CN113190679B - 关系确定方法、装置、电子设备和存储介质 - Google Patents
关系确定方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113190679B CN113190679B CN202110506417.5A CN202110506417A CN113190679B CN 113190679 B CN113190679 B CN 113190679B CN 202110506417 A CN202110506417 A CN 202110506417A CN 113190679 B CN113190679 B CN 113190679B
- Authority
- CN
- China
- Prior art keywords
- information
- service class
- attribute identification
- result
- identification result
- 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 42
- 239000013598 vector Substances 0.000 claims description 60
- 230000004927 fusion Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 19
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 239000000463 material Substances 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
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 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
- 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
- G06F16/35—Clustering; Classification
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了关系确定方法、装置、电子设备和存储介质,涉及人工智能领域,具体为深度学习技术。具体实现方案为:对第一业务类别和第二业务类别分别进行属性识别,得到第一业务类别的属性识别结果和第二业务类别的属性识别结果;基于第一业务类别的属性识别结果和第二业务类别的属性识别结果,确定针对第一业务类别与第二业务类别之间的上下位关系的第一判定结果;在第一判定结果符合预设条件的情况下,利用关系预测模型,得到针对上下位关系的第二判定结果。利用本公开实施例,可以确定业务类别的上下位关系的准确率。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及人工智能领域,具体为深度学习技术。
背景技术
互联网信息具有多样性,涉及多个行业、领域和方向。对互联网信息进行业务分类,并挖掘业务类别之间的潜在关系,可以提高信息的价值以及利用效率。例如,对投放于互联网的不同的广告物料进行业务分类,利用业务类别的上下位关系,可以提升推荐广告物料或对广告物料进行相关性过滤的召回率和准确率。目前,一般根据业务类别的文本或语言模式挖掘业务类别之间的上下位关系。例如,业务类别B包含了业务类别A的所有文本,且业务类别B的文本比业务类别A的文本更长,则认为业务类别A是业务类别B的上位信息。
发明内容
本公开提供了一种关系确定方法、装置、电子设备和存储介质。
根据本公开的一方面,提供了一种关系确定方法,包括:
对第一业务类别和第二业务类别分别进行属性识别,得到第一业务类别的属性识别结果和第二业务类别的属性识别结果;
基于第一业务类别的属性识别结果和第二业务类别的属性识别结果,确定针对第一业务类别与第二业务类别之间的上下位关系的第一判定结果;
在第一判定结果符合预设条件的情况下,利用关系预测模型,得到针对上下位关系的第二判定结果。
根据本公开的另一方面,提供了一种关系确定装置,包括:
属性识别模块,用于对第一业务类别和第二业务类别分别进行属性识别,得到第一业务类别的属性识别结果和第二业务类别的属性识别结果;
第一判定模块,用于基于第一业务类别的属性识别结果和第二业务类别的属性识别结果,确定针对第一业务类别与第二业务类别之间的上下位关系的第一判定结果;
第二判定模块,用于在第一判定结果符合预设条件的情况下,利用关系预测模型,得到针对上下位关系的第二判定结果。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面,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,该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本公开任一实施例中的方法。
根据本公开的技术,可以提高确定业务类别的上下位关系的准确率。
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,不构成对本公开的限定。其中:
图1是本公开一个实施例提供的关系确定方法的示意图;
图2是本公开另一个实施例提供的关系确定方法的示意图;
图3是本公开另一个实施例中关系预测模型的结构示意图;
图4是本公开一个实施例提供的关系确定装置的示意图;
图5是本公开另一个实施例提供的关系确定装置的示意图;
图6是用来实现本公开实施例的关系确定方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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示出了本公开一个实施例提供的关系确定方法的示意图。如图1所示,该方法包括:
步骤S11,对第一业务类别和第二业务类别分别进行属性识别,得到第一业务类别的属性识别结果和第二业务类别的属性识别结果;
步骤S12,基于第一业务类别的属性识别结果和第二业务类别的属性识别结果,确定针对第一业务类别与第二业务类别之间的上下位关系的第一判定结果;
步骤S13,在第一判定结果符合预设条件的情况下,利用关系预测模型,得到针对上下位关系的第二判定结果。
本公开实施例中,第一业务类别和第二业务类别可以是待判断是否具有上下位关系的两个业务类别。在一些实施例中,具有上下位关系包括:第一业务类别是第二业务类别的上位信息,或者,第二业务类别是第一业务类别的上位信息。其中,上位信息也可以称为上位词。
具体而言,如果业务类别B在语义上包含了业务类别A,且业务类别B在业务类别A的基础上有扩充,则称业务类别B为业务类别A的下位信息,业务类别A为业务类别B的上位信息。例如,“暑期英语补课”的语义信息包含了“暑期补课”的语义信息,且“暑期英语补课”相对“暑期补课”在语义上扩充了“英语”或者说增加了限定词“英语”,则“暑期补课”是“暑期英语补课”的上位信息。
示例性地,第一业务类别和第二业务类别可以是相同行业的业务类别。例如,第一业务类别为教育行业的业务类别“英语线上培训”,第二业务类别为教育行业的业务类别“课程”。
示例性地,可以将业务类别库中的全部业务类别进行两两组合,得到多个业务类别对,每个业务类别对包括两个业务类别。遍历多个业务类别对,将遍历得到的业务类别对中的两个业务类别视为第一业务类别和第二业务类别,针对第一业务类别和第二业务类别执行上述步骤。
示例性地,对第一业务类别和第二业务类别分别进行属性识别的方式可以借助知识工程实现。实际应用中,属性识别的方式可以包括根据字面文本识别、利用深度学习模型识别或根据预定规则识别等。属性识别结果的数量可以是多个,例如,对业务类别的多种属性分别进行识别,可以得到与多种属性对应的多个属性识别结果。属性识别结果可以是具体的属性值。
以教育行业为例,业务类别的属性包括机构类型、年级、课程、上课渠道、时间、课程特色、同义业务类别、品牌中的至少一种。其中,机构类型的属性值包括培训班、复读班等;年级的属性值包括初一、高一等;课程的属性值包括语文、英语等;上课渠道的属性值可以包括线上、线下等;时间的属性值包括寒暑假、周末等;课程特色的属性值可以包括大班教学、一对一等。
示例性地,可以根据业务类别的字面文本,在各种属性的属性值中查找字面匹配的属性值,将查找到的属性值确定为业务类别的属性识别结果。例如针对业务类别“六年级语文培训”中的字面文本“六年级”和“语文”,在各种属性的属性值中查找到字面匹配的年级属性的属性值“六年级”和课程属性的属性值“语文”,则得到该业务类别的年级属性的属性识别结果以及课程属性的属性识别结果。
对于不会在字面上体现属性值的属性,例如同义业务类别、品牌等属性,可以通过其他方式完成属性识别,本公开实施例不对属性识别方式进行限定。
实际应用中,属性之间也存在包含与被包含的关系,即一个属性会具有多个子属性。为了避免丢失属性识别结果,可以在针对业务类别识别出某个属性值的情况下,可以将该属性值以及其子属性值均作为该业务类别的属性识别结果,即属性识别结果包括识别出的属性值以及其子属性值。例如,属性值“英语”的子属性值包括“阅读”、“听力”、“口语”、“单词”等。如果针对业务类别“英语培训”识别出课程属性的属性值为“英语”,则业务类别“英语培训”的课程属性的属性识别结果包括“英语”、“阅读”、“听力”、“口语”、“单词”等。
本公开实施例的方法,通过属性识别,得到两个业务类别的属性识别结果,基于属性识别结果得到上下位关系的第一判定结果,即初步判定结果。在第一判定结果符合预设条件的情况下,再利用关系预测模型得到上下位关系的第二判定结果。由于利用了基于属性识别结果得到的第一判定结果对进入后续步骤的业务类别进行筛选,因此提高了对大量业务类别对进行上下位关系判定的效率,并且提高了最终判定结果即第二判定结果的准确率。
示例性地,预设条件包括:第一判定结果表征第一业务类别是第二业务类别的上位信息。
也就是说,在初步判定两个业务类别间可能存在上下位关系的情况下,利用关系预测模型进行进一步判定。基于属性识别和模型预测两种方式的结合,提高了关系判定的准确率。并且不必对不可能存在上下位关系的业务类别对进行模型运算,提高了效率。
示例性地,上述步骤S12,基于第一业务类别的属性识别结果和第二业务类别的属性识别结果,确定针对第一业务类别与第二业务类别之间的上下位关系的第一判定结果,包括:
在第一业务类别的属性识别结果为空值,且第二业务类别的属性识别结果为非空值的情况下,确定第一判定结果为肯定信息,肯定信息用于表征第一业务类别是第二业务类别的上位信息。
例如,对第一业务类别“英语培训”和第二业务类别“暑期英语培训”进行时间属性的识别,第一业务类别的属性识别结果为空值,第二业务类别的属性识别结果为“暑期”,则第一业务类别为第二业务类别的上位信息。
由于第一业务类别的属性识别结果为空值且第二业务类别的属性识别结果为非空值,说明第二业务类别相比第一业务类别在语义上针对某个属性有扩充,因此,确定第一判定结果为肯定信息,可以提高判定的准确率。
示例性地,上述步骤S12,基于第一业务类别的属性识别结果和第二业务类别的属性识别结果,确定针对第一业务类别与第二业务类别之间的上下位关系的第一判定结果,包括:
在第一业务类别的属性识别结果为非空值,且第二业务类别的属性识别结果为空值的情况下,确定第一判定结果为否定信息,否定信息用于表征第一业务类别不是第二业务类别的上位信息。
例如,对第一业务类别“暑期一对一教学”和第二业务类别“暑期英语培训”进行课程特色属性的识别,第一业务类别的属性识别结果为“一对一”,第二业务类别的属性识别结果为空值,则第一业务类别不是第二业务类别的上位信息。
由于第一业务类别的属性识别结果为非空值且第二业务类别的属性识别结果为空值,说明第一业务类别相比第二业务类别在语义上针对某个属性有扩充,因此,第一业务类别不可能是第二业务类别的上位信息,确定第一判定结果为否定信息,可以提高判定的准确率。
示例性地,上述步骤S12,基于第一业务类别的属性识别结果和第二业务类别的属性识别结果,确定针对第一业务类别与第二业务类别之间的上下位关系的第一判定结果,包括:
在第一业务类别的属性识别结果包括第二业务类别的属性识别结果,且第一业务类别的属性识别结果还包括与第二业务类别的属性识别结果不同的属性值的情况下,确定第一判定结果为肯定信息,肯定信息用于表征第一业务类别是第二业务类别的上位信息。
例如,对第一业务类别“英语培训”和第二业务类别“口语培训”进行课程属性的识别,则第一业务类别的识别结果包括“英语”及其子属性值“阅读”、“听力”、“口语”、“单词”,第二业务类别的识别结果为“口语”,则第一业务类别为第二业务类别的上位信息。
由于第一业务类别的属性识别结果包括第二业务类别的属性识别结果,且第一业务类别的属性识别结果还包括与第二业务类别的属性识别结果不同的属性值,说明第一业务类别与第二业务类别在某个属性上的属性值具有包含与被包含的关系,因此确定第一判定结果为否定信息,可以提高判定的准确率。
在实际应用中,可以针对多种属性得到多个属性识别结果。基于此,示例性地,也可以针对多种属性得到多个第一判定结果。在针对多种属性得到多个第一判定结果的情况下,若多个第一判定结果中存在至少一个肯定信息,且不存在否定信息,则可以确定第一判定结果表征第一业务类别为第二业务类别的上位信息,符合预设条件。其中,若针对某种属性,第一业务类别的属性识别结果和第二业务类别的属性识别结果均为空值,则可以跳过针对该属性确定第一判定结果的步骤。
示例性地,在第一判定结果符合预设条件的情况下,上述步骤S13中,利用关系预测模型,得到针对上下位关系的第二判定结果,包括:
利用双塔文本匹配模型,对第一业务类别和第二业务类别进行向量化,得到与第一业务类别对应的第一词向量以及与第二业务类别对应的第二词向量;
利用关系预测模型对第一词向量和第二词向量进行处理,得到针对上下位关系的第二判定结果。
对业务类别进行向量化的过程,是将业务类别从人可以识别的自然语言,嵌入为模型可以识别的词向量格式。例如,将每个业务类别嵌入为768维的词向量。
本公开实施例中利用双塔文本匹配模型对业务类别进行向量化,可以为了嵌入得到的业务类别词向量具有足够的信息,可以最大程度反映中文业务类别之间的相似性和分类情况。
示例性地,双塔文本匹配模型可以通过将ERNIE(Enhanced Representation fromKnowledge Integration,知识增强的语义表示)模型(也可以称为文心工具)内置的文本匹配模型由单塔改为双塔得到。
示例性地,上述关系预测模型可以基于改进的CENN(Context-Enriched NeuralNetwork,上下文信息丰富的神经网络)训练得到。实际应用中,如图2所示,可以利用双塔文本匹配模型对训练数据21中的业务类别对进行向量化,得到训练数据21对应的词向量22;再利用训练数据21对应的词向量22训练改进的CENN,得到关系预测模型23。
其中,训练数据的正例(即具有上下位关系的业务类别对)可以包括:
(1)人工标注具有上下位关系的业务类别对;
(2)对业务类别进行字面匹配确定具有上下位关系的业务类别对;
(3)将业务类别所属的行业作为上位信息并将业务类别作为下位信息得到的业务类别对。
训练数据的负例(即不具有上下位关系的业务类别对)通过颠倒正例或以不同行业的业务类别混合得到。
如图2所示,在训练得到关系预测模型23的情况下,可以执行上述方法,即基于业务类别对中两个业务类别的属性识别结果24,得到第一判定信息。在第一判定信息符合预设条件的情况下,该业务类别对为符合条件的业务类别对25。针对符合条件的业务类别对,利用关系预测模型23,可以预测得到第二判定结果26。第二判定结果用于表征业务类别对中的第一业务类别是否第二业务类别的上位信息。
示例性地,上述步骤:利用关系预测模型对第一词向量和第二词向量进行处理,得到针对上下位关系的第二判定结果,包括:
利用关系预测模型中的拼接层对第一词向量和第二词向量进行拼接,得到拼接信息;
利用关系预测模型中的相减层对第一词向量和第二词向量进行相减,得到差异信息;
基于拼接信息和差异信息,得到第二判定结果。
实际应用中,可以在词嵌入空间中对第一词向量和第二词向量进行拼接和/或相减。首先针对第一词向量X和第二词向量Y,分别计算得到两个词向量在词嵌入矩阵Wk对应的词嵌入空间中的表示:
Xk=WkX,
Yk=WkY,
其中,Xk为第一词向量X在词嵌入空间中的表示,Yk为第二词向量Y在词嵌入空间中的表示。
然后,对第一词向量X和第二词向量Y进行拼接和相减,分别得到拼接信息Pck和差异信息Pdk:
Pdk=Xk-Yk。
实际应用中,k的取值可以有多个,即可以在多个词嵌入空间中分别进行拼接和相减,得到多个词嵌入空间中的拼接信息和差异信息。图3以k的取值有两个(1和2)为例,示出了本申请实施例中关系预测模型的结构示意图。如图3所示,X1和X2分别是第一词向量X在W1对应的词嵌入空间以及在W2对应的词嵌入空间中的表示,Y1和Y2为第二词向量Y在W1对应的词嵌入空间以及在W2对应的词嵌入空间中的表示。
以在W1对应的词嵌入空间为例,关系预测模型中的拼接层31对第一词向量X1和Y1进行拼接,可以得到拼接信息:关系预测模型中的相减层32对第一词向量X1和Y1进行相减,可以得到差异信息:Pd1=X1-Y1。
需要说明的是,上述拼接和相减步骤的实现次序不限,可以先拼接后相减,或者先相减后拼接,也可以同时实现。
根据上述实施方式,可以利用拼接信息保留第一词向量和第二词向量表征的信息,并利用差异信息表征第一词向量和第二词向量的差异,同时限定上下位关系的方向。因此,基于拼接信息和差异信息,得到第二判定结果,可以提高上下位关系判定的准确率。
在得到拼接信息和差异信息后,可以采用多种方式得到第二判定信息。例如在关系预测模型设置其他模块对拼接信息和差异信息进行处理,得到第二判定信息。示例性地,基于拼接信息和差异信息,得到第二判定结果,包括:
利用关系预测模型中的融合层对拼接信息和差异信息进行融合,得到融合信息;
利用关系预测模型中的门控单元,计算与融合信息对应的注意力信息;
基于融合信息与注意力信息,得到第二判定结果。
示例性地,在Wk对应的词嵌入空间中,关系预测模型中的融合层可以根据权重αk对拼接信息和差异信息进行融合,得到融合信息。可选地,基于拼接信息Pck和差异信息Pdk,可以根据以下公式计算得到融合信息Pk:
示例性地,在得到融合信息Pk之后,关系预测模型中的门控单元可以根据以下公式,计算对应的注意力信息ck:
ck=σ(GkPk+bgk);
其中,σ为sigmoid函数;公式中的第一参数Gk和第二参数bgk可以在模型训练中学习得到。
示例性地,在得到融合信息Pk和注意力信息ck后,可以利用关系预测模型中的其他模块根据以下公式,计算得到第一业务类别为第二业务类别的上位信息的概率P(label|X,Y):
其中,σ为sigmoid函数;n为k的取值个数,公式中的第三参数bm可以在模型训练中学习得到。
例如,如图3所示,在W1对应的词嵌入空间中,融合层33接收拼接信息Pc1和差异信息Pd1,根据权重α1,可以计算得到融合信息P1。门控单元34接收融合信息P1并进行计算,将计算得到的注意力信息与融合信息P1进行相乘。类似地,在W2对应的词嵌入空间中,可以计算得到融合信息P2和其对应的注意力信息,并将注意力信息与融合信息P2进行相乘,再利用关系预测模型中的求和模块35对多个词嵌入空间中的相乘结果进行累加,得到上述概率。
也就是说,在一些示例中,可以基于融合信息与注意力信息,计算得到第一业务类别是第二业务类别的上位信息的概率P(label|X,Y)。示例性地,可以基于P(label|X,Y)确定第二判定结果。其中,如果P(label|X,Y)大于等于0.5,则第二判定结果为:第一业务类别是第二业务类别的上位信息。如果如果P(label|X,Y)小于0.5,则第二判定结果为:第一业务类别不是第二业务类别的上位信息。
通过上述示例性方式,可以提高确定业务类别的上下位关系的准确率。
实际应用中,可以先构建如图3所示的模型结构,再基于该结构进行模型训练,得到收敛的关系预测模型。利用关系预测模型对业务类别对的上下位关系进行预测。
本公开实施例的方法,通过属性识别,得到两个业务类别的属性识别结果,基于属性识别结果得到上下位关系的第一判定结果,即初步判定结果。在第一判定结果符合预设条件的情况下,再利用关系预测模型得到上下位关系的第二判定结果。由于利用了基于属性识别结果得到的第一判定结果对进入后续步骤的业务类别进行筛选,因此提高了对大量业务类别对进行上下位关系判定的效率,并且提高了最终判定结果即第二判定结果的准确率。
作为上述各方法的实现,本公开实施例还提供一种关系确定装置,如图4所示,该装置包括:
属性识别模块410,用于对第一业务类别和第二业务类别分别进行属性识别,得到第一业务类别的属性识别结果和第二业务类别的属性识别结果;
第一判定模块420,用于基于第一业务类别的属性识别结果和第二业务类别的属性识别结果,确定针对第一业务类别与第二业务类别之间的上下位关系的第一判定结果;
第二判定模块430,用于在第一判定结果符合预设条件的情况下,利用关系预测模型,得到针对上下位关系的第二判定结果。
示例性地,第一判定模块420用于:
在第一业务类别的属性识别结果为空值,且第二业务类别的属性识别结果为非空值的情况下,确定第一判定结果为肯定信息,肯定信息用于表征第一业务类别是第二业务类别的上位信息。
示例性地,第一判定模块420用于:
在第一业务类别的属性识别结果为非空值,且第二业务类别的属性识别结果为空值的情况下,确定第一判定结果为否定信息,否定信息用于表征第一业务类别不是第二业务类别的上位信息。
示例性地,第一判定模块420用于:
在第一业务类别的属性识别结果包括第二业务类别的属性识别结果,且第一业务类别的属性识别结果还包括与第二业务类别的属性识别结果不同的属性值的情况下,确定第一判定结果为肯定信息,肯定信息用于表征第一业务类别是第二业务类别的上位信息。
示例性地,预设条件包括:第一判定结果表征第一业务类别是第二业务类别的上位信息。
示例性地,如图5第二判定模块430包括:
向量单元510,用于利用双塔文本匹配模型,对第一业务类别和第二业务类别进行向量化,得到与第一业务类别对应的第一词向量以及与第二业务类别对应的第二词向量;
确定单元520,用于利用关系预测模型对第一词向量和第二词向量进行处理,得到针对上下位关系的第二判定结果。
示例性地,确定单元432用于:
利用关系预测模型中的拼接层对第一词向量和第二词向量进行拼接,得到拼接信息;
利用关系预测模型中的相减层对第一词向量和第二词向量进行相减,得到差异信息;
基于拼接信息和差异信息,得到第二判定结果。
示例性地,确定单元432还用于:
利用关系预测模型中的融合层对拼接信息和差异信息进行融合,得到融合信息;
利用关系预测模型中的门控单元,计算与融合信息对应的注意力信息;
基于融合信息与注意力信息,得到第二判定结果。
本公开实施例各装置中的各单元、模块或子模块的功能可以参见上述方法实施例中的对应描述,在此不再赘述。
根据本公开的实施例,本公开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/或要求的本公开的实现。
如图6所示,电子设备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,还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602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。
电子设备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允许电子设备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,例如关系确定方法。例如,在一些实施例中,关系确定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/或安装到电子设备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关系确定方法的一个或多个步骤。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)而被配置为执行关系确定方法。
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。
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 (12)
1.一种关系确定方法,包括:
对第一业务类别和第二业务类别分别进行属性识别,得到所述第一业务类别的属性识别结果和所述第二业务类别的属性识别结果;
基于所述第一业务类别的属性识别结果和所述第二业务类别的属性识别结果,确定针对所述第一业务类别与所述第二业务类别之间的上下位关系的第一判定结果;
在所述第一判定结果符合预设条件的情况下,利用关系预测模型,得到针对所述上下位关系的第二判定结果;
其中,所述基于所述第一业务类别的属性识别结果和所述第二业务类别的属性识别结果,确定针对所述第一业务类别与所述第二业务类别之间的上下位关系的第一判定结果,包括:
在所述第一业务类别的属性识别结果为空值,且所述第二业务类别的属性识别结果为非空值的情况下,确定所述第一判定结果为肯定信息,所述肯定信息用于表征所述第一业务类别是所述第二业务类别的上位信息;
在所述第一业务类别的属性识别结果包括所述第二业务类别的属性识别结果,且所述第一业务类别的属性识别结果还包括与所述第二业务类别的属性识别结果不同的属性值的情况下,确定所述第一判定结果为肯定信息,所述肯定信息用于表征所述第一业务类别是所述第二业务类别的上位信息;
其中,所述利用关系预测模型,得到针对所述上下位关系的第二判定结果,包括:
利用双塔文本匹配模型,对所述第一业务类别和所述第二业务类别进行向量化,得到与所述第一业务类别对应的第一词向量以及与所述第二业务类别对应的第二词向量;
利用关系预测模型对所述第一词向量和所述第二词向量进行处理,得到针对所述上下位关系的第二判定结果。
2.根据权利要求1所述的方法,其中,所述基于所述第一业务类别的属性识别结果和所述第二业务类别的属性识别结果,确定针对所述第一业务类别与所述第二业务类别之间的上下位关系的第一判定结果,包括:
在所述第一业务类别的属性识别结果为非空值,且所述第二业务类别的属性识别结果为空值的情况下,确定所述第一判定结果为否定信息,所述否定信息用于表征所述第一业务类别不是所述第二业务类别的上位信息。
3.根据权利要求1-2中任一项所述的方法,其中,所述预设条件包括:所述第一判定结果表征所述第一业务类别是所述第二业务类别的上位信息。
4.根据权利要求1所述的方法,其中,所述利用关系预测模型对所述第一词向量和所述第二词向量进行处理,得到针对所述上下位关系的第二判定结果,包括:
利用所述关系预测模型中的拼接层对所述第一词向量和所述第二词向量进行拼接,得到拼接信息;
利用所述关系预测模型中的相减层对所述第一词向量和所述第二词向量进行相减,得到差异信息;
基于所述拼接信息和所述差异信息,得到所述第二判定结果。
5.根据权利要求4所述的方法,其中,所述基于所述拼接信息和所述差异信息,得到所述第二判定结果,包括:
利用所述关系预测模型中的融合层对所述拼接信息和所述差异信息进行融合,得到融合信息;
利用所述关系预测模型中的门控单元,计算与所述融合信息对应的注意力信息;
基于所述融合信息与所述注意力信息,得到所述第二判定结果。
6.一种关系确定装置,包括:
属性识别模块,用于对第一业务类别和第二业务类别分别进行属性识别,得到所述第一业务类别的属性识别结果和所述第二业务类别的属性识别结果;
第一判定模块,用于基于所述第一业务类别的属性识别结果和所述第二业务类别的属性识别结果,确定针对所述第一业务类别与所述第二业务类别之间的上下位关系的第一判定结果;
第二判定模块,用于在所述第一判定结果符合预设条件的情况下,利用关系预测模型,得到针对所述上下位关系的第二判定结果;
所述第一判定模块用于:在所述第一业务类别的属性识别结果为空值,且所述第二业务类别的属性识别结果为非空值的情况下,确定所述第一判定结果为肯定信息,所述肯定信息用于表征所述第一业务类别是所述第二业务类别的上位信息;在所述第一业务类别的属性识别结果包括所述第二业务类别的属性识别结果,且所述第一业务类别的属性识别结果还包括与所述第二业务类别的属性识别结果不同的属性值的情况下,确定所述第一判定结果为肯定信息,所述肯定信息用于表征所述第一业务类别是所述第二业务类别的上位信息;
其中,所述第二判定模块包括:
向量单元,用于利用双塔文本匹配模型,对所述第一业务类别和所述第二业务类别进行向量化,得到与所述第一业务类别对应的第一词向量以及与所述第二业务类别对应的第二词向量;
确定单元,用于利用关系预测模型对所述第一词向量和所述第二词向量进行处理,得到针对所述上下位关系的第二判定结果。
7.根据权利要求6所述的装置,其中,所述第一判定模块用于:
在所述第一业务类别的属性识别结果为非空值,且所述第二业务类别的属性识别结果为空值的情况下,确定所述第一判定结果为否定信息,所述否定信息用于表征所述第一业务类别不是所述第二业务类别的上位信息。
8.根据权利要求6-7中任一项所述的装置,其中,所述预设条件包括:所述第一判定结果表征所述第一业务类别是所述第二业务类别的上位信息。
9.根据权利要求6所述的装置,其中,所述确定单元用于:
利用所述关系预测模型中的拼接层对所述第一词向量和所述第二词向量进行拼接,得到拼接信息;
利用所述关系预测模型中的相减层对所述第一词向量和所述第二词向量进行相减,得到差异信息;
基于所述拼接信息和所述差异信息,得到所述第二判定结果。
10.根据权利要求9所述的装置,其中,所述确定单元还用于:
利用所述关系预测模型中的融合层对所述拼接信息和所述差异信息进行融合,得到融合信息;
利用所述关系预测模型中的门控单元,计算与所述融合信息对应的注意力信息;
基于所述融合信息与所述注意力信息,得到所述第二判定结果。
11. 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1-5中任一项所述的方法。
12.一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计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110506417.5A CN113190679B (zh) | 2021-05-10 | 2021-05-10 | 关系确定方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110506417.5A CN113190679B (zh) | 2021-05-10 | 2021-05-10 | 关系确定方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113190679A CN113190679A (zh) | 2021-07-30 |
CN113190679B true CN113190679B (zh) | 2023-09-29 |
Family
ID=76988743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110506417.5A Active CN113190679B (zh) | 2021-05-10 | 2021-05-10 | 关系确定方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113190679B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688238A (zh) * | 2021-08-19 | 2021-11-23 | 支付宝(杭州)信息技术有限公司 | 识别词语上下位关系的方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209832A (zh) * | 2018-08-08 | 2019-09-06 | 腾讯科技(北京)有限公司 | 上下位关系的判别方法、系统和计算机设备 |
CN111428044A (zh) * | 2020-03-06 | 2020-07-17 | 中国平安人寿保险股份有限公司 | 多模态获取监管识别结果的方法、装置、设备及存储介质 |
WO2020172649A1 (en) * | 2019-02-22 | 2020-08-27 | Newvoicemedia Us Inc. | System and method for text categorization and sentiment analysis |
WO2020207431A1 (zh) * | 2019-04-12 | 2020-10-15 | 智慧芽信息科技(苏州)有限公司 | 文献分类方法、装置、设备及存储介质 |
CN112507715A (zh) * | 2020-11-30 | 2021-03-16 | 北京百度网讯科技有限公司 | 确定实体之间关联关系的方法、装置、设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10198431B2 (en) * | 2010-09-28 | 2019-02-05 | Siemens Corporation | Information relation generation |
-
2021
- 2021-05-10 CN CN202110506417.5A patent/CN113190679B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209832A (zh) * | 2018-08-08 | 2019-09-06 | 腾讯科技(北京)有限公司 | 上下位关系的判别方法、系统和计算机设备 |
WO2020172649A1 (en) * | 2019-02-22 | 2020-08-27 | Newvoicemedia Us Inc. | System and method for text categorization and sentiment analysis |
WO2020207431A1 (zh) * | 2019-04-12 | 2020-10-15 | 智慧芽信息科技(苏州)有限公司 | 文献分类方法、装置、设备及存储介质 |
CN111428044A (zh) * | 2020-03-06 | 2020-07-17 | 中国平安人寿保险股份有限公司 | 多模态获取监管识别结果的方法、装置、设备及存储介质 |
CN112507715A (zh) * | 2020-11-30 | 2021-03-16 | 北京百度网讯科技有限公司 | 确定实体之间关联关系的方法、装置、设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
Yang, Moyuandeng .Discussion on the Choice of Decomposition Level for Wavelet Based Hydrological Time Series Modeling.Yang, Moyuan.2016,全文. * |
张豹 ; 陈伟荣 ; 张梦易 ; 吴天星 ; 漆桂林 ; .通过标签嵌入从社交标签中挖掘上下位关系.指挥信息系统与技术.2020,(第04期),全文. * |
李枫林 ; 柯佳 ; .基于深度学习框架的实体关系抽取研究进展.情报科学.2018,(第03期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113190679A (zh) | 2021-07-30 |
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 | |
CN112818686B (zh) | 领域短语挖掘方法、装置和电子设备 | |
CN112749300B (zh) | 用于视频分类的方法、装置、设备、存储介质和程序产品 | |
CN113780098A (zh) | 文字识别方法、装置、电子设备以及存储介质 | |
CN110717333B (zh) | 文章摘要自动生成方法、装置及计算机可读存储介质 | |
CN115730597A (zh) | 多级语义意图识别方法及其相关设备 | |
CN113190679B (zh) | 关系确定方法、装置、电子设备和存储介质 | |
CN114861758A (zh) | 多模态数据处理方法、装置、电子设备及可读存储介质 | |
CN112906368B (zh) | 行业文本增量方法、相关装置及计算机程序产品 | |
CN114495113A (zh) | 文本分类方法和文本分类模型的训练方法、装置 | |
CN112699237B (zh) | 标签确定方法、设备和存储介质 | |
CN113705192A (zh) | 文本处理方法、装置与存储介质 | |
CN115035890B (zh) | 语音识别模型的训练方法、装置、电子设备及存储介质 | |
CN116383382A (zh) | 敏感信息的识别方法、装置、电子设备及存储介质 | |
CN113641724B (zh) | 知识标签挖掘方法、装置、电子设备及存储介质 | |
CN112560481B (zh) | 语句处理方法、设备和存储介质 | |
CN113239215B (zh) | 多媒体资源的分类方法、装置、电子设备及存储介质 | |
CN112966513B (zh) | 用于实体链接的方法和装置 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN113032443B (zh) | 用于处理数据的方法、装置、设备和计算机可读存储介质 | |
CN114973333A (zh) | 人物交互检测方法、装置、设备以及存储介质 | |
CN113850072A (zh) | 文本情感分析方法、情感分析模型训练方法、装置、设备及介质 | |
CN114491318B (zh) | 目标信息的确定方法、装置、设备以及存储介质 | |
CN113343047B (zh) | 数据处理方法、数据检索方法及装置 | |
CN112507712B (zh) | 建立槽位识别模型与槽位识别的方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |