CN114416990A - 对象关系网络的构建方法、装置和电子设备 - Google Patents
对象关系网络的构建方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114416990A CN114416990A CN202210051806.8A CN202210051806A CN114416990A CN 114416990 A CN114416990 A CN 114416990A CN 202210051806 A CN202210051806 A CN 202210051806A CN 114416990 A CN114416990 A CN 114416990A
- Authority
- CN
- China
- Prior art keywords
- objects
- determining
- similarity
- participle
- keywords
- 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
- 238000010276 construction Methods 0.000 title claims description 14
- 238000000034 method Methods 0.000 claims abstract description 81
- 239000013598 vector Substances 0.000 claims description 111
- 238000013145 classification model Methods 0.000 claims description 79
- 238000000605 extraction Methods 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 33
- 230000011218 segmentation Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012512 characterization method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect 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
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 238000012216 screening Methods 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
- 238000012795 verification 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
- G06F16/35—Clustering; Classification
-
- 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
-
- 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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3347—Query execution using vector based model
-
- 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
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/268—Morphological analysis
-
- 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
-
- 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)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种对象关系网络的构建方法、装置和电子设备,涉及深度神经网络、深度学习等人工智能技术领域。具体实现方案为:通过提取多个对象各自对应的文本内容中的关键词,得到各对象对应的关键词;并根据对象对应的关键词,确定多个对象之间的相似度;再根据多个对象之间的相似度,构建多个对象之间的对象关系网络。鉴于通过多个对象之间的相似度,构建的对象关系网络可以准确地描述对象之间的关系紧密程度,因此,通过构建的对象关系网络可以有效地多个对象进行管理。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及深度神经网络、深度学习等人工智能技术领域,具体涉及一种对象关系网络的构建方法、装置和电子设备。
背景技术
在对多个对象进行管理时,以企业中的多个管理政策和制度为例,例如招聘制度、人才管理、干部管理、组织管理等制度。通常情况下,制度之间存在关联关系,例如相互引用关系、上下游依赖关系等。
鉴于制度之间存在关联关系,若某一个制度发生调整,例如制度变更,则可能会引起其他具有关联关系的制度的联动变更,因此,如何有效地对多个对象进行有效管理是本公开技术人员亟待解决的问题。
发明内容
本公开提供了一种对象关系网络的构建方法、装置和电子设备,可以有效地对多个对象进行管理。
根据本公开的第一方面,提供了一种对象关系网络的构建方法,该对象关系网络的构建方法可以包括:
提取多个对象各自对应的文本内容中的关键词,得到各对象对应的关键词。
根据所述对象对应的关键词,确定所述多个对象之间的相似度。
根据所述多个对象之间的相似度,构建所述多个对象之间的对象关系网络。
根据本公开的第二方面,提供了一种分类模型的训练方法,该分类模型的训练方法可以包括:
获取多个样本组合分词;其中,各样本组合分词对应有标签,所述标签用于指示样本组合分词是否为关键词。
将多个样本组合分词对应的样本向量表征输入至初始分类模型中,得到所述各样本组合分词对应的预测结果;其中,预测结果用于指示样本组合分词是否为关键词。
根据所述样本组合分词对应的预测结果和标签,更新所述初始分类模型的网络参数。
根据本公开的第三方面,提供了一种对象关系网络的构建装置,该对象关系网络的构建装置可以包括:
提取单元,用于提取多个对象各自对应的文本内容中的关键词,得到各对象对应的关键词。
确定单元,用于根据所述对象对应的关键词,确定所述多个对象之间的相似度。
构建单元,用于根据所述多个对象之间的相似度,构建所述多个对象之间的对象关系网络。
根据本公开的第四方面,提供了一种分类模型的训练装置,该分类模型的训练装置可以包括:
获取单元,用于获取多个样本组合分词;其中,各样本组合分词对应有标签,所述标签用于指示样本组合分词是否为关键词。
处理单元,用于将多个样本组合分词对应的样本向量表征输入至初始分类模型中,得到所述各样本组合分词对应的预测结果;其中,预测结果用于指示样本组合分词是否为关键词。
更新单元,用于根据所述样本组合分词对应的预测结果和标签,更新所述初始分类模型的网络参数。
根据本公开的第五方面,提供了一种电子设备,该电子设备可以包括:
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上述第一方面所述的对象关系网络的构建方法;或者,上述第二方面所述的分类模型的训练方法。
根据本公开的第六方面,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上述第一方面所述的对象关系网络的构建方法;或者,上述第二方面所述的分类模型的训练方法。
根据本公开的第七方面,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上述第一方面所述的对象关系网络的构建方法;或者,执行上述第二方面所述的分类模型的训练方法。
根据本公开的技术方案,可以有效地对多个对象进行管理。
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是根据本公开第一实施例提供的对象关系网络的构建方法的流程示意图;
图2是根据本公开第二实施例提供的提取各对象对应的关键词的方法的流程示意图;
图3是根据本公开第三实施例提供的确定第一对象和第二对象之间的相似度的方法的流程示意图;
图4是根据本公开第四实施例提供的构建多个对象之间的对象关系网络的方法的流程示意图;
图5是本公开实施例提供的一种对象关系网络的示意图;
图6是根据本公开第五实施例提供的分类模型的训练方法的流程示意图;
图7是根据本公开第六实施例提供的更新初始分类模型的网络参数的方法的流程示意图;
图8是根据本公开第七实施例提供的对象关系网络的构建装置的结构示意图;
图9是根据本公开第八实施例提供的分类模型的训练装置的结构示意图;
图10是本公开实施例提供的一种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。
在本公开的实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的访问关系,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,其中A,B可以是单数或者复数。在本公开的文字描述中,字符“/”一般表示前后关联对象是一种“或”的关系。此外,在本公开实施例中,“第一”、“第二”、“第三”、“第四”、“第五”以及“第六”只是为了区分不同对象的内容而已,并无其它特殊含义。
本公开实施例提供的技术方案可以应用于深度神经网络、深度学习等人工智能技术领域。以企业制度管理场景为例,企业中通常会存在多个管理制度。通常情况下,制度之间存在关联关系,例如相互引用关系、上下游依赖关系等。若某一个制度发生调整,例如制度变更,则可能会引起其他具有关联关系的制度的联动变更。
目前,在对多个制度进行管理时,通常是采用人工的方式对多个制度进行管理,但是,采用人工管理的方式,不仅使得人工成本花费较大,而且凭经验判断制度之间是否存在关系,没有精准的数学模型做支撑,难以量化制度之间的关系紧密程度,从而造成管理难度大、效率低。因此,如何有效地对多个制度进行有效管理是本公开技术人员亟待解决的问题。
为了可以有效地对多个制度进行管理,考虑到制度之间的关系主要是通过制度对应的文本内容体现,因此,可以提取多个制度各自对应的文本内容中的关键词,得到各制度对应的关键词;并根据制度对应的关键词,确定多个制度之间的相似度;再根据多个制度之间的相似度,构建多个制度之间的对象关系网络。鉴于通过多个制度之间的相似度,构建的对象关系网络可以准确地描述制度之间的关系紧密程度,因此,通过构建的对象关系网络可以有效地多个制度进行管理。
基于上述技术构思,本公开实施例提供了一种对象关系网络的构建方法,下面,将通过具体的实施例对本公开提供的对象关系网络的构建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。
实施例一
图1是根据本公开第一实施例提供的对象关系网络的构建方法的流程示意图,该对象关系网络的构建方法可以由软件和/或硬件装置执行,例如,该硬件装置可以为终端或者服务器。示例的,请参见图1所示,该对象关系网络的构建方法可以包括:
S101、提取多个对象各自对应的文本内容中的关键词,得到各对象对应的关键词。
以对象为企业中的制度为例,示例的,在获取多个制度各自对应的文本内容时,鉴于不同制度文档的格式存在多样性,例如图片、可携带文档格式(portable documentformat,PDF)、PPT、Word等格式,因此,可以采用不同的获取方法,获取多个制度各自对应的文本内容。
针对图片格式和PDF格式的制度文档,示例的,可以采用光学符号识别(opticalcharacter recognition,OCR)技术抽取制度文档中有效的文本内容;针对PPT格式和Word格式的制度文档,示例的,可以利用Microsoft Office软件工具,将制度文档转换为文本内容,以获取到制度文档中有效的文本内容,具体可以根据实际需要进行设置,在此,本公开实施例只是以这几种格式的制度文档为例进行描述,但并不代表本公开实施例仅局限于此。示例的,在获取到多个制度各自对应的文本内容后,还可以统一采用txt格式进行存储,便于计算机程序读写。
示例的,在提取多个对象各自对应的文本内容中的关键词时,可以现有的关键词提取算法,提取多个对象各自对应的文本内容中的关键词;也可以采用基于深度学习训练得到的关键词提取模型提取多个对象各自对应的文本内容中的关键词,具体可以根据实际需要进行设置,在此,对于关键词的提取方法,本公开实施例不做具体限制。
上述通过对多个对象各自对应的文本内容中的关键词进行提取,得到各对象对应的关键词后,鉴于关键词可以在一定程度上较好地表达对象对应的文本内容,因此,可以根据对象对应的关键词,确定多个对象之间的相似度,即执行下述S102:
S102、根据对象对应的关键词,确定多个对象之间的相似度。
通常情况下,两个对象的相似度与两个对象的关系紧密程度成正相关关系,即两个对象之间的相似度值越大,说明两个对象之间的关系紧密程度越高;反之,两个对象之间的相似度值越小,说明两个对象之间的关系紧密程度越低。
在确定出多个对象之间的相似度后,就可以根据多个对象之间的相似度,构建多个对象之间的对象关系网络,即执行下述S103:
S103、根据多个对象之间的相似度,构建多个对象之间的对象关系网络。
可以看出,本公开实施例中,通过提取多个对象各自对应的文本内容中的关键词,得到各对象对应的关键词;并根据对象对应的关键词,确定多个对象之间的相似度;再根据多个对象之间的相似度,构建多个对象之间的对象关系网络。鉴于通过多个对象之间的相似度,构建的对象关系网络可以准确地描述对象之间的关系紧密程度,因此,通过构建的对象关系网络可以有效地多个对象进行管理。
结合上述图1所示的实施例,当对象为企业制度时,采用上述图1所示的技术方案可以构建企业制度之间的制度关系网络。鉴于通过多个制度之间的相似度,构建的制度关系网络可以准确地描述制度之间的关系紧密程度,因此,通过构建的制度关系网络可以有效地多个对象进行管理。相对于现有的采用人工方式对制度进行管理,减少人力投入成本,并能智能化地描述制度之间的关系紧密程度,不仅可以为企业管理者提供自动化管理工具,而且可以为企业管理提供科学的数据支撑。
基于上述图1所示的实施例,为了便于理解在上述S101中,如何提取多个对象各自对应的文本内容中的关键词,下面,将通过下述图2所示的实施例二进行详细描述。
实施例二
图2是根据本公开第二实施例提供的提取各对象对应的关键词的方法的流程示意图,该方法同样可以由软件和/或硬件装置执行。示例的,请参见图2所示,该提取各对象对应的关键词的方法可以包括:
S201、将对象对应的文本内容输入至关键词提取模型中,通过关键词提取模型中的分词模型,得到多个组合词汇各自对应的向量表征。
示例的,通过关键词提取模型中的分词模型,获取多个组合词汇各自对应的向量表征时,可以先通过分词模型提取文本内容中的多个分词;并根据分词对应的词嵌入向量和词性向量,确定分词对应的向量表征;再根据分词对应的向量表征,确定多个组合词汇各自对应的向量表征;其中,多个组合词汇是由多个相邻分词构成的。
示例的,通过关键词提取模型中的分词模型提取文本内容中的多个分词时,可以通过分词模型对文本内容进行分词处理,得到多个分词和各分词的词性;并进一步确定分词对应的词嵌入向量;在确定分词对应的词性向量时,可以根据分词的词性确定分词对应的词性向量,从而获取到分词对应的词嵌入向量和词性向量。示例的,词性可以为动词、名词、介词或者形容词等,具体可以根据实际需要进行设置。
继续以对象为企业中的制度为例,示例的,在本公开实施例中,假设总共有D个制度,每一个制度对应有各自的制度文档,即总共有D篇制度文档,在确定分词对应的向量表征时,可以采用分词模型中的中文分词算法,例如jieba分词,对其中的第i篇制度文档,可记为d(i)对应的文本内容进行分词处理,可以得到多个分词对应的分词列表和各分词的词性;其中,词语列表可记为w(i),分词的词性可记为p(i)。
在获取到第i篇制度文档对应的分词列表w(i)后,可以采用分词模型中的word2vec技术,学习每个分词对应的词嵌入向量其中,词嵌入向量用于表征每个分词的语义信息,j表示第i篇制度文档对应的分词列表w(i)中的第j个分词;此外,可以采用分词模型中的词性的词典,对每个分词的词性进行one-hot编码,生成词性向量其中,词性向量用于表征每个分词在上下文中的词性信息,从而获取到分词对应的词嵌入向量和词性向量。
在分别获取到分词对应的词嵌入向量和词性向量后,就可以根据分词对应的词嵌入向量和词性向量,确定分词对应的向量表征。示例的,结合上述描述,以分词为第i篇制度文档对应的分词列表w(i)中的第j个分词,根据该分词对应的词嵌入向量和词性向量为确定该第分词对应的向量表征时,可以对词嵌入向量和词性向量为进行连接操作,可参见下述公式1:
其中,X(i)表示第i篇制度文档对应的矩阵,Ni表示第i篇制度文档对应的分词数量。
在获取到各分词对应的向量表征后,考虑到通常情况下,分词粒度较细,可以对分词按顺序进行N-gram组合操作,假设预设划窗值N=2,3,…,k,则可以将分词中,相邻的k个词组合为一个新词,即组合词汇,该组合词汇为多个相邻分词的序列,从而得到多个组合词汇,并可以根据组合词汇中包括的分词,确定多个组合词汇对应的向量表征。
示例的,假设某一篇制度文档对应有6个分词,且预设划窗值N为2,则通过N-gram组合可以得到5个组合词汇,该5个组合词汇分别包括:分词1和分词2构成的组合词汇、分词2和分词3构成的组合词汇、分词3和分词4构成的组合词汇、分词4和分词5构成的组合词汇、以及分词5和分词6构成的组合词汇。
在通过上述操作,得到多个组合词汇各自对应的向量表征后,就可以将多个组合词汇各自对应的向量表征,输入至关键词提取模型中的分类模型中,以从多个组合词汇中筛选得到关键词,即执行下述S202;可以理解的是,关键词也是组合词汇。
S202、将多个组合词汇各自对应的向量表征,输入至关键词提取模型中的分类模型中,得到对象对应的关键词。
可以看出,本公开实施例中,在提取各对象对应的关键词时,可以先将对象对应的文本内容输入至关键词提取模型中,通过关键词提取模型中的分词模型,得到多个组合词汇各自对应的向量表征;再将多个组合词汇各自对应的向量表征,输入至关键词提取模型中的分类模型中,得到对象对应的关键词,这样通过关键词提取模型可以准确地提取出对象对应的关键词,从而提高了获取到的关键词的准确度。
基于上述任一实施例,为在上述S102中,根据多个对象对应的关键词,确定多个对象之间的相似度时,通常情况下,针对多个对象中的任意两个对象,均会确定相似度。下面,将以多个对象中的任意两个对象,可记为第一对象和第二对象,并根据第一对象和第二对象各自的关键词,确定该第一对象和第二对象之间的相似度为例,对如何根据多个对象对应的关键词,确定多个对象之间的相似度进行描述,可参见下述实施例三。
实施例三
图3是根据本公开第三实施例提供的确定第一对象和第二对象之间的相似度的方法的流程示意图,该方法同样可以由软件和/或硬件装置执行。示例的,请参见图3所示,该方法可以包括:
S301、根据第一对象和第二对象各自对应的关键词,确定第一对象和第二对象对应的交集关键词和并集关键词。
示例的,假设第一对象对应的关键词包括:关键词a、关键词b、关键词c、关键词d、以及关键词e;第二对象对应的关键词包括:关键词a、关键词b、关键词c、关键词f、以及关键词g;则该第一对象和第二对象对应的交集关键词包括:关键词a、关键词b、以及关键词c,对应的并集关键词包括:关键词a、关键词b、关键词c、关键词d、关键词e、关键词f、以及关键词g。
S302、根据第一对象对应的关键词确定第一对象对应的第一向量表征,及根据第二对象对应的关键词确定第二对象对应的第二向量表征。
示例的,在本公开实施例中,根据第一对象对应的关键词确定第一对象对应的第一向量表征时,可以采用word2vec技术学习第一对象对应的各关键词的词嵌入向量;并对各关键词的词嵌入向量求平均,从而得到第一对象对应的第一向量表征。类似的,根据第二对象对应的关键词确定第二对象对应的第二向量表征时,同样可以采用word2vec技术学习第二对象对应的各关键词的词嵌入向量;并对各关键词的词嵌入向量求平均,从而得到第二对象对应的第二向量表征。
可以理解的是,在本公开实施例中,S301和S302之间并无先后顺序,可以先执行S301,再执行S302;也可以先执行S302,再执行S301;也可以同时执行S301和S302,具体可以根据实际需要进行设置,在此,本公开实施例只是以先执行S301,再执行S302为例进行说明,但并不代表本公开实施例仅局限于此。
S303、根据交集关键词、并集关键词、第一向量表征以及第二向量表征,确定第一对象和第二对象之间的相似度。
示例的,根据交集关键词、并集关键词、第一向量表征以及第二向量表征,确定第一对象和第二对象之间的相似度时,可以根据交集关键词的数量与并集关键词的数量的比值,确定第一对象和第二对象之间的第一相似度,例如jaccard相似度等;并根据第一向量表征和第二向量表征,确定第一对象和第二对象之间的第二相似度,例如cosine相似度、欧式距离相似度等;再根据第一相似度和第二相似度,确定第一对象和第二对象之间的相似度。
示例的,根据第一相似度和第二相似度,确定第一对象和第二对象之间的相似度时,可以直接确定第一相似度和第二相似度的平均值,将平均值确定为第一对象和第二对象之间的相似度;也可以对第一相似度和第二相似度的加权平均,权重不同,并将加权平均结果确定为第一对象和第二对象之间的相似度,从而获取到第一对象和第二对象之间的相似度。
可以看出,本公开实施例中,在确定第一对象和第二对象之间的相似度时,可以根据第一对象和第二对象各自对应的关键词,确定第一对象和第二对象对应的交集关键词和并集关键词;并根据第一对象对应的关键词确定第一对象对应的第一向量表征,及根据第二对象对应的关键词确定第二对象对应的第二向量表征;再根据交集关键词、并集关键词、第一向量表征以及第二向量表征,共同确定第一对象和第二对象之间的相似度,这样可以有效地提高确定出的相似度的准确度。
基于上述任一实施例,为了便于理解在上述S103中,如何根据多个对象之间的相似度,构建多个对象之间的对象关系网络,下面,将通过下述图4所示的实施例四进行详细描述。
实施例四
图4是根据本公开第四实施例提供的构建多个对象之间的对象关系网络的方法的流程示意图,该方法同样可以由软件和/或硬件装置执行。示例的,请参见图4所示,该方法可以包括:
S401、根据多个对象之间的相似度,从多个对象中确定目标对象;其中,目标对象对应的相似度大于预设阈值。
其中,预设阈值的取值可以根据实际需要进行设置,在此,对于预设阈值的取值,本公开实施例不做具体限制。
考虑到若两个对象之间的相似度值较小,则说明两个对象之间的关系紧密程度越低,针对关系紧密程度较低的对象,则无需建立之间的关系,因此,在确定出多个对象之间的相似度后,可以进一步根据相似度值,从多个对象中筛选出相似度大于预设阈值的目标对象,这样后续可以仅建立包括目标对象的对象关系网络,无需考虑关系紧密程度较低的对象,从而有效地简化了对象关系网络。
在从多个对象中确定出关系紧密程度较高的目标对象后,就可以进一步确定目标对象对应的中心度,执行下述S402:
S402、确定目标对象对应的中心度;其中,中心度用于指示目标对象在待生成的对象关系网络中的位置。
示例的,可以采用社交网络算法,确定目标对象对应的中心度,也可以采用其他类似算法确定目标对象对应的中心度,具体可以根据实际需要进行设置。
S403、根据目标对象对应的中心度,构建对象关系网络。
示例的,根据目标对象对应的中心度,构建对象关系网络时,在一种可能的实现方式中,可以仅根据目标对象对应的中心度构建对象关系网络。其中,构建的对象关系网络中,位置较近的目标对象之间关系紧密程度较高,若某一个目标对象发生调整,例如对象变更,则可能会引起位置较近的目标对象的联动变更,而不会引起其他位置较远的目标对象的变更,这样可以基于对象关系网络对多个对象进行有效管理。
在另一种可能的实现方式中,可以对先对目标对象进行聚类,得到多个聚类结果;其中,不同聚类结果中的目标对象在待生成的对象关系网络中的节点标识不同;根据目标对象对应的中心度和节点标识,构建对象关系网络。示例的,节点标识可以为节点的颜色,或者节点的填充内容等,只要可以区分不同聚类结果中的目标对象即可。示例的,可参见图5所示,图5是本公开实施例提供的一种对象关系网络的示意图,图5中相同填充内容的节点表示的目标对象之间关系紧密程度较高,若某一个目标对象发生调整,例如对象变更,则可能会引起同聚类结果中目标对象的联动变更,这样可以基于对象关系网络对多个对象进行有效管理。
可以看出,本公开实施例,在构建对象关系网络时,可以先根据多个对象之间的相似度,从多个对象中确定目标对象;并确定目标对象对应的中心度;再根据目标对象对应的中心度,构建对象关系网络。这样若某一个目标对象发生调整,则可以直观地根据对象关系网络确定出发生联动调整的目标对象,实现了对多个对象的有效管理。
基于上述任一实施例,上述通过关键词提取模型获取对象对应的关键词之前,需要先训练得到关键词提取模型。示例的,在训练关键词提取模型时,虽然关键词提取模型中包括分词模型和分类模型,但在本公开实施例中,可以仅训练分类模型,这样在训练得到分类模型后,就可以根据现有的分词模型和训练得到的分类模型,以训练得到关键词提取模型。下面,将通过下述图5所示的实施例五,详细描述在本公开实施例中,如何训练得到分类模型。
实施例五
图6是根据本公开第五实施例提供的分类模型的训练方法的流程示意图,该方法同样可以由软件和/或硬件装置执行。示例的,请参见图6所示,该分类模型的训练方法可以包括:
S601、获取多个样本组合分词;其中,各样本组合分词对应有标签,标签用于指示样本组合分词是否为关键词。
示例的,获取多个样本组合分词时,在一种可能的实现方式中,该多个样本组合分词可以均为人工标注的多个样本组合分词,例如第一次迭代过程中采用的多个样本组合分词。
在另一种可能的实现方式中,考虑到人工标注的多个样本组合分词较难获得,因此,该多个样本组合分词中,部分样本组合分词为人工标注的多个样本组合分词,部分样本组合分词为基于多个样本组合分词的分类结果得到的新的样本组合分词。例如,将人工标注的多个样本组合分词作为初始训练样本,通过初始分类模型得到样本组合分词的分类结果;若分类结果指示样本组合分词为关键词,这些关键词与对应的样本组合分词经过人工校验后,可以作为新的样本组合分词;并将人工标注的多个样本组合分词和新的样本组合分词,作为多个样本组合分词,例如多次迭代过程中采用的多个样本组合分词。
在获取到多个样本组合分词后,就可以执行下述S602:
S602、将多个样本组合分词对应的样本向量表征输入至初始分类模型中,得到各样本组合分词对应的预测结果;其中,预测结果用于指示样本组合分词是否为关键词。
示例的,本公开实施例中,获取多个样本组合分词对应的样本向量表征时,可以通过分词模型获取样本组合分词对应的样本向量表征,其具体实现方法与上述S201中,获取组合词汇各自对应的向量表征的方法类似,可参见上述S201中,获取组合词汇各自对应的向量表征的相关描述,在此,本公开实施例不再进行赘述。
在将多个样本组合分词对应的样本向量表征输入至初始分类模型中,得到各样本组合分词对应的预测结果后,就可以根据样本组合分词对应的预测结果和标签,更新初始分类模型的网络参数,即执行下述S603:
S603、根据样本组合分词对应的预测结果和标签,更新初始分类模型的网络参数。
示例的,根据样本组合分词对应的预测结果和标签,更新初始分类模型的网络参数时,若更新后的分类模型收敛,则直接将更新后的分类模型确定为最终的分类模型;若更新后的分类模型未收敛,则重复执行上述S601-S603,更新分类模型的网络参数,直至更新后的分类模型收敛,并将收敛时的分类模型确定为最终的分类模型,从而训练得到分类模型。
可以看出,本公开实施例中,在训练分类模型时,可以先获取多个样本组合分词;并将多个样本组合分词对应的样本向量表征输入至初始分类模型中,得到各样本组合分词对应的预测结果;再根据样本组合分词对应的预测结果和标签,更新初始分类模型的网络参数,这样可以获取到准确度较高的分类模型,从而提高了获取到的分类模型的准确度。
基于上述图6所示的实施例,为了便于理解在上述S603中,如何根据样本组合分词对应的预测结果和标签,更新初始分类模型的网络参数,下面,将通过下述图7所示的实施例六进行详细描述。
实施例六
图7是根据本公开第六实施例提供的更新初始分类模型的网络参数的方法的流程示意图,该方法同样可以由软件和/或硬件装置执行。示例的,请参见图7所示,该方法可以包括:
S701、根据样本组合分词对应的预测结果和标签,构造样本组合分词对应的损失函数。
示例的,损失函数可以为交叉熵损失函数,也可以为其它损失函数,具体可以根据实际需要进行设置。
S702、根据样本组合分词对应的损失函数,更新初始分类模型的网络参数。
示例的,根据样本组合分词损失函数,更新初始分类模型的网络参数时,鉴于多个样本组合分词为执行一次训练操作用到的训练样本,因此,可以根据各样本组合分词对应的损失函数,确定该多个样本组合分词对应的平均损失函数,并根据平均损失函数更新初始分类模型的网络参数。
可以看出,本公开实施例中,在训练分类模型时,可以先根据样本组合分词对应的预测结果和标签,构造样本组合分词对应的损失函数;再根据样本组合分词对应的损失函数,更新初始分类模型的网络参数,这样可以获取到准确度较高的分类模型,从而提高了获取到的分类模型的准确度。
实施例七
图8是根据本公开第七实施例提供的对象关系网络的构建装置80的结构示意图,示例的,请参见图8所示,该对象关系网络的构建装置80可以包括:
提取单元801,用于提取多个对象各自对应的文本内容中的关键词,得到各对象对应的关键词。
确定单元802,用于根据对象对应的关键词,确定多个对象之间的相似度。
构建单元803,用于根据多个对象之间的相似度,构建多个对象之间的对象关系网络。
可选的,提取单元801包括第一提取模块和第二提取模块。
第一提取模块,用于将对象对应的文本内容输入至关键词提取模型中,通过关键词提取模型中的分词模型,得到多个组合词汇各自对应的向量表征。
第二提取模块,用于将多个组合词汇各自对应的向量表征,输入至关键词提取模型中的分类模型中,得到对象对应的关键词。
可选的,第一提取模块包括第一提取子模块、第二提取子模块以及第三提取子模块。
第一提取子模块,用于通过分词模型提取文本内容中的多个分词。
第二提取子模块,用于根据分词对应的词嵌入向量和词性向量,确定分词对应的向量表征。
第三提取子模块,用于根据分词对应的向量表征,确定多个组合词汇各自对应的向量表征;其中,多个组合词汇是由多个相邻分词构成的。
可选的,多个对象包括第一对象和第二对象,确定单元802包括第一确定模块、第二确定模块以及第三确定模块。
第一确定模块,用于根据第一对象和第二对象各自对应的关键词,确定第一对象和第二对象对应的交集关键词和并集关键词。
第二确定模块,用于根据第一对象对应的关键词确定第一对象对应的第一向量表征,及根据第二对象对应的关键词确定第二对象对应的第二向量表征。
第三确定模块,用于根据交集关键词、并集关键词、第一向量表征以及第二向量表征,确定第一对象和第二对象之间的相似度。
可选的,第三确定模块包括第一确定子模块、第二确定子模块以及第三确定子模块。
第一确定子模块,用于根据交集关键词的数量与并集关键词的数量的比值,确定第一对象和第二对象之间的第一相似度。
第二确定子模块,用于根据第一向量表征和第二向量表征,确定第一对象和第二对象之间的第二相似度。
第三确定子模块,用于根据第一相似度和第二相似度,确定第一对象和第二对象之间的相似度。
可选的,构建单元803包括第一构建模块、第二构建模块以及第三构建模块。
第一构建模块,用于根据多个对象之间的相似度,从多个对象中确定目标对象;其中,目标对象对应的相似度大于预设阈值。
第二构建模块,用于确定目标对象对应的中心度;其中,中心度用于指示目标对象在待生成的对象关系网络中的位置。
第三构建模块,用于根据目标对象对应的中心度,构建对象关系网络。
可选的,第三构建模块包括第一构建子模块和第二构建子模块。
第一构建子模块,用于对目标对象进行聚类,得到多个聚类结果;其中,不同聚类结果中的目标对象在待生成的对象关系网络中的节点标识不同。
第二构建子模块,用于根据目标对象对应的中心度和节点标识,构建对象关系网络。
本公开实施例提供的对象关系网络的构建装置80,可以执行上述任一实施例所示的对象关系网络的构建方法的技术方案,其实现原理以及有益效果与对象关系网络的构建方法的实现原理及有益效果类似,可参见对象关系网络的构建方法的实现原理及有益效果,此处不再进行赘述。
实施例八
图9是根据本公开第八实施例提供的分类模型的训练装置90的结构示意图,示例的,请参见图9所示,该分类模型的训练装置90可以包括:
获取单元901,用于获取多个样本组合分词;其中,各样本组合分词对应有标签,标签用于指示样本组合分词是否为关键词。
处理单元902,用于将多个样本组合分词对应的样本向量表征输入至初始分类模型中,得到各样本组合分词对应的预测结果;其中,预测结果用于指示样本组合分词是否为关键词。
更新单元903,用于根据样本组合分词对应的预测结果和标签,更新初始分类模型的网络参数。
可选的,更新单元903包括第一更新模块和第二更新模块。
第一更新模块,用于根据样本组合分词对应的预测结果和标签,构造样本组合分词对应的损失函数。
第二更新模块,用于根据样本组合分词对应的损失函数,更新初始分类模型的网络参数。
本公开实施例提供的分类模型的训练装置90,可以执行上述任一实施例所示的分类模型的训练方法的技术方案,其实现原理以及有益效果与分类模型的训练方法的实现原理及有益效果类似,可参见分类模型的训练方法的实现原理及有益效果,此处不再进行赘述。
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10是本公开实施例提供的一种电子设备100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10所示,设备100包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM1003中,还可存储设备100操作所需的各种程序和数据。计算单元1001、ROM1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备100中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备100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1001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1001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1001执行上文所描述的各个方法和处理,例如对象关系网络的构建方法或者分类模型的训练方法。例如,在一些实施例中,对象关系网络的构建方法或者分类模型的训练方法,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1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备100上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的对象关系网络的构建方法或者分类模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行对象关系网络的构建方法或者分类模型的训练方法。
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,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 (21)
1.一种对象关系网络的构建方法,包括:
提取多个对象各自对应的文本内容中的关键词,得到各对象对应的关键词;
根据所述对象对应的关键词,确定所述多个对象之间的相似度;
根据所述多个对象之间的相似度,构建所述多个对象之间的对象关系网络。
2.根据权利要求1所述的方法,其中,所述提取多个对象各自对应的文本内容中的关键词,得到各对象对应的关键词,包括:
将所述对象对应的文本内容输入至关键词提取模型中,通过所述关键词提取模型中的分词模型,得到多个组合词汇各自对应的向量表征;
将所述多个组合词汇各自对应的向量表征,输入至所述关键词提取模型中的分类模型中,得到所述对象对应的关键词。
3.根据权利要求2所述的方法,其中,所述通过所述关键词提取模型中的分词模型,得到多个组合词汇各自对应的向量表征,包括:
通过所述分词模型提取所述文本内容中的多个分词;
根据所述分词对应的词嵌入向量和词性向量,确定所述分词对应的向量表征;
根据所述分词对应的向量表征,确定所述多个组合词汇各自对应的向量表征;其中,所述多个组合词汇是由多个相邻分词构成的。
4.根据权利要求1-3任一项所述的方法,其中,所述多个对象包括第一对象和第二对象,根据所述对象对应的关键词,确定所述第一对象和所述第二对象之间的相似度,包括:
根据所述第一对象和所述第二对象各自对应的关键词,确定所述第一对象和所述第二对象对应的交集关键词和并集关键词;
根据所述第一对象对应的关键词确定所述第一对象对应的第一向量表征,及根据所述第二对象对应的关键词确定所述第二对象对应的第二向量表征;
根据所述交集关键词、所述并集关键词、所述第一向量表征以及所述第二向量表征,确定所述第一对象和所述第二对象之间的相似度。
5.根据权利要求4所述的方法,其中,所述根据所述交集关键词、所述并集关键词、所述第一向量表征以及所述第二向量表征,确定所述第一对象和所述第二对象之间的相似度,包括:
根据所述交集关键词的数量与所述并集关键词的数量的比值,确定所述第一对象和所述第二对象之间的第一相似度;
根据所述第一向量表征和所述第二向量表征,确定所述第一对象和所述第二对象之间的第二相似度;
根据所述第一相似度和所述第二相似度,确定第一对象和所述第二对象之间的相似度。
6.根据权利要求1-5任一项所述的方法,其中,所述根据所述多个对象之间的相似度,构建所述多个对象之间的对象关系网络,包括:
根据所述多个对象之间的相似度,从所述多个对象中确定目标对象;其中,所述目标对象对应的相似度大于预设阈值;
确定所述目标对象对应的中心度;其中,所述中心度用于指示所述目标对象在待生成的对象关系网络中的位置;
根据所述目标对象对应的中心度,构建所述对象关系网络。
7.根据权利要求6所述的方法,其中,所述根据所述目标对象对应的中心度,构建所述对象关系网络,包括:
对所述目标对象进行聚类,得到多个聚类结果;其中,不同聚类结果中的目标对象在所述待生成的对象关系网络中的节点标识不同;
根据所述目标对象对应的中心度和节点标识,构建所述对象关系网络。
8.一种分类模型的训练方法,包括:
获取多个样本组合分词;其中,各样本组合分词对应有标签,所述标签用于指示样本组合分词是否为关键词;
将多个样本组合分词对应的样本向量表征输入至初始分类模型中,得到所述各样本组合分词对应的预测结果;其中,预测结果用于指示样本组合分词是否为关键词;
根据所述样本组合分词对应的预测结果和标签,更新所述初始分类模型的网络参数。
9.根据权利要求8所述的方法,其中,所述根据所述样本组合分词对应的预测结果和标签,更新所述初始分类模型的网络参数,包括:
根据所述样本组合分词对应的预测结果和标签,构造所述样本组合分词对应的损失函数;
根据所述样本组合分词对应的损失函数,更新所述初始分类模型的网络参数。
10.一种对象关系网络的构建装置,包括:
提取单元,用于提取多个对象各自对应的文本内容中的关键词,得到各对象对应的关键词;
确定单元,用于根据所述对象对应的关键词,确定所述多个对象之间的相似度;
构建单元,用于根据所述多个对象之间的相似度,构建所述多个对象之间的对象关系网络。
11.根据权利要求10所述的装置,其中,所述提取单元包括第一提取模块和第二提取模块;
所述第一提取模块,用于将所述对象对应的文本内容输入至关键词提取模型中,通过所述关键词提取模型中的分词模型,得到多个组合词汇各自对应的向量表征;
所述第二提取模块,用于将所述多个组合词汇各自对应的向量表征,输入至所述关键词提取模型中的分类模型中,得到所述对象对应的关键词。
12.根据权利要求11所述的装置,其中,所述第一提取模块包括第一提取子模块、第二提取子模块以及第三提取子模块;
所述第一提取子模块,用于通过所述分词模型提取所述文本内容中的多个分词;
所述第二提取子模块,用于根据所述分词对应的词嵌入向量和词性向量,确定所述分词对应的向量表征;
所述第三提取子模块,用于根据所述分词对应的向量表征,确定所述多个组合词汇各自对应的向量表征;其中,所述多个组合词汇是由多个相邻分词构成的。
13.根据权利要求10-12任一项所述的装置,其中,所述多个对象包括第一对象和第二对象,所述确定单元包括第一确定模块、第二确定模块以及第三确定模块;
所述第一确定模块,用于根据所述第一对象和所述第二对象各自对应的关键词,确定所述第一对象和所述第二对象对应的交集关键词和并集关键词;
所述第二确定模块,用于根据所述第一对象对应的关键词确定所述第一对象对应的第一向量表征,及根据所述第二对象对应的关键词确定所述第二对象对应的第二向量表征;
所述第三确定模块,用于根据所述交集关键词、所述并集关键词、所述第一向量表征以及所述第二向量表征,确定所述第一对象和所述第二对象之间的相似度。
14.根据权利要求13所述的装置,其中,所述第三确定模块包括第一确定子模块、第二确定子模块以及第三确定子模块;
所述第一确定子模块,用于根据所述交集关键词的数量与所述并集关键词的数量的比值,确定所述第一对象和所述第二对象之间的第一相似度;
所述第二确定子模块,用于根据所述第一向量表征和所述第二向量表征,确定所述第一对象和所述第二对象之间的第二相似度;
所述第三确定子模块,用于根据所述第一相似度和所述第二相似度,确定第一对象和所述第二对象之间的相似度。
15.根据权利要求10-14任一项所述的装置,其中,所述构建单元包括第一构建模块、第二构建模块以及第三构建模块;
所述第一构建模块,用于根据所述多个对象之间的相似度,从所述多个对象中确定目标对象;其中,所述目标对象对应的相似度大于预设阈值;
所述第二构建模块,用于确定所述目标对象对应的中心度;其中,所述中心度用于指示所述目标对象在待生成的对象关系网络中的位置;
所述第三构建模块,用于根据所述目标对象对应的中心度,构建所述对象关系网络。
16.根据权利要求15所述的装置,其中,所述第三构建模块包括第一构建子模块和第二构建子模块;
所述第一构建子模块,用于对所述目标对象进行聚类,得到多个聚类结果;其中,不同聚类结果中的目标对象在所述待生成的对象关系网络中的节点标识不同;
所述第二构建子模块,用于根据所述目标对象对应的中心度和节点标识,构建所述对象关系网络。
17.一种分类模型的训练装置,包括:
获取单元,用于获取多个样本组合分词;其中,各样本组合分词对应有标签,所述标签用于指示样本组合分词是否为关键词;
处理单元,用于将多个样本组合分词对应的样本向量表征输入至初始分类模型中,得到所述各样本组合分词对应的预测结果;其中,预测结果用于指示样本组合分词是否为关键词;
更新单元,用于根据所述样本组合分词对应的预测结果和标签,更新所述初始分类模型的网络参数。
18.根据权利要求17所述的装置,其中,所述更新单元包括第一更新模块和第二更新模块;
所述第一更新模块,用于根据所述样本组合分词对应的预测结果和标签,构造所述样本组合分词对应的损失函数;
所述第二更新模块,用于根据所述样本组合分词对应的损失函数,更新所述初始分类模型的网络参数。
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1-7中任一项所述的对象关系网络的构建方法;或者,权利要求8-9任一项所述的分类模型的训练方法。
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所述计算机执行权利要求1-7中任一项所述的对象关系网络的构建方法;或者,权利要求8-9任一项所述的分类模型的训练方法。
21.一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现权利要求1-7中任一项所述的对象关系网络的构建方法的步骤;或者,权利要求8-9任一项所述的分类模型的训练方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210051806.8A CN114416990B (zh) | 2022-01-17 | 2022-01-17 | 对象关系网络的构建方法、装置和电子设备 |
US17/939,271 US20230004715A1 (en) | 2022-01-17 | 2022-09-07 | Method and apparatus for constructing object relationship network, and electronic device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210051806.8A CN114416990B (zh) | 2022-01-17 | 2022-01-17 | 对象关系网络的构建方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114416990A true CN114416990A (zh) | 2022-04-29 |
CN114416990B CN114416990B (zh) | 2024-05-21 |
Family
ID=81273944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210051806.8A Active CN114416990B (zh) | 2022-01-17 | 2022-01-17 | 对象关系网络的构建方法、装置和电子设备 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230004715A1 (zh) |
CN (1) | CN114416990B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114860886A (zh) * | 2022-05-25 | 2022-08-05 | 北京百度网讯科技有限公司 | 生成关系图的方法和确定匹配关系的方法、装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007133516A (ja) * | 2005-11-08 | 2007-05-31 | Shin Etsu Polymer Co Ltd | 文書分類方法、文書分類プログラム及び文書分類装置 |
CN103092828A (zh) * | 2013-02-06 | 2013-05-08 | 杭州电子科技大学 | 基于语义分析和语义关系网络的文本相似度度量方法 |
KR101829001B1 (ko) * | 2017-08-30 | 2018-02-14 | 한국과학기술정보연구원 | 문헌 분석 방법 및 그 장치 |
CN110866095A (zh) * | 2019-10-10 | 2020-03-06 | 重庆金融资产交易所有限责任公司 | 一种文本相似度的确定方法及相关设备 |
US20200193160A1 (en) * | 2018-12-14 | 2020-06-18 | Samsung Electronics Co., Ltd. | Method and apparatus for determining target object in image based on interactive input |
CN111311409A (zh) * | 2020-02-13 | 2020-06-19 | 腾讯云计算(北京)有限责任公司 | 目标对象确定方法、装置、电子设备及存储介质 |
CN111400448A (zh) * | 2020-03-12 | 2020-07-10 | 中国建设银行股份有限公司 | 对象的关联关系分析方法及装置 |
US20210064657A1 (en) * | 2019-08-27 | 2021-03-04 | Bank Of America Corporation | Identifying similar sentences for machine learning |
CN112804210A (zh) * | 2020-12-31 | 2021-05-14 | 北京知道创宇信息技术股份有限公司 | 数据关联方法、装置、电子设备和计算机可读存储介质 |
-
2022
- 2022-01-17 CN CN202210051806.8A patent/CN114416990B/zh active Active
- 2022-09-07 US US17/939,271 patent/US20230004715A1/en active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007133516A (ja) * | 2005-11-08 | 2007-05-31 | Shin Etsu Polymer Co Ltd | 文書分類方法、文書分類プログラム及び文書分類装置 |
CN103092828A (zh) * | 2013-02-06 | 2013-05-08 | 杭州电子科技大学 | 基于语义分析和语义关系网络的文本相似度度量方法 |
KR101829001B1 (ko) * | 2017-08-30 | 2018-02-14 | 한국과학기술정보연구원 | 문헌 분석 방법 및 그 장치 |
US20200193160A1 (en) * | 2018-12-14 | 2020-06-18 | Samsung Electronics Co., Ltd. | Method and apparatus for determining target object in image based on interactive input |
US20210064657A1 (en) * | 2019-08-27 | 2021-03-04 | Bank Of America Corporation | Identifying similar sentences for machine learning |
CN110866095A (zh) * | 2019-10-10 | 2020-03-06 | 重庆金融资产交易所有限责任公司 | 一种文本相似度的确定方法及相关设备 |
CN111311409A (zh) * | 2020-02-13 | 2020-06-19 | 腾讯云计算(北京)有限责任公司 | 目标对象确定方法、装置、电子设备及存储介质 |
CN111400448A (zh) * | 2020-03-12 | 2020-07-10 | 中国建设银行股份有限公司 | 对象的关联关系分析方法及装置 |
CN112804210A (zh) * | 2020-12-31 | 2021-05-14 | 北京知道创宇信息技术股份有限公司 | 数据关联方法、装置、电子设备和计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
彭丽徽;李贺;张艳丰;: "基于SNA与模糊TOPSIS的网络舆情关键节点识别分类模型研究", 现代情报, no. 08, 15 August 2017 (2017-08-15), pages 17 - 25 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114860886A (zh) * | 2022-05-25 | 2022-08-05 | 北京百度网讯科技有限公司 | 生成关系图的方法和确定匹配关系的方法、装置 |
CN114860886B (zh) * | 2022-05-25 | 2023-07-18 | 北京百度网讯科技有限公司 | 生成关系图的方法和确定匹配关系的方法、装置 |
Also Published As
Publication number | Publication date |
---|---|
US20230004715A1 (en) | 2023-01-05 |
CN114416990B (zh) | 2024-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021218027A1 (zh) | 智能面试中专业术语的提取方法、装置、设备及介质 | |
CN113836314B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN113986864A (zh) | 日志数据处理方法、装置、电子设备及存储介质 | |
CN113053367A (zh) | 语音识别方法、语音识别的模型训练方法以及装置 | |
CN112541070A (zh) | 槽位更新语料的挖掘方法、装置、电子设备和存储介质 | |
CN112906368B (zh) | 行业文本增量方法、相关装置及计算机程序产品 | |
CN112699237B (zh) | 标签确定方法、设备和存储介质 | |
CN112560425B (zh) | 模板生成方法、装置、电子设备及存储介质 | |
CN112560480B (zh) | 任务社区发现方法、装置、设备和存储介质 | |
US20230004715A1 (en) | Method and apparatus for constructing object relationship network, and electronic device | |
CN114036921A (zh) | 一种政策信息匹配方法和装置 | |
CN113051911A (zh) | 提取敏感词的方法、装置、设备、介质及程序产品 | |
CN112989797A (zh) | 模型训练、文本扩展方法,装置,设备以及存储介质 | |
CN115952258A (zh) | 政务标签库的生成方法、政务文本的标签确定方法和装置 | |
CN110895655A (zh) | 提取文本核心短语的方法和装置 | |
CN115909376A (zh) | 文本识别方法、文本识别模型训练方法、装置及存储介质 | |
CN114417862A (zh) | 文本匹配方法、文本匹配模型的训练方法和装置 | |
CN114647727A (zh) | 应用于实体信息识别的模型训练方法、装置和设备 | |
CN112860626B (zh) | 一种文档排序方法、装置及电子设备 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN114841172A (zh) | 文本匹配双塔模型的知识蒸馏方法、装置及程序产品 | |
CN114201953A (zh) | 一种关键词提取、模型训练方法、装置、设备及存储介质 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
CN114491030A (zh) | 技能标签的抽取、候选短语分类模型的训练方法及装置 | |
CN115033701B (zh) | 文本向量生成模型训练方法、文本分类方法及相关装置 |
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 |