实体对和每个目标文本进行处理,获取与每个目标文本对应的目标实体对的关系向量。进一步,根据与每个目标文本对应的目标实体对的关系向量,计算目标实体对在不同目标文本之间的相似度距离,以及,根据目标实体对在不同目标文本之间的相似度距离,确定目标实体对在不同目标文本之间的语义关系相似度。由此,通过获取目标文本中目标实体对的关系向量,进而基于关系向量相似度精准确定目标实体对在不同目标文本之间的语义关系相似度,提高了文本语义关系相似度计算的准确性,可以应用于知识图谱构建等场景。
为了实现上述实施例,本申请还提出一种计算机程序产品,当计算机程序产品中的指令被处理器执行时实现如前述任一实施例所述的文本实体的语义关系处理方法。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图7所示,是根据本申请实施例的文本实体的语义关系处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的文本实体的语义关系处理方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的文本实体的语义关系处理方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的文本实体的语义关系处理方法对应的程序指令/模块(例如,附图6所示的获取模块10,处理模块20,生成模块30,确定模块40)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的文本实体的语义关系处理方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
文本实体的语义关系处理方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,获取的候选框位置更加准确,解决了密集场景文本实体的语义关系处理获取候选框的准确度有待提高的问题,从而提高了文本实体的语义关系处理的准确度。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种文本实体的语义关系处理方法,其特征在于,包括:
获取包含目标实体对的多个目标文本;
根据预先训练的实体关系提取模型对所述目标实体对和每个目标文本进行处理,获取与每个目标文本对应的目标实体对的关系向量;
根据与每个目标文本对应的目标实体对的关系向量,计算所述目标实体对在不同目标文本之间的相似度距离;
根据所述目标实体对在不同目标文本之间的相似度距离,确定所述目标实体对在不同目标文本之间的语义关系相似度。
2.如权利要求1所述的方法,其特征在于,所述根据预先训练的实体关系提取模型对所述目标实体对和每个目标文本进行处理,获取与每个目标文本对应的目标实体对的关系向量,包括:
获取所述目标文本中每个字的第一向量表示;
根据预先训练的转换模型对所述目标实体对和所述第一向量表示进行加权处理,获取所述目标文本中与所述目标实体对关联的文本内容的第二向量表示;
对所述第二向量表示进行池化处理,生成与所述目标文本对应的目标实体对的关系向量。
3.如权利要求2所述的方法,其特征在于,在根据所述目标实体对和所述第一向量表示进行加权处理之前,还包括:
获取包含预设实体对的样本文本集,所述样本文本集中标注所述预设实体对的关系是否相似;
将所述样本文本集输入预设模型中进行处理,获取所述预设实体对关系的相似度预测结果;
根据所述预测结果和标注结果训练所述预设模型的处理参数,确定所述转换模型。
4.如权利要求1所述的方法,其特征在于,所述根据预先训练的实体关系提取模型对所述目标实体对和每个目标文本进行处理,获取与每个目标文本对应的目标实体对的关系向量,包括:
根据预先训练的关系抽取模型对所述目标文本和所述目标实体对进行处理,获取所述目标实体对关系的概率分布;
根据预先训练的映射模型对所述概率分布进行映射,获取与所述目标文本对应的目标实体对的关系向量。
5.如权利要求4所述的方法,其特征在于,在根据预先训练的映射模型对所述概率分布进行映射之前,还包括:
获取包含预设实体对的样本文本集,所述样本文本集中标注所述预设实体对的关系是否相似;
将所述样本文本集输入预设模型中进行处理,获取所述预设实体对关系的相似度预测结果;
根据所述预测结果和标注结果训练所述预设模型的处理参数,确定所述映射模型。
6.一种文本实体的语义关系处理装置,其特征在于,包括:
获取模块,用于获取包含目标实体对的多个目标文本;
处理模块,用于根据预先训练的实体关系提取模型对所述目标实体对和每个目标文本进行处理,获取与每个目标文本对应的目标实体对的关系向量;
生成模块,用于根据与每个目标文本对应的目标实体对的关系向量,计算所述目标实体对在不同目标文本之间的相似度距离;
确定模块,用于根据所述目标实体对在不同目标文本之间的相似度距离,确定所述目标实体对在不同目标文本之间的语义关系相似度。
7.如权利要求6所述的装置,其特征在于,所述处理模块具体用于:
获取所述目标文本中每个字的第一向量表示;
根据预先训练的转换模型对所述目标实体对和所述第一向量表示进行加权处理,获取所述目标文本中与所述目标实体对关联的文本内容的第二向量表示;
对所述第二向量表示进行池化处理,生成与所述目标文本对应的目标实体对的关系向量。
8.如权利要求7所述的装置,其特征在于,还包括:
第一训练模块,用于获取包含预设实体对的样本文本集,所述样本文本集中标注所述预设实体对的关系是否相似;
将所述样本文本集输入预设模型中进行处理,获取所述预设实体对关系的相似度预测结果;
根据所述预测结果和标注结果训练所述预设模型的处理参数,确定所述转换模型。
9.如权利要求6所述的装置,其特征在于,所述处理模块具体用于:
根据预先训练的关系抽取模型对所述目标文本和所述目标实体对进行处理,获取所述目标实体对关系的概率分布;
根据预先训练的映射模型对所述概率分布进行映射,获取与所述目标文本对应的目标实体对的关系向量。
10.如权利要求9所述的装置,其特征在于,还包括:
第二训练模块,用于获取包含预设实体对的样本文本集,所述样本文本集中标注所述预设实体对的关系是否相似;
将所述样本文本集输入预设模型中进行处理,获取所述预设实体对关系的相似度预测结果;
根据所述预测结果和标注结果训练所述预设模型的处理参数,确定所述映射模型。
11.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的文本实体的语义关系处理方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的文本实体的语义关系处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010043055.6A CN111241838B (zh) | 2020-01-15 | 2020-01-15 | 文本实体的语义关系处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010043055.6A CN111241838B (zh) | 2020-01-15 | 2020-01-15 | 文本实体的语义关系处理方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111241838A true CN111241838A (zh) | 2020-06-05 |
CN111241838B CN111241838B (zh) | 2023-10-31 |
Family
ID=70874688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010043055.6A Active CN111241838B (zh) | 2020-01-15 | 2020-01-15 | 文本实体的语义关系处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111241838B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767706A (zh) * | 2020-06-19 | 2020-10-13 | 北京工业大学 | 文本相似度的计算方法、装置、电子设备及介质 |
CN111814487A (zh) * | 2020-07-17 | 2020-10-23 | 科大讯飞股份有限公司 | 一种语义理解方法、装置、设备及存储介质 |
CN112699667A (zh) * | 2020-12-29 | 2021-04-23 | 京东数字科技控股股份有限公司 | 一种实体相似度确定方法、装置、设备和存储介质 |
CN116894489A (zh) * | 2023-09-08 | 2023-10-17 | 北京睿企信息科技有限公司 | 一种文本生成方法、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280061A (zh) * | 2018-01-17 | 2018-07-13 | 北京百度网讯科技有限公司 | 基于歧义实体词的文本处理方法和装置 |
CN110188168A (zh) * | 2019-05-24 | 2019-08-30 | 北京邮电大学 | 语义关系识别方法和装置 |
US20190325323A1 (en) * | 2018-04-20 | 2019-10-24 | Servicenow, Inc. | Knowledge management |
CN110413999A (zh) * | 2019-07-17 | 2019-11-05 | 新华三大数据技术有限公司 | 实体关系抽取方法、模型训练方法及相关装置 |
-
2020
- 2020-01-15 CN CN202010043055.6A patent/CN111241838B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280061A (zh) * | 2018-01-17 | 2018-07-13 | 北京百度网讯科技有限公司 | 基于歧义实体词的文本处理方法和装置 |
US20190325323A1 (en) * | 2018-04-20 | 2019-10-24 | Servicenow, Inc. | Knowledge management |
CN110188168A (zh) * | 2019-05-24 | 2019-08-30 | 北京邮电大学 | 语义关系识别方法和装置 |
CN110413999A (zh) * | 2019-07-17 | 2019-11-05 | 新华三大数据技术有限公司 | 实体关系抽取方法、模型训练方法及相关装置 |
Non-Patent Citations (2)
Title |
---|
MASUMI SHIRAKAWA,KOTARO NAKAYAMA,TAKAHIRO HARA,SHOJIRO NISHIO: "Wikipedia-Based Semantic Similarity Measurements for Noisy Short Texts Using Extended Naive Bayes" * |
孙雅铭: "基于文本表示学习的实体消歧研究" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767706A (zh) * | 2020-06-19 | 2020-10-13 | 北京工业大学 | 文本相似度的计算方法、装置、电子设备及介质 |
CN111814487A (zh) * | 2020-07-17 | 2020-10-23 | 科大讯飞股份有限公司 | 一种语义理解方法、装置、设备及存储介质 |
CN112699667A (zh) * | 2020-12-29 | 2021-04-23 | 京东数字科技控股股份有限公司 | 一种实体相似度确定方法、装置、设备和存储介质 |
CN116894489A (zh) * | 2023-09-08 | 2023-10-17 | 北京睿企信息科技有限公司 | 一种文本生成方法、电子设备及存储介质 |
CN116894489B (zh) * | 2023-09-08 | 2023-11-17 | 北京睿企信息科技有限公司 | 一种文本生成方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111241838B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111125335B (zh) | 问答处理方法、装置、电子设备和存储介质 | |
CN111259671B (zh) | 文本实体的语义描述处理方法、装置及设备 | |
CN111241819B (zh) | 词向量生成方法、装置及电子设备 | |
CN111539514A (zh) | 用于生成神经网络的结构的方法和装置 | |
CN110795569B (zh) | 知识图谱的向量表示生成方法、装置及设备 | |
CN111241838B (zh) | 文本实体的语义关系处理方法、装置及设备 | |
CN111079945B (zh) | 端到端模型的训练方法及装置 | |
CN111104514A (zh) | 文档标签模型的训练方法及装置 | |
CN110674260B (zh) | 语义相似模型的训练方法、装置、电子设备和存储介质 | |
JP2021111334A (ja) | 検索データに基づくヒューマンコンピュータ対話型インタラクションの方法、装置及び電子機器 | |
US20220027575A1 (en) | Method of predicting emotional style of dialogue, electronic device, and storage medium | |
CN111090991A (zh) | 场景纠错方法、装置、电子设备和存储介质 | |
CN111127191A (zh) | 风险评估方法及装置 | |
CN111177339A (zh) | 对话生成方法、装置、电子设备及存储介质 | |
CN111640103A (zh) | 图像检测方法、装置、设备以及存储介质 | |
CN111666771A (zh) | 文书的语义标签抽取、装置、电子设备及可读存储介质 | |
CN110909136A (zh) | 满意度预估模型的训练方法、装置、电子设备及存储介质 | |
CN112270169B (zh) | 对白角色预测方法、装置、电子设备及存储介质 | |
CN111325000B (zh) | 语言生成方法、装置及电子设备 | |
CN111311000B (zh) | 用户消费行为预测模型训练方法、装置、设备及存储介质 | |
CN112529180A (zh) | 模型蒸馏的方法和装置 | |
CN112597288A (zh) | 人机交互方法、装置、设备及存储介质 | |
CN111767990A (zh) | 神经网络的处理方法和装置 | |
CN113157829A (zh) | 一种兴趣点名称比对方法、装置、电子设备和存储介质 | |
CN111177479A (zh) | 获取关系网络图中节点的特征向量的方法以及装置 |
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 |