CN113420120A - 关键信息提取模型的训练方法、提取方法、设备及介质 - Google Patents
关键信息提取模型的训练方法、提取方法、设备及介质 Download PDFInfo
- Publication number
- CN113420120A CN113420120A CN202110704690.9A CN202110704690A CN113420120A CN 113420120 A CN113420120 A CN 113420120A CN 202110704690 A CN202110704690 A CN 202110704690A CN 113420120 A CN113420120 A CN 113420120A
- Authority
- CN
- China
- Prior art keywords
- key information
- words
- relation
- training
- extraction 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.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000000605 extraction Methods 0.000 claims abstract description 81
- 230000006870 function Effects 0.000 claims description 58
- 239000013598 vector Substances 0.000 claims description 53
- 238000004590 computer program Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 11
- 241001347978 Major minor Species 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000006403 short-term memory 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
- G06F16/3331—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Machine Translation (AREA)
Abstract
本申请适用于数据处理技术领域,提供了一种关键信息提取模型的训练方法、提取方法、设备及介质,该训练方法包括:获取训练文本,确定训练文本中的关系词在训练文本中的第一位置;基于第一位置,确定训练文本中的实施词的第一信息,基于第一位置和第一信息,得到交叉熵损失函数,基于交叉熵损失函数更新关键信息提取模型中的参数,得到训练后的关键信息提取模型;本申请利用多个参数确定交叉熵损失函数可以使得到的训练后的关键信息提取模型更准确,使关键信息提取模型提取的关键信息更准确。
Description
技术领域
本申请属于数据处理技术领域,尤其涉及一种关键信息提取模型的训练方法、关键信息的提取方法、终端设备及计算机可读存储介质。
背景技术
文本的关键信息可以反映文本的主要内容,准确查找文本的关键信息可以准确反映文本的内容。
目前,提取文本的关键信息多采用深度学习模型,通过深度学习模型提取文本的关键信息。但是目前使用深度学习模型提取的关键信息存在不够准确的缺点,因此,如何提高深度学习模型的准确度是目前需要解决的问题。
发明内容
本申请实施例提供了一种关键信息提取模型的训练方法、关键信息的提取方法、终端设备及计算机可读存储介质,可以解决深度学习模型提取的关键信息不准确的问题。
第一方面,本申请实施例提供了一种关键信息提取模型的训练方法,包括:
获取训练文本;
确定所述训练文本中的关系词在所述训练文本中的第一位置;
基于所述第一位置,确定所述训练文本中的实施词的第一信息,其中,所述实施词为与所述关系词存在第一预设关系的词和/或与所述关系词存在第二预设关系的词,所述第一信息包括所述实施词在所述训练文本中的位置及所述实施词与所述关系词的关系;
基于所述第一位置和所述第一信息,得到交叉熵损失函数;
基于所述交叉熵损失函数更新所述关键信息提取模型中的参数,得到训练后的关键信息提取模型。
第二方面,本申请实施例提供了一种关键信息的提取方法,应用于上述第一方面所述关键信息提取模型的训练方法得到的训练后的关键信息提取模型,包括:
获取待处理文本;
基于所述训练后的关键信息提取模型,得到所述待处理文本的关键信息。
第三方面,本申请实施例提供了一种终端设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的关键信息提取模型的训练方法,和/或实现上述第二方面中任一项所述的关键信息的提取方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述第一方面中任一项所述的关键信息提取模型的训练方法,和/或实现上述第二方面中任一项所述的关键信息的提取方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的关键信息提取模型的训练方法,和/或实现上述第二方面中任一项所述的关键信息的提取方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:本申请首先获取训练文本,并确定训练文本中关系词在训练文本中的第一位置,基于第一位置,确定训练文本中的实施词的第一信息,其中,实施词为与关系词存在第一预设关系的词和/或与关系词存在第二预设关系的词,第一信息包括实施词在训练文本中的位置及实施词与关系词的关系,基于第一位置和第一信息,得到交叉熵损失函数,基于交叉熵损失函数更新关键信息提取模型中的参数,得到训练后的关键信息提取模型,本申请利用关系词的第一位置、实施词的第二位置和实施词与关系词的关系确定交叉熵损失函数,利用交叉熵损失函数更新待训练的关键信息提取模型中的参数,得到训练后的关键信息提取模型,本申请利用多个参数确定交叉熵损失函数可以使得到的训练后的关键信息提取模型更准确,使关键信息提取模型提取的关键信息更准确。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的关键信息提取模型的训练方法的应用场景示意图;
图2是本申请一实施例提供的关键信息提取模型的训练方法的流程示意图;
图3是本申请一实施例提供的实施词的第一信息的确定方法的流程示意图;
图4是本申请一实施例提供的关系结果张量的示意图;
图5是本申请一实施例提供的交叉熵损失函数的确定方法的流程示意图;
图6是本申请一实施例提供的关键信息的提取方法的流程示意图;
图7是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当……时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
图1为本申请实施例提供的关键信息提取模型的训练方法的应用场景示意图,上述关键信息提取模型的训练方法可以用于对模型进行训练。其中,存储设备10用于存储文本,电子设备20用于从存储设备10中获取文本,并基于获取的文本对待训练的关键信息提取模型进行训练,得到训练后的关键信息提取模型。
以下结合图1对本申请实施例的关键信息提取模型的训练方法进行详细说明。
图2示出了本申请提供的关键信息提取模型的训练方法的示意性流程图,参照图2,对该方法的详述如下:
S101,获取训练文本。
在本实施例中,待训练的关键信息提取模型在获取训练样本时可以从存储设备中获得,还可以从数据库中获得,训练文本可以是一句话或一段话。训练文本还可以是文章题目等。
作为举例,训练文本还可以是由政府或监管机构发布的政策文本。
在本实施例中,待训练的关键信息提取模型可以是BERT模型(BidirectionalEncoder Representation from Transformers)。
S102,确定所述训练文本中的关系词在所述训练文本中的第一位置。
在本实施例中,关系词可以是训练文本中词性为动词的词。
具体的,在获取到训练文本后,先查找训练文本中是否存在动词,如果训练文本中存在动词,可以将动词的位置找出,本申请中记为第一位置。
具体的,对训练文本的处理,实际是对训练文本的文本向量进行处理。文本向量由训练文本中各个字符的向量组成。因此,在获取到训练文本后,可以先确定训练文本中各个字符的向量。然后在文本向量中确定关系词的第一位置。
可选的,关系词在训练文本中的第一位置可以从待训练的关键信息提取模型中的Dense层(全连层)得到。
S103,基于所述第一位置,确定所述训练文本中的实施词的第一信息,其中,所述实施词为与所述关系词存在第一预设关系的词和/或与所述关系词存在第二预设关系的词,所述第一信息包括所述实施词在所述训练文本中的第二位置及所述实施词与所述关系词的关系。
在本实施例中,在关系词为动词时,实施词为训练文本中与关系词存在主谓关系的词,实施词还可以为训练文本中与关系词存在动宾关系的词。
具体的,在确定了关系词的第一位置,且关系词为动词时,可以确定训练文本中是否存在动词的主语,如果训练文本中存在动词的主语,则可以提取该主语及主语的位置,本申请中记为第二位置,并输出该主语与动词为主谓关系。例如,如果训练文本为“我吃苹果”,吃是关系词,我是实施词,则可以得到“我-主谓关系-吃”。
具体的,在确定了关系词的第一位置,且关系词为动词时,可以确定训练文本中是否存在动词的宾语,如果训练文本中存在动词的宾语,则可以提取该宾语和该宾语的位置,本申请中记为第二位置,并输出该宾语与动词为动宾关系。例如,如果训练文本为“从严落实疫情防控责任”,落实是关系词,疫情防控责任是实施词,则可以得到“落实-动宾关系-疫情防控责任”。即使在训练文本中不存在主语时,也可以提取出与动词相关的宾语词。
本申请实施例中,本申请可以从训练文本中提取两种关系,一种是动宾关系,一种是主谓关系。
可选的,可以采用待训练的关键信息提取模型中的LSTM层(Long Short-TermMemory-长短期记忆网络)和Dense层得到第一信息。
S104,基于所述第一位置和所述第一信息,得到交叉熵损失函数。
在本实施例中,可以通过第一位置和第一信息得到两个交叉熵函数,基于上述得到的两个交叉熵函数的和得到交叉熵损失函数。
S105,基于所述交叉熵损失函数更新关键信息提取模型中的参数,得到训练后的关键信息提取模型。
在本实施例中,在得到交叉熵损失函数后,可以利用交叉熵损失函数更新关键信息提取模型中的参数,继续对关键信息信息提取模型进行训练,直到交叉熵损失函数满足预设要求,则可以停止对关键信息提取模型的训练,得到训练后的关键信息提取模型。
本申请实施例中,首先获取训练文本,并确定训练文本中关系词在训练文本中的第一位置,基于第一位置,确定训练文本中的实施词的第一信息,其中,实施词为与关系词存在第一预设关系的词和/或与关系词存在第二预设关系的词,第一信息包括实施词在训练文本中的位置及实施词与关系词的关系,基于第一位置和第一信息,得到交叉熵损失函数,基于交叉熵损失函数更新关键信息提取模型中的参数,得到训练后的关键信息提取模型,本申请利用关系词的第一位置、实施词的第二位置和实施词与关系词的关系确定交叉熵损失函数,利用交叉熵损失函数更新待训练的关键信息提取模型中的参数,得到训练后的关键信息提取模型,本申请利用多个参数确定交叉熵损失函数可以使得到的训练后的关键信息提取模型更准确,使关键信息提取模型提取的关键信息更准确。
在一种可能的实现方式中,步骤S102的实现过程可以包括:
S1021,确定所述关系词在所述训练文本中的头位置和尾位置,所述第一位置包括所述头位置和所述尾位置,其中,所述关系词为词性为动词的词。
可选的,得到训练文本的文本向量后,可以对文本向量进行BIO标注(B-begin,I-inside,O-outside),将关系词的首位置的向量用B标注,关系词的尾位置的向量用I标注,训练文本中的非关系词的向量用O标注。
具体的,确定关系词的第一位置可以是确定关系词的头位置的向量和尾位置的向量。另外,如果关系词至少包括三个字符,还可以确定关系词中每个字符的向量。第一位置可以包括关系词中每个字符的向量。
本申请实施例中,确定关系词的头位置的向量和尾位置的向量,可以减少后续第一信息确定时对数据的处理,加快模型的训练速度。
如图3所示,在一种可能的实现方式中,步骤S103的实现过程可以包括:
S1031,计算所述头位置的向量和所述尾位置的向量的平均向量。
在本实施例中,如果第一位置中包括关系词中每个字符的向量,可以计算每个字符的向量的平均值,将该平均值作为平均向量。平均向量用于表征关系词的向量。
在本实施例中,在得到头位置的向量和尾位置的向量后,可以将头位置的向量和尾位置的向量回传,以确定第一信息。
S1032,基于所述平均向量,确定所述实施词的第一信息。
在本实施例中,在得到平均向量后,可以将平均向量加入到文本向量中每个字符的向量中,然后确定第一信息。
在一种可能的实现方式中,在步骤S1032之后,上述方法还可以包括:
基于所述实施词的第一信息,得到所述实施词的关系结果张量。
在本实施例中,在得到实施词的第一信息后,可以根据第一信息确定实施词的关系结果张量,关系结果张量用于表征实施词的头位置在训练文本中的位置、实施词的尾位置在训练文本中的位置、实施词与关系词的关系。
作为举例,如图4所示的关系结果张量图,前两排为训练文本中与关系词存在主谓关系的实施词的位置,第一排中1的位置表征实施词的头在训练文本中的位置。第二排中1的位置表征实施词的尾在训练文本中的位置。后两排为训练文本中与关系词存在动宾关系的实施词的位置。图4中动宾关系的两排中没有标注为1的位置,则说明训练文本中不存在与关系词是动宾关系的实施词。
本申请实施例中,通过关系结果张量表征实施词的信息,可以使信息处理更方便,在张量表中可以将实施词的位置和与关系词的关系进行表示,减少了数据处理量,提高了数据处理的速度。
如图5所示,在一种可能的实现方式中,步骤S104的实现过程可以包括:
S1041,基于所述头位置的向量,得到第一交叉熵函数。
在本实施例中,在训练文本输入待训练的关键信息提取模型之前可以对训练文本进行标注,将关系词的头位置和尾位置标出,本申请中可以将标出的关系词的头位置记作第一目标位置,将标出的关系词的尾位置即为第二目标位置。另外,还可以将训练文本中与关系词存在第一预设关系的词的位置标出,本申请中将标出的与关系词存在第一预设关系的实施词的位置记为第三目标位置,和/或将训练文本中与关系词存在第二预设关系的实施词的位置标出,本申请中将标出的与关系词存在第二预设关系的词的位置记为第四目标位置。
在本实施例中,由于标出了关系词的第一目标位置,因此可以确定训练文本中关系词的头位置的真实向量。可以根据关系词的头位置的真实向量和关键信息提取模型输出的关系词的头位置的向量得到第一交叉熵函数。
S1042,基于所述尾位置的向量,得到第二交叉熵函数。
在本实施例中,由于标出了关系词的第二目标位置,因此可以确定训练文本中关系词的尾位置的真实向量。因此可以根据关系词的尾位置的真实向量和关键信息提取模型输出的关系词的尾位置的向量得到第二交叉熵函数。
S1043,基于所述关系结果张量,得到第三交叉熵函数。
在本实施例中,由于标出了实施词的第三目标位置和/或第四目标位置,在训练文本中存在第三目标位置,可以根据第三目标位置和第三目标位置的实施词与关系词的关系得到一真实关系张量。在训练文本中存在第四目标位置,可以根据第四目标位置和第四目标位置的实施词与关系词的关系得到一真实关系张量。在训练文本中存在第三目标位置和第四目标位置时,可以根据第三目标位置和第三目标位置的实施词与关系词的关系、第四目标位置和第四目标位置的实施词与关系词的关系得到一真实关系张量。
在本实施例中,根据真实关系张量和关键信息提取模型输出的关系结果张量得到第三交叉熵函数。
S1044,基于所述第一交叉熵函数、所述第二交叉熵函数和所述第三交叉熵函数,得到所述交叉熵损失函数。
在本实施例中,可以将第一交叉熵函数、第二交叉熵函数和第三交叉熵函数之和作为交叉熵损失函数。
可选的,还可以第一交叉熵函数、第一交叉熵函数的权重、第二交叉熵函数、第二交叉熵函数的权重、第三交叉熵函数和第三交叉熵函数的权重得到交叉熵损失函数。
本申请实施例中,根据第一交叉熵函数、第二交叉熵函数和第三交叉熵函数,得到交叉熵损失函数,为关键信息提取模型中参数的更新提供了多源依据,可以使更新的参数更准确,进而使关键信息提取模型提取的文本的关键信息更准确。
对应于上文实施例所述的关键信息提取模型的训练方法,图6示出了本申请实施例提供的关键信息的提取方法,参照图6,该提取方法包括:。
S201,获取待处理文本。
S202,基于上述训练后的关键信息提取模型,得到所述待处理文本的关键信息。
在本实施例中,训练后的关键信息提取模型为基于上述关键信息提取模型的训练方法训练得到的模型。
在本实施例中,关键信息可以包括关键词以及关键词之间的关系。
具体的,步骤S202的实现过程可以包括:
S2021,提取所述待处理文本中的关系词及所述关系词在所述待处理文本中的位置。
在本实施例中,关系词在待处理文本中的位置可以包括关系词的头位置的向量和关系词的尾位置的向量。
S2022,基于所述关系词在所述待处理文本中的位置,得到所述待处理文本中的实施词及所述实施词与所述关系词的关系,所述关键信息包括所述关系词、所述实施词和所述实施词与所述关系词的关系。
在本实施例中,计算关系词的头位置的向量和关系词的尾位置的向量的平均向量,基于平均向量确定实施词及实施词与关系词的关系。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本申请实施例还提供了一种终端设备,参见图7,该终端设备400可以包括:至少一个处理器410、存储器420以及存储在所述存储器420中并可在所述至少一个处理器410上运行的计算机程序,所述处理器410执行所述计算机程序时实现上述任意各个方法实施例中的步骤,例如图2所示实施例中的步骤S101至步骤S105或图6所示实施例中的步骤S201至步骤S202。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器420中,并由处理器410执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段,该程序段用于描述计算机程序在终端设备400中的执行过程。
本领域技术人员可以理解,图7仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如输入输出设备、网络接入设备、总线等。
处理器410可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器420可以是终端设备的内部存储单元,也可以是终端设备的外部存储设备,例如插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。所述存储器420用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器420还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的关键信息提取模型的训练方法和关键信息的提取方法可以应用于计算机、平板电脑、笔记本电脑、上网本、个人数字助理(personal digitalassistant,PDA)等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述关键信息提取模型的训练方法或关键信息的提取方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述关键信息提取模型的训练方法或关键信息的提取方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种关键信息提取模型的训练方法,其特征在于,包括:
获取训练文本;
确定所述训练文本中的关系词在所述训练文本中的第一位置;
基于所述第一位置,确定所述训练文本中的实施词的第一信息,其中,所述实施词为与所述关系词存在第一预设关系的词和/或与所述关系词存在第二预设关系的词,所述第一信息包括所述实施词在所述训练文本中的第二位置及所述实施词与所述关系词的关系;
基于所述第一位置和所述第一信息,得到交叉熵损失函数;
基于所述交叉熵损失函数更新关键信息提取模型中的参数,得到训练后的关键信息提取模型。
2.如权利要求1所述的关键信息提取模型的训练方法,其特征在于,所述确定所述训练文本中的关系词在所述训练文本中的第一位置,包括:
确定所述关系词在所述训练文本中的头位置和尾位置,所述第一位置包括所述头位置和所述尾位置,其中,所述关系词为词性为动词的词。
3.如权利要求2所述的关键信息提取模型的训练方法,其特征在于,所述确定所述关系词在所述训练文本中的头位置和尾位置,包括:
确定所述关系词的头位置的向量和尾位置的向量。
4.如权利要求3所述的关键信息提取模型的训练方法,其特征在于,所述基于所述第一位置,确定所述训练文本中的实施词的第一信息,包括:
计算所述头位置的向量和所述尾位置的向量的平均向量;
基于所述平均向量,确定所述实施词的第一信息,其中,所述第一预设关系为主谓关系,和/或与所述第二预设关系为动宾关系。
5.如权利要求4所述的关键信息提取模型的训练方法,其特征在于,在所述基于所述平均向量,确定所述实施词的第一信息之后,包括:
基于所述实施词的第一信息,得到所述实施词的关系结果张量。
6.如权利要求5所述的关键信息提取模型的训练方法,其特征在于,所述基于所述第一位置和所述第一信息,得到交叉熵损失函数,包括:
基于所述头位置的向量,得到第一交叉熵函数;
基于所述尾位置的向量,得到第二交叉熵函数;
基于所述关系结果张量,得到第三交叉熵函数;
基于所述第一交叉熵函数、所述第二交叉熵函数和所述第三交叉熵函数,得到所述交叉熵损失函数。
7.一种关键信息的提取方法,其特征在于,应用于上述如权利要求1至6任一项所述关键信息提取模型的训练方法得到的训练后的关键信息提取模型;
所述提取方法包括:
获取待处理文本;
基于所述训练后的关键信息提取模型,得到所述待处理文本的关键信息。
8.如权利要求7所述的关键信息的提取方法,其特征在于,所述基于所述训练后的关键信息提取模型,得到所述待处理文本的关键信息,包括:
提取所述待处理文本中的关系词及所述关系词在所述待处理文本中的位置;
基于所述关系词在所述待处理文本中的位置,得到所述待处理文本中的实施词及所述实施词与所述关系词的关系,所述关键信息包括所述关系词、所述实施词和所述实施词与所述关系词的关系。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的关键信息提取模型的训练方法,和/或实现如权利要求7至8任一项所述的关键信息的提取方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的关键信息提取模型的训练方法,和/或实现如权利要求7至8任一项所述的关键信息的提取方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110704690.9A CN113420120B (zh) | 2021-06-24 | 2021-06-24 | 关键信息提取模型的训练方法、提取方法、设备及介质 |
PCT/CN2022/071360 WO2022267453A1 (zh) | 2021-06-24 | 2022-01-11 | 关键信息提取模型的训练方法、提取方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110704690.9A CN113420120B (zh) | 2021-06-24 | 2021-06-24 | 关键信息提取模型的训练方法、提取方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420120A true CN113420120A (zh) | 2021-09-21 |
CN113420120B CN113420120B (zh) | 2024-05-31 |
Family
ID=77716789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110704690.9A Active CN113420120B (zh) | 2021-06-24 | 2021-06-24 | 关键信息提取模型的训练方法、提取方法、设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113420120B (zh) |
WO (1) | WO2022267453A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022267453A1 (zh) * | 2021-06-24 | 2022-12-29 | 平安科技(深圳)有限公司 | 关键信息提取模型的训练方法、提取方法、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595421A (zh) * | 2018-04-13 | 2018-09-28 | 北京神州泰岳软件股份有限公司 | 一种中文实体关联关系的抽取方法、装置及系统 |
US20200074322A1 (en) * | 2018-09-04 | 2020-03-05 | Rovi Guides, Inc. | Methods and systems for using machine-learning extracts and semantic graphs to create structured data to drive search, recommendation, and discovery |
CN111476023A (zh) * | 2020-05-22 | 2020-07-31 | 北京明朝万达科技股份有限公司 | 识别实体关系的方法及装置 |
CN112560475A (zh) * | 2020-11-16 | 2021-03-26 | 和美(深圳)信息技术股份有限公司 | 三元组抽取方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287961B (zh) * | 2019-05-06 | 2024-04-09 | 平安科技(深圳)有限公司 | 中文分词方法、电子装置及可读存储介质 |
CN111291185B (zh) * | 2020-01-21 | 2023-09-22 | 京东方科技集团股份有限公司 | 信息抽取方法、装置、电子设备及存储介质 |
CN112270604A (zh) * | 2020-10-14 | 2021-01-26 | 招商银行股份有限公司 | 信息结构化处理方法、装置及计算机可读存储介质 |
CN112270196B (zh) * | 2020-12-14 | 2022-04-29 | 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 |
CN113420120B (zh) * | 2021-06-24 | 2024-05-31 | 平安科技(深圳)有限公司 | 关键信息提取模型的训练方法、提取方法、设备及介质 |
-
2021
- 2021-06-24 CN CN202110704690.9A patent/CN113420120B/zh active Active
-
2022
- 2022-01-11 WO PCT/CN2022/071360 patent/WO2022267453A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595421A (zh) * | 2018-04-13 | 2018-09-28 | 北京神州泰岳软件股份有限公司 | 一种中文实体关联关系的抽取方法、装置及系统 |
US20200074322A1 (en) * | 2018-09-04 | 2020-03-05 | Rovi Guides, Inc. | Methods and systems for using machine-learning extracts and semantic graphs to create structured data to drive search, recommendation, and discovery |
CN111476023A (zh) * | 2020-05-22 | 2020-07-31 | 北京明朝万达科技股份有限公司 | 识别实体关系的方法及装置 |
CN112560475A (zh) * | 2020-11-16 | 2021-03-26 | 和美(深圳)信息技术股份有限公司 | 三元组抽取方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022267453A1 (zh) * | 2021-06-24 | 2022-12-29 | 平安科技(深圳)有限公司 | 关键信息提取模型的训练方法、提取方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113420120B (zh) | 2024-05-31 |
WO2022267453A1 (zh) | 2022-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871545B (zh) | 命名实体识别方法及装置 | |
CN109815487B (zh) | 文本质检方法、电子装置、计算机设备及存储介质 | |
CN110909122B (zh) | 一种信息处理方法及相关设备 | |
CN111160032B (zh) | 一种命名实体提取方法、装置、电子设备及存储介质 | |
CN113469088B (zh) | 一种无源干扰场景下的sar图像舰船目标检测方法及系统 | |
CN110232923B (zh) | 一种语音控制指令生成方法、装置及电子设备 | |
CN111382248B (zh) | 一种问题回复方法、装置、存储介质及终端设备 | |
CN108959474B (zh) | 实体关系提取方法 | |
CN110674304A (zh) | 实体消歧方法、装置、可读存储介质及电子设备 | |
US20200364216A1 (en) | Method, apparatus and storage medium for updating model parameter | |
CN111831804A (zh) | 一种关键短语的提取方法、装置、终端设备及存储介质 | |
CN112214576B (zh) | 舆情分析方法、装置、终端设备及计算机可读存储介质 | |
CN116842951A (zh) | 命名实体识别方法、装置、电子设备及存储介质 | |
CN112613293A (zh) | 摘要生成方法、装置、电子设备及存储介质 | |
CN113420120B (zh) | 关键信息提取模型的训练方法、提取方法、设备及介质 | |
CN110046344B (zh) | 添加分隔符的方法及终端设备 | |
CN111079433A (zh) | 一种事件抽取方法、装置及电子设备 | |
CN113656575B (zh) | 训练数据的生成方法、装置、电子设备及可读介质 | |
CN115964474A (zh) | 一种政策关键词抽取方法、装置、存储介质及电子设备 | |
CN109446318A (zh) | 一种确定汽车维修文档主题的方法及相关设备 | |
CN112597208A (zh) | 企业名称检索方法、企业名称检索装置及终端设备 | |
CN111858895A (zh) | 排序模型确定方法、排序方法、装置及电子设备 | |
CN114818722A (zh) | 一种自然语言处理的语义分析方法、智能终端及存储介质 | |
CN113688225B (zh) | 基于大数据的新闻推荐方法、装置、终端设备及存储介质 | |
CN117573956B (zh) | 元数据管理方法、装置、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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40055802 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |