CN112328809A - 实体分类方法、装置及计算机可读存储介质 - Google Patents
实体分类方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112328809A CN112328809A CN202011242360.4A CN202011242360A CN112328809A CN 112328809 A CN112328809 A CN 112328809A CN 202011242360 A CN202011242360 A CN 202011242360A CN 112328809 A CN112328809 A CN 112328809A
- Authority
- CN
- China
- Prior art keywords
- entity
- classified
- classification
- attribute
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 54
- 238000013145 classification model Methods 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- G06F16/30—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种实体分类方法、装置及计算机可读存储介质,所述方法包括:获取知识图谱中的待分类实体;根据所述待分类实体的属性对所述待分类实体进行第一特征提取,获得所述待分类实体的领域特征信息;根据所述领域特征信息确定所述待分类实体的目标域分类;根据所述目标域分类对应的分类属性,对所述待分类实体进行第二特征提取,获得所述待分类实体的类别特征信息;根据所述类别特征信息确定所述待分类实体的目标分类。由此,一方面可以对描述相近的且侧重不同领域的待分类实体进行区分,提高实体分类的准确性。另一方面,可以降低确定目标分类时的特征提取量和分类搜索范围,降低实体分类过程中所要处理的数据量,提高实体分类的效率。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种实体分类方法、装置及计算机可读存储介质。
背景技术
知识图谱中,实体是现实世界中的对象或者概念,关系则用来连接两个实体以描述实体之间的联系。知识图谱中存在大量的实体,存储着客观世界的事实数据,为了更好的组织和管理这些实体数据,为上层业务方提供数据支持,需要对知识图谱中的实体进行分类。
相关技术中,通常是基于Bi-LSTM对实体描述语义的深度学习模型进行分类。其中,Bi-LSTM(Bi-directional Long Short-Term Memory)是由前向LSTM与后向LSTM组合而成,通过实体描述的正向语义和逆向语义获得实体特征以进行分类。而在实际应用场景中,存在实体描述相近但表现形式不同的实体,其应该对应于不同的实体分类,然而通过上述方式,对于描述信息相近但对应于多种侧重点表现形式的实体的分类难以区分。
发明内容
为克服相关技术中存在的问题,本公开提供一种实体分类方法、装置及计算机可读存储介质。
根据本公开实施例的第一方面,提供一种实体分类方法,包括:
获取知识图谱中的待分类实体;
根据所述待分类实体的属性对所述待分类实体进行第一特征提取,获得所述待分类实体的领域特征信息;
根据所述领域特征信息确定所述待分类实体的目标域分类;
根据所述目标域分类对应的分类属性,对所述待分类实体进行第二特征提取,获得所述待分类实体的类别特征信息;
根据所述类别特征信息确定所述待分类实体的目标分类。
可选地,所述根据所述待分类实体的属性对所述待分类实体进行第一特征提取,获得所述待分类实体的领域特征信息,包括:
将所述待分类实体的属性中属于目标属性集合中的属性进行删除所得的剩余属性确定为特征属性;
根据所述特征属性生成所述待分类实体的域特征向量,作为所述领域特征信息。
可选地,所述根据所述待分类实体的属性对所述待分类实体进行第一特征提取,获得所述待分类实体的领域特征信息,包括:
将所述待分类实体的属性中与目标属性对应的属性的属性值确定为域特征属性值;
将所述待分类实体的属性中属于目标属性集合中的属性进行删除所得的剩余属性确定为特征属性;
根据所述特征属性和所述特征属性值生成所述待分类实体的域特征向量,作为所述领域特征信息。
可选地,所述目标属性集合中的属性通过以下方式确定:
获取训练实体样本;
确定每一所述训练实体样本的每一属性的出现频率;
将出现频率大于第一阈值的属性添加至所述目标属性集合,和/或将出现频率小于第二阈值的属性添加至所述目标属性集合,其中,所述第一阈值大于所述第二阈值。
可选地,所述根据所述目标域分类对应的分类属性,对所述待分类实体进行第二特征提取,获得所述待分类实体的类别特征信息,包括:
获取所述待分类实体中与每一所述分类属性对应的分类属性值;
将每一所述分类属性值进行文本拼接获得的文本信息确定为所述待分类实体的类别特征信息。
可选地,所述根据所述类别特征信息确定所述待分类实体的目标分类,包括:
将所述类别特征信息输入文本分类模型,获得所述文本分类模型输出的与每一分类对应的概率分布信息;
在所述概率分布信息中最大的概率信息大于第三阈值的情况下,将所述最大的概率信息对应的分类确定为所述目标分类。
可选地,所述根据所述类别特征信息确定所述待分类实体的目标分类,还包括:
在所述概率分布信息中最大的概率信息小于或等于所述第三阈值的情况下,将所述目标域分类确定为所述待分类实体的目标分类。
根据本公开实施例的第二方面,提供一种实体分类装置,包括:
获取模块,被配置为获取知识图谱中的待分类实体;
第一提取模块,被配置为根据所述待分类实体的属性对所述待分类实体进行第一特征提取,获得所述待分类实体的领域特征信息;
第一确定模块,被配置为根据所述领域特征信息确定所述待分类实体的目标域分类;
第二提取模块,被配置为根据所述目标域分类对应的分类属性,对所述待分类实体进行第二特征提取,获得所述待分类实体的类别特征信息;
第二确定模块,被配置为根据所述类别特征信息确定所述待分类实体的目标分类。
可选地,所述第一提取模块包括:
第一删除子模块,被配置为将所述待分类实体的属性中属于目标属性集合中的属性进行删除所得的剩余属性确定为特征属性;
第一生成子模块,被配置为根据所述特征属性生成所述待分类实体的域特征向量,作为所述领域特征信息。
可选地,所述第一提取模块包括:
第一确定子模块,被配置为将所述待分类实体的属性中与目标属性对应的属性的属性值确定为域特征属性值;
第二删除子模块,被配置为将所述待分类实体的属性中属于目标属性集合中的属性进行删除所得的剩余属性确定为特征属性;
第二生成子模块,被配置为根据所述特征属性和所述特征属性值生成所述待分类实体的域特征向量,作为所述领域特征信息。
可选地,所述目标属性集合中的属性通过以下方式确定:
获取训练实体样本;
确定每一所述训练实体样本的每一属性的出现频率;
将出现频率大于第一阈值的属性添加至所述目标属性集合,和/或将出现频率小于第二阈值的属性添加至所述目标属性集合,其中,所述第一阈值大于所述第二阈值。
可选地,所述第二提取模块包括:
获取子模块,被配置为获取所述待分类实体中与每一所述分类属性对应的分类属性值;
拼接子模块,被配置为将每一所述分类属性值进行文本拼接获得的文本信息确定为所述待分类实体的类别特征信息。
可选地,所述第二确定模块包括:
输入子模块,被配置为将所述类别特征信息输入文本分类模型,获得所述文本分类模型输出的与每一分类对应的概率分布信息;
第二确定子模块,被配置为在所述概率分布信息中最大的概率信息大于第三阈值的情况下,将所述最大的概率信息对应的分类确定为所述目标分类。
可选地,所述第二确定模块还包括:
第三确定子模块,被配置为在所述概率分布信息中最大的概率信息小于或等于所述第三阈值的情况下,将所述目标域分类确定为所述待分类实体的目标分类。
根据本公开实施例的第三方面,提供一种实体分类装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取知识图谱中的待分类实体;
根据所述待分类实体的属性对所述待分类实体进行第一特征提取,获得所述待分类实体的领域特征信息;
根据所述领域特征信息确定所述待分类实体的目标域分类;
根据所述目标域分类对应的分类属性,对所述待分类实体进行第二特征提取,获得所述待分类实体的类别特征信息;
根据所述类别特征信息确定所述待分类实体的目标分类。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开第一方面所提供的实体分类方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:
在上述技术方案中,根据待分类实体的属性对待分类实体进行第一特征提取,可以获得所述待分类实体的领域特征信息,从而可以根据所述领域特征信息确定所述待分类实体的目标域分类;之后根据所述目标域分类对应的分类属性,对所述待分类实体进行第二特征提取,可以获得所述待分类实体的类别特征信息,从而可以根据所述类别特征信息确定所述待分类实体的目标分类。因此,通过上述技术方案,可以通过多级分类方式对待分类实体进行分类。通过待分类实体的属性确定待分类实体的领域特征信息,从而可以对该待分类实体的物理特征进行表征,从而确定待分类实体的目标域分类,之后则可以确定该待分类实体在该目标域分类中的目标分类,一方面可以对描述相近的且侧重不同领域的待分类实体进行区分,从而提高实体分类的准确性。另一方面,可以有效降低确定目标分类时的特征提取量和分类搜索范围,从而可以降低实体分类过程中所要处理的数据量,提高实体分类效率,同时提高实体分类的准确性,为后续构建准确的知识图谱提供数据支持。另外,基于待分类实体的目标域分类和目标分类,也可以为实体合并和实体查询等提供数据参考,拓宽实体分类方法的应用范围。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种实体分类方法的流程图。
图2是根据一示例性实施例示出的根据待分类实体的属性对待分类实体进行第一特征提取,获得待分类实体的领域特征信息的示例性实现方式的流程图。
图3是根据一示例性实施例示出的根据目标域分类对应的分类属性,对待分类实体进行第二特征提取,获得待分类实体的类别特征信息的实施例的流程图。
图4是根据一示例性实施例示出的CNN模型实现的文本分类模型的示意图。
图5是根据一示例性实施例示出的一种实体分类装置的框图。
图6是根据一示例性实施例示出的一种实体分类装置的框图。
图7是根据一示例性实施例示出的一种实体分类装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种实体分类方法的流程图,如图1所示,所述方法可以包括以下步骤:
在步骤11中,获取知识图谱中的待分类实体。
其中,知识图谱中的数据大多来自于各种百科类网站、专业领域垂直网站等,则该待分类实体可以是从上述网站的数据中提取出的实体。示例地,可以从百科类网站获得的数据中进行信息抽取,从而获得实体,抽取到的实体可以通过三元组(例如SPO三元组)的方式进行表示。其中,基于获取到的数据进行信息抽取获得实体的方式为本领域技术人员的常用技术,在此不再赘述。
在步骤12中,根据待分类实体的属性对待分类实体进行第一特征提取,获得待分类实体的领域特征信息,其中,所述领域特征信息为用于对该待分类实体的领域(如上文中所述的侧重)相关的特征信息。
在步骤13中,根据领域特征信息确定待分类实体的目标域分类。
示例地,在本公开中可以采用schema体系对实体的分类进行管理,则该实体的分类可以为多级分类,每一级分类分别对应于不同的分类精度。其中,该目标域分类可以是该待分类实体对应的精度最小的分类类型,即该待分类实体对应的第一级分类。
如背景技术中所述,申请人通过对相关技术研究发现,在相关技术中,对于描述信息相近但对应于多种侧重点表现形式的实体的分类难以区分。例如,上古部落首领“舜”,虽然作为汉字和人物均表示的是一个意思,实体描述比较相近,但是对应于不同的表现形式,其实体的领域特征信息存在较大区别,例如,作为语言类实体,其会存在笔画、部首等属性;作为人物类实体,其会存在性别等属性。由此,根据待分类实体的属性确定其对应的领域特征信息可以准确确定出待分类实体的目标域分类,从而对描述信息相近的实体进行区分。
又例如,针对一词多义的同名实体,如苹果可以是一种可食用的水果,也可以是苹果公司,对应于两个不同的实体。因此,基于本公开的实施例对待分类实体进行分类时,可以基于领域特征信息确定待分类实体的目标域分类,从而可以通过目标域分类将上述两个同名实体进行区分,并可以通过后续步骤对其目标分类进行进一步确定,以提高实体分类的准确性。
在步骤14中,根据目标域分类对应的分类属性,对待分类实体进行第二特征提取,获得待分类实体的类别特征信息。
其中,每一域分类对应的分类属性可以根据不同的域分类下的各个分类进行预先设置。
在步骤15中,根据类别特征信息确定待分类实体的目标分类。
其中,所述目标分类可以是待分类实体在多级分类中对应的精度最大的分类,即最细粒度的分类。示例地,在schema体系中存在多级分类“人物-娱乐人物-歌手”,以实体“刘德华”为例,其对应的目标域分类即为人物,确定出的目标分类为歌手。
在上述技术方案中,根据待分类实体的属性对待分类实体进行第一特征提取,可以获得所述待分类实体的领域特征信息,从而可以根据所述领域特征信息确定所述待分类实体的目标域分类;之后根据所述目标域分类对应的分类属性,对所述待分类实体进行第二特征提取,可以获得所述待分类实体的类别特征信息,从而可以根据所述类别特征信息确定所述待分类实体的目标分类。因此,通过上述技术方案,可以通过多级分类方式对待分类实体进行分类。通过待分类实体的属性确定待分类实体的领域特征信息,从而可以对该待分类实体的物理特征进行表征,从而确定待分类实体的目标域分类,之后则可以确定该待分类实体在该目标域分类中的目标分类,一方面可以对描述相近的且侧重不同领域的待分类实体进行区分,从而提高实体分类的准确性。另一方面,可以有效降低确定目标分类时的特征提取量和分类搜索范围,从而可以降低实体分类过程中所要处理的数据量,提高实体分类效率,同时提高实体分类的准确性,为后续构建准确的知识图谱提供数据支持。另外,基于待分类实体的目标域分类和目标分类,也可以为实体合并和实体查询等提供数据参考,拓宽实体分类方法的应用范围。
可选地,所述待分类实体对应的分类为多级分类,所述方法还可以包括:
按照实体分类表中以所述目标域分类的标签起至所述目标分类的标签为止的路径上的标签,生成所述待分类实体的多级分类标签。其中,所述实体分类表即为根据schema体系预先设置的,例如,上文确定出的多级分类“人物-娱乐人物-歌手”即为实体分类表中的一条路径。如上文所述,在确定出待分类实体“刘德华”对应的目标域分类为人物,对应的目标分类为歌手时,则可以根据该实体分类表,确定出以“人物”起至“歌手”为止的路径“人物-娱乐人物-歌手”,从而可以生成多级分类标签“人物/娱乐人物/歌手”。
之后,将所述多级分类标签和所述待分类实体进行关联存储。示例地,可以通过SPO三元组的方式进行存储,即将目标分类作为实体的属性存储在实体中,其中,该目标分类属性的属性值即为该多级分类标签“人物/娱乐人物/歌手”,以便于后续更快、更准确的提供上层数据服务,便于上层用户快速且直接地对实体进行查询和展示,贴合用户的使用需求,提升用户使用体验。
为了使本领域技术人员更加理解本公开实施例提供的技术方案,下面对上述步骤进行详细说明。
可选地,在步骤12中,根据待分类实体的属性对待分类实体进行第一特征提取,获得待分类实体的领域特征信息的示例性实现方式如下,如图2所示,该步骤可以包括:
在步骤21中,将待分类实体的属性中属于目标属性集合中的属性进行删除所得的剩余属性确定为特征属性。
其中,所述目标属性集合中的属性即为对确定待分类实体对应的域分类的影响较小的属性。在一种可能的实施例中,所述目标属性集合中的属性可以通过以下方式确定:
获取训练实体样本;
确定每一所述训练实体样本的每一属性的出现频率。
作为示例,可以基于每一训练实体样本的各个属性进行统计,从而可以确定出该全部训练实体样本的各个属性的出现次数,针对于每一属性,可以将该属性的出现次数与该训练实体样本的总数的比值确定为该属性的出现频率。作为另一示例,可以将每一训练实体样本的属性进行文本拼接以获得文本数据,之后通过计算该文本数据中每一属性的IDF(Inverse Document Frequency,逆文本频率指数)作为该属性的出现频率。
之后,将出现频率大于第一阈值的属性添加至所述目标属性集合,和/或将出现频率小于第二阈值的属性添加至所述目标属性集合,其中,所述第一阈值大于所述第二阈值。
其中,训练实体样本的各个属性均不相同,作为示例,在确定出某一属性的出现频率大于第一阈值的情况下,即该属性在多数的训练实体样本中均出现过,如name属性,因此该属性用于确定训练实体样本对应的域分类的影响较小,此时可以将该属性添加至目标属性集合。
作为另一示例,在确定出某一属性的出现频率小于第二阈值的情况下,表示该属性只在极少的训练实体样本中出现过,即该属性可能是由于实体识别误差导致的错误属性,此时可以将该属性添加至目标属性集合中,以避免该属性在后续对待分类实体进行域分类过程中的影响。
由此,通过上述技术方案,可以通过预先对训练实体样本进行统计,以确定出在对待分类实体进行域分类时的无效属性,一方面可以降低对待分类实体进行特征提取的复杂度,在减少提取的属性特征的数量的同时,可以保证提取出的属性特征的准确性和有效性;另一方面也可以避免无效属性对待分类实体的分类结果的影响,为提高实体分类的准确度提供数据支持。
在一种可能的实施例中,可以每间隔预设时间基于上述方式对目标属性集合中的属性进行更新。例如,可以对在该间隔的时间内进行分类的待分类实体的属性进行上述统计,从而确定上述待分类实体的属性中是否存在需要添加至目标属性集合中的属性,以实现对目标属性集合的更新,从而可以基于该目标属性集合对待分类实体进行更加有效且准确的属性特征提取,进一步提高实体分类的准确性,为知识图谱的准确构建提供支持。
转回图2,示例地,待分类实体“刘德华”的属性可以包括name、alias、image、gender、bloodType、representativeWork、birthDate、imdburl、honor、awards等,其中,目标属性集合中的属性包括name、alias、image,则通过步骤21可以将“gender、bloodType、representativeWork、birthDate、imdburl、honor、awards”确定为特征属性。
在步骤22中,根据特征属性生成待分类实体的域特征向量,作为所述领域特征信息。
其中,可以通过确定出的特征属性确定待分类实体对应的TF-IDF(termfrequency–inverse document frequency)向量,作为该域特征向量。其中,该TF-IDF向量的维度可以通过预先对训练实体样本的属性进行统计以进行设置。其中,TF-IDF向量中的每一维度对应于一个属性。针对TF-IDF向量中的每一属性,若该待分类实体的特征属性中存在对应的属性,则该待分类实体的TF-IDF向量中该属性所在的维度的元素值为1,若该待分类实体的特征属性中不存在对应的属性,则该待分类实体的TF-IDF向量中该属性所在的维度的元素值为0。其中,生成TF-IDF向量的方式为本领域技术人员的常用技术,在此不再赘述。
由此,通过上述技术方案,在对待分类实体进行特征提取时,可以对待分类实体的属性进行筛选,从而可以根据对领域分类具有较大影响的属性生成该领域特征信息,由此,可以通过待分类实体本身的物理属性特征对该待分类实体进行表征,从而可以提高目标域分类的准确性。同时,通过对待分类实体的属性特征进行筛选,也可以降低领域特征信息的复杂度,提高确定目标域分类的效率。
在一种可能的实施例中,在步骤12中,根据待分类实体的属性对待分类实体进行第一特征提取,获得待分类实体的领域特征信息的实施例如下,该步骤可以包括:
将所述待分类实体的属性中与目标属性对应的属性的属性值确定为域特征属性值。示例地,该目标属性可以预先进行设置,在实际使用场景中,待分类实体的部分属性值对确定该待分类实体的目标域分类也会有所影响,例如,待分类实体的标签tag属性的属性值。
将所述待分类实体的属性中属于目标属性集合中的属性进行删除所得的剩余属性确定为特征属性,其中,该步骤的具体实现方式已在上文进行详述,在此不再赘述。
根据所述特征属性和所述特征属性值生成所述待分类实体的域特征向量,作为所述领域特征信息。其中,该域特征向量可以为TF-IDF向量,其生成方式与上文所述方式类似,在此不再赘述。
由此,通过上述技术方案,在对待分类实体的领域特征信息进行提取时,既考虑该待分类实体的属性特征,又考虑了该待分类实体的属性值特征,从而可以对待分类实体的领域特征信息进行全面且准确地提取,在一定程度上可以提高后续基于该领域特征信息确定目标域分类的准确性。
在一种可能的实施例中,在步骤14中,根据目标域分类对应的分类属性,对待分类实体进行第二特征提取,获得待分类实体的类别特征信息的实施例如下,如图3所示,该步骤可以包括:
在步骤31中,获取待分类实体中与每一分类属性对应的分类属性值。
其中,每一域分类对应的分类属性可以根据实际使用场景和对应的域分类进行设置。示例地,域分类为人物域,则其对应的分类属性可以是职业、职务等属性;域分类为作品,则其对应的分类可以是作品体裁、作品简介等属性。
示例地,确定出的待分类实体的目标域分类为人物域,则可以根据人物域对应的分类属性和待分类实体中的属性值进行第二特征提取。例如,获取待分类实体中职业属性、职务属性等对应的属性值,作为示例,待分类实体中的属性值中职业属性对应的分类属性值为教师,待分类实体的属性值中职务属性对应的分类属性值为校长,其他分类属性对应的分类属性值的确定方式与上文类似,在此不再赘述。若目标域分类对应的分类属性在所述待分类实体的属性值中不存在对应的分类属性值,则可以设置默认属性值代替,或者将该分类属性值设置为空,本公开对此不进行限定。
在步骤32中,将每一分类属性值进行文本拼接获得的文本信息确定为待分类实体的类别特征信息。
如上文所述,确定出的分类属性值包括教师、校长等,则可以将该分类属性值进行文本拼接,获得类别特征信息。
由此,通过上述技术方案,在确定出待分类实体对应的目标域分类后,可以根据不同的目标域分类对应的分类属性进行特征提取,从而可以提高提取出的类别特征信息与该目标域分类下的各个分类的匹配程度,同时也可以实现对不同的待分类实体进行不同维度的特征提取,提高确定出的类别特征信息的准确性,为后续确定目标分类提供准确的数据支持。
在一种可能的实施例中,在步骤15中,根据类别特征信息确定待分类实体的目标分类的实施例如下,该步骤可以包括:
将所述类别特征信息输入文本分类模型,获得所述文本分类模型输出的与每一分类对应的概率分布信息。
其中,该文本分类模型可以是基于CNN(Convolutional Neural Networks,卷积神经网络)、RNN(Recurrent Neural Network,循环神经网络)、BERT(Bidirectional EncoderRepresentations from Transformers)模型等进行训练得出的文本分类模型。
以下,为CNN模型为例进行详细说明。示例地,CNN模型实现的文本分类模型如图4所示,在该实施例中,设置输入的类别特征信息的最大长度为600,词向量维度为64,则在该文本分类模型中,输入的类别特征信息可以通过卷积层获得特征图feature map。示例地,卷积层可以包括256个卷积尺寸为5*64的卷积核,因此,通过该卷积层进行处理,可以生成256个596*1的特征图。之后,特征图经过池化层可以得出一个256维的特征向量,该特征向量之后经过两个全连接层分别得出第一全连接层向量和第二全连接层向量,之后经过softmax层则可以得出与每一分类对应的概率分布信息。其中,上述仅为示例性说明,不对本公开进行限定,例如卷积核的尺寸和个数可以根据实际使用场景设置。其中,RNN模型和BERT模型可以用于学习连续文本的语义信息,因此,在基于RNN模型和BERT模型实现的文本分类模型中还可以关注输入的类别特征信息中提取出的语义信息,为输出更加准确的目标分类提高更多的特征参考,其对应的模型的设置和训练方式为现有技术,在此不再赘述。
在得出概率分布信息之后,在所述概率分布信息中最大的概率信息大于第三阈值的情况下,将所述最大的概率信息对应的分类确定为所述目标分类。
其中,第三阈值可以根据实际使用场景进行设置,针对预测精度要求严格的场景中,该第三阈值可以设置较大,例如可以设置为0.9;在预测精度要求宽松的场景中,该第三阈值可以设置略小一些,例如可以设置为0.75。
示例地,最大的概率信息对应的分类即为通过该文本分类模型进行分类后确定出的最可能的分类,在该实施例中,通过设置第三阈值以设置对文本分类模型输出结果的置信度约束,在最大的概率信息满足该置信度约束时,将所述最大的概率信息对应的分类确定为所述目标分类。
因此,通过上述技术方案,可以通过文本分类模型简单、准确地确定出待分类实体的目标分类,并且在确定待分类实体的目标分类时,增加对文本分类模型输出的概率分布信息的置信约束,从而可以提高确定出的待分类实体的目标分类的准确性。
如上文所述,在实际使用场景中,知识图谱中的数据可能是来自于各种百科类网站、专业领域垂直网站等,因此,基于此类数据确定出的实体中则可能会存在多语言(如日语、英语、法语等)实体,即提取出的类别特征信息中可能包含部分多语言文本。或者,某些实体的描述信息比较少或描述信息匹配程度较低,在此情况下,提取出的实体中的属性或属性值较少,难以获得准确的类别特征信息。因此,针对上述实体,通过相关技术中所述的Bi-LSTM模型难以对其进行分类。基于此,本公开还提供以下实施例。
在一种可能的实施例中,所述根据所述类别特征信息确定所述待分类实体的目标分类的实施例如下,该步骤还可以包括:
在所述概率分布信息中最大的概率信息小于或等于所述第三阈值的情况下,将所述目标域分类确定为所述待分类实体的目标分类。
示例地,在该实施例中,若文本分类模型输出的概率分布信息中,A分类对应的概率为0.3,B分类对应的概率分布为0.3,C分类对应的概率分布为0.4,在该示例中,虽然C分类对应的概率最大,但其并未满足置信度要求,即此时直接将C分类确定为待分类实体的目标分类是不准确的。因此,在本公开中,在通过该文本分类模型无法准确确定出该待分类实体的目标分类时,可以将该待分类实体的目标域分类确定为该待分类实体的目标分类,从而保证确定出的目标分类的准确性。
如上文所述,作为示例,针对多语言实体而言,其所对应的属性的语言种类通常为中文或英文,属性对应的属性值可以为多语言文本。在该示例中,将该实体的类别特征信息输入文本分类模型时,若其输出的概率分布中的最大的概率信息大于所述第三阈值,则可以直接确定其目标分类,若其输出的概率分布中的最大的概率信息小于或等于所述第三阈值,则将所述目标域分类确定为所述待分类实体的目标分类。
作为另一示例,针对描述信息较少或描述信息匹配程度较低的待分类实体,其对应的属性通常是相近的,每一属性的属性值可能是空缺或者是简短的。例如,从电视剧网站中获取的数据提取出的实体,实体A和实体B对应的属性是相同的,实体A中可能针对主演、导演、编剧、制片、播放平台、剧情简介等属性均存在对应的属性值,而在实体B中则存在主演、导演对应的属性值。因此,在对实体A和实体B提取类别特征信息时,实体B的类别特征信息中包含的信息较少。在相关技术中,直接基于实体A和实体B的特征对其进行分类时,会出现由于实体B的描述信息过少导致无法对其进行分类的问题。而在本公开实施例中,在将实体B对应的类别特征信息输入文本分类模型进行分类时,若其输出的概率分布中的最大的概率信息小于或等于所述第三阈值,则可以通过将所述目标域分类确定为所述待分类实体的目标分类,实现对该待分类实体的分类。
因此,通过上述技术方案,在针对待分类实体的类别特征信息无法准确确定出待分类实体的目标分类时,可以将该待分类实体的目标域分类确定该待分类实体的目标分类,可以保证确定出的目标分类的准确性,同时可以有效拓宽该实体分类方法的使用范围,提升用户使用体验。
本公开还提供一种实体分类装置,如图5所示,所述装置10包括:
获取模块100,被配置为获取知识图谱中的待分类实体;
第一提取模块200,被配置为根据所述待分类实体的属性对所述待分类实体进行第一特征提取,获得所述待分类实体的领域特征信息;
第一确定模块300,被配置为根据所述领域特征信息确定所述待分类实体的目标域分类;
第二提取模块400,被配置为根据所述目标域分类对应的分类属性,对所述待分类实体进行第二特征提取,获得所述待分类实体的类别特征信息;
第二确定模块500,被配置为根据所述类别特征信息确定所述待分类实体的目标分类。
可选地,所述第一提取模块包括:
第一删除子模块,被配置为将所述待分类实体的属性中属于目标属性集合中的属性进行删除所得的剩余属性确定为特征属性;
第一生成子模块,被配置为根据所述特征属性生成所述待分类实体的域特征向量,作为所述领域特征信息。
可选地,所述第一提取模块包括:
第一确定子模块,被配置为将所述待分类实体的属性中与目标属性对应的属性的属性值确定为域特征属性值;
第二删除子模块,被配置为将所述待分类实体的属性中属于目标属性集合中的属性进行删除所得的剩余属性确定为特征属性;
第二生成子模块,被配置为根据所述特征属性和所述特征属性值生成所述待分类实体的域特征向量,作为所述领域特征信息。
可选地,所述目标属性集合中的属性通过以下方式确定:
获取训练实体样本;
确定每一所述训练实体样本的每一属性的出现频率;
将出现频率大于第一阈值的属性添加至所述目标属性集合,和/或将出现频率小于第二阈值的属性添加至所述目标属性集合,其中,所述第一阈值大于所述第二阈值。
可选地,所述第二提取模块包括:
获取子模块,被配置为获取所述待分类实体中与每一所述分类属性对应的分类属性值;
拼接子模块,被配置为将每一所述分类属性值进行文本拼接获得的文本信息确定为所述待分类实体的类别特征信息。
可选地,所述第二确定模块包括:
输入子模块,被配置为将所述类别特征信息输入文本分类模型,获得所述文本分类模型输出的与每一分类对应的概率分布信息;
第二确定子模块,被配置为在所述概率分布信息中最大的概率信息大于第三阈值的情况下,将所述最大的概率信息对应的分类确定为所述目标分类。
可选地,所述第二确定模块还包括:
第三确定子模块,被配置为在所述概率分布信息中最大的概率信息小于或等于所述第三阈值的情况下,将所述目标域分类确定为所述待分类实体的目标分类。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开提供的实体分类方法的步骤。
图6是根据一示例性实施例示出的一种实体分类装置800的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图6,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电力组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的实体分类方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述实体分类方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由装置800的处理器820执行以完成上述实体分类方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的实体分类方法的代码部分。
图7是根据一示例性实施例示出的一种实体分类装置1900的框图。例如,装置1900可以被提供为一服务器。参照图7,装置1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述实体分类方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种实体分类方法,其特征在于,包括:
获取知识图谱中的待分类实体;
根据所述待分类实体的属性对所述待分类实体进行第一特征提取,获得所述待分类实体的领域特征信息;
根据所述领域特征信息确定所述待分类实体的目标域分类;
根据所述目标域分类对应的分类属性,对所述待分类实体进行第二特征提取,获得所述待分类实体的类别特征信息;
根据所述类别特征信息确定所述待分类实体的目标分类。
2.根据权利要求1所述的方法,其特征在于,所述根据所述待分类实体的属性对所述待分类实体进行第一特征提取,获得所述待分类实体的领域特征信息,包括:
将所述待分类实体的属性中属于目标属性集合中的属性进行删除所得的剩余属性确定为特征属性;
根据所述特征属性生成所述待分类实体的域特征向量,作为所述领域特征信息。
3.根据权利要求1所述的方法,其特征在于,所述根据所述待分类实体的属性对所述待分类实体进行第一特征提取,获得所述待分类实体的领域特征信息,包括:
将所述待分类实体的属性中与目标属性对应的属性的属性值确定为域特征属性值;
将所述待分类实体的属性中属于目标属性集合中的属性进行删除所得的剩余属性确定为特征属性;
根据所述特征属性和所述特征属性值生成所述待分类实体的域特征向量,作为所述领域特征信息。
4.根据权利要求2或3所述的方法,其特征在于,所述目标属性集合中的属性通过以下方式确定:
获取训练实体样本;
确定每一所述训练实体样本的每一属性的出现频率;
将出现频率大于第一阈值的属性添加至所述目标属性集合,和/或将出现频率小于第二阈值的属性添加至所述目标属性集合,其中,所述第一阈值大于所述第二阈值。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标域分类对应的分类属性,对所述待分类实体进行第二特征提取,获得所述待分类实体的类别特征信息,包括:
获取所述待分类实体中与每一所述分类属性对应的分类属性值;
将每一所述分类属性值进行文本拼接获得的文本信息确定为所述待分类实体的类别特征信息。
6.根据权利要求1所述的方法,其特征在于,所述根据所述类别特征信息确定所述待分类实体的目标分类,包括:
将所述类别特征信息输入文本分类模型,获得所述文本分类模型输出的与每一分类对应的概率分布信息;
在所述概率分布信息中最大的概率信息大于第三阈值的情况下,将所述最大的概率信息对应的分类确定为所述目标分类。
7.根据权利要求6所述的方法,其特征在于,所述根据所述类别特征信息确定所述待分类实体的目标分类,还包括:
在所述概率分布信息中最大的概率信息小于或等于所述第三阈值的情况下,将所述目标域分类确定为所述待分类实体的目标分类。
8.一种实体分类装置,其特征在于,包括:
获取模块,被配置为获取知识图谱中的待分类实体;
第一提取模块,被配置为根据所述待分类实体的属性对所述待分类实体进行第一特征提取,获得所述待分类实体的领域特征信息;
第一确定模块,被配置为根据所述领域特征信息确定所述待分类实体的目标域分类;
第二提取模块,被配置为根据所述目标域分类对应的分类属性,对所述待分类实体进行第二特征提取,获得所述待分类实体的类别特征信息;
第二确定模块,被配置为根据所述类别特征信息确定所述待分类实体的目标分类。
9.一种实体分类装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取知识图谱中的待分类实体;
根据所述待分类实体的属性对所述待分类实体进行第一特征提取,获得所述待分类实体的领域特征信息;
根据所述领域特征信息确定所述待分类实体的目标域分类;
根据所述目标域分类对应的分类属性,对所述待分类实体进行第二特征提取,获得所述待分类实体的类别特征信息;
根据所述类别特征信息确定所述待分类实体的目标分类。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011242360.4A CN112328809A (zh) | 2020-11-09 | 2020-11-09 | 实体分类方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011242360.4A CN112328809A (zh) | 2020-11-09 | 2020-11-09 | 实体分类方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112328809A true CN112328809A (zh) | 2021-02-05 |
Family
ID=74316882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011242360.4A Pending CN112328809A (zh) | 2020-11-09 | 2020-11-09 | 实体分类方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112328809A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113254635A (zh) * | 2021-04-14 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置及存储介质 |
CN113344012A (zh) * | 2021-07-14 | 2021-09-03 | 马上消费金融股份有限公司 | 物品识别方法、装置及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109960722A (zh) * | 2019-03-31 | 2019-07-02 | 联想(北京)有限公司 | 一种信息处理方法及装置 |
CN110781298A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技(深圳)有限公司 | 药品分类方法、装置、计算机设备及存储介质 |
US20200117856A1 (en) * | 2017-04-03 | 2020-04-16 | Siemens Aktiengesellschaft | A method and apparatus for performing hierarchiacal entity classification |
CN111340126A (zh) * | 2020-03-03 | 2020-06-26 | 腾讯云计算(北京)有限责任公司 | 物品识别方法、装置、计算机设备和存储介质 |
CN111444344A (zh) * | 2020-03-27 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 实体分类方法、装置、计算机设备和存储介质 |
CN111460826A (zh) * | 2020-03-31 | 2020-07-28 | 科大讯飞(苏州)科技有限公司 | 实体分类方法以及相关装置 |
-
2020
- 2020-11-09 CN CN202011242360.4A patent/CN112328809A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200117856A1 (en) * | 2017-04-03 | 2020-04-16 | Siemens Aktiengesellschaft | A method and apparatus for performing hierarchiacal entity classification |
CN109960722A (zh) * | 2019-03-31 | 2019-07-02 | 联想(北京)有限公司 | 一种信息处理方法及装置 |
CN110781298A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技(深圳)有限公司 | 药品分类方法、装置、计算机设备及存储介质 |
CN111340126A (zh) * | 2020-03-03 | 2020-06-26 | 腾讯云计算(北京)有限责任公司 | 物品识别方法、装置、计算机设备和存储介质 |
CN111444344A (zh) * | 2020-03-27 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 实体分类方法、装置、计算机设备和存储介质 |
CN111460826A (zh) * | 2020-03-31 | 2020-07-28 | 科大讯飞(苏州)科技有限公司 | 实体分类方法以及相关装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113254635A (zh) * | 2021-04-14 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置及存储介质 |
CN113344012A (zh) * | 2021-07-14 | 2021-09-03 | 马上消费金融股份有限公司 | 物品识别方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460150B (zh) | 一种分类模型的训练方法、分类方法、装置及存储介质 | |
CN109089133B (zh) | 视频处理方法及装置、电子设备和存储介质 | |
US11394675B2 (en) | Method and device for commenting on multimedia resource | |
CN111539443B (zh) | 一种图像识别模型训练方法及装置、存储介质 | |
CN111259148B (zh) | 信息处理方法、装置及存储介质 | |
EP3173948A1 (en) | Method and apparatus for recommendation of reference documents | |
CN113792207B (zh) | 一种基于多层次特征表示对齐的跨模态检索方法 | |
CN110781323A (zh) | 多媒体资源的标签确定方法、装置、电子设备及存储介质 | |
CN111984749B (zh) | 一种兴趣点排序方法和装置 | |
CN112148980B (zh) | 基于用户点击的物品推荐方法、装置、设备和存储介质 | |
CN112150457A (zh) | 视频检测方法、装置及计算机可读存储介质 | |
CN111222316B (zh) | 文本检测方法、装置及存储介质 | |
CN111046927B (zh) | 标注数据的处理方法、装置、电子设备及存储介质 | |
CN112328809A (zh) | 实体分类方法、装置及计算机可读存储介质 | |
CN111368161B (zh) | 一种搜索意图的识别方法、意图识别模型训练方法和装置 | |
CN113849723A (zh) | 搜索方法及搜索装置 | |
CN110232181B (zh) | 评论分析方法及装置 | |
CN113920293A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
CN111274389B (zh) | 一种信息处理方法、装置、计算机设备及存储介质 | |
CN108241438B (zh) | 一种输入方法、装置和用于输入的装置 | |
CN112825076B (zh) | 一种信息推荐方法、装置和电子设备 | |
CN109460458B (zh) | 查询改写意图的预测方法及装置 | |
CN113157923B (zh) | 实体分类方法、装置及可读存储介质 | |
CN114466204B (zh) | 一种视频弹幕的显示方法、装置、电子设备及存储介质 | |
CN107301188B (zh) | 一种获取用户兴趣的方法及电子设备 |
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 |