CN113553386A - 嵌入表示模型训练方法、基于知识图谱的问答方法及装置 - Google Patents
嵌入表示模型训练方法、基于知识图谱的问答方法及装置 Download PDFInfo
- Publication number
- CN113553386A CN113553386A CN202110816001.3A CN202110816001A CN113553386A CN 113553386 A CN113553386 A CN 113553386A CN 202110816001 A CN202110816001 A CN 202110816001A CN 113553386 A CN113553386 A CN 113553386A
- Authority
- CN
- China
- Prior art keywords
- embedded representation
- knowledge
- entity
- graph
- embedded
- 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.)
- Pending
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
- G06F16/20—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
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Abstract
本公开提供了一种嵌入表示模型的训练方法,可以应用于金融领域及人工智能技术领域。该嵌入表示模型的训练方法包括:获取初始知识图谱;对初始知识图谱进行预处理,生成样本知识图谱;从样本知识图谱中获取三元组,其中,三元组包括头实体、关系以及尾实体邻域;利用三元组训练待训练的嵌入表示模型,得到训练完成的嵌入表示模型。本公开还提供了一种基于知识图谱的问答方法、嵌入表示模型的训练装置装置、基于知识图谱的问答装置、设备、存储介质和程序产品。
Description
技术领域
本公开涉及金融领域及人工智能技术领域,更具体地涉及一种嵌入表示模型训练方法、基于知识图谱的问答方法、装置、设备、介质和程序产品。
背景技术
知识图谱通过对错综复杂的文档的数据进行有效的加工、处理、整合,转化为简单、清晰的“实体,关系,实体”的三元组,最后聚合大量知识,从而实现知识的快速响应和推理。
但是随着知识数据的不断增长和变化,为了更好的利用知识图谱,需要对知识图谱中的实体和关系进行嵌入表示。
发明人在实现本公开构思的过程中发现,相关技术中对知识图谱进行嵌入表示的方法准确度不足,导致嵌入表示后的知识图谱无法被很好的利用。
发明内容
鉴于上述问题,本公开提供了嵌入表示模型的训练方法、基于知识图谱的问答方法、嵌入表示模型的训练装置装置、基于知识图谱的问答装置、设备、存储介质和程序产品。
根据本公开的第一个方面,提供了一种嵌入表示模型的训练方法,包括:
获取初始知识图谱;
对所述初始知识图谱进行预处理,生成样本知识图谱,其中,所述样本知识图谱中包括头实体、关系和尾实体,其中,所述样本知识图谱中的所述头实体、关系和尾实体由随机向量表示;
从所述样本知识图谱中获取三元组,其中,所述三元组包括头实体、关系以及尾实体邻域,其中,所述尾实体邻域包括由与所述头实体具有相同关系的多个尾实体组成的集合;
利用所述三元组训练待训练的嵌入表示模型,得到训练完成的嵌入表示模型,其中,所述训练完成的嵌入表示模型输出的嵌入表示三元组中的所述头实体、所述关系以及所述尾实体邻域的嵌入表示满足预设条件。
根据本公开的实施例,所述利用所述三元组训练待训练的嵌入表示模型,得到训练完成的嵌入表示模型包括:
将所述三元组输入所述待训练的嵌入表示模型,输出预测三元组,其中,所述预测三元组中的嵌入表示由所述嵌入表示模型对所述三元组中的随机变量进行调整而得到;
利用目标函数对所述预测三元组进行验证,生成验证结果;
在所述验证结果满足所述预设条件的情况下,输出所述训练完成的嵌入表示模型。
根据本公开的实施例,所述预设条件包括:
所述尾实体邻域中多个所述尾实体中任一尾实体的嵌入表示与第一嵌入表示的差小于预设阈值,其中,所述第一嵌入表示由所述头实体的嵌入表示与所述关系的嵌入表示相加得到。
根据本公开的实施例,所述获取初始知识图谱包括:
获取初始知识集;
对所述初始知识集进行第一关键词过滤处理,生成第一知识集;
对所述第一知识集进行第二关键词提取,生成第二知识集;
根据所述第二知识集生成所述初始知识图谱,其中,所述初始知识图谱中的头实体、关系和尾实体由第一预设字符表示,其中,所述第一预设字符包括汉字或字母。
根据本公开的实施例,所述初始知识图谱中的头实体、关系和尾实体由第一预设字符表示,其中,所述第一预设字符包括汉字或字母;
所述对所述初始知识图谱进行预处理,生成样本知识图谱包括:
对所述初始知识图谱中的所述头实体、所述关系和所述尾实体进行随机初始化,以将所述第一预设字符转化为随机向量,生成所述样本知识图谱。
本公开的第二方面提供了一种基于知识图谱的问答方法,包括:
获取第一知识图谱;
将所述第一知识图谱输入嵌入表示模型,输出第一嵌入表示知识图谱,其中,所述嵌入表示模型由本公开实施例提供的嵌入表示模型的训练方法训练得到;
获取待回答问题的描述信息,其中,所述待回答问题的描述信息包括头实体和关系;
将所述待回答问题的描述信息输入所述第一嵌入表示知识图谱,输出与所述待回答问题的描述信息对应的答案,其中,所述答案包括根据所述头实体和所述关系确定的目标实体。
根据本公开的实施例,所述将所述待回答问题的描述信息输入所述第一嵌入表示知识图谱,输出与所述待回答问题的描述信息对应的答案包括:
根据待回答问题的描述信息确定所述头实体的嵌入表示和所述关系的嵌入表示;
根据所述头实体的嵌入表示和所述关系的嵌入表示得到第二嵌入表示;
计算所述第二嵌入表示分别与所述第一嵌入表示知识图谱中多个实体的嵌入表示的多个相似度距离;
从所述多个相似度距离中确定相似度距离最小值;
将与所述相似度距离最小值对应的实体确定为所述目标实体。
根据本公开的实施例,所述计算所述第二嵌入表示分别与所述第一嵌入表示知识图谱中多个实体的嵌入表示的多个相似度距离包括:
根据欧式距离计算方法计算所述第二嵌入表示分别与所述第一嵌入表示知识图谱中多个实体的嵌入表示的多个欧式距离;或者
根据余弦距离计算方法计算所述第二嵌入表示分别与所述第一嵌入表示知识图谱中多个实体的嵌入表示的多个余弦距离。
本公开的第三方面提供了一种嵌入表示模型的训练装置,包括:
第一获取模块,用于获取初始知识图谱;
预处理模块,用于对所述初始知识图谱进行预处理,生成样本知识图谱,其中,所述样本知识图谱中包括头实体、关系和尾实体,其中,所述样本知识图谱中的所述头实体、关系和尾实体由随机向量表示;以及
第二获取模块,用于从所述样本知识图谱中获取三元组,其中,所述三元组包括头实体、关系以及尾实体邻域,其中,所述尾实体邻域包括由与所述头实体具有相同关系的多个尾实体组成的集合;
训练模块,用于利用所述三元组训练待训练的嵌入表示模型,得到训练完成的嵌入表示模型,其中,所述训练完成的嵌入表示模型输出的嵌入表示三元组中的所述头实体、所述关系以及所述尾实体邻域的嵌入表示满足预设条件。
本公开的第四方面提供了一种基于知识图谱的问答装置,包括:
第三获取模块,用于获取第一知识图谱;
输入模块,用于将所述第一知识图谱输入嵌入表示模型,输出第一嵌入表示知识图谱,其中,所述嵌入表示模型由本公开实施例提供的嵌入表示模型的训练方法训练得到;
第四获取模块,用于获取待回答问题的描述信息,其中,所述待回答问题的描述信息包括头实体和关系;
输出模块,用于将所述待回答问题的描述信息输入所述第一嵌入表示知识图谱,输出与所述待回答问题的描述信息对应的答案,其中,所述答案包括根据所述头实体和所述关系确定的目标实体。
本公开的第五方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述嵌入表示模型的训练方法、基于知识图谱的问答方法。
本公开的第六方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述嵌入表示模型的训练方法、基于知识图谱的问答方法。
本公开的第七方面还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上述嵌入表示模型的训练方法、基于知识图谱的问答方法。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的嵌入表示模型的训练方法、基于知识图谱的问答方法、嵌入表示模型的训练装置装置、基于知识图谱的问答装置的应用场景图;
图2示意性示出了根据本公开实施例的嵌入表示模型的训练方法的流程图;
图3示意性示出了根据本公开实施例的利用三元组训练待训练的嵌入表示模型,得到训练完成的嵌入表示模型的流程图
图4示意性示出了根据本公开实施例的获取初始知识图谱的流程图;
图5示意性示出了根据本公开实施例的基于知识图谱的问答方法的流程图;
图6示意性示出了根据本公开实施例的将待回答问题的描述信息输入第一嵌入表示知识图谱,输出与待回答问题的描述信息对应的答案的流程图;
图7示意性示出了根据本公开实施例的嵌入表示模型的训练装置的结构框图;
图8示意性示出了根据本公开实施例的基于知识图谱的问答装置的结构框图;以及
图9示意性示出了根据本公开实施例的适于实现嵌入表示模型的训练方法、基于知识图谱的问答方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开提供了一种嵌入表示模型的训练方法,可以应用于金融领域及人工智能技术领域。该嵌入表示模型的训练方法包括:获取初始知识图谱;对初始知识图谱进行预处理,生成样本知识图谱;从样本知识图谱中获取三元组,其中,三元组包括头实体、关系以及尾实体邻域;利用三元组训练待训练的嵌入表示模型,得到训练完成的嵌入表示模型。本公开还提供了一种基于知识图谱的问答方法、嵌入表示模型的训练装置装置、基于知识图谱的问答装置、设备、存储介质和程序产品。
需要说明的是,本公开实施例确定的方法和装置可以应用于金融领域及人工智能技术领域,也可用于除金融领域及人工智能技术领域之外的任意领域,本公开实施例确定的方法和装置的应用领域不做限定。
图1示意性示出了根据本公开实施例的嵌入表示模型的训练方法、基于知识图谱的问答方法、嵌入表示模型的训练装置装置、基于知识图谱的问答装置的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、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所浏览的网站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嵌入表示模型的训练方法、基于知识图谱的问答方法一般可以由服务器105执行。相应地,本公开实施例所提供的嵌入表示模型的训练装置装置、基于知识图谱的问答装置一般可以设置于服务器105中。本公开实施例所提供的嵌入表示模型的训练方法、基于知识图谱的问答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嵌入表示模型的训练装置装置、基于知识图谱的问答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。
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。
以下将基于图1描述的场景,通过图2~图4对公开实施例的嵌入表示模型的训练方法进行详细描述。
图2示意性示出了根据本公开实施例的嵌入表示模型的训练方法的流程图。
如图2所示,该实施例的嵌入表示模型的训练方法包括操作S201~操作S204。
在操作S201,获取初始知识图谱。
在操作S202,对初始知识图谱进行预处理,生成样本知识图谱,其中,样本知识图谱中包括头实体、关系和尾实体,其中,样本知识图谱中的头实体、关系和尾实体由随机向量表示。
根据本公开的实施例,样本知识图谱中的头实体、关系和尾实体均可以由M维随机向量表示,其中M为正整数,例如M可以为1、2或3。
根据本公开的实施例,随机向量的维度太低可能会导致利用此向量训练得到的模型的训练精度不足;而随机向量的维度太高可能会导致难以利用此向量拟合到满足要求的模型,因此,随机向量的维度可以由本领域技术人员根据实际应用需求灵活设置。
在操作S203,从样本知识图谱中获取三元组,其中,三元组包括头实体、关系以及尾实体邻域,其中,尾实体邻域包括由与头实体具有相同关系的多个尾实体组成的集合。
根据本公开的实施例,例如样本知识图谱中有头实体“小明”,有关系“喜欢”,和多个尾实体:“篮球”、“足球”和“乒乓球”,其中,多个尾实体均通过“喜欢”这一关系与头实体“小明”连接,从而,多个尾实体:“实体篮球”、“足球”和“乒乓球”共同组成头实体“小明”的尾实体邻域。
在操作S204,利用三元组训练待训练的嵌入表示模型,得到训练完成的嵌入表示模型,其中,训练完成的嵌入表示模型输出的嵌入表示三元组中的头实体、关系以及尾实体邻域的嵌入表示满足预设条件。
根据本公开的实施例,待训练的嵌入表示模型可以基于深度学习网络构建得到,例如循环神经网络(Recurrent Neural Network,RNN)或卷积神经网络(ConvolutionalNeural Networks,CNN)等,但不限于此,待训练的嵌入表示模型还可以基于机器学习模型构建得到。
在本公开的实施例中,利用与头实体相关联的尾实体邻域训练嵌入表示模型,充分考虑到了知识图谱的网络结构特征,从而在利用训练好的嵌入表示模型对知识图谱进行嵌入表示时,可以综合考虑知识图谱中实体之间的相关关系,从而解决了相关技术中存在的嵌入表示的方法准确度不足的技术问题,实现了提高嵌入表示准确度的技术效果,从而,在里用嵌入表示的知识图谱进行关系预测时,可以提高关系预测的准确率。
图3示意性示出了根据本公开实施例的利用三元组训练待训练的嵌入表示模型,得到训练完成的嵌入表示模型的流程图。
如图3所示,该实施例的利用三元组训练待训练的嵌入表示模型,得到训练完成的嵌入表示模型包括操作S301~操作S303。
在操作S301,将三元组输入待训练的嵌入表示模型,输出预测三元组,其中,预测三元组中的嵌入表示由嵌入表示模型对三元组中的随机变量进行调整而得到。
在操作S302,利用目标函数对预测三元组进行验证,生成验证结果。
在操作S303,在验证结果满足预设条件的情况下,输出训练完成的嵌入表示模型。
根据本公开的实施例,在操作S204和/或操作S303中,预设条件包括:尾实体邻域中多个尾实体中任一尾实体的嵌入表示与第一嵌入表示的差小于预设阈值,其中,第一嵌入表示由头实体的嵌入表示与关系的嵌入表示相加得到。
根据本公开的实施例,由于三元组中的头实体、关系和尾实体由随机向量表示,无法充分、准确的反应出头实体、关系和尾实体之间的相关关系,因此,需要利用嵌入表示模型对三元组中的头实体、关系和尾实体的随机向量进行调整。
根据本公开的实施例,例如,三元组中,头实体的随机向量可以为[0.32,0.54,0.78,0.45],关系的随机向量可以为[0.12,0.14,0.68,0.85],尾实体邻域中的一个尾实体的随机向量可以为[0.47,0.85,0.99,0.90]。
根据本公开的实施例,将三元组输入待训练的嵌入表示模型,输出的预测三元组中的预测头实体的嵌入表示可以为[0.12,0.23,0.45,0.61],预测关系的嵌入表示可以为[0.21,0.33,0.34,0.12],预测尾实体邻域中的一个预测尾实体的嵌入表示可以为[0.32,0.57,0.82,0.70],即嵌入表示模型对三元组中头实体、关系和尾实体的随机向量进行了调整。
需要说明的是,以上具体示例仅用于帮助本领域技术人员理解本公开,而非对本公开做出的任何不当限定。
根据本公开的实施例,目标函数可以由以下公式(1)表示。
其中,E表示样本知识图谱中的实体集合,h表示预测头实体的嵌入表示,t表示预测尾实体的嵌入表示,r表示预测关系的嵌入表示,L(h)表示头实体h的尾实体邻域。
根据本公开的实施例,在验证结果不满足预设条件的情况下,可以从样本知识图谱中获取另一三元组,并利用该三元组对潜入表示模型进行优化训练,直至对嵌入表示模型输出的预测三元组满足进行验证生成的验证结果满足预设条件。
图4示意性示出了根据本公开实施例的获取初始知识图谱的流程图。
如图4所示,该实施例的获取初始知识图谱包括操作S401~操作S404。
在操作S401,获取初始知识集。
根据本公开的实施例,可以通过对书籍进行OCR识别的方式获取与该书籍对应的知识,但不限于此,例如还可以利用爬虫对某一领域的知识网站进行抓取的方式来获取初始知识集。
根据本公开的实施例,初始知识集中的知识可以包括字、词、短语、句子或者图片中的任意一种或多种。
根据本公开的实施例,初始知识集中的知识一般比较杂乱,包括干扰信息,因此,需要对初始知识集中的知识进行过滤处理。
在操作S402,对初始知识集进行第一关键词过滤处理,生成第一知识集。
根据本公开的实施例,第一关键词例如可以包括敏感词、形容词、冠词、量词等无实际含义的词汇。
在操作S403,对第一知识集进行第二关键词提取,生成第二知识集。
根据本公开的实施例,第二关键词例如可以包括名词、动词以及副词。
在操作S404,根据第二知识集生成初始知识图谱,其中,初始知识图谱中的头实体、关系和尾实体由第一预设字符表示,其中,第一预设字符包括汉字或字母。
根据本公开的实施例,可以将第二知识集中的名词作为实体,副词作为关系构建初始知识图谱。
根据本公开的实施例,初始知识图谱中的头实体、关系和尾实体由第一预设字符表示,其中,第一预设字符包括汉字或字母。
根据本公开的实施例,由于根据第二知识集生成的初始知识图谱中的头实体、关系和尾实体是用汉字或者字母来表示的,因此,从初始知识图谱中获取的三元组无法直接作为训练样本输入到待训练的嵌入表示模型中对模型进行训练,从而,需要对初始知识图谱进行处理。
根据本公开的实施例,上述操作S202包括以下操作:
对初始知识图谱中的头实体、关系和尾实体进行随机初始化,以将第一预设字符转化为随机向量,生成样本知识图谱。
基于上述嵌入表示模型的训练方法,本公开还提供了一种基于知识图谱的问答方法。以下将结合图5对该方法进行详细描述。
图5示意性示出了根据本公开实施例的基于知识图谱的问答方法的流程图。
如图5所示,该实施例的基于知识图谱的问答方法包括操作S501~操作S504。
在操作S501,获取第一知识图谱。
在操作S502,将第一知识图谱输入嵌入表示模型,输出第一嵌入表示知识图谱,其中,嵌入表示模型由本公开实施例提供的嵌入表示模型的训练方法训练得到。
根据本公开的实施例,第一知识图谱可以是基于知识集生成的第一知识图谱。
根据本公开的实施例,第一知识图谱中头实体、关系和尾实体可以由汉字或字母表示。
根据本公开的实施例,通过利用嵌入表示模型处理第一知识图谱,得到第一嵌入表示模型,从而可以将第一知识图谱中的汉字或字母转化成对应的嵌入表示,并且,第一知识图谱中的头实体、关系和尾实体的嵌入表示满足尾实体邻域中多个尾实体中任一尾实体的嵌入表示与第一嵌入表示的差小于预设阈值。
在操作S503,获取待回答问题的描述信息,其中,待回答问题的描述信息包括头实体和关系。
根据本公开的实施例,待回答问题的描述信息例如可以包括“小明喜欢什么运动?”,在待回答问题的描述信息中,“小明”可以为头实体,“喜欢”可以为关系。
在操作S504,将待回答问题的描述信息输入第一嵌入表示知识图谱,输出与待回答问题的描述信息对应的答案,其中,答案包括根据头实体和关系确定的目标实体。
图6示意性示出了根据本公开实施例的将待回答问题的描述信息输入第一嵌入表示知识图谱,输出与待回答问题的描述信息对应的答案的流程图。
如图6所示,该实施例的将待回答问题的描述信息输入第一嵌入表示知识图谱,输出与待回答问题的描述信息对应的答案包括操作S601~操作S605。
在操作S601,根据待回答问题的描述信息确定头实体的嵌入表示和关系的嵌入表示。
根据本公开的实施例,获取到待回答问题的描述信息后,根据待回答问题的描述信息中包括的头实体和关系,从第一嵌入表示知识图谱中确定与待回答问题的描述信息中包括的头实体和关系对应的嵌入表示。
在操作S602,根据头实体的嵌入表示和关系的嵌入表示得到第二嵌入表示。
根据本公开的实施例,例如可以通过对头实体的嵌入表示与关系的嵌入表示进行求和,得到第二嵌入表示。
在操作S603,计算第二嵌入表示分别与第一嵌入表示知识图谱中多个实体的嵌入表示的多个相似度距离。
在操作S604,从多个相似度距离中确定相似度距离最小值。
在操作S605,将与相似度距离最小值对应的实体确定为目标实体。
根据本公开的实施例,由于现实世界的知识是不断增加和更新的,虽然知识图谱也可以更新和修改,但是还是无法完全表示现实世界的知识,也就是说,由于现实世界知识的更新,将会导致现实世界中的一些问题在知识图谱中找不到答案。
根据本公开的实施例,通过将与相似度距离最小值对应的实体确定为目标实体,从而可以对第一嵌入表示知识图谱中不存在的连接进行预测,得到待回答问题的答案。
根据本公开的实施例,操作S603包括:
根据欧式距离计算方法计算第二嵌入表示分别与第一嵌入表示知识图谱中多个实体的嵌入表示的多个欧式距离;或者
根据余弦距离计算方法计算第二嵌入表示分别与第一嵌入表示知识图谱中多个实体的嵌入表示的多个余弦距离。
基于上述嵌入表示模型的训练方法,本公开还提供了一种嵌入表示模型的训练装置。以下将结合图7对该装置进行详细描述。
图7示意性示出了根据本公开实施例的嵌入表示模型的训练装置的结构框图。
如图7所示,该实施例的嵌入表示模型的训练装置700包括第一获取模块701、预处理模块702、第二获取模块703和训练模块704。
第一获取模块701用于获取初始知识图谱。在一实施例中,第一获取模块701可以用于执行前文描述的操作S201,在此不再赘述。
预处理模块702用于对初始知识图谱进行预处理,生成样本知识图谱,其中,样本知识图谱中包括头实体、关系和尾实体,其中,样本知识图谱中的头实体、关系和尾实体由随机向量表示。在一实施例中,预处理模块702可以用于执行前文描述的操作S202,在此不再赘述。
第二获取模块703用于从样本知识图谱中获取三元组,其中,三元组包括头实体、关系以及尾实体邻域,其中,尾实体邻域包括由与头实体具有相同关系的多个尾实体组成的集合。在一实施例中,第二获取模块730可以用于执行前文描述的操作S203,在此不再赘述。
训练模块704用于利用三元组训练待训练的嵌入表示模型,得到训练完成的嵌入表示模型,其中,训练完成的嵌入表示模型输出的嵌入表示三元组中的头实体、关系以及尾实体邻域的嵌入表示满足预设条件。在一实施例中,训练模块704可以用于执行前文描述的操作S204,在此不再赘述。
根据本公开的实施例,训练模块704包括输入单元、验证单元和输出单元。
输入单元,用于将三元组输入待训练的嵌入表示模型,输出预测三元组,其中,预测三元组中的嵌入表示由嵌入表示模型对三元组中的随机变量进行调整而得到。
验证单元,用于利用目标函数对预测三元组进行验证,生成验证结果。
输出单元,用于在验证结果满足预设条件的情况下,输出训练完成的嵌入表示模型。
根据本公开的实施例,第一获取模块701包括第一获取单元、过滤单元、关键词提取单元和生成单元。
第一获取单元,用于获取初始知识集。
过滤单元,用于对知识集进行第一关键词过滤处理,生成第一知识集。
关键词提取单元,用于对第一知识集进行第二关键词提取,生成第二知识集。
生成单元,用于根据第二知识集生成初始知识图谱,其中,初始知识图谱中的头实体、关系和尾实体由第一预设字符表示,其中,第一预设字符包括汉字或字母。
根据本公开的实施例,初始知识图谱中的头实体、关系和尾实体由第一预设字符表示,其中,第一预设字符包括汉字或字母。
根据本公开的实施例,预处理模块702包括随机初始化单元。
随机初始化单元,用于对初始知识图谱中的头实体、关系和尾实体进行随机初始化,以将第一预设字符转化为随机向量,生成样本知识图谱。
基于上述基于知识图谱的问答方法,本公开还提供了一种基于知识图谱的问答装置。以下将结合图8对该装置进行详细描述。
图8示意性示出了根据本公开实施例的基于知识图谱的问答装置的结构框图。
如图8所示,该实施例的基于知识图谱的问答装置800包括第三获取模块801、输入模块802、第四获取模块803和输出模块804。
第三获取模块801用于获取第一知识图谱。在一实施例中,第三获取模块801可以用于执行前文描述的操作S501,在此不再赘述。
输入模块802用于将第一知识图谱输入嵌入表示模型,输出第一嵌入表示知识图谱,其中,嵌入表示模型由本公开实施例提供的嵌入表示模型的训练方法训练得到。在一实施例中,输入模块802可以用于执行前文描述的操作S502,在此不再赘述。
第四获取模块803用于获取待回答问题的描述信息,其中,待回答问题的描述信息包括头实体和关系。在一实施例中,第四获取模块830可以用于执行前文描述的操作S503,在此不再赘述。
输出模块804用于将待回答问题的描述信息输入第一嵌入表示知识图谱,输出与待回答问题的描述信息对应的答案,其中,答案包括根据头实体和关系确定的目标实体。在一实施例中,输出模块804可以用于执行前文描述的操作S504,在此不再赘述。
根据本公开的实施例,输出模块804包括第一确定单元、第二确定单元、计算单元、第三确定单元以及第四确定单元。
第一确定单元,用于根据待回答问题的描述信息确定头实体的嵌入表示和关系的嵌入表示。
第二确定单元,用于根据头实体的嵌入表示和关系的嵌入表示得到第二嵌入表示。
计算单元,用于计算第二嵌入表示分别与第一嵌入表示知识图谱中多个实体的嵌入表示的多个相似度距离。
第三确定单元,用于从多个相似度距离中确定相似度距离最小值。
第四确定单元,用于将与相似度距离最小值对应的实体确定为目标实体。
根据本公开的实施例,计算单元包括第一计算子单元和/或第二计算子单元。
第一计算子单元,用于根据欧式距离计算方法计算第二嵌入表示分别与第一嵌入表示知识图谱中多个实体的嵌入表示的多个欧式距离。
第二计算子单元,用于根据余弦距离计算方法计算第二嵌入表示分别与第一嵌入表示知识图谱中多个实体的嵌入表示的多个余弦距离。
根据本公开的实施例,第一获取模块701、预处理模块702、第二获取模块703、训练模块704、第三获取模块801、输入模块802、第四获取模块803和输出模块804中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,第一获取模块701、预处理模块702、第二获取模块703、训练模块704、第三获取模块801、输入模块802、第四获取模块803和输出模块804中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获取模块701、预处理模块702、第二获取模块703、训练模块704、第三获取模块801、输入模块802、第四获取模块803和输出模块804中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图9示意性示出了根据本公开实施例的适于实现嵌入表示模型的训练方法、基于知识图谱的问答方法的电子设备的方框图。
如图9所示,根据本公开实施例的电子设备900包括处理器901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中,存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备900还可以包括输入/输出(I/O)接口905,输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;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909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,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910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908。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储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执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于: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)、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。在本公开中,计算机可读存储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系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,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。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的嵌入表示模型的训练方法、基于知识图谱的问答方法。
在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分909被下载和安装,和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“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设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(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,图示了按照本公开各种实施例的系统、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,上述模块、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,框图或流程图中的每个方框、以及框图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系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (13)
1.一种嵌入表示模型的训练方法,包括:
获取初始知识图谱;
对所述初始知识图谱进行预处理,生成样本知识图谱,其中,所述样本知识图谱中包括头实体、关系和尾实体,其中,所述样本知识图谱中的所述头实体、关系和尾实体由随机向量表示;
从所述样本知识图谱中获取三元组,其中,所述三元组包括头实体、关系以及尾实体邻域,其中,所述尾实体邻域包括由与所述头实体具有相同关系的多个尾实体组成的集合;以及
利用所述三元组训练待训练的嵌入表示模型,得到训练完成的嵌入表示模型,其中,所述训练完成的嵌入表示模型输出的嵌入表示三元组中的所述头实体、所述关系以及所述尾实体邻域的嵌入表示满足预设条件。
2.根据权利要求1所述的方法,其中,所述利用所述三元组训练待训练的嵌入表示模型,得到训练完成的嵌入表示模型包括:
将所述三元组输入所述待训练的嵌入表示模型,输出预测三元组,其中,所述预测三元组中的嵌入表示由所述嵌入表示模型对所述三元组中的随机变量进行调整而得到;
利用目标函数对所述预测三元组进行验证,生成验证结果;
在所述验证结果满足所述预设条件的情况下,输出所述训练完成的嵌入表示模型。
3.根据权利要求1或2所述的方法,其中,所述预设条件包括:
所述尾实体邻域中多个所述尾实体中任一尾实体的嵌入表示与第一嵌入表示的差小于预设阈值,其中,所述第一嵌入表示由所述头实体的嵌入表示与所述关系的嵌入表示相加得到。
4.根据权利要求1所述的方法,其中,所述获取初始知识图谱包括:
获取初始知识集;
对所述初始知识集进行第一关键词过滤处理,生成第一知识集;
对所述第一知识集进行第二关键词提取,生成第二知识集;
根据所述第二知识集生成所述初始知识图谱,其中,所述初始知识图谱中的头实体、关系和尾实体由第一预设字符表示,其中,所述第一预设字符包括汉字或字母。
5.根据权利要求1所述的方法,其中,所述初始知识图谱中的头实体、关系和尾实体由第一预设字符表示,其中,所述第一预设字符包括汉字或字母;
所述对所述初始知识图谱进行预处理,生成样本知识图谱包括:
对所述初始知识图谱中的所述头实体、所述关系和所述尾实体进行随机初始化,以将所述第一预设字符转化为随机向量,生成所述样本知识图谱。
6.一种基于知识图谱的问答方法,包括:
获取第一知识图谱;
将所述第一知识图谱输入嵌入表示模型,输出第一嵌入表示知识图谱,其中,所述嵌入表示模型由权利要求1至5任一项所述的嵌入表示模型的训练方法训练得到;
获取待回答问题的描述信息,其中,所述待回答问题的描述信息包括头实体和关系;
将所述待回答问题的描述信息输入所述第一嵌入表示知识图谱,输出与所述待回答问题的描述信息对应的答案,其中,所述答案包括根据所述头实体和所述关系确定的目标实体。
7.根据权利要求6所述的方法,其中,所述将所述待回答问题的描述信息输入所述第一嵌入表示知识图谱,输出与所述待回答问题的描述信息对应的答案包括:
根据待回答问题的描述信息确定所述头实体的嵌入表示和所述关系的嵌入表示;
根据所述头实体的嵌入表示和所述关系的嵌入表示得到第二嵌入表示;
计算所述第二嵌入表示分别与所述第一嵌入表示知识图谱中多个实体的嵌入表示的多个相似度距离;
从所述多个相似度距离中确定相似度距离最小值;
将与所述相似度距离最小值对应的实体确定为所述目标实体。
8.根据权利要求7所述的方法,所述计算所述第二嵌入表示分别与所述第一嵌入表示知识图谱中多个实体的嵌入表示的多个相似度距离包括:
根据欧式距离计算方法计算所述第二嵌入表示分别与所述第一嵌入表示知识图谱中多个实体的嵌入表示的多个欧式距离;或者
根据余弦距离计算方法计算所述第二嵌入表示分别与所述第一嵌入表示知识图谱中多个实体的嵌入表示的多个余弦距离。
9.一种嵌入表示模型的训练装置,包括:
第一获取模块,用于获取初始知识图谱;
预处理模块,用于对所述初始知识图谱进行预处理,生成样本知识图谱,其中,所述样本知识图谱中包括头实体、关系和尾实体,其中,所述样本知识图谱中的所述头实体、关系和尾实体由随机向量表示;以及
第二获取模块,用于从所述样本知识图谱中获取三元组,其中,所述三元组包括头实体、关系以及尾实体邻域,其中,所述尾实体邻域包括由与所述头实体具有相同关系的多个尾实体组成的集合;
训练模块,用于利用所述三元组训练待训练的嵌入表示模型,得到训练完成的嵌入表示模型,其中,所述训练完成的嵌入表示模型输出的嵌入表示三元组中的所述头实体、所述关系以及所述尾实体邻域的嵌入表示满足预设条件。
10.一种基于知识图谱的问答装置,包括:
第三获取模块,用于获取第一知识图谱;
输入模块,用于将所述第一知识图谱输入嵌入表示模型,输出第一嵌入表示知识图谱,其中,所述嵌入表示模型由权利要求1至5任一项所述的嵌入表示模型的训练方法训练得到;
第四获取模块,用于获取待回答问题的描述信息,其中,所述待回答问题的描述信息包括头实体和关系;
输出模块,用于将所述待回答问题的描述信息输入所述第一嵌入表示知识图谱,输出与所述待回答问题的描述信息对应的答案,其中,所述答案包括根据所述头实体和所述关系确定的目标实体。
11.一种电子设备,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,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~8中任一项所述的方法。
12.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~8中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110816001.3A CN113553386A (zh) | 2021-07-19 | 2021-07-19 | 嵌入表示模型训练方法、基于知识图谱的问答方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110816001.3A CN113553386A (zh) | 2021-07-19 | 2021-07-19 | 嵌入表示模型训练方法、基于知识图谱的问答方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113553386A true CN113553386A (zh) | 2021-10-26 |
Family
ID=78103440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110816001.3A Pending CN113553386A (zh) | 2021-07-19 | 2021-07-19 | 嵌入表示模型训练方法、基于知识图谱的问答方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113553386A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114186078A (zh) * | 2021-12-17 | 2022-03-15 | 沈阳东软智能医疗科技研究院有限公司 | 知识图谱的表示学习方法、装置、存储介质及电子设备 |
-
2021
- 2021-07-19 CN CN202110816001.3A patent/CN113553386A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114186078A (zh) * | 2021-12-17 | 2022-03-15 | 沈阳东软智能医疗科技研究院有限公司 | 知识图谱的表示学习方法、装置、存储介质及电子设备 |
CN114186078B (zh) * | 2021-12-17 | 2023-07-21 | 沈阳东软智能医疗科技研究院有限公司 | 知识图谱的表示学习方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11868864B2 (en) | Implementing neural networks in fixed point arithmetic computing systems | |
US10650102B2 (en) | Method and apparatus for generating parallel text in same language | |
US11455473B2 (en) | Vector representation based on context | |
WO2022007823A1 (zh) | 一种文本数据处理方法及装置 | |
US20240143700A1 (en) | Multimodal Image Classifier using Textual and Visual Embeddings | |
CN111428010B (zh) | 人机智能问答的方法和装置 | |
CN109858045B (zh) | 机器翻译方法和装置 | |
US20220391587A1 (en) | Method of training image-text retrieval model, method of multimodal image retrieval, electronic device and medium | |
US10838993B2 (en) | Augment politeness in question answer systems | |
WO2023005386A1 (zh) | 模型训练方法和装置 | |
CN107766498B (zh) | 用于生成信息的方法和装置 | |
CN113569740A (zh) | 视频识别模型训练方法与装置、视频识别方法与装置 | |
CN114612688B (zh) | 对抗样本生成方法、模型训练方法、处理方法及电子设备 | |
US10671909B2 (en) | Decreasing neural network inference times using softmax approximation | |
JP2023002690A (ja) | セマンティックス認識方法、装置、電子機器及び記憶媒体 | |
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 | |
US10558760B2 (en) | Unsupervised template extraction | |
CN113553386A (zh) | 嵌入表示模型训练方法、基于知识图谱的问答方法及装置 | |
CN112307738A (zh) | 用于处理文本的方法和装置 | |
JP2022541832A (ja) | 画像を検索するための方法及び装置 | |
CN111858916B (zh) | 用于聚类句子的方法和装置 | |
US10783141B2 (en) | Natural language processing social-based matrix refactorization | |
US9946765B2 (en) | Building a domain knowledge and term identity using crowd sourcing | |
CN114238611B (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN115759292A (zh) | 模型的训练方法及装置、语义识别方法及装置、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 |