CN115168599A - 多三元组抽取方法、装置、设备、介质及产品 - Google Patents
多三元组抽取方法、装置、设备、介质及产品 Download PDFInfo
- Publication number
- CN115168599A CN115168599A CN202210700225.2A CN202210700225A CN115168599A CN 115168599 A CN115168599 A CN 115168599A CN 202210700225 A CN202210700225 A CN 202210700225A CN 115168599 A CN115168599 A CN 115168599A
- Authority
- CN
- China
- Prior art keywords
- vector
- entity
- enhancement
- relationship
- relation
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 430
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000003993 interaction Effects 0.000 claims description 33
- 230000007246 mechanism Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 11
- 230000002452 interceptive effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 10
- 238000010606 normalization Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 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
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000011218 segmentation Effects 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
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种多三元组抽取方法、装置、设备、介质及产品,涉及深度学习、知识图谱、自然语言处理等人工智能技术领域。具体实现方案为:获取文本语料,并获取关系向量;确定所述文本语料的头实体向量和尾实体向量;对所述关系向量、所述头实体向量、和所述尾实体向量进行分类对齐,得到所述文本语料的目标三元组。通过本公开,提升抽取文本语料中实体之间关系的准确率。
Description
技术领域
本公开涉及人工智能技术领域,具体为深度学习、知识图谱、自然语言处理等人工智能技术领域,可应用于知识获取等场景,具体涉及多三元组抽取方法、装置、设备、介质及产品。
背景技术
知识图谱以结构化的形式描述客观世界中的概念、实体及其关系,将互联网的信息表达成更接近人类认知世界的形式,进而提供了一种更好地组织、管理和理解互联网海量信息的能力。每一个三元组表示一条知识。当两个实体之间存在某一种关系时,用(h,r,t)表示一个三元组,其中h,t分别表示头实体和尾实体,r表示关系。
相关技术中,支持采用深度学习的方法进行多三元组抽取。
发明内容
本公开提供了一种用于多三元组抽取方法、装置、设备、介质及产品。
根据本公开的一方面,提供了一种多三元组抽取方法,包括:获取文本语料,并获取关系向量;确定所述文本语料的头实体向量和尾实体向量;对所述关系向量、所述头实体向量、和所述尾实体向量进行分类对齐,得到所述文本语料的目标三元组。
根据本公开的另一方面,提供了一种多三元组抽取装置,包括:获取单元,用于获取文本语料,并获取关系向量;编码单元,用于确定所述文本语料的头实体向量和尾实体向量;对齐单元,用于对所述关系向量、所述头实体向量、和所述尾实体向量进行分类对齐,得到所述文本语料的目标三元组。
根据本公开的另一方面,提供一种电子设备,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上述的方法。
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是根据本公开一示例性实施例提供的一种多三元组抽取方法流程图;
图2是根据本公开一示例性实施例提供的一种得到文本语料的目标三元组流程图;
图3是根据本公开一示例性实施例提供的一种得到文本语料的目标三元组流程图;
图4是根据本公开一示例性实施例提供的一种得到头实体增强向量和尾实体增强向量流程图;
图5是根据本公开一示例性实施例提供的一种得到关系增强向量流程图;
图6是根据本公开一示例性实施例提供的一种得到文本语料的目标三元组流程图;
图7是根据本公开一示例性实施例提供的一种多三元组抽取方法的示意图;
图8是根据本公开一示例性实施例中示出的一种多三元组抽取装置的框图;
图9是根据本公开一示例性实施例示出的用来实施本公开的实施例的示例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。
本公开应用于知识图谱关系抽取场景中,具体应用于多三元组关系抽取的过程中。三元组是知识图谱的基本组织形式,能够表征实体之间的关系。其中,知识图谱内在关系搭建的完整性取决于对实体之间关系的抽取是否完全。
多三元组关系抽取技术旨在从文本语料中识别出给定实体间的关系的类别,是构建结构化知识图谱的关键环节,并且能够进一步支撑下游的问答系统、检索系统等多种应用。知识图谱是一种高效的信息组织形式,相比于无结构化的自然语言文本,其能够辅助用户更直接、高效地获取到目标信息,并能将相关的知识体系进行系统化展示。其中,多三元组关系抽取能够通过对语料的理解,自动化地识别出其中的实体以及实体间的关系。
相关技术中,支持基于关系分类基线模型、基于序列标注以及基于图神经网络的多三元组抽取。
基于关系分类基线模型进行多三元组抽取时,首先将文本输入预训练语言模型,计算得到候选实体的向量表示,将其两两拼接起来,然后使用线性层计算每一种关系类别的概率。
基于序列标注的多三元组抽取时,首先使用语言模型计算输入文本序列的上下文向量表示,然后使用全连接网络将其映射到每一个关系类别上,然后针对每一个关系类别,以序列标注的形式,识别出头实体、尾实体的开头和结尾位置,最后将头实体-关系-尾实体按照一定的规则组合起来,即完成关系抽取。
基于图神经网络的多三元组抽取时,首先使用语言模型计算输入文本序列的上下文向量表示,取其中实体所在位置将其映射为统一维度的实体向量,根据实体间的关联设计一些先验以构建实体图,在图上进行推理运算,更新实体向量的表示,最后将更新后的实体向量两两组合送入分类层完成关系的识别。可以理解为,当两个实体之间存在某一种关系时,用(h,r,t)表示一个三元组,其中h,t分别表示头实体和尾实体,r表示关系。在进行多三元组抽取时,先识别出文本语料中的实体,并标注出头实体h和尾实体t,再在预设的关系集合中抽取出头实体h和尾实体t的关系r。
综上,相关技术中多三元组抽取的方法主要从实体的角度出发,通过建模更好的实体表示以及实体间的推理路径,来实现更准确的抽取,而相关技术存在的缺陷包括:忽略了“关系”作为三元组中重要的组成部分,这种“关系”同样与上下文、实体间存在有意义的交互关系。即,相关技术基于深度学习的多三元组抽取方法仅仅是在完成实体和上下文的建模之后,在最终的分类层才引入关系集合,且仅作为原子化的标签来使用,导致建模时的不充分,从而影响多三元组提取的结果。
鉴于此,本公开提供了一种多三元组抽取方法,通过结合嵌入表示的建模,可以有效提升模型抽取关系的效果,也可以广泛地应用于多三元组关系抽取项目中,提升知识图谱构建的效果。
本公开下述实施例将结合附图说明本公开实施例中涉及的多三元组抽取方法。
图1是根据本公开实施例提供的一种多三元组抽取方法流程图。如图1所示,本公开实施例中多三元组抽取方法,包括以下步骤。
在步骤S101中,获取文本语料,并获取关系向量。
其中,关系向量用于表征文本语料中实体与实体之间的关系,实体包括文本语料中的命名实体和触发词,该触发词用于表征文本中的行为,且关系向量的数量可以为多个。
在本公开实施例中,若关系向量与信息抽取相关,则标签组可以为三元组,其中,标签组分别为两个实体和该两个实体之间的关系。例如,标签组可以为(张三,职位,老师),表示“张三”和“老师”之间的关系为张三的职位是老师。
其中,文本语料是包含一定信息内容的书面文本,可以是一句话、一段文字等,且可以是中文文本、英文文本、韩文文本等各种语言的文本,本申请实施例对此不做限定。并且,文本语料的数量可以为多个。
在本公开实施例中,获取文本语料的同时,获取预设的关系向量,并将这些关系向量作为初始关系向量。
在步骤S102中,确定文本语料的头实体向量和尾实体向量。
在本公开实施例中,使用语言模型对文本进行编码,获得文本每个位置的上下文向量表示:(h1,h2,…,hn)=encoder(w1,w2,…,wn),记总体上下文表示为对在实体所在的位置取平均池化,作为每个实体的向量表示通过一层全连接网络将其分别映射为相应的头实体和尾实体,表示为同理,总体的头实体和尾实体记为 其中,矩阵的每一行表示为一个实体。
在步骤S103中,对关系向量、头实体向量、和尾实体向量进行分类对齐,得到文本语料的目标三元组。
在本公开中,获取文本语料,并获取关系向量。确定文本语料的头实体向量和尾实体向量。对关系向量、头实体向量、和尾实体向量进行分类对齐,得到文本语料的目标三元组。即,本公开中在进行分类对齐时,嵌入了关系向量,使得实体向量之间能够进行有效关系的交互,进而可以有效提升模型抽取关系的效果,提升知识图谱构建的效果。
本公开实施例以下对关系向量、头实体向量、和尾实体向量进行分类对齐,得到文本语料的目标三元组的实施过程进行说明。
图2是根据本公开一示例性实施例提供的一种得到文本语料的目标三元组流程图。如图2所示,本公开实施例中对关系向量、头实体向量、和尾实体向量进行分类对齐,得到文本语料的目标三元组,包括以下步骤。
在步骤S201中,对头实体向量和尾实体向量分别融合关系向量,得到头实体增强向量和尾实体增强向量。
在步骤S202中,对关系向量、头实体增强向量和尾实体增强向量,进行分类对齐,得到文本语料的目标三元组。
在本公开实施例中,将关系向量R、头实体增强向量和尾实体增强向量在进行向量之间的分类对齐,得到文本语料的目标三元组,以下表示为:T={<s,r,o>|s,o∈{ei},r∈{ri}}。其中,实体集合E={ei}以及目标关系集合R={ri}。
在本公开中,对头实体向量和尾实体向量分别融合关系向量,得到头实体增强向量和尾实体增强向量。头实体增强向量和尾实体增强向量相较于头实体向量和尾实体向量,增强后的向量可以获取更多文本或上下文语义之间的细节信息和抑制其他无用信息。进而,对关系向量、头实体增强向量和尾实体增强向量,进行分类对齐,得到的文本语料的目标三元组,可以有效提升模型抽取关系的效果,提升知识图谱构建的效果。
本公开实施例提供的多三元组抽取方法中,可以对头实体向量融合关系向量,以得到头实体增强向量,和/或对尾实体向量融合关系向量,以得到尾实体增强向量。
图3是根据本公开实施例提供的一种得到头实体增强向量和尾实体增强向量流程图。如图3所示,本公开实施例中对头实体向量和尾实体向量分别融合关系向量,得到头实体增强向量和尾实体增强向量,包括以下步骤。
在步骤S301中,采用交叉注意力机制,确定头实体向量和关系向量之间的第一交互关联关系,并基于第一交互关联关系更新头实体向量,得到头实体增强向量。
其中,交叉注意力机制为注意力机制的变体之一,旨在选择性地关注所有信息的一部分,同时忽略其他可见的信息。其中,交叉注意力机制的计算方法为:
其中XQ为索引表示,XS为键值表示,该注意力机制通过计算XQ和XS间的交互关联,对XQ进行更新和增强。
在步骤S302中,采用交叉注意力机制,确定尾实体向量和关系向量之间的第二交互关联关系,并基于第二交互关联关系更新尾实体向量,得到尾实体增强向量。
在本公开中,采用交叉注意力机制,确定头实体向量和关系向量之间的第一交互关联关系,并基于第一交互关联关系更新头实体向量,得到头实体增强向量。采用交叉注意力机制,确定尾实体向量和关系向量之间的第二交互关联关系,并基于第二交互关联关系更新尾实体向量,得到尾实体增强向量。
通过本公开,基于交叉注意力机制,确定头实体向量和关系向量之间的交互关系,并确定尾实体向量和关系向量之间的交互关系,使得头实体增强向量和尾实体增强向量,能够更加关注文本语料之间的重要细节,提升多三元组关系抽取的准确性。
图4是根据本公开另一示例性实施例提供的一种得到文本语料的目标三元组流程图。如图4所示,本公开实施例中对关系向量、实体增强向量和尾实体增强向量,进行分类对齐,得到文本语料的目标三元组,包括以下步骤。
在步骤S401中,对关系向量,融合头实体向量、尾实体向量以及文本语料的上下文向量中的至少一种,得到关系增强向量。
在步骤S402中,对关系增强向量、头实体增强向量和尾实体增强向量,进行分类对齐,得到文本语料的目标三元组。
在本公开实施例中,将关系增强向量头实体增强向量和尾实体增强向量进行向量之间的分类对齐,得到文本语料的目标三元组T={<s,r,o>|s,o∈{ei},r∈{ri}},其中,实体集合E={ei}以及目标关系集合R={ri}。
在本公开中,对关系向量,融合头实体向量、尾实体向量以及文本语料的上下文向量中的至少一种,得到关系增强向量。其中,增强后的关系向量可以获取更多细节信息和抑制其他无用信息,进而对关系增强向量、头实体增强向量和尾实体增强向量,进行分类对齐得到文本语料的目标三元组,可以有效提升模型抽取关系的效果。
本公开一示例性实施例中,对关系向量,融合头实体向量、尾实体向量以及文本语料的上下文向量中的至少一种,得到关系增强向量。
图5是根据本公开一示例性实施例提供的一种得到关系增强向量流程图。如图5所示,包括以下步骤。
在步骤S501中,采用交叉注意力机制,分别确定关系向量与头实体向量之间的第三交互关联关系、关系向量与尾实体向量之间的第四交互关联关系以及关系向量与文本语料的上下文向量之间的第五交互关联关系。
在步骤S502中,合并第三交互关联关系、第四交互关联关系以及第五交互关联关系。
在步骤S503中,基于合并后得到的交互关联关系得到的关系增强向量,更新关系向量,得到关系增强向量。
在本公开实施例中,通过对关系-头实体、关系-尾实体、关系-上下文间的联系进行建模得到了增强后的关系表示,然后使用层归一将三者合并起来。对关系-头实体进行融合,得到增强后的对关系-尾实体进行融合,得到增强后的对关系-上下文间的联系进行融合,得到增强后的然后使用层归一,将三者合并起来得到关系增强向量:
在本公开中,采用交叉注意力机制,分别确定关系向量与头实体向量、尾实体向量以及文本语料的上下文向量之间的交互关联关系,并得到关系增强向量,能够得到关注文本之间重要细节的关系向量,提升多三元组关系抽取的准确性,实现对关系向量进行了建模优化,使得优化后的关系向量剔除了无关信息的影响。
进一步的,在本公开实施例中,对得到的关系增强向量进行归一化(Normalization)。进行归一化旨在随着网络深度的增加,输入数据的特征分布会不断发生变化,为了保证数据特征分布的稳定性,会加入Normalization。从而可以使用更大的学习率和加速模型的收敛速度,同时,Normalization也有一定的抗过拟合作用,使训练过程更加平稳。具体地,Normalization的主要作用就是把每层特征输入到激活函数之前,对它们进行normalization,使其转换为均值为1,方差为0的数据,从而可以避免数据落在激活函数的饱和区,以减少梯度消失的问题。本公开实施例中,采用层归一化(LayerNorm)的方法对关系增强向量进行处理。其中,LayerNorm是对每个关系增强向量的所有特征进行归一化处理,抹平了不同关系增强向量之间的大小关系,而保留了不同特征之间的大小关系。
本公开一示例性实施例中,基于关系增强向量、实体增强向量和尾实体增强向量,进行分类对齐。
图6是根据本公开实施例提供的一种得到文本语料的目标三元组流程图;如图6所示,本公开实施例中对关系增强向量、实体增强向量和尾实体增强向量,进行分类对齐,得到文本语料的目标三元组,包括以下步骤。
在步骤S601中,基于关系增强向量、实体增强向量和尾实体增强向量分别确定三元组,得到候选三元组集合。
在步骤S602中,基于核心张量,对候选三元组集合中的候选三元组进行张量分解,以得到各个候选三元组的分值计算。
在步骤S603中,确定分值最高的候选三元组,作为文本语料的目标三元组。
在本公开实施例中,基于Tucker张量分解的方法实现三元组的判别。首先引入一个核心张量对于更新后的每一个候选三元组表示<si,rk,oj>,计算其得分为:其中σ为逻辑函数,×n表示沿着相应维度的张量乘法。模型使用梯度下降方法在标注数据上对φ进行训练。将得分映射到[0,1]的概率区间内,以得到各个候选三元组的分值计算。确定分值最高的候选三元组,作为文本语料的目标三元组。
在本公开中,基于关系增强向量、实体增强向量和尾实体增强向量分别确定三元组,得到候选三元组集合。基于核心张量,对候选三元组集合中的候选三元组进行张量分解,以得到各个候选三元组的分值计算。确定分值最高的候选三元组,作为文本语料的目标三元组。通过本公开,采用Tucker张量分解的方法实现三元组的判别,由于该方法是基于相应维度的张量乘法,从而该方法相较于其他判别方法包含的维度更广,提升判别的准确率。
本公开实施例以下结合实际应用对上述实施例涉及的多三元组抽取方法进行说明。
图7是根据本公开一示例性实施例中示出的一种多三元组抽取方法的示意图。如图7所示,将文本语料输入至文本编码器之中后,得到语句向量。对经过编码器编码得到的语句向量进行分词,得到头实体向量和尾实体向量。对头实体向量融合关系向量,得到头实体增强向量。对尾实体向量融合关系向量,得到尾实体增强向量。对关系向量融合头实体向量、尾实体向量以及以及文本语料的上下文向量中的至少一种,得到关系增强向量。一示例中,对关系增强向量进行层归一化处理,得到最终优化的关系增强向量。对头实体增强向量、尾实体增强向量以及优化的关系增强向量,采用Tucker张量分解的方法以得到各个候选三元组的分值计算。将分值最高的候选三元组,作为文本语料的目标三元组,从而实现三元组的判别
通过本公开提供的一种多三元组抽取方法,在进行分类对齐时,嵌入了关系向量,使得实体向量之间能够进行有效关系的交互,进而可以有效提升模型抽取关系的效果,提升知识图谱构建的效果。得到增强后的实体向量和关系向量能够更加关注文本语料之间的重要细节,提升多三元组关系抽取的准确性。采用Tucker张量分解的方法实现三元组的判别,由于该方法是基于相应维度的张量乘法,从而该方法相较于其他判别方法包含的维度更广,提升判别的准确率。将上述方法在相关开源数据集上进行验证,本方法可以达到的准确度与当前技术达到的准确度相比,可以提升1-2个准确点。
基于相同的构思,本公开实施例还提供一种多三元组抽取装置。
可以理解的是,本公开实施例提供的多三元组抽取装置为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。结合本公开实施例中所公开的各示例的单元及算法步骤,本公开实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能,但是这种实现不应认为超出本公开实施例的技术方案的范围。
图8是根据本公开一示例性实施方式中示出的一种多三元组抽取装置的框图。参阅图8,该装置800包括获取单元801,编码单元802和对齐单元803。
获取单元801,用于获取文本语料,并获取关系向量;编码单元802,用于确定文本语料的头实体向量和尾实体向量;对齐单元803,用于对关系向量、头实体向量、和尾实体向量进行分类对齐,得到文本语料的目标三元组。
在一种实施方式中,对齐单元803还应用于:对头实体向量和尾实体向量分别融合关系向量,得到头实体增强向量和尾实体增强向量;其中,对齐单元803采用如下方式对关系向量、头实体向量、和尾实体向量进行分类对齐,得到文本语料的目标三元组:对关系向量、头实体增强向量和尾实体增强向量,进行分类对齐,得到文本语料的目标三元组。
在一种实施方式中,对齐单元803还应用于:对关系向量,融合头实体向量、尾实体向量以及文本语料的上下文向量中的至少一种,得到关系增强向量;其中,对齐单元803采用如下方式对关系向量、实体增强向量和尾实体增强向量,进行分类对齐,得到文本语料的目标三元组:对关系增强向量、头实体增强向量和尾实体增强向量,进行分类对齐,得到文本语料的目标三元组。
在一种实施方式中,对齐单元803采用如下方式对头实体向量和尾实体向量分别融合关系向量,得到头实体增强向量和尾实体增强向量:采用交叉注意力机制,确定头实体向量和关系向量之间的第一交互关联关系,并基于第一交互关联关系更新头实体向量,得到头实体增强向量;采用交叉注意力机制,确定尾实体向量和关系向量之间的第二交互关联关系,并基于第二交互关联关系更新尾实体向量,得到尾实体增强向量。
在一种实施方式中,对齐单元803采用如下方式对关系向量,融合头实体向量、尾实体向量以及文本语料的上下文向量中的至少一种,得到关系增强向量:采用交叉注意力机制,分别确定关系向量与头实体向量之间的第三交互关联关系、关系向量与尾实体向量之间的第四交互关联关系以及关系向量与文本语料的上下文向量之间的第五交互关联关系;合并第三交互关联关系、第四交互关联关系以及第五交互关联关系;基于合并后得到的交互关联关系得到关系增强向量更新关系向量,得到关系增强向量。
在一种实施方式中,对齐单元803采用如下方式对关系增强向量、实体增强向量和尾实体增强向量,进行分类对齐,得到文本语料的目标三元组:基于关系增强向量、实体增强向量和尾实体增强向量分别确定三元组,得到候选三元组集合;基于核心张量,对候选三元组集合中的候选三元组进行张量分解,以得到各个候选三元组的分值计算;确定分值最高的候选三元组,作为文本语料的目标三元组。
关于本公开上述涉及的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开的技术方案中,所涉及的用户个人信息的获取,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,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。
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对齐单元(CPU)、图形对齐单元(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,例如生成图像特征提取模型的方法或提取图像特征的方法。例如,在一些实施例中,生成图像特征提取模型的方法或提取图像特征的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/或安装到设备900上。当计算机程序加载到RAM903并由计算单元901执行时,可以执行上文描述的生成图像特征提取模型的方法或提取图像特征的方法中一个或多个步骤。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)而被配置为执行生成图像特征提取模型的方法或提取图像特征的方法。
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,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 (15)
1.一种多三元组抽取方法,包括:
获取文本语料,并获取关系向量;
确定所述文本语料的头实体向量和尾实体向量;
对所述关系向量、所述头实体向量、和所述尾实体向量进行分类对齐,得到所述文本语料的目标三元组。
2.根据权利要求1所述的方法,还包括:
对所述头实体向量和所述尾实体向量分别融合所述关系向量,得到头实体增强向量和尾实体增强向量;
其中,所述对所述关系向量、所述头实体向量、和所述尾实体向量进行分类对齐,得到所述文本语料的目标三元组,包括:
对所述关系向量、所述头实体增强向量和所述尾实体增强向量,进行分类对齐,得到所述文本语料的目标三元组。
3.根据权利要求2所述的方法,还包括:
对所述关系向量,融合所述头实体向量、所述尾实体向量以及所述文本语料的上下文向量中的至少一种,得到关系增强向量;
其中,所述对所述关系向量、所述实体增强向量和所述尾实体增强向量,进行分类对齐,得到所述文本语料的目标三元组,包括:
对所述关系增强向量、所述头实体增强向量和所述尾实体增强向量,进行分类对齐,得到所述文本语料的目标三元组。
4.根据权利要求2所述的方法,其中,对所述头实体向量和所述尾实体向量分别融合所述关系向量,得到头实体增强向量和尾实体增强向量,包括:
采用交叉注意力机制,确定所述头实体向量和所述关系向量之间的第一交互关联关系,并基于所述第一交互关联关系更新所述头实体向量,得到头实体增强向量;
采用交叉注意力机制,确定所述尾实体向量和所述关系向量之间的第二交互关联关系,并基于所述第二交互关联关系更新所述尾实体向量,得到尾实体增强向量。
5.根据权利要求3所述的方法,其中,所述对所述关系向量,融合所述头实体向量、所述尾实体向量以及所述文本语料的上下文向量中的至少一种,得到关系增强向量,包括:
采用交叉注意力机制,分别确定所述关系向量与所述头实体向量之间的第三交互关联关系、所述关系向量与所述尾实体向量之间的第四交互关联关系以及所述关系向量与所述文本语料的上下文向量之间的第五交互关联关系;
合并所述第三交互关联关系、所述第四交互关联关系以及所述第五交互关联关系;
基于合并后得到的交互关联关系得到关系增强向量更新所述关系向量,得到关系增强向量。
6.根据权利要求3所述的方法,其中,所述对所述关系增强向量、所述实体增强向量和所述尾实体增强向量,进行分类对齐,得到所述文本语料的目标三元组,包括:
基于所述关系增强向量、所述实体增强向量和所述尾实体增强向量分别确定三元组,得到候选三元组集合;
基于核心张量,对所述候选三元组集合中的候选三元组进行张量分解,以得到各个候选三元组的分值计算;
确定分值最高的候选三元组,作为所述文本语料的目标三元组。
7.一种多三元组抽取装置,包括:
获取单元,用于获取文本语料,并获取关系向量;
编码单元,用于确定所述文本语料的头实体向量和尾实体向量;
对齐单元,用于对所述关系向量、所述头实体向量、和所述尾实体向量进行分类对齐,得到所述文本语料的目标三元组。
8.根据权利要求7所述的装置,还包括融合单元,所述融合单元用于:
对所述头实体向量和所述尾实体向量分别融合所述关系向量,得到头实体增强向量和尾实体增强向量;
其中,所述对齐单元采用如下方式对所述关系向量、所述头实体向量、和所述尾实体向量进行分类对齐,得到所述文本语料的目标三元组:
对所述关系向量、所述头实体增强向量和所述尾实体增强向量,进行分类对齐,得到所述文本语料的目标三元组。
9.根据权利要求8所述的装置,所述融合单元还用于:
对所述关系向量,融合所述头实体向量、所述尾实体向量以及所述文本语料的上下文向量中的至少一种,得到关系增强向量;
其中,所述对齐单元采用如下方式对所述关系向量、所述实体增强向量和所述尾实体增强向量,进行分类对齐,得到所述文本语料的目标三元组:
对所述关系增强向量、所述头实体增强向量和所述尾实体增强向量,进行分类对齐,得到所述文本语料的目标三元组。
10.根据权利要求8所述的装置,其中,所述融合单元采用如下方式对所述头实体向量和所述尾实体向量分别融合所述关系向量,得到头实体增强向量和尾实体增强向量:
采用交叉注意力机制,确定所述头实体向量和所述关系向量之间的第一交互关联关系,并基于所述第一交互关联关系更新所述头实体向量,得到头实体增强向量;
采用交叉注意力机制,确定所述尾实体向量和所述关系向量之间的第二交互关联关系,并基于所述第二交互关联关系更新所述尾实体向量,得到尾实体增强向量。
11.根据权利要求9所述的装置,其中,所述融合单元采用如下方式对所述关系向量,融合所述头实体向量、所述尾实体向量以及所述文本语料的上下文向量中的至少一种,得到关系增强向量:
采用交叉注意力机制,分别确定所述关系向量与所述头实体向量之间的第三交互关联关系、所述关系向量与所述尾实体向量之间的第四交互关联关系以及所述关系向量与所述文本语料的上下文向量之间的第五交互关联关系;
合并所述第三交互关联关系、所述第四交互关联关系以及所述第五交互关联关系;
基于合并后得到的交互关联关系得到关系增强向量更新所述关系向量,得到关系增强向量。
12.根据权利要求9所述的装置,其中,所述对齐单元采用如下方式对所述关系增强向量、所述实体增强向量和所述尾实体增强向量,进行分类对齐,得到所述文本语料的目标三元组:
基于所述关系增强向量、所述实体增强向量和所述尾实体增强向量分别确定三元组,得到候选三元组集合;
基于核心张量,对所述候选三元组集合中的候选三元组进行张量分解,以得到各个候选三元组的分值计算;
确定分值最高的候选三元组,作为所述文本语料的目标三元组。
13.一种电子设备,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1-6中任一项所述的方法。
14.一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1-6中任一项所述的方法。
15.一种计算机程序产品,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1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210700225.2A CN115168599B (zh) | 2022-06-20 | 2022-06-20 | 多三元组抽取方法、装置、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210700225.2A CN115168599B (zh) | 2022-06-20 | 2022-06-20 | 多三元组抽取方法、装置、设备、介质及产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115168599A true CN115168599A (zh) | 2022-10-11 |
CN115168599B CN115168599B (zh) | 2023-06-20 |
Family
ID=83487323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210700225.2A Active CN115168599B (zh) | 2022-06-20 | 2022-06-20 | 多三元组抽取方法、装置、设备、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115168599B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781683A (zh) * | 2019-11-04 | 2020-02-11 | 河海大学 | 一种实体关系联合抽取方法 |
CN110795543A (zh) * | 2019-09-03 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 基于深度学习的非结构化数据抽取方法、装置及存储介质 |
CN110851609A (zh) * | 2018-07-24 | 2020-02-28 | 华为技术有限公司 | 表示学习方法及装置 |
CN111783463A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 知识抽取方法和装置 |
CN111813962A (zh) * | 2020-09-07 | 2020-10-23 | 北京富通东方科技有限公司 | 一种用于知识图谱融合的实体相似度计算方法 |
CN111931506A (zh) * | 2020-05-22 | 2020-11-13 | 北京理工大学 | 一种基于图信息增强的实体关系抽取方法 |
CN112784066A (zh) * | 2021-03-15 | 2021-05-11 | 中国平安人寿保险股份有限公司 | 基于知识图谱的信息反馈方法、装置、终端和存储介质 |
CN112948535A (zh) * | 2019-12-10 | 2021-06-11 | 复旦大学 | 一种文本的知识三元组抽取方法、装置及存储介质 |
WO2021139247A1 (zh) * | 2020-08-06 | 2021-07-15 | 平安科技(深圳)有限公司 | 医学领域知识图谱的构建方法、装置、设备及存储介质 |
CN113204649A (zh) * | 2021-05-11 | 2021-08-03 | 西安交通大学 | 基于实体关系联合抽取的法律知识图谱构建方法及设备 |
CN113220844A (zh) * | 2021-05-25 | 2021-08-06 | 广西师范大学 | 基于实体特征的远程监督关系抽取方法 |
CN113221571A (zh) * | 2021-05-31 | 2021-08-06 | 重庆交通大学 | 基于实体相关注意力机制的实体关系联合抽取方法 |
WO2021190236A1 (zh) * | 2020-03-23 | 2021-09-30 | 浙江大学 | 一种基于生物医学文献的实体关系挖掘方法 |
CN113535986A (zh) * | 2021-09-02 | 2021-10-22 | 中国医学科学院医学信息研究所 | 一种应用于医学知识图谱的数据融合方法及装置 |
CN113590784A (zh) * | 2021-07-27 | 2021-11-02 | 中国科学技术大学 | 三元组信息抽取方法、装置、电子设备、及存储介质 |
CN113656596A (zh) * | 2021-08-18 | 2021-11-16 | 中国人民解放军国防科技大学 | 一种基于三元组筛选融合的多模态实体对齐方法 |
CN114036307A (zh) * | 2021-09-17 | 2022-02-11 | 清华大学 | 一种知识图谱实体对齐方法及装置 |
CN114357193A (zh) * | 2022-01-10 | 2022-04-15 | 中国科学技术大学 | 一种知识图谱实体对齐方法、系统、设备与存储介质 |
CN114399048A (zh) * | 2022-01-14 | 2022-04-26 | 河南大学 | 基于图卷积神经网络与类型嵌入的教育领域联合知识点预测方法及系统 |
CN114564563A (zh) * | 2022-02-21 | 2022-05-31 | 云南大学 | 一种基于关系分解的端到端实体关系联合抽取方法及系统 |
WO2022116417A1 (zh) * | 2020-12-03 | 2022-06-09 | 平安科技(深圳)有限公司 | 三元组信息提取方法、装置、设备及计算机可读存储介质 |
-
2022
- 2022-06-20 CN CN202210700225.2A patent/CN115168599B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110851609A (zh) * | 2018-07-24 | 2020-02-28 | 华为技术有限公司 | 表示学习方法及装置 |
CN110795543A (zh) * | 2019-09-03 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 基于深度学习的非结构化数据抽取方法、装置及存储介质 |
CN110781683A (zh) * | 2019-11-04 | 2020-02-11 | 河海大学 | 一种实体关系联合抽取方法 |
CN112948535A (zh) * | 2019-12-10 | 2021-06-11 | 复旦大学 | 一种文本的知识三元组抽取方法、装置及存储介质 |
WO2021190236A1 (zh) * | 2020-03-23 | 2021-09-30 | 浙江大学 | 一种基于生物医学文献的实体关系挖掘方法 |
CN111931506A (zh) * | 2020-05-22 | 2020-11-13 | 北京理工大学 | 一种基于图信息增强的实体关系抽取方法 |
CN111783463A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 知识抽取方法和装置 |
WO2021139247A1 (zh) * | 2020-08-06 | 2021-07-15 | 平安科技(深圳)有限公司 | 医学领域知识图谱的构建方法、装置、设备及存储介质 |
CN111813962A (zh) * | 2020-09-07 | 2020-10-23 | 北京富通东方科技有限公司 | 一种用于知识图谱融合的实体相似度计算方法 |
WO2022116417A1 (zh) * | 2020-12-03 | 2022-06-09 | 平安科技(深圳)有限公司 | 三元组信息提取方法、装置、设备及计算机可读存储介质 |
CN112784066A (zh) * | 2021-03-15 | 2021-05-11 | 中国平安人寿保险股份有限公司 | 基于知识图谱的信息反馈方法、装置、终端和存储介质 |
CN113204649A (zh) * | 2021-05-11 | 2021-08-03 | 西安交通大学 | 基于实体关系联合抽取的法律知识图谱构建方法及设备 |
CN113220844A (zh) * | 2021-05-25 | 2021-08-06 | 广西师范大学 | 基于实体特征的远程监督关系抽取方法 |
CN113221571A (zh) * | 2021-05-31 | 2021-08-06 | 重庆交通大学 | 基于实体相关注意力机制的实体关系联合抽取方法 |
CN113590784A (zh) * | 2021-07-27 | 2021-11-02 | 中国科学技术大学 | 三元组信息抽取方法、装置、电子设备、及存储介质 |
CN113656596A (zh) * | 2021-08-18 | 2021-11-16 | 中国人民解放军国防科技大学 | 一种基于三元组筛选融合的多模态实体对齐方法 |
CN113535986A (zh) * | 2021-09-02 | 2021-10-22 | 中国医学科学院医学信息研究所 | 一种应用于医学知识图谱的数据融合方法及装置 |
CN114036307A (zh) * | 2021-09-17 | 2022-02-11 | 清华大学 | 一种知识图谱实体对齐方法及装置 |
CN114357193A (zh) * | 2022-01-10 | 2022-04-15 | 中国科学技术大学 | 一种知识图谱实体对齐方法、系统、设备与存储介质 |
CN114399048A (zh) * | 2022-01-14 | 2022-04-26 | 河南大学 | 基于图卷积神经网络与类型嵌入的教育领域联合知识点预测方法及系统 |
CN114564563A (zh) * | 2022-02-21 | 2022-05-31 | 云南大学 | 一种基于关系分解的端到端实体关系联合抽取方法及系统 |
Non-Patent Citations (2)
Title |
---|
张诺: "面向山西旅游的知识图谱构建方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
王红等: "基于多跳注意力的实体关系联合抽取方法及应用研究", 《太原理工大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115168599B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7301922B2 (ja) | 意味検索方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
US20230011678A1 (en) | Method for predicting protein-protein interaction | |
CN110276023B (zh) | Poi变迁事件发现方法、装置、计算设备和介质 | |
CN112579727B (zh) | 文档内容的提取方法、装置、电子设备及存储介质 | |
CN108140018A (zh) | 创作用于基于文本的文档的视觉表示 | |
US20230022677A1 (en) | Document processing | |
EP4116861A2 (en) | Method and apparatus for pre-training semantic representation model and electronic device | |
US20230073994A1 (en) | Method for extracting text information, electronic device and storage medium | |
CN113590776A (zh) | 基于知识图谱的文本处理方法、装置、电子设备及介质 | |
CN113268560A (zh) | 用于文本匹配的方法和装置 | |
US20210312308A1 (en) | Method for determining answer of question, computing device and storage medium | |
CN115860006A (zh) | 一种基于语义句法的方面级情感预测方法及装置 | |
US20230114673A1 (en) | Method for recognizing token, electronic device and storage medium | |
CN112926308A (zh) | 匹配正文的方法、装置、设备、存储介质以及程序产品 | |
CN113850080A (zh) | 一种押韵词推荐方法、装置、设备及存储介质 | |
CN114021548A (zh) | 敏感信息检测方法、训练方法、装置、设备以及存储介质 | |
US20210342379A1 (en) | Method and device for processing sentence, and storage medium | |
CN110807097A (zh) | 分析数据的方法和装置 | |
CN112906368A (zh) | 行业文本增量方法、相关装置及计算机程序产品 | |
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 | |
CN114661904B (zh) | 文档处理模型的训练方法、装置、设备、存储介质及程序 | |
CN115577106A (zh) | 基于人工智能的文本分类方法、装置、设备和介质 | |
US20220122022A1 (en) | Method of processing data, device and computer-readable storage medium | |
CN113239273B (zh) | 用于生成文本的方法、装置、设备以及存储介质 | |
CN113051396B (zh) | 文档的分类识别方法、装置和电子设备 |
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 |