CN112395314A - 用于查找信息的方法、电子设备和计算机可读介质 - Google Patents
用于查找信息的方法、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN112395314A CN112395314A CN201910760754.XA CN201910760754A CN112395314A CN 112395314 A CN112395314 A CN 112395314A CN 201910760754 A CN201910760754 A CN 201910760754A CN 112395314 A CN112395314 A CN 112395314A
- Authority
- CN
- China
- Prior art keywords
- data search
- data
- information
- sample
- structured data
- 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 48
- 239000013598 vector Substances 0.000 claims description 69
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 21
- 230000000306 recurrent effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000015654 memory Effects 0.000 description 6
- 230000005284 excitation Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 208000002193 Pain Diseases 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 210000003734 kidney Anatomy 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 206010019233 Headaches Diseases 0.000 description 2
- 206010071229 Procedural haemorrhage Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了用于查找信息的方法、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取目标用户在文本输入终端上的输入文本；对该输入文本进行结构化，得到结构化数据；将该结构化数据输入至预先训练的数据查找模型，得到与该结构化数据对应的数据查找结果，其中，该数据查找模型用于表征结构化数据与数据查找结果的对应关系；向该目标用户的信息接收终端推送该数据查找结果。该实施方式实现了结构化数据的快速查找。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及一种用于查找信息的方法、电子设备和计算机可读介质。
背景技术
结构化数据通常驻留在关系数据库(RDBMS)中。其字段存储长度显示数据电话号码，社会安全号码或邮政编码。甚至像名称这样的可变长度的文本字符串也包含在记录中，这使得它很容易搜索。只要数据是在RDBMS结构内创建的，数据就可以是人工或机器生成的。这种格式是搜索与人类产生的查询和使用的数据和字段名称类型的算法，如字母或数字、货币、日期。数据
包含结构化数据的普通关系数据库应用程序包括航空预订系统、库存控制、销售事务和ATM活动。结构化查询语言(SQL)允许在关系数据库中查询这种类型的结构化数据。
一些关系数据库确实存储或指向非结构化数据，例如客户关系管理(CRM)应用程序。由于备忘录字段不会将自己放到传统的数据库查询中，因此其集成可能不理想。尽管如此，大部分客户关系管理(CRM)数据都是结构化的。
发明内容
本发明内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出公开了用于查找信息的方法、电子设备和计算机可读介质。
第一方面，本公开的一些实施例提供了一种用于查找信息的方法，该方法包括：获取目标用户在文本输入终端上的输入文本；对上述输入文本进行结构化，得到结构化数据；将上述结构化数据输入至预先训练的数据查找模型，得到与上述结构化数据对应的数据查找结果，其中，上述数据查找模型用于表征结构化数据与数据查找结果的对应关系；向上述目标用户的信息接收终端推送上述数据查找结果。
在一些实施例中，获取目标用户在文本输入终端上的输入文本，包括：检测目标用户在文本输入终端上的操作；响应于确定上述目标用户在文本输入终端上的操作是输入操作，获取输入文本。
在一些实施例中，对上述输入文本进行结构化，得到结构化数据，包括：根据上述输入文本，提取实体和实体关系；根据上述实体和实体关系，将上述输入文本转化成结构化数据。
在一些实施例中，数据查找模型包括卷积神经网络、循环神经网络和全连接层；以及上述将上述结构化数据输入至预先训练的数据查找模型，得到与上述结构化数据对应的数据查找结果，包括：将上述结构化数据输入至上述卷积神经网络，得到上述结构化数据的各段信息的特征向量；将上述结构化数据的各段信息的各个特征向量输入至上述循环神经网络，得到上述结构化数据的特征向量；将上述结构化数据的特征向量输入至全连接层，得到上述目标用户的数据查找结果。
在一些实施例中，数据查找模型通过如下步骤训练得到：获取样本集合，样本包括样本信息和与样本信息对应的数据查找结果；将上述样本集合中的样本的样本信息作为输入，将与输入的样本信息对应的上述目标用户的数据查找结果做为期望输出，训练得到上述数据查找模型。
在一些实施例中，将上述样本集合中的样本的样本信息作为输入，将与输入的样本信息对应的上述目标用户的数据查找结果作为期望输出，训练得到上述数据查找模型，包括：基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本信息分别输入至初始数据查找模型，得到上述至少一个样本中的每个样本信息所对应的数据查找结果；将上述至少一个样本中的每个样本信息对应的数据查找结果与对应的数据查找结果进行比较；根据比较结果确定上述初始数据查找模型的预测准确率；确定上述预测准确率是否大于预设准确率阈值；响应于确定上述准确率大于上述预设准确率阈值，则将上述初始数据查找模型作为训练完成的数据查找模型。
在一些实施例中，将上述样本集合中的样本的样本信息作为输入，将与输入的样本信息对应的上述目标用户的数据查找结果做为期望输出，训练得到上述数据查找模型，还包括：响应于确定上述准确率不大于上述预设准确率阈值，调整上述初始数据查找模型的参数，以及从上述样本集中重新选取样本，使用调整后的使用调整后的作为初始数据查找模型，再次执行上述训练步骤。
第二方面，本公开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。
第三方面，本公开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。
本公开的一些实施例提供的应用结构化数据的方法，通过对在文本输入终端上获取的输入文本进行结构化，得到结构化数据。将结构化数据输入输入至预先训练的数据查找模型，得到与上述结构化数据对应的数据查找结果。向目标用户的信息接收终端推送数据查找结果。从而实现了结构化数据的快速查找。
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是本公开的一些实施例可以应用于其中的示例性系统的架构图；
图2是根据本公开的用于查找信息的方法的一些实施例的流程图；
图3是根据本公开的用于查找信息的方法的另一些实施例的流程图；
图4是根据本公开的数据查找模型的训练方法的一些实施例的流程图；
图5是适于用来实现本公开的一些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
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
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。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。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的一些实施例的用于查找信息的方法的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上的用户输入文本进行分析的数据分析服务器。数据分析服务器可以提取多种数据，并对所提取的数据进行分析等处理，得到相应的处理结果(例如输出结构化数据相匹配的数据查找结果)。
需要说明的是，本公开实施例所提供的应用结构化数据的方法一般由服务器105执行。
需要指出的是，服务器105可以是单一服务器，也可以由多个服务器或多个服务器集群构成。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，其示出了根据本公开实施例的用于查找信息的方法的一些实施例的流程图200。该用于查找信息的方法，包括以下步骤：
步骤201，获取目标用户在文本输入终端上的输入文本。
在一些实施例中，用于结构化数据的应用方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式，从显示终端(例如图1所示的终端设备101、102、103)上获取目标用户的输入文本文本。上述输入文本文本通常是上述目标用户在显示终端上输入的要查找的文本。上述目标用户可以是预先设置的某个用户列表或某个用户集合中的用户，也可以是满足某些条件(例如科研工作者，需要大量相关数据的用户等)的用户。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在本实施例的一些可选的实现方式中，获取目标用户在文本输入终端上的输入文本，包括：检测目标用户在文本输入终端上的操作；响应于确定上述目标用户在文本输入终端上的操作是输入操作，获取输入文本。作为示例，目标用户在显示终端上的操作可以是输入操作，点击操作等。
步骤202，对上述输入文本进行结构化，得到结构化数据。
在一些实施例中，上述输入文本可以包括上述目标用户要查找的事件的信息。上述电子设备首先可以对上述信息进行解析，将上述信息转化成结构化数据。在这里，输入文本可以是一句话。例如，“术中出血量大于800cc”。结构化数据就是计算机可以直接检索的数据。我们可以将输入文本输入Encoder-Decoder机器翻译架构中，得到结构化数据。
在本实施例的一些可选的实现方式中，对上述输入文本进行结构化，得到结构化数据，包括：根据上述输入文本，提取实体和实体关系；根据上述实体和实体关系，将上述输入文本转化成结构化数据。作为示例，我们可以将输入文本中的实体和实体关系提取出来，根据上述实体和实体关系将文本转换成数据库表的形式。实体是指自然语言里面的实体。实体的名称是预先设定的，例如，部位、症状、持续时间和趋势等。每一个词性都是实体，实体关系通常是修饰语，例如，副词。例如，给定文本“头部隐痛三天”，其中，“头部、隐痛、三天”都是目标实体。“头部”是部位，“隐痛”是症状，“三天”是持续时间。实体关系可以是头部修饰隐痛，三天修饰隐痛。提取实体，通常是将分析得出的目标实体从文本中提取出来。
步骤203，将上述结构化数据输入输入至预先训练的数据查找模型，得到与上述结构化数据对应的数据查找结果。
在本实施例中，基于步骤202所确定的结构化数据，电子设备可以将结构化数据输入至预先训练的数据查找模型，从而得到与上述结构化数据对应的数据查找结果。例如，输入文本是“肾移植手术”结构化数据可以包括“肾移植”和“手术”。我们就去手术记录系统中查找所有肾移植的手术记录。手术记录系统可以是医院用于保存本院所有手术记录的系统
在本实施例中，数据查找模型可以是人工神经网络，它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。通常由大量的节点(或称神经元)之间相互联接构成，每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重(又叫做参数)，网络的输出则依网络的连接方式、权重值和激励函数的不同而不同。数据查找模型通常包括多个层，每个层包括多个节点，通常，同一层的节点的权重可以相同，不同层的节点的权重可以不同，故数据查找模型的多个层的参数也可以不同。这里，电子设备可以将结构化数据从数据查找模型的输入侧输入，依次经过数据查找模型中的各层的参数的处理(例如乘积、卷积等)，并从数据查找模型的输出侧输出，输出侧输出的信息即为与上述结构化数据对应的数据查找结果。
在本实施例的一些可选的实现方式中，数据查找模型可以用于表征结构化数据与数据查找结果之间的对应关系，电子设备可以通过多种方式训练出可以表征结构化数据与数据查找结果之间的对应关系的数据查找模型。
作为一种示例，电子设备可以基于对大量记录有结构化数据和数据查找结果进行统计而生成存储有多个记录有结构化数据与数据查找结果的对应关系的对应关系表，并将该对应关系表作为数据查找模型。这样，电子设备可以将结构化数据与该对应关系表中的多个记录信息依次进行比较，若该对应关系表中的一个信息与结构化数据相同或相似，则将该对应关系表中的该信息所对应的数据查找结果作为结构化数据对应的数据查找结果。
作为另一种示例，电子设备可以首先获取多个记录有样本信息和多个样本信息中的各个样本信息所对应的样本数据查找结果；然后将多个样本信息中的各个样本信息作为输入，将多个样本信息中的各个样本信息所对应的样本数据查找结果作为期望输出，训练得到数据查找模型。这里，电子设备可以获取多个记录有样本信息，并为本领域技术人员提供，本领域技术人员可以根据经验对多个样本信息中的各个样本信息标注样本数据查找结果。电子设备训练的可以是初始化数据查找模型，初始化数据查找模型可以是未经训练的数据查找模型或未训练完成的数据查找模型，初始化的数据查找模型的各层可以设置有初始参数，参数在数据查找模型的训练过程中可以被不断地调整。初始化数据查找模型可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型，例如，初始化数据查找模型可以是未经训练的卷积神经网络，也可以是未经训练的循环神经网络，还可以是对未经训练的卷积神经网络、未经训练的循环神经网络和未经训练的全连接层进行组合所得到的模型。这样，电子设备可以将结构化数据从数据查找模型的输入侧输入，依次经过数据查找模型中的各层的参数的处理，并从数据查找模型的输出侧输出，输出侧输出的信息即为与上述结构化数据对应的数据查找结果。
步骤204，向上述目标用户的信息接收终端推送上述结构化数据对应的数据查找结果。
在一些实施例中，基于步骤203所得到的结构化数据对应的数据查找结果，电子设备可以输出结构化数据相匹配的数据查找结果。例如，电子设备可以将与结构化数据相匹配的数据查找结果发送到目标用户的信息接收终端终端上。例如，电子设备可以将与结构化数据相匹配的数据查找结果发送到用户的邮箱。
本公开的一些实施例提供的用于查找信息的方法，通过对所获取的输入文本进行解析，以便确定目标用户所查找的事件的结构化数据；而后将结构化数据输入至预先训练的数据查找模型，从而得到与上述结构化数据对应的数据查找结果；向上述目标用户的信息接收终端推送上述结构化数据对应的数据查找结果。从而实现了结构化数据的快速查找。
进一步参考图3，其示出了根据本公开实施例的用于查找信息的方法的又一些实施例的流程图300。在该实施例中数据查找模型包括卷积神经网络、循环神经网络和全连接层，该应用结构化数据的方法的流程图300，包括以下步骤：
步骤301，获取目标用户在文本输入终端上的输入文本。
应用结构化数据的方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式，从显示终端(例如图1所示的终端设备101、102、103)上获取目标用户的输入文本。上述输入文本通常是上述目标用户在显示终端上输入的要查找的字段。上述目标用户可以是预先设置的某个用户列表或某个用户集合中的用户，也可以是满足某些条件(例如科研工作者，需要大量相关数据的用户等)的用户。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤302，对上述输入文本进行结构化，得到结构化数据。
在一些实施例中，上述输入文本可以包括上述目标用户要查找的事件的信息。上述电子设备首先可以对上述信息进行解析，将上述信息转化成结构化数据。在这里，输入文本可以是一句话。例如，“术中出血量大于800cc”。结构化数据就是计算机可以直接检索的数据。我们可以将输入文本输入Encoder-Decoder机器翻译架构中，得到结构化数据。作为示例，机器翻译架构可以是Encoder-Decoder(编码器-解码器)。其中编码器Encoder可以是卷积神经网络(Convolutional Neural Networks,CNN)或长短期记忆网络(LSTM，LongShort-Term Memory)或完全基于Multi-Heads Attention的经典网络结构Transformer。解码器Decoder可以是卷积神经网络或长短期记忆网络或经典网络结构。作为示例，Encoder通过学习输入的目标文本，将目标文本编码成一个固定大小的状态向量S，继而将S传给Decoder，Decoder再通过对状态向量S的学习来进行输出结果(例如结构化数据)作为翻译后的结果。
步骤303，将上述结构化数据输入至上述卷积神经网络，得到上述结构化数据的各段信息的特征向量。
在一些实施例中，基于步骤302所获取的结构化数据，电子设备可以将结构化数据输入至卷积神经网络，从而得到结构化数据的各段信息的特征向量。
在本实施例中，卷积神经网络可以是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元。通常，卷积神经网络的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。电子设备可以将结构化数据从卷积神经网络的输入侧输入，依次经过卷积神经网络中的各层的参数的处理，并从卷积神经网络的输出侧输出，输出侧输出的信息即为结构化数据的各段信息的特征向量。
作为一种示例，电子设备可以基于对大量信息和信息的各段信息的特征向量进行统计而生成存储有多个信息和信息的各段信息的特征向量的对应关系的对应关系表，并将该对应关系表作为卷积神经网络。这样，电子设备可以将结构化数据与该对应关系表中的多个信息依次进行比较，若该对应关系表中的一个信息与结构化数据相同或相似，则将该对应关系表中的该信息的各段信息的特征向量作为结构化数据的各段信息的特征向量。
作为另一种示例，电子设备可以首先获取样本信息和样本信息的各段信息的特征向量；然后将样本信息作为输入，将样本信息的各段信息的特征向量作为输出，训练得到能够表征信息与信息的各段信息的特征向量之间的对应关系的卷积神经网络。这样，电子设备可以将结构化数据从卷积神经网络的输入侧输入，依次经过卷积神经网络中的各层的参数的处理，并从卷积神经网络的输出侧输出，输出侧输出的信息即为结构化数据的各段信息的特征向量。
步骤304，将上述结构化数据的各段信息的各个特征向量输入至上述循环神经网络，得到上述结构化数据的特征向量。
在一些实施例中，基于步骤303所得到的结构化数据的各段信息的各个特征向量，电子设备可以将结构化数据的各段信息的各个特征向量依次输入至循环神经网络，从而得到结构化数据的特征向量。其中，信息的特征向量可以用于表征信息的各段信息的各个特征向量之间的关联关系。
在一些实施例中，循环神经网络是一种节点定向连接成环的人工神经网络。这种网络的本质特征是在处理单元之间既有内部的反馈连接又有前馈连接，其内部状态可以展示动态时序行为。
在一些实施例中，循环神经网络可以用于表征信息的各段信息的特征向量与信息的特征向量之间的对应关系，电子设备可以通过多种方式训练出可以表征信息的各段信息的特征向量与信息的特征向量之间的对应关系的循环神经网络。
作为一种示例，电子设备可以基于对大量信息的各段信息的特征向量和信息的特征向量进行统计而生成存储有多个信息的各段信息的特征向量与信息的特征向量的对应关系的对应关系表，并将该对应关系表作为循环神经网络。这样，电子设备可以计算结构化数据的各段信息的特征向量与该对应关系表中的多个信息的各段信息的特征向量之间的欧氏距离，若该对应关系表中的一个信息的各段信息的特征向量与结构化数据的各段信息的特征向量之间的欧氏距离大于预设的距离阈值，则将该对应关系表中的该信息的特征向量作为结构化数据的特征向量。
作为另一种示例，电子设备首先可以获取样本信息的各段信息的特征向量和样本信息的特征向量；然后将样本信息的各段信息的特征向量作为输入，将样本信息的特征向量作为输出，训练得到能够表征信息的各段信息的特征向量与信息的特征向量之间的对应关系的循环神经网络。这样，电子设备可以将结构化数据的各段信息的特征向量从循环神经网络的输入侧输入，依次经过循环神经网络中的各层的参数的处理，并从循环神经网络的输出侧输出，输出侧输出的信息即为结构化数据的特征向量。
步骤305，将上述结构化数据的特征向量输入至全连接层，得到上述结构化数据对应的数据查找结果。
在本实施例中，基于步骤304所得到的结构化数据的特征向量，电子设备可以将结构化数据的特征向量输入至全连接层，从而得到结构化数据对应的数据查找结果。
在本实施例中，全连接层的每一个节点都与循环神经网络的输出层的所有节点相连，用来把循环神经网络输出层输出的信息的特征向量综合起来。由于其全相连的特性，一般全连接层的参数也是最多的。同时，在利用全连接层的参数对信息的特征向量进行线性变换后，可以加上一个非线性激励函数对线性变换的结果进行转换，从而引入非线性因素，以增强数据查找模型的表达能力。其中，激励函数可以是softmax函数，softmax函数是人工神经网络中常见的一种激励函数，在此不再详细赘述。
在本实施例中，全连接层可以用于表征信息的特征向量与目标用户的数据查找结果之间的对应关系，电子设备可以通过多种方式训练出可以表征信息的特征向量与结构化数据对应的数据查找结果之间的对应关系的全连接层。
作为一种示例，电子设备可以基于对大量信息的特征向量和结构化数据对应的数据查找结果进行统计而生成存储有多个信息的特征向量与结构化数据对应的数据查找结果的对应关系的对应关系表，并将该对应关系表作为全连接层。这样，电子设备可以计算结构化数据的特征向量与该对应关系表中的多个信息的特征向量之间的欧氏距离，若该对应关系表中的一个信息的特征向量与结构化数据的特征向量之间的欧氏距离大于预设的距离阈值，则将该对应关系表中的信息对应的数据查找结果作为结构化数据对应的数据查找结果。
作为另一种示例，电子设备可以首先获取样本信息的特征向量和样本信息中信息对应的数据查找结果；然后将样本信息的特征向量作为输入，将样本信息信息对应的数据查找结果作为输出，训练得到能够表征信息的特征向量与信息对应的数据查找结果之间的对应关系的全连接层。这样，电子设备可以将结构化数据的特征向量从全连接层的输入侧输入，经过全连接层的参数和激励函数的处理，并从全连接层的输出侧输出，输出侧输出的信息即为结构化数据对应的数据查找结果。
需要说明的是深度学习模型中的卷积神经网络、循环神经网络和全连接层可以分开训练，也可以作为一个整体同时训练，本实施例对此不进行限定。
步骤306，向上述目标用户的信息接收终端推送上述结构化数据对应的数据查找结果。
在一些实施例中，基于步骤305所得到的结构化数据对应的数据查找结果，电子设备可以输出结构化数据相匹配的数据查找结果。例如，电子设备可以将与结构化数据相匹配的数据查找结果发送到目标用户的信息接收终端终端上。例如，电子设备可以将与结构化数据相匹配的数据查找结果发送到用户的邮箱。
从图3中可以看出，与图2对应的实施例相比，本实施例中的用于结构化数据的应用方法的流程300突出了数据查找模型的结构以及各结构的工作原理。
进一步参考图4，其示出了根据本公开实施例的数据查找模型的训练方法的一些实施例的流程图400。该数据查找模型训练方法，包括以下步骤：
步骤401，获取样本集合。
在一些实施例中，数据查找模型训练方法的执行主体(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、103)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。
步骤402，将样本集中的至少一个样本的样本信息分别输入至初始数据查找模型，得到上述至少一个样本中的每个样本信息所对应的数据查找结果。
在一些实施例中，基于步骤401所获取的至少一个样本信息，电子设备可以将至少一个样本信息中的各个样本信息依次输入至初始数据查找模型，从而得到至少一个样本信息中的各个样本信息所对应的上述样本目标用户的数据查找结果。这里，电子设备可以将各个样本信息从初始数据查找模型的输入侧输入，依次经过初始数据查找模型中的各层的参数的处理，并从数据查找模型的输出侧输出，输出侧输出的信息即为该样本信息所对应的样本目标用户的数据查找结果。其中，初始数据查找模型可以是未经训练的数据查找模型或未训练完成的数据查找模型，其各层设置有初始参数，初始参数在数据查找模型的训练过程中可以被不断地调整。
步骤403，将上述至少一个样本中的每个样本信息对应的数据查找结果与对应的数据查找结果进行比较。
在一些实施例中，基于步骤402所得到的至少一个样本信息中的各个样本信息所对应的样本目标用户的数据查找结果，电子设备可以将至少一个样本信息中的各个样本信息所对应的上述样本目标用户的数据查找结果与该样本信息所对应的上述目标用户的数据查找结果进行比较，从而得到初始数据查找模型的预测准确率。具体地，若一个样本样本信息所对应的样本目标用户的数据查找结果与该样本信息所对应的目标用户的数据查找结果相同或相近，则初始数据查找模型的预测正确；若一个样本样本信息所对应的样本目标用户的数据查找结果与该样本信息所对应的目标用户的数据查找结果不相同或不相近，则初始数据查找模型的预测错误；这里，电子设备可以计算预测正确的数目与样本总数的比值，并作为初始数据查找模型的预测准确率。
步骤404，确定预测准确率是否大于预设准确率阈值。
在一些实施例中，基于步骤403所得到初始数据查找模型的预测准确率，电子设备可以将初始数据查找模型的预测准确率与预设准确率阈值进行比较，若大于预设准确度阈值，则执行步骤405；若大于预设准确度阈值，则执行步骤406。
步骤405，响应于确定上述准确率大于上述预设准确率阈值，则将上述初始数据查找模型作为训练完成的数据查找模型。
在一些实施例中，在初始数据查找模型的预测准确度大于预设准确度阈值的情况下，说明该数据查找模型训练完成，此时，电子设备可以将初始数据查找模型作为训练完成的数据查找模型。
步骤406，调整初始数据查找模型的参数。
在一些实施例中，在初始数据查找模型的预测准确度不大于预设准确度阈值的情况下，电子设备可以调整初始数据查找模型的参数，并返回执行步骤402，直至训练出能够表征结构数据与数据查找结果之间的对应关系的数据查找模型为止。
进一步参考图5，其示出了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500。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：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506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，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5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，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质需要说明的是，本公开的一些实施例上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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标用户在文本输入终端上的输入文本；对上述输入文本进行结构化，得到结构化数据；将上述结构化数据输入至预先训练的数据查找模型，得到与上述结构化数据对应的数据查找结果，其中，上述数据查找模型用于表征结构化数据与数据查找结果的对应关系；向上述目标用户的信息接收终端推送上述数据查找结果。
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一些实施例的操作的计算机程序代码，上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。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
本公开的实施例公开的用于查找信息的方法，该方法实现了结构化数据的快速查找。
以上描述仅为本申请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，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。
Claims (9)
1.一种用于查找信息的方法，包括：
获取目标用户在文本输入终端上的输入文本；
对所述输入文本进行结构化，得到结构化数据；
将所述结构化数据输入至预先训练的数据查找模型，得到与所述结构化数据对应的数据查找结果，其中，所述数据查找模型用于表征结构化数据与数据查找结果的对应关系；
向所述目标用户的信息接收终端推送所述数据查找结果。
2.根据权利要求1所述的方法，其中，所述获取目标用户在文本输入终端上的输入文本，包括：
检测目标用户在文本输入终端上的操作；
响应于确定所述目标用户在文本输入终端上的操作是输入操作，获取输入文本。
3.根据权利要求1所述的方法，其中，所述对所述输入文本进行结构化，得到结构化数据，包括：
根据所述输入文本，提取实体和实体关系；
根据所述实体和实体关系，将所述输入文本转化成结构化数据。
4.根据权利要求1所述的方法，其中，所述数据查找模型包括卷积神经网络、循环神经网络和全连接层；以及
所述将所述结构化数据输入至预先训练的数据查找模型，得到与所述结构化数据对应的数据查找结果，包括：
将所述结构化数据输入至所述卷积神经网络，得到所述结构化数据的各段信息的特征向量；
将所述结构化数据的各段信息的各个特征向量输入至所述循环神经网络，得到所述结构化数据的特征向量；
将所述结构化数据的特征向量输入至全连接层，得到所述目标用户的数据查找结果。
5.根据权利要求1所述的方法，其中，所述数据查找模型通过如下步骤训练得到：
获取样本集合，样本包括样本信息和与样本信息对应的数据查找结果；
将所述样本集合中的样本的样本信息作为输入，将与输入的样本信息对应的所述目标用户的数据查找结果做为期望输出，训练得到所述数据查找模型。
6.根据权利要求5所述的方法，其中，所述将所述样本集合中的样本的样本信息作为输入，将与输入的样本信息对应的所述目标用户的数据查找结果作为期望输出，训练得到所述数据查找模型，包括：
基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本信息分别输入至初始数据查找模型，得到所述至少一个样本中的每个样本信息所对应的数据查找结果；将所述至少一个样本中的每个样本信息对应的数据查找结果与对应的数据查找结果进行比较；根据比较结果确定所述初始数据查找模型的预测准确率；确定所述预测准确率是否大于预设准确率阈值；响应于确定所述准确率大于所述预设准确率阈值，则将所述初始数据查找模型作为训练完成的数据查找模型。
7.根据权利要求6所述的方法，其中，所述将所述样本集合中的样本的样本信息作为输入，将与输入的样本信息对应的所述目标用户的数据查找结果做为期望输出，训练得到所述数据查找模型，还包括：
响应于确定所述准确率不大于所述预设准确率阈值，调整所述初始数据查找模型的参数，以及从所述样本集中重新选取样本，使用调整后的初始数据查找模型作为初始数据查找模型，再次执行所述训练步骤。
8.一种电子设备，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1-7中任一所述的方法。
9.一种计算机可读介质，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1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910760754.XA CN112395314A (zh) | 2019-08-16 | 2019-08-16 | 用于查找信息的方法、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910760754.XA CN112395314A (zh) | 2019-08-16 | 2019-08-16 | 用于查找信息的方法、电子设备和计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112395314A true CN112395314A (zh) | 2021-02-23 |
Family
ID=74603155
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910760754.XA Pending CN112395314A (zh) | 2019-08-16 | 2019-08-16 | 用于查找信息的方法、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112395314A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113886435A (zh) * | 2021-12-08 | 2022-01-04 | 国能大渡河大数据服务有限公司 | 一种基于循环神经网络的信息查询方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107491518A (zh) * | 2017-08-15 | 2017-12-19 | 北京百度网讯科技有限公司 | 一种搜索召回方法和装置、服务器、存储介质 |
| CN107577763A (zh) * | 2017-09-04 | 2018-01-12 | 北京京东尚科信息技术有限公司 | 检索方法和装置 |
| CN107885872A (zh) * | 2017-11-27 | 2018-04-06 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN108959531A (zh) * | 2018-06-29 | 2018-12-07 | 北京百度网讯科技有限公司 | 信息搜索方法、装置、设备及存储介质 |
| CN109033472A (zh) * | 2018-09-05 | 2018-12-18 | 深圳灵图慧视科技有限公司 | 图片检索方法及装置、计算机设备及计算机可读介质 |
-
2019
- 2019-08-16 CN CN201910760754.XA patent/CN112395314A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107491518A (zh) * | 2017-08-15 | 2017-12-19 | 北京百度网讯科技有限公司 | 一种搜索召回方法和装置、服务器、存储介质 |
| CN107577763A (zh) * | 2017-09-04 | 2018-01-12 | 北京京东尚科信息技术有限公司 | 检索方法和装置 |
| CN107885872A (zh) * | 2017-11-27 | 2018-04-06 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN108959531A (zh) * | 2018-06-29 | 2018-12-07 | 北京百度网讯科技有限公司 | 信息搜索方法、装置、设备及存储介质 |
| CN109033472A (zh) * | 2018-09-05 | 2018-12-18 | 深圳灵图慧视科技有限公司 | 图片检索方法及装置、计算机设备及计算机可读介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113886435A (zh) * | 2021-12-08 | 2022-01-04 | 国能大渡河大数据服务有限公司 | 一种基于循环神经网络的信息查询方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102302367B1 (ko) | 인터넷 텍스트 마이닝에 기반한 관심 지점의 유효성 판단 방법 및 장치 | |
| US10990899B2 (en) | Deep and wide machine learned model for job recommendation | |
| US10650102B2 (en) | Method and apparatus for generating parallel text in same language | |
| US10599686B1 (en) | Method and system for extracting information from graphs | |
| CN105765566B (zh) | 一种自动生成标题的方法及系统 | |
| US20190392258A1 (en) | Method and apparatus for generating information | |
| CN105653559B (zh) | 用于在数据库中进行搜索的方法和装置 | |
| US20170024375A1 (en) | Personal knowledge graph population from declarative user utterances | |
| CN112860866B (zh) | 语义检索方法、装置、设备以及存储介质 | |
| WO2021169842A1 (zh) | 数据更新方法、装置、电子设备及计算机可读存储介质 | |
| US10055457B2 (en) | Entity based query filtering | |
| KR20190016653A (ko) | 지능형 상담 서비스 제공 방법 및 시스템 | |
| CN111553162A (zh) | 一种意图识别的方法以及相关装置 | |
| JP7257585B2 (ja) | 深層ｃｃａ及び能動ペアワイズクエリを用いるマルチモーダル検索及びクラスタリングのための方法 | |
| Alexander et al. | Natural language web interface for database (NLWIDB) | |
| CN114429133A (zh) | 通过神经机器阅读理解依赖于话语分析来回答复杂问题 | |
| US20190279073A1 (en) | Computer Generated Determination of Patentability | |
| CN108228567B (zh) | 用于提取组织机构的简称的方法和装置 | |
| JP2020024674A (ja) | 情報をプッシュするための方法及び装置 | |
| WO2021252802A1 (en) | Method and system for advanced data conversations | |
| US20200349226A1 (en) | Dictionary Expansion Using Neural Language Models | |
| CN111008213A (zh) | 用于生成语言转换模型的方法和装置 | |
| CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
| CN110991183A (zh) | 问题的谓词确定方法、装置、设备及存储介质 | |
| CN112395314A (zh) | 用于查找信息的方法、电子设备和计算机可读介质 |
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 |