CN113268575B - 一种实体关系识别方法、装置及可读介质 - Google Patents

一种实体关系识别方法、装置及可读介质 Download PDF

Info

Publication number
CN113268575B
CN113268575B CN202110602654.1A CN202110602654A CN113268575B CN 113268575 B CN113268575 B CN 113268575B CN 202110602654 A CN202110602654 A CN 202110602654A CN 113268575 B CN113268575 B CN 113268575B
Authority
CN
China
Prior art keywords
entity
layer
statement
information
model
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
Application number
CN202110602654.1A
Other languages
English (en)
Other versions
CN113268575A (zh
Inventor
蒋佳佳
肖龙源
李稀敏
邹辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Kuaishangtong Technology Co Ltd
Original Assignee
Xiamen Kuaishangtong Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen Kuaishangtong Technology Co Ltd filed Critical Xiamen Kuaishangtong Technology Co Ltd
Priority to CN202110602654.1A priority Critical patent/CN113268575B/zh
Publication of CN113268575A publication Critical patent/CN113268575A/zh
Application granted granted Critical
Publication of CN113268575B publication Critical patent/CN113268575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/332—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
    • G06F16/33—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
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Machine Translation (AREA)
  • Character Discrimination (AREA)

Abstract

本发明公开了一种实体关系识别方法、装置及可读介质，利用实体在三元组中的位置以及对应的实体类型对语句中的实体进行信息增强；将完成信息增强的语句通过训练好的word2vec模型进行字嵌入，得到字嵌入特征；将字嵌入特征输入特征提取模型，特征提取模型包括依次连接的Dropout层、单层BiLSTM层和LayerNorm层，得到语句中每个字符对应的特征；将相应实体特定位置字符对应的特征进行向量拼接，并将拼接后的特征输入线性分类层进行分类，得到实体关系。通过自训练的word2vec可以部署在实际生成环境中，进行快速的实体关系识别。对于语句中的实体信息进行了实体位置和实体类型信息嵌入，增加了模型的识别效果。模型结构简单，参数量少，计算效率高，能够及时响应线上对话系统需求。

Description

一种实体关系识别方法、装置及可读介质
技术领域
本发明涉及自然语言处理领域，具体涉及一种实体关系识别方法、装置及可读介质。
背景技术
从非结构化文本中识别实体关系在对话领域中已经成为了非常重要的研究课题。主要应用于对话领域中，挖掘对话系统中存在的实体关系和要询问的实体关系，并通过已经建立的存储了大规模实体关系对的知识图谱进行查询，可以得到准确的答案，以便对话系统可以自动做出针对性的回答。现在关系识别最常见的做法是通过复杂的神经网络模型与大规模预训练模型相结合进行关系识别以达到最佳的识别结果。现在一般采用三元组形式表示实体关系，如“实体1，关系，实体2”。
但现有的实体关系识别算法有着以下几个方面的局限性：
(1)在嵌入过程中，应用大规模预训练模型，虽然可以很好的获取对应的特征，然而预训练模型规模都较大，导致最终模型较大，难以在实际生产环境中部署。
(2)为了获取更好的识别效果，除了应用大规模预训练模型外，还设计了复杂的网络模型，都进一步增加了模型参数，导致最终模型计算效率低下，无法及时响应线上对话需求识别出实体关系。
(3)现有的关系识别算法中，识别的都是实体对之间的关系，无法挖掘对话系统中，对于单实体的关系问询。
发明内容
针对上述提到的大规模预训练模型较大，以及复杂的网络模型效率低、无法挖掘单实体的关系问询等问题。本申请的实施例的目的在于提出了一种实体关系识别方法、装置及可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本申请的实施例提供了一种实体关系识别方法，包括以下步骤：
S1，利用实体在三元组中的位置以及对应的实体类型对语句中的实体进行信息增强；
S2，将完成信息增强的语句通过训练好的word2vec模型进行字嵌入，得到字嵌入特征；
S3，将字嵌入特征输入特征提取模型，特征提取模型包括依次连接的Dropout层、单层BiLSTM层和LayerNorm层，得到语句中每个字符对应的特征；以及
S4，将相应的实体特定位置字符对应的特征进行向量拼接，并将拼接后的特征输入线性分类层进行分类，得到实体关系。
在一些实施例中，步骤S4中的将相应的实体特定位置字符对应的特征进行向量拼接具体包括：对于存在多个实体的语句，将多个实体的首字位置对应的特征进行向量拼接。
在一些实施例中，步骤S4中的将相应的实体特定位置字符对应的特征进行向量拼接具体包括：对于只包含一个实体的语句，将实体的首字位置对应的特征和所述语句的尾字位置对应的特征进行拼接。
在一些实施例中，步骤S1具体包括：将实体在三元组中的位置和实体类型插入语句中的实体的前后位置。
在一些实施例中，实体进行信息增强后的结构为：<PT>实体[PT]，其中P表示实体在三元组中的位置，T表示实体类型。
在一些实施例中，在步骤S1之前还包括：采用已收集的语料信息训练word2vec模型。
在一些实施例中，在步骤S1之前还包括：将对话系统中的语句进行实体识别，并得到实体在三元组中的位置及实体类型。
第二方面，本申请实施例提供了一种实体关系识别装置，包括：
信息增强模块，被配置为利用实体在三元组中的位置以及对应的实体类型对语句中的实体进行信息增强；
字嵌入模块，被配置为将完成信息增强的语句通过训练好的word2vec模型进行字嵌入，得到字嵌入特征；
特征提取模块，被配置为将字嵌入特征输入特征提取模型，特征提取模型包括依次连接的Dropout层、单层BiLSTM层和LayerNorm层，得到语句中每个字符对应的特征；以及
分类模块，被配置为将相应的实体特定位置字符对应的特征进行向量拼接，并将拼接后的特征输入线性分类层进行分类，得到实体关系。
第三方面，本申请的实施例提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本发明公开了一种实体关系识别方法、装置及可读介质，利用实体在三元组中的位置以及对应的实体类型对语句中的实体进行信息增强；将完成信息增强的语句通过训练好的word2vec模型进行字嵌入，得到字嵌入特征；将字嵌入特征输入特征提取模型，特征提取模型包括依次连接的Dropout层、单层BiLSTM层和LayerNorm层，得到语句中每个字符对应的特征；将相应的实体特定位置字符对应的特征进行向量拼接，并将拼接后的特征输入线性分类层进行分类，得到实体关系。本发明即保证了模型准确率和召回率的情况下，又实现了快速和轻量级的目标。通过自训练的word2vec，而非大规模预训练模型，可以部署在实际生成环境中，进行快速的实体关系识别。对于语句中的实体信息进行了实体位置和实体类型信息嵌入，增加了模型的识别效果。模型结构简单，参数量少，计算效率高，能够及时响应线上对话系统需求，并且可以识别对话系统中对于单实体的关系问询。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请的一个实施例可以应用于其中的示例性装置架构图；
图2为本发明的实施例的实体关系识别方法的流程示意图；
图3为本发明的实施例的实体关系识别方法的双实体模型计算的流程示意图；
图4为本发明的实施例的实体关系识别方法的单实体模型计算的流程示意图；
图5为本发明的实施例的实体关系识别装置的示意图；
图6是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1示出了可以应用本申请实施例的实体关系识别方法或实体关系识别装置的示例性装置架构100。
如图1所示，装置架构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上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。
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，可以是各种电子设备，包括但不限于智能手机、平板电脑、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的软件或软件模块)，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上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。
需要说明的是，本申请实施例所提供的实体关系识别方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，实体关系识别装置可以设置于服务器105中，也可以设置于终端设备101、102、103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。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。
图2示出了本申请的实施例提供的一种实体关系识别方法，包括以下步骤：
S1，利用实体在三元组中的位置以及对应的实体类型对语句中的实体进行信息增强；
S2，将完成信息增强的语句通过训练好的word2vec模型进行字嵌入，得到字嵌入特征；
S3，将字嵌入特征输入特征提取模型，特征提取模型包括依次连接的Dropout层、单层BiLSTM层和LayerNorm层，得到语句中每个字符对应的特征；以及
S4，将相应的实体特定位置字符对应的特征进行向量拼接，并将拼接后的特征输入线性分类层进行分类，得到实体关系。
在具体的实施例中，在步骤S1之前还包括：采用已收集的语料信息训练word2vec模型。该语料信息可以是特定领域的，例如某些垂直领域的语料信息。采用自训练的word2vec模型，在此基础上可以调高word2vec模型的性能，而不需要采用大规模预训练模型，可以比较方便快捷地部署在实际生成环境中，进行快速的实体关系识别。
在具体的实施例中，在步骤S1之前还包括：将对话系统中的语句进行实体识别，并得到实体在三元组中的位置及实体类型。在优选的实施例中，对话系统中的语句选择问句，但不限于问句，还可以选择其他种类的语句，只要存在三元组关系的语句都可以选择。在此过程中，虽然构建了三元组的概念，但是此时的三元组概念只是实体识别过程中的一部分，是为了更好的限定所识别的实体在三元组中的位置，具体的三元组中的关系还是需要通过本申请的方法来识别确定。实体识别的过程可以采用已部署服务，本申请不再进行单独的实体识别。
在具体的实施例中，经过实体识别后，获得实体在三元组中的位置以及实体类型信息，就对语句中的实体进行位置和实体类型信息嵌入，将语句中的实体进行信息增强，即将实体的在三元组中的位置和实体类型分别插入到语句中实体的前后位置，或者说实体的头和尾。实体进行信息增强后的结构为：<PT>实体[PT]，其中P表示实体在三元组中的位置，T表示实体类型。例如“<OT>实体1[OT]”，若实体在三元组第一个位置，则用O表示，若实体在三元组第三个位置，则用S表示。对于实体对中的实体，第一个实体采用“<OT>实体1[OT]”分别做位置和类型信息嵌入，同理，第二个实体为“<ST>实体2[ST]”，其中T为对应实体的类型；对于单实体，采用“<OT>实体[OT]”做信息嵌入。由于实体在三元组中不同的位置，其对应的实体关系也将不同，故插入实体位置信息可以很好解决实体关系的混淆。在做嵌入过程中，对于句子中的实体信息进行了实体位置和实体类型信息嵌入，增加了模型的识别效果。
在具体的实施例中，将完成位置和实体类型信息嵌入的语句利用已经训练好的word2vec模型中得到字嵌入特征，然后将字嵌入特征输入到特征提取模型中，进行特征提取，再将提取的特征输入线性分类层进行文本分类，类别为需要识别的实体关系。在整体的模型中主要由包括依次连接的word2vec嵌入层、Dropout层、单层BiLSTM层、LayerNorm层、线性分类层。其中，字嵌入采用word2vec嵌入层，特征提取模型为依次连接的Dropout层、单层BiLSTM层和LayerNorm层，分类层采用线性分类层(Linear分类层)。该模型结构简单，参数量小，计算效率高，可以满足线上部署要求。
该模型的整体计算过程如下：将从word2vec得到的字嵌入特征依次输入到Dropout层、单层BiLSTM层、LayerNorm层，得到语句中每个字符对应的特征。若此关系三元组中存在多个实体，则将多个实体的首字特征进行拼接后输入到线性分类层，具体如图3所示。在图3中实体类型所表示的“1”在这里不特指某种实体类型，只是用简单的“1”代表，实际可以能为sickness(疾病)、symptom(症状)等。由于采用了BiLSTM结构，可以很好的获取文本的上下文信息，当经过BiLSTM层后，并采用实体首字特征的时候，隐含地已经使用了实体的位置和类型信息。对于单实体的实体问询，由于只存在一个实体，除了需要单实体的信息还需要语句的特征表达，由于采用了BiLSTM层，语句尾字的特征则可以表示当前的语句特征，所以分别取出单实体首字对应的特征与语句尾字的特征进行拼接后输入到线性分类层中，具体如图4所示。通过以上步骤可以同时实现对实体对的关系识别和对单实体的关系问询功能。
本申请提出的实体关系识别方法简单高效，模型简单、参数量少，计算效率高，可以快发响应对话系统的响应需求。同时实现了对实体对的关系识别和对单实体的关系问询功能，可以满足对话系统中对于问句的问题解析，以便快速查询知识图谱，做出正确的针对性回答。并且充分利用实体的位置、类型信息和采用合理的神经网络结构，达到了非常好的识别效果。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种实体关系识别装置的一个实施例，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。
本申请实施例提供了一种实体关系识别装置，包括：
信息增强模块1，被配置为利用实体在三元组中的位置以及对应的实体类型对语句中的实体进行信息增强；
字嵌入模块2，被配置为将完成信息增强的语句通过训练好的word2vec模型进行字嵌入，得到字嵌入特征；
特征提取模块3，被配置为将字嵌入特征输入特征提取模型，特征提取模型包括依次连接的Dropout层、单层BiLSTM层和LayerNorm层，得到语句中每个字符对应的特征；以及
分类模块4，被配置为将相应的实体特定位置字符对应的特征进行向量拼接，并将拼接后的特征输入线性分类层进行分类，得到实体关系。
在具体的实施例中，在信息增强模块1之前还包括word2vec训练模块：采用已收集的语料信息训练word2vec模型。该语料信息可以是特定领域的，例如某些垂直领域的语料信息。采用自训练的word2vec模型，在此基础上可以调高word2vec模型的性能，而不需要采用大规模预训练模型，可以比较方便快捷地部署在实际生成环境中，进行快速的实体关系识别。
在具体的实施例中，在信息增强模块1之前还包括实体识别模块：将对话系统中的语句进行实体识别，并得到实体在三元组中的位置。在优选的实施例中，对话系统中的语句选择问句，还可以选择其他种类的语句。在此过程中，虽然构建了三元组的概念，但是此时的三元组概念只是实体识别过程中的一部分，是为了更好的限定所识别的实体在三元组中的位置，具体的三元组中的关系还是需要通过本申请的方法来识别确定。实体识别的过程可以采用已部署服务，本申请不再进行单独的实体识别。
在具体的实施例中，经过实体识别后，获得实体在三元组中的位置以及实体类型信息，就对语句中的实体进行位置和实体类型信息嵌入，将语句中的实体进行信息增强，即将实体的在三元组中的位置和实体类型分别插入到语句中实体的前后位置，或者说实体的头和尾。实体进行信息增强后的结构为：<PT>实体[PT]，其中P表示实体在三元组中的位置，T表示实体类型。例如“<OT>实体1[OT]”，若实体在三元组第一个位置，则用O表示，若实体在三元组第三个位置，则用S表示。由于实体在三元组中不同的位置，其对应的实体关系也将不同，故插入实体位置信息可以很好解决实体关系的混淆。在做嵌入过程中，对于句子中的实体信息进行了实体位置和实体类型信息嵌入，增加了模型的识别效果。
在具体的实施例中，将完成位置和实体类型信息嵌入的语句利用已经训练好的word2vec模型中得到字嵌入特征，然后将字嵌入特征输入到特征提取模型中，进行特征提取，再将提取的特征输入线性分类层进行文本分类，类别为需要识别的实体关系。在整体的模型中主要由包括依次连接的word2vec嵌入层、Dropout层、单层BiLSTM层、LayerNorm层、线性分类层。其中，字嵌入采用word2vec嵌入层，特征提取模型为依次连接的Dropout层、单层BiLSTM层和LayerNorm层，分类层采用线性分类层(Linear分类层)。该模型结构简单，参数量小，计算效率高，可以满足线上部署要求。
该模型的整体计算过程如下：将从word2vec得到的字嵌入特征依次输入到Dropout层、单层BiLSTM层、LayerNorm层，得到语句中每个字符对应的特征。若此关系三元组中存在多个实体，则将多个实体的首字特征进行拼接后输入到线性分类层，具体如图3所示。对于单实体的实体问询，由于只存在一个实体，除了需要单实体的信息还需要语句的特征表达，由于采用了BiLSTM层，语句尾字的特征则可以表示当前的语句特征，所以分别取出单实体首字对应的特征与语句尾字的特征进行拼接后输入到线性分类层中，具体如图4所示。通过以上模块可以同时实现对实体对的关系识别和对单实体的关系问询功能。本发明主要应用于对话系统中对于问句的信息解析，解析出存在的实体关系和要询问的实体关系，以便后续针对性回答使用。例如询问“肚子疼痛是因为腹泻吗”，将识别出腹泻-可能的症状-肚子疼痛，只需在知识图谱中查询是否存在此三元组信息即可进行回答。
本发明公开了一种实体关系识别方法、装置及可读介质，利用实体在三元组中的位置以及对应的实体类型对语句中的实体进行信息增强；将完成信息增强的语句通过训练好的word2vec模型进行字嵌入，得到字嵌入特征；将字嵌入特征输入特征提取模型，特征提取模型包括依次连接的Dropout层、单层BiLSTM层和LayerNorm层，得到语句中每个字符对应的特征；将相应的实体特定位置字符对应的特征进行向量拼接，并将拼接后的特征输入线性分类层进行分类，得到实体关系。本发明即保证了模型准确率和召回率的情况下，又实现了快速和轻量级的目标。通过自训练的word2vec，而非大规模预训练模型，可以部署在实际生成环境中，进行快速的实体关系识别。对于语句中的实体信息进行了实体位置和实体类型信息嵌入，增加了模型的识别效果。模型结构简单，参数量少，计算效率高，能够及时响应线上对话系统需求，并且可以识别对话系统中对于单实体的关系问询。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机装置600包括中央处理单元(CPU)601和图形处理器(GPU)602，其可以根据存储在只读存储器(ROM)603中的程序或者从存储部分609加载到随机访问存储器(RAM)604中的程序而执行各种适当的动作和处理。在RAM 604中，还存储有装置600操作所需的各种程序和数据。CPU 601、GPU602、ROM 603以及RAM604通过总线605彼此相连。输入/输出(I/O)接口606也连接至总线605。
以下部件连接至I/O接口606：包括键盘、鼠标等的输入部分607；包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分608；包括硬盘等的存储部分609；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分610。通信部分610经由诸如因特网的网络执行通信处理。驱动器611也可以根据需要连接至I/O接口606。可拆卸介质612，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器611上，以便于从其上读出的计算机程序根据需要被安装入存储部分609。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分610从网络上被下载和安装，和/或从可拆卸介质612被安装。在该计算机程序被中央处理单元(CPU)601和图形处理器(GPU)602执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：利用实体在三元组中的位置以及对应的实体类型对语句中的实体进行信息增强；将完成信息增强的语句通过训练好的word2vec模型进行字嵌入，得到字嵌入特征；将字嵌入特征输入特征提取模型，特征提取模型包括依次连接的Dropout层、单层BiLSTM层和LayerNorm层，得到语句中每个字符对应的特征；将相应的实体特定位置字符对应的特征进行向量拼接，并将拼接后的特征输入线性分类层进行分类，得到实体关系。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (7)

1.一种实体关系识别方法，其特征在于，包括以下步骤：
S1，利用实体在三元组中的位置以及对应的实体类型对语句中的所述实体进行信息增强；
S2，将完成信息增强的所述语句通过训练好的word2vec模型进行字嵌入，得到字嵌入特征，具体包括：将所述实体在三元组中的位置和实体类型插入所述语句中的所述实体的前后位置；
S3，将所述字嵌入特征输入特征提取模型，所述特征提取模型包括依次连接的Dropout层、单层BiLSTM层和LayerNorm层，得到所述语句中每个字符对应的特征；以及
S4，将相应的所述实体特定位置字符对应的所述特征进行向量拼接，具体包括：对于存在多个所述实体的语句，将多个所述实体的首字位置对应的特征进行向量拼接；或者，对于只包含一个实体的语句，将所述实体的首字位置对应的特征和所述语句的尾字位置对应的特征进行拼接，并将拼接后的所述特征输入线性分类层进行分类，得到实体关系。
2.根据权利要求1所述的实体关系识别方法，其特征在于，所述实体进行信息增强后的结构为：<PT>实体[PT]，其中P表示所述实体在所述三元组中的位置，T表示所述实体类型。
3.根据权利要求1所述的实体关系识别方法，其特征在于，在所述步骤S1之前还包括：采用已收集的语料信息训练所述word2vec模型。
4.根据权利要求1所述的实体关系识别方法，其特征在于，在所述步骤S1之前还包括：将对话系统中的所述语句进行实体识别，并得到所述实体在三元组中的位置及实体类型。
5.一种实体关系识别装置，其特征在于，包括：
信息增强模块，被配置为利用实体在三元组中的位置以及对应的实体类型对语句中的所述实体进行信息增强，具体包括：将所述实体在三元组中的位置和实体类型插入所述语句中的所述实体的前后位置；
字嵌入模块，被配置为将完成信息增强的所述语句通过训练好的word2vec模型进行字嵌入，得到字嵌入特征；
特征提取模块，被配置为将所述字嵌入特征输入特征提取模型，所述特征提取模型包括依次连接的Dropout层、单层BiLSTM层和LayerNorm层，得到所述语句中每个字符对应的特征；以及
分类模块，被配置为将相应的所述实体特定位置字符对应的所述特征进行向量拼接，具体包括：对于存在多个所述实体的语句，将多个所述实体的首字位置对应的特征进行向量拼接；或者，对于只包含一个实体的语句，将所述实体的首字位置对应的特征和所述语句的尾字位置对应的特征进行拼接，并将拼接后的所述特征输入线性分类层进行分类，得到实体关系。
6.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
CN202110602654.1A 2021-05-31 2021-05-31 一种实体关系识别方法、装置及可读介质 Active CN113268575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110602654.1A CN113268575B (zh) 2021-05-31 2021-05-31 一种实体关系识别方法、装置及可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110602654.1A CN113268575B (zh) 2021-05-31 2021-05-31 一种实体关系识别方法、装置及可读介质

Publications (2)

Publication Number Publication Date
CN113268575A CN113268575A (zh) 2021-08-17
CN113268575B true CN113268575B (zh) 2022-08-23

Family

ID=77233903

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110602654.1A Active CN113268575B (zh) 2021-05-31 2021-05-31 一种实体关系识别方法、装置及可读介质

Country Status (1)

Country Link
CN (1) CN113268575B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114218963A (zh) * 2022-02-22 2022-03-22 子长科技(北京)有限公司 文本信息处理方法、装置、电子设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416058A (zh) * 2018-03-22 2018-08-17 北京理工大学 一种基于Bi-LSTM输入信息增强的关系抽取方法
CN110059320A (zh) * 2019-04-23 2019-07-26 腾讯科技（深圳）有限公司 实体关系抽取方法、装置、计算机设备和存储介质
CN112270196A (zh) * 2020-12-14 2021-01-26 完美世界(北京)软件科技发展有限公司 实体关系的识别方法、装置及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180268318A1 (en) * 2017-03-17 2018-09-20 Adobe Systems Incorporated Training classification algorithms to predict end-user behavior based on historical conversation data

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416058A (zh) * 2018-03-22 2018-08-17 北京理工大学 一种基于Bi-LSTM输入信息增强的关系抽取方法
CN110059320A (zh) * 2019-04-23 2019-07-26 腾讯科技（深圳）有限公司 实体关系抽取方法、装置、计算机设备和存储介质
CN112270196A (zh) * 2020-12-14 2021-01-26 完美世界(北京)软件科技发展有限公司 实体关系的识别方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"融合对抗主动学习的网络安全知识三元组抽取";李涛，郭渊博等;《通信学报》;20201031;全文 *

Also Published As

Publication number Publication date
CN113268575A (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN107273503B (zh) 用于生成同语言平行文本的方法和装置
US10528667B2 (en) Artificial intelligence based method and apparatus for generating information
US20190163742A1 (en) Method and apparatus for generating information
US11487952B2 (en) Method and terminal for generating a text based on self-encoding neural network, and medium
CN111104482A (zh) 数据处理方法和装置
CN113590776B (zh) 基于知识图谱的文本处理方法、装置、电子设备及介质
CN111428010A (zh) 人机智能问答的方法和装置
CN110245232B (zh) 文本分类方法、装置、介质和计算设备
CN109190123B (zh) 用于输出信息的方法和装置
CN112182255A (zh) 用于存储媒体文件和用于检索媒体文件的方法和装置
CN113268575B (zh) 一种实体关系识别方法、装置及可读介质
CN114357195A (zh) 基于知识图谱的问答对生成方法、装置、设备及介质
CN110807097A (zh) 分析数据的方法和装置
CN111090740B (zh) 一种用于对话系统的知识图谱生成方法
CN112307738A (zh) 用于处理文本的方法和装置
CN113806485B (zh) 一种基于小样本冷启动的意图识别方法、装置及可读介质
CN113343664B (zh) 图像文本之间的匹配度的确定方法及装置
CN113806507B (zh) 一种多标签分类方法、装置及可读介质
CN114464195A (zh) 一种自监督学习的声纹识别模型训练方法、装置及可读介质
CN113886543A (zh) 生成意图识别模型的方法、装置、介质及程序产品
CN109857838B (zh) 用于生成信息的方法和装置
CN111723188A (zh) 用于问答系统的基于人工智能的语句显示方法、电子设备
CN114792086A (zh) 一种支持文本交叉覆盖的信息抽取方法、装置、设备和介质
CN112328751A (zh) 用于处理文本的方法和装置
CN112446738A (zh) 广告数据处理方法、装置、介质以及电子设备

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