CN112507090B - 用于输出信息的方法、装置、设备和存储介质 - Google Patents
用于输出信息的方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112507090B CN112507090B CN202011379179.8A CN202011379179A CN112507090B CN 112507090 B CN112507090 B CN 112507090B CN 202011379179 A CN202011379179 A CN 202011379179A CN 112507090 B CN112507090 B CN 112507090B
- Authority
- CN
- China
- Prior art keywords
- sample
- classifier
- answer
- understanding model
- reading understanding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims description 43
- 230000015654 memory Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 239000012634 fragment Substances 0.000 abstract 1
- 201000010099 disease Diseases 0.000 description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 19
- 239000003814 drug Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 206010011224 Cough Diseases 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012015 optical character recognition Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010006458 Bronchitis chronic Diseases 0.000 description 2
- 206010006451 bronchitis Diseases 0.000 description 2
- 208000007451 chronic bronchitis Diseases 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 206010062717 Increased upper airway secretion Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 208000013116 chronic cough Diseases 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 206010013781 dry mouth Diseases 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 208000026435 phlegm Diseases 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F18/24—Classification techniques
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了用于输出信息的方法、装置、设备和存储介质,涉及自然语言理解和知识图谱等人工智能技术领域,可应用于医疗领域。具体实现方案为:获取待提取实体的文本信息和领域。根据领域获取预设的问题和阅读理解模型。将问题和文本信息输入阅读理解模型,得到提取出的答案。将答案作为实体输出。该实施方式将命名实体识别转化为片段抽取型的阅读理解方式,从而提高了识别的准确性。
Description
技术领域
本申请涉及自然语言理解和知识图谱等人工智能技术领域,可应用于医疗领域。
背景技术
目前电子文书(例如,病历)的自动化质控受限于传统信息计划厂商的技术能力限制,多呈现重形式(完整有效性,填写时效性)和轻内涵(术语规范性、表达一致性、逻辑性等)的管理现状。特别是医疗领域,目前大量的医学病历问题需要靠医院的三级质控体系进行大量的人工抽检,由于时间、人力、水平有限,重复而繁重的病案质控工作很难在效率和质量上得到有效的提升。在做医疗质控时,非常依赖医疗实体和属性抽取。
传统的命名实体识别方法是基于序列标注的方案来做的,但是存在一些缺点,如:两个实体之间有重叠时不能同时提取出来;一个实体被切分成两个时,不能识别出来。
发明内容
本公开提供了一种用于输出信息的方法、装置、设备以及存储介质。
根据本公开的第一方面,提供了一种用于输出信息的方法,包括:获取待提取实体的文本信息和领域;根据领域获取预设的问题和阅读理解模型;将问题和文本信息输入阅读理解模型,得到提取出的答案;将答案作为实体输出。
根据本公开的第二方面,提供了一种用于输出信息的装置,包括:文本获取单元,被配置成获取待提取实体的文本信息和领域;模型获取单元,被配置成根据领域获取预设的问题和阅读理解模型;提取单元,被配置成将问题和文本信息输入阅读理解模型,得到提取出的答案;输出单元,被配置成将答案作为实体输出。
根据本公开的第三方面,提供了一种电子设备,其特征在于,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第一方面中任一项的方法。
根据本公开的第四方面,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权利要求1-5中任一项的方法。
根据本申请的技术,可以用统一的方式来进行命名实体识别,与以往的方法相比,实现上更加简单,只需要标注数据和构建命名实体对应的问题即可,并且由于构建的问题引入了先验知识,模型具有更好的泛化能力。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于输出信息的方法的一个实施例的流程图;
图3是根据本公开的用于输出信息的方法的一个应用场景的示意图;
图4是根据本公开的用于输出信息的方法的又一个实施例的流程图;
图5是根据本公开的用于输出信息的装置的一个实施例的结构示意图;
图6是用来实现本申请实施例的用于输出信息的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示出了可以应用本申请实施例的用于输出信息的方法、用于输出信息的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端101、102,网络103、数据库服务器104和服务器105。网络103用以在终端101、102,数据库服务器104与服务器105之间提供通信链路的介质。网络103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110可以使用终端101、102通过网络103与服务器105进行交互,以接收或发送消息等。终端101、102上可以安装有各种客户端应用,例如模型训练类应用、实体识别类应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。
这里的终端101、102可以是硬件,也可以是软件。当终端101、102为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
当终端101、102为硬件时,其上还可以安装有图像采集设备。图像采集设备可以是各种能实现采集图像功能的设备,如摄像头、传感器等等。用户110可以利用终端101、102上的图像采集设备,来采集文档信息(例如拍摄病例图片),然后通过OCR识别出图片内容生成电子文档。终端101、102也可直接获取电子文档(例如,电子病例)。
数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本。其中,样本可以包括样本文档、样本问题和样本答案。这样,用户110也可以通过终端101、102,从数据库服务器104所存储的样本集中选取样本。
服务器105也可以是提供各种服务的服务器,例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集中的样本,对初始模型进行训练,并可以将训练结果(如生成的阅读理解模型)发送给终端101、102。这样,用户可以应用生成的阅读理解模型进行实体提取。服务器也可接收待提取实体的文本信息,利用训练好的阅读理解模型提取实体,将提取出的实体反馈给终端。
这里的数据库服务器104和服务器105同样可以是硬件,也可以是软件。当它们为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当它们为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于输出信息的方法一般由服务器105执行。相应地,用于输出信息的装置一般也设置于服务器105中。
需要指出的是,在服务器105可以实现数据库服务器104的相关功能的情况下,系统架构100中可以不设置数据库服务器104。
应该理解,图1中的终端、网络、数据库服务器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、网络、数据库服务器和服务器。
继续参见图2,其示出了根据本申请的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法可以包括以下步骤:
步骤201,获取待提取实体的文本信息和领域。
在本实施例中,用于输出信息的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取待提取实体的文本信息和领域。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(例如图1所示的数据库服务器104)中获取存储于其中的待提取实体的文本信息和领域。再例如,执行主体也可以接收终端(例如图1所示的终端101、102)发送的待提取实体的文本信息和领域。文本信息可以是计算机可直接识别的电子信息,也可以是图片,然后再通过OCR(Optical Character Recognition,光学字符识别)等技术翻译成计算机文字。例如,文本信息可以是电子病例,也可以是手写的病例,再通过文字识别类应用将手写的病例转换成电子病例。领域指的是文档信息所属的领域,例如,医疗、教育、体育等。
步骤202,根据领域获取预设的问题和阅读理解模型。
在本实施例中,可预先按照不同的领域构造与实体有关的问题。例如,在医疗领域,疾病可分为中医诊断疾病和西医诊断疾病。提取电子病历中的疾病,可以转化为问题:请找出文本中的所有疾病,包括中医诊断疾病、西医诊断疾病。阅读理解模型(MRC,MachineReading Comprehension)是一种神经网络模型,能够机器阅读文档,并回答相关的问题。
步骤203,将问题和文本信息输入阅读理解模型,得到提取出的答案。
在本实施例中,设给定一篇文章p,同时给定一个问题q,目的是预测一个span(start,end),start和end是p上词的开始位置和结束位置,并且这个span是这个问题的答案。阅读理解模型将这个任务转化为序列上的二分类问题,即对于文章中的每个词,都预测这个词分别是start和end的得分,最后用这个分数来预测span。
假设文本信息为“张三出生于A市”,问题为“张三出生于哪里?”,输入阅读理解模型后,输出的标签为:start[0,0,0,0,0,1,0],end[0,0,0,0,0,0,1]。可得到span为“A市”。
技术实现上可以描述为:给定上下文C和问题Q,MRC模型从C中抽取连续的子串。
步骤204,将答案作为实体输出。
在本实施例中,通过阅读理解模型抽取出的答案即为识别出的实体。两个实体之间有重叠时也能同时提取出来。一个实体被切分成两个时,仍能识别出来。
本申请提供的用于输出信息的方法,基于阅读理解的方法,可以把命名实体识别看作阅读理解,每一个实体都在回答问题。可以用统一的方式来进行命名实体识别,与以往的方法相比,实现上更加简单,只需要标注数据和构建命名实体对应的问题即可,并且由于构建的问题引入了先验知识,模型具有更好的泛化能力。
在本实施例的一些可选的实现方式中,预设的问题通过如下方法构建:获取领域的命名规则。根据命名规则将实体识别的目标进行拆分,得到目标集合。构造包括目标集合中每个目标的问题。不同领域的实体有不同的命名规则,实体识别的目标为现有技术中命名实体识别的输出结果。但无法解决实体间重叠和实体被切分的问题。因此可根据领域将实体识别的目标进行拆分,形成多个目标,再针对拆分后的目标构造问题。这样可以在重叠时能够提取出来,被切分时仍能当作一个实体。例如,医疗领域的疾病可分为中医诊断的疾病和西医诊断的疾病。则将原本的实体识别的目标“疾病”拆分成“中医诊断的疾病”和“西医诊断的疾病”两个目标。
可选地,问题可通过模板填充的方式构造,例如模板为:请找出【目标1】疾病与【目标2】疾病。上述中【目标1】为中医诊断的,【目标2】为西医诊断的。
在本实施例的一些可选的实现方式中,获取待提取实体的文本信息和领域,包括:获取待提取实体的文本信息。将文本信息与预定的领域关键词进行匹配,确定出文本信息的领域。如果用户事先不知道文本信息的领域,则服务器可帮助确定出领域,再根据领域调用对应的阅读理解模型。可通过关键词匹配的方法确定领域,通过现有技术的命名实体模型等工具从文本信息中提取出关键词,然后将文本信息的关键词与预设的领域关键词库中的领域关键库依次进行匹配,计算相似度,若相似度大于预定相似度阈值,则认为匹配成功。匹配成功的领域即为文本信息的领域。从而可以准确地找到该领域的阅读理解模型,才能准确地对文本信息进行理解后进行实体抽取。
进一步参见图3,图3是根据本实施例的用于输出信息的方法的一个应用场景的示意图。在图3的应用场景中,应用于医疗领域,待提取实体的文本信息为“症状:反复咳嗽、咳黄痰,伴有口干、咽痛;诊断结果:慢性支气管炎、肺热咳嗽”。问题为“请找出文本中的所有疾病,包括中医诊断疾病、西医诊断疾病”。将文本信息和问题输入医疗领域的阅读理解模型,得到答案“中医诊断疾病:肺热咳嗽;西医诊断疾病:慢性支气管炎”。
进一步参考图4,其示出了用于输出信息的方法的又一个实施例的流程400。该用于输出信息的方法的流程400,包括以下步骤:
步骤401,获取初始阅读理解模型。
在本实施例中,用于输出信息的方法运行于其上的电子设备(例如图1所示的服务器)可以从第三方服务器获取初始阅读理解模型。其中,初始阅读理解模型是一种神经网络模型。初始阅读理解模型可包括第一分类器、第二分类器和第三分类器。第一分类器用于确定答案的开始位置,即上文所说的start。第二分类器用于确定答案的结束位置,即上文所说的end。第三分类器用于验证答案的有效性,即验证上文所说的span有的效性。
步骤402,根据领域获取预先构建的样本集。
在本实施例中,样本集包括至少一个样本,样本包括文档、样本问题、样本答案。样本和领域相关,不同的领域使用不同的样本才能训练出与领域相关的阅读理解模型。例如,医疗领域就可以采用电子病例作为文档,预先构造与医疗实体相关的问题,并在文档中标注出该问题的答案。同样的问题可能有多个答案,都标注出来。
步骤403,从样本集中选取样本,并将文档、样本问题作为输入,将样本答案的开始位置作为期望输出,训练初始阅读理解模型的第一分类器。
在本实施例中,初始阅读理解模型可包括三种分类器,第一分类器用于确定答案的开始位置。可分别进行训练,也可多任务联合训练。第一分类器、第二分类器和第三分类器之间可以有共享层(例如词嵌层、特征提取层),进行网络参数共享,这样可以提高阅读理解模型的收敛速度。第一分类器可以是未经训练的深度学习模型或未训练完成的深度学习模型,第一分类器的各层可以设置有初始参数,参数在第一分类器的训练过程中可以被不断地调整。这里,电子设备可以将文档、样本问题从第一分类器的输入侧输入,依次经过第一分类器中的各层的参数的处理(例如乘积、卷积等),并从第一分类器的输出侧输出,输出侧输出的信息即为预测的答案的开始位置。将预测的答案的开始位置与样本答案的开始位置进行比较,可根据预设的损失函数计算第一分类器的损失值,若损失值大于阈值则调整第一分类器的网络参数,并继续选择样本进行训练,否则第一分类器训练完成。
步骤404,从样本集中选取样本,并将文档、样本问题作为输入,将样本答案的结束位置作为期望输出,训练初始阅读理解模型的第二分类器。
在本实施例中,第二分类器用于确定答案的结束位置。与步骤403类似,第二分类器可以从第一分类器的网络参数中获得共享参数,以加快第二分类器的训练速度。第二分类器可以是未经训练的深度学习模型或未训练完成的深度学习模型,第二分类器的各层可以设置有初始参数,参数在第二分类器的训练过程中可以被不断地调整。这里,电子设备可以将文档、样本问题从第二分类器的输入侧输入,依次经过第二分类器中的各层的参数的处理(例如乘积、卷积等),并从第二分类器的输出侧输出,输出侧输出的信息即为预测的答案的结束位置。将预测的答案的结束位置与样本答案的结束位置进行比较,可根据预设的损失函数计算第二分类器的损失值,若损失值大于阈值则调整第二分类器的网络参数,并继续选择样本进行训练,否则第二分类器训练完成。
步骤405,从样本集中选取样本,并将文档、样本问题作为输入,将样本答案作为期望输出,训练初始阅读理解模型的第三分类器。
在本实施例中,第三分类器用于验证答案的有效性。可单独训练第三分类器,也可在第一分类器和第二分类器的基础上进行训练。第三分类器可以是未经训练的深度学习模型或未训练完成的深度学习模型,第三分类器的各层可以设置有初始参数,参数在第三分类器的训练过程中可以被不断地调整。这里,电子设备可以将文档、样本问题从第三分类器的输入侧输入,依次经过第三分类器中的各层的参数的处理(例如乘积、卷积等),并从第三分类器的输出侧输出,输出侧输出的信息即为预测的答案。将预测的答案与样本答案进行比较,可根据预设的损失函数计算第三分类器的损失值,若损失值大于阈值则调整第三分类器的网络参数,并继续选择样本进行训练,否则第三分类器训练完成。
步骤406,将训练完成的第一分类器、第二分类器和第三分类器构成阅读理解模型。
在本实施例中,可将第一分类器、第二分类器和第三分类器具有相同结构和参数的网络层合并成共享层,再分别连接不同的输出层构成阅读理解模型,使得输入文本信息和问题时,输出为经有效性验证的答案。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于输出信息的方法的流程400体现了对阅读理解模型进行训练的步骤。由此,本实施例描述的方案可以根据不同领域的样本训练出不同领域的阅读理解模型,从而可以有针对性地进行实体抽取。
在本实施例的一些可选的实现方式中,该方法还包括:根据领域获取预训练模型。根据预训练模型的公共参数调整初始阅读理解模型的参数。预训练模型可以是BERT、ERNIE等神经网络模型。预训练模型与领域有关,不同的领域对应的预训练模型的参数不同。因此可将相同领域的预训练模型的公共参数共享给初始阅读理解模型,将初始阅读理解模型的初始参数调整为与预训练模型的公共参数相同。这样可以加快阅读理解模型的训练速度,节省训练时间,并提高阅读理解模型的准确率。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于输出信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于输出信息的装置500包括:文本获取单元501、模型获取单元502、提取单元503和输出单元504。其中,文本获取单元501,被配置成获取待提取实体的文本信息和领域。模型获取单元502,被配置成根据领域获取预设的问题和阅读理解模型。提取单元503,被配置成将问题和文本信息输入阅读理解模型,得到提取出的答案。输出单元504,被配置成将答案作为实体输出。
在本实施例中,用于输出信息的装置500的文本获取单元501、模型获取单元502、提取单元503和输出单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。
在本实施例的一些可选的实现方式中,装置500还包括训练单元(附图中未示出),被配置成:获取初始阅读理解模型,其中,初始阅读理解模型包括第一分类器、第二分类器和第三分类器。根据领域获取预先构建的样本集,其中,样本集包括至少一个样本,样本包括文档、样本问题、样本答案。从样本集中选取样本,并将文档、样本问题作为输入,将样本答案的开始位置作为期望输出,训练初始阅读理解模型的第一分类器,其中,第一分类器用于确定答案的开始位置。从样本集中选取样本,并将文档、样本问题作为输入,将样本答案的结束位置作为期望输出,训练初始阅读理解模型的第二分类器,其中,第二分类器用于确定答案的结束位置。从样本集中选取样本,并将文档、样本问题作为输入,将样本答案作为期望输出,训练初始阅读理解模型的第三分类器,其中,第三分类器用于验证答案的有效性。将训练完成的第一分类器、第二分类器和第三分类器构成阅读理解模型。
在本实施例的一些可选的实现方式中,训练单元进一步被配置成:根据领域获取预训练模型。根据预训练模型的公共参数调整初始阅读理解模型的参数。
在本实施例的一些可选的实现方式中,装置500还包括问题构建单元(附图中未示出),被配置成:获取领域的命名规则。根据命名规则将实体识别的目标进行拆分,得到目标集合。构造包括目标集合中每个目标的问题。
在本实施例的一些可选的实现方式中,文本获取单元501进一步被配置成:获取待提取实体的文本信息。将文本信息与预定的领域关键词进行匹配,确定出文本信息的领域。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的用于输出信息的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6所示,该电子设备包括:一个或多个处理器601、存储器602,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6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的用于输出信息的方法。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用于输出信息的方法。
存储器602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用于输出信息的方法对应的程序指令/模块(例如,附图5所示的文本获取单元501、模型获取单元502、提取单元503和输出单元504)。处理器601通过运行存储在存储器602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用于输出信息的方法。
存储器602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用于输出信息的电子设备的使用所创建的数据等。此外,存储器602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602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至用于输出信息的电子设备。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。
用于输出信息的方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与用于输出信息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604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。服务器可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。服务器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。服务器也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。
根据本申请实施例的技术方案,可以用统一的方式来进行命名实体识别,与以往的方法相比,实现上更加简单,只需要标注数据和构建命名实体对应的问题即可,并且由于构建的问题引入了先验知识,模型具有更好的泛化能力。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (8)
1.一种用于输出信息的方法,包括:
获取待提取实体的文本信息和领域;
根据所述领域获取预设的问题和阅读理解模型;
将所述问题和所述文本信息输入所述阅读理解模型,得到提取出的答案;
将所述答案作为实体输出;
其中,所述阅读理解模型通过如下方法训练:
获取初始阅读理解模型,其中,所述初始阅读理解模型包括第一分类器、第二分类器和第三分类器;
根据领域获取预先构建的样本集,其中,样本集包括至少一个样本,样本包括文档、样本问题、样本答案;
从所述样本集中选取样本,并将文档、样本问题作为输入,将样本答案的开始位置作为期望输出,训练所述初始阅读理解模型的第一分类器,其中,所述第一分类器用于确定答案的开始位置;
从所述样本集中选取样本,并将文档、样本问题作为输入,将样本答案的结束位置作为期望输出,训练所述初始阅读理解模型的第二分类器,其中,所述第二分类器用于确定答案的结束位置;
从所述样本集中选取样本,并将文档、样本问题作为输入,将样本答案作为期望输出,训练所述初始阅读理解模型的第三分类器,其中,所述第三分类器用于验证答案的有效性;
将训练完成的第一分类器、第二分类器和第三分类器构成阅读理解模型;
其中,所述预设的问题通过如下方法构建:
获取所述领域的命名规则;
根据所述命名规则将实体识别的目标进行拆分,得到目标集合;
构造包括所述目标集合中每个目标的问题。
2.根据权利要求1所述的方法,其中,所述方法还包括:
根据领域获取预训练模型;
根据所述预训练模型的公共参数调整所述初始阅读理解模型的参数。
3.根据权利要求1或2所述的方法,其中,所述获取待提取实体的文本信息和领域,包括:
获取待提取实体的文本信息;
将所述文本信息与预定的领域关键词进行匹配,确定出所述文本信息的领域。
4.一种用于输出信息的装置,包括:
文本获取单元,被配置成获取待提取实体的文本信息和领域;
模型获取单元,被配置成根据所述领域获取预设的问题和阅读理解模型;
提取单元,被配置成将所述问题和所述文本信息输入所述阅读理解模型,得到提取出的答案;
输出单元,被配置成将所述答案作为实体输出;
训练单元,被配置成:
获取初始阅读理解模型,其中,所述初始阅读理解模型包括第一分类器、第二分类器和第三分类器;
根据领域获取预先构建的样本集,其中,样本集包括至少一个样本,样本包括文档、样本问题、样本答案;
从所述样本集中选取样本,并将文档、样本问题作为输入,将样本答案的开始位置作为期望输出,训练所述初始阅读理解模型的第一分类器,其中,所述第一分类器用于确定答案的开始位置;
从所述样本集中选取样本,并将文档、样本问题作为输入,将样本答案的结束位置作为期望输出,训练所述初始阅读理解模型的第二分类器,其中,所述第二分类器用于确定答案的结束位置;
从所述样本集中选取样本,并将文档、样本问题作为输入,将样本答案作为期望输出,训练所述初始阅读理解模型的第三分类器,其中,所述第三分类器用于验证答案的有效性;
将训练完成的第一分类器、第二分类器和第三分类器构成阅读理解模型;
问题构建单元,被配置成:
获取所述领域的命名规则;
根据所述命名规则将实体识别的目标进行拆分,得到目标集合;
构造包括所述目标集合中每个目标的问题。
5.根据权利要求4所述的装置,其中,所述训练单元进一步被配置成:
根据领域获取预训练模型;
根据所述预训练模型的公共参数调整所述初始阅读理解模型的参数。
6.根据权利要求4或5所述的装置,其中,所述文本获取单元进一步被配置成:
获取待提取实体的文本信息;
将所述文本信息与预定的领域关键词进行匹配,确定出所述文本信息的领域。
7.一种电子设备,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1-3中任一项所述的方法。
8.一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所述计算机执行权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011379179.8A CN112507090B (zh) | 2020-11-30 | 2020-11-30 | 用于输出信息的方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011379179.8A CN112507090B (zh) | 2020-11-30 | 2020-11-30 | 用于输出信息的方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507090A CN112507090A (zh) | 2021-03-16 |
CN112507090B true CN112507090B (zh) | 2024-05-03 |
Family
ID=74968916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011379179.8A Active CN112507090B (zh) | 2020-11-30 | 2020-11-30 | 用于输出信息的方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507090B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420160A (zh) * | 2021-06-24 | 2021-09-21 | 竹间智能科技(上海)有限公司 | 数据处理方法和设备 |
CN113569025B (zh) * | 2021-07-23 | 2024-08-20 | 上海明略人工智能(集团)有限公司 | 数据处理的方法和装置、电子设备和存储介质 |
CN113657325B (zh) * | 2021-08-24 | 2024-04-12 | 北京百度网讯科技有限公司 | 用于确定标注样式信息的方法、装置、介质及程序产品 |
CN113723918A (zh) * | 2021-08-25 | 2021-11-30 | 北京来也网络科技有限公司 | 结合rpa和ai的信息录入方法及装置 |
CN113805695B (zh) * | 2021-08-26 | 2024-04-05 | 深圳静美大健康科技有限公司 | 阅读理解水平的预测方法及装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649761A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于深度问答的搜索结果展现方法和装置 |
CN107203600A (zh) * | 2017-05-12 | 2017-09-26 | 浙江大学 | 一种利用刻画因果依赖关系和时序影响机制增强答案质量排序的评判方法 |
CN110210021A (zh) * | 2019-05-22 | 2019-09-06 | 北京百度网讯科技有限公司 | 阅读理解方法及装置 |
CN110543631A (zh) * | 2019-08-23 | 2019-12-06 | 上海深芯智能科技有限公司 | 机器阅读理解的实现方法、装置、存储介质及电子设备 |
CN110795543A (zh) * | 2019-09-03 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 基于深度学习的非结构化数据抽取方法、装置及存储介质 |
CN111611391A (zh) * | 2020-06-17 | 2020-09-01 | 厦门快商通科技股份有限公司 | 一种对对话进行归类别的方法、装置、设备和存储介质 |
CN111814466A (zh) * | 2020-06-24 | 2020-10-23 | 平安科技(深圳)有限公司 | 基于机器阅读理解的信息抽取方法、及其相关设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11663497B2 (en) * | 2019-04-19 | 2023-05-30 | Adobe Inc. | Facilitating changes to online computing environment by assessing impacts of actions using a knowledge base representation |
-
2020
- 2020-11-30 CN CN202011379179.8A patent/CN112507090B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649761A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于深度问答的搜索结果展现方法和装置 |
CN107203600A (zh) * | 2017-05-12 | 2017-09-26 | 浙江大学 | 一种利用刻画因果依赖关系和时序影响机制增强答案质量排序的评判方法 |
CN110210021A (zh) * | 2019-05-22 | 2019-09-06 | 北京百度网讯科技有限公司 | 阅读理解方法及装置 |
CN110543631A (zh) * | 2019-08-23 | 2019-12-06 | 上海深芯智能科技有限公司 | 机器阅读理解的实现方法、装置、存储介质及电子设备 |
CN110795543A (zh) * | 2019-09-03 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 基于深度学习的非结构化数据抽取方法、装置及存储介质 |
CN111611391A (zh) * | 2020-06-17 | 2020-09-01 | 厦门快商通科技股份有限公司 | 一种对对话进行归类别的方法、装置、设备和存储介质 |
CN111814466A (zh) * | 2020-06-24 | 2020-10-23 | 平安科技(深圳)有限公司 | 基于机器阅读理解的信息抽取方法、及其相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112507090A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112509690B (zh) | 用于控制质量的方法、装置、设备和存储介质 | |
US20210192142A1 (en) | Multimodal content processing method, apparatus, device and storage medium | |
CN112507090B (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
CN111860506B (zh) | 识别文字的方法和装置 | |
CN112560912B (zh) | 分类模型的训练方法、装置、电子设备和存储介质 | |
EP3913499A1 (en) | Method and apparatus for processing dataset, electronic device and storage medium | |
KR20210038449A (ko) | 문답 처리, 언어 모델 훈련 방법, 장치, 기기 및 저장 매체 | |
CN109034069B (zh) | 用于生成信息的方法和装置 | |
JP7096919B2 (ja) | エンティティワードの認識方法と装置 | |
CN111582477B (zh) | 神经网络模型的训练方法和装置 | |
CN111753744B (zh) | 用于票据图像分类的方法、装置、设备及可读存储介质 | |
JP7267379B2 (ja) | 画像処理方法、事前トレーニングモデルのトレーニング方法、装置及び電子機器 | |
CN112837466B (zh) | 票据识别方法、装置、设备以及存储介质 | |
US20220027575A1 (en) | Method of predicting emotional style of dialogue, electronic device, and storage medium | |
US11995905B2 (en) | Object recognition method and apparatus, and electronic device and storage medium | |
CN111862031B (zh) | 一种人脸合成图检测方法、装置、电子设备及存储介质 | |
CN111639234B (zh) | 用于挖掘核心实体关注点的方法和装置 | |
CN114418124A (zh) | 生成图神经网络模型的方法、装置、设备及存储介质 | |
CN113313048B (zh) | 脸部表情识别方法和装置 | |
CN110738261B (zh) | 图像分类和模型训练方法、装置、电子设备及存储介质 | |
CN111552829A (zh) | 用于分析图像素材的方法和装置 | |
CN113139039B (zh) | 对话数据处理方法、装置、设备以及存储介质 | |
US20220222941A1 (en) | Method for recognizing action, electronic device and storage medium | |
WO2023029702A1 (zh) | 用于验证图像的方法和装置 | |
CN118296173A (zh) | 文本配图方法及装置、电子设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |