CN111985221B - 一种文本事理关系的识别方法、装置、设备及存储介质 - Google Patents
一种文本事理关系的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111985221B CN111985221B CN202010807360.8A CN202010807360A CN111985221B CN 111985221 B CN111985221 B CN 111985221B CN 202010807360 A CN202010807360 A CN 202010807360A CN 111985221 B CN111985221 B CN 111985221B
- Authority
- CN
- China
- Prior art keywords
- text
- identified
- recognized
- event
- relationship
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000001364 causal effect Effects 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 12
- 238000003058 natural language processing Methods 0.000 abstract 1
- 208000027418 Wounds and injury Diseases 0.000 description 16
- 230000006378 damage Effects 0.000 description 16
- 208000014674 injury Diseases 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000013145 classification model Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了一种文本事理关系的识别方法、装置、设备及存储介质,涉及自然语言处理领域,进一步涉及语义分析领域,包括:获取待识别文本;根据所述待识别文本构建待识别文本对;根据所述待识别文本对识别所述待识别文本中的事理关系。本申请实施例能够提高文本中事理关系识别的准确率。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及语义分析技术。
背景技术
从给定的文本中识别事理关系是一种浅层的语义分析技术,可以自动的从文本中识别对应的语义关系,在人类认知和推理决策中起着非常重要的影响。因此,自动且高效的从文本中识别事理关系信息来预测事件发生的趋势是非常具有实用价值的。
发明内容
本申请实施例提供了一种文本事理关系的识别方法、装置、设备及存储介质,以提高文本中事理关系识别的准确率。
第一方面,本申请实施例提供了一种文本事理关系的识别方法,包括:
获取待识别文本;
根据所述待识别文本构建待识别文本对;
根据所述待识别文本对识别所述待识别文本中的事理关系。
第二方面,本申请实施例提供了一种文本事理关系的识别装置,包括:
待识别文本获取模块,用于获取待识别文本;
待识别文本对构建模块,用于根据所述待识别文本构建待识别文本对;
事理关系识别模块,用于根据所述待识别文本对识别所述待识别文本中的事理关系。
第三方面,本申请实施例提供了一种电子设备,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第一方面实施例所提供的文本事理关系的识别方法。
第四方面,本申请实施例还提供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第一方面实施例所提供的文本事理关系的识别方法。
本申请实施例通过对获取的待识别文本构建待识别文本对,以根据构建的待识别文本对识别待识别文本中包括的事理关系,解决现有文本中事理关系识别准确率较低的问题,从而提高文本中事理关系识别的准确率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
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是本申请实施例提供的一种文本事理关系的识别方法的流程图;
图2是本申请实施例提供的一种文本事理关系的识别方法的流程图;
图3是本申请实施例提供的一种通过BERT模型对构建的待识别文本对识别因果关系的效果示意图;
图4是本申请实施例提供的一种文本事理关系的识别装置的结构图;
图5是用来实现本申请实施例的文本事理关系的识别方法的电子设备的结构示意图。
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。
在一个示例中,图1是本申请实施例提供的一种文本事理关系的识别方法的流程图,本实施例可适用于准确识别文本中包括的事理关系的情况,该方法可以由文本事理关系的识别装置来执行,该装置可以由软件和/或硬件的方式来实现,并一般可集成在电子设备中。该电子设备可以是计算机设备等。相应的,如图1所示,该方法包括如下操作:
S110、获取待识别文本。
其中,待识别文本可以是需要识别包含的事理关系的文本。需要说明的是,待识别文本可以包括一个单句,也可以是多个单句组合,本申请实施例并不对待识别文本的具体组成进行限定。
待识别文本中包含需要识别的事理关系。事理关系也即事件之间的作用关系,如因果关系、果因关系或顺承关系等。本申请实施例并不对事理关系的具体关系类型进行限定。
示例性的,待识别文本例如可以是“我伤心是因为我知道我考试没有通过”。在该待识别文本中,事理关系为:“伤心”和“考试没有通过”两个事件之间存在果因关系。或者,待识别文本例如还可以是“一民房发生火灾,2人受伤,正在医院救治”。在该待识别文本中,事理关系为:“火灾”与“受伤”两个事件之间存在因果关系,“受伤”与“救治”两个事件之间存在因果关系。
S120、根据所述待识别文本构建待识别文本对。
S130、根据所述待识别文本对识别所述待识别文本中的事理关系。
其中,待识别文本对可以是首先根据待识别文本生成与待识别相关联的待识别关联文本后,根据待识别文本与待识别关联文本所组建的文本对。
在本申请实施例中,当获取到需要识别事理关系的待识别文本后,可以根据获取的待识别文本构建待识别文本对,并根据构建的待识别文本对来具体识别待识别文本中包括的事理关系。可选的,可以采用分类模型对待识别文本对进行分类,以识别出待识别文本中的事理关系。
示例性的,假设待识别文本为“我伤心是因为我知道我考试没有通过”,则根据该待识别文本可以生成多种类型的与待识别相关联的待识别关联文本。例如,待识别关联文本可以是“考试没有通过,所以伤心”,或者,待识别关联文本还可以是“考试没有通过导致伤心吗?”相应的,根据待识别文本以及与待识别相关联的待识别关联文本所构建的待识别文本对例如可以是“我伤心是因为我知道我考试没有通过”与“考试没有通过,所以我伤心”,或者,待识别文本对还可以是“我伤心是因为我知道我考试没有通过”与“考试没有通过导致我伤心吗?”。
现有技术中,在对获取的待识别文本识别其包含的事理关系时,往往直接以待识别文本作为识别对象,直接利用分类模型对其进行识别。例如,将待识别文本输入至分类模型中以识别其包含的事理关系。上述直接对待识别文本进行分类的方法属于单句分类问题,存在事理关系识别准确率较低的问题。在本申请实施例中,为了克服单句分类问题存在的事理关系识别准确率较低的问题,不再仅以待识别文本作为识别对象,而是通过根据获取的待识别文本构建待识别文本对,并根据待识别文本对识别待识别文本中包括的事理关系,可以将对待识别文本中事理关系的单句分类问题转化为句对分类问题,并根据转化的句对输入至分类模型中具体识别待识别文本中包含的事理关系,能够提高事理关系识别的准确率。
本申请实施例通过对获取的待识别文本构建待识别文本对,以根据构建的待识别文本对识别待识别文本中包括的事理关系,解决现有文本中事理关系识别准确率较低的问题,从而提高文本中事理关系识别的准确率。
在一个示例中,图2是本申请实施例提供的一种文本事理关系的识别方法的流程图,本申请实施例在上述各实施例的技术方案的基础上,进行了优化改进,给出了根据所述待识别文本构建待识别文本对以及根据所述待识别文本对识别所述待识别文本中的事理关系的多种具体可选的实现方式。
如图2所示的一种文本事理关系的识别方法,包括:
S210、获取待识别文本。
S220、获取所述待识别文本中的事件触发词;其中,所述待识别文本至少包括两个所述事件触发词。
其中,事件触发词可以是待识别文本中用于指示事件的词。
可以理解的是,事理关系反应的事件之间的作用关系。因此,待识别文本中必然包括事件。在本申请实施例中,可选的,待识别文本中的事件可以由事件触发词表示,且一个待识别文本中至少包括两个事件触发词。
示例性的,对于待识别文本“一民房发生火灾,2人受伤,正在医院救治”,事件触发词为“火灾”、“受伤”和“救治”。对于待识别文本“他受伤了,因为刚刚那场火灾”,事件触发词为“受伤”和“火灾”。
S230、根据所述事件触发词构建所述待识别文本对。
相应的,在获取到待识别文本中的事件触发词后,可以根据获取的事件触发词构建待识别关联文本,然后根据待识别文本和待识别关联文本构建待识别文本对。通过事件触发词构建待识别文本对,可以使得待识别文本对中的各个文本中都包括可以体现事理关系的事件触发词,从而梳理出各文本中事件触发词所代表的事件之间的事理关系,并在确定各文本中事件触发词所代表的事件之间的事理关系相同时,将各文本中事件触发词统一代表的事件之间的事理关系作为待识别文本的事理关系,以避免因单句分类导致识别准确度较低的问题。
在本申请的一个可选实施例中,所述待识别关联文本可以为待识别问句文本。
其中,待识别问句文本也即根据时间触发词构建的问句。需要说明的是,待识别问句文本为单句文本,也即只包括单个问句。
采用待识别问句文本作为待识别关联文本,可以让分类模型根据待识别问句文本直接了解对待识别文本的识别意图。例如,分类模型根据待识别问句文本“受伤导致火灾吗?”可以直接确定识别的目的是判断“受伤”与“火灾”两个事件之间是否存在因果关系。
在本申请的一个可选实施例中,所述根据所述事件触发词构建所述待识别文本对,可以包括:在所述事件触发词的数量为第一数量的情况下,直接根据所述第一数量的事件触发词构建与所述待识别文本匹配的待识别关联文本;根据所述待识别文本和所述待识别关联文本构建所述待识别文本对。
其中,第一数量可以为2。
可选的,当待识别文本中仅包括2个事件触发词时,可以直接根据2个事件触发词构建与待识别文本匹配的待识别关联文本,并根据待识别文本和待识别关联文本构建待识别文本对。
示例性的,对于待识别文本“他受伤了,因为刚刚那场火灾”,仅包括2个事件触发词:“受伤”和“火灾”。则根据该2个事件触发词构建与待识别文本匹配的待识别关联文本可以为“受伤导致火灾吗?”。相应的,待识别文本对为“他受伤了,因为刚刚那场火灾”与“受伤导致火灾吗?”。
在本申请的一个可选实施例中,所述根据所述事件触发词构建所述待识别文本对,可以包括:在所述事件触发词的数量大于第一数量的情况下,根据各所述事件触发词构建多个事件触发词对;根据各所述事件触发词对分别构建与所述待识别文本匹配的多个待识别关联文本;根据所述待识别文本和各所述待识别关联文本构建多个所述待识别文本对。
相应的,当待识别文本中包括3个及以上的事件触发词时,可以根据各个事件触发词构建与待识别文本匹配的多个待识别关联文本,并根据待识别文本和各待识别关联文本构建多个待识别文本对。其中,每个待识别关联文本中可以包括其中2个事件触发词。
示例性的,对于待识别文本“一民房发生火灾,2人受伤,正在医院救治”,包括3个事件触发词:“火灾”、“受伤”和“救治”。则根据该3个事件触发词构建与待识别文本匹配的两个待识别关联文本可以为“火灾导致受伤吗?”以及“受伤导致救治吗?”。相应的,两个待识别文本对可以为“一民房发生火灾,2人受伤,正在医院救治”与“火灾导致受伤吗?”,以及,“一民房发生火灾,2人受伤,正在医院救治”与“受伤导致救治吗?”。
上述方案中,在待识别文本中包括3个及以上的事件触发词时,根据各事件触发词分别构建对应的待识别关联文本,并根据构建的多个待识别关联文本分别构建多个待识别文本对,可以有效识别出待识别文本中包括的多个事件之间的作用关系。
S240、将所述待识别文本对输入至事理关系识别模型。
在本申请的一个可选实施例中,所述事理关系模型可以为BERT(BidirectionalEncoder Representations from Transformer)模型。
需要说明的是,现有技术中,在利用BERT模型识别待识别文本中的事理关系时,通常的做法是首先在待识别文本里的事件触发词两边加入特殊符号,以标识哪个事件是第一个事件,哪个事件是第二个是事件。然后将标记后的待识别文本输入至BERT模型,拼接BERT的CLS(classification)位置的向量以及事件触发词位置的向量,基于得到的向量进行事理关系分类。比如,针对句子“一民房发生火灾,2人受伤,正在医院救治。”以及两个事件“火灾”和“受伤”,标记后的句子是这样的:“一民房发生$火灾$,2人#受伤#,正在医院救治。”。
上述方案中,在事件触发词两边加入特殊符号的标记方式只是告诉了BERT模型哪个词指示第一个事件,哪个词指示第二个事件,并没有直接的告诉BERT模型要进行因果关系的分类。因此,BERT模型对于单句分类任务的分类效果并不理想。
由于BERT模型在预训练的过程中使用了“句对分类”任务,使得当待识别的文本以句对的形式输入至BERT模型分类时,BERT模型会获得更好的分类效果。例如在因果关系分类这个场景下,通过构建的待识别问句文本可以直接告诉BERT模型要进行因果关系分类,从而取得更好的分类效果。
S250、获取所述事理关系模型的输出结果。
S260、根据所述事理关系模型的输出结果确定所述待识别文本中的事理关系。
其中,事理关系模型的输出结果也即事理关系模型的针对待识别文本的分类结果。
相应的,将待识别文本对输入至BERT模型后,即可将BERT模型输出的分类结果确定待识别文本中的事理关系。
在本申请的一个可选实施例中,所述事理关系包括因果关系、果因关系和非事件作用关系。
其中,因果关系意味着第一个事件是原因事件,第二个事件是结果事件。果因关系意味着第一个事件是结果事件,第二个事件是原因事件。非事件作用关系可以是两个事件不存在因果关系或者果因关系,如顺承关系等,只要不是因果关系或果因关系即可,本申请实施例并不对非事件作用关系的具体关系类型进行限定。
可选的,可以将待识别文本转化为问答形式的句对分类问题,以应用于对因果关系的分类场景中。也即,给定一个句子,该句子中可以包括多个事件,可以首先基于每两个事件构造一个问句:“事件1导致事件2吗?”。然后,将原始的句子作为第一句,构造的问句作为第二句,根据第一句句子和第二句句子构造待识别文本对输给BERT模型。
图3是本申请实施例提供的一种通过BERT模型对构建的待识别文本对识别因果关系的效果示意图。在一个示例中,如图3所示,针对句子“一民房发生火灾,2人受伤。”以及两个事件“火灾”和“受伤”,构造的问句可以是“火灾导致受伤吗?”,输给BERT的待识别文本对的形式是“[CLS]一民房发生火灾,2人受伤。[SEP]火灾导致受伤吗[SEP]”。最后,拼接BERT模型的CLS位置的向量以及事件触发词位置的向量,利用BERT模型本身的网络结构,基于得到的向量进行因果关系分类,得到BERT模型输出的分类标签,作为对待识别文本最终的分类结果。
上述方案中,从文本里识别所有存在因果关系的事件对,并且要判断哪个是原因事件,哪个是结果事件,可以明确事件发生的前因后果。同时,构建的待识别问句文本的形式跟传统的问答问题的形式是一致的,也即,给定一个问题和可能包含问题答案的文本,让BERT模型从给定的文本对里去寻找知识来回答问题。上述这种文本事理关系的识别方式充分利用了BERT模型在句对分类上的优势,构造的问句更为直接的告诉了模型识别的目标是进行因果关系分类,使得BERT模型更容易学习,从而使得BERT模型取得更好的分类效果,因果关系的识别准确率更高。
在一个示例中,图4是本申请实施例提供的一种文本事理关系的识别装置的结构图,本申请实施例可适用于准确识别文本中包括的事理关系的情况,该装置通过软件和/或硬件实现,并具体配置于电子设备中。该电子设备可以是计算机设备等。
如图4所示的一种文本事理关系的识别装置300,包括:待识别文本获取模块310、待识别文本对构建模块320和事理关系识别模块330。其中,
待识别文本获取模块310,用于获取待识别文本;
待识别文本对构建模块320,用于根据所述待识别文本构建待识别文本对;
事理关系识别模块330,用于根据所述待识别文本对识别所述待识别文本中的事理关系。
本申请实施例通过对获取的待识别文本构建待识别文本对,以根据构建的待识别文本对识别待识别文本中包括的事理关系,解决现有文本中事理关系识别准确率较低的问题,从而提高文本中事理关系识别的准确率。
可选的,待识别文本对构建模块320用于:获取所述待识别文本中的事件触发词;其中,所述待识别文本至少包括两个所述事件触发词;根据所述事件触发词构建所述待识别文本对。
可选的,待识别文本对构建模块320用于:在所述事件触发词的数量为第一数量的情况下,直接根据所述第一数量的事件触发词构建与所述待识别文本匹配的待识别关联文本;根据所述待识别文本和所述待识别关联文本构建所述待识别文本对。
可选的,待识别文本对构建模块320用于:在所述事件触发词的数量大于第一数量的情况下,根据各所述事件触发词构建多个事件触发词对;根据各所述事件触发词对分别构建与所述待识别文本匹配的多个待识别关联文本;根据所述待识别文本和各所述待识别关联文本构建多个所述待识别文本对。
可选的,所述待识别关联文本为待识别问句文本。
可选的,事理关系识别模块330用于:将所述待识别文本对输入至事理关系识别模型;获取所述事理关系模型的输出结果;根据所述事理关系模型的输出结果确定所述待识别文本中的事理关系。
可选的,所述事理关系模型为BERT模型。
可选的,所述事理关系包括因果关系、果因关系和非事件作用关系。
上述文本事理关系的识别装置可执行本申请任意实施例所提供的文本事理关系的识别方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请任意实施例提供的文本事理关系的识别方法。
由于上述所介绍的文本事理关系的识别装置为可以执行本申请实施例中的文本事理关系的识别方法的装置,故而基于本申请实施例中所介绍的文本事理关系的识别方法,本领域所属技术人员能够了解本实施例的文本事理关系的识别装置的具体实施方式以及其各种变化形式,所以在此对于该文本事理关系的识别装置如何实现本申请实施例中的文本事理关系的识别方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中文本事理关系的识别方法所采用的装置,都属于本申请所欲保护的范围。
在一个示例中,本申请还提供了一种电子设备和一种可读存储介质。
图5是用来实现本申请实施例的文本事理关系的识别方法的电子设备的结构示意图。如图5所示,是根据本申请实施例的文本事理关系的识别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5所示,该电子设备包括:一个或多个处理器401、存储器402,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5中以一个处理器401为例。
存储器402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事理关系的识别方法。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事理关系的识别方法。
存储器402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事理关系的识别方法对应的程序指令/模块(例如,附图4所示的待识别文本获取模块310、待识别文本对构建模块320和事理关系识别模块330)。处理器401通过运行存储在存储器402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事理关系的识别方法。
存储器402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;存储数据区可存储实现文本事理关系的识别方法的电子设备的使用所创建的数据等。此外,存储器402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402可选包括相对于处理器401远程设置的存储器,这些远程存储器可以通过网络连接至实现文本事理关系的识别方法的电子设备。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。
实现文本事理关系的识别方法的电子设备还可以包括:输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置403可接收输入的数字或字符信息,以及产生与实现文本事理关系的识别方法的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404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。客户端可以是智能手机、笔记本电脑、台式计算机、平板电脑、智能音箱等,但并不局限于此。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算、云服务、云数据库、云存储等基础云计算服务的云服务器。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。…
本申请实施例通过对获取的待识别文本构建待识别文本对,以根据构建的待识别文本对识别待识别文本中包括的事理关系,解决现有文本中事理关系识别准确率较低的问题,从而提高文本中事理关系识别的准确率。
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 (14)
1.一种文本事理关系的识别方法,包括:
获取待识别文本;
获取所述待识别文本中的事件触发词;其中,所述待识别文本至少包括两个所述事件触发词;
根据所述事件触发词构建待识别关联文本;其中,所述待识别关联文本为待识别问句文本;
根据所述待识别文本和所述待识别关联文本构建待识别文本对;
将所述待识别文本对输入至事理关系模型,以识别所述待识别文本中的事理关系。
2.根据权利要求1所述的方法,其中,所述根据所述事件触发词构建待识别关联文本,包括:
在所述事件触发词的数量为第一数量的情况下,直接根据所述第一数量的事件触发词构建与所述待识别文本匹配的待识别关联文本。
3.根据权利要求1所述的方法,其中,所述根据所述事件触发词构建待识别关联文本,包括:
在所述事件触发词的数量大于第一数量的情况下,根据各所述事件触发词构建多个事件触发词对;
根据各所述事件触发词对分别构建与所述待识别文本匹配的多个待识别关联文本;
所述根据所述待识别文本和所述待识别关联文本构建待识别文本对,包括:
根据所述待识别文本和各所述待识别关联文本构建多个所述待识别文本对。
4.根据权利要求1所述的方法,其中,所述将所述待识别文本对输入至事理关系模型,以识别所述待识别文本中的事理关系,包括:
获取所述事理关系模型的输出结果;
根据所述事理关系模型的输出结果确定所述待识别文本中的事理关系。
5.根据权利要求4所述的方法,其中,所述事理关系模型为BERT模型。
6.根据权利要求1所述的方法,其中,所述事理关系包括因果关系、果因关系和非事件作用关系。
7.一种文本事理关系的识别装置,包括:
待识别文本获取模块,用于获取待识别文本;
待识别文本对构建模块,用于获取所述待识别文本中的事件触发词;根据所述事件触发词构建待识别关联文本;根据所述待识别文本和所述待识别关联文本构建待识别文本对;其中,所述待识别文本至少包括两个所述事件触发词;所述待识别关联文本为待识别问句文本;
事理关系识别模块,用于将所述待识别文本对输入至事理关系模型,以识别所述待识别文本中的事理关系。
8.根据权利要求7所述的装置,其中,所述待识别文本对构建模块用于:
在所述事件触发词的数量为第一数量的情况下,直接根据所述第一数量的事件触发词构建与所述待识别文本匹配的待识别关联文本。
9.根据权利要求7所述的装置,其中,所述待识别文本对构建模块用于:
在所述事件触发词的数量大于第一数量的情况下,根据各所述事件触发词构建多个事件触发词对;
根据各所述事件触发词对分别构建与所述待识别文本匹配的多个待识别关联文本;
根据所述待识别文本和各所述待识别关联文本构建多个所述待识别文本对。
10.根据权利要求7所述的装置,其中,所述事理关系识别模块用于:
获取所述事理关系模型的输出结果;
根据所述事理关系模型的输出结果确定所述待识别文本中的事理关系。
11.根据权利要求10所述的装置,其中,所述事理关系模型为BERT模型。
12.根据权利要求7所述的装置,其中,所述事理关系包括因果关系、果因关系和非事件作用关系。
13.一种电子设备,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权利要求1-6中任一项所述的文本事理关系的识别方法。
14.一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权利要求1-6中任一项所述的文本事理关系的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010807360.8A CN111985221B (zh) | 2020-08-12 | 2020-08-12 | 一种文本事理关系的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010807360.8A CN111985221B (zh) | 2020-08-12 | 2020-08-12 | 一种文本事理关系的识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985221A CN111985221A (zh) | 2020-11-24 |
CN111985221B true CN111985221B (zh) | 2024-03-26 |
Family
ID=73433897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010807360.8A Active CN111985221B (zh) | 2020-08-12 | 2020-08-12 | 一种文本事理关系的识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985221B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110597994A (zh) * | 2019-09-17 | 2019-12-20 | 北京百度网讯科技有限公司 | 事件元素识别方法和装置 |
CN110674840A (zh) * | 2019-08-22 | 2020-01-10 | 中国司法大数据研究院有限公司 | 一种基于贝叶斯网络的多方证据关联模型构建方法和证据链提取方法及装置 |
CN111143576A (zh) * | 2019-12-18 | 2020-05-12 | 中科院计算技术研究所大数据研究院 | 一种面向事件的动态知识图谱构建方法和装置 |
CN111222305A (zh) * | 2019-12-17 | 2020-06-02 | 共道网络科技有限公司 | 一种信息结构化方法和装置 |
CN111506734A (zh) * | 2019-01-30 | 2020-08-07 | 国家计算机网络与信息安全管理中心 | 一种事件演化知识图谱构建方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150309981A1 (en) * | 2014-04-28 | 2015-10-29 | Elwha Llc | Methods, systems, and devices for outcome prediction of text submission to network based on corpora analysis |
-
2020
- 2020-08-12 CN CN202010807360.8A patent/CN111985221B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506734A (zh) * | 2019-01-30 | 2020-08-07 | 国家计算机网络与信息安全管理中心 | 一种事件演化知识图谱构建方法、装置、设备及存储介质 |
CN110674840A (zh) * | 2019-08-22 | 2020-01-10 | 中国司法大数据研究院有限公司 | 一种基于贝叶斯网络的多方证据关联模型构建方法和证据链提取方法及装置 |
CN110597994A (zh) * | 2019-09-17 | 2019-12-20 | 北京百度网讯科技有限公司 | 事件元素识别方法和装置 |
CN111222305A (zh) * | 2019-12-17 | 2020-06-02 | 共道网络科技有限公司 | 一种信息结构化方法和装置 |
CN111143576A (zh) * | 2019-12-18 | 2020-05-12 | 中科院计算技术研究所大数据研究院 | 一种面向事件的动态知识图谱构建方法和装置 |
Non-Patent Citations (2)
Title |
---|
Multi-modality latent interaction network for visual question answering;Gao Peng等;2019 IEEE/CVF International Conference on Computer Vision (ICCV);20190227;全文 * |
基于篇章级事件表示的文本相关度计算方法;刘铭;郑子豪;秦兵;刘一仝;李阳;;中国科学:信息科学;20200715(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111985221A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428507B (zh) | 实体链指方法、装置、设备以及存储介质 | |
CN111221983B (zh) | 时序知识图谱生成方法、装置、设备和介质 | |
EP3923160A1 (en) | Method, apparatus, device and storage medium for training model | |
EP3835996A1 (en) | Method, apparatus, electronic device and storage medium for processing a semantic representation model | |
CN111414482B (zh) | 一种事件论元抽取方法、装置以及电子设备 | |
US20210216722A1 (en) | Method and apparatus for processing sematic description of text entity, and storage medium | |
CN111967256B (zh) | 事件关系的生成方法、装置、电子设备和存储介质 | |
CN112347769B (zh) | 实体识别模型的生成方法、装置、电子设备及存储介质 | |
JP2022031804A (ja) | イベント抽出方法、装置、電子機器及び記憶媒体 | |
CN113220836B (zh) | 序列标注模型的训练方法、装置、电子设备和存储介质 | |
CN111488740B (zh) | 一种因果关系的判别方法、装置、电子设备及存储介质 | |
CN111078878B (zh) | 文本处理方法、装置、设备及计算机可读存储介质 | |
US20210200813A1 (en) | Human-machine interaction method, electronic device, and storage medium | |
EP3846069A1 (en) | Pre-training method for sentiment analysis model, and electronic device | |
CN111611468B (zh) | 页面交互方法、装置和电子设备 | |
EP3916738B1 (en) | Medical fact verification method and apparatus, electronic device, and storage medium | |
EP4006909A1 (en) | Method, apparatus and device for quality control and storage medium | |
CN111079945B (zh) | 端到端模型的训练方法及装置 | |
US20220027575A1 (en) | Method of predicting emotional style of dialogue, electronic device, and storage medium | |
CN111611990A (zh) | 用于识别图像中表格的方法和装置 | |
CN111858880B (zh) | 获取查询结果的方法、装置、电子设备和可读存储介质 | |
CN111522944A (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN111782785B (zh) | 自动问答方法、装置、设备以及存储介质 | |
CN113553411B (zh) | 查询语句的生成方法、装置、电子设备和存储介质 | |
CN113360751A (zh) | 意图识别方法、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 |