CN111522887B - 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 PDFInfo
- Publication number
- CN111522887B CN111522887B CN202010259283.7A CN202010259283A CN111522887B CN 111522887 B CN111522887 B CN 111522887B CN 202010259283 A CN202010259283 A CN 202010259283A CN 111522887 B CN111522887 B CN 111522887B
- Authority
- CN
- China
- Prior art keywords
- entity
- matrix
- target
- tail
- head
- 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
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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了用于输出信息的方法和装置,涉及知识图谱领域。上述方法的一具体实施方式包括:获取目标实体和目标关系;根据所述目标实体、所述目标关系以及预先训练的实体预测模型,确定与所述目标实体存在所述目标关系的预测实体,其中,所述实体预测模型用于表征目标实体、目标关系与预测实体的对应关系;将所述预测实体输出。该实施方式可以提升知识图谱的关系事实覆盖率,更能够满足用户的搜索需求。
Description
技术领域
本申请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
大规模知识图谱正在驱动各个领域的人工智能算法不断进步,带来应用业务效果指标和用户体验的不断提升。例如,搜索引擎公司将大规模知识图谱应用在搜索引擎中,展现给用户融合了结构化知识的网页,大幅提升了用户的搜索体验。
尽管大规模知识图谱以三元组(<头实体,关系,尾实体>)的形式存储了海量的知识,目前的知识图谱并不是完整的,存在大量的缺失和错误。这些缺失和错误会极大限制知识图谱的应用能力。
发明内容
本申请实施例提出了用于输出信息的方法和装置。
第一方面,本申请实施例提供了一种用于输出信息的方法,包括:获取目标实体和目标关系;根据上述目标实体、上述目标关系以及预先训练的实体预测模型,确定与上述目标实体存在上述目标关系的预测实体,其中,上述实体预测模型用于表征目标实体、目标关系与预测实体的对应关系;将上述预测实体输出。
在一些实施例中,上述根据上述目标实体、上述目标关系以及预先训练的实体预测模型,确定与上述目标实体存在上述目标关系的预测实体,包括:确定上述目标实体对应的第一矩阵、上述目标关系对应的第二矩阵和第三矩阵;将上述第一矩阵、上述第二矩阵和上述第三矩阵输入上述实体预测模型,确定上述预测实体。
在一些实施例中,上述将上述第一矩阵、上述第二矩阵和上述第三矩阵输入上述实体预测模型,确定上述预测实体,包括:获取候选实体矩阵集合;对于上述候选实体矩阵集合中的每个候选实体矩阵,根据该候选实体矩阵、上述第一矩阵、上述第二矩阵以及上述第三矩阵,确定预设的距离函数的取值;根据上述取值,从上述候选实体矩阵集合中确定出目标实体矩阵;根据上述目标实体矩阵,确定上述预测实体。
在一些实施例中,上述实体预测模型包括头实体预测子模型和尾实体预测子模型,上述头实体预测子模型用于表征预测头实体与目标实体、目标关系之间的对应关系,上述尾实体预测子模型用于表征目标实体、目标关系与预测尾实体之间的对应关系;以及上述将上述第一矩阵、上述第二矩阵和上述第三矩阵输入上述实体预测模型,确定上述预测实体,包括:响应于确定上述目标实体为头实体,将上述第一矩阵以及上述第二矩阵输入上述尾实体预测子模型,得到预测尾实体;响应于确定上述目标实体为尾实体,将上述第一矩阵以及上述第三矩阵输入上述头实体预测子模型,得到预测头实体。
在一些实施例中,上述根据该候选实体矩阵、上述第一矩阵、上述第二矩阵以及上述第三矩阵,确定预设的距离函数的取值,包括:响应于确定上述目标实体为头实体,根据该候选实体矩阵、上述第一矩阵、上述第二矩阵,确定上述尾实体预测子模型对应的第一距离函数的取值;响应于确定上述目标实体为尾实体,根据该候选实体矩阵、上述第一矩阵、上述第三矩阵,确定上述头实体预测子模型对应的第二距离函数的取值。
在一些实施例中,上述实体预测模型通过以下训练步骤得到:获取训练样本集合,其中,上述训练样本集合包括正样本和负样本,上述正样本包括正确的头实体、正确的尾实体以及正确的关系,上述负样本包括错误的头实体、正确的尾实体以及正确的关系或包括正确的头实体、错误的尾实体以及正确的关系;将上述正样本和上述负样本中的头实体及关系作为输入,将上述正样本和上述负样本中的尾实体作为期望输出,在预设的训练终止条件满足时,得到上述尾实体预测子模型;将上述正样本和上述负样本中的关系及尾实体作为输入,将上述正样本和上述负样本中的头实体作为期望输出,在上述训练终止条件满足时,得到上述头实体预测子模型。
在一些实施例中,上述训练终止条件包括:上述实体预测模型的损失函数收敛值不再降低;或者训练迭代次数等于预先设置的最大迭代次数。
在一些实施例中,上述损失函数包括与上述头实体预测子模型对应的第一损失函数、与上述尾实体预测子模型对应的第二损失函数以及正则函数。
第二方面,本申请实施例提供了一种用于输出信息的装置,包括:获取单元,被配置成获取目标实体和目标关系;预测单元,被配置成根据上述目标实体、上述目标关系以及预先训练的实体预测模型,确定与上述目标实体存在上述目标关系的预测实体,其中,上述实体预测模型用于表征目标实体、目标关系与预测实体的对应关系;输出单元,被配置成将上述预测实体输出。
在一些实施例中,上述预测单元包括:矩阵确定模块,被配置成确定上述目标实体对应的第一矩阵、上述目标关系对应的第二矩阵和第三矩阵;实体预测模块,被配置成将上述第一矩阵、上述第二矩阵和上述第三矩阵输入上述实体预测模型,确定上述预测实体。
在一些实施例中,上述实体预测模块进一步被配置成:获取候选实体矩阵集合;对于上述候选实体矩阵集合中的每个候选实体矩阵,根据该候选实体矩阵、上述第一矩阵、上述第二矩阵以及上述第三矩阵,确定预设的距离函数的取值;根据上述取值,从上述候选实体矩阵集合中确定出目标实体矩阵;根据上述目标实体矩阵,确定上述预测实体。
在一些实施例中,上述实体预测模型包括头实体预测子模型和尾实体预测子模型,上述头实体预测子模型用于表征预测头实体与目标实体、目标关系之间的对应关系,上述尾实体预测子模型用于表征目标实体、目标关系与预测尾实体之间的对应关系;以及上述实体预测模块进一步被配置成:响应于确定上述目标实体为头实体,将上述第一矩阵以及上述第二矩阵输入上述尾实体预测子模型,得到预测尾实体;响应于确定上述目标实体为尾实体,将上述第一矩阵以及上述第三矩阵输入上述头实体预测子模型,得到预测头实体。
在一些实施例中,上述实体预测模块进一步被配置成:响应于确定上述目标实体为头实体,根据该候选实体矩阵、上述第一矩阵、上述第二矩阵,确定上述尾实体预测子模型对应的第一距离函数的取值;响应于确定上述目标实体为尾实体,根据该候选实体矩阵、上述第一矩阵、上述第三矩阵,确定上述头实体预测子模型对应的第二距离函数的取值。
在一些实施例中,上述装置还包括训练单元,被配置成:获取训练样本集合,其中,上述训练样本集合包括正样本和负样本,上述正样本包括正确的头实体、正确的尾实体以及正确的关系,上述负样本包括错误的头实体、正确的尾实体以及正确的关系或包括正确的头实体、错误的尾实体以及正确的关系;将上述正样本和上述负样本中的头实体及关系作为输入,将上述正样本和上述负样本中的尾实体作为期望输出,在预设的训练终止条件满足时,得到上述尾实体预测子模型;将上述正样本和上述负样本中的关系及尾实体作为输入,将上述正样本和上述负样本中的头实体作为期望输出,在上述训练终止条件满足时,得到上述头实体预测子模型。
在一些实施例中,上述训练终止条件包括:上述实体预测模型的损失函数收敛值不再降低;或者训练迭代次数等于预先设置的最大迭代次数。
在一些实施例中,上述损失函数包括与上述头实体预测子模型对应的第一损失函数、与上述尾实体预测子模型对应的第二损失函数以及正则函数。
第三方面,本申请实施例提供了一种服务器,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任一实施例所描述的方法。
第四方面,本申请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任一实施例所描述的方法。
本申请的上述实施例提供的用于输出信息的方法和装置,首先可以获取目标实体和目标关系。然后,可以根据目标实体、目标关系以及预先训练的实体预测模型,确定与目标实体存在目标关系的预测实体。其中,实体预测模型用于表征目标实体、目标关系与预测实体的对应关系。最后,将预测实体输出。本实施例的方法,可以提升知识图谱的关系事实覆盖率,更能够满足用户的搜索需求。
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是根据本申请的用于输出信息的方法的一个实施例的流程图;
图3是根据本申请的用于输出信息的方法的一个应用场景的示意图;
图4是根据本申请的用于输出信息的方法的另一个实施例的流程图;
图5是根据本申请的用于输出信息的方法中训练实体预测模型的的流程图;
图6是根据本申请的用于输出信息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实施例的服务器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网页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、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上显示的网页提供支持的后台服务器。后台服务器可以对接收到的目标实体以及目标关系等数据进行分析等处理,并将处理结果(例如预测实体)反馈给终端设备101、102、103。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105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105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。
需要说明的是,本申请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,示出了根据本申请的用于输出信息的方法的一个实施例的流程200。本实施例的用于输出信息的方法,包括以下步骤:
步骤201,获取目标实体和目标关系。
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105)可以通过有线连接方式或者无线连接方式获取目标实体和目标关系。例如,用户可以通过使用的终端输入目标实体和目标关系。然后,终端将上述目标实体和目标关系发送给执行主体。上述目标实体可以是任意实体,例如可以为公司名称、影视剧名称、人名等等。目标关系可以是实体间具有的任意关系,例如主演、职员、导演等等。
步骤202,根据目标实体、目标关系以及预先训练的实体预测模型,确定与目标实体存在目标关系的预测实体。
执行主体在获取到目标实体以及目标关系后,可以结合预先训练的实体预测模型,来确定与目标实体存在目标关系的预测实体。这里,实体预测模型用于表征目标实体、目标关系与预测实体的对应关系。实体预测模型可以是知识图谱,也可以是包括实体与实体间的关系的列表,还可以是深度学习算法。执行主体可以根据目标实体以及目标关系,查询知识图谱以得到预测实体。还可以将目标实体以及目标关系输入上述深度学习算法,得到输出的预测实体。
步骤203,将预测实体输出。
本实施例中,执行主体在得到预测实体后,可以将预测实体输出。在一些可选的实现方式中,执行主体可以输出包括预测实体的搜索结果网页。这样,可以提升用户的搜索体验。
继续参见图3,图3是根据本实施例的用于输出信息的方法的一个应用场景的示意图。在图3的应用场景中,用户在手机中安装的搜索应用程序中搜索电视剧A(如页面30所示),搜索结果页面中显示包括电视剧A的概览剧情,播放来源是B网站,演员有C和D(如页面31所示)。用户点击C的链接后,会跳转到关于演员C的网页,上述网页中包括演员C的年龄、搭档、影视作品等等(如页面32所示)。
本申请的上述实施例提供的用于输出信息的方法,首先可以获取目标实体和目标关系。然后,可以根据目标实体、目标关系以及预先训练的实体预测模型,确定与目标实体存在目标关系的预测实体。其中,实体预测模型用于表征目标实体、目标关系与预测实体的对应关系。最后,将预测实体输出。本实施例的方法,可以提升知识图谱的关系事实覆盖率,更能够满足用户的搜索需求。
继续参见图4,其示出了根据本申请的用于输出信息的方法的另一个实施例的流程400。如图4所示,本实施例的用于输出信息的方法,可以包括以下步骤:
步骤401,获取目标实体和目标关系。
步骤402,确定目标实体对应的第一矩阵、目标关系对应的第二矩阵和第三矩阵。
本实施例中,执行主体在获取到目标实体和目标关系后,可以确定目标实体对应的第一矩阵和目标关系对应的第二矩阵、第三矩阵。具体的,执行主体可以随机生成上述第一矩阵、第二矩阵和第三矩阵。或者,执行主体可以根据实体与矩阵的对应关系,从预先设置的矩阵数组中查找第一矩阵。同样的,执行主体也可以根据关系与矩阵的对应关系,从预先设置的矩阵数组中查找第二矩阵和第三矩阵。
执行主体在得到第一矩阵、第二矩阵和第三矩阵后,可以分别将第一矩阵、第二矩阵和第三矩阵输入预先设置的实体预测模型中,得到预测实体的矩阵。上述实体预测模型可以用于表征第一矩阵、第二矩阵、第三矩阵与预测实体的矩阵之间的对应关系。执行主体可以根据预测实体的矩阵,结合实体与矩阵的对应关系,来确定预测实体。
在本实施例的一些可选的实现方式中,实体预测模型包括头实体预测子模型和尾实体预测子模型。其中,头实体预测子模型用于表征预测头实体与目标实体、目标关系之间的对应关系,尾实体预测子模型用于表征目标实体、目标关系与预测尾实体之间的对应关系。
如果目标实体为头实体,则执行主体可以将第一矩阵和第二矩阵输入尾实体预测子模型,得到预测尾实体。如果目标实体为尾实体,则执行主体可以将第一矩阵和第三矩阵输入头实体预测子模型,得到预测头实体。
本实现方式中,执行主体可以首先判断目标实体为头实体还是尾实体。具体的,执行主体可以根据目标实体的标签来判断目标实体到底是头实体好还是尾实体。如果目标实体为头实体,则说明需要预测尾实体,需要将目标实体以及目标关系输入尾实体预测子模型,可以得到预测尾实体。如果目标实体为尾实体,则说明需要预测头实体,则将目标实体以及目标关系输入头实体预测子模型,可以得到预测头实体。
本实现方式通过将目标实体以及目标关系输入头实体预测子模型和尾实体预测子模型,可以提高头实体或尾实体预测的准确性。
步骤403,获取候选实体矩阵集合。
执行主体在得到第一矩阵、第二矩阵和第三矩阵后,可以获取候选实体矩阵集合。上述候选实体可以是头实体,也可以是尾实体。执行主体可以从知识图谱中获取上述候选实体。具体的,执行主体可以将知识图谱中的所有实体可以作为候选实体,或者将知识图谱中某一类型的实体作为候选实体。执行主体在获取候选实体后,可以确定候选实体矩阵,得到候选实体矩阵集合。执行主体可以通过实体与矩阵的对应关系,确定候选实体对应的矩阵,即可得到候选实体矩阵集合。
步骤404,对于候选实体矩阵集合中的每个候选实体矩阵,根据该候选实体矩阵、第一矩阵、第二矩阵以及第三矩阵,确定预设的距离函数的取值。
执行主体在得到候选实体矩阵集合后,对于其中的每个候选实体矩阵,执行主体可以根据该候选实体矩阵以及上述第一矩阵、第二矩阵、第三矩阵,确定预设的距离函数的取值。具体的,执行主体可以将上述候选实体矩阵以及上述第一矩阵、第二矩阵、第三矩阵中的各值代入上述距离函数。上述距离函数可以是第一矩阵、第二矩阵、第三矩阵以及候选实体矩阵的函数。
在本实施例的一些可选的实现方式中,实体预测模型包括头实体预测子模型和尾实体预测子模型。则此处的距离函数可以包括第一距离函数和第二距离函数。其中,第一距离函数对应头实体预测子模型,第二距离函数对应尾实体预测子模型。
如果目标实体为头实体,则执行主体可以根据候选实体矩阵、第一矩阵、第二矩阵,确定尾实体预测子模型对应的第一距离函数的取值。然后,将上述取值中的最小值对应的候选实体矩阵作为目标实体矩阵。如果目标实体为尾实体,则执行主体可以根据候选实体矩阵、第一矩阵、第三矩阵,确定头实体预测子模型对应的第二距离函数的取值。具体的,执行主体可以分别将对应的各矩阵的值代入上述第一距离函数和第二距离函数,得到各候选实体矩阵对应的第一距离值、第二距离值。
在一些具体的应用中,第一距离函数可以由以下公式来表示:
d(h,r,t)=|RH-T|F。
其中,R表示第二矩阵,H表示头实体对应的矩阵,T表示尾实体对应的矩阵。如果目标实体为头实体,则H表示第一矩阵,T表示候选实体矩阵。如果目标实体为尾实体,则H表示候选实体矩阵,T表示第一矩阵。|RH-T|F表示矩阵RH-T的F范数。
第二距离函数可以由以下公式来表示:
f(h,r,t)=|R′H-T|F。
其中,R’表示第三矩阵,H表示头实体对应的矩阵,T表示尾实体对应的矩阵。如果目标实体为头实体,则H表示第一矩阵,T表示候选实体矩阵。如果目标实体为尾实体,则H表示候选实体矩阵,T表示第一矩阵。|R′H-T|F表示矩阵R′H-T的F范数。
步骤405,根据取值,从候选实体矩阵集合中确定出目标实体矩阵。
执行主体在得到各取值后,可以从候选实体矩阵集合中确定出目标实体矩阵。具体的,执行主体可以从各取值中确定距离最小值,将最小值对应的候选实体矩阵作为目标实体矩阵。
在本实施例的一些可选的实现方式中,执行主体可以从各候选实体矩阵对应的各第一距离值中确定出第一最小值,并将上述第一最小值对应的候选实体矩阵作为预测尾实体对应的矩阵。同样的,执行主体可以从各候选实体矩阵对应的各第二距离值中确定出第二最小值,并将上述第二最小值对应的候选实体矩阵作为预测头实体对应的矩阵。
步骤406,根据目标实体矩阵,确定预测实体。
本实施例中,执行主体在得到目标实体矩阵后,可以根据矩阵与实体的对应关系,确定预测实体。
本申请的上述实施例提供的用于输出信息的方法,可以根据目标实体对应的第一矩阵、目标关系对应的第二矩阵或第三矩阵,从候选实体矩阵集合中确定出目标实体矩阵,进而确定出预测实体,从而弥补了知识图谱中针对某些关系的缺失,提高了用户的搜索体验。
继续参见图5,其示出了根据本申请的用于输出信息的方法中训练实体预测模型的流程500。本实施例中,实体预测模型包括头实体预测子模型和尾实体预测子模型。需要说明的是,训练实体预测模型的执行主体与本实施例的用于输出信息的方法的执行主体可以相同,也可以不同。在二者不相同的情况下,训练实体预测模型的执行主体可以将训练得到的实体预测模型发送给用于输出信息的方法的执行主体。
如图5所示,本实施例中,可以通过以下步骤训练得到头实体预测子模型和尾实体预测子模型:
步骤501,获取训练样本集合。
本实施例中,上述训练样本集合包括正样本和负样本。上述正样本中包括正确的头实体、正确的尾实体以及正确的关系。上述负样本中包括错误的头实体、正确的尾实体以及正确的关系或包括正确的头实体、错误的尾实体以及正确的关系。上述正样本可以从知识图谱中提取出来。上述负样本可以由上述正样本变换得到,例如,执行主体可以将正样本中的正确的头实体随机替换为其它的头实体,得到负样本。或者,执行主体可以将正样本中的正确的尾实体随机替换为其它的尾实体,得到负样本。
步骤502,将正样本和负样本中的头实体及关系作为输入,将正样本和负样本中的尾实体作为期望输出,在预设的训练终止条件满足时,得到尾实体预测子模型。
执行主体在得到正样本和负样本后,可以将正样本和负样本中的头实体及关系作为输入,将正样本和负样本中的尾实体作为期望输出,并监测预设的训练终止条件是否满足。如果满足,则终止训练,得到尾实体预测子模型。
步骤503,将正样本和负样本中的关系及尾实体作为输入,将正样本和负样本中的头实体作为期望输出,在训练终止条件满足时,得到头实体预测子模型。
执行主体还可以正样本和负样本中的关系及尾实体作为输入,将正样本和负样本中的头实体作为期望输出,并监测预设的训练终止条件是否满足。如果满足,则终止训练,得到头实体预测子模型。
具体的,执行主体可以预先设置头实体预测子模型和尾实体预测子模型中的参数。然后,将上述正样本和负样本分批注入上述实体预测模型,并计算上述实体预测模型的损失函数,并使用随机梯度下降算法更新头实体、尾实体和关系的矩阵参数。然后,重复上述注入和损失函数的计算步骤,直到损失函数收敛不再降低或者训练迭代次数超过预先设置的最大迭代次数,条件满足时停止训练,得到头实体预测子模型和尾实体预测子模型。
在本实施例的一些可选的实现方式中,上述训练终止条件包括:实体预测模型的损失函数收敛值不再降低;或者训练迭代次数等于预先设置的最大迭代次数。
本实现方式中,执行主体可以监测实体预测模型的损失函数收敛值,如果上述收敛值不再降低,说明继续迭代训练效果不会更好,所以可以停止训练。或者,执行主体确定训练的迭代次数等于预先设置的最大迭代次数,也会停止训练。
在本实施例的一些可选的实现方式中,上述损失函数可以包括头实体预测子模型对应的第一损失函数、尾实体预测子模型对应的第二损失函数以及正则函数。
本实现方式中,第一损失函数可以通过以下公式来表示:
其中,γ表示正样本和负样本之间的学习间隔,是模型的超参数;是sigmoid激活函数;k是负采样的个数;hi′表示第i个采样的负样本的头实体,通过把三元组(h,r,t)的头实体h替换成知识图谱中随机采样的一个实体得到。d(h,r,t)是第一距离函数。
第二损失函数可以通过以下公式来表示:
其中,t′i表示第i个采样的负样本的尾实体,通过把三元组(h,r,t)的尾实体t替换成知识图谱中随机采样的一个实体得到。f(h,r,t)是第二距离函数。
正则函数可以通过以下公式来表示:
Lreg=|W⊙W-W|F+·|W′⊙W′-W′|F。
其中,W=RTR,W′=R′T R′,⊙表示矩阵之间元素的乘积。
实体预测模型的损失函数为:
L=Ll+L2+λLreg。
其中,λ为正则函数的系数。该正则函数鼓励关系矩阵R的列向量相互正交且列向量的范数为1,可以防止模型的过拟合。如果模型的损失函数L中不包括正则项,则上述模型在训练集上会表现很好,但在测试集的预测性能较差。
可以理解的是,在模型训练的过程中,头实体对应的矩阵、关系对应的矩阵以及尾实体对应的矩阵都会随时更新,在模型训练完成后,执行主体可以保存更新后的矩阵以及模型中的各参数。上述各参数可以包括γ、λ和k。执行主体可以将上述内容上传到云端,并将上述内容作为配置内容发送给各电子设备,这样,各电子设备通过获取配置内容就可以获取训练好的模型。
本申请的上述实施例提供的用于输出信息的方法,可以同时训练头实体预测子模型和尾实体预测子模型,并且能够防止模型的过拟合。同时,训练样本的获取方式也比较简单,不需要人工获取。
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6所示,本实施例的用于输出信息的装置600包括:获取单元601、预测单元602以及输出单元603。
获取单元601,被配置成获取目标实体和目标关系。
预测单元602,被配置成根据目标实体、目标关系以及预先训练的实体预测模型,确定与目标实体存在目标关系的预测实体。其中,实体预测模型用于表征目标实体、目标关系与预测实体的对应关系;
输出单元603,被配置成将预测实体输出。
在本实施例的一些可选的实现方式中,预测单元602可以进一步包括图6中未示出的:矩阵确定模块和实体预测模块。
矩阵确定模块,被配置成确定目标实体对应的第一矩阵、目标关系对应的第二矩阵和第三矩阵;
实体预测模块,被配置成将第一矩阵、第二矩阵和第三矩阵输入实体预测模型,确定预测实体。
在本实施例的一些可选的实现方式中,实体预测模块进一步被配置成:获取候选实体矩阵集合;对于候选实体矩阵集合中的每个候选实体矩阵,根据该候选实体矩阵、第一矩阵、第二矩阵以及第三矩阵,确定预设的距离函数的取值;根据取值,从候选实体矩阵集合中确定出目标实体矩阵;根据目标实体矩阵,确定预测实体。
在本实施例的一些可选的实现方式中,实体预测模型包括头实体预测子模型和尾实体预测子模型,头实体预测子模型用于表征预测头实体与目标实体、目标关系之间的对应关系,尾实体预测子模型用于表征目标实体、目标关系与预测尾实体之间的对应关系。实体预测模块进一步被配置成:响应于确定目标实体为头实体,将第一矩阵以及第二矩阵输入尾实体预测子模型,得到预测尾实体;响应于确定目标实体为尾实体,将第一矩阵以及第三矩阵输入头实体预测子模型,得到预测头实体。
在本实施例的一些可选的实现方式中,实体预测模块进一步被配置成:响应于确定所述目标实体为头实体,根据该候选实体矩阵、第一矩阵、第二矩阵,确定尾实体预测子模型对应的第一距离函数的取值;响应于确定目标实体为尾实体,根据该候选实体矩阵、第一矩阵、第三矩阵,确定头实体预测子模型对应的第二距离函数的取值。
在本实施例的一些可选的实现方式中,装置600还可以包括图6中未示出的训练单元,被配置成:获取训练样本集合,其中,训练样本集合包括正样本和负样本,正样本包括正确的头实体、正确的尾实体以及正确的关系,负样本包括错误的头实体、正确的尾实体以及正确的关系或包括正确的头实体、错误的尾实体以及正确的关系;将正样本和负样本中的头实体及关系作为输入,将正样本和负样本中的尾实体作为期望输出,在预设的训练终止条件满足时,得到尾实体预测子模型;将正样本和负样本中的关系及尾实体作为输入,将正样本和负样本中的头实体作为期望输出,在训练终止条件满足时,得到头实体预测子模型。
在本实施例的一些可选的实现方式中,训练终止条件包括:实体预测模型的损失函数收敛值不再降低;或者训练迭代次数等于预先设置的最大迭代次数。
在本实施例的一些可选的实现方式中,损失函数包括与头实体预测子模型对应的第一损失函数、与尾实体预测子模型对应的第二损失函数以及正则函数。
应当理解,用于输出信息的装置600中记载的单元601至单元603分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对用于输出信息的方法描述的操作和特征同样适用于装置600及其中包含的单元,在此不再赘述。
下面参考图7,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)700的结构示意图。图7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7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)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装置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,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703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。
通常,以下装置可以连接至I/O接口705: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706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,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7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709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701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:获取目标实体和目标关系;根据目标实体、目标关系以及预先训练的实体预测模型,确定与目标实体存在目标关系的预测实体,其中,实体预测模型用于表征目标实体、目标关系与预测实体的对应关系;将预测实体输出。
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、预测单元和输出单元。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“获取目标实体和目标关系的单元”。
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,本公开的实施例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。例如上述特征与本公开的实施例中公开的(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:
获取目标实体和目标关系;
根据所述目标实体、所述目标关系以及预先训练的实体预测模型,确定与所述目标实体存在所述目标关系的预测实体,其中,所述实体预测模型用于表征目标实体、目标关系与预测实体的对应关系;
将所述预测实体输出;所述根据所述目标实体、所述目标关系以及预先训练的实体预测模型,确定与所述目标实体存在所述目标关系的预测实体,包括:
确定所述目标实体对应的第一矩阵、所述目标关系对应的第二矩阵和第三矩阵;
将所述第一矩阵、所述第二矩阵和所述第三矩阵输入所述实体预测模型,确定所述预测实体包括:
获取候选实体矩阵集合包括:从知识图谱中获取候选实体,通过实体与矩阵的对应关系,得到候选实体矩阵集合;
对于所述候选实体矩阵集合中的每个候选实体矩阵,根据该候选实体矩阵、所述第一矩阵、所述第二矩阵以及所述第三矩阵,确定预设的距离函数的取值;
根据所述取值,从所述候选实体矩阵集合中确定出目标实体矩阵;
根据所述目标实体矩阵,确定所述预测实体。
2.根据权利要求1所述的方法,其中,所述实体预测模型包括头实体预测子模型和尾实体预测子模型,所述头实体预测子模型用于表征预测头实体与目标实体、目标关系之间的对应关系,所述尾实体预测子模型用于表征目标实体、目标关系与预测尾实体之间的对应关系;以及
所述将所述第一矩阵、所述第二矩阵和所述第三矩阵输入所述实体预测模型,确定所述预测实体,包括:
响应于确定所述目标实体为头实体,将所述第一矩阵以及所述第二矩阵输入所述尾实体预测子模型,得到预测尾实体;
响应于确定所述目标实体为尾实体,将所述第一矩阵以及所述第三矩阵输入所述头实体预测子模型,得到预测头实体。
3.根据权利要求2所述的方法,其中,所述根据该候选实体矩阵、所述第一矩阵、所述第二矩阵以及所述第三矩阵,确定预设的距离函数的取值,包括:
响应于确定所述目标实体为头实体,根据该候选实体矩阵、所述第一矩阵、所述第二矩阵,确定所述尾实体预测子模型对应的第一距离函数的取值;
响应于确定所述目标实体为尾实体,根据该候选实体矩阵、所述第一矩阵、所述第三矩阵,确定所述头实体预测子模型对应的第二距离函数的取值。
4.根据权利要求2所述的方法,其中,所述实体预测模型通过以下训练步骤得到:
获取训练样本集合,其中,所述训练样本集合包括正样本和负样本,所述正样本包括正确的头实体、正确的尾实体以及正确的关系,所述负样本包括错误的头实体、正确的尾实体以及正确的关系或包括正确的头实体、错误的尾实体以及正确的关系;
将所述正样本和所述负样本中的头实体及关系作为输入,将所述正样本和所述负样本中的尾实体作为期望输出,在预设的训练终止条件满足时,得到所述尾实体预测子模型;
将所述正样本和所述负样本中的关系及尾实体作为输入,将所述正样本和所述负样本中的头实体作为期望输出,在所述训练终止条件满足时,得到所述头实体预测子模型。
5.根据权利要求4所述的方法,其中,所述训练终止条件包括:
所述实体预测模型的损失函数收敛值不再降低;或者
训练迭代次数等于预先设置的最大迭代次数。
6.根据权利要求5所述的方法,其中,所述损失函数包括与所述头实体预测子模型对应的第一损失函数、与所述尾实体预测子模型对应的第二损失函数以及正则函数。
7.一种用于输出信息的装置,包括:
获取单元,被配置成获取目标实体和目标关系;
预测单元,被配置成根据所述目标实体、所述目标关系以及预先训练的实体预测模型,确定与所述目标实体存在所述目标关系的预测实体,其中,所述实体预测模型用于表征目标实体、目标关系与预测实体的对应关系;
输出单元,被配置成将所述预测实体输出;所述预测单元包括:
矩阵确定模块,被配置成确定所述目标实体对应的第一矩阵、所述目标关系对应的第二矩阵和第三矩阵;
实体预测模块,被配置成将所述第一矩阵、所述第二矩阵和所述第三矩阵输入所述实体预测模型,确定所述预测实体;所述实体预测模块进一步被配置成:
获取候选实体矩阵集合包括:从知识图谱中获取候选实体,通过实体与矩阵的对应关系,得到候选实体矩阵集合;
对于所述候选实体矩阵集合中的每个候选实体矩阵,根据该候选实体矩阵、所述第一矩阵、所述第二矩阵以及所述第三矩阵,确定预设的距离函数的取值;
根据所述取值,从所述候选实体矩阵集合中确定出目标实体矩阵;
根据所述目标实体矩阵,确定所述预测实体。
8.根据权利要求7所述的装置,其中,所述实体预测模型包括头实体预测子模型和尾实体预测子模型,所述头实体预测子模型用于表征预测头实体与目标实体、目标关系之间的对应关系,所述尾实体预测子模型用于表征目标实体、目标关系与预测尾实体之间的对应关系;以及
所述实体预测模块进一步被配置成:
响应于确定所述目标实体为头实体,将所述第一矩阵以及所述第二矩阵输入所述尾实体预测子模型,得到预测尾实体;
响应于确定所述目标实体为尾实体,将所述第一矩阵以及所述第三矩阵输入所述头实体预测子模型,得到预测头实体。
9.根据权利要求8所述的装置,其中,所述实体预测模块进一步被配置成:
响应于确定所述目标实体为头实体,根据该候选实体矩阵、所述第一矩阵、所述第二矩阵,确定所述尾实体预测子模型对应的第一距离函数的取值;
响应于确定所述目标实体为尾实体,根据该候选实体矩阵、所述第一矩阵、所述第三矩阵,确定所述头实体预测子模型对应的第二距离函数的取值。
10.根据权利要求8所述的装置,其中,所述装置还包括训练单元,被配置成:
获取训练样本集合,其中,所述训练样本集合包括正样本和负样本,所述正样本包括正确的头实体、正确的尾实体以及正确的关系,所述负样本包括错误的头实体、正确的尾实体以及正确的关系或包括正确的头实体、错误的尾实体以及正确的关系;
将所述正样本和所述负样本中的头实体及关系作为输入,将所述正样本和所述负样本中的尾实体作为期望输出,在预设的训练终止条件满足时,得到所述尾实体预测子模型;
将所述正样本和所述负样本中的关系及尾实体作为输入,将所述正样本和所述负样本中的头实体作为期望输出,在所述训练终止条件满足时,得到所述头实体预测子模型。
11.根据权利要求10所述的装置,其中,所述训练终止条件包括:
所述实体预测模型的损失函数收敛值不再降低;或者
训练迭代次数等于预先设置的最大迭代次数。
12.根据权利要求11所述的装置,其中,所述损失函数包括与所述头实体预测子模型对应的第一损失函数、与所述尾实体预测子模型对应的第二损失函数以及正则函数。
13.一种服务器,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,该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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010259283.7A CN111522887B (zh) | 2020-04-03 | 2020-04-03 | 用于输出信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010259283.7A CN111522887B (zh) | 2020-04-03 | 2020-04-03 | 用于输出信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111522887A CN111522887A (zh) | 2020-08-11 |
CN111522887B true CN111522887B (zh) | 2023-09-12 |
Family
ID=71901760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010259283.7A Active CN111522887B (zh) | 2020-04-03 | 2020-04-03 | 用于输出信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111522887B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107391512A (zh) * | 2016-05-17 | 2017-11-24 | 北京邮电大学 | 知识图谱预测的方法和装置 |
CN108694201A (zh) * | 2017-04-10 | 2018-10-23 | 华为软件技术有限公司 | 一种实体对齐方法和装置 |
CN109558512A (zh) * | 2019-01-24 | 2019-04-02 | 广州荔支网络技术有限公司 | 一种基于音频的个性化推荐方法、装置和移动终端 |
CN109992670A (zh) * | 2019-04-04 | 2019-07-09 | 西安交通大学 | 一种基于知识图谱邻域结构的图谱完备化方法 |
CN110059160A (zh) * | 2019-04-17 | 2019-07-26 | 东南大学 | 一种端到端的基于上下文的知识库问答方法及装置 |
CN110515968A (zh) * | 2019-08-30 | 2019-11-29 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN110532368A (zh) * | 2019-09-04 | 2019-12-03 | 深圳前海达闼云端智能科技有限公司 | 问答方法、电子设备及计算机可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011014471A1 (en) * | 2009-07-27 | 2011-02-03 | Sensis Corporation | System and method for correlating past activities, determining hidden relationships and predicting future activities |
US20190042950A1 (en) * | 2017-08-01 | 2019-02-07 | Ca, Inc. | Learning computing activities and relationships using graphs |
US20190122111A1 (en) * | 2017-10-24 | 2019-04-25 | Nec Laboratories America, Inc. | Adaptive Convolutional Neural Knowledge Graph Learning System Leveraging Entity Descriptions |
CN108280061B (zh) * | 2018-01-17 | 2021-10-26 | 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 |
-
2020
- 2020-04-03 CN CN202010259283.7A patent/CN111522887B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107391512A (zh) * | 2016-05-17 | 2017-11-24 | 北京邮电大学 | 知识图谱预测的方法和装置 |
CN108694201A (zh) * | 2017-04-10 | 2018-10-23 | 华为软件技术有限公司 | 一种实体对齐方法和装置 |
CN109558512A (zh) * | 2019-01-24 | 2019-04-02 | 广州荔支网络技术有限公司 | 一种基于音频的个性化推荐方法、装置和移动终端 |
CN109992670A (zh) * | 2019-04-04 | 2019-07-09 | 西安交通大学 | 一种基于知识图谱邻域结构的图谱完备化方法 |
CN110059160A (zh) * | 2019-04-17 | 2019-07-26 | 东南大学 | 一种端到端的基于上下文的知识库问答方法及装置 |
CN110515968A (zh) * | 2019-08-30 | 2019-11-29 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN110532368A (zh) * | 2019-09-04 | 2019-12-03 | 深圳前海达闼云端智能科技有限公司 | 问答方法、电子设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
一种改进的基于翻译的知识图谱表示方法;方阳等;《计算机研究与发展》;第55卷(第1期);139-150 * |
Also Published As
Publication number | Publication date |
---|---|
CN111522887A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102342604B1 (ko) | 뉴럴 네트워크 생성 방법 및 장치 | |
CN110807515B (zh) | 模型生成方法和装置 | |
CN110321958B (zh) | 神经网络模型的训练方法、视频相似度确定方法 | |
CN111340221B (zh) | 神经网络结构的采样方法和装置 | |
CN111340220B (zh) | 用于训练预测模型的方法和装置 | |
CN111368973B (zh) | 用于训练超网络的方法和装置 | |
KR20200145641A (ko) | 정보 생성 방법 및 장치 | |
CN111783810B (zh) | 用于确定用户的属性信息的方法和装置 | |
CN110688528A (zh) | 生成视频的分类信息的方法、装置、电子设备和介质 | |
CN114780338A (zh) | 主机信息处理方法、装置、电子设备和计算机可读介质 | |
CN112966701A (zh) | 目标分类的方法和装置 | |
CN111353601A (zh) | 用于预测模型结构的延时的方法和装置 | |
CN112712795B (zh) | 标注数据确定方法、装置、介质及电子设备 | |
CN112241761B (zh) | 模型训练方法、装置和电子设备 | |
CN116258911A (zh) | 图像分类模型的训练方法、装置、设备及存储介质 | |
CN111522887B (zh) | 用于输出信息的方法和装置 | |
CN113255819B (zh) | 用于识别信息的方法和装置 | |
CN114511152A (zh) | 预测模型的训练方法和装置 | |
CN111310896B (zh) | 用于训练神经网络的方法和装置 | |
CN112395490B (zh) | 用于生成信息的方法和装置 | |
CN111353585A (zh) | 神经网络模型的结构搜索方法和装置 | |
CN111767290B (zh) | 用于更新用户画像的方法和装置 | |
CN109857838B (zh) | 用于生成信息的方法和装置 | |
CN117743555B (zh) | 答复决策信息发送方法、装置、设备和计算机可读介质 | |
CN115565607B (zh) | 确定蛋白质信息的方法、装置、可读介质及电子设备 |
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 |