CN113742523A - 文本核心实体的标注方法及装置 - Google Patents
文本核心实体的标注方法及装置 Download PDFInfo
- Publication number
- CN113742523A CN113742523A CN202010476851.9A CN202010476851A CN113742523A CN 113742523 A CN113742523 A CN 113742523A CN 202010476851 A CN202010476851 A CN 202010476851A CN 113742523 A CN113742523 A CN 113742523A
- Authority
- CN
- China
- Prior art keywords
- entity
- sequence
- word embedding
- processed
- text
- 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
- 238000002372 labelling Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000015654 memory Effects 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 27
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 235000015277 pork Nutrition 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 240000004244 Cucurbita moschata Species 0.000 description 2
- 235000009854 Cucurbita moschata Nutrition 0.000 description 2
- 235000009852 Cucurbita pepo Nutrition 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 235000015067 sauces Nutrition 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 235000020354 squash Nutrition 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 235000005135 Micromeria juliana Nutrition 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 240000002114 Satureja hortensis Species 0.000 description 1
- 235000007315 Satureja hortensis Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 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
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
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/7844—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using original textual content or text extracted from visual content or transcript of audio data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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 Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Library & Information Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Document Processing Apparatus (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了文本核心实体的标注方法及装置，涉及知识图谱、深度学习技术领域。具体实现方案为：获取待处理文本序列；基于待处理文本序列，得到词嵌入序列；将词嵌入序列中各实体的实体特征融合至词嵌入序列；基于融合了实体特征的词嵌入序列，得到待处理文本序列的核心实体的标注结果。该方案融合了待处理文本序列的各实体的实体特征，解决了传统机器学习方法无法完全挖掘出存在于待处理文本序列的所有核心实体的问题，提高了针对待处理文本序列中的核心实体的标注能力。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及知识图谱、深度学习技术，为一种文本核心实体的标注方法及装置。
背景技术
视频作为当前最为丰富的信息承载媒介之一，伴随着视频制作、分发等相关技术的日益成熟而成为人们日常生活中主流的信息获取方式。如何利用计算机技术自动实现对这些视频的内容的理解、分发和精准推荐，成为各大互联网公司、学术研究的热门方向。而其中，对于视频内容的理解尤其重要，获取视频中的核心实体对于视频的分发、推荐等环节也是至关重要。
视频标题、视频的文本信息是视频中最主要的文本信息来源。尤其视频的标题是对视频内容的高度概括，其中的实体是视频核心实体的重要来源之一。而传统的机器学习方法无法完全挖掘出存在于视频的标题、文本信息中的所有核心实体。
发明内容
提供了一种文本核心实体的标注方法、装置、设备以及存储介质。
根据第一方面，提供了一种文本核心实体的标注方法，包括：获取待处理文本序列；基于待处理文本序列，得到词嵌入序列；将词嵌入序列中各实体的实体特征融合至词嵌入序列，其中，实体特征用于表征对应于实体特征的实体的属性信息；基于融合了实体特征的词嵌入序列，得到待处理文本序列的核心实体的标注结果。
根据第二方面，提供了一种文本核心实体的标注装置，包括：获取单元，被配置成获取待处理文本序列；词嵌入单元，被配置成基于待处理文本序列，得到词嵌入序列；融合单元，被配置成将词嵌入序列中各实体的实体特征融合至词嵌入序列，其中，实体特征用于表征对应于实体特征的实体的属性信息；标注单元，被配置成基于融合了实体特征的词嵌入序列，得到待处理文本序列的核心实体的标注结果。
根据第三方面，提供了一种电子设备，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上述第一方面中任一项的方法。
根据第三方面，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，其特征在于，计算机指令用于使计算机执行上述第一方面中任一项的方法。
根据本申请的技术融合了待处理文本序列的各实体的实体特征，解决了传统机器学习方法无法完全挖掘出存在于待处理文本序列的所有核心实体的问题，提高了针对待处理文本序列中的核心实体的标注能力。
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，不构成对本申请的限定。其中：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的文本核心实体的标注方法的一个实施例的流程图；
图3是根据本公开的文本核心实体的标注方法的一个应用场景的示意图；
图4是根据本公开的文本核心实体的标注方法的又一个实施例的流程图；
图5是根据本公开的文本核心实体的标注装置的一个实施例的结构示意图；
图6是适于用来实现本公开的实施例的电子设备/终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。
图1示出了可以应用本申请的文本核心实体的标注方法及装置的示例性架构100。
如图1所示，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、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持信息交互、网络连接、图像拍摄、文本编辑等功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如基于终端设备101、102、103发送的待处理文本序列，对待处理文本序列中的核心实体进行标注的后台处理服务器。后台处理服务器可以对待处理文本序列等数据进行分析处理，从而标注核心实体。可选的，后台处理服务器还可以将标注核心实体后的待处理文本序列反馈给终端设备，以供终端设备显示。作为示例，服务器105可以是云端服务器。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是，本公开的实施例所提供的文本核心实体的标注方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，信息处理装置包括的各个部分(例如各个单元、子单元、模块、子模块)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
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。当文本核心实体的标注方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括文本核心实体的标注方法运行于其上的电子设备(例如服务器或终端设备)。
继续参考图2，示出了文本核心实体的标注方法的一个实施例的流程200，包括以下步骤：
步骤201，获取待处理文本序列。
本实施例中，文本核心实体的标注方法的执行主体(例如图1中的终端设备或服务器)可以获取待处理文本序列。
其中，待处理文本序列可以是通过任意方式获取的待处理文本序列。包括但不限于是从图文、视频中的文本信息、音频信息中获取待处理文本序列。针对文本信息，上述执行主体可以通过OCR(Optical Character Recognition，光学字符识别)技术进行文本识别，得到待处理文本序列；针对音频信息，上述执行主体可以通过STT(Speech To Text，从语音到文本)技术进行语音识别，得到待处理文本序列。
具体的，以视频为例，待处理文本序列可以是视频标题、视频中的台词文本、对与该视频相匹配的音频进行语音识别得到的文本。
步骤202，基于待处理文本序列，得到词嵌入序列。
本实施例中，上述执行主体可以基于步骤201得到的待处理文本序列，得到词嵌入序列。例如，可以基于预先存储的待处理文本序列与词嵌入序列的对照表，得到待处理文本序列对应的词嵌入序列。
在本实施例的一些可选的实现方式中，上述执行主体可以将待处理文本序列输入预先训练的词嵌入模型，得到待处理文本序列的词嵌入序列。其中，词嵌入模型用于表征待处理文本序列与词嵌入序列的对应关系。通过词嵌入模型可以快速准确地得到待处理文本序列的词嵌入序列，提高了词嵌入序列的生成效率。
词嵌入模型将待处理文本序列中的各词语映射为相应的数值向量，得到对应的词嵌入序列。其中，待处理文本序列表征的自然语言本身蕴含了语义和句法等诸多特征，需要在待处理文本序列到词嵌入序列的转换过程中保留这些特征。以基于频率的进行词嵌入为例，可以通过词频向量、TF-IDF(Term Frequency-Inverse Document Frequency，词频-逆文档频度)向量、词共现向量等方法进行待处理文本序列到词嵌入序列的转换。
本实施例中，词嵌入模型可以采用BERT(Bidirectional EncoderRepresentation from Transformers，来自变压器的双向编码器表示)模型。
在一些可选的实现方式中，词嵌入模型可以采用ALBERT(A Lite BidirectionalEncoder Representation from Transformers，简化版的来自变压器的双向编码器表示)模型。ALBERT模型是在BERT模型的基础上通过对词嵌入的参数进行因式分解、跨层参数共享等方式对参数量进行优化得到。ALBERT模型在大规模语料上进行预训练获得，模型可以学习到自然语言中结构化的语言信息，包括短语级别的信息表示、丰富的语言学特征以及语义信息特征。
在本实施例的一些可选的实现方式中，ALBERT模型可以是在预训练的基础上进行微调得到的ALBERT模型，可以使ALBERT模型应用到序列标注的任务中。上述执行主体可以通过如下方式实现待处理文本序列到词嵌入序列的转换过程：首先，将待处理文本序列以及待处理文本序列中的各实体的实体标签转换为ID(Identity document，身份识别号)；然后，将身份识别号输入预先训练的词嵌入模型，得到待处理文本序列的词嵌入序列。
本实现方式中，通过将待处理文本序列以及待处理文本序列中的各实体的实体标签转换为ID，可以唯一标识待处理文本序列以及待处理文本序列中的各实体，可以提高ALBERT模型针对待处理文本序列到词嵌入文本的装换过程的处理速度，降低上述执行主体的运行压力。
需要说明的是，本步骤的执行主体可以是终端设备，也可以是服务器。当终端设备设有词嵌入模型时，本步骤的执行主体则可以是设有词嵌入模型的终端设备；当服务器设有词嵌入模型时，本步骤的执行主体则可以是设有词嵌入模型的服务器。
步骤203，将词嵌入序列中各实体的实体特征融合至词嵌入序列。
本实施例中，上述执行主体可以在步骤202中得到的词嵌入序列中融合该词嵌入序列中各实体的实体特征。其中，实体特征用于表征对应于实体特征的实体的属性信息。
本实施例中，实体特征包括但不限于：实体信息、实体对应的待处理文本序列的文本类别和实体在各文本类别中的频次信息。通过上述实体特征，可以辅助实体标注模型更好地了解待处理文本序列中各实体的重要性。作为示例，待处理文本序列可以是视频的标题，具体为“CBA(China Basketball Association，中国男子篮球职业联赛)现场直播四川队VS(versus，相对立)广东队”，其实体信息包括“CBA”、“现场直播”、“四川队”、“VS”、“广东队”，待处理文本序列的文本类别为篮球类。其中，各实体在新闻类类别中的频次信息可以是频次归一化特征。
例如，在“篮球”类别的视频中，实体“NBA(National Basketball Association，美国职业篮球联赛)”、“CBA”经常出现在视频的标题之中。从存在于视频库的数据中挖掘得到“CBA”出现在“篮球”类别的视频标题中的归一化词频为0.6。对一个新的篮球类视频的标题如“CBA现场直播四川队VS广东队”中“CBA”这个词相比于其他词就有高于0.6的概率为核心实体，可以辅助实体标注模型更好地了解“CBA”这个词的重要性。
需要说明的是，本步骤的执行主体可以是终端设备，也可以是服务器。当终端设备具有特征融合功能时，本步骤的执行主体则可以是具有特征融合功能的终端设备；当服务器具有特征融合功能时，本步骤的执行主体则可以是具有特征融合功能的服务器。
步骤204，基于融合了实体特征的词嵌入序列，得到待处理文本序列的核心实体的标注结果。
本实施例中，上述执行主体可以基于步骤203中得到的融合了实体特征的词嵌入序列，得到待处理文本序列的核心实体的标注结果。
在本实施例的一些可选的实现方式中，输入预先训练的实体标注模型，得到待处理文本序列的核心实体的标注结果。其中，实体标注模型用于表征融合了实体特征的词嵌入序列与核心实体的标注结果的对应关系。通过实体标注模型可以快速准确地对待处理文本序列的核心实体进行标注，提高了实体标注的效率。
本实施例中，实体标注模型可以为双向长短期记忆网络及条件随机场BiLSTM(Bi-directional Long Short-Term Memory，双向长短期记忆网络)+CRF(conditional randomfield，条件随机场)模型。BiLSTM+CRF模型具有更好的信息捕获能力，有助于提升核心实体标注的准确性。
需要说明的是，本步骤的执行主体可以是终端设备，也可以是服务器。当终端设备设有实体标注模型时，本步骤的执行主体则可以是设有实体标注模型的终端设备；当服务器设有实体标注模型时，本步骤的执行主体则可以是设有实体标注模型的服务器。
继续参见图3，图3是根据本实施例的文本核心实体的标注方法的应用场景的一个示意图。在图3的应用场景中，用户301通过终端设备302中的短视频类应用拍摄了一个制作红烧肉的短视频，并为视频制作视频标题“教你做史上最美味的红烧肉”。制作好短视频后，用户301通过短视频类应用将该做红烧肉的短视频及视频标题上传至服务器303。服务器303获取表征视频标题“教你做史上最美味的红烧肉”的待处理文本序列；然后，服务器303根据待处理文本序列，得到待处理文本序列的词嵌入序列；然后，服务器303将词嵌入序列中各实体的实体特征融合至词嵌入序列，其中，实体特征用于表征对应于实体特征的实体的属性信息；最后，服务器303根据融合了实体特征的词嵌入序列，得到待处理文本序列的核心实体的标注结果“红烧肉”。
本公开的上述实施例提供的方法，融合了待处理文本序列的各实体的实体特征，解决了传统机器学习方法无法完全挖掘出存在于待处理文本序列的所有核心实体的问题，提高了针对待处理文本序列中的核心实体的标注能力。
在本实施例的一些可选的实现方式中，还可以包括以下步骤(图中未示出)：基于待处理文本序列的核心实体的标注结果，确定对应于待处理文本序列的视频的目标推送用户。
本实现方式中，执行主体基于准确地待处理文本序列的核心实体的标注结果，可以准确地确定对应于待处理文本序列的视频的目标推送用户。因为，待处理文本序列的核心实体的标注结果有助于提升执行主体对视频内容的理解，基于对视频内容的准确理解，可以提升视频分发、推荐的准确度。
继续参考图4，示出了根据本申请的文本核心实体的标注方法的另一个实施例的示意性流程400，包括以下步骤：
步骤401，获取待处理文本序列。
本实施例中，步骤401与图2对应实施例中的步骤201基本一致，这里不再赘述。
步骤402，基于待处理文本序列，得到词嵌入序列。
本实施例中，步骤402与图2对应实施例中的步骤202基本一致，这里不再赘述。
步骤403，通过命名实体识别算法获取词嵌入序列中各实体的实体特征。
本实施例中，执行主体通过命名实体识别算法可以获取词嵌入序列中各实体的实体特征。其中，实体特征用于表征对应于实体特征的实体的属性信息，包括但不限于：实体信息、实体对应的待处理文本序列的文本类别和实体在各类别中的频次信息。
步骤404，将词嵌入序列中各实体的离散的实体特征转化为张量特征。
本实施例中，上述执行主体可以将步骤403中得到的词嵌入序列中各实体的离散的实体特征转化为张量特征。张量特征中整合了各实体的各方面的离散特征，可以更准确的反映实体在不同类别中的重要程度。
步骤405，将各实体的张量特征融合至词嵌入序列。
本实施例中，上述执行主体可以将步骤404中得到的各实体的张量特征融合至词嵌入序列。
步骤406，基于融合了实体特征的词嵌入序列，得到待处理文本序列的核心实体的标注结果。
本实施例中，步骤406与图2对应实施例中的步骤204基本一致，这里不再赘述。
需要说明的是，除上面所记载的内容外，本公开的实施例还可以包括与图2对应的实施例相同或类似的特征、效果，在此不再赘述。
从图4中可以看出，与图2对应的实施例相比，本实施例中的文本核心实体的标注方法的流程400突出了将词嵌入序列中各实体的离散的实体特征转化为张量特征，将各实体的张量特征融合至词嵌入序列。由此，本实施例描述的方案中的张量特征中整合了各实体各方面的离散特征，可以更准确的反映实体在不同类别中的重要程度，提高了本申请的核心实体标注结果的准确性。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种文本核心实体的标注装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征，以及产生与图2所示的方法实施例相同或相应的效果。该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的文本核心实体的标注装置500包括：获取单元501，被配置成获取待处理文本序列；词嵌入单元502，被配置成基于待处理文本序列，得到词嵌入序列；融合单元503，被配置成将词嵌入序列中各实体的实体特征融合至词嵌入序列，其中，实体特征用于表征对应于实体特征的实体的属性信息；标注单元504，被配置成基于融合了实体特征的词嵌入序列，得到待处理文本序列的核心实体的标注结果。
在一些实施例中，融合单元503进一步被配置成：通过命名实体识别算法获取词嵌入序列中各实体的实体特征；将词嵌入序列中各实体的离散的实体特征转化为张量特征；将各实体的张量特征融合至词嵌入序列。
在一些实施例中，实体特征包括：实体信息、实体对应的待处理文本序列的文本类别和实体在各文本类别中的频次信息。
在一些实施例中，标注单元504进一步被配置成：将融合了实体特征的词嵌入序列输入预先训练的实体标注模型，得到待处理文本序列的核心实体的标注结果，其中，实体标注模型用于表征融合了实体特征的词嵌入序列与核心实体的标注结果的对应关系。
在一些实施例中，词嵌入单元502进一步被配置成：将所述待处理文本序列输入预先训练的词嵌入模型，得到待处理文本序列的词嵌入序列，其中，词嵌入模型用于表征待处理文本序列与词嵌入序列的对应关系。
在一些实施例中，词嵌入单元502进一步被配置成：将待处理文本序列以及待处理文本序列中的各实体的实体标签转换为身份识别号；将身份识别号输入预先训练的词嵌入模型，得到待处理文本序列的词嵌入序列。
在一些实施例中，词嵌入模型为简化版来自变压器的双向编码器表示ALBERT模型，实体标注模型为双向长短期记忆网络及条件随机场BiLSTM+CRF模型。
在一些实施例中，还包括确定单元(图中未示出)，被配置成基于待处理文本序列的核心实体的标注结果，确定对应于待处理文本序列的视频的目标推送用户。
下面参考图6，根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例文本核心实体的标注方法的电子设备600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/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的文本核心实体的标注方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的文本核心实体的标注方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的文本核心实体的标注方法对应的程序指令/模块(例如，附图5所示的获取单元501、词嵌入单元502、融合单元503和标注单元504)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的文本核心实体的标注方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据文本核心实体的标注方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至本核心实体的标注方法的的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
文本核心实体的标注方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与文本核心实体的标注的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处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、专用ASIC(专用集成电路)、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。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且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。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
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。
根据本申请实施例的技术方案，融合了待处理文本序列的各实体的实体特征，解决了传统机器学习方法无法完全挖掘出存在于待处理文本序列的所有核心实体的问题，提高了针对待处理文本序列中的核心实体的标注能力。
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，本发申请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，只要能够实现本申请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，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (18)
1.一种文本核心实体的标注方法，其特征在于，包括：
获取待处理文本序列；
基于所述待处理文本序列，得到词嵌入序列；
将所述词嵌入序列中各实体的实体特征融合至所述词嵌入序列，其中，所述实体特征用于表征对应实体的属性信息；
基于融合了实体特征的词嵌入序列，得到所述待处理文本序列的核心实体的标注结果。
2.根据权利要求1所述的方法，其中，所述将所述词嵌入序列中各实体的实体特征融合至所述词嵌入序列，包括：
通过命名实体识别算法获取所述词嵌入序列中各实体的实体特征；
将所述词嵌入序列中各实体的离散的实体特征转化为张量特征；
将各实体的张量特征融合至所述词嵌入序列。
3.根据权利要求1或2所述的方法，其中，所述实体特征包括：实体信息、实体对应的待处理文本序列的文本类别和实体在各文本类别中的频次信息。
4.根据权利要求1所述的方法，其中，所述基于融合了实体特征的词嵌入序列，得到所述待处理文本序列的核心实体的标注结果，包括：
将融合了实体特征的词嵌入序列输入预先训练的实体标注模型，得到所述待处理文本序列的核心实体的标注结果，其中，所述实体标注模型用于表征融合了实体特征的词嵌入序列与核心实体的标注结果的对应关系。
5.根据权利要求1所述的方法，其中，所述基于所述待处理文本序列，得到词嵌入序列，包括：
将所述待处理文本序列输入预先训练的词嵌入模型，得到所述待处理文本序列的词嵌入序列，其中，所述词嵌入模型用于表征待处理文本序列与词嵌入序列的对应关系。
6.根据权利要求1所述的方法，其中，所述将所述待处理文本序列输入预先训练的词嵌入模型，得到所述待处理文本序列的词嵌入序列，包括：
将所述待处理文本序列以及所述待处理文本序列中的各实体的实体标签转换为身份识别号；
将所述身份识别号输入预先训练的词嵌入模型，得到所述待处理文本序列的词嵌入序列。
7.根据权利要求1所述的方法，其中，所述词嵌入模型为简化版来自变压器的双向编码器表示ALBERT模型，所述实体标注模型为双向长短期记忆网络及条件随机场BiLSTM+CRF模型。
8.根据权利要求1所述的方法，其中，所述方法还包括：
基于所述待处理文本序列的核心实体的标注结果，确定对应于所述待处理文本序列的视频的目标推送用户。
9.一种文本核心实体的标注装置，其特征在于，包括：
获取单元，被配置成获取待处理文本序列；
词嵌入单元，被配置成基于所述待处理文本序列，得到词嵌入序列；
融合单元，被配置成将所述词嵌入序列中各实体的实体特征融合至所述词嵌入序列，其中，所述实体特征用于表征对应于所述实体特征的实体的属性信息；
标注单元，被配置成基于融合了实体特征的词嵌入序列，得到所述待处理文本序列的核心实体的标注结果。
10.根据权利要求9所述的装置，其中，所述融合单元，进一步被配置成：
通过命名实体识别算法获取所述词嵌入序列中各实体的实体特征；将所述词嵌入序列中各实体的离散的实体特征转化为张量特征；将各实体的张量特征融合至所述词嵌入序列。
11.根据权利要求9或10所述的装置，其中，所述实体特征包括：实体信息、实体对应的待处理文本序列的文本类别和实体在各文本类别中的频次信息。
12.根据权利要求9所述的装置，其中，所述标注单元，进一步被配置成：
将融合了实体特征的词嵌入序列输入预先训练的实体标注模型，得到所述待处理文本序列的核心实体的标注结果，其中，所述实体标注模型用于表征融合了实体特征的词嵌入序列与核心实体的标注结果的对应关系。
13.根据权利要求9所述的装置，其中，所述词嵌入单元，进一步被配置成：
将所述待处理文本序列输入预先训练的词嵌入模型，得到所述待处理文本序列的词嵌入序列，其中，所述词嵌入模型用于表征待处理文本序列与词嵌入序列的对应关系。
14.根据权利要求9所述的装置，其中，所述词嵌入单元，进一步被配置成：
将所述待处理文本序列以及所述待处理文本序列中的各实体的实体标签转换为身份识别号；将所述身份识别号输入预先训练的词嵌入模型，得到所述待处理文本序列的词嵌入序列。
15.根据权利要求9所述的装置，其中，所述词嵌入模型为简化版来自变压器的双向编码器表示ALBERT模型，所述实体标注模型为双向长短期记忆网络及条件随机场BiLSTM+CRF模型。
16.根据权利要求9所述的装置，其中，所述装置还包括：
确定单元，被配置成基于所述待处理文本序列的核心实体的标注结果，确定对应于所述待处理文本序列的视频的目标推送用户。
17.一种电子设备，其特征在于，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1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010476851.9A CN113742523B (zh) | 2020-05-29 | 2020-05-29 | 文本核心实体的标注方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010476851.9A CN113742523B (zh) | 2020-05-29 | 2020-05-29 | 文本核心实体的标注方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113742523A true CN113742523A (zh) | 2021-12-03 |
| CN113742523B CN113742523B (zh) | 2023-06-27 |
Family
ID=78724735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010476851.9A Active CN113742523B (zh) | 2020-05-29 | 2020-05-29 | 文本核心实体的标注方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113742523B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8745093B1 (en) * | 2000-09-28 | 2014-06-03 | Intel Corporation | Method and apparatus for extracting entity names and their relations |
| CN106570179A (zh) * | 2016-11-10 | 2017-04-19 | 中国科学院信息工程研究所 | 一种面向评价性文本的核心实体识别方法及装置 |
| CN109145303A (zh) * | 2018-09-06 | 2019-01-04 | 腾讯科技（深圳）有限公司 | 命名实体识别方法、装置、介质以及设备 |
| WO2019024704A1 (zh) * | 2017-08-03 | 2019-02-07 | 阿里巴巴集团控股有限公司 | 实体标注方法、意图识别方法及对应装置、计算机存储介质 |
| CN109871545A (zh) * | 2019-04-22 | 2019-06-11 | 京东方科技集团股份有限公司 | 命名实体识别方法及装置 |
| CN110210038A (zh) * | 2019-06-13 | 2019-09-06 | 北京百度网讯科技有限公司 | 核心实体确定方法及其系统、服务器和计算机可读介质 |
| CN110321419A (zh) * | 2019-06-28 | 2019-10-11 | 神思电子技术股份有限公司 | 一种融合深度表示与交互模型的问答匹配方法 |
| CN110633467A (zh) * | 2019-08-29 | 2019-12-31 | 中国人民解放军国防科技大学 | 一种基于改进特征融合的语义关系抽取方法 |
-
2020
- 2020-05-29 CN CN202010476851.9A patent/CN113742523B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8745093B1 (en) * | 2000-09-28 | 2014-06-03 | Intel Corporation | Method and apparatus for extracting entity names and their relations |
| CN106570179A (zh) * | 2016-11-10 | 2017-04-19 | 中国科学院信息工程研究所 | 一种面向评价性文本的核心实体识别方法及装置 |
| WO2019024704A1 (zh) * | 2017-08-03 | 2019-02-07 | 阿里巴巴集团控股有限公司 | 实体标注方法、意图识别方法及对应装置、计算机存储介质 |
| CN109145303A (zh) * | 2018-09-06 | 2019-01-04 | 腾讯科技（深圳）有限公司 | 命名实体识别方法、装置、介质以及设备 |
| CN109871545A (zh) * | 2019-04-22 | 2019-06-11 | 京东方科技集团股份有限公司 | 命名实体识别方法及装置 |
| CN110210038A (zh) * | 2019-06-13 | 2019-09-06 | 北京百度网讯科技有限公司 | 核心实体确定方法及其系统、服务器和计算机可读介质 |
| CN110321419A (zh) * | 2019-06-28 | 2019-10-11 | 神思电子技术股份有限公司 | 一种融合深度表示与交互模型的问答匹配方法 |
| CN110633467A (zh) * | 2019-08-29 | 2019-12-31 | 中国人民解放军国防科技大学 | 一种基于改进特征融合的语义关系抽取方法 |
Non-Patent Citations (3)
| Title |
|---|
| QINJUN QIU等: "BiLSTM-CRF for geological named entity recognition from the geoscience literature", 《EARTH SCIENCE INFORMATICS》 * |
| 佘俊;张学清;: "音乐命名实体识别方法", 计算机应用, no. 11 * |
| 黄胜;李伟;张剑;: "基于深度学习的简历信息实体抽取方法", 计算机工程与设计, no. 12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113742523B (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111221984B (zh) | 多模态内容处理方法、装置、设备及存储介质 | |
| CN112560912B (zh) | 分类模型的训练方法、装置、电子设备和存储介质 | |
| JP7301922B2 (ja) | 意味検索方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
| US20210216580A1 (en) | Method and apparatus for generating text topics | |
| US11508153B2 (en) | Method for generating tag of video, electronic device, and storage medium | |
| CN112487814B (zh) | 实体分类模型训练方法、实体分类方法、装置及电子设备 | |
| JP7334395B2 (ja) | ビデオ分類方法、装置、機器、および記憶媒体 | |
| CN111737559B (zh) | 资源排序方法、训练排序模型的方法及对应装置 | |
| US11615242B2 (en) | Method and apparatus for structuring data, related computer device and medium | |
| CN111522994A (zh) | 用于生成信息的方法和装置 | |
| CN112541359B (zh) | 文档内容识别方法、装置、电子设备及介质 | |
| JP7140913B2 (ja) | 映像配信時効の決定方法及び装置 | |
| CN111191428A (zh) | 评论信息处理方法、装置、计算机设备和介质 | |
| CN110532487B (zh) | 标签的生成方法及装置 | |
| CN116012481B (zh) | 图像生成处理方法、装置、电子设备及存储介质 | |
| CN111859953A (zh) | 训练数据的挖掘方法、装置、电子设备及存储介质 | |
| CN111639234B (zh) | 用于挖掘核心实体关注点的方法和装置 | |
| CN111858905A (zh) | 模型训练方法、信息识别方法、装置、电子设备及存储介质 | |
| CN110245334B (zh) | 用于输出信息的方法和装置 | |
| CN110728156A (zh) | 翻译方法、装置、电子设备及可读存储介质 | |
| CN110516654A (zh) | 视频场景的实体识别方法、装置、电子设备和介质 | |
| CN112015866B (zh) | 用于生成同义文本的方法、装置、电子设备及存储介质 | |
| CN111026916B (zh) | 文本描述的转换方法、装置、电子设备及存储介质 | |
| CN111339314A (zh) | 一种三元组数据的生成方法、装置和电子设备 | |
| CN111125445A (zh) | 社区主题生成方法、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 |