CN114330718B - 因果关系的提取方法、装置及电子设备 - Google Patents
因果关系的提取方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114330718B CN114330718B CN202111592599.9A CN202111592599A CN114330718B CN 114330718 B CN114330718 B CN 114330718B CN 202111592599 A CN202111592599 A CN 202111592599A CN 114330718 B CN114330718 B CN 114330718B
- Authority
- CN
- China
- Prior art keywords
- vector
- text
- processed
- round
- answers
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本公开提供了因果关系的提取方法、装置及电子设备,涉及人工智能领域,尤其涉及知识图谱、深度学习领域。具体实现方案为:获取待处理文本;将待处理文本和第一问题输入第一机器阅读理解模型,得到第一轮答案,第一问题用于问询待处理文本中的原因,第一轮答案包括待处理文本中的至少一个原因;将待处理文本和第二问题输入第二机器阅读理解模型,得到第二轮答案,第二问题用于问询待处理文本中的原因的结果,第二轮答案包括原因的至少一个结果。从而提高了因果关系提取的准确率。
Description
技术领域
本公开涉及知识图谱、深度学习等人工智能技术领域,尤其涉及一种因果关系的提取方法、装置及电子设备。
背景技术
事件图谱中存在大量因果相关的知识,挖掘事件之间的因果关系对于事件预测、事件推理等下游应用具有巨大价值。
目前,主流的因果关系提取方法仍是基于规则的方法,通过人工归纳因果相关的连词,如“因为”、“导致”、“由于”等,然后构建规则模板,利用规则模板从文本中挖掘<原因,结果>。
这种方法的局限性在于不是所有因果关系都是由因果连词引导的,也不是包含因果连词的句子一定具有因果关系,且规则也是无法穷举的,因而利用规则模板进行因果关系的准确率较低。
发明内容
本公开提供了一种用于提高准确率的因果关系的提取方法、装置及电子设备。
根据本公开的第一方面,提供了一种因果关系的提取方法,包括:
获取待处理文本;
将所述待处理文本和第一问题输入第一机器阅读理解模型,得到第一轮答案,所述第一问题用于问询所述待处理文本中的原因,所述第一轮答案包括所述待处理文本中的至少一个原因;
将所述待处理文本和第二问题输入第二机器阅读理解模型,得到第二轮答案,所述第二问题用于问询所述待处理文本中的所述原因的结果,所述第二轮答案包括所述原因的至少一个结果。
根据本公开的第二方面,提供了一种因果关系的提取装置,包括:
获取模块,用于获取待处理文本;
第一提取模块,用于将所述待处理文本和第一问题输入第一机器阅读理解模型,得到第一轮答案,所述第一问题用于问询所述待处理文本中的原因,所述第一轮答案包括所述待处理文本中的至少一个原因;
第二提取模块,用于将所述待处理文本和第二问题输入第二机器阅读理解模型,得到第二轮答案,所述第二问题用于问询所述待处理文本中的所述原因的结果,所述第二轮答案包括所述原因的至少一个结果。
根据本公开的第三方面,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第一方面所述的方法。
根据本公开的第四方面,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所述计算机执行第一方面所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
根据本公开的技术方案,提高了因果关系提取的准确率。
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是根据本公开提供的一种复杂因果关系示意图;
图2是根据本公开实施例提供的一种因果关系的提取方法的流程示意图;
图3是根据本公开实施例提供的一种第二机器阅读理解模型的示意图;
图4是根据本公开实施例提供的一种因果关系的提取装置的结构示意图;
图5是用来实现本公开实施例的因果关系的提取方法的电子设备的示意性框图。
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。
由于基于规则模板的因果关系的提取方法准确率较低,随着深度学习的发展,基于深度学习模型的因果关系提取方法也逐渐应用,这类方法通常是将因果关系的提取转化为序列标注问题,利用深度学习模型标注出文本中的原因和结果。这种利用深度学习模型进行序列标注的方法可以很好的解决规则模板覆盖率低的问题,但是序列标注的深度学习模型很难解决复杂因果的抽取,当文本中出现如图1所示的多对因果,多音多果嵌套因果或隐式因果等情况时,无法进行原因和结果的配对,导致准确率仍然较低。
为此,本公开实施例中提出基于机器阅读理解(Machine ReadingComprehension,MRC)模型,利用多轮多答案的机器阅读理解模型来实现复杂因果的自动抽取与配对,提升因果关系提取的准确率。
本公开提供一种因果关系的提取方法、装置及电子设备,应用于人工智能领域中的知识图谱、深度学习领域,以提高因果关系提取的准确率。
下面,将通过具体的实施例对本公开提供的因果关系的提取方法进行详细地说明。可以理解的是,下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2是根据本公开实施例提供的一种因果关系的提取方法的流程示意图。该方法的执行主体为因果关系的提取装置,该装置可以通过软件和/或硬件的方式实现。如图2所示,该方法包括:
S201、获取待处理文本。
待处理文本为待提取因果关系的文本,待处理文本中的因果关系可以为简单因果关系也可以是复杂因果关系,示例的,简单因果关系为待处理文本中只包括一对一的因果关系,复杂因果关系为待处理文本中包括多对因果、多因多果、嵌套因果、隐式因果等情况,其中,隐式因果是指没有因果连词引导的因果关系。
S202、将待处理文本和第一问题输入第一机器阅读理解模型,得到第一轮答案,第一问题用于问询待处理文本中的原因,第一轮答案包括待处理文本中的至少一个原因。
本步骤中的第一机器阅读理解模型用于根据第一问题从待处理文本中得到相应的第一轮答案。当第一问题用于问询待处理文本中的原因,则第一机器阅读理解模型输出的第一轮答案为待处理文本中的至少一个原因。例如,第一问题为:原因是什么,又如,第一问题为:文本中包括哪些原因,公开实施例中并不限定对于第一问题的具体描述形式,只要其表征问询待处理文本中的原因即可。
示例的,待处理文本为:销量下降的原因主要源于供货不足,及产地气候变化导致的品质下降。第一问题为:原因是什么,第一轮答案为:供货不足、产地气候变化、品质下降。
S203、将待处理文本和第二问题输入第二机器阅读理解模型,得到第二轮答案,第二问题用于问询待处理文本中的原因的结果,第二轮答案包括原因的至少一个结果。
第二机器阅读理解模型用于根据第二问题从待处理文本中得到相应的第二轮答案。其中第二问题用于问询第一轮答案中的原因的结果,相应的,第二轮答案即为第一轮答案中的原因的结果。
需要说明的是,若第一轮答案包括的原因是多个,则需要分别将用于问询每个原因的结果的第二问题和将待处理文本输入第二机器阅读理解模型,得到每个原因对应的第二轮答案,也就是每个原因对应的结果。
示例的,待处理文本为:销量下降的原因主要源于供货不足,及产地气候变化导致的品质下降。第一问题为:原因是什么。第一轮答案为:供货不足、产地气候变化、品质下降。则在本步骤中应分别针对第一轮答案中的三个原因进行处理,其中,一个第二问题为:供货不足的结果是什么,将该第二问题和待处理文本输入第二机器阅读理解模型,得到的第二轮答案为:销量下降。另一个第二问题为:产地气候变化的结果是什么,将该第二问题和待处理文本输入第二机器阅读理解模型,得到的第二轮答案为:品质下降。又一个第二问题为:品质下降的结果是什么,将该第二问题和待处理文本输入第二机器阅读理解模型,得到的第二轮答案为:销量下降。
这样,通过S202和S203的两轮处理,即可得到待处理文本中包括的原因和结果以及原因和结果之间的对应关系,实现了准确的因果关系提取。
本公开实施例中,基于机器阅读理解模型,利用第一轮中的多答案的第一机器阅读理解模型来提取待处理文本中的原因,再利用第二轮中的多答案的第二机器阅读理解模型来提取每个原因对应的结构,实现了复杂因果的自动抽取与配对,提升了因果关系提取的准确率。
可选的,在上述实施例的基础上,第二机器阅读理解模型可以是知识增强的机器阅读理解模型。S203中将待处理文本和第二问题输入第二机器阅读理解模型,得到第二轮答案,包括:
将待处理文本和第二问题输入第二机器阅读理解模型中的初始机器阅读理解模型,得到初始答案向量;通过第二机器阅读理解模型,提取待处理文本中的关键字;根据初始答案向量和关键字,生成第二轮答案。
第二机器阅读理解模型可以是在初始机器阅读理解模型的基础上引入知识能力得到的模型。第二机器阅读理解模型除了根据第二问题得到初始答案向量之外,还提取待处理文本中的关键字,根据初始答案向量和关键字共同生成第二轮答案。可选的,通过第二机器阅读理解模型,提取待处理文本中的关键字;根据关键字生成知识增强向量;根据初始答案向量和知识增强向量,生成第二轮答案。从而,提升了结果的准确性,提升了对隐式因果提取的能力。
在一种应用场景中,本公开实施例的方法应用于金融、经济等领域中,待处理文本的关键字包括产业关键字,产业关键字是能够表征待处理文字所涉及或所属的产业的信息,例如,产业关键字可以是企业名称,通过企业名称可以确定企业所属的产业,产业关键字可以是产业名称,如石油产业、畜牧产业等。相应的,通过第二机器阅读理解模型,提取待处理文本中的产业关键字;根据产业关键字生成知识增强向量,例如,根据产业关键字从产业链图谱中获取包含产业关键字的产业链路径;将产业链路径编码为知识增强向量;根据初始答案向量和知识增强向量,生成第二轮答案。
示例的,待处理文本中包括的一个产业关键字为“XX企业”,从产业链图谱中查询得到“XX企业”对应的产业链路径为<养殖与屠宰,食品加工,分销/物流,品牌推广>,将该产业链路径进行编码,得到知识增强向量。
可选的,对初始答案向量和知识增强向量进行向量融合,得到知识增强的答案向量;对知识增强的答案向量进行解码,得到第二轮答案。其中,对初始答案向量和知识增强向量进行向量融合可以是,采用注意力(attention)机制对初始答案向量和知识增强向量进行向量融合,利用产业链知识,提升了对隐式因果提取的能力。
示例的,第二机器阅读理解模型的处理如图3中所示,将待处理文本和第二问题输入其中的初始机器阅读理解模型,得到初始答案向量,根据待处理文本和产业链图谱得到产业链路径,并生成知识增强向量,采用注意力机制对初始答案向量和知识增强向量进行向量融合,解码得到第二轮答案。
图4是根据本公开实施例提供的一种因果关系的提取装置的结构示意图。如图4所示,因果关系的提取装置400包括:
获取模块401,用于获取待处理文本;
第一提取模块402,用于将待处理文本和第一问题输入第一机器阅读理解模型,得到第一轮答案,第一问题用于问询待处理文本中的原因,第一轮答案包括待处理文本中的至少一个原因;
第二提取模块403,用于将待处理文本和第二问题输入第二机器阅读理解模型,得到第二轮答案,第二问题用于问询待处理文本中的原因的结果,第二轮答案包括原因的至少一个结果。
在一种实施方式中,第二提取模块403包括:
处理单元,用于将待处理文本和第二问题输入第二机器阅读理解模型中的初始机器阅读理解模型,得到初始答案向量;
提取单元,用于通过第二机器阅读理解模型,提取待处理文本中的关键字;
生成单元,用于根据初始答案向量和关键字,生成第二轮答案。
在一种实施方式中,生成单元包括:
第一生成单元,用于根据关键字生成知识增强向量;
第二生成单元,用于根据初始答案向量和知识增强向量,生成第二轮答案。
在一种实施方式中,关键字包括产业关键字,第一生成单元包括:
获取子单元,用于根据产业关键字从产业链图谱中获取包含产业关键字的产业链路径;
编码子单元,用于将产业链路径编码为知识增强向量。
在一种实施方式中,第二生成单元包括:
融合子单元,用于对初始答案向量和知识增强向量进行向量融合,得到知识增强的答案向量;
解码子单元,用于对知识增强的答案向量进行解码,得到第二轮答案。
在一种实施方式中,融合子单元用于:
采用注意力机制对初始答案向量和知识增强向量进行向量融合。
本公开实施例的装置可用于执行上述方法实施例中的因果关系的提取方法,其实现原理和技术效果类似,此处不再赘述。
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。
根据本公开的实施例,本公开还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图5是用来实现本公开实施例的因果关系的提取方法的电子设备的示意性框图。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5所示,电子设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理,例如因果关系的提取方法。例如,在一些实施例中,因果关系的提取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508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的因果关系的提取方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行因果关系的提取方法。
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)、复杂可编程逻辑设备(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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。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 (12)
1.一种因果关系的提取方法,包括:
获取待处理文本;
将所述待处理文本和第一问题输入第一机器阅读理解模型,得到第一轮答案,所述第一问题用于问询所述待处理文本中的原因,所述第一轮答案包括所述待处理文本中的至少一个原因;
将所述待处理文本和第二问题输入第二机器阅读理解模型中的初始机器阅读理解模型,得到初始答案向量;
通过所述第二机器阅读理解模型,提取所述待处理文本中的关键字;
根据所述初始答案向量和所述关键字,生成第二轮答案;所述第二问题用于问询所述待处理文本中的所述原因的结果,所述第二轮答案包括所述原因的至少一个结果。
2.根据权利要求1所述的方法,其中,所述根据所述初始答案向量和所述关键字,生成第二轮答案,包括:
根据所述关键字生成知识增强向量;
根据所述初始答案向量和所述知识增强向量,生成所述第二轮答案。
3.根据权利要求2所述的方法,其中,所述关键字包括产业关键字,所述根据所述关键字生成知识增强向量,包括:
根据所述产业关键字从产业链图谱中获取包含所述产业关键字的产业链路径;
将所述产业链路径编码为所述知识增强向量。
4.根据权利要求2或3所述的方法,其中,所述根据所述初始答案向量和所述知识增强向量,生成所述第二轮答案,包括:
对所述初始答案向量和所述知识增强向量进行向量融合,得到知识增强的答案向量;
对所述知识增强的答案向量进行解码,得到所述第二轮答案。
5.根据权利要求4所述的方法,其中,所述对所述初始答案向量和所述知识增强向量进行向量融合,包括:
采用注意力机制对所述初始答案向量和所述知识增强向量进行向量融合。
6.一种因果关系的提取装置,包括:
获取模块,用于获取待处理文本;
第一提取模块,用于将所述待处理文本和第一问题输入第一机器阅读理解模型,得到第一轮答案,所述第一问题用于问询所述待处理文本中的原因,所述第一轮答案包括所述待处理文本中的至少一个原因;
第二提取模块,用于将所述待处理文本和第二问题输入第二机器阅读理解模型,得到第二轮答案,所述第二问题用于问询所述待处理文本中的所述原因的结果,所述第二轮答案包括所述原因的至少一个结果;
所述第二提取模块包括:
处理单元,用于将所述待处理文本和所述第二问题输入所述第二机器阅读理解模型中的初始机器阅读理解模型,得到初始答案向量;
提取单元,用于通过所述第二机器阅读理解模型,提取所述待处理文本中的关键字;
生成单元,用于根据所述初始答案向量和所述关键字,生成所述第二轮答案。
7.根据权利要求6所述的装置,其中,所述生成单元包括:
第一生成单元,用于根据所述关键字生成知识增强向量;
第二生成单元,用于根据所述初始答案向量和所述知识增强向量,生成所述第二轮答案。
8.根据权利要求7所述的装置,其中,所述关键字包括产业关键字,所述第一生成单元包括:
获取子单元,用于根据所述产业关键字从产业链图谱中获取包含所述产业关键字的产业链路径;
编码子单元,用于将所述产业链路径编码为所述知识增强向量。
9.根据权利要求7或8所述的装置,其中,所述第二生成单元包括:
融合子单元,用于对所述初始答案向量和所述知识增强向量进行向量融合,得到知识增强的答案向量;
解码子单元,用于对所述知识增强的答案向量进行解码,得到所述第二轮答案。
10.根据权利要求9所述的装置,其中,所述融合子单元用于:
采用注意力机制对所述初始答案向量和所述知识增强向量进行向量融合。
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1-5中任一项所述的方法。
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所述计算机执行根据权利要求1-5中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111592599.9A CN114330718B (zh) | 2021-12-23 | 2021-12-23 | 因果关系的提取方法、装置及电子设备 |
US18/069,144 US20230124188A1 (en) | 2021-12-23 | 2022-12-20 | Extraction of causal relationship |
EP22216072.3A EP4202789A1 (en) | 2021-12-23 | 2022-12-22 | Method and apparatus for extracting causal relationship, and electronic device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111592599.9A CN114330718B (zh) | 2021-12-23 | 2021-12-23 | 因果关系的提取方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114330718A CN114330718A (zh) | 2022-04-12 |
CN114330718B true CN114330718B (zh) | 2023-03-24 |
Family
ID=81054968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111592599.9A Active CN114330718B (zh) | 2021-12-23 | 2021-12-23 | 因果关系的提取方法、装置及电子设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230124188A1 (zh) |
EP (1) | EP4202789A1 (zh) |
CN (1) | CN114330718B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114881124B (zh) * | 2022-04-21 | 2023-07-25 | 北京百度网讯科技有限公司 | 因果关系图的构建方法、装置、电子设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188362A (zh) * | 2019-06-10 | 2019-08-30 | 北京百度网讯科技有限公司 | 文本处理方法及装置 |
CN112035652A (zh) * | 2020-10-30 | 2020-12-04 | 杭州云嘉云计算有限公司 | 一种基于机器阅读理解的智能问答交互方法及系统 |
CN113590776A (zh) * | 2021-06-23 | 2021-11-02 | 北京百度网讯科技有限公司 | 基于知识图谱的文本处理方法、装置、电子设备及介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11657094B2 (en) * | 2019-06-28 | 2023-05-23 | Meta Platforms Technologies, Llc | Memory grounded conversational reasoning and question answering for assistant systems |
CN111046152B (zh) * | 2019-10-12 | 2023-09-29 | 平安科技(深圳)有限公司 | Faq问答对自动构建方法、装置、计算机设备及存储介质 |
CN110955761A (zh) * | 2019-10-12 | 2020-04-03 | 深圳壹账通智能科技有限公司 | 文书中问答数据获取方法、装置、计算机设备和存储介质 |
CN111428021B (zh) * | 2020-06-05 | 2023-05-30 | 平安国际智慧城市科技股份有限公司 | 基于机器学习的文本处理方法、装置、计算机设备及介质 |
CN112509690B (zh) * | 2020-11-30 | 2023-08-04 | 北京百度网讯科技有限公司 | 用于控制质量的方法、装置、设备和存储介质 |
CN113505207B (zh) * | 2021-07-02 | 2024-02-20 | 中科苏州智能计算技术研究院 | 一种金融舆情研报的机器阅读理解方法及系统 |
-
2021
- 2021-12-23 CN CN202111592599.9A patent/CN114330718B/zh active Active
-
2022
- 2022-12-20 US US18/069,144 patent/US20230124188A1/en active Pending
- 2022-12-22 EP EP22216072.3A patent/EP4202789A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188362A (zh) * | 2019-06-10 | 2019-08-30 | 北京百度网讯科技有限公司 | 文本处理方法及装置 |
CN112035652A (zh) * | 2020-10-30 | 2020-12-04 | 杭州云嘉云计算有限公司 | 一种基于机器阅读理解的智能问答交互方法及系统 |
CN113590776A (zh) * | 2021-06-23 | 2021-11-02 | 北京百度网讯科技有限公司 | 基于知识图谱的文本处理方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
US20230124188A1 (en) | 2023-04-20 |
CN114330718A (zh) | 2022-04-12 |
EP4202789A1 (en) | 2023-06-28 |
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 | |
CN113239705B (zh) | 语义表示模型的预训练方法、装置、电子设备和存储介质 | |
CN113408299B (zh) | 语义表示模型的训练方法、装置、设备和存储介质 | |
CN113342345A (zh) | 深度学习框架的算子融合方法、装置 | |
CN113836314B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN113590776A (zh) | 基于知识图谱的文本处理方法、装置、电子设备及介质 | |
CN112528641A (zh) | 建立信息抽取模型的方法、装置、电子设备和可读存储介质 | |
CN114724168A (zh) | 深度学习模型的训练方法、文本识别方法、装置和设备 | |
CN112580732A (zh) | 模型训练方法、装置、设备、存储介质和程序产品 | |
CN114330718B (zh) | 因果关系的提取方法、装置及电子设备 | |
CN113904943A (zh) | 账号检测方法、装置、电子设备和存储介质 | |
CN113641829A (zh) | 图神经网络的训练与知识图谱的补全方法、装置 | |
CN113407610A (zh) | 信息抽取方法、装置、电子设备和可读存储介质 | |
CN113468857A (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
CN113157877A (zh) | 多语义识别方法、装置、设备和介质 | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
CN114399513B (zh) | 用于训练图像分割模型和图像分割的方法、装置 | |
CN114490969B (zh) | 基于表格的问答方法、装置以及电子设备 | |
CN113807091B (zh) | 词语挖掘方法、装置、电子设备和可读存储介质 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN114048315A (zh) | 确定文档标签的方法、装置、电子设备和存储介质 | |
CN113869042A (zh) | 文本标题生成方法、装置、电子设备以及存储介质 | |
CN114841172A (zh) | 文本匹配双塔模型的知识蒸馏方法、装置及程序产品 | |
CN113254578A (zh) | 用于数据聚类的方法、装置、设备、介质和产品 | |
CN112784967A (zh) | 信息处理方法、装置以及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |