CN114239583A - 实体链指模型的训练及实体链指方法、装置、设备及介质 - Google Patents
实体链指模型的训练及实体链指方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114239583A CN114239583A CN202111536727.8A CN202111536727A CN114239583A CN 114239583 A CN114239583 A CN 114239583A CN 202111536727 A CN202111536727 A CN 202111536727A CN 114239583 A CN114239583 A CN 114239583A
- Authority
- CN
- China
- Prior art keywords
- entity
- description information
- sample
- negative
- chain finger
- 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
Images
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
- G06F16/30—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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种实体链指模型的训练及实体链指方法、装置、设备及介质,涉及人工智能技术领域,具体涉及深度学习和知识谱图技术领域,可用于实体链指场景。具体实现方案为:根据源域标注文本中的实体提及,从源域知识库和目标域知识库中选择所述实体提及的正实例描述信息和负实例描述信息;将所述源域标注文本和所述正实例描述信息,作为第一正样本;将所述源域标注文本和所述负实例描述信息,作为第一负样本;采用所述第一正样本、所述第一负样本、以及样本监督数据对实体链指模型进行有监督训练。执行本公开提供的技术方案可以提高实体链指模型的准确度。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及深度学习和知识图谱技术领域,可应用于实体链指场景。
背景技术
为了能够帮助用户更好的理解文本资源,也可以根据用户的意图更好的推荐符合用户需求的文本资源等,需要识别文本中的实体提及来进行实体链指(Entity Linking)或者称为实体链接。其中,实体链指是指将文本中的实体提及链接到知识库中的实体的描述信息。
发明内容
本公开提供了一种实体链指模型的训练及实体链指方法、装置、设备及介质。
根据本公开的一方面,提供了一种实体链指模型的训练方法,该方法包括:
根据源域标注文本中的实体提及,从源域知识库和目标域知识库中选择所述实体提及的正实例描述信息和负实例描述信息;
将所述源域标注文本和所述正实例描述信息,作为第一正样本;
将所述源域标注文本和所述负实例描述信息,作为第一负样本;
采用所述第一正样本、所述第一负样本、以及样本监督数据对实体链指模型进行有监督训练。
根据本公开的另一方面,提供了一种实体链指方法,该方法包括:
对目标文本中的实体提及进行标注;
将标注后的目标文本输入至实体链指模型,得到从目标域知识库中选择的所述实体提及的描述信息;
其中,所述实体链指模型根据本公开任一实施例所述的实体链指模型的训练方法训练得到。
根据本公开的另一方面,提供了一种电子设备,该电子设备包括:
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本公开任一实施例所述的实体链指模型的训练方法,或者执行本公开任一实施例所述的实体链指方法。
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,所述计算机指令用于使计算机执行本公开任一实施例所述的实体链指模型的训练方法,或者执行本公开任一实施例所述的实体链指方法。
根据本公开的技术,能够提高实体链指模型的准确度。
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是根据本公开实施例提供的一种实体链指模型的训练方法的流程图;
图2是根据本公开实施例提供的另一种实体链指模型的训练方法的流程图;
图3是利用本公开实施例提供的实体链指模型的训练方法对实体链指模型进行有监督训练的示意图;
图4是根据本公开实施例提供的又一种实体链指模型的训练方法的流程图;
图5是利用本公开实施例提供的实体链指模型的训练方法对实体链指模型进行无监督训练的示意图;
图6是根据本公开实施例提供的一种实体链指方法的流程图;
图7是根据本公开实施例提供的一种实体链指模型的训练装置的结构示意图;
图8是根据本公开实施例提供的一种实体链指装置的结构示意图;
图9是用来实现本公开实施例的实体链指模型的训练方法或者实体链指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。
一般来说,实体链指可以包括实体识别和实体消歧两个过程。其中,实体识别过程是指识别文本中实体的过程,实体消歧过程是指将识别出的实体链接到知识库中已有实体的过程。实体识别过程可通过实体识别技术结合领域词典技术实现,所以,用于目标域的实体链指工作的重点为实体消歧过程。实体消歧过程使用实体链指模型可以一定程度保证实体链指的效果,现有的实体链指模型训练方法一般会先采用源域数据和目标域数据对通用模型(比如预训练语言模型)进行预训练,得到实体链指模型;然后使用有标注的源域数据对实体链指模型进行微调。
现有的实体链指模型训练方法,仅使用有标注的源域数据对实体链指模型进行微调,会造成样本数据分布偏移,导致实体链指准确度下降。基于此,本公开提供了一种结合源域数据和目标域数据对实体链指模型的进行微调的解决方案。
图1是根据本公开实施例提供的一种实体链指模型的训练方法的流程图,该方法适用于对实体链指模型进行微调的情况,尤其适用于对用于目标域的实体链指模型进行训练的情况。该方法可以由实体链指模型的训练装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成于承载实体链指模型训练功能的电子设备中。如图1所示,本实施例的实体链指模型的训练方法可以包括:
S101,根据源域标注文本中的实体提及,从源域知识库和目标域知识库中选择实体提及的正实例描述信息和负实例描述信息。
其中,源域和目标域中均包括文本和知识库;可选的,源域包括标注文本,目标域数据包括无标注文本。进一步的,源域中所包括的知识库与目标域中所包括的知识库不同。可选的,源域中的知识库和目标域中的知识库为不同领域的知识库。
源域标注文本是指源域中对实体提及进行标注的文本资源。源域标注文本中可以包括至少一个实体提及。其中,实体提及是指实体的文本表现形式,实体提及可以是命名实体、普通名词短语或者代词等。
可选的,源域和目标域的知识库中均包括实体的描述信息。描述信息是指对实体特征进行描述的信息,描述信息中可以包括描述主体和描述内容等。其中,描述主体为描述信息关联的实体。例如,描述信息A包括描述主体:李白,描述内容:字太白,号青莲居士,又号谪仙人,唐代伟大的浪漫主义诗人。
如果源域标注文本中的实体提及与描述信息中的描述主体一致,且实体提及在源域标注文本中的语义和描述信息中的描述内容相符,将描述信息作为正实例描述信息。
如果源域标注文本中的实体提及与描述信息中的描述主体一致,且实体提及在源域标注文本中的语义和描述信息中的描述内容不相符,或者源域标注文本中的实体提及与描述信息中的描述主体不一致,将描述信息作为负实例描述信息。
一种可实施方式,可以从源域知识库和目标域知识库中,选择描述主体与源域标注文本中的实体提及一致的描述信息,作为候选描述信息;之后,可以对源域标注文本进行解析,以确定实体提及在源域标注文本中的语义;将候选描述信息中的描述内容与所确定的实体提及在源域标注文本中的语义相符的描述信息,作为正实例描述信息。进一步的,可以将候选描述信息中除正实例描述信息之外的描述信息,作为负实例描述信息。
例如,源域标注文本为“好一个李白,好一个千金散尽还复来”。“李白”为这一源域标注文本中的一个实体提及。通过对源域标注文本进行解析,可确定实体提及“李白”在源域标注文本中的语义为诗人李白。
描述信息A为“李白,字太白,号青莲居士,又号谪仙人,唐代伟大的浪漫主义诗人”。描述信息A的描述内容实质是李白是一个诗人。描述信息A的描述主体与源域标注文本中实体提及一致,且实体提及在源域标注文本中的语义,与描述信息A中的描述内容相符,因此,可将描述信息A作为正实例描述信息。
描述信息B为“《李白》是由宋孟君作词、作曲并演唱的一首歌曲,发行于2017年06月05日”。描述信息B的描述内容实质是李白是一首歌曲。描述信息B的描述主体与源域标注文本中实体提及一致,但实体提及在源域标注文本中的语义,与描述信息B中的描述内容不相符,因此,可将描述信息B作为负实例描述信息。
在又一可实施方式中,还可以从源域知识库和目标域知识库中,选择描述主体与源域标注文本中实体提及不一致的描述信息,作为负实例描述信息。
S102,将源域标注文本和正实例描述信息,作为第一正样本。
第一正样本是用于对实体链指模型进行有监督训练的正样本。第一正样本包括源域标注文本和正实例描述信息。
可以理解的是,利用第一正样本对实体链指模型进行训练,可以使得实体链指模型学习到源域标注文本和正实例描述信息之间的关联关系,给与实体链指模型正向教导。
S103,将源域标注文本和负实例描述信息,作为第一负样本。
第一负样本是用于对实体链指模型进行有监督训练的负样本。第一负样本包括源域标注文本和负实例描述信息。
可以理解的是,利用第一负样本对实体链指模型进行训练,可以使得实体链指模型学习到源域标注文本和负实例描述信息之间的关联关系,给与实体链指模型反向教导。
S104,采用第一正样本、第一负样本、以及样本监督数据对实体链指模型进行有监督训练。
其中,样本监督数据是指第一正样本和第一负样本的标签数据。样本监督数据用于表征源域标注文本和描述信息之间的相似度。进一步的,样本监督数据用于表征实体提及在源域标注文本中的语义和描述信息中描述内容之间的相似度。每一第一正样本和第一负样本均存在对应的样本监督数据。可选的,将第一正样本的样本监督数据确定为1,表示第一正样本中实体提及在源域标注文本中的语义与正实例描述信息中描述内容一致;将第一负样本的样本监督数据确定为0,表示表示第一负样本中实体提及在源域标注文本中的语义与负实例描述信息中描述内容不一致。
具体的,将第一正样本和第一负样本输入至实体链指模型,得到第一正样本的预测相似度和第一负样本的预测相似度;根据第一正样本的预测相似度和第一正样本所对应的样本监督数据,确定第一损失值;根据第一负样本的预测相似度和第一负样本所对应的样本监督数据,确定第二损失值;根据第一损失值和第二损失值对实体链指模型的参数进行微调,直到模型收敛。
需要说明的是,仅使用有标注的源域数据对实体链指模型进行微调,会造成样本数据分布偏移,导致实体链指准确度下降。而本实施例通过采用第一正样本、第一负样本和样本监督数据对实体链指模型进行微调,通过正样本和负样本的对比学习,可以提高实体链指模型的准确度。
本公开实施例提供的技术方案,通过根据源域标注文本中的实体提及,从源域知识库和目标域知识库中选择实体提及的正实例描述信息和负实例描述信息,并根据源域标注文本、正实例描述信息和负实例描述信息确定第一正样本和第一负样本,采用第一正样本和第一负样本以及样本监督数据对实体链指模型进行有监督训练。上述方案,通过采用源域和目标域的样本数据对实体链指模型进行有监督对比学习,有效解决了样本数据的分布偏移,提高了实体链指模型的准确度。
图2是根据本公开实施例提供的另一种实体链指模型的训练方法的流程图;本实施例是在上述实施例的基础上提出的一种可选方案。具体对操作“根据源域标注文本中的实体提及,从源域知识库和目标域知识库中选择实体提及的正实例描述信息和负实例描述信息”进行细化。
参见图2,本实施例提供的实体链指模型的训练方法包括:
S201,将源域知识库中与源域标注文本中实体提及关联的描述信息,作为关联描述信息。
具体的,可以将源域知识库中描述主体与源域标注文本中实体提及一致的描述信息,作为关联描述信息。
S202,根据实体提及的实体信息,从关联描述信息中选择正实例描述信息,以及负实例描述信息中的第一描述信息。
所谓实体提及的实体信息即为源域标注文本中实体提及所链接的描述主体的标识信息,该描述主体为源域知识库中实体的描述信息中的描述主体。实体信息例如可以是实体ID。进一步的,源域标注文本中实体提及的实体信息可以是预先确定的,且也可以标注在源域标注文本中。
具体的,可以将关联描述信息中描述主体的标识信息与实体提及的实体信息一致的描述信息,作为正实例描述信息;将关联描述信息中除正实例描述信息之外的其余描述信息,作为一部分负实例描述信息,即第一描述信息。
S203,将目标域知识库中与实体提及关联的描述信息,作为负实例描述信息中的第二描述信息。
其中,第二描述信息与第一描述信息共同构成负实例描述信息,第二描述信息从目标域知识库中选择。
具体的,将目标域知识库中描述主体与源域标注文本中实体提及一致的描述信息,作为另一部分负实例描述信息,即第二描述信息。
需要说明的是,源域中所包括的知识库与目标域中所包括的知识库不同,通过目标域知识库产生负实例描述信息,可丰富负样本。
S204,将源域标注文本和正实例描述信息,作为第一正样本。
S205,将源域标注文本和负实例描述信息,作为第一负样本。
S206,采用第一正样本、第一负样本、以及样本监督数据对实体链指模型进行有监督训练。
本公开实施例提供的技术方案,通过在源域知识库中选择正实例描述信息,以及一部分负实例描述信息,在目标域知识库中选择另外一部分负实例描述信息,将源域标注文本和正实例描述信息,作为第一正样本;将源域标注文本和负实例描述信息,作为第一负样本,充分利用了目标域知识库中的描述信息,丰富了第一负样本,提高了实体链指模型的准确度。上述方案,采用第一正样本和第一负样本,与样本监督数据对实体链指模型进行有监督训练,使得实体链指模型收益于对目标域数据和源域数据的对比学习,以及对正样本和负样本的对比学习,实体链指准确度大幅提高。
图3是利用本公开实施例提供的实体链指模型的训练方法对实体链指模型进行有监督训练的示意图。如图3所示,Label为样本监督数据,与Label=1对应的样本数据对为第一正样本,第一正样本由源域标注文本“好一个李白,好一个千金散尽还复来”和正实例描述信息“李白,字太白,号青莲居士,又号谪仙人,唐代伟大的浪漫主义诗人”构成。与Label=0对应的样本数据为第一负样本,第一负样本由源域标注文本分别与描述信息“《李白》是XX作词、作曲、编曲并演唱的歌曲,收录于原创专辑《模特》中”、“李白是游戏《以太之光》中的SSR英雄,酒中狂傲江湖客,人间自在逍遥仙”、以及“李白,是手游中的一位刺客型英雄角色”构成。可以知道的是,上述内容并不对第一正样本和第一负样本的数量和内容造成限定,仅用于说明。
图3中描述信息的来源以不同文本框底色示出,文本框底色为白色的描述信息来源于目标域知识库,文本框底色为灰色的输入文本来源于源域知识库。包含两个圆形的矩形表示输入实体链指模型的样本数据,矩形的灰度用于区分第一正样本和第一负样本。
具体的,将第一正样本、第一负样本、以及样本监督数据输入至实体链指模型,以对实体链指模型进行有监督训练。
图4是根据本公开实施例提供的又一种实体链指模型的训练方法的流程图;本实施例在采用上述任一实施例提供的实体链指模型的训练方法,对实体链指模型进行有监督训练的基础上,增加了对实体链指模型进行无监督训练的过程。
参见图4,本实施例提供的实体链指模型的训练方法包括:
S401,根据源域标注文本中的实体提及,从源域知识库和目标域知识库中选择实体提及的正实例描述信息和负实例描述信息。
S402,将源域标注文本和正实例描述信息,作为第一正样本。
S403,将源域标注文本和负实例描述信息,作为第一负样本。
S404,采用第一正样本、第一负样本、以及样本监督数据对实体链指模型进行有监督训练。
S405,从目标域知识库和/或目标域无标注文本中抽取至少两个目标文本数据。
其中,所谓目标文本数据即为从目标域知识库和/或目标域无标注文本中所抽取的文本内容。
可选的,可以随机或者按照一定的抽取策略从目标域知识库和/或目标域无标注文本中抽取至少两个目标文本数据。
S406,根据至少两个目标文本数据,生成第二正样本和第二负样本。
第二正样本区别于第一正样本,第二正样本是用于对实体链指模型进行无监督训练的正样本。第二正样本根据两个目标文本生成。利用第二正样本对实体链指模型进行无监督训练,可以给与实体链指模型正向教导。
第二负样本区别于第一负样本,第二负样本是用于对实体链指模型进行无监督训练的负样本。第二负样本根据两个目标文本数据生成。利用第二负样本对实体链指模型进行无监督训练,可以给与实体链指模型反向教导。
在一可实施方式中,可以将至少两个目标文本数据输入至样本生成模型,由样本生成模型基于至少两个目标文本数据产生第二正样本和第二负样本。
在又一个可实施方式中,根据至少两个目标文本数据,生成第二正样本和第二负样本可以是:对至少两个目标文本数据进行复制,得到至少两个复制文本数据;将目标文本数据和目标文本数据的复制文本数据的组合作为第二正样本,以及将不同目标文本数据间的组合作为第二负样本。
具体的,分别对至少两个目标文本数据进行复制,得到至少两个目标文本数据对应的复制文本数据;对目标文本数据和复制文本数据进行组合,以将目标文本数据和目标文本数据对应的复制文本数据的组合作为第二正样本,将不同目标文本数据间的组合作为第二负样本。例如,从目标域知识库和/或目标域无标注文本中抽取2个目标文本数据,分别为目标文本数据a和目标文本数据b;分别对目标文本数据a和目标文本数据b进行复制,得到复制文本数据a1和复制文本数据b1;将目标文本数据a和复制文本数据a1,以及目标文本数据b和复制文本数据b1作为第二正样本;将目标文本数据a和目标文本数据b,或者复制文本数据a1和复制文本数据b1作为第二负样本。
需要说明的是,本实施例提供了一种用于构建无监督学习训练样本的方法,为对实体链指模型进行无监督训练提供了数据支持。
S407,采用第二正样本和第二负样本,对有监督训练后的实体链指模型进行无监督训练。
具体的,将第二正样本和第二负样本输入至有监督训练后的实体链指模型,得到第二正样本的预测相似度和第二负样本的预测相似度;根据第二正样本的预测相似度和根据第二负样本的预测相似度,对有监督训练后的实体链指模型的参数进行微调。
可以理解的是,采用第二正样本和第二负样本对实体链指模型进行训练,通过对正样本和负样本的无监督对比学习,可以提高实体链指模型的准确度。
需要说明的是,实体链指模型的微调过程可以是通过多轮训练得到的。针对每一轮的训练,可以参见上述S401至S407。
本公开实施例提供的技术方案,通过根据源域标注文本中的实体提及,从源域知识库和目标域知识库中选择实体提及的正实例描述信息和负实例描述信息,并根据源域标注文本、正实例描述信息和负实例描述信息确定第一正样本和第一负样本,采用第一正样本和第一负样本以及样本监督数据对实体链指模型进行有监督训练。之后通过从目标域知识库和/或目标域无标注文本中抽取至少两个目标文本数据;根据至少两个目标文本数据,生成第二正样本和第二负样本;采用第二正样本和第二负样本,对有监督训练后的实体链指模型进行无监督训练。上述方案,在对实体链指模型进行有监督训练之后,又引入无监督训练,进一步提高了实体链指模型的准确度。
图5是利用本公开实施例提供的实体链指模型的训练方法对实体链指模型进行无监督训练的示意图。如图5所示,目标文本数据分别为“李白是游戏《以太之光》中的SSR英雄,酒中狂傲江湖客,人间自在逍遥仙”以及“李白,是手游中的一位刺客型英雄角色”。两个目标文本数据与各自的复制文本数据构成第二正样本,如目标文本数据“李白是游戏《以太之光》中的SSR英雄,酒中狂傲江湖客,人间自在逍遥仙”与其复制文本数据“李白是游戏《以太之光》中的SSR英雄,酒中狂傲江湖客,人间自在逍遥仙”构成一个第二正样本。第二目标负样本是通过将不同目标文本数据进行组合得到的。例如,“李白是游戏《以太之光》中的SSR英雄,酒中狂傲江湖客,人间自在逍遥仙”以及“李白,是手游中的一位刺客型英雄角色”之间的组合。可以知道的是,上述内容并不对第二正样本和第二负样本的数量和内容造成限定,仅用于说明。
图5中包含两个圆形的矩形表示输入实体链指模型的样本数据,矩形的灰度可以区分第二正样本和第二负样本。
在一个优选的实施例中,首先对实体链指模型进行有监督训练,然后再对实体链指模型进行无监督训练,重复上述操作,直至达到设定训练批数或实体链指模型收敛,则停止训练批次训练方式。
具体的,将有监督学习的第一正样本和第一负样本输入实体链指模型,得到第一正样本的预测相似度和第一负样本的预测相似度;采用第一正样本的预测相似度和第一负样本的样本监督数据(即Label=1,相似度为1)计算一个损失,同时采用第一负样本的预测相似度和第一负样本的样本监督数据(即Label=0,相似度为0)计算一个损失,根据所计算的两个损失对实体链指模型的参数进行调整;之后,将无监督学习的第二正样本和第二负样本对输入至实体链指模型,得到第二正样本的预测相似度和第二负样本的预测相似度;根据第二正样本的预测相似度和根据第二负样本的预测相似度,再次对有监督训练后的实体链指模型的参数进行微调。重复上述操作,直至达到设定训练批数或模型收敛,则停止训练批次训练方式。
可选的,实体链指模型适用于实体消歧过程,用于将输入文本中的实体提及链指到目标域知识库中描述信息。可以知道的是,实体消歧过程可以进一步的分为候选实体生成阶段和候选实体消歧阶段。相应的,在一个优选的实施例中,实体链指模型为通过对预训练语言模型进行预训练得到,进一步为通过对两个预训练语言模型进行预训练得到。也就是说,本实施例中的实体链指模型可以由第一模型和第二模型构成。
其中,第一模型为通过对第一预训练语言模型进行预训练得到,用于候选实体生成阶段;第二模型为通过对第二预训练语言模型进行预训练得到,用于候选实体消歧阶段。
值得注意的是,第一模型和第二模型是基于相同的预训练语言模型训练得到的。优选的,第一模型和第二模型的微调过程均可采用上述实施例所述实体链指模型的训练方法。
进一步的,第一模型和第二模型的微调过程可以独立进行,也可以串行进行。对此本实施例不做限定。
图6是根据本公开实施例提供的一种实体链指方法的流程图,该方法适用于基于实体链指模型进行实体链指的情况。尤其适用于利用上述任一实施例所述实体链指模型的训练方法,训练得到实体链指模型进行实体链指的情况。该方法可以由实体链指模型的训练装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成承载实体链指功能的电子设备中。如图6所示,本实施例的实体链指方法可以包括:
S601,对目标文本中的实体提及进行标注。
其中,目标文本是指需要进行实体链指的文本。
可选的,通过对目标文本进行实体识别,可确定目标文本中的实体提及,并可对目标文本中的实体提及进行标注。例如,可以是以不同颜色突出显示的方式将实体提及示出,也可以是将实体提及以异于目标文本中其他文字的字体或者字号示出。目标文本中实体提及的标注方式在这里不作限定,具体根据实际情况确定。
S602,将标注后的目标文本输入至实体链指模型,得到从目标域知识库中选择的实体提及的描述信息。
其中,实体链指模型根据上述任一实施例中提供的实体链指模型的训练方法训练得到。
具体的,将标注后的目标文本输入至实体链指模型,通过实体链指模型从目标域知识库中选择目标文本中已标注实体提及的描述信息。
在一个优选的实施例中,实体链指模型可以包括第一模型和第二模型。具体的,通过第一模型对目标文本和目标域知识库中的描述信息进行文本相似度计算,生成至少两个候选实体;通过第二模型对至少两个候选实体进行排序,选择文本相似度最高的实体,如果该实体的文本相似度高于预设阈值,则返回该实体的描述信息,否则返回NIL(无值)。
本公开实施例提供的技术方案,通过对目标文本中的实体提及进行标注,将标注后的目标文本输入至经过有监督训练等得到的实体链指模型中,可得到从目标域知识库中选择的实体提及的描述信息。上述方案,通过采用源域数据和目标域数据对实体链指模型进行对比学习,提高了实体链指模型的准确度,进而基于实体链指模型进行实体链指的准确性较高。
图7是根据本公开实施例提供的一种实体链指模型的训练装置的结构示意图。本公开实施例适用于对进行实体链指模型的训练的情况,尤其适用于对用于独立域的实体链指模型进行训练的情况。该装置可以采用软件和/或硬件来实现,该装置可以实现本公开任意实施例所述的实体链指模型的训练方法。如图7所示,该实体链指模型的训练装置700包括:
实例描述信息选择模块701、第一正样本确定模块702、第一负样本确定模块703和有监督训练模块704。
其中,实例描述信息选择模块701,用于根据源域标注文本中的实体提及,从源域知识库和目标域知识库中选择实体提及的正实例描述信息和负实例描述信息;
第一正样本确定模块702,用于将源域标注文本和正实例描述信息,作为第一正样本;
第一负样本确定模块703,用于将源域标注文本和负实例描述信息,作为第一负样本;
有监督训练模块704,用于采用第一正样本、第一负样本、以及样本监督数据对实体链指模型进行有监督训练。
本公开实施例提供的技术方案,通过根据源域标注文本中的实体提及,从源域知识库和目标域知识库中选择所述实体提及的正实例描述信息和负实例描述信息,并根据源域标注文本、正实例描述信息和负实例描述信息确定第一正样本和第一负样本,采用第一正样本和第一负样本以及样本监督数据对实体链指模型进行有监督训练。上述方案,通过采用源域和目标域的样本数据对实体链指模型进行有监督对比学习,有效解决了样本数据的分布偏移,提高了实体链指模型的准确度。
可选的,实例描述信息选择模块701包括:
关联描述信息确定单元,用于将源域知识库中与源域标注文本中实体提及关联的描述信息,作为关联描述信息;
第一描述信息确定单元,用于根据实体提及的实体信息,从关联描述信息中选择正实例描述信息,以及负实例描述信息中的第一描述信息;
第二描述信息确定单元,用于将目标域知识库中与实体提及关联的描述信息,作为负实例描述信息中的第二描述信息。
可选的,上述装置还包括:
目标描述信息抽取模块,用于从目标域知识库和/或目标域无标注文本中抽取至少两个目标文本数据;
第二样本生成模块,用于根据至少两个目标文本数据,生成第二正样本和第二负样本;
无监督训练模块,用于采用第二正样本和第二负样本,对有监督训练后的实体链指模型进行无监督训练。
可选的,第二样本生成模块包括:
描述信息复制单元,用于对至少两个目标文本数据进行复制,得到至少两个复制文本数据;
第二样本确定单元,用于将目标文本数据和目标文本数据的复制文本数据的组合作为第二正样本,以及将不同目标文本数据间的组合作为第二负样本。
本公开实施例所提供的实体链指模型的训练装置可执行本公开任意实施例所提供的实体链指模型的训练方法,具备执行实体链指模型的训练方法相应的功能模块和有益效果。
图8是根据本公开实施例提供的一种实体链指装置的结构示意图。本公开实施例适用于基于实体链指模型进行实体链指的情况,尤其适用于利用上述任一实施例所述实体链指模型的训练方法,训练得到实体链指模型进行实体链指的情况。该装置可以采用软件和/或硬件来实现,该装置可以实现本公开任意实施例所述的实体链指方法。如图8所示,该实体链指装置800包括:实体提及标注模块801和描述信息确定模块802。
其中,实体提及标注模块801,用于对目标文本中的实体提及进行标注;
描述信息确定模块802,用于将标注后的目标文本输入至实体链指模型,得到从目标域知识库中选择的实体提及的描述信息;
其中,实体链指模型根据本公开任一实施例的实体链指模型的训练方法训练得到。
本公开实施例提供的技术方案,通过对目标文本中的实体提及进行标注,将标注后的目标文本输入至经过有监督训练等得到的实体链指模型中,可得到从目标域知识库中选择的实体提及的描述信息。上述方案,通过采用源域数据和目标域数据对实体链指模型进行对比学习,提高了实体链指模型的准确度,进而基于实体链指模型进行实体链指的准确性较高。
本公开的技术方案中,所涉及的源域数据和目标域数据等的获取,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9示出了可以用来实施本公开的实施例的示例电子设备900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、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9所示,电子设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许电子设备900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901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901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901执行上文所描述的各个方法和处理,例如实体链指模型的训练方法或者实体链指方法。例如,在一些实施例中,实体链指模型的训练方法或者实体链指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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的实体链指模型的训练方法或者实体链指方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行实体链指模型的训练方法或者实体链指方法。
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实体链指模型的训练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。
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、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用和存储设备等,并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
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 (13)
1.一种实体链指模型的训练方法,包括:
根据源域标注文本中的实体提及,从源域知识库和目标域知识库中选择所述实体提及的正实例描述信息和负实例描述信息;
将所述源域标注文本和所述正实例描述信息,作为第一正样本;
将所述源域标注文本和所述负实例描述信息,作为第一负样本;
采用所述第一正样本、所述第一负样本、以及样本监督数据对实体链指模型进行有监督训练。
2.根据权利要求1所述的方法,其中,所述根据源域标注文本中的实体提及,从源域知识库和目标域知识库中选择所述实体提及的正实例描述信息和负实例描述信息,包括:
将所述源域知识库中与所述源域标注文本中实体提及关联的描述信息,作为关联描述信息;
根据所述实体提及的实体信息,从所述关联描述信息中选择正实例描述信息,以及负实例描述信息中的第一描述信息;
将所述目标域知识库中与所述实体提及关联的描述信息,作为所述负实例描述信息中的第二描述信息。
3.根据权利要求1所述的方法,还包括:
从所述目标域知识库和/或目标域无标注文本中抽取至少两个目标文本数据;
根据所述至少两个目标文本数据,生成第二正样本和第二负样本;
采用所述第二正样本和所述第二负样本,对有监督训练后的实体链指模型进行无监督训练。
4.根据权利要求3所述的方法,其中,所述根据所述至少两个目标文本数据,生成第二正样本和第二负样本,包括:
对所述至少两个目标文本数据进行复制,得到至少两个复制文本数据;
将目标文本数据和目标文本数据的复制文本数据的组合作为第二正样本,以及将不同目标文本数据间的组合作为第二负样本。
5.一种实体链指方法,包括:
对目标文本中的实体提及进行标注;
将标注后的目标文本输入至实体链指模型,得到从目标域知识库中选择的所述实体提及的描述信息;
其中,所述实体链指模型根据权利要求1至4中任一所述的方法训练得到。
6.一种实体链指模型的训练装置,包括:
实例描述信息选择模块,用于根据源域标注文本中的实体提及,从源域知识库和目标域知识库中选择所述实体提及的正实例描述信息和负实例描述信息;
第一正样本确定模块,用于将所述源域标注文本和所述正实例描述信息,作为第一正样本;
第一负样本确定模块,用于将所述源域标注文本和所述负实例描述信息,作为第一负样本;
有监督训练模块,用于采用所述第一正样本、所述第一负样本、以及样本监督数据对实体链指模型进行有监督训练。
7.根据权利要求6所述的装置,其中,所述实例描述信息选择模块,包括:
关联描述信息确定单元,用于将所述源域知识库中与所述源域标注文本中实体提及关联的描述信息,作为关联描述信息;
第一描述信息确定单元,用于根据所述实体提及的实体信息,从所述关联描述信息中选择正实例描述信息,以及负实例描述信息中的第一描述信息;
第二描述信息确定单元,用于将所述目标域知识库中与所述实体提及关联的描述信息,作为所述负实例描述信息中的第二描述信息。
8.根据权利要求6所述的装置,还包括:
目标描述信息抽取模块,用于从所述目标域知识库和/或目标域无标注文本中抽取至少两个目标文本数据;
第二样本生成模块,用于根据所述至少两个目标文本数据,生成第二正样本和第二负样本;
无监督训练模块,用于采用所述第二正样本和所述第二负样本,对有监督训练后的实体链指模型进行无监督训练。
9.根据权利要求8所述的装置,其中,所述第二样本生成模块,包括:
描述信息复制单元,用于对所述至少两个目标文本数据进行复制,得到至少两个复制文本数据;
第二样本确定单元,用于将目标文本数据和目标文本数据的复制文本数据的组合作为第二正样本,以及将不同目标文本数据间的组合作为第二负样本。
10.一种实体链指装置,包括:
实体提及标注模块,用于对目标文本中的实体提及进行标注;
描述信息确定模块,用于将标注后的目标文本输入至实体链指模型,得到从目标域知识库中选择的所述实体提及的描述信息;
其中,所述实体链指模型根据权利要求6至9中任一所述的装置训练得到。
11.一种电子设备,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1-4中任一项所述的实体链指模型的训练方法,或执行权利要求5所述的实体链指方法。
12.一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1-4中任一项所述的实体链指模型的训练方法,或执行权利要求5所述的实体链指方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-4中任一项所述的实体链指模型的训练方法,或执行权利要求5所述的实体链指方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111536727.8A CN114239583B (zh) | 2021-12-15 | 2021-12-15 | 实体链指模型的训练及实体链指方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111536727.8A CN114239583B (zh) | 2021-12-15 | 2021-12-15 | 实体链指模型的训练及实体链指方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114239583A true CN114239583A (zh) | 2022-03-25 |
CN114239583B CN114239583B (zh) | 2023-04-07 |
Family
ID=80756508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111536727.8A Active CN114239583B (zh) | 2021-12-15 | 2021-12-15 | 实体链指模型的训练及实体链指方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239583B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023207096A1 (zh) * | 2022-04-29 | 2023-11-02 | 浪潮电子信息产业股份有限公司 | 一种实体链接方法、装置、设备及非易失性可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190220749A1 (en) * | 2018-01-17 | 2019-07-18 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Text processing method and device based on ambiguous entity words |
CN110472239A (zh) * | 2019-07-25 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 实体链接模型的训练方法、装置及电子设备 |
WO2021212682A1 (zh) * | 2020-04-21 | 2021-10-28 | 平安国际智慧城市科技股份有限公司 | 知识抽取方法、装置、电子设备及存储介质 |
CN113609847A (zh) * | 2021-08-10 | 2021-11-05 | 北京百度网讯科技有限公司 | 信息抽取方法、装置、电子设备及存储介质 |
US20210383069A1 (en) * | 2020-06-09 | 2021-12-09 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, device, and storage medium for linking entity |
-
2021
- 2021-12-15 CN CN202111536727.8A patent/CN114239583B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190220749A1 (en) * | 2018-01-17 | 2019-07-18 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Text processing method and device based on ambiguous entity words |
CN110472239A (zh) * | 2019-07-25 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 实体链接模型的训练方法、装置及电子设备 |
WO2021212682A1 (zh) * | 2020-04-21 | 2021-10-28 | 平安国际智慧城市科技股份有限公司 | 知识抽取方法、装置、电子设备及存储介质 |
US20210383069A1 (en) * | 2020-06-09 | 2021-12-09 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, device, and storage medium for linking entity |
CN113609847A (zh) * | 2021-08-10 | 2021-11-05 | 北京百度网讯科技有限公司 | 信息抽取方法、装置、电子设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023207096A1 (zh) * | 2022-04-29 | 2023-11-02 | 浪潮电子信息产业股份有限公司 | 一种实体链接方法、装置、设备及非易失性可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114239583B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110737758B (zh) | 用于生成模型的方法和装置 | |
CN112579727B (zh) | 文档内容的提取方法、装置、电子设备及存储介质 | |
CN112560479A (zh) | 摘要抽取模型训练方法、摘要抽取方法、装置和电子设备 | |
CN115688920B (zh) | 知识抽取方法、模型的训练方法、装置、设备和介质 | |
CN114281968B (zh) | 一种模型训练及语料生成方法、装置、设备和存储介质 | |
CN112784589B (zh) | 一种训练样本的生成方法、装置及电子设备 | |
CN114548110A (zh) | 语义理解方法、装置、电子设备及存储介质 | |
CN113553412B (zh) | 问答处理方法、装置、电子设备和存储介质 | |
CN112528677A (zh) | 一种语义向量提取模型的训练方法、装置及电子设备 | |
CN113204611A (zh) | 建立阅读理解模型的方法、阅读理解方法及对应装置 | |
CN112580339B (zh) | 模型的训练方法、装置、电子设备及存储介质 | |
CN116152833B (zh) | 基于图像的表格还原模型的训练方法及表格还原方法 | |
US20230103728A1 (en) | Method for sample augmentation | |
CN113360001A (zh) | 输入文本的处理方法、装置、电子设备和存储介质 | |
CN113641830A (zh) | 模型预训练方法、装置、电子设备和存储介质 | |
CN113051368A (zh) | 双塔模型训练方法、检索方法、装置及电子设备 | |
CN115062718A (zh) | 语言模型训练方法、装置、电子设备及存储介质 | |
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 | |
CN117290515A (zh) | 文本标注模型的训练方法、文生图方法及装置 | |
CN112528658A (zh) | 层次化分类方法、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 | |
CN113051396B (zh) | 文档的分类识别方法、装置和电子设备 | |
CN112784599B (zh) | 诗句的生成方法、装置、电子设备和存储介质 | |
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 | |
CN114841172A (zh) | 文本匹配双塔模型的知识蒸馏方法、装置及程序产品 |
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 |