CN114596574A - 文本识别方法、装置、电子设备和介质 - Google Patents

Abstract

本公开提供了一种用于文本识别的深度学习模型的训练方法、文本识别方法及装置，涉及人工智能技术领域，尤其涉及知识图谱和深度学习技术领域。实现方案为：获取知识图谱，知识图谱对应于相应的知识领域；基于知识图谱，构建训练样本集，其中，训练样本集中的每个样本数据包含第一实体、第二实体、第一实体和第二实体之间的关系以及样本标签，其中，第一实体和第二实体分别与知识图谱中的两个结点对应，关系与两个结点之间的连接边对应，并且其中，样本标签表征第一实体与第二实体是否满足所述关系；以及基于训练样本集训练深度学习模型。

Description

文本识别方法、装置、电子设备和介质

技术领域

本公开涉及人工智能技术领域，尤其涉及知识图谱和深度学习技术领域，具体涉及一种用于文本识别的深度学习模型的训练方法、文本识别方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术。人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

当今互联网充斥着各种信息，量级巨大且纷繁复杂，这其中参杂着各种假消息、假新闻等，对用户体验、用户决策产生了较坏的影响。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种用于文本识别的深度学习模型的训练方法、文本识别方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种用于文本识别的深度学习模型的训练方法，包括：获取知识图谱，所述知识图谱对应于相应的知识领域；基于所述知识图谱，构建训练样本集，其中，所述训练样本集中的每个样本数据包含第一实体、第二实体、所述第一实体和所述第二实体之间的关系以及样本标签，其中，所述第一实体和第二实体分别与所述知识图谱中的两个结点对应，所述关系与所述两个结点之间的连接边对应，并且其中，所述样本标签表征所述第一实体与所述第二实体是否满足所述关系；以及基于所述训练样本集训练所述深度学习模型。

根据本公开的另一方面，提供了一种文本识别方法，包括：确定待识别文本所对应的知识领域；响应于确定存在与所述知识领域对应的知识图谱，基于所述知识图谱从所述待识别文本中提取三元组，其中，所述三元组包括第一实体、第二实体以及所述第一实体和所述第二实体之间的关系，并且其中，所述第一实体、第二实体和所述关系中的至少一者与所述知识图谱中的至少一个图形元素对应；将所述三元组与所述知识图谱进行比对，以确定所述三元组是否符合第一标准；以及响应于确定基于所述知识图谱无法确定所述三元组是否符合所述第一标准，将所述三元组输入深度学习模型，以获取表示所述待识别文本的内容是否符合所述第一标准的输出值。

根据本公开的另一方面，提供了一种用于文本识别的深度学习模型的训练装置，包括：获取模块，被配置为获取知识图谱，所述知识图谱对应于相应的知识领域；构建模块，被配置为基于所述知识图谱，构建训练样本集，其中，所述训练样本集中的每个样本数据包含第一实体、第二实体、所述第一实体和所述第二实体之间的关系以及样本标签，其中，所述第一实体和第二实体分别与所述知识图谱中的两个结点对应，所述关系与所述两个结点之间的连接边对应，并且其中，所述样本标签表征所述第一实体与所述第二实体是否满足所述关系；以及训练模块，被配置为基于所述训练样本集训练所述深度学习模型。

根据本公开的另一方面，提供了一种文本识别装置，包括：第一确定模块，被配置为确定待识别文本所对应的知识领域；提取模块，被配置为响应于确定存在与所述知识领域对应的知识图谱，基于所述知识图谱从所述待识别文本中提取三元组，其中，所述三元组包括第一实体、第二实体以及所述第一实体和所述第二实体之间的关系，并且其中，所述第一实体、第二实体和所述关系中的至少一者与所述知识图谱中的至少一个图形元素对应；第一比对模块，被配置为将所述三元组与所述知识图谱进行比对，以确定所述三元组是否符合第一标准；以及输入模块，被配置为响应于确定基于所述知识图谱无法确定所述三元组是否符合所述第一标准，将所述三元组输入深度学习模型，以获取表示所述待识别文本的内容是否符合所述第一标准的输出值。

根据本公开的另一方面，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上述的方法。

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所述计算机执行上述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现上述的方法。

根据本公开的一个或多个实施例，提供了一种用于文本识别的深度学习模型的训练方法。通过知识图谱来挖掘并构建用于识别文本可靠度的深度学习模型的训练样本，使得所构建的样本更全面、覆盖范围更广，进而可以提升模型对信息可靠度判断的准确性。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的用于文本识别的深度学习模型的训练方法的流程图；

图3示出了根据本公开的实施例的文本识别方法的流程图；

图4示出了根据本公开的实施例的用于文本识别的深度学习模型的训练装置的结构框图；

图5示出了根据本公开的实施例的文本识别装置的结构框图；以及

图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

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。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

相关技术中，可以通过关键词提取、图像像素提取以及分类模型等来进行内容的识别和可靠度的判断，以识别出具有明确信号的不可靠信息。然而这一方法只能解决较为明显的不可靠信息，而对于一些隐藏较深或语义互斥的信息识别效果较差。

为解决上述问题，本公开通过知识图谱来挖掘信息之间潜在的相互联系，并用于构建训练用于文本识别的深度学习模型的训练样本。通过知识图谱来挖掘并构建训练样本，使得所构建的样本更全面、覆盖范围更广，进而可以提升模型对信息可靠度判断的准确性。

需要说明的是，本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行文本识别方法和深度学习模型的训练方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来执行文本识别方法。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

图2示出了根据本公开的实施例的用于文本识别的深度学习模型的训练方法的流程图。如图2所示，用于文本识别的深度学习模型的训练方法200包括：步骤S201、获取知识图谱，所述知识图谱对应于相应的知识领域；步骤S202、基于所述知识图谱，构建训练样本集，其中，所述训练样本集中的每个样本数据包含第一实体、第二实体、所述第一实体和所述第二实体之间的关系以及样本标签，其中，所述第一实体和第二实体分别与所述知识图谱中的两个结点对应，所述关系与所述两个结点之间的连接边对应，并且其中，所述样本标签表征所述第一实体与所述第二实体是否满足所述关系；以及步骤S203、基于所述训练样本集训练所述深度学习模型。

可以理解的是，“知识领域”表示根据知识要求确定的领域，具体可以依据工业部门、专业学科或行业等来进行划分确定。示例性的，根据工业部门进行划分时，可以获得机械领域、食品领域、化学领域等。对知识领域的划分可以根据实际的应用场景和需求来进行，本公开对此不做限定。针对不同的知识领域获取对应的知识图谱，有利于在特定的知识领域中，深入挖掘该领域的信息集合之间的潜在的或隐藏的关联，以获得更全面、细致的知识图谱。

由此，通过知识图谱来挖掘信息之间潜在的相互联系，并用于构建训练用于识别文本可靠度的深度学习模型的训练样本。通过知识图谱来挖掘并构建训练样本，使得所构建的样本更全面、覆盖范围更广，结合了大数据挖掘技术和深度学习技术，可以提升模型对信息可靠度判断的准确性。

根据一些实施例，所述训练样本集中的正样本数据所包含的关系与所述知识图谱中相应连接边所表示的连接关系相一致，并且其中，所述训练样本集中的负样本数据所包含的关系与所述知识图谱中相应连接边所表示的连接关系不一致。

可以理解的是，在知识图谱中，相互连接的两个结点与连接这两个结点的边可以构成一个正样本，表示两个实体间具有连接边所对应的一种关系或属性。同样，也可以通过知识图谱中结点与连接边的乱连接来构建负样本。从而获得用于训练深度学习模型的训练样本。在一个示例中，可以基于已有的谣言库来构建负样本，来进一步丰富样本。

根据一些实施例，步骤S201包括：获取经第一标准验证的第一数据集；对所述第一数据集进行分类以确定第二数据子集，其中，所述第二数据子集中的各数据对应于所述知识领域；以及基于所述第二数据子集，构建所述知识图谱。

可以理解的是，第一标准是用于验证信息的可靠度的标准，当信息满足于第一标准时，可以认为这一信息是可靠的。示例性的，第一数据集可以通过引入全球学术论文、著作、学术期刊等来得到，作为经可靠度验证的信息。示例性的，还可以在多个权威数据源中应用语音识别、图像识别等技术进行文本数据的采集，以丰富第一数据集。

第一数据集中包含各个知识领域的数据、信息等，需要对第一数据集根据知识领域进行分类和预处理，以提升构建知识图谱的效率和准确率。具体地，对所述第一数据集进行分类以确定第二数据子集，以使得第二数据子集中的各数据对应于相同的知识领域，进而可以基于对应于某一知识领域的第二数据子集来构建该知识领域的知识图谱。示例性的，在得到第二数据子集后，可以根据其对应的知识领域的属性对其进行进一步的划分，例如，当第二数据子集对应医疗领域时，可以将第二数据子集继续划分为第三数据子集，包括疾病症状相关数据和治疗方法相关数据等，并针对每一类别设置对应的数据格式来对相应的数据进行收录。类似的，还可以从第一数据集中确定对应于其他知识领域的数据子集。通过这样的数据预处理操作，可以实现更快速、准确地构建知识图谱。

根据本公开的另一方面，提供了一种文本识别方法。图3示出了根据本公开的实施例的文本识别方法的流程图。如图3所示，文本识别方法300包括：步骤S301、确定待识别文本所对应的知识领域；步骤S302、响应于确定存在与所述知识领域对应的知识图谱，基于所述知识图谱从所述待识别文本中提取三元组，其中，所述三元组包括第一实体、第二实体以及所述第一实体和所述第二实体之间的关系，并且其中，所述第一实体、第二实体和所述关系中的至少一者与所述知识图谱中的至少一个图形元素对应；步骤S303、将所述三元组与所述知识图谱进行比对，以确定所述三元组是否符合第一标准；以及步骤S304、响应于确定基于所述知识图谱无法确定所述三元组是否符合所述第一标准，将所述三元组输入深度学习模型，以获取表示所述待识别文本的内容是否符合所述第一标准的输出值。

可以理解的是，第一标准是用于验证信息的可靠度的标准，当信息满足于第一标准时，可以认为这一信息是可靠的。由此，通过知识图谱对信息的可靠度进行判断；对于知识图谱不能处理的数据，使用算力更强的深度学习模型来作进一步的判断，以实现通过大数据技术和人工智能技术来挖掘互斥、互相矛盾的信息，通过知识图谱和深度学习模型的两级判断来实现对简单内容的快速判断和复杂内容的准确判断。

根据一些实施例，所述文本识别方法300还包括：基于所述深度学习模型的所述输出值和所述待识别文本，更新所述知识图谱。由此，基于深度学习模型的输出值和待识别文本，可以生成对知识图谱的正反馈或是负反馈，用于对知识图谱的验证或补充，从而可以提升知识图谱对后续待识别文本的识别和判断能力。

根据一些实施例，所述文本识别方法300还包括：获取经所述第一标准验证的第一数据集；对所述第一数据集进行分类以确定第二数据子集，其中，所述第二数据子集中的各数据对应于所述知识领域；以及基于所述第二数据子集，构建所述知识图谱。

示例性的，第一数据集可以通过引入全球学术论文、著作、学术期刊等来得到，作为经可靠度验证的信息。示例性的，还可以在多个权威数据源中应用语音识别、图像识别等技术进行文本数据的采集，以丰富第一数据集。

第一数据集中包含各个知识领域的数据、信息等，需要对第一数据集根据知识领域进行分类和预处理，以提升构建知识图谱的效率和准确率。具体地，对所述第一数据集进行分类以确定第二数据子集，以使得第二数据子集中的各数据对应于相同的知识领域，进而可以基于对应于某一知识领域的第二数据子集来构建该知识领域的知识图谱。示例性的，在得到第二数据子集后，可以根据其对应的知识领域的属性对其进行进一步的划分，例如，当第二数据子集对应医疗领域时，可以将第二数据子集继续划分为第三数据集，包括疾病症状相关数据和治疗方法相关数据等，并针对每一类别设置对应的数据格式来对相应的数据进行收录。类似的，还可以从第一数据集中确定对应于其他知识领域的数据子集。通过这样的数据预处理操作，可以实现更快速、准确地构建知识图谱。

根据一些实施例，所述基于所述第二数据子集，构建所述知识图谱包括：确定所述第二数据子集中所包含的至少一个语句；对所述至少一个语句中的每一个语句进行三元组的提取，其中，每一个语句对应的三元组包括第三实体、第四实体以及所述第三实体和所述第四实体之间的关系；以及基于所述至少一个语句中的每一个语句对应的三元组，构建所述知识图谱。

示例性的，在完成对第二数据子集中的数据的三元组的提取后，需要对提取得到的三元组进行包括实体对齐在内的数据整合操作，以将语义相同的实体进行知识融合处理。在知识图谱的构建中，可以通过构建样本集来对已构建的知识图谱进行验证，以确保实体提取、关系提取以及融合的准确性。

根据一些实施例，所述文本识别方法300还包括：基于所述第二数据子集，构建与所述知识领域对应的知识库，其中，所述知识库为所述知识领域的知识的集合；将所述待识别文本与所述知识库中的数据进行比对，以判断所述待识别文本的内容是否符合所述第一标准。

与知识图谱相应的，也可以基于经可靠度验证的数据来构建对应知识领域的数据库，并利用知识库来判断文本的内容的可靠度。相比于知识图谱，知识库可以存储更大量级的数据，存储的为对应知识领域中的知识的集合，实体间为线性连接，对于较为简单的文本的可靠度可以给出较快的判断。

根据本公开的另一方面，提供了一种用于文本识别的深度学习模型的训练装置。如图4所示，用于文本识别的深度学习模型的训练装置400包括：获取模块401，被配置为获取知识图谱，所述知识图谱对应于相应的知识领域；构建模块402，被配置为基于所述知识图谱，构建训练样本集，其中，所述训练样本集中的每个样本数据包含第一实体、第二实体、所述第一实体和所述第二实体之间的关系以及样本标签，其中，所述第一实体和第二实体分别与所述知识图谱中的两个结点对应，所述关系与所述两个结点之间的连接边对应，并且其中，所述样本标签表征所述第一实体与所述第二实体是否满足所述关系；以及训练模块403，被配置为基于所述训练样本集训练所述深度学习模型。

可以理解的是，“知识领域”表示根据知识要求确定的领域，具体可以依据工业部门、专业学科或行业等来进行划分确定。示例性的，根据工业部门进行划分时，可以获得机械领域、食品领域、化学领域等。对知识领域的划分可以根据实际的应用场景和需求来进行，本公开对此不做限定。针对不同的知识领域获取模块401获取对应的知识图谱，有利于在特定的知识领域中，深入挖掘该领域的信息集合之间的潜在的或隐藏的关联，以获得更全面、细致的知识图谱。

由此，通过知识图谱来挖掘信息之间潜在的相互联系，并用于构建模块402来构建训练用于识别文本可靠度的深度学习模型的训练样本。通过知识图谱来挖掘并构建训练样本，使得所构建的样本更全面、覆盖范围更广，结合了大数据挖掘技术和深度学习技术，可以提升模型对信息可靠度判断的准确性。

用于文本识别的深度学习模型的训练装置400的模块401-403的操作与前述描述的步骤S201-步骤S203的操作类似，在此不作赘述。

根据一些实施例，所述训练样本集中的正样本数据所包含的关系与所述知识图谱中相应连接边所表示的连接关系相一致，并且其中，所述训练样本集中的负样本数据所包含的关系与所述知识图谱中相应连接边所表示的连接关系不一致。

可以理解的是，在知识图谱中，相互连接的两个结点与连接这两个结点的边可以构成一个正样本，表示两个实体间具有连接边所对应的一种关系或属性。同样，构建模块402也可以通过知识图谱中结点与连接边的乱连接来构建负样本。从而获得用于训练深度学习模型的训练样本。在一个示例中，构建模块402可以基于已有的谣言库来构建负样本，来进一步丰富样本。

根据一些实施例，所述获取模块401包括：获取单元，被配置为获取经第一标准验证的第一数据集；确定单元，被配置为对所述第一数据集进行分类以确定第二数据子集，其中，所述第二数据子集中的各数据对应于所述知识领域；以及构建单元，被配置为基于所述第二数据子集，构建所述知识图谱。

可以理解的是，第一标准是用于验证信息的可靠度的标准，当信息满足于第一标准时，可以认为这一信息是可靠的。示例性的，第一数据集可以通过引入全球学术论文、著作、学术期刊等来得到，作为经可靠度验证的信息。示例性的，还可以在多个权威数据源中应用语音识别、图像识别等技术进行文本数据的采集，以丰富第一数据集。

第一数据集中包含各个知识领域的数据、信息等，确定单元需要对第一数据集根据知识领域进行分类和预处理，以提升构建知识图谱的效率和准确率。具体地，确定单元对所述第一数据集进行分类以确定第二数据子集，以使得第二数据子集中的各数据对应于相同的知识领域，进而可以基于对应于某一知识领域的第二数据子集来构建该知识领域的知识图谱。示例性的，在得到第二数据子集后，确定单元可以根据其对应的知识领域的属性对其进行进一步的划分，例如，当第二数据子集对应医疗领域时，可以将第二数据子集继续划分为第三数据子集，包括疾病症状相关数据和治疗方法相关数据等，并针对每一类别设置对应的数据格式来对相应的数据进行收录。类似的，还可以从第一数据集中确定对应于其他知识领域的数据子集。获取模块401通过这样的数据预处理操作，可以实现更快速、准确地构建知识图谱。

根据本公开的另一方面，提供了一种文本识别装置。如图5所示，文本识别装置500包括：第一确定模块501，被配置为确定待识别文本所对应的知识领域；提取模块502，被配置为响应于确定存在与所述知识领域对应的知识图谱，基于所述知识图谱从所述待识别文本中提取三元组，其中，所述三元组包括第一实体、第二实体以及所述第一实体和所述第二实体之间的关系，并且其中，所述第一实体、第二实体和所述关系中的至少一者与所述知识图谱中的至少一个图形元素对应；第一比对模块503，被配置为将所述三元组与所述知识图谱进行比对，以确定所述三元组是否符合第一标准；以及输入模块504，被配置为响应于确定基于所述知识图谱无法确定所述三元组是否符合所述第一标准，将所述三元组输入深度学习模型，以获取表示所述待识别文本的内容是否符合所述第一标准的输出值。

可以理解的是，第一标准是用于验证信息的可靠度的标准，当信息满足于第一标准时，可以认为这一信息是可靠的。由此，第一比对模块503通过知识图谱对信息的可靠度进行判断；对于知识图谱不能处理的数据，输入模块504使用算力更强的深度学习模型来作进一步的判断，以实现通过大数据技术和人工智能技术来挖掘互斥、互相矛盾的信息，通过知识图谱和深度学习模型的两级判断来实现对简单内容的快速判断和复杂内容的准确判断。

根据一些实施例，文本识别装置500还包括：更新模块，被配置为基于所述深度学习模型的所述输出值和所述待识别文本，更新所述知识图谱。由此，基于深度学习模型的输出值和待识别文本，更新模块可以生成对知识图谱的正反馈或是负反馈，用于对知识图谱的验证或补充，从而可以提升知识图谱对后续待识别文本的识别和判断能力。

根据一些实施例，文本识别装置500还包括：获取模块，被配置为获取经所述第一标准验证的第一数据集；第二确定模块，被配置为对所述第一数据集进行分类以确定第二数据子集，其中，所述第二数据子集中的各数据对应于所述知识领域；以及第一构建模块，被配置为基于所述第二数据子集，构建所述知识图谱。

示例性的，第一数据集可以通过引入全球学术论文、著作、学术期刊等来得到，作为经可靠度验证的信息。示例性的，还可以在多个权威数据源中应用语音识别、图像识别等技术进行文本数据的采集，以丰富第一数据集。

第一数据集中包含各个知识领域的数据、信息等，第二确定模块需要对第一数据集根据知识领域进行分类和预处理，以提升构建知识图谱的效率和准确率。具体地，第二确定模块对所述第一数据集进行分类以确定第二数据子集，以使得第二数据子集中的各数据对应于相同的知识领域，进而可以基于对应于某一知识领域的第二数据子集来构建该知识领域的知识图谱。示例性的，在得到第二数据子集后，第二确定模块可以根据其对应的知识领域的属性对其进行进一步的划分，例如，当第二数据子集对应医疗领域时，第二确定模块可以将第二数据子集继续划分为第三数据子集，包括疾病症状相关数据和治疗方法相关数据等，并针对每一类别设置对应的数据格式来对相应的数据进行收录。类似的，第二确定模块还可以从第一数据集中确定对应于其他知识领域的数据子集。通过这样的数据预处理操作，可以实现更快速、准确地构建知识图谱。

根据一些实施例，所述构建模块包括：确定单元，被配置为确定所述第二数据子集中所包含的至少一个语句；提取单元，被配置为对所述至少一个语句中的每一个语句进行三元组的提取，其中，每一个语句对应的三元组包括第三实体、第四实体以及所述第三实体和所述第四实体之间的关系；以及构建单元，被配置为基于所述至少一个语句中的每一个语句对应的三元组，构建所述知识图谱。

示例性的，在提取单元完成对第二数据子集中的数据的三元组的提取后，需要对提取得到的三元组进行包括实体对齐在内的数据整合操作，以将语义相同的实体进行知识融合处理。在知识图谱的构建中，构建模块可以通过构建样本集来对已构建的知识图谱进行验证，以确保实体提取、关系提取以及融合的准确性。

根据一些实施例，文本识别装置500还包括：第二构建模块，被配置为基于所述第二数据子集，构建与所述知识领域对应的知识库，其中，所述知识库为所述知识领域的知识的集合；第二比对模块，被配置为将所述待识别文本与所述知识库中的数据进行比对，以判断所述待识别文本的内容是否符合所述第一标准。

与知识图谱相应的，第二构建模块也可以基于经可靠度验证的数据来构建对应知识领域的数据库，并利用知识库来判断文本的内容的可靠度。相比于知识图谱，知识库可以存储更大量级的数据，存储的为对应知识领域中的知识的集合，实体间为线性连接，对于较为简单的文本的可靠度可以给出较快的判断。

如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

电子设备600中的多个部件连接至I/O接口605，包括：输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备，输入单元606可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许电子设备600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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙^TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元601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601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601执行上文所描述的各个方法和处理，例如文本识别方法和深度学习模型的训练方法。例如，在一些实施例中，文本识别方法和深度学习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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的文本识别方法和深度学习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601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文本识别方法和深度学习模型的训练方法。

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)、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，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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (19)

1.一种用于文本识别的深度学习模型的训练方法，包括：

获取知识图谱，所述知识图谱对应于相应的知识领域；

基于所述知识图谱，构建训练样本集，其中，所述训练样本集中的每个样本数据包含第一实体、第二实体、所述第一实体和所述第二实体之间的关系以及样本标签，其中，所述第一实体和第二实体分别与所述知识图谱中的两个结点对应，所述关系与所述两个结点之间的连接边对应，并且其中，所述样本标签表征所述第一实体与所述第二实体是否满足所述关系；以及

基于所述训练样本集训练所述深度学习模型。

2.根据权利要求1所述的方法，其中，所述训练样本集中的正样本数据所包含的关系与所述知识图谱中相应连接边所表示的连接关系相一致，并且其中，所述训练样本集中的负样本数据所包含的关系与所述知识图谱中相应连接边所表示的连接关系不一致。

3.根据权利要求1或2所述的方法，其中，获取所述知识图谱包括：

获取经第一标准验证的第一数据集；

对所述第一数据集进行分类以确定第二数据子集，其中，所述第二数据子集中的各数据对应于所述知识领域；以及

基于所述第二数据子集，构建所述知识图谱。

4.一种文本识别方法，包括：

确定待识别文本所对应的知识领域；

响应于确定存在与所述知识领域对应的知识图谱，基于所述知识图谱从所述待识别文本中提取三元组，其中，所述三元组包括第一实体、第二实体以及所述第一实体和所述第二实体之间的关系，并且其中，所述第一实体、第二实体和所述关系中的至少一者与所述知识图谱中的至少一个图形元素对应；

将所述三元组与所述知识图谱进行比对，以确定所述三元组是否符合第一标准；以及

响应于确定基于所述知识图谱无法确定所述三元组是否符合所述第一标准，将所述三元组输入深度学习模型，以获取表示所述待识别文本的内容是否符合所述第一标准的输出值，

其中，所述深度学习模型是基于如权利要求1-3所述的方法训练得到的。

5.根据权利要求4所述的方法，还包括：

基于所述深度学习模型的所述输出值和所述待识别文本，更新所述知识图谱。

6.根据权利要求4或5所述的方法，还包括：

获取经所述第一标准验证的第一数据集；

对所述第一数据集进行分类以确定第二数据子集，其中，所述第二数据子集中的各数据对应于所述知识领域；以及

基于所述第二数据子集，构建所述知识图谱。

7.根据权利要求6所述的方法，所述基于所述第二数据子集，构建所述知识图谱包括：

确定所述第二数据子集中所包含的至少一个语句；

对所述至少一个语句中的每一个语句进行三元组的提取，其中，每一个语句对应的三元组包括第三实体、第四实体以及所述第三实体和所述第四实体之间的关系；以及

基于所述至少一个语句中的每一个语句对应的三元组，构建所述知识图谱。

8.根据权利要求6或7所述的方法，还包括：

基于所述第二数据子集，构建与所述知识领域对应的知识库，其中，所述知识库为所述知识领域的知识的集合；以及

将所述待识别文本与所述知识库中的数据进行比对，以判断所述待识别文本的内容是否符合所述第一标准。

9.一种用于文本识别的深度学习模型的训练装置，包括：

获取模块，被配置为获取知识图谱，所述知识图谱对应于相应的知识领域；

构建模块，被配置为基于所述知识图谱，构建训练样本集，其中，所述训练样本集中的每个样本数据包含第一实体、第二实体、所述第一实体和所述第二实体之间的关系以及样本标签，其中，所述第一实体和第二实体分别与所述知识图谱中的两个结点对应，所述关系与所述两个结点之间的连接边对应，并且其中，所述样本标签表征所述第一实体与所述第二实体是否满足所述关系；以及

训练模块，被配置为基于所述训练样本集训练所述深度学习模型。

10.根据权利要求9所述的装置，其中，所述训练样本集中的正样本数据所包含的关系与所述知识图谱中相应连接边所表示的连接关系相一致，并且其中，所述训练样本集中的负样本数据所包含的关系与所述知识图谱中相应连接边所表示的连接关系不一致。

11.根据权利要求9或10所述的装置，所述获取模块包括：

获取单元，被配置为获取经第一标准验证的第一数据集；

确定单元，被配置为对所述第一数据集进行分类以得到第二数据子集，其中，所述第二数据子集中的各数据对应于所述知识领域；以及

构建单元，被配置为基于所述第二数据子集，构建所述知识图谱。

12.一种文本识别装置，包括：

第一确定模块，被配置为确定待识别文本所对应的知识领域；

提取模块，被配置为响应于确定存在与所述知识领域对应的知识图谱，基于所述知识图谱从所述待识别文本中提取三元组，其中，所述三元组包括第一实体、第二实体以及所述第一实体和所述第二实体之间的关系，并且其中，所述第一实体、第二实体和所述关系中的至少一者与所述知识图谱中的至少一个图形元素对应；

第一比对模块，被配置为将所述三元组与所述知识图谱进行比对，以确定所述三元组是否符合第一标准；以及

输入模块，被配置为响应于确定基于所述知识图谱无法确定所述三元组是否符合所述第一标准，将所述三元组输入深度学习模型，以获取表示所述待识别文本的内容是否符合所述第一标准的输出值，

其中，所述深度学习模型是基于如权利要求1-3所述的方法训练得到的。

13.根据权利要求12所述的装置，还包括：

更新模块，被配置为基于所述深度学习模型的所述输出值和所述待识别文本，更新所述知识图谱。

14.根据权利要求12或13所述的装置，还包括：

获取模块，被配置为获取经所述第一标准验证的第一数据集；

第二确定模块，被配置为对所述第一数据集进行分类以确定第二数据子集，其中，所述第二数据子集中的各数据对应于所述知识领域；以及

第一构建模块，被配置为基于所述第二数据子集，构建所述知识图谱。

15.根据权利要求14所述的装置，所述构建模块包括：

确定单元，被配置为确定所述第二数据子集中所包含的至少一个语句；

提取单元，被配置为对所述至少一个语句中的每一个语句进行三元组的提取，其中，每一个语句对应的三元组包括第三实体、第四实体以及所述第三实体和所述第四实体之间的关系；以及

构建单元，被配置为基于所述至少一个语句中的每一个语句对应的三元组，构建所述知识图谱。

16.根据权利要求14或15所述的装置，还包括：

第二构建模块，被配置为基于所述第二数据子集，构建与所述知识领域对应的知识库，其中，所述知识库为所述知识领域的知识的集合；以及

第二比对模块，被配置为将所述待识别文本与所述知识库中的数据进行比对，以判断所述待识别文本的内容是否符合所述第一标准。

17.一种电子设备，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1-8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1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-8中任一项所述的方法。

Images