CN112507700A - 事件抽取方法、装置、电子设备及存储介质 - Google Patents
事件抽取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112507700A CN112507700A CN202011356616.4A CN202011356616A CN112507700A CN 112507700 A CN112507700 A CN 112507700A CN 202011356616 A CN202011356616 A CN 202011356616A CN 112507700 A CN112507700 A CN 112507700A
- Authority
- CN
- China
- Prior art keywords
- event
- argument
- description text
- query
- extraction
- 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
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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- 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
- G06F40/216—Parsing using statistical methods
-
- 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
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了事件抽取方法、装置、电子设备及存储介质,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:获取事件描述文本;根据事件描述文本确定至少一种候选事件类型,其中,候选事件类型对应于一组询问语句;根据询问语句,从事件描述文本之中抽取对应的事件元素,能够有效降低事件元素抽取对事件定义体系的依赖性,有效提升事件元素的抽取效果,并且具有较好的泛化能力。
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,尤其涉及事件抽取方法、装置、电子设备及存储介质。
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。
事件抽取(Event Extraction)技术是指解析事件描述自然文本,获取结构化的事件描述信息,事件抽取是将客观世界中丰富的无结构化文本转化为结构化知识的重要途径,在金融风控、舆论监控等方面有着广泛的应用前景。
发明内容
提供了一种事件抽取方法、装置、电子设备、存储介质及计算机程序产品。
根据第一方面,提供了一种事件抽取方法,包括:获取事件描述文本;根据所述事件描述文本确定至少一种候选事件类型,其中,所述候选事件类型对应于一组询问语句;根据所述询问语句,从所述事件描述文本之中抽取对应的事件元素。
根据第二方面,提供了一种事件抽取装置,包括:获取模块,用于获取事件描述文本;确定模块,用于根据所述事件描述文本确定至少一种候选事件类型,其中,所述候选事件类型对应于一组询问语句;抽取模块,用于根据所述询问语句,从所述事件描述文本之中抽取对应的事件元素。
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事件抽取方法。
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事件抽取方法。
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事件抽取方法。
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是根据本申请第二实施例的示意图;
图3是根据本申请第三实施例的示意图;
图4是根据本申请第四实施例的示意图;
图5是用来实现本申请实施例的事件抽取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,本实施例的事件抽取方法的执行主体为事件抽取装置,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,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,该事件抽取方法包括:
S101:获取事件描述文本。
其中,事件描述文本比如一段具有相应的语义的文本,该事件描述文本中的语义描述了一种事件,事件描述文本例如“悲剧!绍兴世茂一名35岁女子坠楼身亡!”。
本申请实施例中,可以经由电子设备提供文本输入界面,接收用户输入的一段文本,并将该段文本作为事件描述文本,或者,也可以解析用户语音录入的一段语音,将该段语音转换为相应的文本并作为事件描述文本,对此不做限制。
S102:根据事件描述文本确定至少一种候选事件类型,其中,候选事件类型对应于一组询问语句。
上述在获取一段事件描述文本之后,比如可以对该事件描述文本进行语义解析,得到相应的语义结果,从而从海量的候选事件类型当中确定出与语义结果相匹配的至少一种候选事件类型,或者,也可以直接确定出已有的候选事件类型,候选事件类型可以为【事件死亡】、【事件结婚】、【事件教育】、【事件旅游】等等。
本申请实施例中,每一种的候选事件类型对应于一组询问语句,该询问语句被用于从事件描述文本之中匹配出相应的事件元素,每组询问语句中可以包括一条或者多条询问语句,比如,可以采用不同的询问语句,从事件描述文本当中匹配出不同类型的事件元素。
举例而言,询问语句比如【事件死亡的触发词是?】,又比如,【事件结婚的触发词是?】,不同的询问语句可以是与候选事件类型相对应的,比如【事件死亡的触发词是?】是与候选事件类型【事件死亡】相对应的,而【事件结婚的触发词是?】是与候选事件类型【事件结婚】相对应的,对此不做限制。
S103:根据询问语句,从事件描述文本之中抽取对应的事件元素。
上述在根据事件描述文本确定至少一种候选事件类型之后,可以根据询问语句,从事件描述文本之中抽取对应的事件元素。
也即是说,本申请实施例中采用了与候选事件类型对应的询问语句,从事件描述文本当中匹配出相应的事件元素,而在根据询问语句,从事件描述文本之中抽取对应的事件元素时,可以具体是采用语义识别、并语义匹配的方式从事件描述文本之中抽取对应的事件元素。
举例而言,当询问语句比如【事件死亡的触发词是?】,则可以从事件描述文本当中识别出相匹配的内容作为抽取出的事件元素,比如【事件死亡的触发词是?】相匹配的内容为【身亡】,则可以将【身亡】作为识别出来的事件元素。
又例如,当询问语句比如【事件结婚的触发词是?】,则可以从事件描述文本当中识别出相匹配的内容作为抽取出的事件元素,比如【事件结婚的触发词是?】,在上述示例的事件描述文本当中相匹配的内容为空,则表示该事件描述文本与询问语句【事件结婚的触发词是?】是不相匹配的,即事件描述文本对应的事件类型,与询问语句【事件结婚的触发词是?】对应的候选事件类型不相适配。
一些实施例中,根据询问语句,从事件描述文本之中抽取对应的事件元素,可以是根据询问语句,从事件描述文本之中抽取出事件触发词、事件类型、事件论元,以及论元角色;将事件触发词、事件类型、事件论元,以及论元角色作为对应的事件元素,从而支持采用询问语句进行语义匹配的方式识别出事件触发词、事件类型、事件论元,以及论元角色,能够根据询问语句从事件描述文本中识别出完整的事件元素,有效提升事件元素抽取的完备性。
其中,事件触发词:表示事件发生的核心词,多为动词或名词;事件类型比如事件属于的分类,事件论元即表示事件的参与者,主要由实体、值、时间组成;论元角色表示事件论元在事件中充当的角色。
则本申请实施例中,支持采用询问语句进行语义匹配的方式,从事件描述文本之中匹配出事件触发词、事件类型、事件论元,以及论元角色;将事件触发词、事件类型、事件论元,以及论元角色作为对应的事件元素。
为了实现快速、准确地从事件描述文本之中识别出事件触发词、事件类型、事件论元,以及论元角色,本申请实施例中,还可以配置询问语句包括:至少一条第一询问语句,第一询问语句对应于一类事件类型,事件类型对应于至少一条第二询问语句,第二询问语句还对应于一种论元角色,第一询问语句被用于抽取事件描述文本之中的事件触发词和事件类型,第二询问语句被用于抽取事件论元和论元角色。
也即是说,本申请实施例中的每组询问语句当中包括第一询问语句和第二询问语句,并且,第一询问语句的条数为至少一条,当第一询问语句的条数为多条时,每条询问语句对应一类事件类型,事件类型对应于至少一条第二询问语句,第二询问语句还对应于一种论元角色。
举例而言,第一询问语句是【事件死亡的触发词是?】,对应的事件类型为【事件死亡】,则与【事件死亡】还对应至少一条第二询问语句【死亡死者是谁?】,则第二询问语句对应的论元角色为【死者】,其中的【死亡】可以为事件类型【事件死亡】的缩写,即每种事件类型中包括多种论元角色,【论元角色】还可以比如,时间、地点、场景等其他内容,则不同的第二询问语句可以被用于从事件描述文本当中匹配出时间、地点、场景等其他的论元角色对应的事件论元。
本实施例中,通过获取事件描述文本,并根据事件描述文本确定至少一种候选事件类型,其中,候选事件类型对应于一组询问语句,以及根据询问语句,从事件描述文本之中抽取对应的事件元素,能够有效降低事件元素抽取对事件定义体系的依赖性,有效提升事件元素的抽取效果,并且具有较好的泛化能力。
图2是根据本申请第二实施例的示意图。
如图2所示,该事件抽取方法包括:
S201:获取事件描述文本。
S202:根据事件描述文本确定至少一种候选事件类型,其中,候选事件类型对应于一组询问语句。
S201-S202的描述可以参见上述实施例,在此不再赘述。
S203:从事件描述文本中识别出与第一询问语句相匹配的触发词,并将相匹配的触发词作为事件触发词。
本实施例以配置询问语句包括:至少一条第一询问语句,第一询问语句对应于一类事件类型,事件类型对应于至少一条第二询问语句,第二询问语句还对应于一种论元角色,第一询问语句被用于抽取事件描述文本之中的事件触发词和事件类型,第二询问语句被用于抽取事件论元和论元角色的实施方式进行示例,对此不做限制。
比如,可以根据实际抽取应用需求,拓展出其他内容的询问语句,并采用其他内容的询问语句从事件描述文本当中识别出任意的事件元素,对此不做限制。
当配置询问语句包括:至少一条第一询问语句,和至少一条第二询问语句,且第一询问语句被用于抽取事件描述文本之中的事件触发词和事件类型,第二询问语句被用于抽取事件论元和论元角色时,可以从事件描述文本中识别出与第一询问语句相匹配的触发词,并将相匹配的触发词作为事件触发词。
举例而言,第一询问语句是【事件死亡的触发词是?】,对应的事件类型为【事件死亡】,则从事件描述文本“悲剧!绍兴世茂一名35岁女子坠楼身亡!”中识别出与第一询问语句【事件死亡的触发词是?】相匹配的触发词是【身亡】,表示基于第一询问语句是【事件死亡的触发词是?】识别的内容不为空,如果基于第一询问语句是【事件死亡的触发词是?】识别的内容为空,则可以遍历下一个第一询问语句,直至采用一个第一询问语句匹配出相应的触发词,如果不为空,则直接将识别到的触发词作为事件触发词。
可选地,一些实施例中,从事件描述文本中识别出与第一询问语句相匹配的触发词,可以是将事件描述文本和第一询问语句输入至预训练的事件触发词抽取模型中,以得到事件触发词抽取模型输出的相匹配的触发词,由于是根据预先训练的事件触发词抽取模型分别对事件描述文本和第一询问语句进行语义识别、触发词相匹配处理,从而能够快速准确地得到相匹配的触发词。
而事件触发词抽取模型,可以是预先基于海量训练数据训练得到的,比如,可以首先获取事件抽取标注数据集,识别出事件抽取标注数据中的事件触发词和事件类型,而后,将事件抽取标注数据中的事件触发词与事件类型部分的格式转化为阅读理解问答格式的事件触发词抽取数据集,以事件描述文本为段落、利用事件类型构造询问语句、该事件类型下对应的触发词为答案(若当前事件不属于对应的事件类型,则答案为空),从而形成以阅读理解问答方式的事件触发词抽取与对应事件类型分类模型,并训练得到的模型作为事件触发词抽取模型,由于该事件触发词抽取模型是基于海量的事件抽取标注数据集训练得到的,从而可以得到较好的触发词识别效果。
S204:将与第一询问语句对应的事件类型作为抽取到的事件类型。
上述在从事件描述文本中识别出与第一询问语句相匹配的触发词,并将相匹配的触发词作为事件触发词,可以直接将与第一询问语句对应的事件类型作为抽取到的事件类型。
从而基于语句询问结合模型识别的方式,直接从事件描述文本之中抽取出事件触发词和事件类型,简化了事件触发词和事件类型的抽取处理逻辑,提升了事件触发词和事件类型的抽取效率和抽取准确性,并且不需要依赖事件定义体系中大量数据标注信息,从而在提升抽取效果的同时,降低事件触发词和事件类型的抽取对事件定义体系的依赖性。
S205:确定与抽取到的事件类型对应的至少一条第二询问语句。
上述在从事件描述文本中识别出与第一询问语句相匹配的触发词,并将相匹配的触发词作为事件触发词,并直接将与第一询问语句对应的事件类型作为抽取到的事件类型之后,可以进一步地,确定与抽取到的事件类型对应的至少一条第二询问语句,该对应的第二询问语句,可以是从大量的第二询问语句当中选取出的与抽取到的事件类型对应的第二询问语句。
也即是说,本申请实施例中首先是抽取事件触发词和事件类型,而后,根据事件类型去确定对应的第二询问语句,第二询问语句被用于抽取事件论元和论元角色,从而有效地支持采用第二询问语句高效地抽取出事件论元和论元角色,并且及时地减少了第二询问语句的数据量,使得在识别出事件类型的基础上,识别事件论元和论元角色时能够具有更强的针对性,从而大幅度地提升事件论元和论元角色的识别效率。
S206:从事件描述文本中识别出与第二询问语句相匹配的事件论元,并将相匹配的事件论元为抽取到的事件论元。
上述在确定与抽取到的事件类型对应的至少一条第二询问语句之后,可以将事件描述文本和第二询问语句输入至预训练的事件论元抽取模型中,以得到事件论元抽取模型输出的相匹配的事件论元,由于是根据预先训练的事件论元抽取模型分别对事件描述文本和至少一条第二询问语句进行语义识别、事件论元的匹配处理,从而能够快速准确地得到相匹配的事件论元。
而事件论元抽取模型,可以是预先基于海量训练数据训练得到的,比如,可以首先获取事件抽取标注数据集,识别出事件抽取标注数据中的事件论元和论元角色,而后,将事件抽取标注数据结果中事件论元和论元角色部分的格式转化为阅读理解问答格式的事件论元抽取数据集,以事件描述文本为段落、利用事件类型与论元角色构造问题、对应的事件论元为答案训练初始的事件论元抽取模型(比如人工智能中的神经网络模型),并将训练得到的模型作为事件论元抽取模型,由于该事件论元抽取模型是基于海量的事件抽取标注数据集训练得到的,从而可得到较好的事件论元和论元角色的识别效果。
S207:将与第二询问语句对应的论元角色作为抽取到的论元角色。
举例而言,事件描述文本为“悲剧!绍兴世茂一名35岁女子坠楼身亡!”,第二询问语句为【死者是?】,与第二询问语句对应的论元角色为【死者】,则识别出相匹配的事件论元为【绍兴世茂一名35岁女子】,论元角色为【死者】为抽取到的论元角色。
上述在从事件描述文本中识别出与第二询问语句相匹配的事件论元,可以直接将与第二询问语句对应的论元角色作为抽取到的论元角色。
从而基于语句询问结合模型识别的方式,直接从事件描述文本之中抽取出论元角色和事件论元,简化了论元角色和事件论元的抽取处理逻辑,提升了论元角色和事件论元的抽取效率和抽取准确性,并且不需要依赖事件定义体系中大量数据标注信息,从而在提升抽取效果的同时,降低论元角色和事件论元的抽取对事件定义体系的依赖性。
本实施例中,通过获取事件描述文本,并根据事件描述文本确定至少一种候选事件类型,其中,候选事件类型对应于一组询问语句,以及根据询问语句,从事件描述文本之中抽取对应的事件元素,能够有效降低事件元素抽取对事件定义体系的依赖性,有效提升事件元素的抽取效果,并且具有较好的泛化能力。首先是抽取事件触发词和事件类型,而后,根据事件类型去确定对应的第二询问语句,第二询问语句被用于抽取事件论元和论元角色,从而有效地支持采用第二询问语句高效地抽取出事件论元和论元角色,并且及时地减少了第二询问语句的数据量,使得在识别出事件类型的基础上,识别事件论元和论元角色时能够具有更强的针对性,从而大幅度地提升事件论元和论元角色的识别效率。基于语句询问结合模型识别的方式,直接从事件描述文本之中抽取出事件触发词、事件类型、论元角色和事件论元,简化了前述事件元素的抽取处理逻辑,提升了事件元素的抽取效率和抽取准确性,并且不需要依赖事件定义体系中大量数据标注信息,从而在提升抽取效果的同时,降低事件元素的抽取对事件定义体系的依赖性。
图3是根据本申请第三实施例的示意图。
如图3所示,该事件抽取装置30,包括:
获取模块301,用于获取事件描述文本。
确定模块302,用于根据事件描述文本确定至少一种候选事件类型,其中,候选事件类型对应于一组询问语句。
抽取模块303,用于根据询问语句,从事件描述文本之中抽取对应的事件元素。
可选地,一些实施例中,参见图4,图4是根据本申请第四实施例的示意图,该事件抽取装置40,包括:获取模块401、确定模块402、抽取模块403,其中,抽取模块403,包括:
抽取子模块4031,用于根据询问语句,从事件描述文本之中抽取出事件触发词、事件类型、事件论元,以及论元角色。
获取子模块4032,用于将事件触发词、事件类型、事件论元,以及论元角色作为对应的事件元素。
可选地,一些实施例中,询问语句包括:至少一条第一询问语句,第一询问语句对应于一类事件类型,事件类型对应于至少一条第二询问语句,第二询问语句还对应于一种论元角色,第一询问语句被用于抽取事件描述文本之中的事件触发词和事件类型,第二询问语句被用于抽取事件论元和论元角色。
可选地,一些实施例中,其中,抽取子模块4031,具体用于:
从事件描述文本中识别出与第一询问语句相匹配的触发词,并将相匹配的触发词作为事件触发词;
将与第一询问语句对应的事件类型作为抽取到的事件类型。
可选地,一些实施例中,其中,抽取子模块4031,还用于:
确定与抽取到的事件类型对应的至少一条第二询问语句;
从事件描述文本中识别出与第二询问语句相匹配的事件论元,并将相匹配的事件论元为抽取到的事件论元;
将与第二询问语句对应的论元角色作为抽取到的论元角色。
可选地,一些实施例中,其中,抽取子模块4031,进一步用于:
将事件描述文本和第一询问语句输入至预训练的事件触发词抽取模型中,以得到事件触发词抽取模型输出的相匹配的触发词。
可选地,一些实施例中,其中,抽取子模块4031,还用于:
将事件描述文本和第二询问语句输入至预训练的事件论元抽取模型中,以得到事件论元抽取模型输出的相匹配的事件论元。
可以理解的是,本实施例附图4中的事件抽取装置40与上述实施例中的事件抽取装置30,获取模块401与上述实施例中的获取模块301,确定模块402与上述实施例中的确定模块302,抽取模块403与上述实施例中的抽取模块303,可以具有相同的功能和结构。
需要说明的是,前述对事件抽取方法的解释说明也适用于本实施例的事件抽取装置,此处不再赘述。
本实施例中,通过获取事件描述文本,并根据事件描述文本确定至少一种候选事件类型,其中,候选事件类型对应于一组询问语句,以及根据询问语句,从事件描述文本之中抽取对应的事件元素,能够有效降低事件元素抽取对事件定义体系的依赖性,有效提升事件元素的抽取效果,并且具有较好的泛化能力。
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5所示,图5是用来实现本申请实施例的事件抽取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5所示,该电子设备包括:一个或多个处理器501、存储器502,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5中以一个处理器501为例。
存储器502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事件抽取方法。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事件抽取方法。
存储器502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事件抽取方法对应的程序指令/模块(例如,附图3所示的获取模块301、确定模块302、抽取模块303)。处理器501通过运行存储在存储器502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事件抽取方法。
存储器502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执行事件抽取方法的电子设备的使用所创建的数据等。此外,存储器502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502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。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。
该电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与该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504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与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 (17)
1.一种事件抽取方法,包括:
获取事件描述文本;
根据所述事件描述文本确定至少一种候选事件类型,其中,所述候选事件类型对应于一组询问语句;
根据所述询问语句,从所述事件描述文本之中抽取对应的事件元素。
2.根据权利要求1所述的方法,其中,所述根据所述询问语句,从所述事件描述文本之中抽取对应的事件元素,包括:
根据所述询问语句,从所述事件描述文本之中抽取出事件触发词、事件类型、事件论元,以及论元角色;
将所述事件触发词、所述事件类型、所述事件论元,以及所述论元角色作为所述对应的事件元素。
3.根据权利要求2所述的方法,所述询问语句包括:至少一条第一询问语句,所述第一询问语句对应于一类所述事件类型,所述事件类型对应于至少一条第二询问语句,所述第二询问语句还对应于一种论元角色,所述第一询问语句被用于抽取所述事件描述文本之中的所述事件触发词和所述事件类型,所述第二询问语句被用于抽取所述事件论元和所述论元角色。
4.根据权利要求3所述的方法,其中,根据所述询问语句,从所述事件描述文本之中抽取出事件触发词和事件类型,包括:
从所述事件描述文本中识别出与所述第一询问语句相匹配的触发词,并将所述相匹配的触发词作为所述事件触发词;
将与所述第一询问语句对应的所述事件类型作为抽取到的事件类型。
5.根据权利要求4所述的方法,其中,根据所述询问语句,从所述事件描述文本之中抽取出所述事件论元和所述论元角色,包括:
确定与所述抽取到的事件类型对应的至少一条第二询问语句;
从所述事件描述文本中识别出与所述第二询问语句相匹配的事件论元,并将所述相匹配的事件论元为抽取到的事件论元;
将与所述第二询问语句对应的所述论元角色作为抽取到的论元角色。
6.根据权利要求4所述的方法,其中,所述从所述事件描述文本中识别出与所述第一询问语句相匹配的触发词,包括:
将所述事件描述文本和所述第一询问语句输入至预训练的事件触发词抽取模型中,以得到所述事件触发词抽取模型输出的所述相匹配的触发词。
7.根据权利要求5所述的方法,其中,所述从所述事件描述文本中识别出与所述第二询问语句相匹配的事件论元,包括:
将所述事件描述文本和所述第二询问语句输入至预训练的事件论元抽取模型中,以得到所述事件论元抽取模型输出的所述相匹配的事件论元。
8.一种事件抽取装置,包括:
获取模块,用于获取事件描述文本;
确定模块,用于根据所述事件描述文本确定至少一种候选事件类型,其中,所述候选事件类型对应于一组询问语句;
抽取模块,用于根据所述询问语句,从所述事件描述文本之中抽取对应的事件元素。
9.根据权利要求8所述的装置,其中,所述抽取模块,包括:
抽取子模块,用于根据所述询问语句,从所述事件描述文本之中抽取出事件触发词、事件类型、事件论元,以及论元角色;
获取子模块,用于将所述事件触发词、所述事件类型、所述事件论元,以及所述论元角色作为所述对应的事件元素。
10.根据权利要求9所述的装置,所述询问语句包括:至少一条第一询问语句,所述第一询问语句对应于一类所述事件类型,所述事件类型对应于至少一条第二询问语句,所述第二询问语句还对应于一种论元角色,所述第一询问语句被用于抽取所述事件描述文本之中的所述事件触发词和所述事件类型,所述第二询问语句被用于抽取所述事件论元和所述论元角色。
11.根据权利要求10所述的装置,其中,所述抽取子模块,具体用于:
从所述事件描述文本中识别出与所述第一询问语句相匹配的触发词,并将所述相匹配的触发词作为所述事件触发词;
将与所述第一询问语句对应的所述事件类型作为抽取到的事件类型。
12.根据权利要求11所述的装置,其中,所述抽取子模块,还用于:
确定与所述抽取到的事件类型对应的至少一条第二询问语句;
从所述事件描述文本中识别出与所述第二询问语句相匹配的事件论元,并将所述相匹配的事件论元为抽取到的事件论元;
将与所述第二询问语句对应的所述论元角色作为抽取到的论元角色。
13.根据权利要求11所述的装置,其中,所述抽取子模块,进一步用于:
将所述事件描述文本和所述第一询问语句输入至预训练的事件触发词抽取模型中,以得到所述事件触发词抽取模型输出的所述相匹配的触发词。
14.根据权利要求12所述的装置,其中,所述抽取子模块,还用于:
将所述事件描述文本和所述第二询问语句输入至预训练的事件论元抽取模型中,以得到所述事件论元抽取模型输出的所述相匹配的事件论元。
15.一种电子设备,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1-7中任一项所述的方法。
16.一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1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,当所述计算机程序由处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011356616.4A CN112507700A (zh) | 2020-11-26 | 2020-11-26 | 事件抽取方法、装置、电子设备及存储介质 |
US17/479,636 US20220004714A1 (en) | 2020-11-26 | 2021-09-20 | Event extraction method and apparatus, and storage medium |
EP21198437.2A EP3910492A3 (en) | 2020-11-26 | 2021-09-23 | Event extraction method and apparatus, and storage medium |
KR1020210127359A KR20210124938A (ko) | 2020-11-26 | 2021-09-27 | 이벤트 추출 방법, 장치, 전자 기기 및 저장 매체 |
JP2021191869A JP7228662B2 (ja) | 2020-11-26 | 2021-11-26 | イベント抽出方法、装置、電子機器及び記憶媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011356616.4A CN112507700A (zh) | 2020-11-26 | 2020-11-26 | 事件抽取方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112507700A true CN112507700A (zh) | 2021-03-16 |
Family
ID=74966798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011356616.4A Pending CN112507700A (zh) | 2020-11-26 | 2020-11-26 | 事件抽取方法、装置、电子设备及存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220004714A1 (zh) |
EP (1) | EP3910492A3 (zh) |
JP (1) | JP7228662B2 (zh) |
KR (1) | KR20210124938A (zh) |
CN (1) | CN112507700A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113241138A (zh) * | 2021-06-21 | 2021-08-10 | 中国平安人寿保险股份有限公司 | 医疗事件信息的抽取方法、装置、计算机设备及存储介质 |
CN113392213A (zh) * | 2021-04-19 | 2021-09-14 | 合肥讯飞数码科技有限公司 | 事件抽取方法以及电子设备、存储装置 |
CN114118049A (zh) * | 2021-10-28 | 2022-03-01 | 北京百度网讯科技有限公司 | 信息获取方法、装置、电子设备及存储介质 |
CN115827848A (zh) * | 2023-02-10 | 2023-03-21 | 天翼云科技有限公司 | 一种知识图谱事件抽取方法、装置、设备和存储介质 |
CN113392213B (zh) * | 2021-04-19 | 2024-05-31 | 合肥讯飞数码科技有限公司 | 事件抽取方法以及电子设备、存储装置 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112905868A (zh) * | 2021-03-22 | 2021-06-04 | 京东方科技集团股份有限公司 | 事件抽取方法、装置、设备及存储介质 |
US11893345B2 (en) | 2021-04-06 | 2024-02-06 | Adobe, Inc. | Inducing rich interaction structures between words for document-level event argument extraction |
US20230127652A1 (en) * | 2021-10-25 | 2023-04-27 | Adobe Inc. | Event understanding with deep learning |
CN114741516A (zh) * | 2021-12-08 | 2022-07-12 | 商汤国际私人有限公司 | 一种事件抽取方法和装置、电子设备及存储介质 |
CN114492377B (zh) * | 2021-12-30 | 2024-04-16 | 永中软件股份有限公司 | 一种事件角色的标注方法和计算机设备、计算机可读存储介质 |
CN115062137B (zh) * | 2022-08-15 | 2022-11-04 | 中科雨辰科技有限公司 | 一种基于主动学习确定异常文本的数据处理系统 |
CN115238685B (zh) * | 2022-09-23 | 2023-03-21 | 华南理工大学 | 一种基于位置感知的建筑工程变更事件联合抽取方法 |
CN116451787B (zh) * | 2023-02-16 | 2023-12-26 | 阿里巴巴(中国)有限公司 | 内容风险识别方法、装置、系统及设备 |
CN116628210B (zh) * | 2023-07-24 | 2024-03-19 | 广东美的暖通设备有限公司 | 基于对比学习对智慧楼宇故障事件抽取的故障确定方法 |
CN116701576B (zh) * | 2023-08-04 | 2023-10-10 | 华东交通大学 | 无触发词的事件检测方法和系统 |
CN117454987B (zh) * | 2023-12-25 | 2024-03-19 | 临沂大学 | 基于事件自动抽取的矿山事件知识图谱构建方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156352A (zh) * | 2014-08-15 | 2014-11-19 | 苏州大学 | 一种中文事件的处理方法及系统 |
CN111325020A (zh) * | 2020-03-20 | 2020-06-23 | 北京百度网讯科技有限公司 | 一种事件论元抽取方法、装置以及电子设备 |
CN111414482A (zh) * | 2020-03-20 | 2020-07-14 | 北京百度网讯科技有限公司 | 一种事件论元抽取方法、装置以及电子设备 |
CN111651581A (zh) * | 2020-06-05 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 文本处理方法、装置、计算机设备及计算机可读存储介质 |
CN111753522A (zh) * | 2020-06-29 | 2020-10-09 | 深圳壹账通智能科技有限公司 | 事件抽取方法、装置、设备以及计算机可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3322313B2 (ja) * | 1991-09-13 | 2002-09-09 | 日本電信電話株式会社 | 事象解析器 |
WO2015084726A1 (en) * | 2013-12-02 | 2015-06-11 | Qbase, LLC | Event detection through text analysis template models |
CN111401033B (zh) * | 2020-03-19 | 2023-07-25 | 北京百度网讯科技有限公司 | 事件抽取方法、事件抽取装置和电子设备 |
US11687385B2 (en) * | 2020-05-21 | 2023-06-27 | International Business Machines Corporation | Unsupervised event extraction |
CN111967268B (zh) * | 2020-06-30 | 2024-03-19 | 北京百度网讯科技有限公司 | 文本中的事件抽取方法、装置、电子设备和存储介质 |
-
2020
- 2020-11-26 CN CN202011356616.4A patent/CN112507700A/zh active Pending
-
2021
- 2021-09-20 US US17/479,636 patent/US20220004714A1/en active Pending
- 2021-09-23 EP EP21198437.2A patent/EP3910492A3/en not_active Withdrawn
- 2021-09-27 KR KR1020210127359A patent/KR20210124938A/ko not_active Application Discontinuation
- 2021-11-26 JP JP2021191869A patent/JP7228662B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156352A (zh) * | 2014-08-15 | 2014-11-19 | 苏州大学 | 一种中文事件的处理方法及系统 |
CN111325020A (zh) * | 2020-03-20 | 2020-06-23 | 北京百度网讯科技有限公司 | 一种事件论元抽取方法、装置以及电子设备 |
CN111414482A (zh) * | 2020-03-20 | 2020-07-14 | 北京百度网讯科技有限公司 | 一种事件论元抽取方法、装置以及电子设备 |
CN111651581A (zh) * | 2020-06-05 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 文本处理方法、装置、计算机设备及计算机可读存储介质 |
CN111753522A (zh) * | 2020-06-29 | 2020-10-09 | 深圳壹账通智能科技有限公司 | 事件抽取方法、装置、设备以及计算机可读存储介质 |
Non-Patent Citations (5)
Title |
---|
FAYUAN LI等: "Event Extraction as Multi-turn Question Answering", FINDINGS OF THE ASSOCIATION FOR COMPUTATIONAL LINGUISTICS: EMNLP 2020, pages 829 * |
JIAN LIU等: "Event Extraction as Machine Reading Comprehension", PROCEEDINGS OF THE 2020 CONFERENCE ON EMPIRICAL METHODS IN NATURAL LANGUAGE PROCESSING, pages 1641 * |
XINYA DU等: "Event Extraction by Answering (Almost) Natural Questions", ARXIV:2004.13625V1, pages 1 - 12 * |
XINYA DU等: "Event Extraction by Answering (Almost) Natural Questions", PROCEEDINGS OF THE 2020 CONFERENCE ON EMPIRICAL METHODS IN NATURAL LANGUAGE PROCESSING, pages 671 * |
YUNMO CHEN等: "Reading the Manual: Event Extraction as Definition Comprehension", PROCEEDINGS OF 4TH WORKSHOP ON STRUCTURED PREDICTION FOR NLP, pages 74 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392213A (zh) * | 2021-04-19 | 2021-09-14 | 合肥讯飞数码科技有限公司 | 事件抽取方法以及电子设备、存储装置 |
CN113392213B (zh) * | 2021-04-19 | 2024-05-31 | 合肥讯飞数码科技有限公司 | 事件抽取方法以及电子设备、存储装置 |
CN113241138A (zh) * | 2021-06-21 | 2021-08-10 | 中国平安人寿保险股份有限公司 | 医疗事件信息的抽取方法、装置、计算机设备及存储介质 |
CN113241138B (zh) * | 2021-06-21 | 2022-06-17 | 中国平安人寿保险股份有限公司 | 医疗事件信息的抽取方法、装置、计算机设备及存储介质 |
CN114118049A (zh) * | 2021-10-28 | 2022-03-01 | 北京百度网讯科技有限公司 | 信息获取方法、装置、电子设备及存储介质 |
CN114118049B (zh) * | 2021-10-28 | 2023-09-22 | 北京百度网讯科技有限公司 | 信息获取方法、装置、电子设备及存储介质 |
CN115827848A (zh) * | 2023-02-10 | 2023-03-21 | 天翼云科技有限公司 | 一种知识图谱事件抽取方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP3910492A3 (en) | 2022-03-16 |
JP7228662B2 (ja) | 2023-02-24 |
EP3910492A2 (en) | 2021-11-17 |
US20220004714A1 (en) | 2022-01-06 |
KR20210124938A (ko) | 2021-10-15 |
JP2022031804A (ja) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112507700A (zh) | 事件抽取方法、装置、电子设备及存储介质 | |
CN112560912A (zh) | 分类模型的训练方法、装置、电子设备和存储介质 | |
CN111325020B (zh) | 一种事件论元抽取方法、装置以及电子设备 | |
CN113220836B (zh) | 序列标注模型的训练方法、装置、电子设备和存储介质 | |
CN111221983A (zh) | 时序知识图谱生成方法、装置、设备和介质 | |
US20190155918A1 (en) | Real-time classification of evolving dictionaries | |
CN112347769B (zh) | 实体识别模型的生成方法、装置、电子设备及存储介质 | |
CN113657100B (zh) | 实体识别方法、装置、电子设备及存储介质 | |
CN111309910A (zh) | 文本信息挖掘方法及装置 | |
CN111522967A (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN111967256A (zh) | 事件关系的生成方法、装置、电子设备和存储介质 | |
CN113590776A (zh) | 基于知识图谱的文本处理方法、装置、电子设备及介质 | |
CN112216359A (zh) | 医疗数据校验方法、装置及电子设备 | |
CN113553412B (zh) | 问答处理方法、装置、电子设备和存储介质 | |
CN111767334A (zh) | 信息抽取方法、装置、电子设备及存储介质 | |
CN111274397A (zh) | 建立实体关系检测模型的方法以及装置 | |
CN114186533A (zh) | 模型训练方法及装置、知识抽取方法及装置、设备和介质 | |
CN112560461A (zh) | 新闻线索的生成方法、装置、电子设备及存储介质 | |
CN112380847A (zh) | 兴趣点处理方法、装置、电子设备及存储介质 | |
CN110991183A (zh) | 问题的谓词确定方法、装置、设备及存储介质 | |
EP3869382A2 (en) | Method and device for determining answer of question, storage medium and computer program product | |
CN112541070B (zh) | 槽位更新语料的挖掘方法、装置、电子设备和存储介质 | |
CN112528658A (zh) | 层次化分类方法、装置、电子设备和存储介质 | |
CN112466277A (zh) | 韵律模型训练方法、装置、电子设备及存储介质 | |
CN115688802A (zh) | 文本风险检测方法及其装置 |
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 |