CN113361280B - 训练模型的方法、预测方法、装置、电子设备以及存储介质 - Google Patents
训练模型的方法、预测方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN113361280B CN113361280B CN202110746910.4A CN202110746910A CN113361280B CN 113361280 B CN113361280 B CN 113361280B CN 202110746910 A CN202110746910 A CN 202110746910A CN 113361280 B CN113361280 B CN 113361280B
- Authority
- CN
- China
- Prior art keywords
- relationship
- person
- character
- determining
- training
- 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
- 238000012549 training Methods 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000002372 labelling Methods 0.000 claims abstract description 14
- 230000000153 supplemental effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 22
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000036962 time dependent Effects 0.000 description 3
- 241000219095 Vitis Species 0.000 description 2
- 235000009754 Vitis X bourquina Nutrition 0.000 description 2
- 235000012333 Vitis X labruscana Nutrition 0.000 description 2
- 235000014787 Vitis vinifera Nutrition 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 210000004080 milk Anatomy 0.000 description 2
- 235000013336 milk Nutrition 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- 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
- G06F40/30—Semantic analysis
-
- 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)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开公开了训练模型的方法、预测方法、装置、电子设备以及存储介质,涉及人工智能领域,尤其涉及自然语言处理领域。具体实现方案为:利用人物关系集确定多个训练文本;对多个训练文本中的每个训练文本所包括的每个对象进行标注,得到与每个对象对应的标签,其中,对象包括字或词,标签包括以下至少一项:关系角色、关系类型和实体位置标识;以及,利用每个对象和与对象对应的标签对预设模型进行训练,得到人物关系模型。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自然语言处理领域。
背景技术
在互联网产生的大量自然语言文本中,人物实体和不同人物实体之间的关系的信息涵盖其中。面对如此多元异质的信息,可以利用信息抽取技术满足人们从中快速获取有效信息的需求。
人物关系抽取是信息抽取中的一项重要任务。人物关系抽取是指从自然语言文本当中发现和识别人物实体之间的关系的过程。
发明内容
本公开提供了一种训练模型的方法、预测方法、装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种用于训练人物关系模型的方法,包括:利用人物关系集确定多个训练文本;对上述多个训练文本中的每个训练文本所包括的每个对象进行标注,得到与上述每个对象对应的标签,其中,上述对象包括字或词,上述标签包括以下至少一项:关系角色、关系类型和实体位置标识;以及,利用上述每个对象和与上述对象对应的标签对预设模型进行训练,得到上述人物关系模型。
根据本公开的另一方面,提供了一种预测方法,包括:将目标文本所包括的每个对象输入人物关系模型,得到与上述每个对象对应的预测结果,其中,上述对象包括字或词;以及,对与上述每个对象对应的预测结果进行处理,得到上述目标文本所包括的人物关系集;其中,上述人物关系模型是利用根据如上上述的方法训练的。
根据本公开的另一方面,提供了一种用于训练人物关系模型的装置,包括:第一确定模块,用于利用人物关系集确定多个训练文本;标注模块,用于对上述多个训练文本中的每个训练文本所包括的每个对象进行标注,得到与上述每个对象对应的标签,其中,上述对象包括字或词,上述标签包括以下至少一项:关系角色、关系类型和实体位置标识;以及,训练模块,用于利用上述每个对象和与上述对象对应的标签对预设模型进行训练,得到上述人物关系模型。
根据本公开的另一方面,提供了一种预测装置,包括:输入模块,用于将目标文本所包括的每个对象输入人物关系模型,得到与上述每个对象对应的预测结果,其中,上述对象包括字或词;以及,第三确定模块,用于根据与上述每个对象对应的预测结果,确定上述目标文本所包括的人物关系集;其中,上述人物关系模型是利用根据如上上述的装置训练的。
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;以及与上述至少一个处理器通信连接的存储器;其中,上述存储器存储有可被上述至少一个处理器执行的指令,上述指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行如上所述的方法。
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,其中,上述计算机指令用于使上述计算机执行如上所述的方法。
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,上述计算机程序在被处理器执行时实现如上所述的方法。
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示意性示出了根据本公开实施例的可以应用用于训练人物关系模型的方法及装置的示例性系统架构;
图2示意性示出了根据本公开实施例的用于训练人物关系模型的方法的流程图;
图3示意性示出了根据本公开实施例的获取人物关系集的流程图;
图4示意性示出了根据本公开实施例的利用人物关系集确定多个训练文本的示意图;
图5示意性示出了根据本公开实施例的利用每个对象和与对象对应的标签对预设模型进行训练,得到人物关系模型的示意图;
图6示意性示出了根据本公开实施例的预测方法的流程图;
图7示意性示出了根据本公开实施例的人物关系集确定过程的示意图;
图8示意性示出了根据本公开实施例的用于训练人物关系模型的装置的框图;
图9示意性示出了根据本公开实施例的预测装置的框图;以及
图10示出了根据本公开实施例的适用于用于训练人物关系模型的方法或预测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。
人物关系抽取是信息抽取研究领域的重要方向。人物关系抽取已经广泛地用于信息检索或知识图谱等领域。例如,知识库中会存储人物实体和人物实体之间的关系,关系的覆盖率可以有助于提高检索效率和准确率。而知识库中可能存在一些热门人物的关系,中长尾的关系可能较难以覆盖,由此,需要进行人物关系抽取,以扩充知识库的关系覆盖度,提高检索效率和准确率。
人物关系抽取是指从自然语言文本当中发现和识别人物实体之间的关系的过程。人物关系抽取可以包括命名实体识别和关系抽取,命名实体识别可以用于识别人物实体,关系抽取可以用于确定人物实体之间的关系,即,可以先对文本进行人物实体识别,然后再结合文本和人物实体识别的结果,对人物实体之间的关系进行抽取。
在实现本公开构思的过程中,发现由于将命名实体识别与关系抽取分开进行,因此,误差会在两个过程累积,使得关系抽取的准确性不高。此外,由于命名实体识别和关系抽取并未实现信息共享,因此,使得有效信息难以互相作用,进而使得关系抽取的准确性不高。
为此,本公开实施例提供了一种将命名实体识别与关系抽取联合训练得到人物关系模型的方案。通过命名实体识别和关系抽取的联合训练,使得误差累积得以减少,有效信息可以互相作用,提高了关系抽取的准确性。
基于上述,本公开实施例提供了一种用于训练人物关系模型的方法、预测方法、装置、电子设备、存储有计算机指令的非瞬时计算机可读存储介质及计算机程序产品。该用于训练人物关系模型的方法可以包括:利用人物关系集确定多个训练文本,对多个训练文本中的每个训练文本所包括的每个对象进行标注,得到与每个对象对应的标签,其中,对象包括字或词,标签包括以下至少一项:关系角色、关系类型和实体位置标识,并利用每个对象和与对象对应的标签对预设模型进行训练,得到人物关系模型。
图1示意性示出了根据本公开实施例的可以应用用于训练人物关系模型的方法及装置的示例性系统架构100。
需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如,在另一实施例中,可以应用用于训练人物关系模型的方法及装置的示例性系统架构可以包括终端设备,但终端设备可以无需与服务器进行交互,即可实现本公开实施例提供的用于训练人物关系模型的方法及装置。
如图1所示,根据该实施例的系统架构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,例如有线和/或无线通信链路等。
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,例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103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、膝上型便携计算机和台式计算机等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的用于训练人物关系模型的方法一般可以由终端设备101、102、或103执行。相应地,本公开实施例所提供的用于训练人物关系模型的装置也可以设置于终端设备101、102、或103中。
或者,本公开实施例所提供的用于训练人物关系模型的方法一般也可以由服务器105执行。相应地,本公开实施例所提供的用于训练人物关系模型的装置一般可以设置于服务器105中。本公开实施例所提供的用于训练人物关系模型的方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的用于训练人物关系模型的装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
例如,服务器105利用人物关系集确定多个训练文本,对多个训练文本中的每个训练文本所包括的每个对象进行标注,得到与每个对象对应的标签,并利用每个对象和与对象对应的标签对预设模型进行训练,得到人物关系模型。
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。
图2示意性示出了根据本公开实施例的用于训练人物关系模型的方法200的流程图。
如图2所示,该方法包括操作S210~S230。
在操作S210,利用人物关系集确定多个训练文本。
在操作S220,对多个训练文本中的每个训练文本所包括的每个对象进行标注,得到与每个对象对应的标签,其中,对象包括字或词,标签包括以下至少一项:关系角色、关系类型和实体位置标识。
在操作S230,利用每个对象和与对象对应的标签对预设模型进行训练,得到人物关系模型。
根据本公开的实施例,人物关系集可以包括多个人物关系。人物关系可以用人物关系三元组表征。三元组形式可以为(主体,属性,客体),主语指向头实体,宾语指向尾实体。人物关系三元组的形式可以为(人物A,关系R,人物B),人物A对应主体,人物B对应客体,关系R对应属性。关系可以包括多个。例如,关系可以包括亲属关系或社会关系,亲属关系可以包括父亲、母亲、儿子、女儿、妻子、丈夫、哥哥、弟弟、姐姐、妹妹、外公、外婆、爷爷或奶奶等。社交关系可以包括老师、学生、师兄、师弟、师姐、师妹、学长、学姐、同事或朋友等。例如,人物关系可以为(人物A,妻子,人物B),即,人物A的妻子是人物B。
根据本公开的实施例,训练文本可以指能够用于训练预设模型的样本。训练文本可以包括中文训练文本或外文训练文本,外文训练文本可以包括韩文训练文本、日文训练文本、英文训练文本、法文训练文本、德文训练文本、西班牙文训练文本、葡萄牙文训练文本或阿拉伯文训练文本。对象可以包括字或词。如果训练文本是中文训练文本、韩文训练文本或日文训练文本,则对象可以是字。如果训练文本是英文训练文本、法文训练文本、德文训练文本、西班牙文训练文本、葡萄牙文训练文本或阿拉伯文训练文本,则对象可以是词。
根据本公开的实施例,标签可以包括关系角色、关系类型和实体位置标识中的至少一项。关系角色可以包括主体或客体。关系类型可以理解为两个人物之间的关系,关系类型可以包括多个。实体位置标识可以理解为对象的实体位置。可以利用序列标注方法对对象进行标注,得到对象的实体位置标识。序列标注方法可以包括BIO标注方法或BEMS标注方法。如果利用BIO标注方法进行标注,则实体位置标识可以包括B-PER、I-PER和O,B-PER表征对象是人物名称的首字,I-PER表征对象是人物名称的非首字,O表征对象不属于人物名称的一部分。
根据本公开的实施例,标签的维度可以包括多个。例如,关系类型可以包括N个。关系角色可以包括两个,即,主体(即Subject)和客体(即Object),主体可以用S表征,客体可以用o表征。实体位置标识可以包括三个,即,B-PER、I-PER和O,B-PER可以用B表征,I-PER可以用I表征。标签的维度可以包括M个,M=2N+2,N≥1。标签可以用B-关系类型@S、B-关系类型@o、I和O表征,B-关系类型@S包括N个,B-关系类型@o包括N个。N的取值可以根据实际业务进行配置,在此不作限定。例如,N=109。
根据本公开的实施例,标签的每个维度可以用第一标识或第二标识表征。第一标识可以是1,第二标识可以是0。
如果与某个对象对应的标签,该标签中“B-关系类型@S”这个维度用第一标识表征,则可以说明该对象是人物名称的首字且在与某个关系对应的人物关系中是主体。该标签中“B-关系类型@S”这个维度用第二标识表征,则可以说明该对象是人物名称的首字且在与某个关系对应的人物关系中不是主体。
如果与某个对象对应的标签,该标签中“B-关系类型@o”这个维度用第一标识表征,则可以说明该对象是人物名称的首字且在与某个关系对应的人物关系中是客体。该标签中“B-关系类型@S”这个维度用第二标识表征,可以表征该对象是人物名称的首字且在与某个关系对应的人物关系中不是客体。
如果与某个对象对应的标签,该标签中“I”这个维度用第一标识表征,则可以说明该对象是人物名称的非首字。该标签中“I”这个维度用第二标识表征,则可以说明该对象是人物名称的首字或不属于人物名称的一部分。
如果与某个对象对应的标签,该标签中“O”这个维度用第一标识表征,则可以说明该对象不属于人物名称的一部分。该标签中“O”这个维度用第二标识表征,则可以说明该对象属于人物名称的一部分。
根据本公开的实施例,可以获取语料库,语料库包括多个训练文本,可以利用人物关系集从语料库获取用于训练预设模型的多个训练文本。针对多个训练文本中的每个训练文本,可以对该训练文本包括的每个对象进行标注,得到与该对象对应的标签。标签可以包括关系角色、关系类型和实体位置标识中的至少一项,即,对训练文本包括的每个对象进行命名实体识别,得到与该对象对应的实体位置标识。利用人物关系集对预设的对象进行关系抽取,得到与该对象对应的关系角色和/或关系类型。预设的对象可以包括全部对象,也可以包括实体位置标识表征人物名称的首字的对象。
例如,训练文本是“张三的妻子是李四”。与该训练文本对应的人物关系集包括人物关系“(张三,妻子,李四)”和人物关系“(李四,丈夫,张三)”。标签包括关系角色、关系类型和实体位置标识。
对训练文本包括的每个对象进行命名实体识别,得到与“张”和与“李”对应的实体位置标识为“B”,与“三”和与“四”对应的实体位置标识为“I”,与“的”、与“妻”、与“子”和与“是”对应的实体位置标识为“O”。
利用人物关系集对每个对象进行关系抽取,得到与“张”对应的关系角色是“主体”和关系类型是“妻子”,以及,与“张”对应的关系角色是“客体”和关系类型是“丈夫”。与“李”对应的关系角色是“主体”和关系类型是“丈夫”,以及,与“李”对应的关系角色是“客体”和关系类型是“妻子”。
基于上述,针对与“张”对应的标签,标签中“B-妻子@S”这个维度用第一标识表征,标签中“B-丈夫@o”这个维度用第一标识表征,标签中的其他维度用第二标识表征。针对与“三”对应的标签,标签中“I”这个维度用第一标识表征,标签中的其他维度用第二标识表征。
针对与“的”、与“妻”、与“子”和与“是”对应的标签,标签中“O”这个维度用第一标识表征,标签中的其他维度用第二标识表征。
针对与“李”对应的标签,标签中“B-丈夫@S”这个维度用第一标识表征,标签中“B-妻子@o”这个维度用第一标识表征,标签中的其他维度用第二标识表征。针对与“四”对应的标签,标签中“I”这个维度用第一标识表征,标签中的其他维度用第二标识表征。
根据本公开的实施例,在获得与对象对应的标签之后,可以利用对象和与对象对应的标签对预设模型进行训练,得到人物关系模型。人物关系模型可以用于确定与对象对应的预测结果,与对象对应的预测结果与该对象对应的标签包括的维度(即字段)是相同的,与维度对应的值可能是不同的。
根据本公开的实施例,通过利用人物关系集确定多个训练文本,对多个训练文本中的每个训练文本所包括的每个对象进行标注,得到与每个对象对应的标签,并利用每个对象和与对象对应的标签对预设模型进行训练,得到人物关系模型,实现了实体识别和关系抽取的联合训练,使得误差累积得以减少,有效信息可以互相作用,进而提高了关系抽取的准确性。
下面参考图3~图5,结合具体实施例对图2所示的方法做进一步说明。
图3示意性示出了根据本公开实施例的获取人物关系集300的流程图。
如图3所示,该方法包括操作S301~304。
在操作S301,获取初始人物关系集,其中,初始人物关系集包括多个初始人物关系。
在操作S302,利用初始人物关系集构建人物关系网络,其中,人物关系网络包括多个人物节点和多个边,每个边用于表征连接的两个人物节点之间的关系。
在操作S303,根据人物关系网络得到补充人物关系集,其中,补充人物关系集包括一个或多个补充人物关系,初始人物关系集包括与每个补充人物关系具有反向关系的初始人物关系。
在操作S304,将初始人物关系集和补充人物关系集确定为人物关系集。
根据本公开的实施例,人物关系中的关系可能具有反向关系,而初始人物关系集中可能存在一个或多个初始人物关系缺少与其对应的反向关系的人物关系。针对每个关系,可能具有一个或多个与其对应的反向关系。
例如,针对哥哥,弟弟是与其对应的反向关系,妹妹也是与其对应的反向关系。针对丈夫,妻子是与其对应的反向关系。初始人物关系集包括人物关系“(人物C,哥哥,人物D)”,可能缺少反向人物关系“(人物C,弟弟,人物D)”或反向人物关系“(人物D,妹妹,人物C)”。
根据本公开的实施例,人物关系的缺少将影响人物关系模型的预测结果的准确性。为此,本公开实施例提出一种利用初始人物关系集构建完整的人物关系集的方案。
根据本公开的实施例,在获得初始人物关系集之后,可以利用初始人物关系集构建人物关系网络,根据人物关系网络可以获得人物节点所表征的人物和其他人物节点所表征的人物之间的关系。针对初始人物关系集中缺少反向关系的初始人物关系,可以根据人物关系网络,确定与该初始人物关系对应的关系信息,根据关系信息确定与该初始人物关系对应的补充人物关系。
根据本公开的实施例,在获得初始人物关系集之后,可以确定初始人物关系集中是否存在不具有反向人物关系的初始人物关系。在确定初始人物关系集中存在不具有反向关系的初始人物关系的情况下,如果确定不具有反向关系的初始人物关系是具有不确定关系的初始人物关系,则根据人物关系网络,确定与该初始人物关系对应的关系信息,根据关系信息确定与该初始人物关系对应的补充人物关系。不确定关系可以表征一个关系对应多个反向关系的关系。
根据本公开的实施例,通过利用初始人物关系集构建人物关系网络,根据人物关系网络得到补充人物关系集,根据初始人物关系集和补充人物关系集得到人物关系集,使得人物关系集包括的人物关系较为完整,进而提高人物关系模型的预测结果的准确性。
根据本公开的实施例,操作S303可以包括如下操作。
根据人物关系网络确定人物节点的性别属性。根据人物节点的性别属性、连接两个人物节点之间的关系和两个人物节点,得到补充人物关系
根据本公开的实施例,如果确定不具有反向关系的初始人物关系是具有不确定关系的初始人物关系,则可以通过确定人物的性别属性来确定与其对应的反向人物关系。
根据本公开的实施例,由于根据人物关系网络可以获得人物节点所表征的人物和其他人物节点所表征的人物之间的关系,因此,可以根据人物关系网络,确定人物节点的性别属性。在确定人物节点的性别属性之后,可以根据人物节点的性别属性、连接两个人物节点之间的关系和两个人物节点,得到与该初始人物关系对应的补充人物关系。
例如,初始人物关系集包括初始人物关系“(人物C,哥哥,人物D)”,缺少反向人物关系。但由于针对哥哥,弟弟是与其对应的反向关系,妹妹也是与其对应的反向关系,因此,与(人物C,哥哥,人物D)对应的反向人物关系是(人物D,弟弟,人物C)还是(人物D,妹妹,人物C)不能唯一确定,而不能唯一确定的原因在于人物D的性别属性不确定,如果能够确定人物D的性别属性,则能够确定与(人物C,哥哥,人物D)对应的反向关系。
由于人物D可能还具有其他人物关系,其他人物关系可能能够体现人物D的性别属性,人物关系网络可以包括与人物D相关的人物关系,因此,可以根据人物关系网络,确定与人物D对应的人物节点的性别属性,即,确定人物D的性别属性。
例如,人物关系网络中还存在与人物D对应的人物关系“(人物E,妈妈,人物D)”,由此,可以确定人物D的性别属性是女性。在此基础上,可以确定与(人物C,哥哥,人物D)对应的反向人物关系是“(人物D,妹妹,人物C)”。
图4示意性示出了根据本公开实施例的利用人物关系集确定多个训练文本400的示意图。
如图4所示,该方法包括操作S411~S413。
在操作S411,利用人物关系集确定多个初始训练文本。
在操作S412,从多个初始训练文本中查找包括预设关键字的一个或多个初始训练文本。
在操作S413,将包括预设关键字的一个或多个初始训练文本确定为多个训练文本。
根据本公开的实施例,由于多个初始训练文本中可能包括噪声数据,噪声数据可能将影响用于训练预设模型的训练文本的质量,进而影响基于训练文本训练得到的人物关系模型的预测结果的准确性,因此,可以对多个初始训练文本进行处理,得到用于训练预设模型的多个训练文本,以提高训练文本的质量。噪声数据可以指包括人物关系的两个人物,但可能并不能体现两个人物具有人物关系中的关系的初始训练文本。
例如,人物关系集包括人物关系“(人物F,妻子,人物G)”,利用人物关系确定初始训练文本为“人物F带领大家来到了新闻发布会现场,人物G随后也出现在现场”,即,认为该初始训练文本包括人物关系“(人物F,妻子,人物G)”。但实际上,根据该初始训练文本并不能确定其包括人物关系“(人物F,妻子,人物G)”。可以将该初始训练文本称为噪声数据。
根据本公开的实施例,对多个初始训练文本进行处理,得到用于训练预设模型的多个训练文本可以包括:可以将满足关系置信度条件的初始训练文本确定为用于训练预设模型的训练文本。
根据本公开的实施例,关系置信度条件可以用初始训练文本是否包括预设关键字来表征,即,如果初始训练文本包括预设关键字,则可以认为初始训练文本满足关系置信度条件。如果初始训练文本不包括预设关键字,则可以认为初始训练文本不满足关系置信度条件。预设关键字可以根据实际业务需求进行配置,在此不作限定。例如,预设关键字可以是能够体现人物关系的关键字。
根据本公开的实施例,操作S411可以包括如下操作。
利用远程监督,基于人物关系集确定多个初始训练文本。
根据本公开的实施例,远程监督是假设如果两个实体存在关系,则同时包括这两个实体的文本都能够表达这两个实体之间存在的关系。
根据本公开的实施例,利用远程监督,基于人物关系集确定多个初始训练文本可以包括:针对人物关系集中的每个人物关系,如果文本包括该人物关系包括的两个人物,则可以将该文本确定为初始训练文本,该初始训练文本是能够表征该人物关系的文本。针对每个文本,其可能是能够表征一个或多个人物关系的文本。
例如,人物关系集中的某个人物关系可以用(人物A,关系R,人物B)表征。如果文本包括人物A和人物B,则将该文本确定为初始训练文本。该初始训练文本即是能够表征(人物A,关系R,人物B)这一人物关系的文本。
根据本公开的实施例,基于远程监督,可以较为快速地获得初始训练文本。
图5示意性示出了根据本公开实施例的利用每个对象和与对象对应的标签对预设模型进行训练,得到人物关系模型500的示意图。
如图5所示,该方法包括操作S531~S534。
在操作S531,将每个对象输入预设模型,得到与每个对象对应的预测结果。
在操作S532,基于损失函数,利用与每个对象对应的标签和预测结果,得到输出值。
在操作S533,根据输出值,调整预设模型的模型参数,直至输出值收敛。
在操作S534,将在输出值收敛的情况下得到的预设模型,确定为人物关系模型。
根据本公开的实施例,预设模型可以包括神经网络模型,神经网络模型可以包括编码器和全连接层,编码器可以包括预训练语言模型。标签表征真实标注结果。与对象对应的预测结果与该对象对应的标签包括的维度(即字段)是相同的,与维度对应的值可能是不同的。
根据本公开的实施例,可以利用有监督方式对预设模型进行训练,即,针对多个训练文本中的每个训练文本,针对该训练文本包括的每个对象,将与该对象对应的预测结果和标签输入损失函数,得到输出值。基于上述,得到与全部对象中的每个对象对应的输出值。确定输出值是否收敛,在确定输出值不收敛的情况下,可以根据输出值调整预设模型的模型参数,并重复执行上述确定输出值的操作,直至上述输出值收敛。
根据本公开的实施例,预设模型可以包括编码器和全连接层。
操作S531可以包括如下操作。
将每个对象输入编码器,得到与每个对象对应的语义向量。将与每个对象对应的语义向量输入全连接层,得到与每个对象对应的预测结果。
根据本公开的实施例,编码器可以用于对对象进行语义编码,得到语义向量。编码器可以包括预训练语言模型,预训练语言模型可以包括BERT(即Bidirectional EncoderRepresentations from Transformers)模型、ERNIE模型或MASS(即MAsked Sequence toSequence pre-training)模型。
例如,编码器是BERT模型。BERT模型的结构是一个多层双向Transformer编码器。由于BERT模型旨在通过联合调节所有层中的左右上下文来预训练深度双向表征,因此,需要一个额外的输出层,便可以对预训练的BERT模型的表征进行微调,进而为不同任务创建模型,而无需对特定任务进行大量模型结构的修改。同时,由于BERT模型通过注意力机制能够将任意位置的两个对象的距离进行转换,因此,其具有较好的自然语言理解(NaturalLanguage Understanding,NLU)能力。由于BERT模型是对大量训练数据进行训练得到的,因此,BERT模型的语义表征能力较强且具有普适性。
图6示意性示出了根据本公开实施例的预测方法600的流程图。
如图6所示,该方法包括操作S610~S620。
在操作S610,将目标文本所包括的每个对象输入人物关系模型,得到与每个对象对应的预测结果,其中,对象包括字或词。
在操作S620,根据与每个对象对应的预测结果,确定目标文本所包括的人物关系集。
其中,人物关系模型是利用根据本公开实施例所述的用于训练人物关系模型的方法训练的。
根据本公开的实施例,与每个对象对应的预测结果可以包括关系角色、关系类型和实体位置标识中的至少一项。可以利用根据本公开实施例所述的用于训练人物关系模型的方法训练得到的人物关系模型处理目标文本所包括的每个对象,得到与每个对象对应的预测结果。
根据本公开的实施例,在获得与每个对象对应的预测结果之后,可以对不同对象的预测结果进行组合,得到目标文本所包括的人物关系集,目标文本所包括的人物关系集可以包括一个或多个人物关系。
根据本公开的实施例,与每个对象对应的预测结果可以包括关系角色、关系类型和实体位置标识。对不同对象的预测结果进行组合,得到目标文本所包括的人物关系集可以包括:可以根据预测结果所包括的实体位置标识,确定人物集。根据人物集、预测结果所包括的关系角色和关系类型,确定目标文本所包括的人物关系集。上述人物关系集的确定方式仅是示例性实施例,但不限于此,还可以包括本领域已知的确定方式,只要能够实现人物关系集的确定即可。
根据本公开的实施例,通过将目标文本所包括的每个对象输入人物关系模型,得到与每个对象对应的预测结果,根据与每个对象对应的预测结果,确定目标文本所包括的人物关系集,人物关系模型是利用人物关系集确定多个训练文本,对多个训练文本中的每个训练文本所包括的每个对象进行标注,得到与每个对象对应的标签,利用每个对象和与对象对应的标签对预设模型进行训练得到的。由于实现了实体识别和关系抽取的联合训练,使得误差累积得以减少,有效信息可以互相作用,因此,提高了关系抽取的准确性。
根据本公开的实施例,根据与每个对象对应的预测结果,确定目标文本所包括的人物关系集,可以包括如下操作。
基于最近邻算法,根据与每个对象对应的预测结果,确定目标文本所包括的人物关系集。
根据本公开的实施例,可以根据预测结果所包括的实体位置标识,确定人物集。基于最近邻算法,根据人物集、预测结果所包括的关系角色和关系类型,确定目标文本所包括的人物关系集,即,根据人物集、预测结果所包括的关系角色和关系类型,确定存在与人物集中的人物具有关系的人物包括多个的情况下,可以基于最近邻算法,从多个人物中确定目标人物,根据目标人物、人物和目标人物和人物之间的关系,得到人物关系。
根据本公开的实施例,基于最近邻算法,从多个人物中确定目标人物可以包括:确定多个人物中的每个人物与人物集中的人物之间的相似度,根据相似度,从多个人物中确定目标人物。例如,可以将相似度大于或等于相似阈值的人物确定为目标人物。备选地,可以对相似度进行排序,根据排序结果,从多个人物中确定目标人物。
根据本公开的实施例,上述预测方法还可以包括如下操作。
根据预设条件,从人物关系集中确定目标人物关系,其中,预设条件包括关系时效性条件或关系唯一性条件。
根据本公开的实施例,关系可能具有时效性或唯一性,即,时效性是指两个人物之间的关系可能随着时间的推移是发生变化的。由于关系建立的时间与当前时间相距较远的关系被使用的概率可能不高,与当前时间相距较近的关系被使用的概率可能较高,因此,可以根据关系的时效性,设置关系时效性条件,以在两个人物具有多个人物关系的情况下,从多个人物关系中确定目标人物关系。
例如,人物A和人物B存在人物关系“(人物A,妻子,人物B)”,但人物A和人物B当前不是夫妻关系,即,人物A和人物B还存在人物关系“(人物A,前妻,人物B)”。
唯一性是指两个人物之间的关系具有唯一性。如果两个人物之间的关系具有唯一性,则在针对两个人物之间具有多个关系的情况下,需要从多个人物关系中确定目标人物关系。可以根据关系的唯一性,设置关系唯一性条件,以从多个人物关系中确定目标人物关系。
例如,具有唯一性的关系可以包括亲属关系,亲属关系可以包括儿子、女儿、爸爸、妈妈、爷爷、奶奶、姥姥或姥爷。
根据本公开的实施例,预设条件包括关系时效性条件。关系时效性条件包括关系优先级条件。
根据预设条件,从人物关系集中确定目标人物关系,可以包括如下操作。
在确定存在时效性关系的情况下,从人物关系集中确定第一待筛选人物关系集,其中,第一待筛选人物关系集包括多个第一待筛选人物关系,每个第一待筛选人物关系所包括的关系是时效性关系。根据关系优先级条件,从第一待筛选人物关系集中确定目标人物关系。
根据本公开的实施例,关系时效性条件可以包括关系优先级条件,关系优先级条件可以指表征关系的优先级的条件。例如,关系建立的时间距当前时间越接近,关系的优先级越高。
根据本公开的实施例,在确定存在时效性关系的情况下,可以从人物关系集中确定具有时效性关系的第一待筛选人物关系集。针对具有时效性关系的两个第一待筛选人物,可以从与两个第一待筛选人物对应的多个关系中,选择关系优先级最高的关系,将关系优先级最高或关系优先级靠前的预设数量的关系确定为与两个第一待筛选人物对应的目标关系,根据两个第一待筛选人物和与两个第一待筛选人物对应的目标关系,得到目标人物关系。
例如,妻子的优先级高于前妻的优先级。第一待筛选人物M和第一待筛选人物N之间的关系是时效性关系。第一待筛选人物关系集包括第一待筛选人物关系“(第一筛选人物M,妻子,第一待筛选人物N)”和第一待筛选人物关系“(第一待筛选人物M,前妻,第一待筛选人物N)”。由于妻子的优先级高于前妻的优先级,因此,可以将第一待筛选人物关系“(第一筛选人物M,妻子,第一待筛选人物N)”确定为目标人物关系。
根据本公开的实施例,预设条件包括关系唯一性条件。
根据预设条件,从人物关系集中确定目标人物关系,可以包括如下操作。
在确定存在唯一性关系的情况下,从人物关系集中确定第二待筛选人物关系集,其中,第二待筛选人物关系集包括多个第二待筛选人物关系,每个第二待筛选人物关系所包括的关系是唯一性关系。根据人物关系出现次数,从第二待筛选人物关系集中确定目标人物关系。
根据本公开的实施例,在确定存在唯一性关系的情况下,可以从人物关系集中确定具有唯一性关系的第二待筛选人物关系集。针对具有唯一性性关系的两个第二待筛选人物,可以根据人物关系出现的次数,可以从与两个第二待筛选人物对应的多个关系中,确定出现次数最多的关系,将出现次数最多的关系确定为与两个第二待筛选人物对应的目标关系,根据两个第二待筛选人物和与两个第二待筛选人物对应的目标关系,得到目标人物关系。
例如,第二待筛选人物U和第二待筛选人物V之间的关系是唯一性关系。第二待筛选人物关系集包括第二待筛选人物关系“(第二筛选人物U,妻子,第二待筛选人物V)”和第二待筛选人物关系“(第二待筛选人物U,姐姐,第二待筛选人物V)”。第二待筛选人物关系“(第二筛选人物U,妻子,第二待筛选人物V)”出现的次数为四次,第二待筛选人物关系“(第二待筛选人物U,姐姐,第二待筛选人物V)”出现的次数为十次。
由于第二待筛选人物关系“(第二待筛选人物U,姐姐,第二待筛选人物V)”出现的次数最多,因此,可以将第二待筛选人物关系“(第二待筛选人物U,姐姐,第二待筛选人物V)”确定为目标人物关系。
下面参考图7,结合具体实施例对图2和图6所示的方法做进一步说明。
图7示意性示出了根据本公开实施例的人物关系集确定过程700的示意图。
如图7所示,可以根据初始人物关系集701构建人物关系网络702。根据人物关系网络702确定补充人物关系集703,将初始人物关系集701和补充人物关系集703确定为人物关系集704。
利用人物关系集704确定多个训练文本705。对多个训练文本705中的每个训练文本705所包括的对象进行标注,得到与每个对象对应的标签706。
根据训练文本705包括的对象和与每个对象对应的标签706对预设模型进行训练,得到人物关系模型707。
将目标文本708输入人物关系模型707,得到与目标文本所包括的每个对象对应的预测结果709。根据与每个对象对应的预测结果709,确定目标文本708包括的人物关系集710。
需要说明的是,在本公开实施例的技术方案中,所涉及的人物关系集、初始人物关系集、训练文本、初始训练文本和目标文本的获取、存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
图8示意性示出了根据本公开实施例的用于训练人物关系模型的装置800的框图。
如图8所示,用于训练人物关系模型的装置800可以包括第一确定模块810、标注模块820和训练模块830。
第一确定模块810,用于利用人物关系集确定多个训练文本。
标注模块820,用于对多个训练文本中的每个训练文本所包括的每个对象进行标注,得到与每个对象对应的标签,其中,对象包括字或词,标签包括以下至少一项:关系角色、关系类型和实体位置标识。
训练模块830,用于利用每个对象和与对象对应的标签对预设模型进行训练,得到人物关系模型。
根据本公开的实施例,上述用于训练人物关系模型的装置800还可以包括第一获取模块、构建模块、获得模块和第二确定模块。
第一获取模块,用于获取初始人物关系集,其中,初始人物关系集包括多个初始人物关系。
构建模块,用于利用初始人物关系集构建人物关系网络,其中,人物关系网络包括多个人物节点和多个边,每个边用于表征连接的两个人物节点之间的关系。
获得模块,用于根据人物关系网络得到补充人物关系集,其中,补充人物关系集包括一个或多个补充人物关系,初始人物关系集包括与每个补充人物关系具有反向关系的初始人物关系。
第二确定模块,用于将初始人物关系集和补充人物关系集确定为人物关系集。
根据本公开的实施例,获得模块可以包括第一确定子模块和第一获得子模块。
第一确定子模块,用于根据人物关系网络确定人物节点的性别属性。
第一获得子模块,用于根据人物节点的性别属性、连接两个人物节点之间的关系和两个人物节点,得到补充人物关系。
根据本公开的实施例,第一确定模块可以包括第二确定子模块、查找子模块和第三确定子模块。
第二确定子模块,用于利用人物关系集确定多个初始训练文本。
查找模块,用于从多个初始训练文本中查找包括预设关键字的一个或多个初始训练文本。
第三确定子模块,用于将包括预设关键字的一个或多个初始训练文本确定为多个训练文本。
根据本公开的实施例,第二确定子模块可以包括确定单元。
确定单元,用于利用远程监督,基于所述人物关系集确定所述多个初始训练文本。
根据本公开的实施例,训练模块830可以包括第二获得子模块、第三获得子模块、调整子模块和第四确定子模块。
第二获得子模块,用于将每个对象输入预设模型,得到与每个对象对应的预测结果。
第三获得子模块,用于基于损失函数,利用与每个对象对应的标签和预测结果,得到输出值。
调整子模块,用于根据输出值,调整预设模型的模型参数,直至输出值收敛。
第四确定子模块,用于将在输出值收敛的情况下得到的预设模型,确定为人物关系模型。
根据本公开的实施例,所述预设模型包括编码器和全连接层;
第二获得子模块可以包括第一获得单元和第二获得单元。
第一获得单元,用于将每个对象输入编码器,得到与每个对象对应的语义向量。
第二获得单元,用于将与每个对象对应的语义向量输入全连接层,得到与每个对象对应的预测结果。
图9示意性示出了根据本公开实施例的预测装置900的框图。
如图9所示,预测装置900可以包括输入模块910和第三确定模块920。
输入模块910,用于将目标文本所包括的每个对象输入人物关系模型,得到与每个对象对应的预测结果,其中,对象包括字或词。
第三确定模块920,用于根据与每个对象对应的预测结果,确定目标文本所包括的人物关系集。
其中,人物关系模型是利用根据本公开实施例所述的用于训练人物关系模型的装置训练的。
根据本公开的实施例,第三确定模块920可以包括第五确定子模块。
第五确定子模块,用于基于最近邻算法,根据与每个对象对应的预测结果,确定目标文本所包括的人物关系集。
根据本公开的实施例,上述预测装置900还可以包括第四确定模块。
第四确定模块,用于根据预设条件,从人物关系集中确定目标人物关系,其中,预设条件包括关系时效性条件或关系唯一性条件。
根据本公开的实施例,预设条件包括关系时效性条件,关系时效性条件包括关系优先级条件。
第四确定模块可以包括第六确定子模块和第七确定子模块。
第六确定子模块,用于在确定存在时效性关系的情况下,从人物关系集中确定第一待筛选人物关系集,其中,第一待筛选人物关系集包括多个第一待筛选人物关系,每个第一待筛选人物关系所包括的关系是时效性关系。
第七确定子模块,用于根据关系优先级条件,从第一待筛选人物关系集中确定目标人物关系。
根据本公开的实施例,预设条件包括关系唯一性条件。
第四确定模块可以包括第八确定子模块和第九确定子模块。
第八确定子模块,用于在确定存在唯一性关系的情况下,从人物关系集中确定第二待筛选人物关系集,其中,第二待筛选人物关系集包括多个第二待筛选人物关系,每个第二待筛选人物关系所包括的关系是唯一性关系。
第九确定子模块,用于根据人物关系出现次数,从第二待筛选人物关系集中确定目标人物关系。
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。
根据本公开的实施例,一种电子设备,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如上所述的方法。
根据本公开的实施例,一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行如上所述的方法。
根据本公开的实施例,一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如上所述的方法。
图10示出了根据本公开实施例的适用于用于训练人物关系模型的方法或预测方法的电子设备1000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/或者要求的本公开的实现。
如图10所示,电子设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许电子设备1000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1001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1001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1001执行上文所描述的各个方法和处理,例如用于训练人物关系模型的方法或预测方法。例如,在一些实施例中,用于训练人物关系模型的方法或预测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1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的用于训练人物关系模型的方法或预测方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于训练人物关系模型的方法或预测方法。
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。服务器可以是云服务器,也可以是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)
1.一种用于训练人物关系模型的方法,包括:
利用人物关系集确定多个训练文本;
对所述多个训练文本中的每个训练文本所包括的每个对象进行标注,得到与所述每个对象对应的标签,其中,所述对象包括字或词,所述标签包括以下至少一项:关系角色、关系类型和实体位置标识;以及
利用所述每个对象和与所述对象对应的标签对预设模型进行训练,得到所述人物关系模型。
2.根据权利要求1所述的方法,还包括:
获取初始人物关系集,其中,所述初始人物关系集包括多个初始人物关系;
利用所述初始人物关系集构建人物关系网络,其中,所述人物关系网络包括多个人物节点和多个边,每个所述边用于表征连接的两个所述人物节点之间的关系;
根据所述人物关系网络得到补充人物关系集,其中,所述补充人物关系集包括一个或多个补充人物关系,所述初始人物关系集包括与每个所述补充人物关系具有反向关系的初始人物关系;以及
将所述初始人物关系集和所述补充人物关系集确定为所述人物关系集。
3. 根据权利要求2所述的方法,其中,所述根据所述人物关系网络得到补充人物关系集,包括:
根据所述人物关系网络确定所述人物节点的性别属性;以及
根据所述人物节点的性别属性、连接两个所述人物节点之间的关系和两个所述人物节点,得到所述补充人物关系。
4.根据权利要求1~3中任一项所述的方法,其中,所述利用人物关系集确定多个训练文本,包括:
利用所述人物关系集确定多个初始训练文本;
从所述多个初始训练文本中查找包括预设关键字的一个或多个初始训练文本;以及
将包括所述预设关键字的一个或多个初始训练文本确定为所述多个训练文本。
5.根据权利要求4所述的方法,其中,所述利用所述人物关系集确定多个初始训练文本,包括:
利用远程监督,基于所述人物关系集确定所述多个初始训练文本。
6.根据权利要求1~5中任一项所述的方法,其中,所述利用所述每个对象和与所述对象对应的标签对预设模型进行训练,得到所述人物关系模型,包括:
将所述每个对象输入所述预设模型,得到与所述每个对象对应的预测结果;
基于损失函数,利用与所述每个对象对应的标签和预测结果,得到输出值;
根据所述输出值,调整所述预设模型的模型参数,直至所述输出值收敛;以及
将在所述输出值收敛的情况下得到的预设模型,确定为所述人物关系模型。
7.根据权利要求6所述的方法,其中,所述预设模型包括编码器和全连接层;
所述将所述每个对象输入所述预设模型,得到与所述每个对象对应的预测结果,包括:
将所述每个对象输入所述编码器,得到与所述每个对象对应的语义向量;以及
将与所述每个对象对应的语义向量输入所述全连接层,得到与所述每个对象对应的预测结果。
8. 一种预测方法,包括:
将目标文本所包括的每个对象输入人物关系模型,得到与所述每个对象对应的预测结果,其中,所述对象包括字或词;以及
根据与所述每个对象对应的预测结果,确定所述目标文本所包括的人物关系集;
其中,所述人物关系模型是利用根据权利要求1~7中任一项所述的方法训练的。
9.根据权利要求8所述的方法,其中,所述根据与所述每个对象对应的预测结果,确定所述目标文本所包括的人物关系集,包括:
基于最近邻算法,根据与所述每个对象对应的预测结果,确定所述目标文本所包括的人物关系集。
10.根据权利要求8或9所述的方法,还包括:
根据预设条件,从所述人物关系集中确定目标人物关系,其中,所述预设条件包括关系时效性条件或关系唯一性条件。
11.根据权利要求10所述的方法,其中,所述预设条件包括所述关系时效性条件,所述关系时效性条件包括关系优先级条件;
所述根据预设条件,从所述人物关系集中确定目标人物关系,包括:
在确定存在时效性关系的情况下,从所述人物关系集中确定第一待筛选人物关系集,其中,所述第一待筛选人物关系集包括多个第一待筛选人物关系,每个所述第一待筛选人物关系所包括的关系是时效性关系;以及
根据所述关系优先级条件,从所述第一待筛选人物关系集中确定所述目标人物关系。
12.根据权利要求10所述的方法,其中,所述预设条件包括所述关系唯一性条件;
所述根据预设条件,从所述人物关系集中确定目标人物关系,包括:
在确定存在唯一性关系的情况下,从所述人物关系集中确定第二待筛选人物关系集,其中,所述第二待筛选人物关系集包括多个第二待筛选人物关系,每个所述第二待筛选人物关系所包括的关系是唯一性关系;以及
根据人物关系出现次数,从所述第二待筛选人物关系集中确定所述目标人物关系。
13.一种用于训练人物关系模型的装置,包括:
第一确定模块,用于利用人物关系集确定多个训练文本;
标注模块,用于对所述多个训练文本中的每个训练文本所包括的每个对象进行标注,得到与所述每个对象对应的标签,其中,所述对象包括字或词,所述标签包括以下至少一项:关系角色、关系类型和实体位置标识;以及
训练模块,用于利用所述每个对象和与所述对象对应的标签对预设模型进行训练,得到所述人物关系模型。
14.根据权利要求13所述的装置,还包括:
第一获取模块,用于获取初始人物关系集,其中,所述初始人物关系集包括多个初始人物关系;
构建模块,用于利用所述初始人物关系集构建人物关系网络,其中,所述人物关系网络包括多个人物节点和多个边,每个所述边用于表征连接的两个所述人物节点之间的关系;
获得模块,用于根据所述人物关系网络得到补充人物关系集,其中,所述补充人物关系集包括一个或多个补充人物关系,所述初始人物关系集包括与每个所述补充人物关系具有反向关系的初始人物关系;以及
第二确定模块,用于将所述初始人物关系集和所述补充人物关系集确定为所述人物关系集。
15. 根据权利要求14所述的装置,其中,所述获得模块,包括:
第一确定子模块,用于根据所述人物关系网络确定所述人物节点的性别属性;以及
第一获得子模块,用于根据所述人物节点的性别属性、连接两个所述人物节点之间的关系和两个所述人物节点,得到所述补充人物关系。
16.根据权利要求13~15中任一项所述的装置,其中,所述第一确定模块,包括:
第二确定子模块,用于利用所述人物关系集确定多个初始训练文本;
查找子模块,用于从所述多个初始训练文本中查找包括预设关键字的一个或多个初始训练文本;以及
第三确定子模块,用于将包括所述预设关键字的一个或多个初始训练文本确定为所述多个训练文本。
17. 一种预测装置,包括:
输入模块,用于将目标文本所包括的每个对象输入人物关系模型,得到与所述每个对象对应的预测结果,其中,所述对象包括字或词;以及
第三确定模块,用于根据与所述每个对象对应的预测结果,确定所述目标文本所包括的人物关系集;
其中,所述人物关系模型是利用根据权利要求13~16中任一项所述的装置训练的。
18. 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权利要求1~7中任一项或权利要求8~12中任一项所述的方法。
19.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1~7中任一项或权利要求8~12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110746910.4A CN113361280B (zh) | 2021-06-30 | 2021-06-30 | 训练模型的方法、预测方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110746910.4A CN113361280B (zh) | 2021-06-30 | 2021-06-30 | 训练模型的方法、预测方法、装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361280A CN113361280A (zh) | 2021-09-07 |
CN113361280B true CN113361280B (zh) | 2023-10-31 |
Family
ID=77537755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110746910.4A Active CN113361280B (zh) | 2021-06-30 | 2021-06-30 | 训练模型的方法、预测方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361280B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235772A (zh) * | 2013-03-08 | 2013-08-07 | 北京理工大学 | 一种文本集人物关系自动提取方法 |
CN104462326A (zh) * | 2014-12-02 | 2015-03-25 | 百度在线网络技术(北京)有限公司 | 人物关系分析方法、提供人物信息的方法及装置 |
CN104657750A (zh) * | 2015-03-23 | 2015-05-27 | 苏州大学张家港工业技术研究院 | 一种用于人物关系抽取的方法和装置 |
CN106776544A (zh) * | 2016-11-24 | 2017-05-31 | 四川无声信息技术有限公司 | 人物关系识别方法及装置和分词方法 |
CN108446769A (zh) * | 2018-01-23 | 2018-08-24 | 深圳市阿西莫夫科技有限公司 | 知识图谱关系推理方法、装置、计算机设备和存储介质 |
CN108959418A (zh) * | 2018-06-06 | 2018-12-07 | 中国人民解放军国防科技大学 | 一种人物关系抽取方法、装置、计算机装置及计算机可读存储介质 |
CN109284398A (zh) * | 2018-09-29 | 2019-01-29 | 武汉烽火普天信息技术有限公司 | 一种改进双向gru和注意力模型的实体关系抽取方法 |
CN110414008A (zh) * | 2019-08-09 | 2019-11-05 | 深巨科技(北京)有限公司 | 一种基于深度学习的关系抽取系统及其方法 |
CN110674637A (zh) * | 2019-09-06 | 2020-01-10 | 腾讯科技(深圳)有限公司 | 一种人物关系识别模型训练方法、装置、设备及介质 |
CN110888940A (zh) * | 2019-10-18 | 2020-03-17 | 平安科技(深圳)有限公司 | 文本信息提取方法、装置、计算机设备及存储介质 |
CN110991165A (zh) * | 2019-12-12 | 2020-04-10 | 智器云南京信息科技有限公司 | 文本中人物关系提取方法及装置、计算机设备和存储介质 |
CN111159407A (zh) * | 2019-12-30 | 2020-05-15 | 北京明朝万达科技股份有限公司 | 训练实体识别和关系分类模型的方法、装置、设备及介质 |
-
2021
- 2021-06-30 CN CN202110746910.4A patent/CN113361280B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235772A (zh) * | 2013-03-08 | 2013-08-07 | 北京理工大学 | 一种文本集人物关系自动提取方法 |
CN104462326A (zh) * | 2014-12-02 | 2015-03-25 | 百度在线网络技术(北京)有限公司 | 人物关系分析方法、提供人物信息的方法及装置 |
CN104657750A (zh) * | 2015-03-23 | 2015-05-27 | 苏州大学张家港工业技术研究院 | 一种用于人物关系抽取的方法和装置 |
CN106776544A (zh) * | 2016-11-24 | 2017-05-31 | 四川无声信息技术有限公司 | 人物关系识别方法及装置和分词方法 |
CN108446769A (zh) * | 2018-01-23 | 2018-08-24 | 深圳市阿西莫夫科技有限公司 | 知识图谱关系推理方法、装置、计算机设备和存储介质 |
CN108959418A (zh) * | 2018-06-06 | 2018-12-07 | 中国人民解放军国防科技大学 | 一种人物关系抽取方法、装置、计算机装置及计算机可读存储介质 |
CN109284398A (zh) * | 2018-09-29 | 2019-01-29 | 武汉烽火普天信息技术有限公司 | 一种改进双向gru和注意力模型的实体关系抽取方法 |
CN110414008A (zh) * | 2019-08-09 | 2019-11-05 | 深巨科技(北京)有限公司 | 一种基于深度学习的关系抽取系统及其方法 |
CN110674637A (zh) * | 2019-09-06 | 2020-01-10 | 腾讯科技(深圳)有限公司 | 一种人物关系识别模型训练方法、装置、设备及介质 |
CN110888940A (zh) * | 2019-10-18 | 2020-03-17 | 平安科技(深圳)有限公司 | 文本信息提取方法、装置、计算机设备及存储介质 |
CN110991165A (zh) * | 2019-12-12 | 2020-04-10 | 智器云南京信息科技有限公司 | 文本中人物关系提取方法及装置、计算机设备和存储介质 |
CN111159407A (zh) * | 2019-12-30 | 2020-05-15 | 北京明朝万达科技股份有限公司 | 训练实体识别和关系分类模型的方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113361280A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022142014A1 (zh) | 基于多模态信息融合的文本分类方法、及其相关设备 | |
KR20210038449A (ko) | 문답 처리, 언어 모델 훈련 방법, 장치, 기기 및 저장 매체 | |
CN114861889B (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
CN114549874B (zh) | 多目标图文匹配模型的训练方法、图文检索方法及装置 | |
US11856277B2 (en) | Method and apparatus for processing video, electronic device, medium and product | |
US20220027569A1 (en) | Method for semantic retrieval, device and storage medium | |
CN112507706B (zh) | 知识预训练模型的训练方法、装置和电子设备 | |
EP3916579A1 (en) | Method for resource sorting, method for training sorting model and corresponding apparatuses | |
CN114840734B (zh) | 多模态表示模型的训练方法、跨模态检索方法及装置 | |
CN113407851B (zh) | 基于双塔模型的确定推荐信息的方法、装置、设备和介质 | |
CN114429633B (zh) | 文本识别方法、模型的训练方法、装置、电子设备及介质 | |
CN115099239B (zh) | 一种资源识别方法、装置、设备以及存储介质 | |
CN112528641A (zh) | 建立信息抽取模型的方法、装置、电子设备和可读存储介质 | |
CN116501960A (zh) | 内容检索方法、装置、设备及介质 | |
CN114116997A (zh) | 知识问答方法、装置、电子设备及存储介质 | |
CN115658903B (zh) | 文本分类方法、模型训练方法、相关装置及电子设备 | |
CN117112595A (zh) | 一种信息查询方法、装置、电子设备及存储介质 | |
CN114818736B (zh) | 文本处理方法、用于短文本的链指方法、装置及存储介质 | |
CN113361280B (zh) | 训练模型的方法、预测方法、装置、电子设备以及存储介质 | |
CN116049370A (zh) | 信息查询方法和信息生成模型的训练方法、装置 | |
CN114036397B (zh) | 数据推荐方法、装置、电子设备和介质 | |
CN112784600B (zh) | 信息排序方法、装置、电子设备和存储介质 | |
CN114756691A (zh) | 结构图生成方法、模型的训练方法、图谱生成方法及装置 | |
CN115828915B (zh) | 实体消歧方法、装置、电子设备和存储介质 | |
CN115392389B (zh) | 跨模态信息匹配、处理方法、装置、电子设备及存储介质 |
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 |