CN112507040B - 多元关系生成模型的训练方法、装置、电子设备及介质 - Google Patents
多元关系生成模型的训练方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN112507040B CN112507040B CN202011520491.4A CN202011520491A CN112507040B CN 112507040 B CN112507040 B CN 112507040B CN 202011520491 A CN202011520491 A CN 202011520491A CN 112507040 B CN112507040 B CN 112507040B
- Authority
- CN
- China
- Prior art keywords
- layer
- training
- network model
- relation
- graph
- 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
- 238000012549 training Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000006978 adaptation Effects 0.000 claims description 23
- 238000012512 characterization method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 9
- 238000003058 natural language processing Methods 0.000 abstract description 7
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010225 co-occurrence analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了多元关系生成模型的训练方法、装置、电子设备及介质,涉及计算机技术领域,具体涉及自然语言处理、深度学习、知识图谱等人工智能技术领域。具体实现方案为:获取多个知识条目文本;对知识条目文本进行语义解析,以得到对应的多个实体和语义信息;根据实体和语义信息构建异构图;以及根据异构图训练初始的人工智能网络模型,以得到多元关系生成模型,能够较大程度地学习到多元知识条目的语义完整性,从而有效提升多元关系生成模型的多元关系表示的准确性,实现更加准确的多元知识推理。
Description
技术领域
本申请涉及计算机技术领域,具体涉及自然语言处理、深度学习、知识图谱等人工智能技术领域,尤其涉及多元关系生成模型的训练方法、装置、电子设备及介质。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
知识图谱是由实体和关系构成的,用于描述世界、领域和语言知识的结构化知识库,通常知识图谱大多涉及实体之间的二元关系,将知识条目处理为以(主语,谓词,宾语)形式的三元组表示,例如,(玛丽·居里,所获奖项,诺贝尔物理学奖)。
发明内容
提供了一种多元关系生成模型的训练方法、装置、电子设备、存储介质及计算机程序产品。
根据第一方面,提供了一种多元关系生成模型的训练方法,包括:获取多个知识条目文本;对所述知识条目文本进行语义解析,以得到对应的多个实体和语义信息;根据所述实体和所述语义信息构建异构图;以及根据所述异构图训练初始的人工智能网络模型,以得到多元关系生成模型。
根据第二方面,提供了一种多元关系生成模型的训练装置,包括:获取模块,用于获取多个知识条目文本;解析模块,用于对所述知识条目文本进行语义解析,以得到对应的多个实体和语义信息;构建模块,用于根据所述实体和所述语义信息构建异构图;以及训练模块,用于根据所述异构图训练初始的人工智能网络模型,以得到多元关系生成模型。
根据第三方面,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本申请实施例的多元关系生成模型的训练方法。
根据第四方面,提出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本申请实施例公开的多元关系生成模型的训练方法。
根据第五方面,提出了一种计算机程序产品,包括计算机程序,当所述计算机程序由处理器执行时实现本申请实施例公开的多元关系生成模型的训练方法。
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是根据本申请第一实施例的示意图;
图2是本申请实施例中异构图的示意图;
图3是根据本申请第二实施例的示意图;
图4是本申请实施例中人工智能网络模型的示意图;
图5是根据本申请第三实施例的示意图;
图6是根据本申请第四实施例的示意图;
图7是用来实现本申请实施例的多元关系生成模型的训练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。
图1是根据本申请第一实施例的示意图。
其中,需要说明的是,本实施例的多元关系生成模型的训练方法的执行主体为多元关系生成模型的训练装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置在电子设备中,电子设备可以包括但不限于终端、服务器端等。
本申请实施例涉及自然语言处理、深度学习、知识图谱等人工智能技术领域。
其中,人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
自然语言处理(Natural Language Processing,NLP),能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
而知识图谱,是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。
如图1所示,该多元关系生成模型的训练方法包括:
S101:获取多个知识条目文本。
其中,知识条目文本例如【玛丽·居里在1903年和皮埃尔·居里、亨利·贝可勒尔共同获得诺贝尔物理学奖】,其是通过五元关系表示的知识条目文本,或者,知识条目文本也可以包括任意数量的元关系表示,比如三元关系表示,四元关系表示,六元关系表示等,对此不做限制。
本申请实施例中上述的各个知识条目文本中的元关系表示,可以是任意数量,从而在将多个知识条目文本作为训练用数据时,能够有效拓展训练用数据的特征维度,保障模型训练的准确性。
S102:对知识条目文本进行语义解析,以得到对应的多个实体和语义信息。
上述在获取多个知识条目文本之后,可以针对每个知识条目文本均进行语义解析,从中得到各个实体,以及该知识条目文本的语义信息。
以上述知识条目文本为【玛丽·居里在1903年和皮埃尔·居里、亨利·贝可勒尔共同获得诺贝尔物理学奖】进行示例,实体可以例如“玛丽·居里”“所获奖项”“获奖时间”“共同获奖人”“共同获奖人”,相应的,语义信息,可以用于描述该知识条目文本对应的语义,或者,也可以用于描述上述各个实体对应的实际的语义内容,比如“1903年”“诺贝尔物理学奖”“皮埃尔·居里”“亨利·贝可勒尔”等等,对此不做限制。
一些实施例中,其中,对知识条目文本进行语义解析,以得到对应的多个实体和语义信息,可以是对知识条目文本进行语义解析,以得到知识条目文本之中的多个实体;从多个实体中,确定出主属性和辅助属性;确定与主属性对应的主内容,和与辅助属性对应的辅助内容;以及将主内容和辅助内容作为语义信息。
举例而言,以上述知识条目文本为【玛丽·居里在1903年和皮埃尔·居里、亨利·贝可勒尔共同获得诺贝尔物理学奖】进行示例,实体可以例如“玛丽·居里”“所获奖项”“获奖时间”“共同获奖人”“共同获奖人”,相应的,主属性可以是“所获奖项”,辅助属性可以是“获奖时间”“共同获奖人”“共同获奖人”,则相应的,主属性“所获奖项”对应的“诺贝尔物理学奖”,可以被称为主内容,而辅助属性“获奖时间”对应的“在1903年”,以及辅助属性“共同获奖人”对应的“皮埃尔·居里”“亨利·贝可勒尔”可以被称为辅助内容。
也即是说,本申请实施例中,可以首先将每个多元知识条目文本表示成核心三元组(该核心三元组中包括了至少部分实体,以及与实体对应的内容)和辅助属性-值对的组合,具体如,【玛丽·居里在1903年和皮埃尔·居里、亨利·贝可勒尔共同获得诺贝尔物理学奖】,该五元知识条目文本可表示为:
(玛丽·居里,所获奖项,诺贝尔物理学奖)
|—获奖时间:1903年;
|—共同获奖人:皮埃尔·居里;
|—共同获奖人:亨利·贝可勒尔。
其中,(玛丽·居里,所获奖项,诺贝尔物理学奖)为核心三元组,而“获奖时间:1903年”、“共同获奖人:皮埃尔·居里”、“共同获奖人:亨利·贝可勒尔”则为三组辅助属性-值对,对核心三元组进行补充。
本申请实施例中,可以将上述核心三元组中的玛丽·居里,所获奖项抽象为相应的实体,并将三元组中的玛丽·居里,所获奖项作为主属性,与上述的辅助属性进行组合,或者,也可以为其他任意可能的组合方式,对此不做限制。
由于上述对知识条目文本进行语义解析,以得到知识条目文本之中的多个实体;从多个实体中,确定出主属性和辅助属性;确定与主属性对应的主内容,和与辅助属性对应的辅助内容;以及将主内容和辅助内容作为语义信息,从而能够有效拓展训练用数据的特征维度,保障模型训练的准确性,使得训练得到的多元关系生成模型较大程度地学习到多元知识条目的语义完整性。
另一些实施例中,也可以采用其他任意可能的方式对知识条目文本进行语义解析,以得到对应的多个实体和语义信息,比如数学的方式、工程的方式等,对此不做限制。
S103:根据实体和语义信息构建异构图。
上述在对知识条目文本进行语义解析,以得到对应的多个实体和语义信息之后,可以根据实体和语义信息构建异构图。
其中,异构图是一种图模型,而图模型,可以是深度学习中的图模型,或者也可以是人工智能技术领域中其他任意可能架构形式的图模型,对此不做限制,异构图中可以存在不只一种节点和边,允许不同类型的节点拥有不同维度的特征或属性,也即是说,本申请根据实体和语义信息构建异构图,该异构图中的节点的类型可以相同或者不相同,该异构图能够携带与知识条目文本关联的不同维度的特征或属性。
可选地,一些实施例中,根据实体和语义信息构建异构图,可以是分别将实体、主属性、辅助属性、主内容,以及辅助内容映射为对应的节点;分别采用实体、主属性、辅助属性、主内容,以及辅助内容的词性,描述所对应节点的词性;在具有对应关系的节点之间构建边;根据边所连接节点对应的词性,形成边的词性类型;以及采用词性类型对边进行标注,以根据节点、边,以及边的标注构建异构图。
其中的词性例如,主语、谓语、宾语,而一个边可能连接两个节点,则若两个节点对应的词性分别是主语、谓语,则相应的该边的词性类型为主语-谓语类型。
举例如下:每个多元知识条目文本表示成核心三元组(s,r,o)和辅助属性-值对(ai,vi)的组合,即其中,m为辅助属性-值对的数目,本申请实施例中,可以将形如/>的多元知识条目文本完整地表示成一个异构图如图2所示,图2是本申请实施例中异构图的示意图,在图2中,不同形态的边对应一种词性类型,ε是图上的节点集合,包含相应多元知识条目文本中所有的实体(值)和关系(属性),即ε={r,s,o,a1,…,am,v1,…,vm}。/>是图上的边的集合,包含四种词性类型总计{2m+2)条边,即:
主语-谓词型边(s,r),共计1条;
宾语-谓词型边(o,r),共计1条;
谓词-属性型边(r,ai),共计m条;
属性-值型边(ai,vi),共计m条。
本申请实施例中的异构图,其节点和连边具有对应的词性类型,节点分为实体和关系(关系包含主属性、辅助属性、主内容,以及辅助内容)两种类型,而连边的词性类型可以是主语-谓词、宾语-谓词、谓词-属性、属性-值四种类型,本申请实施例中,通过根据实体和语义信息构建异构图,能够在不损失语义信息的前提下最大程度保留了知识条目的整体性,使得该异构图完整地保留多元知识条目文本的语义信息,能够有效辅助提升多元关系生成模型的建模效果。
S104:根据异构图训练初始的人工智能网络模型,以得到多元关系生成模型。
上述在根据实体和语义信息构建异构图之后,可以根据异构图训练初始的人工智能网络模型,以得到多元关系生成模型,比如可以将异构图中各个节点和边,以及节点和边携带的多种维度的特征或属性输入至初始的人工智能网络模型中,直至初始的人工智能网络模型收敛,则将训练得到的人工智能网络模型作为多元关系生成模型。
上述人工智能网络模型可以例如为神经网络模型、机器学习模型等,本申请实施例中,可以采用图神经网络模型,用以训练得到多元关系生成模型,利用图神经网络技术对该异构图进行建模,能够充分捕捉到多元知识条目文本中各个元素(实体、主属性、辅助属性及其对应的内容)之间的潜在关联。
本实施例中,通过获取多个知识条目文本,对知识条目文本进行语义解析,以得到对应的多个实体和语义信息,并根据实体和语义信息构建异构图,以及根据异构图训练初始的人工智能网络模型,以得到多元关系生成模型,能够较大程度地学习到多元知识条目的语义完整性,从而有效提升多元关系生成模型的多元关系表示的准确性,实现更加准确的多元知识推理。
图3是根据本申请第二实施例的示意图。
如图3所示,该多元关系生成模型的训练方法包括:
S301:获取多个知识条目文本。
S302:对知识条目文本进行语义解析,以得到对应的多个实体和语义信息。
S303:根据实体和语义信息构建异构图。
S301-S303的说明可以具体参见上述实施例,在此不再赘述。
S304:将异构图输入至输入表征层之中,以得到输入表征层输出的与节点对应的向量表示,向量表示,描述与节点对应的内容之间的语义关系。
也即是说,本申请实施例中的初始的人工智能网络模型包括输入表征层,图注意力层(该图注意力层的数量可以是多层,比如L层,各层图注意力层顺序排列),以及线性预测层。
如图4所示,图4是本申请实施例中人工智能网络模型的示意图,包括输入表征层,L层图注意力层,以及线性预测层。
则上述在根据实体和语义信息构建异构图之后,可以将异构图输入至输入表征层之中,以得到输入表征层输出的与节点对应的向量表示,使得向量表示能够描述与节点对应的内容之间的语义关系,从而将异构图与人工智能网络模型进行有效融合,使得人工智能网络模型快速地学习到与节点对应的内容之间的语义关系。
S305:将异构图输入至图注意力层之中,以得到图注意力层输出的与边的词性类型对应的适配因子。
上述在将异构图输入至输入表征层之中,以得到输入表征层输出的与节点对应的向量表示之后,可以进一步地,将输入表征层输出的向量表示作为异构图的节点的标注,将标注后的异构图输入至图注意力层之中,以得到图注意力层输出的与边的词性类型对应的适配因子,该适配因子的形式可以具体是一个向量,适配因子,可以用于描述与其对应边的词性类型在整体的知识条目文本当中所占的比重。
在将异构图输入至图注意力层之中,以得到图注意力层输出的与边的词性类型对应的适配因子之后,还可以根据适配因子调整图注意力层的注意力强度值,从而形成更为准确的连边感知的自注意力机制,实现快速、准确地建模图的异构性。
S306:根据向量表示和适配因子输入至线性预测层之中,以得到线性预测层输出的预测多元关系。
上述在将异构图输入至输入表征层之中,以得到输入表征层输出的与节点对应的向量表示,将异构图输入至图注意力层之中,以得到图注意力层输出的与边的词性类型对应的适配因子之后,可以根据向量表示和适配因子输入至线性预测层之中,以得到线性预测层输出的预测多元关系。
也即是说,在训练过程中,采用多个知识条目文本训练初始的人工智能网络模型,即采用初始的人工智能网络模型对各个知识条目文本对应的多元关系进行预测,该预测得到的多元关系,即可以被称为预测多元关系,而后对预测多元关系进行相应的判定,直至根据预测多元关系判定人工智能网络模型收敛。
举例而言,将多元知识推理转化为异构图上的节点预测问题,以预测多元知识条目中的主语s为例(预测得到的多元关系,即可以被称为预测多元关系),人工智能网络模型的输入即为节点缺失的异构图/>输出则应该为预测多元关系(包含预测得到的目标节点主语s)。
S307:根据预测多元关系和标注多元关系训练初始的人工智能网络模型,以得到多元关系生成模型。
可选地,一些实施例中,根据预测多元关系和标注多元关系训练初始的人工智能网络模型,以得到多元关系生成模型,可以是确定预测多元关系和标注多元关系之间的损失值;如果损失值满足设定损失阈值,则将训练得到的人工智能网络模型作为多元关系生成模型,从而实现了较好的模型训练效果。
该损失值可以是由与初始的人工智能网络模型对应的损失函数计算得到的,在应用中,损失函数通常作为学习准则与优化问题相联系,即通过最小化损失函数求解和评估模型,从而本申请实施例中可以确定预测多元关系和标注多元关系之间的损失值,而后,采用该损失值指导训练过程。
上述在确定预测多元关系和标注多元关系之间的损失值之后,可以实时地确定损失值是否满足设定损失阈值(该设定损失阈值可以是预先标定的,判定人工智能网络模型收敛的损失值的门限值),如果损失值满足设定损失阈值,则将训练得到的人工智能网络模型作为多元关系生成模型,即模型训练完成,此时的多元关系生成模型满足了预先设定的收敛条件。
本实施例中,通过获取多个知识条目文本,对知识条目文本进行语义解析,以得到对应的多个实体和语义信息,并根据实体和语义信息构建异构图,以及根据异构图训练初始的人工智能网络模型,以得到多元关系生成模型,能够较大程度地学习到多元知识条目的语义完整性,从而有效提升多元关系生成模型的多元关系表示的准确性,实现更加准确的多元知识推理。在根据实体和语义信息构建异构图之后,可以将异构图输入至输入表征层之中,以得到输入表征层输出的与节点对应的向量表示,将异构图输入至图注意力层之中,以得到图注意力层输出的与边的词性类型对应的适配因子,根据向量表示和适配因子输入至线性预测层之中,以得到线性预测层输出的预测多元关系,使得向量表示能够描述与节点对应的内容之间的语义关系,从而将异构图与人工智能网络模型进行有效融合,使得人工智能网络模型快速地学习到与节点对应的内容之间的语义关系。在将异构图输入至图注意力层之中,以得到图注意力层输出的与边的词性类型对应的适配因子之后,还可以根据适配因子调整图注意力层的注意力强度值,从而形成更为准确的连边感知的自注意力机制,实现快速、准确地建模图的异构性。
图5是根据本申请第三实施例的示意图。
如图5所示,该多元关系生成模型的训练装置50,包括:
获取模块501,用于获取多个知识条目文本;
解析模块502,用于对知识条目文本进行语义解析,以得到对应的多个实体和语义信息;
构建模块503,用于根据实体和语义信息构建异构图;以及
训练模块504,用于根据异构图训练初始的人工智能网络模型,以得到多元关系生成模型。
在本申请的一些实施例中,其中,解析模块502,具体用于:
对知识条目文本进行语义解析,以得到知识条目文本之中的多个实体;
从多个实体中,确定出主属性和辅助属性;
确定与主属性对应的主内容,和与辅助属性对应的辅助内容;以及
将主内容和辅助内容作为语义信息。
在本申请的一些实施例中,如图6所示,图6是根据本申请第四实施例的示意图,该多元关系生成模型的训练装置60,包括:获取模块601,解析模块602,构建模块603,以及训练模块604,其中,构建模块603,包括:
映射子模块6031,用于分别将实体、主属性、辅助属性、主内容,以及辅助内容映射为对应的节点,并分别采用实体、主属性、辅助属性、主内容,以及辅助内容的词性,描述所对应节点的词性;
第一构建子模块6032,用于在具有对应关系的节点之间构建边;
生成子模块6033,用于根据边所连接节点对应的词性,形成边的词性类型;以及
第二构建子模块6034,用于采用词性类型对边进行标注,以根据节点、边,以及边的标注构建异构图。
在本申请的一些实施例中,初始的人工智能网络模型包括输入表征层,图注意力层,以及线性预测层,其中,训练模块604,具体用于:
将异构图输入至输入表征层之中,以得到输入表征层输出的与节点对应的向量表示,向量表示,描述与节点对应的内容之间的语义关系;
将异构图输入至图注意力层之中,以得到图注意力层输出的与边的词性类型对应的适配因子;
根据向量表示和适配因子输入至线性预测层之中,以得到线性预测层输出的预测多元关系;以及
根据预测多元关系和标注多元关系训练初始的人工智能网络模型,以得到多元关系生成模型。
在本申请的一些实施例中,其中,训练模块604,具体用于:
根据适配因子调整图注意力层的注意力强度值。
在本申请的一些实施例中,其中,训练模块604,具体用于:
确定预测多元关系和标注多元关系之间的损失值;
如果损失值满足设定损失阈值,则将训练得到的人工智能网络模型作为多元关系生成模型。
可以理解的是,本实施例附图6中的多元关系生成模型的训练装置60与上述实施例中的多元关系生成模型的训练装置50,获取模块601与上述实施例中的获取模块501,解析模块602与上述实施例中的解析模块502,构建模块603与上述实施例中的构建模块503,训练模块604与上述实施例中的训练模块504,可以具有相同的功能和结构。
需要说明的是,前述对多元关系生成模型的训练方法的解释说明也适用于本实施例的多元关系生成模型的训练装置,此处不再赘述。
本实施例中,通过获取多个知识条目文本,对知识条目文本进行语义解析,以得到对应的多个实体和语义信息,并根据实体和语义信息构建异构图,以及根据异构图训练初始的人工智能网络模型,以得到多元关系生成模型,能够较大程度地学习到多元知识条目的语义完整性,从而有效提升多元关系生成模型的多元关系表示的准确性,实现更加准确的多元知识推理。
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。
图7是用来实现本申请实施例的多元关系生成模型的训练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7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如,多元关系生成模型的训练方法。
例如,在一些实施例中,多元关系生成模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的多元关系生成模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行多元关系生成模型的训练方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本申请的多元关系生成模型的训练方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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)、互联网及区块链网络。
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,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")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。
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,本发公开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)
1.一种多元关系生成模型的训练方法,包括:
获取多个知识条目文本;
对所述知识条目文本进行语义解析,以得到所述知识条目文本之中的所述多个实体;
从所述多个实体中,确定出主属性和辅助属性;
确定与所述主属性对应的主内容,和与所述辅助属性对应的辅助内容;以及
将所述主内容和所述辅助内容作为语义信息;
分别将所述实体、所述主属性、所述辅助属性、所述主内容,以及所述辅助内容映射为对应的节点;
分别采用所述实体、所述主属性、所述辅助属性、所述主内容,以及所述辅助内容的词性,描述所对应节点的词性;
在具有对应关系的节点之间构建边;
根据所述边所连接节点对应的词性,形成所述边的词性类型;以及
采用所述词性类型对所述边进行标注,以根据所述节点、所述边,以及所述边的标注构建所述异构图;以及
将所述异构图中各个节点和边,以及节点和边携带的多种维度的特征或属性输入至初始的人工智能网络模型中,直至所述初始的人工智能网络模型收敛,将训练得到的人工智能网络模型作为多元关系生成模型。
2.根据权利要求1所述的方法,所述初始的人工智能网络模型包括输入表征层,图注意力层,以及线性预测层,其中,所述将所述异构图中各个节点和边,以及节点和边携带的多种维度的特征或属性输入至初始的人工智能网络模型中,直至所述初始的人工智能网络模型收敛,将训练得到的人工智能网络模型作为多元关系生成模型,包括:
将所述异构图输入至所述输入表征层之中,以得到所述输入表征层输出的与所述节点对应的向量表示,所述向量表示,描述与所述节点对应的内容之间的语义关系;
将所述异构图输入至所述图注意力层之中,以得到所述图注意力层输出的与所述边的词性类型对应的适配因子;
根据所述向量表示和所述适配因子输入至所述线性预测层之中,以得到所述线性预测层输出的预测多元关系;以及
根据所述预测多元关系和标注多元关系训练所述初始的人工智能网络模型,以得到多元关系生成模型。
3.根据权利要求2所述的方法,在所述将所述异构图输入至所述图注意力层之中,以得到所述图注意力层输出的与所述边的词性类型对应的适配因子之后,还包括:
根据所述适配因子调整所述图注意力层的注意力强度值。
4.根据权利要求2所述的方法,其中,所述根据所述预测多元关系和标注多元关系训练所述初始的人工智能网络模型,以得到多元关系生成模型,包括:
确定所述预测多元关系和标注多元关系之间的损失值;
如果所述损失值满足设定损失阈值,则将训练得到的人工智能网络模型作为所述多元关系生成模型。
5.一种多元关系生成模型的训练装置,包括:
获取模块,用于获取多个知识条目文本;
解析模块,用于对所述知识条目文本进行语义解析,以得到所述知识条目文本之中的所述多个实体;从所述多个实体中,确定出主属性和辅助属性;确定与所述主属性对应的主内容,和与所述辅助属性对应的辅助内容;以及将所述主内容和所述辅助内容作为语义信息;
构建模块,用于分别将所述实体、所述主属性、所述辅助属性、所述主内容,以及所述辅助内容映射为对应的节点;分别采用所述实体、所述主属性、所述辅助属性、所述主内容,以及所述辅助内容的词性,描述所对应节点的词性;在具有对应关系的节点之间构建边;根据所述边所连接节点对应的词性,形成所述边的词性类型;以及采用所述词性类型对所述边进行标注,以根据所述节点、所述边,以及所述边的标注构建所述异构图;以及
训练模块,用于将所述异构图中各个节点和边,以及节点和边携带的多种维度的特征或属性输入至初始的人工智能网络模型中,直至所述初始的人工智能网络模型收敛,将训练得到的人工智能网络模型作为多元关系生成模型。
6.根据权利要求5所述的装置,所述初始的人工智能网络模型包括输入表征层,图注意力层,以及线性预测层,其中,所述训练模块,具体用于:
将所述异构图输入至所述输入表征层之中,以得到所述输入表征层输出的与所述节点对应的向量表示,所述向量表示,描述与所述节点对应的内容之间的语义关系;
将所述异构图输入至所述图注意力层之中,以得到所述图注意力层输出的与所述边的词性类型对应的适配因子;
根据所述向量表示和所述适配因子输入至所述线性预测层之中,以得到所述线性预测层输出的预测多元关系;以及
根据所述预测多元关系和标注多元关系训练所述初始的人工智能网络模型,以得到多元关系生成模型。
7.根据权利要求6所述的装置,其中,所述训练模块,具体用于:
根据所述适配因子调整所述图注意力层的注意力强度值。
8.根据权利要求6所述的装置,其中,所述训练模块,具体用于:
确定所述预测多元关系和标注多元关系之间的损失值;
如果所述损失值满足设定损失阈值,则将训练得到的人工智能网络模型作为所述多元关系生成模型。
9.一种电子设备,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1-4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,其中,所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011520491.4A CN112507040B (zh) | 2020-12-21 | 2020-12-21 | 多元关系生成模型的训练方法、装置、电子设备及介质 |
US17/480,575 US20220004892A1 (en) | 2020-12-21 | 2021-09-21 | Method for training multivariate relationship generation model, electronic device and medium |
EP21198333.3A EP3913543A3 (en) | 2020-12-21 | 2021-09-22 | Method and apparatus for training multivariate relationship generation model, electronic device and medium |
KR1020210167756A KR20220005416A (ko) | 2020-12-21 | 2021-11-29 | 다항 관계 생성 모델의 트레이닝 방법, 장치, 전자 기기 및 매체 |
JP2021195422A JP2022028908A (ja) | 2020-12-21 | 2021-12-01 | 多項関係生成モデルのトレーニング方法、装置、電子機器及び媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011520491.4A CN112507040B (zh) | 2020-12-21 | 2020-12-21 | 多元关系生成模型的训练方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507040A CN112507040A (zh) | 2021-03-16 |
CN112507040B true CN112507040B (zh) | 2023-08-08 |
Family
ID=74922899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011520491.4A Active CN112507040B (zh) | 2020-12-21 | 2020-12-21 | 多元关系生成模型的训练方法、装置、电子设备及介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220004892A1 (zh) |
EP (1) | EP3913543A3 (zh) |
JP (1) | JP2022028908A (zh) |
KR (1) | KR20220005416A (zh) |
CN (1) | CN112507040B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4326560A1 (en) | 2021-04-21 | 2024-02-28 | Ricoh Company, Ltd. | Contact member, drying apparatus, and printing apparatus |
CN113221565A (zh) * | 2021-05-07 | 2021-08-06 | 北京百度网讯科技有限公司 | 实体识别模型的训练方法、装置、电子设备及存储介质 |
CN113642319B (zh) * | 2021-07-29 | 2022-11-29 | 北京百度网讯科技有限公司 | 文本处理方法、装置、电子设备及存储介质 |
CN113792155B (zh) * | 2021-08-30 | 2022-12-09 | 北京百度网讯科技有限公司 | 基于知识图谱的文本校验方法、装置、电子设备和介质 |
CN114234995A (zh) * | 2021-12-21 | 2022-03-25 | 浙江数智交院科技股份有限公司 | 一种导航方法、装置、电子设备及存储介质 |
CN114329244A (zh) * | 2021-12-28 | 2022-04-12 | 北京百度网讯科技有限公司 | 地图兴趣点查询方法、装置、设备、存储介质及程序产品 |
CN114595686B (zh) * | 2022-03-11 | 2023-02-03 | 北京百度网讯科技有限公司 | 知识抽取方法、知识抽取模型的训练方法及装置 |
CN114596574A (zh) * | 2022-03-22 | 2022-06-07 | 北京百度网讯科技有限公司 | 文本识别方法、装置、电子设备和介质 |
CN114676694A (zh) * | 2022-03-25 | 2022-06-28 | 中国工商银行股份有限公司 | 业务模型的生成方法、装置、设备、介质和程序产品 |
CN114694769B (zh) * | 2022-03-28 | 2024-09-10 | 北京百度网讯科技有限公司 | 分子表示方法、分子表示模型的训练方法及装置 |
CN115146073B (zh) * | 2022-07-08 | 2024-06-21 | 华中师范大学 | 一种跨空间语义知识注入的试题知识点标记方法及应用 |
CN116484870B (zh) * | 2022-09-09 | 2024-01-05 | 北京百度网讯科技有限公司 | 提取文本信息的方法、装置、设备及介质 |
CN116127319B (zh) * | 2023-01-16 | 2024-03-29 | 北京百度网讯科技有限公司 | 多模态负样本构建、模型预训练方法、装置、设备及介质 |
CN116564408B (zh) * | 2023-04-28 | 2024-03-01 | 上海科技大学 | 基于知识图谱推理的合成致死基因对预测方法、装置、设备及介质 |
CN116468131B (zh) * | 2023-06-19 | 2023-09-01 | 成都市奇点软件有限公司 | 一种基于阶段性再训练的ai驱动项目自动化方法及系统 |
CN116932013B (zh) * | 2023-09-15 | 2023-11-21 | 广州市桂勤器械设备工程有限公司 | 基于人工智能的医用气体设备运行系统更新方法及系统 |
CN117274006B (zh) * | 2023-11-21 | 2024-03-12 | 山东山大鸥玛软件股份有限公司 | 一种命题方法、系统、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010081238A1 (en) * | 2009-01-19 | 2010-07-22 | Kibboko, Inc. | Method and system for document classification |
CN108304911A (zh) * | 2018-01-09 | 2018-07-20 | 中国科学院自动化研究所 | 基于记忆神经网络的知识抽取方法以及系统和设备 |
CN110727806A (zh) * | 2019-12-17 | 2020-01-24 | 北京百度网讯科技有限公司 | 基于自然语言和知识图谱的文本处理方法及装置 |
CN110765235A (zh) * | 2019-09-09 | 2020-02-07 | 深圳市人马互动科技有限公司 | 训练数据的生成方法、装置、终端及可读介质 |
CN111950291A (zh) * | 2020-06-22 | 2020-11-17 | 北京百度网讯科技有限公司 | 语义表示模型的生成方法、装置、电子设备及存储介质 |
CN111950293A (zh) * | 2020-06-24 | 2020-11-17 | 北京百度网讯科技有限公司 | 语义表示模型的生成方法、装置、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260389A1 (en) * | 2017-03-08 | 2018-09-13 | Fujitsu Limited | Electronic document segmentation and relation discovery between elements for natural language processing |
US11625620B2 (en) * | 2018-08-16 | 2023-04-11 | Oracle International Corporation | Techniques for building a knowledge graph in limited knowledge domains |
US11210590B2 (en) * | 2019-01-08 | 2021-12-28 | International Business Machines Corporation | Generating free text representing semantic relationships between linked entities in a knowledge graph |
CN112015859B (zh) * | 2019-05-31 | 2023-08-18 | 百度在线网络技术(北京)有限公司 | 文本的知识层次抽取方法及装置、计算机设备及可读介质 |
CN110674317B (zh) * | 2019-09-30 | 2022-04-12 | 北京邮电大学 | 一种基于图神经网络的实体链接方法及装置 |
-
2020
- 2020-12-21 CN CN202011520491.4A patent/CN112507040B/zh active Active
-
2021
- 2021-09-21 US US17/480,575 patent/US20220004892A1/en active Pending
- 2021-09-22 EP EP21198333.3A patent/EP3913543A3/en not_active Withdrawn
- 2021-11-29 KR KR1020210167756A patent/KR20220005416A/ko unknown
- 2021-12-01 JP JP2021195422A patent/JP2022028908A/ja active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010081238A1 (en) * | 2009-01-19 | 2010-07-22 | Kibboko, Inc. | Method and system for document classification |
CN108304911A (zh) * | 2018-01-09 | 2018-07-20 | 中国科学院自动化研究所 | 基于记忆神经网络的知识抽取方法以及系统和设备 |
CN110765235A (zh) * | 2019-09-09 | 2020-02-07 | 深圳市人马互动科技有限公司 | 训练数据的生成方法、装置、终端及可读介质 |
CN110727806A (zh) * | 2019-12-17 | 2020-01-24 | 北京百度网讯科技有限公司 | 基于自然语言和知识图谱的文本处理方法及装置 |
CN111950291A (zh) * | 2020-06-22 | 2020-11-17 | 北京百度网讯科技有限公司 | 语义表示模型的生成方法、装置、电子设备及存储介质 |
CN111950293A (zh) * | 2020-06-24 | 2020-11-17 | 北京百度网讯科技有限公司 | 语义表示模型的生成方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
"基于网络图模型的学术论文及其标签推荐方法研究";蔡腾远;《中国优秀硕士学位论文全文数据库•信息科技辑》;第2018年卷(第2期);第1-77页 * |
Also Published As
Publication number | Publication date |
---|---|
US20220004892A1 (en) | 2022-01-06 |
CN112507040A (zh) | 2021-03-16 |
EP3913543A3 (en) | 2022-04-27 |
JP2022028908A (ja) | 2022-02-16 |
EP3913543A2 (en) | 2021-11-24 |
KR20220005416A (ko) | 2022-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112507040B (zh) | 多元关系生成模型的训练方法、装置、电子设备及介质 | |
EP4113354A2 (en) | Method and apparatus for generating pre-trained language model, electronic device and storage medium | |
CN112560496B (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
EP3910492A2 (en) | Event extraction method and apparatus, and storage medium | |
EP3913545A2 (en) | Method and apparatus for updating parameter of multi-task model, and electronic device | |
CN112541122A (zh) | 推荐模型的训练方法、装置、电子设备及存储介质 | |
EP4113357A1 (en) | Method and apparatus for recognizing entity, electronic device and storage medium | |
CN112579727B (zh) | 文档内容的提取方法、装置、电子设备及存储介质 | |
CN113590776B (zh) | 基于知识图谱的文本处理方法、装置、电子设备及介质 | |
US11669740B2 (en) | Graph-based labeling rule augmentation for weakly supervised training of machine-learning-based named entity recognition | |
JP2022173453A (ja) | ディープラーニングモデルのトレーニング方法、自然言語処理方法及び装置、電子機器、記憶媒体及びコンピュータプログラム | |
CN113792153A (zh) | 问答推荐方法及其装置 | |
CN112560461A (zh) | 新闻线索的生成方法、装置、电子设备及存储介质 | |
CN113656590A (zh) | 行业图谱的构建方法、装置、电子设备及存储介质 | |
EP3992814A2 (en) | Method and apparatus for generating user interest profile, electronic device and storage medium | |
CN113553411B (zh) | 查询语句的生成方法、装置、电子设备和存储介质 | |
CN117688946A (zh) | 基于大模型的意图识别方法、装置、电子设备和存储介质 | |
CN117370524A (zh) | 答复生成模型的训练方法、答复语句生成方法和装置 | |
CN117235280A (zh) | 一种操作票生成方法、装置、设备及介质 | |
CN116226478B (zh) | 信息处理方法、模型训练方法、装置、设备及存储介质 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN114792097A (zh) | 预训练模型提示向量的确定方法、装置及电子设备 | |
CN114416941A (zh) | 融合知识图谱的对话知识点确定模型的生成方法及装置 | |
CN115510203B (zh) | 问题答案确定方法、装置、设备、存储介质及程序产品 | |
CN117932036A (zh) | 对话处理方法、装置、电子设备及存储介质 |
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 |