CN112559727A - 用于输出信息的方法、装置、设备、存储介质和程序 - Google Patents
用于输出信息的方法、装置、设备、存储介质和程序 Download PDFInfo
- Publication number
- CN112559727A CN112559727A CN202011475577.XA CN202011475577A CN112559727A CN 112559727 A CN112559727 A CN 112559727A CN 202011475577 A CN202011475577 A CN 202011475577A CN 112559727 A CN112559727 A CN 112559727A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- neural network
- vector
- fusion
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 239000013598 vector Substances 0.000 claims abstract description 80
- 230000004927 fusion Effects 0.000 claims abstract description 76
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 238000004590 computer program Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000000306 recurrent effect Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 37
- 238000012545 processing Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 239000002356 single layer Substances 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research 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
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
- G06F16/338—Presentation of query results
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Health & Medical Sciences (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了用于输出信息的方法、装置、设备、存储介质、计算机程序，涉及人工智能技术领域，具体为深度学习和知识图谱技术。具体实现方案为：获取待处理的词语序列；从至少一种知识图谱中为词语序列中的词语搜索出至少一个知识视图；将词语序列、至少一个知识视图分别输入至少一个图卷积神经网络，得到至少一个嵌入向量，其中，每个图卷积神经网络与一种知识图谱相对应；对至少一个嵌入向量进行融合，将融合结果作为词语序列的向量表示输出。该实施方式能够在深度学习中引入多种外部知识，并依据不同情境对这些不同种类的知识进行动态融合，从而为人工智能任务带来更大的提升。
Description
技术领域
本申请涉及人工智能技术领域，具体为深度学习和知识图谱技术。
背景技术
在人工智能任务中引入外部知识以增强效果，在近年来逐渐成为研究热点。复杂的人工智能任务通常需要多种知识紧密配合才能求解，然而现有的工作都仅仅引入一种外部知识。
现有技术中在人工智能任务中引入外部知识的工作，无论是表示层面的引入方法还是数据层面的引入，都集中于引入一种单一的外部知识。而复杂的人工智能任务，通常都需要多种知识的配合使用才能更好的求解。例如阅读理解类的任务，既需要语言知识，又需要有一定的世界知识，才能够实现准确的文本理解进而给出答案。
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：获取待处理的词语序列。从至少一种知识图谱中为词语序列中的词语搜索出至少一个知识视图，其中，每个知识视图由词语对应的知识图谱节点以及节点之间的边构成。将词语序列、至少一个知识视图分别输入至少一个图卷积神经网络，得到至少一个嵌入向量，其中，每个图卷积神经网络与一种知识图谱相对应。对至少一个嵌入向量进行融合，将融合结果作为词语序列的向量表示输出。
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：获取单元，被配置成获取待处理的词语序列。搜索单元，被配置成从至少一种知识图谱中为词语序列中的词语搜索出至少一个知识视图，其中，每个知识视图由词语对应的知识图谱节点以及节点之间的边构成。编码单元，被配置成将词语序列、至少一个知识视图分别输入至少一个图卷积神经网络，得到至少一个嵌入向量，其中，每个图卷积神经网络与一种知识图谱相对应。融合单元，被配置成对至少一个嵌入向量进行融合，将融合结果作为词语序列的向量表示输出。
根据本公开的第三方面，提供了一种用于输出信息的电子设备，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第一方面中任一项的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据第一方面中任一项所述的方法。
根据本申请的技术，通过引入多知识源并实现知识动态融合，更能够满足复杂人工智能任务的复杂知识需求，极大的扩展了知识增强的效果。
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又一个实施例的流程图；
图4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示出了可以应用本公开的用于输出信息的方法或用于输出信息的装置的实施例的示例性系统架构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，例如人机对话类应用、文本处理类应用、网页浏览器应用、购物类应用、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可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，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、MP3播放器(Moving Picture Experts Group Audio La6er III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio La6er IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103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。
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上输入的文本提供阅读理解分析的后台分析服务器。后台分析服务器可以对接收到的文本等数据进行分析等处理，并将处理结果(例如文本的向量表示)输入阅读理解模型，得到答案反馈给终端设备。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，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。当服务器为软件时，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的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。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。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。
需要说明的是，本公开的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设置于服务器105中。
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，示出了根据本公开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，包括以下步骤：
步骤201，获取待处理的词语序列。
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)可以通过有线连接方式或者无线连接方式从终端接收待处理的词语序列。也可获得文本信息，然后将文本分句后，再切词，得到词语序列。如果词语序列中有预设的停用词，可以过滤掉，例如，的、地、得等。
步骤202，从至少一种知识图谱中为词语序列中的词语搜索出至少一个知识视图。
在本实施例中，知识图谱有很多种，比如人物关系知识图谱、作品关系知识图谱、职业关系知识图谱等。本申请把词语序列构成的句子本身也看作“一种知识”，句子本身对应到一张全联通的知识视图(相当于句子本身也对应一种知识图谱)，也就是说每个词和每个词之间，都有一条边。这样的话，句子本身以及外部知识，就统一格式，便于处理。针对每一种外部知识图谱KG，为输入词语序列X构造一张针对该知识图谱的知识视图XKG。具体方法为，基于输入词语序列检索知识图谱，获得每一个词语对应的知识图谱节点以及节点之间的边，检索获得的节点和边就构成了输入词语序列对应的知识视图。假设有N个外部知识图谱KG1…KGN，通过上述过程可以为输入词语序列X检索获得N个与上述知识图谱对应的知识视图XKG1…XKGN。每个知识视图XKG都是一张图，它包括一系列与输入词语对应的节点XKG.NODES，以及将这些节点连接起来的边XKG.EDGES。
步骤203，将词语序列、至少一个知识视图分别输入至少一个图卷积神经网络，得到至少一个嵌入向量。
在本实施例中，每个图卷积神经网络(Graph Neural Networks，GNN)与一种知识图谱相对应。可通过一个单层或多层的神经网络编码器来实现多知识融合。多层的神经网络编码器中每层神经网络编码器包括至少一个图卷积神经网络和融合层，每层神经网络编码器输出是下一层神经网络编码器的输入。在本实施例中，以单层神经网络编码器为例实现多知识融合。针对输入词语序列中的每个词语，通过某种计算方式包括但不限于连接和相加等操作，将该词语对应的各个知识视图中的节点的知识表示初步地融合起来作为神经网络编码器的输入。这是一个与问题输入词语序列等长的序列，其中的元素是针对输入词语的知识融合表示。对于第一层之后每层编码器，其输入都是上一层编码器的输出。每个编码器层中有N个GNN子模块和一个知识融合模块(融合层)。具体的，N个GNN子模块GNN1…GNNN分别对应于知识图谱KG1…KGN，用于从不同的知识图谱的视角对输入信息进行处理。这些GNN子模块不共享参数，便于学到不同的知识处理规律。每个GNN模块GNNi以对应知识视图的边XKGj.EDGES作为图结构进行处理，得到对应于知识图谱KGi的视角下的输出HKGi，即为嵌入向量。
步骤204，对至少一个嵌入向量进行融合，将融合结果作为词语序列的向量表示输出。
在本实施例中，可通过神经网络编码器的融合层对至少一个嵌入向量进行融合。融合层用于对所有知识图谱视角下的输出HKG1…HKGN进行融合，得到融合之后的输出Hi用于下一个编码器层的输入。在本实施例中，第一层神经网络编码器的融合层的输出即为词语序列的向量表示。
输出的词语序列的向量表示可用于文本分类(Text classification)，序列标注(Sequence labeling),神经机器翻译(Neural machine translation),关系抽取(Relation extraction)，事件抽取(Event extraction),图像分类(ImageClassification)，视觉推理(Visual Reasoning)，语义分割(Semantic Segmentation)等等领域。将词语序列的向量表示输入相应的模型，即可基于多知识源进行后续的深度学习。通过引入多种外部知识，并依据特定问题上下文对这些知识进行动态的融合，从而借助问题本身信息以及外部知识信息进行更好的后续决策。因此，能够引入并有效利用多种不同的外部知识，满足了复杂人工智能任务对多种知识的需求，从而进一步提升了复杂人工智能任务的效果。
在文本分类问题中，仅仅对句子中的词嵌入求平均的做法就能取得良好的效果。而文本分类实际上是一个相对容易和简单的任务，它不需要从语义的角度理解句子的意义，只需要对单词进行计数就足够了。例如，对情感分析来说，算法需要对与积极或消极情绪有重要关系的单词进行计数，而不用关心其位置和具体意义为何。当然，这样的算法应该学习到单词本身的情感。
在本实施例的一些可选的实现方式中，对至少一个嵌入向量进行融合，包括：通过自注意力加权相加的方式对所述至少一个嵌入向量进行融合。可以采用不同的知识融合策略，可以是自注意力机制加权相加即H＝SelfAttentionAdd(HKG1…HKGN)，HKG1…HKGN表示GNN1…GNNN的输出，如图4所示。为每个嵌入向量赋予一个权重，然后将加权后的嵌入向量相加作为句子的向量表示。使得生成的句子向量能够更准确地表达出句子中各词的重要性。
在本实施例的一些可选的实现方式中，对至少一个嵌入向量进行融合，包括：通过循环神经网络(Recurrent Neural Network,RNN)的方式对所述至少一个嵌入向量进行融合。为了更好地理解句子，应该更加关注单词的顺序。为了做到这一点，循环神经网络可以从一系列具有以下的隐藏状态的输入单词(token)中抽取出相关信息。当使用这些信息时，通常只使用最后一个时间步的隐藏状态。RNN能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。使得生成的句子向量能够更准确地表达出句子中各词的关系。
在本实施例的一些可选的实现方式中，该方法还包括：将词语序列转换成全局向量；将全局向量作为干预信息对融合结果进行修正。为了进一步增加知识融合的动态性，可采用输入词语序列的某种全局表示XGLOBAL作为干预信息，参与到知识融合模块的计算过程中。例如，我们用输入词语的表示的平均作为干预信息即XGLOBAL＝Average(Embedding(X))，然后将它用于参与自注意加权中的权重计算过程。还可以用其他任何神经网络把这个输入的词语序列转成一个全局向量作为XGLOBAL。
在本实施例的一些可选的实现方式中，该方法还包括：该方法还包括：将词语序列转换成全局向量；用全局向量初始化循环神经网络。RNN方式的融合中也可采用XGLOBAL。输入的词语序列给一个RNN，输入一个向量作为XGLOBAL，XGLOBAL可以是输入词语的表示的平均，还可以用其他任何神经网络把这个输入的词语序列转成一个全局向量作为XGLOBAL。从而增加了知识融合的动态性。
进一步参考图3，其示出了用于输出信息的方法的又一个实施例的流程300。该用于输出信息的方法的流程300，包括以下步骤：
步骤301，获取待处理的词语序列。
步骤301与步骤201基本相同，因此不再赘述。
步骤302，从至少一种知识图谱中为词语序列中的词语搜索出至少一个知识视图。
步骤302与步骤202基本相同，因此不再赘述。
步骤303，获取每个知识视图中的边标签集合。
在本实施例中，每个知识视图XKG都是一张图，它包括一系列与输入词语对应的节点XKG.NODES，以及将这些节点连接起来的边XKG.EDGES。比如节点“张三”，相邻节点“演员”，它们之间的边的标签为“职业”。有的节点之间的边可能没有标签，但不影响整体效果。
为了使得GNN能够方便的处理边的类型即标签信息，可在GNN中引入边标签嵌入表，用于为每一种标签类型即标签学习一个深度语义表示。边标签的深度语义表示在GNN的运行过程中发挥作用。每个GNN处理的是不一样的KG即知识，因此边的标签都是不一样的，边标签嵌入表自然就不一样。边标签嵌入表的用途是，为每个边的标签学习到一个语义表示即向量，便于参与到后续的计算。XKG.EDGES是普通的边，它通过边嵌入表才能转变为向量。
具体的，在信息从边的尾节点T向边的头节点H流动的过程中，为头结点H计算来自为尾节点T的信息增量Δ(T)时，边标签的深度语义表示E要参与此计算过程。最简单的参与方法是相加，即从Δ(T)＝f(T)升级为Δ(T)＝f(T)+g(E)，其中f和g均为对向量表示进行的运算。
步骤304，将词语序列、至少一个知识视图、每个知识视图中的边标签集合分别输入至少一个图卷积神经网络，得到至少一个嵌入向量。
在本实施例中，可采用单层或多层的神经网络编码器，对原始输入和各个知识视图进行逐层的编码处理，通过单层或多层的编码操作实现深层次的知识融合。本实施例中采用单层的神经网络编码器。针对输入词语序列中的每个词语，通过某种计算方式包括但不限于连接和相加等操作，将该词语对应的各个知识视图中的节点的知识表示初步地融合起来作为神经网络编码器的输入。这是一个与问题输入词语序列等长的序列，其中的元素是针对输入词语的知识融合表示。对于第一层之后每层编码器，其输入都是上一层编码器的输出。每个编码器层中有N个GNN子模块和一个知识融合模块。具体的，N个GNN子模块GNN1…GNNN分别对应于知识图谱KG1…KGN，用于从不同的知识图谱的视角对输入信息进行处理。这些GNN子模块不共享参数，便于学到不同的知识处理规律。每个GNN模块GNNi以对应知识视图的边XKGj.EDGES作为图结构，采用步骤303所述的有标签图信息的处理机制进行处理，得到对应于知识图谱KGi的视角下的输出HKGi。知识融合模块用于对所有知识图谱视角下的输出HKG1…HKGN进行融合，得到融合之后的输入H用于下一个编码器层的输入。
步骤305，对至少一个嵌入向量进行融合，将融合结果作为词语序列的向量表示输出。
在本实施例中，可以采用不同的知识融合策略，可以是自注意力机制加权相加即H＝SelfAttentionAdd(HKG1…HKGN)，可以是RNN方式汇总融合即H＝RNN(HKG1…HKGN)，也可以是其他可能的信息汇总融合机制。无论是自注意相加还是RNN融合，都能够实现根据不同的输入信息进行不同的融合操作。对自注意相加而言，每种输入信息对应的权重是与HKG1…HKGN的具体值相关的；对RNN融合而言，信息融合的具体计算也与HKG1…HKGN的具体值相关。因此，上述两种方式都能够实现动态的知识融合。为了进一步增加知识融合的动态性，我们采用输入词语序列的某种全局表示XGLOBAL作为干预信息，参与到知识融合模块的计算过程中。例如，我们用输入词语的表示的平均作为干预信息即XGLOBAL＝Average(Embedding(X))，然后将它用于参与自注意加权中的权重计算过程，或者用于参与RNN信息融合中的RNN初始化过程。
通过在GNN中引入边标签的计算，使得GNN能学习到边标签的语义，从而引入更多的知识，使得生成的词向量的信息量更大。
为了增强融合效果，可通过多层的神经网络编码器，输出经多次融合的融合结果作为所述词语序列的向量表示，其中，每层神经网络编码器包括至少一个图卷积神经网络和融合层，每层神经网络编码器输出是下一层神经网络编码器的输入。经过多次融合，能够更好的学习到词语的特征。
继续参见图4，图4是根据本实施例的用于输出信息的方法的应用场景的一个示意图。在图4的应用场景中，将每个知识视图中的边标签集合XKGj.EDGES输入对应的图卷积神经网络，以使得通过图卷积神经网络中预设的边标签嵌入表为边标签学习到语义表示，并根据边标签的语义表示沿着边进行信息流动计算。图中i表示神经网络编码器的层数，j表示GNN的编号。每个GNN中内置了针对每个知识图谱的边标签嵌入表。例如，人物关系的知识图谱中边标签“夫妻”可用向量0111000表示。GNN的输入不仅包括边标签集合，还包括上一层编码器的输出。每个GNN输出一个嵌入向量
所有嵌入向量经过XGLOBAL干预后融合，得到词语序列的向量表示Hi。单层编码器得到的Hi即可作为词语序列的向量表示。为了增强融合效果，可通过多层编码进行多次融合得到最终的词语序列的向量表示。
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：获取单元501、搜索单元502、编码单元503、融合单元504。其中，获取单元501，被配置成获取待处理的词语序列；搜索单元502，被配置成从至少一种知识图谱中为词语序列中的词语搜索出至少一个知识视图，其中，每个知识视图由词语对应的知识图谱节点以及节点之间的边构成；编码单元503，被配置成将词语序列、至少一个知识视图分别输入至少一个图卷积神经网络，得到至少一个嵌入向量，其中，每个图卷积神经网络与一种知识图谱相对应；融合单元504，被配置成对至少一个嵌入向量进行融合，将融合结果作为词语序列的向量表示输出。
在本实施例中，用于输出信息的装置500的获取单元501、搜索单元502、编码单元503、融合单元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，搜索单元502进一步被配置成：获取每个知识视图中的边标签集合。编码单元进一步被配置成将每个知识视图中的边标签集合输入对应的图卷积神经网络，以使得通过图卷积神经网络中预设的边标签嵌入表为边标签学习到语义表示，并根据边标签的语义表示沿着边进行信息流动计算。
在本实施例的一些可选的实现方式中，融合单元504进一步被配置成：通过自注意力加权相加的方式对至少一个嵌入向量进行融合。
在本实施例的一些可选的实现方式中，融合单元504进一步被配置成：通过循环神经网络的方式对至少一个嵌入向量进行融合。
在本实施例的一些可选的实现方式中，融合单元504进一步被配置成：将词语序列转换成全局向量。将全局向量作为干预信息对融合结果进行修正。
在本实施例的一些可选的实现方式中，融合单元504进一步被配置成：将词语序列转换成全局向量。用全局向量初始化循环神经网络。
在本实施例的一些可选的实现方式中，编码单元503进一步被配置成：
将融合结果和每个知识视图中的边标签集合输入多层的神经网络编码器，输出经多次融合的融合结果作为词语序列的向量表示，其中，每层神经网络编码器包括至少一个图卷积神经网络和融合层，每层神经网络编码器输出是下一层神经网络编码器的输入。
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6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。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/或者要求的本公开的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如方法用于输出信息。例如，在一些实施例中，方法用于输出信息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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的方法用于输出信息的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法用于输出信息。
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。
用于实施本公开的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。
在本公开的上下文中，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)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，旨在引入多种外部知识，并依据特定问题上下文对这些知识进行动态的融合，从而借助问题本身信息以及外部知识信息进行更好的后续决策。该提案的技术优点是，能够引入并有效利用多种不同的外部知识，满足了复杂人工智能任务对多种知识的需求，从而进一步提升了复杂人工智能任务的效果。
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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (19)
1.一种用于输出信息的方法，包括：
获取待处理的词语序列；
从至少一种知识图谱中为所述词语序列中的词语搜索出至少一个知识视图；
将所述词语序列、所述至少一个知识视图分别输入至少一个图卷积神经网络，得到至少一个嵌入向量，其中，每个图卷积神经网络与一种知识图谱相对应；
对所述至少一个嵌入向量进行融合，将融合结果作为所述词语序列的向量表示输出。
2.根据权利要求1所述的方法，其中，所述方法还包括：
获取每个知识视图中的边标签集合；
将每个知识视图中的边标签集合输入对应的图卷积神经网络，以使得通过图卷积神经网络中预设的边标签嵌入表为边标签学习到语义表示，并根据边标签的语义表示沿着边进行信息流动计算。
3.根据权利要求1所述的方法，其中，所述对所述至少一个嵌入向量进行融合，包括：
通过自注意力加权相加的方式对所述至少一个嵌入向量进行融合。
4.根据权利要求1所述的方法，其中，所述对所述至少一个嵌入向量进行融合，包括：
通过循环神经网络的方式对所述至少一个嵌入向量进行融合。
5.根据权利要求3所述的方法，其中，所述方法还包括：
将所述词语序列转换成全局向量；
将所述全局向量作为干预信息对所述融合结果进行修正。
6.根据权利要求4所述的方法，其中，所述方法还包括：
将所述词语序列转换成全局向量；
用所述全局向量初始化所述循环神经网络。
7.根据权利要求1所述的方法，其中，每个知识视图由词语对应的知识图谱节点以及节点之间的边构成。
8.根据权利要求1-7中任一项所述的方法，其中，所述方法还包括：
将所述融合结果和每个知识视图中的边标签集合输入多层的神经网络编码器，输出经多次融合的融合结果作为所述词语序列的向量表示，其中，每层神经网络编码器包括至少一个图卷积神经网络和融合层，每层神经网络编码器输出是下一层神经网络编码器的输入。
9.一种用于输出信息的装置，包括：
获取单元，被配置成获取待处理的词语序列；
搜索单元，被配置成从至少一种知识图谱中为所述词语序列中的词语搜索出至少一个知识视图；
编码单元，被配置成将所述词语序列、所述至少一个知识视图分别输入至少一个图卷积神经网络，得到至少一个嵌入向量，其中，每个图卷积神经网络与一种知识图谱相对应；
融合单元，被配置成对所述至少一个嵌入向量进行融合，将融合结果作为所述词语序列的向量表示输出。
10.根据权利要求9所述的装置，其中，
所述搜索单元进一步被配置成：获取每个知识视图中的边标签集合；
所述编码单元进一步被配置成将每个知识视图中的边标签集合输入对应的图卷积神经网络，以使得通过图卷积神经网络中预设的边标签嵌入表为边标签学习到语义表示，并根据边标签的语义表示沿着边进行信息流动计算。
11.根据权利要求9所述的装置，其中，所述融合单元进一步被配置成：
通过自注意力加权相加的方式对所述至少一个嵌入向量进行融合。
12.根据权利要求9所述的装置，其中，所述融合单元进一步被配置成：
通过循环神经网络的方式对所述至少一个嵌入向量进行融合。
13.根据权利要求11所述的装置，其中，所述融合单元进一步被配置成：
将所述词语序列转换成全局向量；
将所述全局向量作为干预信息对所述融合结果进行修正。
14.根据权利要求12所述的装置，其中，所述融合单元进一步被配置成：
将所述词语序列转换成全局向量；
用所述全局向量初始化所述循环神经网络。
15.根据权利要求9所述的装置，其中，每个知识视图由词语对应的知识图谱节点以及节点之间的边构成。
16.根据权利要求9-15中任一项所述的装置，其中，所述编码单元进一步被配置成：
将所述融合结果和每个知识视图中的边标签集合输入多层的神经网络编码器，输出经多次融合的融合结果作为所述词语序列的向量表示，其中，每层神经网络编码器包括至少一个图卷积神经网络和融合层，每层神经网络编码器输出是下一层神经网络编码器的输入。
17.一种用于输出信息的电子设备，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1-8中任一项所述的方法。
18.一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1-8中任一项所述的方法。
19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011475577.XA CN112559727B (zh) | 2020-12-15 | 2020-12-15 | 用于输出信息的方法、装置、设备、存储介质和程序 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011475577.XA CN112559727B (zh) | 2020-12-15 | 2020-12-15 | 用于输出信息的方法、装置、设备、存储介质和程序 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112559727A true CN112559727A (zh) | 2021-03-26 |
| CN112559727B CN112559727B (zh) | 2024-04-09 |
Family
ID=75064720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011475577.XA Active CN112559727B (zh) | 2020-12-15 | 2020-12-15 | 用于输出信息的方法、装置、设备、存储介质和程序 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112559727B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113961679A (zh) * | 2021-09-18 | 2022-01-21 | 北京百度网讯科技有限公司 | 智能问答的处理方法、系统、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130054563A1 (en) * | 2011-08-25 | 2013-02-28 | Sap Ag | Self-learning semantic search engine |
| CN106777041A (zh) * | 2016-12-09 | 2017-05-31 | 中国人民解放军海军航空工程学院 | 一种基于信息系统的知识验证方法及系统 |
| CN111090987A (zh) * | 2019-12-27 | 2020-05-01 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
| CN111563192A (zh) * | 2020-04-28 | 2020-08-21 | 腾讯科技（深圳）有限公司 | 实体对齐方法、装置、电子设备及存储介质 |
| CN111949801A (zh) * | 2020-07-27 | 2020-11-17 | 西北工业大学 | 医生经验知识与超声影像信息的知识图谱融合方法 |
-
2020
- 2020-12-15 CN CN202011475577.XA patent/CN112559727B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130054563A1 (en) * | 2011-08-25 | 2013-02-28 | Sap Ag | Self-learning semantic search engine |
| CN106777041A (zh) * | 2016-12-09 | 2017-05-31 | 中国人民解放军海军航空工程学院 | 一种基于信息系统的知识验证方法及系统 |
| CN111090987A (zh) * | 2019-12-27 | 2020-05-01 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
| CN111563192A (zh) * | 2020-04-28 | 2020-08-21 | 腾讯科技（深圳）有限公司 | 实体对齐方法、装置、电子设备及存储介质 |
| CN111949801A (zh) * | 2020-07-27 | 2020-11-17 | 西北工业大学 | 医生经验知识与超声影像信息的知识图谱融合方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113961679A (zh) * | 2021-09-18 | 2022-01-21 | 北京百度网讯科技有限公司 | 智能问答的处理方法、系统、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112559727B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112966522B (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
| CN113326764B (zh) | 训练图像识别模型和图像识别的方法和装置 | |
| CN112860866B (zh) | 语义检索方法、装置、设备以及存储介质 | |
| JP7334395B2 (ja) | ビデオ分類方法、装置、機器、および記憶媒体 | |
| CN113989593A (zh) | 图像处理方法、检索方法、训练方法、装置、设备及介质 | |
| CN112926306A (zh) | 文本纠错方法、装置、设备以及存储介质 | |
| CN112749300B (zh) | 用于视频分类的方法、装置、设备、存储介质和程序产品 | |
| CN112989970A (zh) | 文档版面分析方法、装置、电子设备及可读存储介质 | |
| CN115688920A (zh) | 知识抽取方法、模型的训练方法、装置、设备和介质 | |
| US20220358955A1 (en) | Method for detecting voice, method for training, and electronic devices | |
| CN114782719B (zh) | 一种特征提取模型的训练方法、对象检索方法以及装置 | |
| CN115481227A (zh) | 人机交互对话方法、装置以及设备 | |
| CN115099239A (zh) | 一种资源识别方法、装置、设备以及存储介质 | |
| CN114970540A (zh) | 训练文本审核模型的方法和装置 | |
| CN112906368B (zh) | 行业文本增量方法、相关装置及计算机程序产品 | |
| CN114494747A (zh) | 模型的训练方法、图像处理方法、装置、电子设备及介质 | |
| CN113360683A (zh) | 训练跨模态检索模型的方法以及跨模态检索方法和装置 | |
| CN112559727B (zh) | 用于输出信息的方法、装置、设备、存储介质和程序 | |
| CN115269768A (zh) | 要素文本处理方法、装置、电子设备和存储介质 | |
| CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
| CN112560848B (zh) | 兴趣点poi预训练模型的训练方法、装置及电子设备 | |
| CN114358198A (zh) | 实例分割方法、装置及电子设备 | |
| CN114969332A (zh) | 训练文本审核模型的方法和装置 | |
| CN113688938A (zh) | 确定对象情感的方法、训练情感分类模型的方法及装置 | |
| CN113792876A (zh) | 骨干网络的生成方法、装置、设备以及存储介质 |
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 |