CN113641724A - 知识标签挖掘方法、装置、电子设备及存储介质 - Google Patents
知识标签挖掘方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113641724A CN113641724A CN202110830492.7A CN202110830492A CN113641724A CN 113641724 A CN113641724 A CN 113641724A CN 202110830492 A CN202110830492 A CN 202110830492A CN 113641724 A CN113641724 A CN 113641724A
- Authority
- CN
- China
- Prior art keywords
- candidate sequence
- candidate
- sample set
- sequences
- negative
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005065 mining Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims description 57
- 238000000605 extraction Methods 0.000 claims description 34
- 238000005070 sampling Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000003058 natural language processing Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000001358 Pearson's chi-squared test Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 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
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了知识标签挖掘方法、装置、电子设备及存储介质,涉及深度学习、自然语言处理以及知识图谱等人工智能领域,其中的方法可包括:从文本语料中挖掘出候选序列,组成候选序列集合;根据候选序列集合生成第一正样本集合以及第一负样本集合,其中,候选序列集合中的任一候选序列均位于第一正样本集合或第一负样本集合中;根据第一正样本集合以及第一负样本集合训练得到第一评分模型,利用第一评分模型分别确定出候选序列集合中的各候选序列的第一质量评分;根据第一质量评分从候选序列集合中选出符合要求的候选序列,作为挖掘出的知识标签。应用本公开所述方案,可提升获取到的知识标签的准确性等。
Description
技术领域
本公开涉及人工智能技术领域,特别涉及深度学习、自然语言处理以及知识图谱等领域的知识标签挖掘方法、装置、电子设备及存储介质。
背景技术
知识标签挖掘是指针对给定的文本语料,如可包括行业文档、论文和新闻资讯等,从中自动提取出高质量的短语标签的过程,对于下游的知识体系构建、文档内容理解、文档信息抽取等非常重要。
目前的知识标签挖掘方式包括无监督学习等方式,即可首先从文本语料中挖掘出候选序列,之后可通过计算紧密度和自由度等指标从中筛选出符合要求的候选序列,作为挖掘出的知识标签。但是,这种方式的准确性通常较差。
发明内容
本公开提供了知识标签挖掘方法、装置、电子设备及存储介质。
一种知识标签挖掘方法,包括:
从文本语料中挖掘出候选序列,组成候选序列集合;
根据所述候选序列集合生成第一正样本集合以及第一负样本集合,其中,所述候选序列集合中的任一候选序列均位于所述第一正样本集合或所述第一负样本集合中;
根据所述第一正样本集合以及所述第一负样本集合训练得到第一评分模型,利用所述第一评分模型分别确定出所述候选序列集合中的各候选序列的第一质量评分;
根据所述第一质量评分从所述候选序列集合中选出符合要求的候选序列,作为挖掘出的知识标签。
一种知识标签挖掘装置,包括:第一处理模块、第二处理模块、第三处理模块以及第四处理模块;
所述第一处理模块,用于从文本语料中挖掘出候选序列,组成候选序列集合;
所述第二处理模块,用于根据所述候选序列集合生成第一正样本集合以及第一负样本集合,其中,所述候选序列集合中的任一候选序列均位于所述第一正样本集合或所述第一负样本集合中;
所述第三处理模块,用于根据所述第一正样本集合以及所述第一负样本集合训练得到第一评分模型,利用所述第一评分模型分别确定出所述候选序列集合中的各候选序列的第一质量评分;
所述第四处理模块,用于根据所述第一质量评分从所述候选序列集合中选出符合要求的候选序列,作为挖掘出的知识标签。
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如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行如以上所述的方法。
一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如以上所述的方法。
上述公开中的一个实施例具有如下优点或有益效果:针对获取到的各候选序列,可分别利用训练得到的评分模型确定出其质量评分,进而可根据质量评分筛选出符合要求的候选序列,作为挖掘出的知识标签,从而提升了获取到的知识标签的准确性等。
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为本公开所述知识标签挖掘方法实施例的流程图;
图2为本公开所述知识标签挖掘方法的整体实现过程示意图;
图3为本公开所述知识标签挖掘装置实施例300的组成结构示意图;
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。
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。
另外,应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本公开所述知识标签挖掘方法实施例的流程图。如图1所示,包括以下具体实现方式。
在步骤101中,从文本语料中挖掘出候选序列,组成候选序列集合。
在步骤102中,根据候选序列集合生成第一正样本集合以及第一负样本集合,其中,候选序列集合中的任一候选序列均位于第一正样本集合或第一负样本集合中。
在步骤103中,根据第一正样本集合以及第一负样本集合训练得到第一评分模型,利用第一评分模型分别确定出候选序列集合中的各候选序列的第一质量评分。
在步骤104中,根据第一质量评分从候选序列集合中选出符合要求的候选序列,作为挖掘出的知识标签。
上述方法实施例所述方案中,针对获取到的各候选序列,可分别利用训练得到的评分模型确定出其质量评分,进而可根据质量评分筛选出符合要求的候选序列,作为挖掘出的知识标签,从而提升了获取到的知识标签的准确性等。
如何从文本语料中挖掘出候选序列不作限制,比如,针对文本语料,可基于N元模型(n-gram)生成大量的词序列,进而可从这些词序列中选出频繁出现(即出现频率大于预定阈值)的词序列,作为挖掘出的候选序列。
可利用挖掘出的候选序列组成候选序列集合。本公开的一个实施例中,还可从挖掘出的候选序列中过滤掉不符合要求的候选序列,利用保留下来的候选序列组成所述候选序列集合。
挖掘出的候选序列中可能存在大量的非短语序列,这些候选序列会对后续处理造成干扰,而且也会增加后续处理的工作量,因此可先过滤掉,以提升后续的处理效率以及处理结果的准确性等。
本公开的一个实施例中,在从挖掘出的候选序列中过滤掉不符合要求的候选序列时,针对任一候选序列,若确定该候选序列与预先构建的任一短语模板相匹配,则可确定该候选序列为符合要求的候选序列,否则,可确定该候选序列为不符合要求的候选序列。
可根据领域已积累的实体词组成的实体词典以及通过对文本语料进行分析得到的短语标签的词性及句法依存特征等,构建多个短语模板,具体数量可根据实际需要而定。所述短语模板可包括名词和名词的组合、形容词和名词的组合、主谓短语等。
针对任一候选序列,若确定该候选序列与所构建的任一短语模板相匹配,那么则可认为该候选序列为符合要求的候选序列,否则,可认为该候选序列为不符合要求的候选序列。
通过上述方式,可高效准确地筛选掉不符合要求的候选序列,从而为后续处理奠定了良好的基础。
根据候选序列集合,可生成第一正样本集合以及第一负样本集合,其中,候选序列集合中的任一候选序列均位于第一正样本集合或第一负样本集合中。也就是说,对于候选序列集合中的任一候选序列来说,其要么属于第一正样本集合,要么属于第一负样本集合。
本公开的一个实施例中,可分别获取候选序列集合中的各候选序列的第二质量评分,并可利用候选序列集合中第二质量评分大于预定阈值的候选序列组成第一正样本集合,利用候选序列集合中第二质量评分小于或等于预定阈值的候选序列组成第一负样本集合。
本公开的一个实施例中,可首先确定出候选序列集合中出现在预先构建的实体词典中的候选序列,利用确定出的候选序列组成第二正样本集合,并可对候选序列集合中未出现在实体词典中的候选序列进行负采样,利用负采样得到的候选序列组成第二负样本集合,进而可根据第二正样本集合以及第二负样本集合训练得到第二评分模型,利用第二评分模型分别确定出候选序列集合中的各候选序列的第二质量评分。
实体词典中具体包括哪些内容可根据实际情况而定。可利用实体词典作为远程监督词库,将候选序列集合与实体词典的交集作为正样本,即可将候选序列集合中出现在实体词典中的候选序列作为正样本。
相应地,可对候选序列集合中未出现在实体词典中的候选序列进行负采样,以得到负样本。负样本和正样本的数量比例可根据实际需要而定。
本公开所述方案中,提出了四个维度的统计特征来衡量候选序列的可用性,如可包括:词频、紧密度、互信息和完整性。其中,词频是指候选序列在文本语料中的出现频率,紧密度主要用于评估候选序列中连续词汇的共现强度,可采用T分布检验、皮尔森卡方检验、逐点互信息、似然比等指标,互信息用于衡量候选序列所具有的真实意义,通常来说,知识标签需要指代某个实体或概念等,完整性用于衡量候选序列的完整程度,知识标签应当在给定的上下文环境中作为整体解释存在。如何获取各特征为现有技术。
可将提取出的这些特征作为模型的输入,根据第二正样本集合和第二负样本集合,训练得到第二评分模型,并可利用第二评分模型分别确定出候选序列集合中的各候选序列的第二质量评分,如针对任一候选序列,可分别提取该候选序列的上述特征,并输入到第二评分模型,从而得到输出的该候选序列的第二质量评分。
可以看出,上述处理方式中,借助于实体词典,可快速地构建出第二正样本集合和第二负样本集合,进而可训练得到第二评分模型,从而可利用第二评分模型分别对候选序列集合中的各候选序列进行评分,以便根据所述评分进一步构建出后续处理所需的第一正样本集合以及第一负样本集合。
本公开的一个实施例中,第二评分模型可为M个,M为正整数。
当M大于一时,可对候选序列集合中未出现在实体词典中的候选序列分别进行M次负采样,利用M次负采样得到的候选序列组成M个第二负样本集合,相应地,可根据第二正样本集合以及每个第二负样本集合,分别训练得到一个第二评分模型,这样,针对候选序列集合中的任一候选序列,可分别利用M个第二评分模型确定出该候选序列的第二质量评分,并可综合M个第二质量评分确定出该候选序列的最终的第二质量评分。
比如,M的取值为3,那么可进行3次负采样,从而得到3个第二负样本集合,根据第二正样本集合以及3个第二负样本集合,可训练得到3个第二评分模型,针对候选序列集合中的任一候选序列,可分别利用这3个第二评分模型确定出该候选序列的第二质量评分,从而可得到3个第二质量评分,进而可综合这3个第二质量评分,如计算这3个第二质量评分的均值,将计算结果作为该候选序列的最终的第二质量评分。
如前所述,第二负样本集合中的负样本采用了负采样的方式获取,其中很可能混合了少量高质量的候选序列,即很可能混合了少量本应作为正样本的候选序列,为了减少负例噪声的影响,可采用上述多次负采样及相应地训练得到多个第二评分模型的方式,以提升评分结果的准确性等。
根据得到的第一正样本集合以及第一负样本集合,可训练得到第一评分模型,并可利用第一评分模型分别确定出候选序列集合中的各候选序列的第一质量评分,进而可根据第一质量评分从候选序列集合中选出符合要求的候选序列,作为挖掘出的知识标签。
比如,在分别确定出候选序列集合中的各候选序列的第一质量评分后,可将第一质量评分大于预定阈值的候选序列作为符合要求的候选序列,即作为挖掘出的知识标签。
上述各阈值的具体取值均可根据实际需要而定。
本公开的一个实施例中,还可利用第一正样本集合以及第一负样本集合训练得到短语抽取模型(序列标注),并可利用短语抽取模型对文本语料进行短语抽取,进而可结合候选序列集合中的各候选序列的第一质量评分以及抽取结果,确定出所需的知识标签。
比如,若某一候选序列的第一质量评分大于预定取值,且该候选序列为从文本语料中抽取出的一个短语,那么则可将该候选序列作为一个挖掘出的知识标签。
再比如,若某一候选序列的第一质量评分大于预定取值,但该候选序列未包括在从文本语料中抽取出的短语中,那么则不会将该候选序列作为一个挖掘出的知识标签。
通过结合上述两种方式,可进一步提升获取到的知识标签的准确性等。
本公开的一个实施例中,第一评分模型可为基于预训练模型训练得到的第一评分模型,和/或,短语抽取模型可为基于预训练模型训练得到的短语抽取模型。
通过选用预训练模型,可提升第一评分模型以及短语抽取模型的训练效率和训练效果等。
本公开的一个实施例中,还可根据候选序列集合中的各候选序列的第一质量评分,通过自举(Bootstrapping)方式更新第一正样本集合以及第一负样本集合,迭代训练第一评分模型以及短语抽取模型。
比如,基于得到的候选序列集合中的各候选序列的第一质量评分,可利用候选序列集合中第一质量评分大于预定阈值的候选序列组成第一正样本集合,利用候选序列集合中第一质量评分小于或等于预定阈值的候选序列组成第一负样本集合,相比于原来的第一正样本集合和第一负样本集合,可能部分正样本变为了负样本,部分负样本变为了正样本,之后,可根据最新得到的第一正样本集合以及第一负样本集合训练第一评分模型以及短语抽取模型,即对第一评分模型以及短语抽取模型进行进一步优化,之后可重复上述过程,直到重复次数达到预定次数等。
通过上述处理,可有效减少伪正例和伪负例造成的影响,进而进一步提升了第一评分模型以及短语抽取模型的训练效果等。
基于上述介绍,图2为本公开所述知识标签挖掘方法的整体实现过程示意图。
如图2所示,针对文本语料,可首先从中挖掘出候选序列,并且,可从挖掘出的候选序列中过滤掉不符合要求的候选序列,利用保留下的候选序列组成候选序列集合。其中,针对任一候选序列,若确定该候选序列与预先构建的任一短语模板相匹配,则可确定该候选序列为符合要求的候选序列,否则,可确定该候选序列为不符合要求的候选序列。
如图2所示,之后,可构建出第二正样本集合以及第二负样本集合,其中,可确定出候选序列集合中出现在预先构建的实体词典中的候选序列,利用确定出的候选序列组成第二正样本集合,并可对候选序列集合中未出现在实体词典中的候选序列进行负采样,利用负采样得到的候选序列组成第二负样本集合,进而可根据第二正样本集合以及第二负样本集合训练得到第二评分模型,并可利用第二评分模型分别确定出候选序列集合中的各候选序列的第二质量评分。
如图2所示,可构建出第一正样本集合和第一负样本集合,其中,可利用候选序列集合中第二质量评分大于预定阈值的候选序列组成第一正样本集合,利用候选序列集合中第二质量评分小于或等于预定阈值的候选序列组成第一负样本集合。
如图2所示,可根据第一正样本集合以及第一负样本集合分别训练得到第一评分模型和短语抽取模型,并可利用第一评分模型分别确定出候选序列集合中的各候选序列的第一质量评分,利用短语抽取模型对文本语料进行短语抽取,进而可结合候选序列集合中的各候选序列的第一质量评分以及从文本语料中抽取出的短语,确定出最终的知识标签。
另外,还可根据候选序列集合中的各候选序列的第一质量评分,通过Bootstrapping方式更新第一正样本集合以及第一负样本集合,迭代训练第一评分模型以及短语抽取模型。
需要说明的是,对于前述的方法实施例,为了简单描述,将其表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本公开所必须的。
总之,采用本公开方法实施例所述方案,可结合无监督、有监督和远监督等方式,高效准确地挖掘出所需的知识标签,且对于各种场景均有较好的实现效果,即具有普遍适应性。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图3为本公开所述知识标签挖掘装置实施例300的组成结构示意图。如图3所示,包括:第一处理模块301、第二处理模块302、第三处理模块303以及第四处理模块304。
第一处理模块301,用于从文本语料中挖掘出候选序列,组成候选序列集合。
第二处理模块302,用于根据候选序列集合生成第一正样本集合以及第一负样本集合,其中,候选序列集合中的任一候选序列均位于第一正样本集合或第一负样本集合中。
第三处理模块303,用于根据第一正样本集合以及第一负样本集合训练得到第一评分模型,利用第一评分模型分别确定出候选序列集合中的各候选序列的第一质量评分。
第四处理模块304,用于根据第一质量评分从候选序列集合中选出符合要求的候选序列,作为挖掘出的知识标签。
本公开的一个实施例中,第一处理模块301还可从挖掘出的候选序列中过滤掉不符合要求的候选序列,利用保留下来的候选序列组成所述候选序列集合。
本公开的一个实施例中,第一处理模块301在从挖掘出的候选序列中过滤掉不符合要求的候选序列时,针对任一候选序列,若确定该候选序列与预先构建的任一短语模板相匹配,则可确定该候选序列为符合要求的候选序列,否则,可确定该候选序列为不符合要求的候选序列。
根据候选序列集合,第二处理模块302可生成第一正样本集合以及第一负样本集合,其中,候选序列集合中的任一候选序列均位于第一正样本集合或第一负样本集合中。
本公开的一个实施例中,第二处理模块302可分别获取候选序列集合中的各候选序列的第二质量评分,并可利用候选序列集合中第二质量评分大于预定阈值的候选序列组成第一正样本集合,利用候选序列集合中第二质量评分小于或等于预定阈值的候选序列组成第一负样本集合。
本公开的一个实施例中,第二处理模块302可首先确定出候选序列集合中出现在预先构建的实体词典中的候选序列,利用确定出的候选序列组成第二正样本集合,并可对候选序列集合中未出现在实体词典中的候选序列进行负采样,利用负采样得到的候选序列组成第二负样本集合,进而可根据第二正样本集合以及第二负样本集合训练得到第二评分模型,利用第二评分模型分别确定出候选序列集合中的各候选序列的第二质量评分。
本公开的一个实施例中,第二评分模型为M个,M为正整数。
当M大于一时,第二处理模块302可对候选序列集合中未出现在实体词典中的候选序列分别进行M次负采样,利用M次负采样得到的候选序列组成M个第二负样本集合,相应地,可根据第二正样本集合以及每个第二负样本集合,分别训练得到一个第二评分模型,这样,针对候选序列集合中的任一候选序列,可分别利用M个第二评分模型确定出该候选序列的第二质量评分,并可综合M个第二质量评分确定出该候选序列的最终的第二质量评分。
根据得到的第一正样本集合以及第一负样本集合,第三处理模块303可训练得到第一评分模型,并可利用第一评分模型分别确定出候选序列集合中的各候选序列的第一质量评分。相应地,第四处理模块304可根据第一质量评分从候选序列集合中选出符合要求的候选序列,作为挖掘出的知识标签。
本公开的一个实施例中,第三处理模块303还可利用第一正样本集合以及第一负样本集合训练得到短语抽取模型,并可利用短语抽取模型对文本语料进行短语抽取。相应地,第四处理模块304可结合候选序列集合中的各候选序列的第一质量评分以及抽取结果,确定出所需的知识标签。
本公开的一个实施例中,第一评分模型可为基于预训练模型训练得到的第一评分模型,和/或,短语抽取模型可为基于预训练模型训练得到的短语抽取模型。
本公开的一个实施例中,第三处理模块303还可根据候选序列集合中的各候选序列的第一质量评分,通过Bootstrapping方式更新第一正样本集合以及第一负样本集合,迭代训练第一评分模型以及短语抽取模型。
图3所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明,不再赘述。
总之,采用本公开装置实施例所述方案,可结合无监督、有监督和远监督等方式,高效准确地挖掘出所需的知识标签,且对于各种场景均有较好的实现效果,即具有普遍适应性。
本公开所述方案可应用于人工智能领域,特别涉及深度学习、自然语言处理以及知识图谱等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术,人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术,人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、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,个人数字助理、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4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400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401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401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401执行上文所描述的各个方法和处理,例如本公开所述的方法。例如,在一些实施例中,本公开所述的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408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行本公开所述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开所述的方法。
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,也可以为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 (21)
1.一种知识标签挖掘方法,包括:
从文本语料中挖掘出候选序列,组成候选序列集合;
根据所述候选序列集合生成第一正样本集合以及第一负样本集合,其中,所述候选序列集合中的任一候选序列均位于所述第一正样本集合或所述第一负样本集合中;
根据所述第一正样本集合以及所述第一负样本集合训练得到第一评分模型,利用所述第一评分模型分别确定出所述候选序列集合中的各候选序列的第一质量评分;
根据所述第一质量评分从所述候选序列集合中选出符合要求的候选序列,作为挖掘出的知识标签。
2.根据权利要求1所述的方法,还包括:
从挖掘出的候选序列中过滤掉不符合要求的候选序列,利用保留下的候选序列组成所述候选序列集合。
3.根据权利要求2所述的方法,其中,所述从挖掘出的候选序列中过滤掉不符合要求的候选序列包括:
针对任一候选序列,若确定所述候选序列与预先构建的任一短语模板相匹配,则确定所述候选序列为符合要求的候选序列,否则,确定所述候选序列为不符合要求的候选序列。
4.根据权利要求1所述的方法,其中,所述根据所述候选序列集合生成第一正样本集合以及第一负样本集合包括:
分别获取所述候选序列集合中的各候选序列的第二质量评分;
利用所述候选序列集合中所述第二质量评分大于预定阈值的候选序列组成所述第一正样本集合,利用所述候选序列集合中所述第二质量评分小于或等于所述预定阈值的候选序列组成所述第一负样本集合。
5.根据权利要求4所述的方法,其中,所述分别获取所述候选序列集合中的各候选序列的第二质量评分包括:
确定出所述候选序列集合中出现在预先构建的实体词典中的候选序列,利用确定出的候选序列组成第二正样本集合;
对所述候选序列集合中未出现在所述实体词典中的候选序列进行负采样,利用负采样得到的候选序列组成第二负样本集合;
根据所述第二正样本集合以及所述第二负样本集合训练得到第二评分模型,利用所述第二评分模型分别确定出所述候选序列集合中的各候选序列的所述第二质量评分。
6.根据权利要求5所述的方法,其中,
所述第二评分模型为M个,M为正整数;
所述方法还包括:当M大于一时,对所述候选序列集合中未出现在所述实体词典中的候选序列分别进行M次负采样,利用M次负采样得到的候选序列组成M个第二负样本集合;
根据所述第二正样本集合以及每个第二负样本集合,分别训练得到一个第二评分模型;
针对所述候选序列集合中的任一候选序列,分别利用M个第二评分模型确定出所述候选序列的第二质量评分,综合M个第二质量评分确定出所述候选序列的最终的第二质量评分。
7.根据权利要求1~6中任一项所述的方法,还包括:
利用所述第一正样本集合以及所述第一负样本集合训练得到短语抽取模型,利用所述短语抽取模型对所述文本语料进行短语抽取;
结合所述候选序列集合中的各候选序列的所述第一质量评分以及抽取结果,确定出所述知识标签。
8.根据权利要求7所述的方法,还包括:
根据所述候选序列集合中的各候选序列的所述第一质量评分,通过自举Bootstrapping方式更新所述第一正样本集合以及所述第一负样本集合,迭代训练所述第一评分模型以及所述短语抽取模型。
9.根据权利要去7所述的方法,其中,
所述第一评分模型包括:基于预训练模型训练得到的第一评分模型;
和/或,所述短语抽取模型包括:基于预训练模型训练得到的短语抽取模型。
10.一种知识标签挖掘装置,包括:第一处理模块、第二处理模块、第三处理模块以及第四处理模块;
所述第一处理模块,用于从文本语料中挖掘出候选序列,组成候选序列集合;
所述第二处理模块,用于根据所述候选序列集合生成第一正样本集合以及第一负样本集合,其中,所述候选序列集合中的任一候选序列均位于所述第一正样本集合或所述第一负样本集合中;
所述第三处理模块,用于根据所述第一正样本集合以及所述第一负样本集合训练得到第一评分模型,利用所述第一评分模型分别确定出所述候选序列集合中的各候选序列的第一质量评分;
所述第四处理模块,用于根据所述第一质量评分从所述候选序列集合中选出符合要求的候选序列,作为挖掘出的知识标签。
11.根据权利要求10所述的装置,其中,
所述第一处理模块进一步用于,从挖掘出的候选序列中过滤掉不符合要求的候选序列,利用保留下的候选序列组成所述候选序列集合。
12.根据权利要求11所述的装置,其中,
所述第一处理模块针对任一候选序列,若确定所述候选序列与预先构建的任一短语模板相匹配,则确定所述候选序列为符合要求的候选序列,否则,确定所述候选序列为不符合要求的候选序列。
13.根据权利要求10所述的装置,其中,
所述第二处理模块分别获取所述候选序列集合中的各候选序列的第二质量评分,利用所述候选序列集合中所述第二质量评分大于预定阈值的候选序列组成所述第一正样本集合,利用所述候选序列集合中所述第二质量评分小于或等于所述预定阈值的候选序列组成所述第一负样本集合。
14.根据权利要求13所述的装置,其中,
所述第二处理模块确定出所述候选序列集合中出现在预先构建的实体词典中的候选序列,利用确定出的候选序列组成第二正样本集合,对所述候选序列集合中未出现在所述实体词典中的候选序列进行负采样,利用负采样得到的候选序列组成第二负样本集合,根据所述第二正样本集合以及所述第二负样本集合训练得到第二评分模型,利用所述第二评分模型分别确定出所述候选序列集合中的各候选序列的所述第二质量评分。
15.根据权利要求14所述的装置,其中,
所述第二评分模型为M个,M为正整数;
所述第二处理模块进一步用于,当M大于一时,对所述候选序列集合中未出现在所述实体词典中的候选序列分别进行M次负采样,利用M次负采样得到的候选序列组成M个第二负样本集合,根据所述第二正样本集合以及每个第二负样本集合,分别训练得到一个第二评分模型,针对所述候选序列集合中的任一候选序列,分别利用M个第二评分模型确定出所述候选序列的第二质量评分,综合M个第二质量评分确定出所述候选序列的最终的第二质量评分。
16.根据权利要求10~15中任一项所述的装置,其中,
所述第三处理模块进一步用于,利用所述第一正样本集合以及所述第一负样本集合训练得到短语抽取模型,利用所述短语抽取模型对所述文本语料进行短语抽取;
所述第四处理模块进一步用于,结合所述候选序列集合中的各候选序列的所述第一质量评分以及抽取结果,确定出所述知识标签。
17.根据权利要求16所述的装置,其中,
所述第三处理模块进一步用于,根据所述候选序列集合中的各候选序列的所述第一质量评分,通过自举Bootstrapping方式更新所述第一正样本集合以及所述第一负样本集合,迭代训练所述第一评分模型以及所述短语抽取模型。
18.根据权利要去16所述的装置,其中,
所述第一评分模型包括:基于预训练模型训练得到的第一评分模型;
和/或,所述短语抽取模型包括:基于预训练模型训练得到的短语抽取模型。
19.一种电子设备,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1-9中任一项所述的方法。
20.一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计算机执行根据权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110830492.7A CN113641724B (zh) | 2021-07-22 | 2021-07-22 | 知识标签挖掘方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110830492.7A CN113641724B (zh) | 2021-07-22 | 2021-07-22 | 知识标签挖掘方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113641724A true CN113641724A (zh) | 2021-11-12 |
CN113641724B CN113641724B (zh) | 2024-01-19 |
Family
ID=78418068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110830492.7A Active CN113641724B (zh) | 2021-07-22 | 2021-07-22 | 知识标签挖掘方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113641724B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033668A (zh) * | 2023-10-07 | 2023-11-10 | 之江实验室 | 一种知识图谱质量评估方法、装置、存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150100524A1 (en) * | 2013-10-07 | 2015-04-09 | Microsoft Corporation | Smart selection of text spans |
CN110874536A (zh) * | 2018-08-29 | 2020-03-10 | 阿里巴巴集团控股有限公司 | 语料质量评估模型生成方法和双语句对互译质量评估方法 |
CN111259664A (zh) * | 2020-01-14 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 医学文本信息的确定方法、装置、设备及存储介质 |
US20210012215A1 (en) * | 2019-07-09 | 2021-01-14 | Baidu Usa Llc | Hierarchical multi-task term embedding learning for synonym prediction |
CN112417093A (zh) * | 2020-11-11 | 2021-02-26 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
-
2021
- 2021-07-22 CN CN202110830492.7A patent/CN113641724B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150100524A1 (en) * | 2013-10-07 | 2015-04-09 | Microsoft Corporation | Smart selection of text spans |
CN110874536A (zh) * | 2018-08-29 | 2020-03-10 | 阿里巴巴集团控股有限公司 | 语料质量评估模型生成方法和双语句对互译质量评估方法 |
US20210012215A1 (en) * | 2019-07-09 | 2021-01-14 | Baidu Usa Llc | Hierarchical multi-task term embedding learning for synonym prediction |
CN111259664A (zh) * | 2020-01-14 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 医学文本信息的确定方法、装置、设备及存储介质 |
CN112417093A (zh) * | 2020-11-11 | 2021-02-26 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033668A (zh) * | 2023-10-07 | 2023-11-10 | 之江实验室 | 一种知识图谱质量评估方法、装置、存储介质及电子设备 |
CN117033668B (zh) * | 2023-10-07 | 2024-01-26 | 之江实验室 | 一种知识图谱质量评估方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113641724B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113705187B (zh) | 预训练语言模型的生成方法、装置、电子设备和存储介质 | |
CN112579727B (zh) | 文档内容的提取方法、装置、电子设备及存储介质 | |
EP4123496A2 (en) | Method and apparatus for extracting text information, electronic device and storage medium | |
US20230103728A1 (en) | Method for sample augmentation | |
CN113850080A (zh) | 一种押韵词推荐方法、装置、设备及存储介质 | |
CN112541070B (zh) | 槽位更新语料的挖掘方法、装置、电子设备和存储介质 | |
CN113641724B (zh) | 知识标签挖掘方法、装置、电子设备及存储介质 | |
CN114758649B (zh) | 一种语音识别方法、装置、设备和介质 | |
CN114239583B (zh) | 实体链指模型的训练及实体链指方法、装置、设备及介质 | |
CN112784599B (zh) | 诗句的生成方法、装置、电子设备和存储介质 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN114676699A (zh) | 实体情感分析方法、装置、计算机设备和存储介质 | |
CN114969195A (zh) | 对话内容挖掘方法和对话内容评估模型的生成方法 | |
CN114417862A (zh) | 文本匹配方法、文本匹配模型的训练方法和装置 | |
CN112632999A (zh) | 命名实体识别模型获取及命名实体识别方法、装置及介质 | |
CN114416941A (zh) | 融合知识图谱的对话知识点确定模型的生成方法及装置 | |
CN114781409B (zh) | 文本的翻译方法、装置、电子设备和存储介质 | |
CN116244432B (zh) | 语言模型的预训练方法、装置及电子设备 | |
CN112989797B (zh) | 模型训练、文本扩展方法,装置,设备以及存储介质 | |
CN116069914B (zh) | 训练数据的生成方法、模型训练方法以及装置 | |
CN113593528B (zh) | 语音切分模型的训练方法、装置、电子设备及存储介质 | |
CN116955447A (zh) | 标签挖掘方法、装置、电子设备及存储介质 | |
CN116226375A (zh) | 适用于文本审核的分类模型的训练方法及其装置 | |
CN114841137A (zh) | 模型获取方法、装置、电子设备及存储介质 | |
CN114119972A (zh) | 模型获取及对象处理方法、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 |