CN111459959B - 用于更新事件集合的方法和装置 - Google Patents
用于更新事件集合的方法和装置 Download PDFInfo
- Publication number
- CN111459959B CN111459959B CN202010246962.0A CN202010246962A CN111459959B CN 111459959 B CN111459959 B CN 111459959B CN 202010246962 A CN202010246962 A CN 202010246962A CN 111459959 B CN111459959 B CN 111459959B
- Authority
- CN
- China
- Prior art keywords
- event
- vectors
- vector
- candidate
- updated
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本申请实施例公开了用于更新事件集合的方法和装置,涉及知识图谱技术领域。该方法的一具体实施方式包括:获取候选事件的信息;根据候选事件的信息确定候选事件的特征向量;将候选事件的特征向量与待更新事件集合的特征向量输入预先训练的分类模型;响应于分类模型的输出指示候选事件属于待更新事件集合,将候选事件加入待更新事件集合。该实施方式提高了更新事件集合的效率。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及用于更新事件集合的方法和装置。
背景技术
随着移动互联网发展,各大新闻资讯网站也随之发展迅速。以个性化推荐、内容聚合、碎片化等形式来展示新闻资讯已经成为了资讯类应用程序的发展方向。其中,内容聚合的一种重要形式就是事件集合,例如,事件专题、事件脉络。通过事件集合可以充分展现事件发生的脉络和缘由,是一种较好的资讯展现和体验的形式。
传统的事件集合的更新需要人工的介入,例如,需要资深编辑参与编写。
发明内容
本申请实施例提出了用于更新事件集合的方法和装置。
第一方面,本申请的一些实施例提供了一种用于更新事件集合的方法,该方法包括:获取候选事件的信息;根据候选事件的信息确定候选事件的特征向量;将候选事件的特征向量与待更新事件集合的特征向量输入预先训练的分类模型;响应于分类模型的输出指示候选事件属于待更新事件集合,将候选事件加入待更新事件集合。
在一些实施例中,候选事件的信息包括候选事件的标题;以及根据候选事件的信息确定候选事件的特征向量,包括:对候选事件的信息进行预处理得到第一词序列;确定第一词序列中各个词的词向量,词性向量和实体向量,其中,词性向量表征词的词性,实体向量表征词的是否为实体;根据第一词序列中各个词的词向量,词性向量和实体向量确定候选事件的特征向量。
在一些实施例中,根据第一词序列中各个词的词向量,词性向量和实体向量确定候选事件的特征向量,包括:级联第一词序列中各个词的词向量,词性向量和实体向量;将级联后的向量输入预先训练的句级编码模型,句级编码模型包括注意力机制加权后的长短期记忆网络;根据句级编码模型输出的向量确定候选事件的特征向量。
在一些实施例中,根据句级编码模型输出的向量确定候选事件的特征向量,包括:确定候选事件的主题向量;将句级编码模型输出的向量与候选事件的主题向量得到候选事件的特征向量。
在一些实施例中,待更新事件集合的特征向量包括经由以下步骤生成的特征向量:确定待更新事件集合中各个事件的特征向量;根据待更新事件集合中各个事件的时间信息排列待更新事件集合中各个事件的特征向量;基于排列后的特征向量生成待更新事件集合的特征向量。
在一些实施例中,确定待更新事件集合中各个事件的特征向量,包括:确定待更新事件集合中各个事件的主题向量;根据待更新事件集合中各个事件的主题向量确定待更新事件集合中各个事件的特征向量。
在一些实施例中,根据待更新事件集合中各个事件的主题向量确定待更新事件集合中各个事件的特征向量,包括:针对待更新事件集合中的事件执行如下操作:将事件的标题进行预处理得到该事件的标题的第二词序列;确定第二词序列中各个词的词向量,词性向量和实体向量;级联第二词序列中各个词的词向量,词性向量和实体向量;将级联后的向量输入预先训练的句级编码模型;将句级编码模型输出的向量与该事件的主题向量级联得到该事件的特征向量。
在一些实施例中,基于排列后的特征向量生成待更新事件集合的特征向量,包括:将排列后的特征向量输入预先训练的事件级编码模型,生成待更新事件集合的特征向量,事件级编码模型包括注意力机制加权后的长短期记忆网络。
在一些实施例中,分类模型的训练样本包括经由以下步骤构建的训练样本:拆解样本事件集合中的事件构建正样本;和/或检索正样本中样本候选事件的相似事件,并将正样本中的样本候选事件替换为相似事件构建负样本。
第二方面,本申请的一些实施例提供了一种用于更新事件集合的装置,该装置包括:获取单元,被配置成获取候选事件的信息;确定单元,被配置成根据候选事件的信息确定候选事件的特征向量;输入单元,被配置成将候选事件的特征向量与待更新事件集合的特征向量输入预先训练的分类模型;更新单元,被配置成响应于分类模型的输出指示候选事件属于待更新事件集合,将候选事件加入待更新事件集合。
在一些实施例中,候选事件的信息包括候选事件的标题;以及确定单元,包括:预处理子单元,被配置成对候选事件的信息进行预处理得到第一词序列;第一确定子单元,被配置成确定第一词序列中各个词的词向量,词性向量和实体向量,其中,词性向量表征词的词性,实体向量表征词的是否为实体;第二确定子单元,被配置成根据第一词序列中各个词的词向量,词性向量和实体向量确定候选事件的特征向量。
在一些实施例中,第二确定子单元,进一步被配置成:级联第一词序列中各个词的词向量,词性向量和实体向量;将级联后的向量输入预先训练的句级编码模型,句级编码模型包括注意力机制加权后的长短期记忆网络;根据句级编码模型输出的向量确定候选事件的特征向量。
在一些实施例中,第二确定子单元,进一步被配置成:确定候选事件的主题向量;级联句级编码模型输出的向量与候选事件的主题向量得到候选事件的特征向量。
在一些实施例中,装置还包括生成单元,生成单元,包括:第三确定子单元,被配置成确定待更新事件集合中各个事件的特征向量;排列子单元,被配置成根据待更新事件集合中各个事件的时间信息排列待更新事件集合中各个事件的特征向量;生成子单元,被配置成基于排列后的特征向量生成待更新事件集合的特征向量。
在一些实施例中,第三确定子单元,包括:第一确定模块,被配置成确定待更新事件集合中各个事件的主题向量;第二确定模块,被配置成根据待更新事件集合中各个事件的主题向量确定待更新事件集合中各个事件的特征向量。
在一些实施例中,第二确定模块,进一步被配置成:针对待更新事件集合中的事件执行如下操作:将事件的标题进行预处理得到该事件的标题的第二词序列;确定第二词序列中各个词的词向量,词性向量和实体向量;级联第二词序列中各个词的词向量,词性向量和实体向量;将级联后的向量输入预先训练的句级编码模型;将句级编码模型输出的向量与该事件的主题向量级联得到该事件的特征向量。
在一些实施例中,生成子单元,进一步被配置成:将排列后的特征向量输入预先训练的事件级编码模型,生成待更新事件集合的特征向量,事件级编码模型包括注意力机制加权后的长短期记忆网络。
在一些实施例中,装置还包括分类模型的训练样本构建单元,被配置成:拆解样本事件集合中的事件构建正样本;和/或检索正样本中样本候选事件的相似事件,并将正样本中的样本候选事件替换为相似事件构建负样本。
第三方面,本申请的一些实施例提供了一种设备,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,当上述一个或多个程序被上述一个或多个处理器执行,使得上述一个或多个处理器实现如第一方面上述的方法。
第四方面,本申请的一些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,该程序被处理器执行时实现如第一方面上述的方法。
本申请实施例提供的用于更新事件集合的方法和装置,通过获取候选事件的信息,并根据候选事件的信息确定候选事件的特征向量,而后将候选事件的特征向量与待更新事件集合的特征向量输入预先训练的分类模型,最后响应于分类模型的输出指示候选事件属于待更新事件集合,将候选事件加入待更新事件集合,提高了更新事件集合的效率。
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,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一些可以应用于其中的示例性系统架构图;
图2是根据本申请的用于更新事件集合的方法的一个实施例的流程图;
图3是根据本申请的用于更新事件集合的方法的一个实施例的一个可选实施方式中样本构建的示意图;
图4是根据本申请的用于更新事件集合的方法的又一个实施例的流程图;
图5是根据本申请的用于更新事件集合的方法的又一个实施例的一个可选实施方式中模型设计的示意图;
图6是根据本申请的用于更新事件集合的装置的一个实施例的结构示意图。
图7是适于用来实现本申请的一些实施例的服务器或终端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申请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,本申请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申请。
图1示出了可以应用本申请的用于更新事件集合的方法或用于更新事件集合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上可以安装有各种客户端应用,例如新闻资讯类应用、社交类应用、搜索类应用等。
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,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、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,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上安装的应用提供支持的后台服务器,服务器105可以获取候选事件的信息;根据候选事件的信息确定候选事件的特征向量;将候选事件的特征向量与待更新事件集合的特征向量输入预先训练的分类模型;响应于分类模型的输出指示候选事件属于待更新事件集合,将候选事件加入待更新事件集合。
需要说明的是,本申请实施例所提供的用于更新事件集合的方法可以由服务器105执行,也可以由终端设备101、102、103执行,相应地,用于更新事件集合的装置可以设置于服务器105中,也可以设置于终端设备101、102、103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),也可以实现成单个软件或软件模块。在此不做具体限定。
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,示出了根据本申请的用于更新事件集合的方法的一个实施例的流程200。该用于更新事件集合的方法,包括以下步骤:
步骤201,获取候选事件的信息。
在本实施例中,用于更新事件集合的方法执行主体(例如图1所示的服务器或终端)可以首先获取候选事件的信息,候选事件。
在本实施例中,候选事件的信息可以包括候选事件的标题、摘要、正文或其他表征候选事件内容的文本。候选事件可以是其他设备提交的,也可以是通过预先设置的获取条件在网络、事件库、或知识图谱中获取的,例如,可以通过设置关键字,检索范围以及时间信息等通过检索的方式获取候选事件。
步骤202,根据候选事件的信息确定候选事件的特征向量。
在本实施例中,上述执行主体可以根据步骤201中候选事件的信息确定候选事件的特征向量。在这里,上述执行主体可以对候选事件的信息进行文本基本处理,文本语义分析从而得到候选事件的特征向量。作为示例,可以通过词频统计方法、主题模型或深度学习方法确定候选事件的特征向量。
步骤203,将候选事件的特征向量与待更新事件集合的特征向量输入预先训练的分类模型。
在本实施例中,上述执行主体可以将步骤202中确定的候选事件的特征向量与待更新事件集合的特征向量输入预先训练的分类模型。事件集合可以是存在某种关联关系的事件的集合,可以包括事件专题、事件脉络等。待更新事件集合中可以包括至少一个事件。上述执行主体可以将候选事件的特征向量与待更新事件集合的特征向量级联或通过其他合并操作合并后输入预先训练的分类模型,也可以分别输入预先训练的分类模型。分类模型可以用于表征输入的向量与分类结果的对应关系,分类结果可以指示候选事件是否属于待更新事件集合。分类模型可以采用多层感知机等网络结构。本申请通过模型判断候选事件与事件集合整体的从属关系,而非比较候选事件与事件集合中单个事件的相似性,从而确保了加入事件集合的每个事件均为该事件发展过程中新的关键进展。
在本实施例的一些可选实现方式中,分类模型的训练样本包括经由以下步骤构建的训练样本:拆解样本事件集合中的事件构建正样本;和/或检索正样本中样本候选事件的相似事件,并将正样本中的样本候选事件替换为相似事件构建负样本。相似事件的检索可以在预先建立的事件库或网络中进行,本实现方式,实现了样本的快速构建,进一步提高了整体方案的效率。
作为示例,构建样本的过程可以参考图3,可以拆解图3中的样本事件集合301,将拆解出的样本事件302作为样本事件集合,将拆解出的样本事件303作为样本候选事件构建正样本,也可以将拆解出的样本事件集合304作为样本事件集合,将拆解出的样本事件305作为样本候选事件构建出正样本。此外,可以在事件库306中检索样本事件303的相似事件307,并将样本事件302与样本事件303构建的正样本中的样本事件303替换为相似事件307构建负样本,还可以在事件库306中检索样本事件305的相似事件308,并将样本事件集合304与样本事件305构建的正样本中的样本事件305替换为相似事件308构建负样本。
在本实施例中,待更新事件集合的特征向量可以根据待更新事件集合中各个事件的特征向量生成,各个事件的特征向量的生成方式可以参考候选事件的特征向量的生成方式。此外,也可以根据待更新事件集合中各个事件的信息,例如,标题、摘要、正文或其他表征事件内容的文本直接生成。可以对待更新事件集合中事件的信息进行文本基本处理,文本语义分析从而得到待更新事件集合的特征向量。
在本实施例的一些可选实现方式中,待更新事件集合的特征向量包括经由以下步骤生成的特征向量:确定待更新事件集合中各个事件的特征向量;根据待更新事件集合中各个事件的时间信息排列待更新事件集合中各个事件的特征向量;基于排列后的特征向量生成待更新事件集合的特征向量。
在本实现方式中,各个事件的时间信息可以包括事件发生的事件,或事件被报道的时间,通过排列待更新事件集合中各个事件的特征向量,基于排列后的特征向量生成待更新事件集合的特征向量,使得生成的特征向量带有时序信息,进一步提高了更新事件集合的准确性。
在本实施例的一些可选实现方式中,确定待更新事件集合中各个事件的特征向量,包括:确定待更新事件集合中各个事件的主题向量;根据待更新事件集合中各个事件的主题向量确定待更新事件集合中各个事件的特征向量。
在本实现方式中,主题向量可以基于文档主题生成模型(Latent DirichletAllocation,LDA)等主题模型生成。主题模型的输入可以包括事件的正文、摘要等信息。可以直接根据事件的主题向量确定事件的特征向量,也可以直接根据事件信息的词序列中各个词的向量确定事件的特征向量,也可以综合二者得到事件的特征向量。主题向量的引入可以更好的模拟事件从发生到当前进展的动态语义信息。
在本实施例的一些可选实现方式中,根据待更新事件集合中各个事件的主题向量确定待更新事件集合中各个事件的特征向量,包括:针对待更新事件集合中的事件执行如下操作:将事件的标题进行预处理得到该事件的标题的第二词序列;确定第二词序列中各个词的词向量,词性向量和实体向量;级联第二词序列中各个词的词向量,词性向量和实体向量;将级联后的向量输入预先训练的句级编码模型;将句级编码模型输出的向量与该事件的主题向量级联得到该事件的特征向量。在实现方式中,待更新事件集合中各个事件的词序列中各个词的词向量,词性向量和实体向量的生成方法以及句级编码模型的建立可以参考候选事件的特征向量的生成过程。
在本实现方式中,预处理可以包括分词,删除停用词等,词的词向量包括独热表示的向量或分布表示的向量,词向量可以利用预先训练的无监督模型得到,例如词到向量(word2vec)模型等,该无监督模型可以是基于已有的开源词向量或者自行构建的训练语料训练得到,可选的,可以采用与事件集合相同领域的训练语料。
在本实施例的一些可选实现方式中,基于排列后的特征向量生成待更新事件集合的特征向量,包括:将排列后的特征向量输入预先训练的事件级编码模型,生成待更新事件集合的特征向量,事件级编码模型包括注意力机制加权后的长短期记忆网络。事件级编码模型用于表征排列后的事件的特征向量与待更新事件集合的特征向量之间的对应关系,可以采用各种神经网络构造事件级编码模型。长短期记忆网络(LSTM,Long Short-TermMemory)是一种时间循环神经网络,是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式。注意力机制(Attention Mechanism)源于对人类视觉的研究。注意力机制的核心目标也是从众多信息中选择出对当前任务目标更关键的信息,注意力机制的引入可以使最终得到的事件集合的特征向量更多的关注重要的事件进展,可以进一步提高更新后的事件集合的准确性。
步骤204,响应于分类模型的输出指示候选事件属于待更新事件集合,将候选事件加入待更新事件集合。
在本实施例中,上述执行主体可以响应于步骤203中分类模型的输出指示候选事件属于待更新事件集合,将候选事件加入待更新事件集合。将候选事件加入待更新事件集合后,还可以将候选事件的信息加入事件集合的展现页面。
本申请的上述实施例提供的方法通过获取候选事件的信息;根据候选事件的信息确定候选事件的特征向量;将候选事件的特征向量与待更新事件集合的特征向量输入预先训练的分类模型;响应于分类模型的输出指示候选事件属于待更新事件集合,将候选事件加入待更新事件集合,提高了更新事件集合的效率。
进一步参考图4,其示出了用于更新事件集合的方法的又一个实施例的流程400。该用于更新事件集合的方法的流程400,包括以下步骤:
步骤401,获取候选事件的信息。
在本实施例中,用于更新事件集合的方法执行主体(例如图1所示的服务器或终端)可以首先获取候选事件的信息,候选事件的信息可以包括候选事件的标题。
步骤402,对候选事件的信息进行预处理得到第一词序列。
在本实施例中,上述执行主体可以对步骤401中获取的候选事件的信息进行预处理得到第一词序列。考虑到标题一般是事件内容的概括描述,包含了事件的关键事件信息。因此,通过标题可以更高效的获取到事件的语义信息。预处理可以包括分词、词性标注和实体识别,分词是指将连续的句子或文本按照一定的规则分成一个一个独立的词语,以重新组合成词序列的过程,可以依据分词词典或知识图谱对序列内容进行分词和实体词识别。实体是指能够独立存在的并能够作为一切属性的基础和万物本原的真实存在的物质或概念,通常可以指代具体的事物、主体和现象的支持者等,例如人名、物名、地名、机构名以及概念等。
步骤403,确定第一词序列中各个词的词向量,词性向量和实体向量。
在本实施例中,上述执行主体可以确定步骤402中得到的第一词序列中各个词的词向量,词性向量和实体向量,其中,词性向量表征词的词性,词性向量可以是将当前词的词性标记映射为一个多维向量,相同的词性使用相同的向量进行初始化,引入词性向量是由于一些动词、名词可能包含更丰富的事件信息。实体向量表征词的是否为实体,例如,当前词如果是实体则用向量[1]表示,不是实体则用向量[0]表示,引入实体向量是由于实体往往包含了丰富的事件信息。
步骤404,根据第一词序列中各个词的词向量,词性向量和实体向量确定候选事件的特征向量。
在本实施例中,上述执行主体可以根据步骤403中确定的第一词序列中各个词的词向量,词性向量和实体向量确定候选事件的特征向量。作为示例,可以直接将词向量,词性向量和实体向量级联得到候选事件的特征向量,也可以进一步处理级联后的向量得到候选事件的特征向量。
在本实施例的一些可选实现方式中,根据第一词序列中各个词的词向量,词性向量和实体向量确定候选事件的特征向量,包括:级联第一词序列中各个词的词向量,词性向量和实体向量;将级联后的向量输入预先训练的句级编码模型,句级编码模型包括注意力机制加权后的长短期记忆网络;根据句级编码模型输出的向量确定候选事件的特征向量。句级编码模型用于表征级联后的第一词序列中各个词的词向量,词性向量和实体向量与候选事件的特征向量之间的对应关系,也可以采用各种神经网络结构构造句级编码模型。
在本实现方式中,可以采用没有外部信息情况下的注意力机制,目的是学习出一个句子中哪些词对最终该句子的语义表示的影响更大,越重要的词对应的注意力的权重就会越大,最终的句子语义表示是所有词向量的加权求和。例如,一个候选事件的标题分词后的词序列为[w1,w2,…,wn],其中各个词的词向量,词性向量和实体向量构成的输入向量为[x1,x2,…,xn],输入向量经过LSTM编码得到[h1,h2,…,hn]。作为示例,可以利用如下公式给LSTM的原始输出[h1,h2,…,hn]分配权重:
si=f(hi)=a(WThi+b);
其中,i=1,2,3,…,n,n表示词序列中词的个数,hi表示LSTM的原始输出向量中的一个元素,Si表示hi的权重,WT表示通过训练学习到的参数矩阵,a,b表示线性变换的参数。需要说明的是,也可以采用非线性变化,即采用其他注意力机制的公式对权重进行确定。
获取到权重后,可以利用如下公式计算句级编码模型最终的输出h*:
其中,i=1,2,3,…,n,n表示词序列中词的个数,hi表示LSTM的原始输出向量中的一个元素,Si表示hi的权重。
在本实施例的一些可选实现方式中,根据句级编码模型输出的向量确定候选事件的特征向量,包括:确定候选事件的主题向量;将句级编码模型输出的向量与候选事件的主题向量得到候选事件的特征向量。主题向量可以基于候选事件的文本,通过主题模型确定。
步骤405,将候选事件的特征向量与待更新事件集合的特征向量输入预先训练的分类模型。
在本实施例中,上述执行主体可以将步骤404中确定的候选事件的特征向量与待更新事件集合的特征向量输入预先训练的分类模型。
需要说明的是,分类模型与用于生成候选事件特征向量的模型,以及用于生成待更新事件集合的特征向量的模型可以分开进行训练或者联合进行训练。联合进行训练时,可参考图5的模型结构设计,在图5中,模块501基于候选事件的词序列与句级编码模型得到了句级编码模型的输出向量,级联候选事件的主题向量502得到了候选事件的特征向量503。待更新事件集合中包括若干个事件,以其中两个事件为例,模块504、模块506基于事件的词序列与句级编码模型得到了句级编码模型的输出向量,分别级联事件的主题向量505、主题向量507得到了这两个事件的特征向量。模块508基于待更新事件集合中各事件的特征向量与事件级编码模型,得到待更新事件集合的特征向量,随后待更新事件集合的特征向量可以与候选事件的特征向量503级联进入模块509,在模块509中,分类模型输出分类结果0/1,可以指示候选事件是否属于待更新事件集合。
步骤406,响应于分类模型的输出指示候选事件属于待更新事件集合,将候选事件加入待更新事件集合。
在本实施例中,上述执行主体可以响应于步骤405中分类模型的输出指示候选事件属于待更新事件集合,将候选事件加入待更新事件集合。
在本实施例中,步骤401、步骤405、步骤406的操作与步骤201、步骤203、步骤204的操作基本相同,在此不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于更新事件集合的方法的流程400中通过根据候选事件标题的词序列中各个词的词向量,词性向量和实体向量确定候选事件的特征向量,由此,本实施例描述的方案中确定出的候选事件的特征向量更能体现候选事件的语义信息,进一步提高了更新事件集合的效率。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种用于更新事件集合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6所示,本实施例的用于更新事件集合的装置600包括:获取单元601、确定单元602、输入单元603、更新单元604。其中,获取单元,被配置成获取候选事件的信息;确定单元,被配置成根据候选事件的信息确定候选事件的特征向量;输入单元,被配置成将候选事件的特征向量与待更新事件集合的特征向量输入预先训练的分类模型;更新单元,被配置成响应于分类模型的输出指示候选事件属于待更新事件集合,将候选事件加入待更新事件集合。
在本实施例中,用于更新事件集合的装置600的获取单元601、确定单元602、输入单元603、更新单元604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和步骤204。
在本实施例的一些可选实现方式中,候选事件的信息包括候选事件的标题;以及确定单元,包括:预处理子单元,被配置成对候选事件的信息进行预处理得到第一词序列;第一确定子单元,被配置成确定第一词序列中各个词的词向量,词性向量和实体向量,其中,词性向量表征词的词性,实体向量表征词的是否为实体;第二确定子单元,被配置成根据第一词序列中各个词的词向量,词性向量和实体向量确定候选事件的特征向量。
在本实施例的一些可选实现方式中,第二确定子单元,进一步被配置成:级联第一词序列中各个词的词向量,词性向量和实体向量;将级联后的向量输入预先训练的句级编码模型,句级编码模型包括注意力机制加权后的长短期记忆网络;根据句级编码模型输出的向量确定候选事件的特征向量。
在本实施例的一些可选实现方式中,第二确定子单元,进一步被配置成:确定候选事件的主题向量;级联句级编码模型输出的向量与候选事件的主题向量得到候选事件的特征向量。
在本实施例的一些可选实现方式中,装置还包括生成单元,生成单元,包括:第三确定子单元,被配置成确定待更新事件集合中各个事件的特征向量;排列子单元,被配置成根据待更新事件集合中各个事件的时间信息排列待更新事件集合中各个事件的特征向量;生成子单元,被配置成基于排列后的特征向量生成待更新事件集合的特征向量。
在本实施例的一些可选实现方式中,第三确定子单元,包括:第一确定模块,被配置成确定待更新事件集合中各个事件的主题向量;第二确定模块,被配置成根据待更新事件集合中各个事件的主题向量确定待更新事件集合中各个事件的特征向量。
在本实施例的一些可选实现方式中,第二确定模块,进一步被配置成:针对待更新事件集合中的事件执行如下操作:将事件的标题进行预处理得到该事件的标题的第二词序列;确定第二词序列中各个词的词向量,词性向量和实体向量;级联第二词序列中各个词的词向量,词性向量和实体向量;将级联后的向量输入预先训练的句级编码模型;将句级编码模型输出的向量与该事件的主题向量级联得到该事件的特征向量。
在本实施例的一些可选实现方式中,生成子单元,进一步被配置成:将排列后的特征向量输入预先训练的事件级编码模型,生成待更新事件集合的特征向量,事件级编码模型包括注意力机制加权后的长短期记忆网络。
在本实施例的一些可选实现方式中,装置还包括分类模型的训练样本构建单元,被配置成:拆解样本事件集合中的事件构建正样本;和/或检索正样本中样本候选事件的相似事件,并将正样本中的样本候选事件替换为相似事件构建负样本。
本申请的上述实施例提供的装置,通过获取候选事件的信息;根据候选事件的信息确定候选事件的特征向量;将候选事件的特征向量与待更新事件集合的特征向量输入预先训练的分类模型;响应于分类模型的输出指示候选事件属于待更新事件集合,将候选事件加入待更新事件集合,提高了更新事件集合的效率。
下面参考图7,其示出了适于用来实现本申请实施例的服务器或终端的计算机系统700的结构示意图。图7示出的服务器或终端仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件可以连接至I/O接口705:包括诸如键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
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部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请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介质或者是上述两者的任意组合。计算机可读介质例如可以是——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。在本申请中,计算机可读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。而在本申请中,计算机可读的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。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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申请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,图示了按照本申请各种实施例的系统、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。
描述于本申请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、确定单元、输入单元和更新单元。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“被配置成获取候选事件的信息的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。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装置执行时,使得该装置:获取候选事件的信息;根据候选事件的信息确定候选事件的特征向量;将候选事件的特征向量与待更新事件集合的特征向量输入预先训练的分类模型;响应于分类模型的输出指示候选事件属于待更新事件集合,将候选事件加入待更新事件集合。
以上描述仅为本申请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,本申请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上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。例如上述特征与本申请中公开的(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 (20)
1.一种用于更新事件集合的方法,包括:
获取候选事件的信息;
根据所述候选事件的信息确定所述候选事件的特征向量;
将所述候选事件的特征向量与待更新事件集合的特征向量输入预先训练的分类模型;
响应于所述分类模型的输出指示所述候选事件属于所述待更新事件集合,将所述候选事件加入所述待更新事件集合,所述分类模型用于判断所述候选事件与所述待更新事件集合整体的从属关系,而非比较所述候选事件与所述待更新事件集合中单个事件的相似性,以使加入所述待更新事件集合的每个事件均为该事件发展过程中新的关键进展。
2.根据权利要求1所述的方法,其中,所述候选事件的信息包括候选事件的标题;以及
所述根据所述候选事件的信息确定所述候选事件的特征向量,包括:
对所述候选事件的信息进行预处理得到第一词序列;
确定所述第一词序列中各个词的词向量,词性向量和实体向量,其中,所述词性向量表征词的词性,实体向量表征词的是否为实体;
根据所述第一词序列中各个词的词向量,词性向量和实体向量确定所述候选事件的特征向量。
3.根据权利要求2所述的方法,其中,所述根据所述第一词序列中各个词的词向量,词性向量和实体向量确定所述候选事件的特征向量,包括:
级联所述第一词序列中各个词的词向量,词性向量和实体向量;
将级联后的向量输入预先训练的句级编码模型,所述句级编码模型包括注意力机制加权后的长短期记忆网络;
根据所述句级编码模型输出的向量确定所述候选事件的特征向量。
4.根据权利要求3所述的方法,其中,所述根据所述句级编码模型输出的向量确定所述候选事件的特征向量,包括:
确定所述候选事件的主题向量;
级联所述句级编码模型输出的向量与所述候选事件的主题向量得到所述候选事件的特征向量。
5.根据权利要求1所述的方法,其中,所述待更新事件集合的特征向量包括经由以下步骤生成的特征向量:
确定所述待更新事件集合中各个事件的特征向量;
根据所述待更新事件集合中各个事件的时间信息排列所述待更新事件集合中各个事件的特征向量;
基于排列后的特征向量生成所述待更新事件集合的特征向量。
6.根据权利要求5所述的方法,其中,所述确定所述待更新事件集合中各个事件的特征向量,包括:
确定所述待更新事件集合中各个事件的主题向量;
根据所述待更新事件集合中各个事件的主题向量确定所述待更新事件集合中各个事件的特征向量。
7.根据权利要求6所述的方法,其中,所述根据所述待更新事件集合中各个事件的主题向量确定所述待更新事件集合中各个事件的特征向量,包括:
针对所述待更新事件集合中的事件执行如下操作:将事件的标题进行预处理得到该事件的标题的第二词序列;确定所述第二词序列中各个词的词向量,词性向量和实体向量;级联所述第二词序列中各个词的词向量,词性向量和实体向量;将级联后的向量输入预先训练的句级编码模型;将所述句级编码模型输出的向量与该事件的主题向量级联得到该事件的特征向量。
8.根据权利要求5所述的方法,其中,所述基于排列后的特征向量生成所述待更新事件集合的特征向量,包括:
将排列后的特征向量输入预先训练的事件级编码模型,生成所述待更新事件集合的特征向量,所述事件级编码模型包括注意力机制加权后的长短期记忆网络。
9.根据权利要求1-8中任一项所述的方法,其中,所述分类模型的训练样本包括经由以下步骤构建的训练样本:
拆解样本事件集合中的事件构建正样本;和/或
检索正样本中样本候选事件的相似事件,并将正样本中的所述样本候选事件替换为所述相似事件构建负样本。
10.一种用于更新事件集合的装置,包括:
获取单元,被配置成获取候选事件的信息;
确定单元,被配置成根据所述候选事件的信息确定所述候选事件的特征向量;
输入单元,被配置成将所述候选事件的特征向量与待更新事件集合的特征向量输入预先训练的分类模型;
更新单元,被配置成响应于所述分类模型的输出指示所述候选事件属于所述待更新事件集合,将所述候选事件加入所述待更新事件集合,所述分类模型用于判断所述候选事件与所述待更新事件集合整体的从属关系,而非比较所述候选事件与所述待更新事件集合中单个事件的相似性,以使加入所述待更新事件集合的每个事件均为该事件发展过程中新的关键进展。
11.根据权利要求10所述的装置,其中,所述候选事件的信息包括候选事件的标题;以及
所述确定单元,包括:
预处理子单元,被配置成对所述候选事件的信息进行预处理得到第一词序列;
第一确定子单元,被配置成确定所述第一词序列中各个词的词向量,词性向量和实体向量,其中,所述词性向量表征词的词性,实体向量表征词的是否为实体;
第二确定子单元,被配置成根据所述第一词序列中各个词的词向量,词性向量和实体向量确定所述候选事件的特征向量。
12.根据权利要求11所述的装置,其中,所述第二确定子单元,进一步被配置成:
级联所述第一词序列中各个词的词向量,词性向量和实体向量;
将级联后的向量输入预先训练的句级编码模型,所述句级编码模型包括注意力机制加权后的长短期记忆网络;
根据所述句级编码模型输出的向量确定所述候选事件的特征向量。
13.根据权利要求12所述的装置,其中,所述第二确定子单元,进一步被配置成:
确定所述候选事件的主题向量;
级联所述句级编码模型输出的向量与所述候选事件的主题向量得到所述候选事件的特征向量。
14.根据权利要求10所述的装置,其中,所述装置还包括生成单元,所述生成单元,包括:
第三确定子单元,被配置成确定所述待更新事件集合中各个事件的特征向量;
排列子单元,被配置成根据所述待更新事件集合中各个事件的时间信息排列所述待更新事件集合中各个事件的特征向量;
生成子单元,被配置成基于排列后的特征向量生成所述待更新事件集合的特征向量。
15.根据权利要求14所述的装置,其中,所述第三确定子单元,包括:
第一确定模块,被配置成确定所述待更新事件集合中各个事件的主题向量;
第二确定模块,被配置成根据所述待更新事件集合中各个事件的主题向量确定所述待更新事件集合中各个事件的特征向量。
16.根据权利要求15所述的装置,其中,所述第二确定模块,进一步被配置成:
针对所述待更新事件集合中的事件执行如下操作:将事件的标题进行预处理得到该事件的标题的第二词序列;确定所述第二词序列中各个词的词向量,词性向量和实体向量;级联所述第二词序列中各个词的词向量,词性向量和实体向量;将级联后的向量输入预先训练的句级编码模型;将所述句级编码模型输出的向量与该事件的主题向量级联得到该事件的特征向量。
17.根据权利要求14所述的装置,其中,所述生成子单元,进一步被配置成:
将排列后的特征向量输入预先训练的事件级编码模型,生成所述待更新事件集合的特征向量,所述事件级编码模型包括注意力机制加权后的长短期记忆网络。
18.根据权利要求10-17中任一项所述的装置,其中,所述装置还包括所述分类模型的训练样本构建单元,被配置成:
拆解样本事件集合中的事件构建正样本;和/或
检索正样本中样本候选事件的相似事件,并将正样本中的所述样本候选事件替换为所述相似事件构建负样本。
19.一种电子设备,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时,使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
20.一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010246962.0A CN111459959B (zh) | 2020-03-31 | 2020-03-31 | 用于更新事件集合的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010246962.0A CN111459959B (zh) | 2020-03-31 | 2020-03-31 | 用于更新事件集合的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111459959A CN111459959A (zh) | 2020-07-28 |
CN111459959B true CN111459959B (zh) | 2023-06-30 |
Family
ID=71680184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010246962.0A Active CN111459959B (zh) | 2020-03-31 | 2020-03-31 | 用于更新事件集合的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111459959B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800076A (zh) * | 2021-02-02 | 2021-05-14 | 北京明略昭辉科技有限公司 | 用于数据更新的方法、装置和设备 |
CN115577935B (zh) * | 2022-10-09 | 2023-09-15 | 华院计算技术(上海)股份有限公司 | 基于认知智能的连铸数据处理方法及装置、计算设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033880A (zh) * | 2009-09-29 | 2011-04-27 | 国际商业机器公司 | 基于结构化数据集合的标注方法和装置 |
WO2015084756A1 (en) * | 2013-12-02 | 2015-06-11 | Qbase, LLC | Event detection through text analysis using trained event template models |
CN108563655A (zh) * | 2017-12-28 | 2018-09-21 | 北京百度网讯科技有限公司 | 基于文本的事件识别方法和装置 |
CN109582954A (zh) * | 2018-01-24 | 2019-04-05 | 广州数知科技有限公司 | 用于输出信息的方法和装置 |
CN110309273A (zh) * | 2018-03-09 | 2019-10-08 | 北京国双科技有限公司 | 问答方法和装置 |
CN110543574A (zh) * | 2019-08-30 | 2019-12-06 | 北京百度网讯科技有限公司 | 一种知识图谱的构建方法、装置、设备及介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2885756A4 (en) * | 2012-08-15 | 2016-07-06 | Thomson Reuters Glo Resources | SYSTEM AND METHOD FOR FORMING PREDICTIONS USING EVENT-BASED OPINION ANALYSIS |
CN107609121B (zh) * | 2017-09-14 | 2021-03-30 | 暨南大学 | 基于LDA和word2vec算法的新闻文本分类方法 |
CN107622333B (zh) * | 2017-11-02 | 2020-08-18 | 北京百分点信息科技有限公司 | 一种事件预测方法、装置及系统 |
CN108959482B (zh) * | 2018-06-21 | 2022-01-21 | 北京慧闻科技(集团)有限公司 | 基于深度学习的单轮对话数据分类方法、装置和电子设备 |
CN108846120A (zh) * | 2018-06-27 | 2018-11-20 | 合肥工业大学 | 用于对文本集进行分类的方法、系统及存储介质 |
CN109214407B (zh) * | 2018-07-06 | 2022-04-19 | 创新先进技术有限公司 | 事件检测模型、方法、装置、计算设备及存储介质 |
CN110516073A (zh) * | 2019-08-30 | 2019-11-29 | 北京百度网讯科技有限公司 | 一种文本分类方法、装置、设备和介质 |
CN110781317B (zh) * | 2019-10-29 | 2022-03-01 | 北京明略软件系统有限公司 | 事件图谱的构建方法、装置及电子设备 |
-
2020
- 2020-03-31 CN CN202010246962.0A patent/CN111459959B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033880A (zh) * | 2009-09-29 | 2011-04-27 | 国际商业机器公司 | 基于结构化数据集合的标注方法和装置 |
WO2015084756A1 (en) * | 2013-12-02 | 2015-06-11 | Qbase, LLC | Event detection through text analysis using trained event template models |
CN108563655A (zh) * | 2017-12-28 | 2018-09-21 | 北京百度网讯科技有限公司 | 基于文本的事件识别方法和装置 |
CN109582954A (zh) * | 2018-01-24 | 2019-04-05 | 广州数知科技有限公司 | 用于输出信息的方法和装置 |
CN110309273A (zh) * | 2018-03-09 | 2019-10-08 | 北京国双科技有限公司 | 问答方法和装置 |
CN110543574A (zh) * | 2019-08-30 | 2019-12-06 | 北京百度网讯科技有限公司 | 一种知识图谱的构建方法、装置、设备及介质 |
Non-Patent Citations (3)
Title |
---|
Graph modeling based video event detection;Najib Ben Aoun 等;《2011 International Conference on Innovations in Information Technology》;全文 * |
基于语义关系图的新闻事件聚类算法研究与应用;刘智康;《中国优秀硕士学位论文全文数据库》;全文 * |
社交媒体热点检测与追踪技术研究;刘培磊;《中国博士学位论文全文数据库》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111459959A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107491534B (zh) | 信息处理方法和装置 | |
CN112131366B (zh) | 训练文本分类模型及文本分类的方法、装置及存储介质 | |
US11544474B2 (en) | Generation of text from structured data | |
KR20210092147A (ko) | 텍스트의 엔티티 포커스의 마이닝 방법 및 장치 | |
CN111930792B (zh) | 数据资源的标注方法、装置、存储介质及电子设备 | |
US11651015B2 (en) | Method and apparatus for presenting information | |
CN112188312B (zh) | 用于确定新闻的视频素材的方法和装置 | |
CN114385780B (zh) | 程序接口信息推荐方法、装置、电子设备和可读介质 | |
CN112926308B (zh) | 匹配正文的方法、装置、设备、存储介质以及程序产品 | |
CN113360660B (zh) | 文本类别识别方法、装置、电子设备和存储介质 | |
CN111459959B (zh) | 用于更新事件集合的方法和装置 | |
CN111813993A (zh) | 视频内容的拓展方法、装置、终端设备及存储介质 | |
CN112528654A (zh) | 自然语言处理方法、装置及电子设备 | |
CN111382563A (zh) | 文本相关性的确定方法及装置 | |
CN111460296A (zh) | 用于更新事件集合的方法和装置 | |
CN117744662A (zh) | 用于处理提示信息的方法、装置、电子设备及介质 | |
CN111126073B (zh) | 语义检索方法和装置 | |
US11663251B2 (en) | Question answering approach to semantic parsing of mathematical formulas | |
CN111368036B (zh) | 用于搜索信息的方法和装置 | |
CN112182179B (zh) | 实体问答处理方法、装置、电子设备和存储介质 | |
CN114691836A (zh) | 文本的情感倾向性分析方法、装置、设备及介质 | |
CN114330296A (zh) | 新词发现方法、装置、设备以及存储介质 | |
CN117131152B (zh) | 信息存储方法、装置、电子设备和计算机可读介质 | |
JP7527581B1 (ja) | 情報処理システム、情報処理装置、情報処理方法及びプログラム | |
CN114385781B (zh) | 基于语句模型的接口文件推荐方法、装置、设备和介质 |
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 |