CN111666416A - 用于生成语义匹配模型的方法和装置 - Google Patents
用于生成语义匹配模型的方法和装置 Download PDFInfo
- Publication number
- CN111666416A CN111666416A CN201910176885.3A CN201910176885A CN111666416A CN 111666416 A CN111666416 A CN 111666416A CN 201910176885 A CN201910176885 A CN 201910176885A CN 111666416 A CN111666416 A CN 111666416A
- Authority
- CN
- China
- Prior art keywords
- statement
- information
- matching model
- semantic matching
- matching
- 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
Images
Landscapes
- Machine Translation (AREA)
Abstract
本公开实施例公开了用于生成语义匹配模型的方法和装置。该方法的一具体实施方式包括:获取样本集;选取样本执行以下训练步骤:将选取的样本的第一语句和第二语句分别输入初始语义匹配模型的语句编码层,得到第一语句向量和第二语句向量;将第一语句向量和第二语句向量分别输入初始语义匹配模型的第一分类器,得到第一预测类别、第二预测类别;将第一语句向量和第二语句向量输入初始语义匹配模型的匹配层,得到预测匹配信息;将根据第一预测类别、第二预测类别、预测匹配信息与标注信息确定出达到预设的训练完成条件的初始语义匹配模型作为语义匹配模型。该实施方式联合训练语句分类和语义匹配两个任务,提升了语义匹配模型的性能。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于生成语义匹配模型的方法和装置。
背景技术
对很多行业来说,建设一个自动问答系统是一个非常热门的主题,在自动问答系统中一个关键的问题是,从自动问答知识库中检索出一个给定问题的最相似问题,这可以被重新定义为一个语义句子匹配问题。目前的方法都是采用的经典的句子匹配模型,将两个句子的关系建模为一个二分类问题,模型的训练数据样本是大量的标注了匹配/不匹配的句子对。这些现有的方法都忽略了训练数据样本间的关联性。
发明内容
本公开的实施例提出了用于生成语义匹配模型的方法和装置。
第一方面,本公开的实施例提供了一种用于生成语义匹配模型的方法,包括:获取样本集,其中,样本集中的样本包括第一语句、第二语句、标注信息;从样本集中选取样本,以及执行以下训练步骤:将选取的样本的第一语句和第二语句分别输入初始语义匹配模型的语句编码层,得到第一语句向量和第二语句向量;将第一语句向量和第二语句向量分别输入初始语义匹配模型的第一分类器,得到第一预测类别、第二预测类别;将第一语句向量和第二语句向量输入初始语义匹配模型的匹配层,得到预测匹配信息;根据第一预测类别、第二预测类别、预测匹配信息与标注信息确定出初始语义匹配模型是否达到预设的训练完成条件;若达到,则将初始语义匹配模型作为语义匹配模型。
在一些实施例中,该方法还包括:响应于确定出初始语义匹配模型未达到预设的训练完成条件,调整初始语义匹配模型中的相关参数,以及从样本集中重新选取样本,使用调整后的初始语义匹配模型继续执行训练步骤。
在一些实施例中,标注信息包括:第一语句的语义类别、第二语句的语义类别、第一语句和第二语句的匹配信息;以及根据第一预测类别、第二预测类别、预测匹配信息与标注信息确定出初始语义匹配模型是否达到预设的训练完成条件,包括:将第一预测类别和第一语句的语义类别进行分析,确定第一损失值;将第二预测类别和第二语句的语义类别进行分析,确定第二损失值;将第一语句与第二语句的匹配信息与预测匹配信息进行分析,确定第三损失值;将第一损失值、第二损失值和第三损失值的加权和与目标值进行比较;根据比较结果确定初始语义匹配模型是否达到预设的训练完成条件。
在一些实施例中,第一损失值和第二损失值的权重相等。
在一些实施例中,匹配层包括余弦相似度函数和第二分类器。
在一些实施例中,第一分类器为多分类分类器,第二分类器为二分类分类器。
在一些实施例中,获取样本集包括:获取至少一个语句对和语句对之间的匹配信息;根据语句对之间的匹配信息将至少一个语句对中的语句进行分类;对于至少一个语句对中的语句对,根据该语句对之间的匹配信息和该语句对的分类结果生成该语句对的标注信息;根据至少一个语句对和至少一个语句对的标注信息生成样本集。
第二方面,本公开的实施例提供了一种用于输出信息的方法,包括:获取待匹配的第一目标句和第二目标句;将第一目标句和第二目标句输入采用如第一方面中任一的方法生成的语义匹配模型中,输出第一目标句和第二目标句的匹配信息。
第三方面,本公开的实施例提供了一种用于生成语义匹配模型的装置,包括:获取单元,被配置成获取样本集,其中,样本集中的样本包括第一语句、第二语句、标注信息;训练单元,被配置成从样本集中选取样本,以及执行以下训练步骤:将选取的样本的第一语句和第二语句分别输入初始语义匹配模型的语句编码层,得到第一语句向量和第二语句向量;将第一语句向量和第二语句向量分别输入初始语义匹配模型的第一分类器,得到第一预测类别、第二预测类别;将第一语句向量和第二语句向量输入初始语义匹配模型的匹配层,得到预测匹配信息;根据第一预测类别、第二预测类别、预测匹配信息与标注信息确定出初始语义匹配模型是否达到预设的训练完成条件;若达到,则将初始语义匹配模型作为语义匹配模型。
在一些实施例中,该装置还包括调整单元,被配置成:响应于确定出初始语义匹配模型未达到预设的训练完成条件,调整初始语义匹配模型中的相关参数,以及从样本集中重新选取样本,使用调整后的初始语义匹配模型继续执行训练步骤。
在一些实施例中,标注信息包括:第一语句的语义类别、第二语句的语义类别、第一语句和第二语句的匹配信息;以及训练单元进一步被配置成:将第一预测类别和第一语句的语义类别进行分析,确定第一损失值;将第二预测类别和第二语句的语义类别进行分析,确定第二损失值;将第一语句与第二语句的匹配信息与预测匹配信息进行分析,确定第三损失值;将第一损失值、第二损失值和第三损失值的加权和与目标值进行比较;根据比较结果确定初始语义匹配模型是否达到预设的训练完成条件。
在一些实施例中,第一损失值和第二损失值的权重相等。
在一些实施例中,匹配层包括余弦相似度函数和第二分类器。
在一些实施例中,第一分类器为多分类分类器,第二分类器为二分类分类器。
在一些实施例中,获取单元进一步被配置成:获取至少一个语句对和语句对之间的匹配信息;根据语句对之间的匹配信息将至少一个语句对中的语句进行分类;对于至少一个语句对中的语句对,根据该语句对之间的匹配信息和该语句对的分类结果生成该语句对的标注信息;根据至少一个语句对和至少一个语句对的标注信息生成样本集。
第四方面,本公开的实施例提供了一种用于输出信息的装置,包括:接收单元,被配置成获取待匹配的第一目标句和第二目标句;输出单元,被配置成将第一目标句和第二目标句输入采用如第一方面中任一的方法生成的语义匹配模型中,输出第一目标句和第二目标句的匹配信息。
第五方面,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。
第六方面,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生成语义匹配模型的方法和装置,使用多任务联合学习技术,联合训练语句分类和语义匹配两个任务,在训练语义匹配模型的过程中参考了语句分类模型的训练结果,进一步提升语义匹配模型的性能。
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是本公开可以应用于其中的示例性系统架构图;
图2是根据本公开用于生成语义匹配模型的方法的一个实施例的流程图;
图3是根据本公开用于生成语义匹配模型的方法的一个应用场景的示意图;
图4是根据本公开用于生成语义匹配模型的方法的意图簇示意图;
图5是根据本公开用于生成语义匹配模型的装置的一个实施例的结构示意图;
图6是根据本公开用于输出信息的方法的一个实施例的流程图;
图7是根据本公开用于输出信息的装置的一个实施例的结构示意图;
图8是适于用来实现本公开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示出了可以应用本申请实施例的用于生成语义匹配模型的方法、用于生成语义匹配模型的装置、用于输出信息的方法或用于输出信息的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端101、102,网络103、数据库服务器104和服务器105。网络103用以在终端101、102,数据库服务器104与服务器105之间提供通信链路的介质。网络103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110可以使用终端101、102通过网络103与服务器105进行交互,以接收或发送消息等。终端101、102上可以安装有各种客户端应用,例如模型训练类应用、自动问答类应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。
这里的终端101、102可以是硬件,也可以是软件。当终端101、102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、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)、膝上型便携计算机和台式计算机等等。当终端101、102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。
当终端101、102为硬件时,其上还可以安装有问答信息采集设备。问答信息采集设备可以是各种能实现采集问答信息功能的设备,如麦克风、键盘等等。用户110可以利用终端101、102上的问答信息采集设备,来采集问题和答案。
数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本。其中,样本可以包括第一语句、第二语句、标注信息。这样,用户110也可以通过终端101、102,从数据库服务器104所存储的样本集中选取样本。
服务器105也可以是提供各种服务的服务器,例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集中的样本,对初始语义匹配模型进行训练,并可以将训练结果(如生成的语义匹配模型)发送给终端101、102。这样,用户可以应用生成的语义匹配模型进行语句匹配。可将用户输入的问题与数据库中预设的问题进行匹配,查找到语义相同的预设问题,再将预设问题对应的答案反馈给用户。
这里的数据库服务器104和服务器105同样可以是硬件,也可以是软件。当它们为硬件时,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。当它们为软件时,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生成语义匹配模型的方法或用于输出信息的方法一般由服务器105执行。相应地,用于生成语义匹配模型的装置或用于输出信息的装置一般也设置于服务器105中。
需要指出的是,在服务器105可以实现数据库服务器104的相关功能的情况下,系统架构100中可以不设置数据库服务器104。
应该理解,图1中的终端、网络、数据库服务器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、网络、数据库服务器和服务器。
继续参考图2,示出了根据本公开的用于生成语义匹配模型的方法的一个实施例的流程200。该用于生成语义匹配模型的方法,包括以下步骤:
步骤201,获取样本集。
在本实施例中,用于生成语义匹配模型的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取样本集。例如,执行主体可以通过有线连接方式或无线连接方式,从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的样本集。再例如,用户可以通过终端(例如图1所示的终端101、102)来收集样本。这样,执行主体可以接收终端所收集的样本,并将这些样本存储在本地,从而生成样本集。
在这里,样本集中可以包括至少一个样本。其中,样本可以包括第一语句、第二语句、标注信息。标注信息可包括第一语句的语义类别、第二语句的语义类别、第一语句和第二语句的匹配信息。匹配信息用于表征第一语句和第二语句语义是否匹配,可用0表示不匹配,1表示匹配。第一语句和第二语句可以是问答系统中的常见问题。语义类别用于将语句分类,例如,医学类、音乐类等。
在本实施例的一些可选的实现方式中,获取样本集包括:获取至少一个语句对和语句对之间的匹配信息;根据语句对之间的匹配信息将至少一个语句对中的语句进行分类;对于至少一个语句对中的语句对,根据该语句对之间的匹配信息和该语句对的分类结果生成该语句对的标注信息;根据至少一个语句对和至少一个语句对的标注信息生成样本集。
现有的构造训练样本的方法,忽略了训练数据样本之间的关联性。比如如果句子A与句子B匹配,句子B与句子C匹配,句子C与句子D不匹配,我们可以推断句子B与句子C也匹配,切句子A与句子D不匹配,句子B也与句子D不匹配。现有的方法虽然通过大量的样本也可以一定程度上学习到类似的关联性,但显式的将这个关联性建模到模型中可以进一步提高模型的性能。
如图4所示,本公开提出一种解决句子匹配问题的新视角,我们把每个句子当作点,如果两个句子是释义(paraphrase)匹配的,则对它们建立一条无向边,构建里一张图,把图中的每个联通子图都当作一个意图(intent)簇(cluster)。我们独立地看待每个句子,对每个句子进行意图簇多分类,如果两个句子被预估为同一个意图簇,则认为这两个句子是释义(paraphrase)匹配的,反之则是释义不匹配(non-paraphrase)的。根据意图簇确定出句子之间的匹配信息,从而可构造出样本的标注信息。
步骤202,从样本集中选取样本。
在本实施例中,执行主体可以从步骤201中获取的样本集中选取样本,以及执行步骤203至步骤208的训练步骤。其中,样本的选取方式和选取数量在本申请中并不限制。例如可以是随机选取至少一个样本,也可以是从中选取语句长度较长(例如,超过20个字)的样本。
步骤203,将选取的样本的第一语句和第二语句分别输入初始语义匹配模型的语句编码层,得到第一语句向量和第二语句向量。
在本实施例中,初始语义匹配模型可包括语句编码层、匹配层、第一分类器,如图3所示。其中,语句编码层用于将语句转换成句子向量。匹配层用于确定两个语句是否语义匹配。第一分类器用于判断语句的类别。语句编码层可将输入的语句做分词处理,然后再将分词转换为分词向量,例如可通过词袋模型转换。最后,再利用分词向量转换成句向量。还可以通过将分词在某领域的TF-IDF(term frequency–inverse document frequency,词频-逆文本频率)权重来将该语句转换成句向量。或者将分词向量的平均值作为句向量。现有技术中有多种句向量的转换方法,在此不再赘述。
步骤204,将第一语句向量和第二语句向量分别输入初始语义匹配模型的第一分类器,得到第一预测类别、第二预测类别。
在本实施例中,第一分类器可以是多分类分类器,例如softmax分类器。第一分类器可识别出语义的意图从而对语句按语义分类。第一分类器的输出结果是预测的类别,需要将预测的类别与标注信息中的类别进行比对,从而确定出第一分类器的损失值。可采用softmax层和交叉熵损失函数作为第一分类器的损失函数。损失值可用如下方式表示:
E1=softmax_cross_entropy_loss(u) (公式1)
E2=softmax_cross_entropy_loss(v) (公式2)
其中,E1、E2分别为第一损失值和第二损失值,u、v分别表示第一语句向量和第二语句向量,softmax_cross_entropy_loss表示softmax层和交叉熵损失函数。
步骤205,将第一语句向量和第二语句向量输入初始语义匹配模型的匹配层,得到预测匹配信息。
在本实施例中,匹配层用于确定第一语句和第二语句是否语义匹配。匹配层可包括相似度计算函数和第二分类器。第二分类器的目的是根据相似度确定两个语句是否语义匹配,因此第二分类器可以是二分类的分类器,即输出结果是1(语义匹配)或0(语义不匹配)。预测匹配信息是第一语句和第二语句是否语义匹配,匹配可用1表示,不匹配可用0表示。
可选的,可采用余弦相似度函数进行相似度计算。采用sigmoid分类器作为第二分类器。余弦相似度函数可以是标准的余弦相似度函数,还可以是带缩放偏移的余弦相似度函数。损失函数可用如下公式表示:
yp=sigmoid(γ*(cos(u,v)-α)) (公式3)
E3=-(y*log(yp)+(1-y)*log(1-yp) (公式4)
公式3中,γ和α为超参,公式4是匹配层的损失函数,是经典的二分类交叉熵损失函数的公式,y是表征否匹配的标注值,0或1。u、v分别表示第一语句向量和第二语句向量,E3是第三损失值。yp是sigmoid函数值。
最终的损失函数如下:
Loss=(1-lambda)/2*E1+(1-lambda)/2*E2+lambda*E3 (公式5)
其中,lambda为调和多任务学习的超参。Loss为最终损失值,第一损失值E1和第二损失值E2的权重相等。
步骤206,根据第一预测类别、第二预测类别、预测匹配信息与标注信息确定出初始语义匹配模型是否达到预设的训练完成条件。
在本实施例中,执行主体可以根据预设的第一分类器的权重和匹配层的权重,对两个第一分类器的损失值和匹配层的损失值进行加权处理。如公式5所示。之后,执行主体可以将同一样本的上述加权结果,作为该样本的总损失值。以及可以将选取的样本的总损失值与目标值进行比较。目标值一般可以用于表示预测值(如匹配层的输出结果)与真实值(如标注信息中第一语句和第二语句的匹配信息)之间的不一致程度的理想情况。也就是说,当总损失值达到目标值时,可以认为预测值接近或近似真值。目标值可以根据实际需求来设置。
需要说明的是,若步骤202中选取有多个(至少两个)样本,则执行主体可以将每个样本的总损失值分别与目标值进行比较。从而可以确定每个样本的总损失值是否达到目标值。
在本实施例的一些可选地实现方式中,第一分类器的权重(公式5中的1-lambda)和匹配层的权重(公式5中的lambda)可以分别为一固定权重值。而且由于本申请的目的主要是为了训练出语义匹配模型,所以匹配层的权重可以预设的相对大些,如80%。同时,第一分类器的权重可以预设的相对小些,如20%。
在本实施例的一些可选的实现方式中,根据第一预测类别、第二预测类别、预测匹配信息与标注信息确定出初始语义匹配模型是否达到预设的训练完成条件,包括:将第一预测类别和第一语句的语义类别进行分析,确定第一损失值(通过公式1得到的E1);将第二预测类别和第二语句的语义类别进行分析,确定第二损失值(通过公式2得到的E2);将第一语句与第二语句的匹配信息与预测匹配信息进行分析,确定第三损失值(通过公式4得到的E3);将第一损失值、第二损失值和第三损失值的加权和(通过公式5得到的Loss)与目标值进行比较;根据比较结果确定初始语义匹配模型是否达到预设的训练完成条件。如果Loss小于目标值,则认为达到预设的训练完成条件。根据步骤206中的比较结果,执行主体可以确定初始语义匹配模型是否训练完成。作为示例,如果步骤202中选取有多个样本,那么在每个样本的总损失值均达到目标值的情况下,执行主体可以确定初始语义匹配模型训练完成。再例如,执行主体可以统计总损失值达到目标值的样本占选取的样本的比例。且在该比例达到预设样本比例(如95%),可以确定初始语义匹配模型训练完成。
步骤207,若达到预设的训练完成条件,则将初始语义匹配模型作为语义匹配模型。
在本实施例中,若执行主体确定初始语义匹配模型已训练完成,则可以将该初始语义匹配模型(即训练完成的初始语义匹配模型)作为语义匹配模型。
可选地,执行主体可以将生成的生成语义匹配模型存储在本地,也可以将其发送给终端或数据库服务器。
步骤208,若未达到预设的训练完成条件,则调整初始语义匹配模型中的相关参数,并重新执行步骤202-208。
在本实施例中,若执行主体确定初始语义匹配模型未训练完成,则可以调整初始语义匹配模型中的相关参数。例如采用反向传播技术修改初始语义匹配模型中各层中的权重。以及可以返回步骤202,从样本集中重新选取样本。从而可以继续执行上述训练步骤。
需要说明的是,这里的选取方式在本申请中也不限制。例如在样本集中有大量样本的情况下,执行主体可以从中选取未被选取过的样本。
进一步参见图3,图3是根据本实施例的用于生成语义匹配模型的方法的一个应用场景的示意图。在图3的应用场景中,用户所使用的终端上可以安装有模型训练类应用。当用户打开该应用,并上传样本集或样本集的存储路径后,对该应用提供后台支持的服务器可以运行用于生成语义匹配模型的方法,包括:
首先,可以获取样本集。其中,样本集中的样本可以包括第一语句A、第二语句B、标注信息(A与B语义匹配,A是M类,B是N类)。之后,可以从样本集中选取样本,以及执行以下训练步骤:将选取的样本的第一语句A和第二语句B输入初始语义匹配模型的语句编码层301,得到第一语句向量u和第二语句向量v。将第一语句向量u和第二语句向量v分别输入初始语义匹配模型的第一分类器302,得到第一预测类别、第二预测类别。将第一语句向量u和第二语句向量v输入初始语义匹配模型303的匹配层,得到预测匹配信息。将第一预测类别与标注信息中的第一语句语义类别进行比较确定出第一损失值E1。将第二预测类别与标注信息中的第二语句语义类别进行比较确定出第二损失值E2。将预测匹配信息与标注信息中的匹配信息进行比较确定出第三损失值E3。然后根据公式5确定出E1、E2、E3的加权和作为总的损失值Loss,若Loss小于目标值,则将初始语义匹配模型作为语义匹配模型。
本公开的上述实施例提供的方法,对现有的自动问答场景的语义匹配问题提出了一个新视角,通过在语义匹配模型中直接建模样本之间的关联性,使得语义匹配模型的性能进一步提升。经试验验证,在现有的多个语义匹配模型中加入上述意图簇分类方法,都可以带来准确率约1%的绝对提升。
继续参见图5,作为对上述各图所示方法的实现,本申请提供了一种用于生成语义匹配模型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,本实施例的用于生成语义匹配模型的装置500可以包括:获取单元501,被配置成获取样本集,其中,样本集中的样本包括第一语句、第二语句、标注信息。训练单元502,被配置成从样本集中选取样本,以及执行以下训练步骤:将选取的样本的第一语句和第二语句分别输入初始语义匹配模型的语句编码层,得到第一语句向量和第二语句向量;将第一语句向量和第二语句向量分别输入初始语义匹配模型的第一分类器,得到第一预测类别、第二预测类别;将第一语句向量和第二语句向量输入初始语义匹配模型的匹配层,得到预测匹配信息;根据第一预测类别、第二预测类别、预测匹配信息与标注信息确定出初始语义匹配模型是否达到预设的训练完成条件;若达到,则将初始语义匹配模型作为语义匹配模型。
在本实施例的一些可选的实现方式中,装置500还包括调整单元503,被配置成:响应于确定出初始语义匹配模型未达到预设的训练完成条件,调整初始语义匹配模型中的相关参数,以及从样本集中重新选取样本,使用调整后的初始语义匹配模型继续执行训练步骤。
在本实施例的一些可选的实现方式中,标注信息包括:第一语句的语义类别、第二语句的语义类别、第一语句和第二语句的匹配信息;以及训练单元502进一步被配置成:将第一预测类别和第一语句的语义类别进行分析,确定第一损失值;将第二预测类别和第二语句的语义类别进行分析,确定第二损失值;将第一语句与第二语句的匹配信息与预测匹配信息进行分析,确定第三损失值;将第一损失值、第二损失值和第三损失值的加权和与目标值进行比较;根据比较结果确定初始语义匹配模型是否达到预设的训练完成条件。
在本实施例的一些可选的实现方式中,第一损失值和第二损失值的权重相等。
在本实施例的一些可选的实现方式中,匹配层包括余弦相似度函数和第二分类器。
在本实施例的一些可选的实现方式中,第一分类器为多分类分类器,第二分类器为二分类分类器。
在本实施例的一些可选的实现方式中,获取单元501进一步被配置成:获取至少一个语句对和语句对之间的匹配信息。根据语句对之间的匹配信息将至少一个语句对中的语句进行分类。对于至少一个语句对中的语句对,根据该语句对之间的匹配信息和该语句对的分类结果生成该语句对的标注信息。根据至少一个语句对和至少一个语句对的标注信息生成样本集。
可以理解的是,该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
请参见图6,其示出了本申请提供的用于输出信息的方法的一个实施例的流程600。该用于输出信息的方法可以包括以下步骤:
步骤601,获取待匹配的第一目标句和第二目标句。
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105)可以通过多种方式来获取待匹配的第一目标句和第二目标句。例如,执行主体可以通过有线连接方式或无线连接方式,从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的问答信息集合,每条问答信息包括问题和答案,并将问题集合确定为第二目标句集合。再例如,执行主体也可以接收终端(例如图1所示的终端101、102)或其他设备采集的用户想要询问的问题作为第一目标句。将第一目标句依次与第二目标句集合中的第二目标句进行匹配,如果找到语义匹配的第二目标句,则将第二目标句对应的答案确定为第一目标句的答案。
步骤602,将第一目标句和第二目标句输入语义匹配模型中,输出第一目标句和第二目标句的匹配信息。
在本实施例中,执行主体可以将步骤601中获取的第一目标句和第二目标句输入语义匹配模型中,从而生成第一目标句和第二目标句的匹配信息。输出的结果中还可包括第一目标句的语义类别和第二目标句的语义类别。第一目标句和第二目标句的匹配信息可以是用于描述第一目标句和第二目标句是否语义匹配。
在本实施例中,语义匹配模型可以是采用如上述图2实施例所描述的方法而生成的。具体生成过程可以参见图2实施例的相关描述,在此不再赘述。
需要说明的是,本实施例用于输出信息的方法可以用于测试上述各实施例所生成的语义匹配模型。进而根据测试结果可以不断地优化语义匹配模型。该方法也可以是上述各实施例所生成的语义匹配模型的实际应用方法。采用上述各实施例所生成的语义匹配模型,来进行自动问答,有助于提高自动问答的性能。如找到的答案较多,找到的答案比较准确等。
继续参见图7,作为对上述图6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6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7所示,本实施例的用于输出信息的装置700可以包括:接收单元701,被配置成获取待匹配的第一目标句和第二目标句。输出单元702,被配置成将第一目标句和第二目标句输入采用如上述图2实施例所描述的方法生成的语义匹配模型中,输出第一目标句和第二目标句的匹配信息。
可以理解的是,该装置700中记载的诸单元与参考图6描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置700及其中包含的单元,在此不再赘述。
下面参考图8,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)800的结构示意图。图8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8所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805: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806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808;以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800,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8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809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM 802被安装。在该计算机程序被处理装置801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:获取样本集,其中,样本集中的样本包括第一语句、第二语句、标注信息;从样本集中选取样本,以及执行以下训练步骤:将选取的样本的第一语句和第二语句分别输入初始语义匹配模型的语句编码层,得到第一语句向量和第二语句向量;将第一语句向量和第二语句向量分别输入初始语义匹配模型的第一分类器,得到第一预测类别、第二预测类别;将第一语句向量和第二语句向量输入初始语义匹配模型的匹配层,得到预测匹配信息;根据第一预测类别、第二预测类别、预测匹配信息与标注信息确定出初始语义匹配模型是否达到预设的训练完成条件;若达到,则将初始语义匹配模型作为语义匹配模型。
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、训练单元。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“获取样本集的单元”。
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 (18)
1.一种用于生成语义匹配模型的方法,包括:
获取样本集,其中,所述样本集中的样本包括第一语句、第二语句、标注信息;
从所述样本集中选取样本,以及执行以下训练步骤:将选取的样本的第一语句和第二语句分别输入初始语义匹配模型的语句编码层,得到第一语句向量和第二语句向量;将所述第一语句向量和所述第二语句向量分别输入所述初始语义匹配模型的第一分类器,得到第一预测类别、第二预测类别;将所述第一语句向量和所述第二语句向量输入所述初始语义匹配模型的匹配层,得到预测匹配信息;根据所述第一预测类别、所述第二预测类别、所述预测匹配信息与所述标注信息确定出所述初始语义匹配模型是否达到预设的训练完成条件;若达到,则将所述初始语义匹配模型作为语义匹配模型。
2.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定出所述初始语义匹配模型未达到预设的训练完成条件,调整所述初始语义匹配模型中的相关参数,以及从所述样本集中重新选取样本,使用调整后的初始语义匹配模型继续执行所述训练步骤。
3.根据权利要求1所述的方法,其中,所述标注信息包括:第一语句的语义类别、第二语句的语义类别、第一语句和第二语句的匹配信息;以及
所述根据所述第一预测类别、所述第二预测类别、所述预测匹配信息与所述标注信息确定出所述初始语义匹配模型是否达到预设的训练完成条件,包括:
将所述第一预测类别和第一语句的语义类别进行分析,确定第一损失值;
将所述第二预测类别和第二语句的语义类别进行分析,确定第二损失值;
将所述第一语句与第二语句的匹配信息与所述预测匹配信息进行分析,确定第三损失值;
将所述第一损失值、所述第二损失值和所述第三损失值的加权和与目标值进行比较;
根据比较结果确定初始语义匹配模型是否达到预设的训练完成条件。
4.根据权利要求3所述的方法,其中,所述第一损失值和所述第二损失值的权重相等。
5.根据权利要求1所述的方法,其中,所述匹配层包括余弦相似度函数和第二分类器。
6.根据权利要求5所述的方法,其中,所述第一分类器为多分类分类器,所述第二分类器为二分类分类器。
7.根据权利要求1-6之一所述的方法,其中,所述获取样本集包括:
获取至少一个语句对和语句对之间的匹配信息;
根据所述语句对之间的匹配信息将所述至少一个语句对中的语句进行分类;
对于所述至少一个语句对中的语句对,根据该语句对之间的匹配信息和该语句对的分类结果生成该语句对的标注信息;
根据所述至少一个语句对和所述至少一个语句对的标注信息生成样本集。
8.一种用于输出信息的方法,包括:
获取待匹配的第一目标句和第二目标句;
将所述第一目标句和所述第二目标句输入采用如权利要求1-7之一所述的方法生成的语义匹配模型中,输出所述第一目标句和所述第二目标句的匹配信息。
9.一种用于生成语义匹配模型的装置,包括:
获取单元,被配置成获取样本集,其中,所述样本集中的样本包括第一语句、第二语句、标注信息;
训练单元,被配置成从所述样本集中选取样本,以及执行以下训练步骤:将选取的样本的第一语句和第二语句分别输入初始语义匹配模型的语句编码层,得到第一语句向量和第二语句向量;将所述第一语句向量和所述第二语句向量分别输入所述初始语义匹配模型的第一分类器,得到第一预测类别、第二预测类别;将所述第一语句向量和所述第二语句向量输入所述初始语义匹配模型的匹配层,得到预测匹配信息;根据所述第一预测类别、所述第二预测类别、所述预测匹配信息与所述标注信息确定出所述初始语义匹配模型是否达到预设的训练完成条件;若达到,则将所述初始语义匹配模型作为语义匹配模型。
10.根据权利要求9所述的装置,其中,所述装置还包括调整单元,被配置成:
响应于确定出所述初始语义匹配模型未达到预设的训练完成条件,调整所述初始语义匹配模型中的相关参数,以及从所述样本集中重新选取样本,使用调整后的初始语义匹配模型继续执行所述训练步骤。
11.根据权利要求9所述的装置,其中,所述标注信息包括:第一语句的语义类别、第二语句的语义类别、第一语句和第二语句的匹配信息;以及
所述训练单元进一步被配置成:
将所述第一预测类别和第一语句的语义类别进行分析,确定第一损失值;
将所述第二预测类别和第二语句的语义类别进行分析,确定第二损失值;
将所述第一语句与第二语句的匹配信息与所述预测匹配信息进行分析,确定第三损失值;
将所述第一损失值、所述第二损失值和所述第三损失值的加权和与目标值进行比较;
根据比较结果确定初始语义匹配模型是否达到预设的训练完成条件。
12.根据权利要求11所述的装置,其中,所述第一损失值和所述第二损失值的权重相等。
13.根据权利要求8所述的装置,其中,所述匹配层包括余弦相似度函数和第二分类器。
14.根据权利要求13所述的装置,其中,所述第一分类器为多分类分类器,所述第二分类器为二分类分类器。
15.根据权利要求9-14之一所述的装置,其中,所述获取单元进一步被配置成:
获取至少一个语句对和语句对之间的匹配信息;
根据所述语句对之间的匹配信息将所述至少一个语句对中的语句进行分类;
对于所述至少一个语句对中的语句对,根据该语句对之间的匹配信息和该语句对的分类结果生成该语句对的标注信息;
根据所述至少一个语句对和所述至少一个语句对的标注信息生成样本集。
16.一种用于输出信息的装置,包括:
接收单元,被配置成获取待匹配的第一目标句和第二目标句;
输出单元,被配置成将所述第一目标句和所述第二目标句输入采用如权利要求1-7之一所述的方法生成的语义匹配模型中,输出所述第一目标句和所述第二目标句的匹配信息。
17.一种电子设备,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1-8中任一所述的方法。
18.一种计算机可读介质,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1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910176885.3A CN111666416B (zh) | 2019-03-08 | 2019-03-08 | 用于生成语义匹配模型的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910176885.3A CN111666416B (zh) | 2019-03-08 | 2019-03-08 | 用于生成语义匹配模型的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111666416A true CN111666416A (zh) | 2020-09-15 |
CN111666416B CN111666416B (zh) | 2023-06-16 |
Family
ID=72381414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910176885.3A Active CN111666416B (zh) | 2019-03-08 | 2019-03-08 | 用于生成语义匹配模型的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666416B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307048A (zh) * | 2020-10-30 | 2021-02-02 | 中国平安财产保险股份有限公司 | 语义匹配模型训练方法、匹配方法、装置、设备及存储介质 |
CN112633007A (zh) * | 2020-12-21 | 2021-04-09 | 科大讯飞股份有限公司 | 一种语义理解模型构建方法及装置、语义理解方法及装置 |
CN113220889A (zh) * | 2021-06-01 | 2021-08-06 | 北京读我科技有限公司 | 语义分类方法及装置、存储介质及电子设备 |
CN113239704A (zh) * | 2021-05-31 | 2021-08-10 | 平安科技(深圳)有限公司 | 干扰语句生成方法、装置、设备及计算机可读存储介质 |
CN114444514A (zh) * | 2022-02-08 | 2022-05-06 | 北京百度网讯科技有限公司 | 语义匹配模型训练、语义匹配方法及相关装置 |
CN114896993A (zh) * | 2022-05-06 | 2022-08-12 | 北京百度网讯科技有限公司 | 翻译模型的生成方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006065387A (ja) * | 2004-08-24 | 2006-03-09 | Fuji Xerox Co Ltd | テキスト文検索装置、テキスト文検索方法、及びテキスト文検索プログラム |
CN105095187A (zh) * | 2015-08-07 | 2015-11-25 | 广州神马移动信息科技有限公司 | 一种搜索意图识别方法及装置 |
CN107329949A (zh) * | 2017-05-24 | 2017-11-07 | 北京捷通华声科技股份有限公司 | 一种语义匹配方法和系统 |
CN107783960A (zh) * | 2017-10-23 | 2018-03-09 | 百度在线网络技术(北京)有限公司 | 用于抽取信息的方法、装置和设备 |
CN108932342A (zh) * | 2018-07-18 | 2018-12-04 | 腾讯科技(深圳)有限公司 | 一种语义匹配的方法、模型的学习方法及服务器 |
-
2019
- 2019-03-08 CN CN201910176885.3A patent/CN111666416B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006065387A (ja) * | 2004-08-24 | 2006-03-09 | Fuji Xerox Co Ltd | テキスト文検索装置、テキスト文検索方法、及びテキスト文検索プログラム |
CN105095187A (zh) * | 2015-08-07 | 2015-11-25 | 广州神马移动信息科技有限公司 | 一种搜索意图识别方法及装置 |
CN107329949A (zh) * | 2017-05-24 | 2017-11-07 | 北京捷通华声科技股份有限公司 | 一种语义匹配方法和系统 |
CN107783960A (zh) * | 2017-10-23 | 2018-03-09 | 百度在线网络技术(北京)有限公司 | 用于抽取信息的方法、装置和设备 |
CN108932342A (zh) * | 2018-07-18 | 2018-12-04 | 腾讯科技(深圳)有限公司 | 一种语义匹配的方法、模型的学习方法及服务器 |
Non-Patent Citations (4)
Title |
---|
DI WU ET AL.: "A Joint Model for Sentence Semantic Similarity Learning" * |
孟奎;刘梦赤;胡婕;: "基于字符级循环网络的查询意图识别模型", no. 03 * |
杨梦琴: "语义驱动的数据查询与智能可视化研究", 《重庆大学硕士学位论文》 * |
黄江平;姬东鸿;: "基于卷积网络的句子语义相似性模型", no. 03 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307048A (zh) * | 2020-10-30 | 2021-02-02 | 中国平安财产保险股份有限公司 | 语义匹配模型训练方法、匹配方法、装置、设备及存储介质 |
CN112307048B (zh) * | 2020-10-30 | 2023-12-05 | 中国平安财产保险股份有限公司 | 语义匹配模型训练方法、匹配方法、装置、设备及存储介质 |
CN112633007A (zh) * | 2020-12-21 | 2021-04-09 | 科大讯飞股份有限公司 | 一种语义理解模型构建方法及装置、语义理解方法及装置 |
CN112633007B (zh) * | 2020-12-21 | 2024-04-30 | 中国科学技术大学 | 一种语义理解模型构建方法及装置、语义理解方法及装置 |
CN113239704A (zh) * | 2021-05-31 | 2021-08-10 | 平安科技(深圳)有限公司 | 干扰语句生成方法、装置、设备及计算机可读存储介质 |
CN113220889A (zh) * | 2021-06-01 | 2021-08-06 | 北京读我科技有限公司 | 语义分类方法及装置、存储介质及电子设备 |
CN114444514A (zh) * | 2022-02-08 | 2022-05-06 | 北京百度网讯科技有限公司 | 语义匹配模型训练、语义匹配方法及相关装置 |
CN114896993A (zh) * | 2022-05-06 | 2022-08-12 | 北京百度网讯科技有限公司 | 翻译模型的生成方法、装置、电子设备及存储介质 |
CN114896993B (zh) * | 2022-05-06 | 2023-03-24 | 北京百度网讯科技有限公司 | 翻译模型的生成方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111666416B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111090987B (zh) | 用于输出信息的方法和装置 | |
US20240062062A1 (en) | Device placement optimization with reinforcement learning | |
Manaswi et al. | Deep learning with applications using python | |
KR102240662B1 (ko) | 광역 및 심층 기계 학습 모델들 | |
US11868733B2 (en) | Creating a knowledge graph based on text-based knowledge corpora | |
CN111666416B (zh) | 用于生成语义匹配模型的方法和装置 | |
CN109947919B (zh) | 用于生成文本匹配模型的方法和装置 | |
KR102170199B1 (ko) | 비교 세트를 사용한 입력 예시들 분류 | |
US20220121906A1 (en) | Task-aware neural network architecture search | |
CN108197652B (zh) | 用于生成信息的方法和装置 | |
CN111428010B (zh) | 人机智能问答的方法和装置 | |
CN111930992A (zh) | 神经网络训练方法、装置及电子设备 | |
CN110555714A (zh) | 用于输出信息的方法和装置 | |
CN111339255A (zh) | 目标情感分析的方法、模型训练方法、介质和设备 | |
CN113761153B (zh) | 基于图片的问答处理方法、装置、可读介质及电子设备 | |
WO2020073533A1 (zh) | 自动问答方法及装置 | |
CN111738010B (zh) | 用于生成语义匹配模型的方法和装置 | |
CN111897934A (zh) | 问答对生成方法及装置 | |
CN114443899A (zh) | 视频分类方法、装置、设备及介质 | |
CN115391499A (zh) | 生成多任务生成模型的方法、问答对生成方法和相关装置 | |
CN117290477A (zh) | 一种基于二次检索增强的生成式建筑知识问答方法 | |
US10755171B1 (en) | Hiding and detecting information using neural networks | |
CN112307738A (zh) | 用于处理文本的方法和装置 | |
CN116756281A (zh) | 知识问答方法、装置、设备和介质 | |
CN116955591A (zh) | 用于内容推荐的推荐语生成方法、相关装置和介质 |
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 |