CN112328710B - 实体信息处理方法、装置、电子设备和存储介质 - Google Patents
实体信息处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112328710B CN112328710B CN202011347600.7A CN202011347600A CN112328710B CN 112328710 B CN112328710 B CN 112328710B CN 202011347600 A CN202011347600 A CN 202011347600A CN 112328710 B CN112328710 B CN 112328710B
- Authority
- CN
- China
- Prior art keywords
- entity
- correlation
- sample
- prediction model
- loss function
- 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
- 230000010365 information processing Effects 0.000 title claims description 32
- 238000003672 processing method Methods 0.000 title claims description 23
- 239000000523 sample Substances 0.000 claims abstract description 100
- 230000006870 function Effects 0.000 claims abstract description 99
- 238000000034 method Methods 0.000 claims abstract description 40
- 239000013074 reference sample Substances 0.000 claims abstract description 22
- 230000015654 memory Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect 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
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本申请公开了一种实体信息处理方法、装置、电子设备和存储介质,涉及知识图谱领域和深度学习领域。具体实现方案为:基于相关度预测模型,针对M个第一实体样本分别预测与第一实体提及样本之间的相关度,并根据M个第一实体样本分别对应的相关度,确定排序损失函数值;其中,M为大于等于2的整数;基于相关度预测模型,针对第二实体样本预测与第二实体提及样本之间的相关度,并根据第二实体样本所对应的相关度,确定预测损失函数值;在排序损失函数值与预测损失函数值符合预设条件的情况下,确定相关度预测模型收敛。根据本申请实施例,可以提升消歧效果并减少对计算资源的占用。
Description
技术领域
本申请涉及数据处理领域,尤其涉及知识图谱领域和深度学习领域。
背景技术
实体链接技术用于将文本中的实体提及(Mention)链接至知识库中的实体。利用实体链接技术,可以帮助用户更好地理解文本资源,还可以向用户推荐符合其需求的文本资源。因此,实体链接技术被广泛应用于文本语义理解、网页推荐、信息流推荐、实体资源解读等业务场景。
一般来说,实体链接的过程包括候选实体消歧流程。候选实体消歧流程,包括从多个候选实体中选取与文本中的实体提及最匹配的实体,并对该实体是否与文本中的实体提及具有关联关系进行确认。
发明内容
本申请提供了一种实体信息处理方法、装置、电子设备和存储介质。
根据本申请的一方面,提供了一种实体信息处理方法,包括:
基于相关度预测模型,针对M个第一实体样本分别预测与第一实体提及样本之间的相关度,并根据M个第一实体样本分别对应的相关度,确定排序损失函数值;其中,M为大于等于2的整数;
基于相关度预测模型,针对第二实体样本预测与第二实体提及样本之间的相关度,并根据第二实体样本所对应的相关度,确定预测损失函数值;
在排序损失函数值与预测损失函数值符合预设条件的情况下,确定相关度预测模型收敛。
根据本申请的另一方面,提供了一种实体信息处理装置,包括:
排序训练模块,用于基于相关度预测模型,针对M个第一实体样本分别预测与第一实体提及样本之间的相关度,并根据M个第一实体样本分别对应的相关度,确定排序损失函数值;其中,M为大于等于2的整数;
预测训练模块,用于基于相关度预测模型,针对第二实体样本预测与第二实体提及样本之间的相关度,并根据第二实体样本所对应的相关度,确定预测损失函数值;
收敛确定模块,用于在排序损失函数值与预测损失函数值符合预设条件的情况下,确定相关度预测模型收敛。
根据本申请的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本申请任一实施例提供的方法。
根据本申请的另一方面,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,其特征在于,计算机指令用于使计算机执行本申请任一实施例提供的方法。
根据本申请的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。
根据本申请的技术方案,可以使相关度预测模型既具有排序能力,又具有准确预测能力,因此,可以利用单个相关度预测模型完成候选实体消歧,提升消歧效果并减少对计算资源的占用。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请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是本申请一个实施例提供的实体信息处理方法的示意图;
图2是本申请另一个实施例提供的实体信息处理方法的示意图;
图3是本申请实施例中相关度预测模型的一个预测过程示意图;
图4是本申请实施例中相关度预测模型的另一个预测过程示意图;
图5是本申请实体信息处理方法的一个应用示例的示意图;
图6是本申请一个实施例提供的实体信息处理装置的示意图;
图7是本申请另一个实施例提供的实体信息处理装置的示意图;
图8是用来实现本申请实施例的实体信息处理方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
候选实体消歧,一般包括Lingking(链指)流程和NIL(零实体)流程。其中,Linking流程主要用于生成每个候选实体与实体提及之间的相关度。NIL流程是对相关度最大的候选实体是否与文本中的实体提及具有关联关系进行确认。
一种示例中,可以采用Pointwise(逐点的)候选实体消歧方案。其中,Linking流程中利用二分类模型得到文本中的实体提及和每个候选实体的相关概率或者说相关度P。NIL流程中取相关概率P最大的候选实体作为待确认实体,在P大于阈值例如0.5的情况下确定待确认实体与实体提及具有关联关系,否则,输出NIL,表示实体提及与知识库中的各实体不存在关联关系。
另一种示例中,可以采用Pairwise(成对的)候选实体消歧方案。其中,Linking流程中使用排序模型。排序模型的一组训练样本包括一个实体提及样本及其对应的正例实体样本和负例实体样本。收敛的排序模型针对文本中的实体提及与其对应的正例实体输出的相关度大于针对实体提及与其对应的负例实体输出的相关度。排序模型在应用时,可以直接针对实体提及和每个候选实体计算相关度,取相关度最大的候选实体作为待确认实体。NIL流程中使用二分类模型,计算实体提及和待确认实体的相关度V,在V大于阈值例如0.5的情况下确定待确认实体与实体提及具有关联关系,否则,输出NIL,表示实体提及与知识库中的各实体不存在关联关系。
针对Pointwise候选实体消歧方案,虽然只需要一个二分类模型,就可以完成Lingking流程和NIL流程,但是由于在Linking过程中的训练方式是分类,而不是排序,所以Linking的效果不佳,候选实体消歧的整体效果也偏低。针对Pairwise候选实体消歧方案,虽然整体效果较优,但由于Linking流程和NIL流程分别使用不同的模型,因此,实际应用中,预测时间加倍,同时内存占用也加倍。
本申请实施例提供的方案,可以解决上述问题中的至少一个。图1示出了本申请一个实施例提供的实体信息处理方法的示意图。如图1所示,该方法包括:
步骤S11,基于相关度预测模型,针对M个第一实体样本分别预测与第一实体提及样本之间的相关度,并根据M个第一实体样本分别对应的相关度,确定排序损失函数值;其中,M为大于等于2的整数;
步骤S12,基于相关度预测模型,针对第二实体样本预测与第二实体提及样本之间的相关度,并根据第二实体样本所对应的相关度,确定预测损失函数值;
步骤S13,在排序损失函数值与预测损失函数值符合预设条件的情况下,确定相关度预测模型收敛。
其中,实体提及(Mention)也可以称为实体指称,可以包括命名实体、普通名词或名词短语、代词等。例如,在文本“冬天去哈尔滨玩吧”中,实体提及可以包括“冬天”和“哈尔滨”。
实体可以是知识库中的元素。例如,知识库中可包括自然季节“冬天”、朱自清散文《冬天》、歌曲《冬天》、黑龙江省省会哈尔滨、山东画报出版社出版物《哈尔滨》等实体。
实际应用中,实体提及可能与知识库中的某个实体具有关联关系,是该实体的文本表现形式。例如文本“冬天去哈尔滨玩吧”中的实体提及“冬天”与知识库中的实体自然季节“冬天”具有关联关系,可以将文本中的实体提及“冬天”链接至知识库中的自然季节“冬天”。
本申请实施例中,相关度预测模型可以用于根据输入的实体的特征信息和实体提及的特征信息,输出该实体和实体提及之间的相关度。根据上述步骤S11至S13,可以训练得到收敛的相关度预测模型。
举例而言,将文本“冬天去哈尔滨玩吧”中的实体提及“冬天”作为第一实体提及样本,将知识库中的自然季节“冬天”和朱自清散文《冬天》作为两个实体样本。预先标注文本“冬天去哈尔滨玩吧”中的实体提及“冬天”与知识库中的自然季节“冬天”具有关联关系,且与知识库中的朱自清散文《冬天》不具有关联关系。根据上述步骤S11,基于相似度预测模型,针对自然季节“冬天”和朱自清散文《冬天》分别预测与文本“冬天去哈尔滨玩吧”中的“冬天”之间的相关度。再根据自然季节“冬天”与文本“冬天去哈尔滨玩吧”中的“冬天”之间的相关度、朱自清散文《冬天》与文本“冬天去哈尔滨玩吧”中的“冬天”相关度,以及标注信息,确定排序损失函数值。
将文本“冬天去哈尔滨玩吧”中的实体提及“哈尔滨”作为第二实体提及样本,将知识库中的山东画报出版社出版物《哈尔滨》作为第二实体样本,预先标注文本“冬天去哈尔滨玩吧”中的实体提及“哈尔滨”与山东画报出版社出版物《哈尔滨》不具有关联关系。根据上述步骤S12,基于相似度预测模型,针对山东画报出版社出版物《哈尔滨》预测与文本“冬天去哈尔滨玩吧”中的实体提及“哈尔滨”之间的相关度,再根据相关度以及标注信息,确定预测损失函数值。
其中,排序损失函数值用于表征相似度预测模型针对M个第一实体样本预测得到的相关度的大小排序相对标注信息的损失或者说误差;预测损失函数用于表征相似度预测模型针对第二实体样本预测得到的相关度相对标注信息的损失。在排序损失函数值和预测损失函数值符合预设条件的情况下,可以确定相似度预测模型收敛。
示例性地,预设条件可以包括排序损失函数值和预测损失函数值均达到最小值,即排序损失函数值和预测损失函数值不再减小。预设条件也可以包括排序损失函数值和预测损失函数值均小于预设阈值。预设条件还可以包括排序损失函数值和预测损失函数值的总和小于预设阈值等。
当排序损失函数值和预测损失函数值符合预设条件,可以认为相似度预测模型能够针对多个候选实体,预测出排序准确的相关度,并且能够针对某个候选实体,预测出数值准确的相关度。如此,相似度预测模型既具有排序能力,又具有准确预测能力。
需要说明的是,本申请不限制上述步骤S11和步骤S12的执行次序。也就是说,上述步骤S11和步骤S12可以并行地执行,也可以先后地执行。在先后执行的情况下,可以先执行步骤S11再执行步骤S12,或者先执行步骤S12再执行步骤S11。
实际应用中,第一实体样本、第一实体提及样本、第二实体样本、第二实体提及样本的数量可以是多个。其中,每个第一实体提及样本对应M个第一实体样本,每个第二实体提及样本对应一个第二实体样本。可以先基于L个第一实体提及样本及其对应的第一实体样本,执行L次步骤S11,再基于K个第二实体提及样本及其对应的第二实体样本,执行K次步骤S12;或者先基于K个第二实体提及样本及其对应的第二实体样本,执行K次步骤S12,再基于L个第一实体提及样本及其对应的第一实体样本,执行L次步骤S11;还可以交替执行步骤S11和步骤S12。其中,K和L都是大于等于1的整数。
在一些示例中,在每次执行步骤S11或步骤S12后,确认排序损失函数值与预测损失函数是否符合预设条件。若符合则执行步骤S13;若不符合,则调整相关度预测模型的参数,执行下一次步骤S11或步骤S12,直至排序损失函数值与预测损失函数值符合预设条件。
可见,根据本申请实施例提供的方法,可以使相关度预测模型既具有排序能力,又具有准确预测能力,因此,可以利用单个相关度预测模型完成候选实体消歧,提升消歧效果并减少对计算资源的占用。并且,得益于多任务学习,可以使相关度预测模型更具备鲁棒性,整体效果相比Pairwise候选实体消歧方案更优。
在一种示例性的实施方式中,上述步骤S11中,M个第一实体样本可以包括第一实体提及样本对应的正例实体样本和负例实体样本。具体地,如图2所示,步骤S11,基于相关度预测模型,针对M个第一实体样本分别预测与第一实体提及样本之间的相关度,并根据M个第一实体样本分别对应的相关度,确定排序损失函数值,包括:
步骤S111,基于相关度预测模型,预测第一实体提及样本及其对应的正例实体样本之间的相关度;
步骤S112,基于相关度预测模型,预测第一实体提及样本及其对应的负例实体样本之间的相关度;
步骤S113,根据正例实体样本所对应的相关度和负例实体样本所对应的相关度之间的差值,确定排序损失函数值。
需要说明的是,本申请不限制上述步骤S111和步骤S112的执行次序。也就是说,上述步骤S111和步骤S112可以并行地执行,也可以先后地执行。在先后执行的情况下,可以先执行步骤S111再执行步骤S112,或者先执行步骤S112再执行步骤S111。
作为示例,如图3所示,将第一实体提及样本的特征信息以及与其对应的正例实体样本的特征信息输入相关度预测模型,得到相关度预测模型输出的第一实体提及样本及其对应的正例实体样本之间的相关度,记为第一相关度。将第一实体提及样本的特征信息以及与其对应的负例实体样本的特征信息输入相关度预测模型,得到相关度预测模型输出的第一实体提及样本及其对应的负例实体样本之间的相关度,记为第二相关度。根据第一相关度和第二相关度之间的差值,确定排序损失函数值。
例如,由于第一实体提及样本及其对应的正例实体样本具有关联关系,因此,第一相关度应标注为1;由于第一实体提及样本及其对应的负例实体样本不具有关联关系,因此,第二相关度应标注为0。实际应用中,由于排序损失函数值用于表征排序大小的损失,因此,可以将第一相关度与第二相关度的差值标注为1,表示第一相关度和第二相关度之间的大小排序为第一相关度大于第二相关度。
具体应用时,模型预测得到的相关度大于等于0且小于等于1。在理想情况下,如果第一相关度大于第二相关度,则第一相关度与第二相关度之间的差值大于0且小于等于1,与标注信息1较为接近,排序损失函数值较小;如果第一相关度小于等于第二相关度,则第一相关度与第二相关度之间的差值小于等于0,与标注信息1差距较大,排序损失函数值较大。
可见,基于上述实施方式,可以得到准确、客观的排序损失函数值,从而使相关度预测模型具备准确的相关度排序能力。
在一种示例性的实施方式中,上述步骤S12中,第二实体样本可以包括第二实体提及样本对应的正例实体样本或负例实体样本。预测损失函数值可以包括二分类损失函数值。具体地,上述步骤S12,基于相关度预测模型,针对第二实体样本预测与第二实体提及样本之间的相关度,并根据第二实体样本所对应的相关度,确定预测损失函数值,包括:
基于相关度预测模型,预测第二实体提及样本及其对应的正例实体样本或负例实体样本之间的相关度;
根据第二实体提及样本及其对应的正例实体样本或负例实体样本之间的相关度,确定二分类损失函数值。
作为示例,如图4所示,将第二实体提及样本的特征信息以及第二实体样本的特征信息输入相关度预测模型,其中,第二实体样本为与第二实体提及样本对应的正例实体样本或负例实体样本;得到相关度预测模型输出的第二实体提及样本和第二实体样本之间的相关度,记为第三相关度。根据第三相关度,确定二分类损失函数值,作为预测损失函数值。
例如,如果第二实体样本为第二实体提及样本对应的正例实体样本,则将第三相关度标注为1;如果第二实体样本为第二实体提及样本对应的负例实体样本,则将第三相关度标注为0。具体应用时,根据相关度预测模型预测得到的第三相关度的具体数值和标注信息,计算二分类损失函数值。在理想情况下,当第三相关度与标注信息较为接近时,二分类损失函数值较小,当第三相关度与标注信息差距较大时,二分类损失函数值较大。
示例性地,上述二分类损失函数值可以包括交叉熵损失函数值、指数损失函数值或铰链损失函数值等。
可见,基于上述实施方式,可以得到准确、客观的二分类损失函数值,将该二分类损失函数值作为预测损失函数值,可以使相关度预测模型具备准确的相关度预测能力。
在一种示例性的实施方式中,预设条件可以包括排序损失函数值与预测损失函数值均小于第一预设阈值。具体地,上述步骤S13,在排序损失函数值与预测损失函数值符合预设条件的情况下,确定相关度预测模型收敛,包括:
在排序损失函数值与预测损失函数值均小于第一预设阈值的情况下,确定相关度预测模型收敛。
基于上述实施方式,在相关度预测模型在排序方面和预测方面均得到足够的训练的情况下,才确定相关度预测模型收敛。因此,使得相关度预测模型的排序能力和预测能力都得到充分训练,可以提高模型的鲁棒性。
本申请实施例还提供上述相关度预测模型的应用步骤。具体地,实体信息处理方法还可以包括:
基于收敛的相关度预测模型,针对N个候选实体分别预测与目标实体提及之间的相关度;其中,N为大于等于1的整数;
确定N个候选实体分别对应的相关度中的最大值;
在最大值大于等于第二预设阈值的情况下,将最大值所对应的候选实体确定为与目标实体提及具有关联关系的实体。
其中,第二预设阈值例如是0.5、0.6或0.7等。可以根据实际应用中对预测精准度的要求设置。
例如,在从文本“今天天气如何”中识别出实体提及“天气”的情况下,将“天气”作为目标实体提及。针对候选实体:天气(自然现象)、歌曲《天气》和自然季节“冬天”,基于相关度预测模型分别预测得到各候选实体与目标实体提及之间的相关度。预测得到的相关度最大的候选实体为“天气(自然现象)”,如果该候选实体的相关度大于等于第二预设阈值0.6,则确定候选实体“天气(自然现象)”与文本“今天天气如何”中的实体提及“天气”具有关联关系。可以将文本“今天天气如何”中的实体提及“天气”链接至知识库中的实体“天气(自然现象)”。
示例性地,在最大值小于第二预设阈值的情况下,可以确定N个候选实体中不存在与目标实体提及具有关联关系的实体。
由于相关度预测模型具有排序能力,因此,能够对多个候选实体对应的相关度进行准确排序,使得相关度最大的候选实体相比其他候选实体,与目标实体提及的关联性更强。由于相关度预测模型具有准确的预测能力,因此,可以直接利用相关度预测模型预测得到的相关度,作为二分类判断基准,对最大值对应的候选实体是否与目标实体提及具有关联关系进行确认。可见,基于上述实施方式,在相关度预测模型的应用过程中,可以利用单个相关度预测模型完成候选实体消歧,提升消歧效果并减少对计算资源的占用。
在一种示例性的实施方式中,实体信息处理方法还可以包括:
在从待处理文本中识别到实体提及的情况下,将待处理文本中的实体提及确定为目标实体提及;
基于待处理文本中目标实体提及的上下文信息,得到目标实体提及的特征信息;
相应的,基于收敛的相关度预测模型,针对N个候选实体分别预测与目标实体提及之间的相关度,包括:
将目标实体提及的特征信息与N个候选实体中的第i个候选实体的特征信息,输入相关度预测模型,得到相关度预测模型输出的第i个候选实体与目标实体提及之间的相关度;其中,i为大于等于1且小于等于N的整数。
实际应用中,可以对待处理文本进行名词识别,将识别到的名词作为实体提及。也可以将待处理文本中的各名词与知识库中的实体的名称进行比对,将与知识库中的至少一个实体的名称匹配的名词,作为实体提及。这里,待处理文本中的名词与实体的名称匹配,可以包括例如实体的名称与该名词相同或实体的名称中包含该名词等。
示例性地,目标实体提及的上下文信息,可以包括例如目标实体提及所在的短句、目标实体提及前后的词的词性等。候选实体的特征信息可以包括例如候选实体的热度、所属类型、使用频率等。
根据上述实施方式,基于目标实体提及的上下文信息,得到目标实体提及的特征信息,利用特征信息预测目标实体提及与候选实体之间的相关度,可以得到准确的预测结果,提高候选实体消歧效果。
图5是上述实体信息处理方法的一个应用示例的示意图。如图5所示,该方法包括:
步骤S51,输入文本;
步骤S52,识别文本中的实体提及,得到至少一个目标实体提及;
步骤S53,生成候选实体;示例性地,可以将知识库中名称与目标实体提及匹配的实体作为候选实体;
步骤S54,提取目标实体提及和候选实体的特征信息;
步骤S55,运行相关度预测模型,得到候选实体与目标实体提及之间的相关度;
步骤S56,确定关联结果,即确定候选实体与目标实体提及之间具有关联性或者确定不存在与目标实体提及之间具有关联性的候选实体。
根据本申请的方法,可以使相关度预测模型既具有排序能力,又具有准确预测能力,因此,可以利用单个相关度预测模型完成候选实体消歧,提升消歧效果并减少对计算资源的占用。
作为对上述各方法的实现,本申请实施例还提供了一种实体信息处理装置。如图6所示,该装置包括:
排序训练模块610,用于基于相关度预测模型,针对M个第一实体样本分别预测与第一实体提及样本之间的相关度,并根据M个第一实体样本分别对应的相关度,确定排序损失函数值;其中,M为大于等于2的整数;
预测训练模块620,用于基于相关度预测模型,针对第二实体样本预测与第二实体提及样本之间的相关度,并根据第二实体样本所对应的相关度,确定预测损失函数值;
收敛确定模块630,用于在排序损失函数值与预测损失函数值符合预设条件的情况下,确定相关度预测模型收敛。
示例性地,如图7所示,排序训练模块610包括:
第一预测单元611,用于基于相关度预测模型,预测第一实体提及样本及其对应的正例实体样本之间的相关度;
第二预测单元612,用于基于相关度预测模型,预测第一实体提及样本及其对应的负例实体样本之间的相关度;
第一确定单元613,用于根据正例实体样本所对应的相关度和负例实体样本所对应的相关度之间的差值,确定排序损失函数值。
示例性地,预测训练模块620包括:
第三预测单元621,用于基于相关度预测模型,预测第二实体提及样本及其对应的正例实体样本或负例实体样本之间的相关度;
第二确定单元622,用于根据第二实体提及样本及其对应的正例实体样本或负例实体样本之间的相关度,确定二分类损失函数值。
示例性地,收敛确定模块用于在排序损失函数值与预测损失函数值均小于第一预设阈值的情况下,确定相关度预测模型收敛。
示例性地,如图7所示,实体信息处理装置还包括:
预测应用模块710,用于基于收敛的相关度预测模型,针对N个候选实体分别预测与目标实体提及之间的相关度;其中,N为大于等于1的整数;
最大值确定模块720,用于确定N个候选实体分别对应的相关度中的最大值;
实体确定模块730,用于在最大值大于等于第二预设阈值的情况下,将最大值所对应的候选实体确定为与目标实体提及具有关联关系的实体。
示例性地,如图7所示,实体信息处理装置还包括:
提及识别模块740,用于在从待处理文本中识别到实体提及的情况下,将待处理文本中的实体提及确定为目标实体提及;
特征提取模块750,用于基于待处理文本中目标实体提及的上下文信息,得到目标实体提及的特征信息;
相应的,预测应用模块710用于将目标实体提及的特征信息与N个候选实体中的第i个候选实体的特征信息,输入相关度预测模型,得到相关度预测模型输出的第i个候选实体与目标实体提及之间的相关度;其中,i为大于等于1且小于等于N的整数。
本申请实施例提供的实体信息处理装置,能够实现本申请实施例提供的实体信息处理方法,具备相应的有益效果。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图8所示,是根据本申请实施例的实体信息处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,该电子设备包括:一个或多个处理器801、存储器802,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8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的实体信息处理方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的实体信息处理方法。
存储器802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实体信息处理方法对应的程序指令/模块(例如,附图6所示的排序训练模块610、预测训练模块620和收敛确定模块630)。处理器801通过运行存储在存储器802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实体信息处理方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据实体信息处理方法的电子设备的使用所创建的数据等。此外,存储器802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802可选包括相对于处理器801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体信息处理方法的电子设备。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。
实体信息处理方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与实体信息处理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804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS)服务中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
根据本申请实施例的技术方案,可以使相关度预测模型既具有排序能力,又具有准确预测能力,因此,可以利用单个相关度预测模型完成候选实体消歧,提升消歧效果并减少对计算资源的占用。
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 (10)
1.一种实体信息处理方法,包括:
基于相关度预测模型,针对M个第一实体样本分别预测与第一实体提及样本之间的相关度,并根据所述M个第一实体样本分别对应的所述相关度,确定排序损失函数值;其中,M个第一实体样本包括第一实体提及样本对应的正例实体样本和负例实体样本,M为大于等于2的整数;
基于所述相关度预测模型,针对第二实体样本预测与第二实体提及样本之间的相关度,并根据所述第二实体样本所对应的所述相关度,确定预测损失函数值,其中,第二实体样本包括第二实体提及样本对应的正例实体样本或负例实体样本,所述预测损失函数用于表征相似度预测模型针对第二实体样本预测得到的相关度相对标注信息的损失;
在所述排序损失函数值与所述预测损失函数值符合预设条件的情况下,确定所述相关度预测模型收敛;
其中,所述基于所述相关度预测模型,针对第二实体样本预测与第二实体提及样本之间的相关度,并根据所述第二实体样本所对应的所述相关度,确定预测损失函数值,包括:
基于所述相关度预测模型,预测所述第二实体提及样本及其对应的正例实体样本或负例实体样本之间的相关度,记为第三相关度;
根据相关度预测模型预测得到的第三相关度的具体数值和标注信息,计算二分类损失函数值;
其中,所述基于相关度预测模型,针对M个第一实体样本分别预测与第一实体提及样本之间的相关度,并根据所述M个第一实体样本分别对应的所述相关度,确定排序损失函数值,包括:
基于所述相关度预测模型,预测所述第一实体提及样本及其对应的正例实体样本之间的相关度;
基于所述相关度预测模型,预测所述第一实体提及样本及其对应的负例实体样本之间的相关度;
根据所述正例实体样本所对应的所述相关度和所述负例实体样本所对应的所述相关度之间的差值,确定所述排序损失函数值。
2.根据权利要求1所述的方法,其中,所述在所述排序损失函数值与所述预测损失函数值符合预设条件的情况下,确定所述相关度预测模型收敛,包括:
在所述排序损失函数值与所述预测损失函数值均小于第一预设阈值的情况下,确定所述相关度预测模型收敛。
3.根据权利要求1或2所述的方法,还包括:
基于收敛的所述相关度预测模型,针对N个候选实体分别预测与目标实体提及之间的相关度;其中,N为大于等于1的整数;
确定所述N个候选实体分别对应的所述相关度中的最大值;
在所述最大值大于等于第二预设阈值的情况下,将所述最大值所对应的候选实体确定为与所述目标实体提及具有关联关系的实体。
4.根据权利要求3所述的方法,还包括:
在从待处理文本中识别到实体提及的情况下,将所述待处理文本中的实体提及确定为所述目标实体提及;
基于所述待处理文本中所述目标实体提及的上下文信息,得到所述目标实体提及的特征信息;
相应的,所述基于收敛的所述相关度预测模型,针对N个候选实体分别预测与目标实体提及之间的相关度,包括:
将所述目标实体提及的特征信息与所述N个候选实体中的第i个候选实体的特征信息,输入所述相关度预测模型,得到所述相关度预测模型输出的所述第i个候选实体与所述目标实体提及之间的相关度;其中,i为大于等于1且小于等于N的整数。
5.一种实体信息处理装置,包括:
排序训练模块,用于基于相关度预测模型,针对M个第一实体样本分别预测与第一实体提及样本之间的相关度,并根据所述M个第一实体样本分别对应的所述相关度,确定排序损失函数值;其中,M个第一实体样本包括第一实体提及样本对应的正例实体样本和负例实体样本,M为大于等于2的整数;
预测训练模块,用于基于所述相关度预测模型,针对第二实体样本预测与第二实体提及样本之间的相关度,并根据所述第二实体样本所对应的所述相关度,确定预测损失函数值,其中,第二实体样本包括第二实体提及样本对应的正例实体样本或负例实体样本,所述预测损失函数用于表征相似度预测模型针对第二实体样本预测得到的相关度相对标注信息的损失;
收敛确定模块,用于在所述排序损失函数值与所述预测损失函数值符合预设条件的情况下,确定所述相关度预测模型收敛;
其中,所述预测训练模块包括:
第三预测单元,用于基于所述相关度预测模型,预测所述第二实体提及样本及其对应的正例实体样本或负例实体样本之间的相关度,记为第三相关度;
第二确定单元,用于根据相关度预测模型预测得到的第三相关度的具体数值和标注信息,计算二分类损失函数值;
其中,所述排序训练模块包括:
第一预测单元,用于基于所述相关度预测模型,预测所述第一实体提及样本及其对应的正例实体样本之间的相关度;
第二预测单元,用于基于所述相关度预测模型,预测所述第一实体提及样本及其对应的负例实体样本之间的相关度;
第一确定单元,用于根据所述正例实体样本所对应的所述相关度和所述负例实体样本所对应的所述相关度之间的差值,确定所述排序损失函数值。
6.根据权利要求5所述的装置,其中,所述收敛确定模块用于在所述排序损失函数值与所述预测损失函数值均小于第一预设阈值的情况下,确定所述相关度预测模型收敛。
7.根据权利要求5或6所述的装置,还包括:
预测应用模块,用于基于收敛的所述相关度预测模型,针对N个候选实体分别预测与目标实体提及之间的相关度;其中,N为大于等于1的整数;
最大值确定模块,用于确定所述N个候选实体分别对应的所述相关度中的最大值;
实体确定模块,用于在所述最大值大于等于第二预设阈值的情况下,将所述最大值所对应的候选实体确定为与所述目标实体提及具有关联关系的实体。
8.根据权利要求7所述的装置,还包括:
提及识别模块,用于在从待处理文本中识别到实体提及的情况下,将所述待处理文本中的实体提及确定为所述目标实体提及;
特征提取模块,用于基于所述待处理文本中所述目标实体提及的上下文信息,得到所述目标实体提及的特征信息;
相应的,所述预测应用模块用于将所述目标实体提及的特征信息与所述N个候选实体中的第i个候选实体的特征信息,输入所述相关度预测模型,得到所述相关度预测模型输出的所述第i个候选实体与所述目标实体提及之间的相关度;其中,i为大于等于1且小于等于N的整数。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011347600.7A CN112328710B (zh) | 2020-11-26 | 实体信息处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011347600.7A CN112328710B (zh) | 2020-11-26 | 实体信息处理方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112328710A CN112328710A (zh) | 2021-02-05 |
CN112328710B true CN112328710B (zh) | 2024-06-11 |
Family
ID=
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106940702A (zh) * | 2016-01-05 | 2017-07-11 | 富士通株式会社 | 连接短文本中实体提及与语义知识库中实体的方法和设备 |
CN109933785A (zh) * | 2019-02-03 | 2019-06-25 | 北京百度网讯科技有限公司 | 用于实体关联的方法、装置、设备和介质 |
CN110245131A (zh) * | 2019-06-05 | 2019-09-17 | 江苏瑞中数据股份有限公司 | 一种知识图谱中实体对齐方法、系统及其存储介质 |
CN110472239A (zh) * | 2019-07-25 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 实体链接模型的训练方法、装置及电子设备 |
CN110543558A (zh) * | 2019-09-06 | 2019-12-06 | 北京百度网讯科技有限公司 | 问题匹配方法、装置、设备和介质 |
CN110852108A (zh) * | 2019-11-11 | 2020-02-28 | 中山大学 | 用于实体识别和实体消歧的联合训练方法、装置及介质 |
CN111428507A (zh) * | 2020-06-09 | 2020-07-17 | 北京百度网讯科技有限公司 | 实体链指方法、装置、设备以及存储介质 |
CN111428008A (zh) * | 2020-06-11 | 2020-07-17 | 北京百度网讯科技有限公司 | 用于训练模型的方法、装置、设备以及存储介质 |
CN111539222A (zh) * | 2020-05-20 | 2020-08-14 | 北京百度网讯科技有限公司 | 语义相似度任务模型的训练方法、装置、电子设备及存储介质 |
CN111832290A (zh) * | 2020-05-25 | 2020-10-27 | 北京三快在线科技有限公司 | 用于确定文本相关度的模型训练方法、装置、电子设备及可读存储介质 |
WO2020221298A1 (zh) * | 2019-04-30 | 2020-11-05 | 北京金山云网络技术有限公司 | 文本检测模型训练方法、文本区域、内容确定方法和装置 |
CN111950269A (zh) * | 2020-08-21 | 2020-11-17 | 清华大学 | 文本语句处理方法、装置、计算机设备和存储介质 |
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106940702A (zh) * | 2016-01-05 | 2017-07-11 | 富士通株式会社 | 连接短文本中实体提及与语义知识库中实体的方法和设备 |
CN109933785A (zh) * | 2019-02-03 | 2019-06-25 | 北京百度网讯科技有限公司 | 用于实体关联的方法、装置、设备和介质 |
WO2020221298A1 (zh) * | 2019-04-30 | 2020-11-05 | 北京金山云网络技术有限公司 | 文本检测模型训练方法、文本区域、内容确定方法和装置 |
CN110245131A (zh) * | 2019-06-05 | 2019-09-17 | 江苏瑞中数据股份有限公司 | 一种知识图谱中实体对齐方法、系统及其存储介质 |
CN110472239A (zh) * | 2019-07-25 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 实体链接模型的训练方法、装置及电子设备 |
CN110543558A (zh) * | 2019-09-06 | 2019-12-06 | 北京百度网讯科技有限公司 | 问题匹配方法、装置、设备和介质 |
CN110852108A (zh) * | 2019-11-11 | 2020-02-28 | 中山大学 | 用于实体识别和实体消歧的联合训练方法、装置及介质 |
CN111539222A (zh) * | 2020-05-20 | 2020-08-14 | 北京百度网讯科技有限公司 | 语义相似度任务模型的训练方法、装置、电子设备及存储介质 |
CN111832290A (zh) * | 2020-05-25 | 2020-10-27 | 北京三快在线科技有限公司 | 用于确定文本相关度的模型训练方法、装置、电子设备及可读存储介质 |
CN111428507A (zh) * | 2020-06-09 | 2020-07-17 | 北京百度网讯科技有限公司 | 实体链指方法、装置、设备以及存储介质 |
CN111428008A (zh) * | 2020-06-11 | 2020-07-17 | 北京百度网讯科技有限公司 | 用于训练模型的方法、装置、设备以及存储介质 |
CN111950269A (zh) * | 2020-08-21 | 2020-11-17 | 清华大学 | 文本语句处理方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
Linden:linking named entities with knowledge base via semantic knowledge;Wei Shen 等;Proceedings of WWW;20121231;全文 * |
王子涵 ; 邵明光 ; 刘国军 ; 郭茂祖 ; 毕建东 ; 刘扬 ; .基于实体相似度信息的知识图谱补全算法.计算机应用.2018,(第11期),全文. * |
王旭阳 ; 姜喜秋 ; .基于上下文信息的中文命名实体消歧方法研究.计算机应用研究.2018,(第04期),全文. * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7317791B2 (ja) | エンティティ・リンキング方法、装置、機器、及び記憶媒体 | |
CN112560912B (zh) | 分类模型的训练方法、装置、电子设备和存储介质 | |
KR102532396B1 (ko) | 데이터 세트 처리 방법, 장치, 전자 기기 및 저장 매체 | |
CN111753914B (zh) | 模型优化方法和装置、电子设备及存储介质 | |
CN111507104B (zh) | 建立标签标注模型的方法、装置、电子设备和可读存储介质 | |
CN111522967B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
WO2020108063A1 (zh) | 特征词的确定方法、装置和服务器 | |
US20210390260A1 (en) | Method, apparatus, device and storage medium for matching semantics | |
CN111667056B (zh) | 用于搜索模型结构的方法和装置 | |
KR102573637B1 (ko) | 엔티티 링킹 방법, 장치, 전자 기기 및 기록 매체 | |
US20210397791A1 (en) | Language model training method, apparatus, electronic device and readable storage medium | |
US20210200813A1 (en) | Human-machine interaction method, electronic device, and storage medium | |
US20220129448A1 (en) | Intelligent dialogue method and apparatus, and storage medium | |
CN111797216B (zh) | 检索项改写方法、装置、设备以及存储介质 | |
CN111339759A (zh) | 领域要素识别模型训练方法、装置及电子设备 | |
CN111783443A (zh) | 文本扰动检测方法、扰动还原方法、扰动处理方法和装置 | |
CN111488740A (zh) | 一种因果关系的判别方法、装置、电子设备及存储介质 | |
CN112507090A (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
CN111737966B (zh) | 文档重复度检测方法、装置、设备和可读存储介质 | |
CN111079945A (zh) | 端到端模型的训练方法及装置 | |
CN111984774B (zh) | 搜索方法、装置、设备以及存储介质 | |
CN111310058B (zh) | 资讯主题的推荐方法、装置、终端及存储介质 | |
CN112380847A (zh) | 兴趣点处理方法、装置、电子设备及存储介质 | |
CN112183052B (zh) | 一种文档重复度检测方法、装置、设备和介质 | |
CN112329453B (zh) | 样本章节的生成方法、装置、设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |