CN115293149A - 一种实体关系识别方法、装置、设备及存储介质 - Google Patents
一种实体关系识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115293149A CN115293149A CN202210936756.1A CN202210936756A CN115293149A CN 115293149 A CN115293149 A CN 115293149A CN 202210936756 A CN202210936756 A CN 202210936756A CN 115293149 A CN115293149 A CN 115293149A
- Authority
- CN
- China
- Prior art keywords
- entity
- prompt
- data
- training
- text data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 143
- 238000000605 extraction Methods 0.000 claims abstract description 106
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 abstract description 6
- 238000002372 labelling Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 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
- 238000012546 transfer 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
-
- 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
- G06F16/3344—Query execution using natural language 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种实体关系识别方法、装置、设备及存储介质。该方法包括：通过提示学习模块，将输入的待识别文本数据转换为提示文本数据后，输入实体抽取模型输出数据实体集合和编码特征向量；实体抽取模型基于提示数据训练样本集迭代训练预训练实体抽取模型得到；通过图神经网络模块，基于数据实体集合和编码特征向量构建实体关系图，对实体关系图中的各节点进行分类得到实体类别；通过实体关系识别模块，对各实体类别进行关系分类输出所述待识别文本数据的实体关系，能够在少量标注数据样本的条件下得到较好的实体关系识别效果，减少实体抽取模型的训练对训练样本的数量需求、降低文本数据训练样本的标记成本，减少计算量和对设备的硬件要求。
Description
技术领域
本发明涉及数据分析技术领域，尤其涉及一种实体关系识别方法、装置、设备及存储介质。
背景技术
电网的大量业务关键数据都是以文本类非结构化存储为主。
电网数据具有规模大、领域广和形式多样的特点，对于电网数据的实体关系识别最重要的步骤在于实体抽取。目前，基于模型训练的实体抽取方法仍然面临以下几方面的挑战：标注样本缺乏，人工标注，数据量级小，且成本高；标注训练样本一般只局限与某些领域，训练得到的模型泛化能力弱；数据样例不均衡，存在大量的关系实体对样例较少的情况。
发明内容
本发明提供了一种实体关系识别方法、装置、设备及存储介质，通过提示学习和图神经网络的实体关系识别方法，能够在少量标注数据样本的条件下得到较好的实体关系识别效果，从而减少实体抽取模型的训练对文本数据训练样本的数量需求、降低文本数据训练样本的标记成本，减少计算量和对设备的硬件要求。
根据本发明的一方面，提供了一种实体关系识别方法，包括：
通过提示学习模块，将输入的待识别文本数据转换为提示文本数据后，输入实体抽取模型输出数据实体集合和编码特征向量；所述实体抽取模型基于提示数据训练样本集迭代训练预训练实体抽取模型得到；
通过图神经网络模块，基于所述提示学习模块输出的数据实体集合和编码特征向量构建实体关系图，对所述实体关系图中的各节点进行分类得到实体类别；
通过实体关系识别模块，对所述图神经网络模块输出的各实体类别进行关系分类输出所述待识别文本数据的实体关系。
根据本发明的另一方面，提供了一种实体关系识别装置，包括：
提示学习模块，用于将输入的待识别文本数据转换为提示文本数据后，输入实体抽取模型输出数据实体集合和编码特征向量；所述实体抽取模型基于提示数据训练样本集迭代训练预训练实体抽取模型得到；
图神经网络模块，用于基于所述提示学习模块输出的数据实体集合和编码特征向量构建实体关系图，对所述实体关系图中的各节点进行分类得到实体类别；
实体关系识别模块，用于对所述图神经网络模块输出的各实体类别进行关系分类输出所述待识别文本数据的实体关系。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的实体关系识别方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的实体关系识别方法。
本发明实施例的技术方案，通过提示学习模块，将输入的待识别文本数据转换为提示文本数据后，输入实体抽取模型输出数据实体集合和编码特征向量；所述实体抽取模型基于提示数据训练样本集迭代训练预训练实体抽取模型得到；通过图神经网络模块，基于所述提示学习模块输出的数据实体集合和编码特征向量构建实体关系图，对所述实体关系图中的各节点进行分类得到实体类别；通过实体关系识别模块，对所述图神经网络模块输出的各实体类别进行关系分类输出所述待识别文本数据的实体关系，提供一种提示学习和图神经网络的实体关系识别方法，能够在少量标注数据样本的条件下得到较好的实体关系识别效果，从而取到减少实体抽取模型的训练对文本数据训练样本的数量需求、降低文本数据训练样本的标记成本，减少计算量和对设备的硬件要求的有益效果。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种实体关系识别方法的流程图；
图2是根据本发明实施例二提供的一种实体关系识别方法的流程图；
图3是根据本发明实施例二提供的一种实体关系识别装置的流程图；
图4是根据本发明实施例三提供的一种实体关系识别装置的结构示意图；
图5是实现本发明实施例的实体关系识别方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
目前，常用的实体抽取方法包括：
(1)基于规则的实体抽取，该方法对领域专家依赖程度高。对于具有海量、多领域和非结构特征的电力数据，专家很难制定较强泛化能力的规则，这就要求专家对各种数据制定大量的规则，该过程过于繁琐，人力成本过大，效率低，可移植性差，只有在小数据量的业务情况下才适用。
(2)基于传统机器学习的实体抽取，该方法的主要工作内容是数据预处理和特征工程。电力数据具有大量的非结构化多类别的数据，数据预处理和特征工程就存在很大的工作量，工作任务过于繁重，耗费大量时间，这就造成了人工投入大，人力成本高，同时，工程人员还需兼顾行业领域和技术领域两个方向。
(3)基于深度学习模型进行实体抽取，该方法主要采用LSTM+CRF模型进行实体关系识别，对实体对进行关系分类。LSTM能够提取中文字信息的，同时通过门控记忆机制，能够保留文本序列的信息，但是，LSTM虽然一定程度上缓解了RNN的长期依赖问题，但对于更长的序列数据，也是很棘手的；同时，LSTM不能并行计算，如果时间跨度过大，网络深度又很深的情况下，计算量会很大，很耗时。
(4)基于预训练模型微调的实体抽取，该方法主要是采用Bert+CRF模型进行实体关系识别，对实体对进行关系分类。Bert模型可以像CNN一样和全局信息进行交互，忽略距离，突破了RNN不能并行计算的限制，但是该模型文件太大，训练时间太长。预训练模型的局限体现在，一是记忆和存储语言知识的能力有限，二是对语言逻辑的理解能力有限。一个小数据集上微调可能导致高估或低估的现象。另外，预训练模型微调对硬件要求较高、对算力、显存需求大，应用代价高。
为了解决现有实体抽取模型不适用于具有规模大、领域广、形式多样的特点的电网数据的问题，本发明提供一种基于提示学习的实体抽取和识别方法。
实施例一
图1为本发明实施例一提供了一种实体关系识别方法的流程图，本实施例可适用于文本数据的实体关系识别的情况，尤其适用于电力领域的文本数据的实体关系识别。该方法可以由实体关系识别装置来执行，该实体关系识别装置可以采用硬件和/或软件的形式实现，该实体关系识别装置可配置于电子设备中。该实体装置包括：提示学习模块、图神经网络模块和实体关系识别模块。如图1所示，该方法包括：
S110、通过提示学习模块，将输入的待识别文本数据转换为提示文本数据后，输入实体抽取模型输出数据实体集合和编码特征向量；所述实体抽取模型基于提示数据训练样本集迭代训练预训练实体抽取模型得到。
其中，提示学习模块是用于对待识别文本数据进行基于提示学习的实体抽取的模块。待识别文本数据是等待进行实体抽取与识别的文本数据，例如可以是电力领域的文本数据，或其他领域的文本数据。提示文本数据是待识别文本数据经过提示处理后得到的文本数据。
其中，实体抽取模型输出数据实体集合是待识别文本数据所包含的数据实体的集合，编码特征向量是数据实体集合中每个数据实体对应的编码特征构成的向量，数据实体集合中的元素和编码特征向量和编码特征一一对应。
具体的，提示学习模块主要提供两个功能，第一是对输入的待识别文本数据进行数据转化为提示文本数据；第二是将待识别文本数据输入实体抽取模型进行实体抽取得到数据实体集合和编码特征向量。实体抽取模型基于提示数据训练样本集迭代训练预训练实体抽取模型得到，提示数据训练样本集由文本数据训练样本集进行提示转换后得到。
提示学习模块在实体抽取过程中增加提示学习功能，将训练样本数据转化为训练提示样本数据后用于预训练的实体抽取模型。相较目前常用的基于规则的实体抽取方法、基于传统机器学习的实体抽取方法、基于深度学习模型的实体抽取方法和传统基于预训练实体抽取模型微调的实体抽取方法，本实施例所提出的基于提示学习的实体抽取方法能够在少量标注数据样本的条件下得到较好的实体抽取效果，从而减少实体抽取模型的训练对文本数据训练样本的数量需求、降低文本数据训练样本的标记成本，减少计算量和对设备的硬件要求。
S120、通过图神经网络模块，基于所述提示学习模块输出的数据实体集合和编码特征向量构建实体关系图，对所述实体关系图中的各节点进行分类得到实体类别。
具体的，图神经网络模块主要提供两个功能，一是构建实体关系图，将编码特征向量中的元素作为节点特征，根据数据实体集合中的数据实体的出现顺序，以及数据实体在实体关系库中的关系作为边的特征，完成构建实体关系图。二是实体分类，对实体关系图中的各节点进行分类得到实体类别。
S130、通过实体关系识别模块，对所述图神经网络模块输出的各实体类别进行关系分类输出所述待识别文本数据的实体关系。
具体的，在实际的电力数据中，实体关系是多种类别的，按照实体分类得到实体类别，进行关系分类，进而得到数据实体集合中各数据实体之间的实体关系。本发明实施例对实体关系分类的方式不作限定。
本发明实施例的技术方案，通过提示学习模块，将输入的待识别文本数据转换为提示文本数据后，输入实体抽取模型输出数据实体集合和编码特征向量；所述实体抽取模型基于提示数据训练样本集迭代训练预训练实体抽取模型得到；通过图神经网络模块，基于所述提示学习模块输出的数据实体集合和编码特征向量构建实体关系图，对所述实体关系图中的各节点进行分类得到实体类别；通过实体关系识别模块，对所述图神经网络模块输出的各实体类别进行关系分类输出所述待识别文本数据的实体关系，提供一种提示学习和图神经网络的实体关系识别方法，能够在少量标注数据样本的条件下得到较好的实体关系识别效果，从而减少实体抽取模型的训练对文本数据训练样本的数量需求、降低文本数据训练样本的标记成本，减少计算量和对设备的硬件要求。
可选的，通过图神经网络模块，基于所述提示学习模块输出的数据实体集合和编码特征向量构建实体关系图，包括：
通过图神经网络模块，根据所述提示学习模块输出的数据实体集合和编码特征向量，对照实体关系库和所述待识别文本数据进行节点编码和边编码，形成实体关系图。
其中，图(Graph)是一种数据结构，常见的图结构模式包含图的节点和边(edge)，其中边包含实体之间的关系信息。图神经网络模块是包含图神经网络的模块，图神经网络是种连接模型，通过网络中节点之间的信息传递的方式来获取图中的依存关系。
具体的，图神经网络模块输入的是数据实体集合和编码特征向量；图神经网络模块输出的是实体关系图。数据实体集合中的数据实体对应的编码特征向量编码特征元素作为实体关系图的节点，对照实体关系库和所述待识别文本数据进行节点编码和边编码从而确定实体关系图的节点和边，根据节点和边构成实体关系图。
可选的，通过实体关系识别模块，对所述图神经网络模块输出的各实体类别进行关系分类输出所述待识别文本数据的实体关系，包括：
基于预设实体关系槽，对所述图神经网络模块输出的各实体类别进行填槽得到待识别文本数据的实体关系。
具体的，在实际的电力数据中，实体关系是多种类别的，在实体关系识别模块中可以设置单个或者多个实体填槽结构，按照节点分类的结果，将节点填入对应的槽位，进而得到节点集合的关系信息，即待识别文本数据的实体关系。
实施例二
图2为本发明实施例二提供的一种实体关系识别方法的流程图，本实施例对上述实施例的步骤S110进一步限定。提示学习模块包括：提示数据处理单元和实体抽取模型。
如图2所示，该方法包括：
S210、通过所述提示学习模块的提示数据处理单元，基于提示模板对输入的待识别文本数据进行提示处理得到提示文本数据。
其中，提示模板是用于对待识别文本数据进行提示处理的模板。
具体的，在提示学习模块中包括：提示数据处理单元，将待识别文本数据输入提示数据处理单元，基于提示模板中预设的提示信息对待识别文本数据进行提示处理输出提示文本数据。
可选的，所述提示模板包括：设定的自然语言；所述自然语言中用于填入输入数据的输入位置和用于填入输出实体的输入位置。
示例性的，提示模板为z＝fprompt([x],[e])，其中，[x]为填用于入输入数据的输入位置，x为输入文本数据，[e]为用于填入输出实体的输入位置，e为输出实体，z为输入文本数据经过提示处理的输出文本数据。
在利用提示数据训练样本集对实体抽取模型之前，可以将训练样本集X＝{x1,x2,x3,…,xn}输入提示模板得到提示数据训练样本集Z＝{z1,z2,…zn}，此时，x为训练样本集中的训练样本，z为提示数据训练样本集中的提示数据训练样本。
在利用实体抽取模型对提示文本数据进行实体抽取之前，可以将待识别文本数据输入提示模板得到提示文本数据，此时，x为待识别文本数据，z为提示文本数据。
S220、通过所述提示学习模块的实体抽取模型，对所述提示文本数据进行实体抽取得到数据实体集合和编码特征向量，所述实体抽取模型通过掩码建模基于提示数据训练样本集对预训练实体抽取模型进行参数调节得到。
其中，预训练实体抽取模型是基于选定的初始实体抽取模型进行预训练得到的模型，例如预训练实体抽取模型可以是基于Bert、Albert、或者针对特定领域训练得到的实体抽取模型。
具体的，通过掩码建模(Masked Language Model，MLM)基于提示数据训练样本集对预训练模型进行参数调节得到实体抽取模型，掩码建模的原理在于：对输入的原始序列的中的标记特征进行掩蔽，然后让预训练模型去预测这些被掩蔽掉的标记特征。将待识别文本数据对应的提示文本数据输入实体抽取模型进行实体抽取，输出数据实体集合和编码特征向量。在通过掩码建模对预训练模型进行参数调节的过程中，预训练模型的主要参数冻结，只对部分参数更新，因此，减少了模型训练的计算量，提高了模型训练的效率。
S230、通过图神经网络模块，基于所述提示学习模块输出的数据实体集合和编码特征向量构建实体关系图，对所述实体关系图中的各节点进行分类得到实体类别。
S240、通过实体关系识别模块，对所述图神经网络模块输出的各实体类别进行关系分类输出所述待识别文本数据的实体关系。
本发明实施例的技术方案，通过所述提示数据处理单元，基于提示模板对输入的待识别文本数据进行提示处理得到提示文本数据；通过所述实体抽取模型，对所述提示文本数据进行实体抽取得到数据实体集合和编码特征向量，所述实体抽取模型通过掩码建模基于提示数据训练样本集对预训练实体抽取模型进行参数调节得到；通过图神经网络模块，基于所述提示学习模块输出的数据实体集合和编码特征向量构建实体关系图，对所述实体关系图中的各节点进行分类得到实体类别；通过实体关系识别模块，对所述图神经网络模块输出的各实体类别进行关系分类输出所述待识别文本数据的实体关系，能够在少量标注数据样本的条件下得到较好的实体关系识别效果，从而减少实体抽取模型的训练对文本数据训练样本的数量需求、降低文本数据训练样本的标记成本，减少计算量和对设备的硬件要求。
可选的，所述通过掩码建模基于提示数据训练样本集对预训练模型进行参数调节包括：
获取预训练实体抽取模型和提示数据训练样本集；所述提示数据训练样本集通过将训练样本集输入所述提示学习模块的提示数据处理单元得到；
对所述提示数据训练样本集中的提示数据训练样本的标记实体进行随机掩码得到掩码训练样本集；
将所述掩码训练样本集输入预训练实体抽取模型，预测被掩码的标记实体对应的预测实体；
根据所述预测实体的预测概率调节所述预训练实体抽取模型的预设参数。
具体的，通过掩码建模基于提示数据训练样本集对预训练模型进行参数调节的在步骤可以包括：获取预训练实体抽取模型和训练样本集经过提示处理得到的提示数据训练样本集；其中，提示数据训练样本集可以基于提示模板对训练样本集进行提示处理得到。对提示数据训练样本集中提示数据训练样本的标记实体进行随机掩码，可以得到掩码训练样本集，将掩码训练样本集输入预训练实体抽取模型预测被掩码的标记实体对应的预测实体；根据预测实体的预测概率调节预训练实体抽取模型的预设参数。预训练模型进行参数调节的过程中，预训练模型的主要参数冻结，只对部分参数更新。
可选的，预设参数根据所述预训练实体抽取模型对应的调参器所包含的参数确定。
具体的，设计一个参数远小于预训练模型参数的调参器V，根据预训练实体抽取模型对应的调参器所包含的参数确定预设参数。
本发明实施例还提供一种实体关系识别装置，可以集成上述实体关系识别方法。如图3所示，该实体关系识别装置包括：提示学习模块、图神经网络模块、实体关系识别模块；提示学习模块包括：提示数据处理单元和实体抽取模块；图神经网络模块包括图构建单元和节点分类单元。首先，将待识别文本数据输入提示学习模块的提示数据处理单元进行提示处理，得到提示文本数据；其次，将提示文本数据输入基于提示数据训练样本集迭代训练预训练实体抽取模型得到的实体抽取模型，输出数据实体集合和编码特征向量。将数据实体集合和编码特征向量输入图构建单元创建实体关系图，将实体关系图输入节点分类单元对实体关系图中的各节点进行分类得到实体类别。最后，通过实体关系识别模块对图神经网络模块输出的各实体类别进行关系分类输出待识别文本数据的实体关系。
在一个具体的例子中，假设提示数据处理单元采用的提示模板为:[x]包含的实体[e]；待识别文本数据为x0，包含的实体集合为{e1,e2,e3…em，经过提示模板转换为提示文本数据z0:[x0]，包含实体[e1,e2,e3,…em]，将z0:[x0]输入基于提示数据训练样本集迭代训练预训练实体抽取模型得到的实体抽取模型后可以提取得到e1,e2…em一一对应的向量表示v1,v2,…vm，再结合x0的语言信息中实体间的位置关系，以及实体关系库中e1,e2…em的关系等进行图构建，得到m个节点图(即实体关系图)，对节点图进行节点分类，可以得到实体e1,e2…em的类别y1,y2,…ym，把e1,e2,…em进行填槽，假设存在h个类别{c1,c2,…ch},关系槽为：[h1]属于[h2]，[h1]是[h3]的一部分，[h2]是[h1]导致的等关系，将实体按照自己的类别填入，可得到实体的各个关系，完成了x的实体关系识别任务。
实施例三
图4为本发明实施例三提供的一种实体关系识别装置的结构示意图。如图4所示，该装置包括：
提示学习模块310，用于将输入的待识别文本数据转换为提示文本数据后，输入实体抽取模型输出数据实体集合和编码特征向量；所述实体抽取模型基于提示数据训练样本集迭代训练预训练实体抽取模型得到；
图神经网络模块320，用于基于所述提示学习模块输出的数据实体集合和编码特征向量构建实体关系图，对所述实体关系图中的各节点进行分类得到实体类别；
实体关系识别模块330，用于对所述图神经网络模块输出的各实体类别进行关系分类输出所述待识别文本数据的实体关系。
可选的，所述提示学习模块310包括：
提示数据处理单元，用于基于提示模板对输入的待识别文本数据进行提示处理得到提示文本数据；
所述实体抽取模型，用于对所述提示文本数据进行实体抽取得到数据实体集合和编码特征向量，所述实体抽取模型通过掩码建模基于提示数据训练样本集对预训练实体抽取模型进行参数调节得到。
可选的，所述提示模板包括：设定的自然语言；所述自然语言中用于填入输入数据的输入位置和用于填入输出实体的输入位置。
可选的，所述通过掩码建模基于提示数据训练样本集对预训练模型进行参数调节包括：
获取预训练实体抽取模型和提示数据训练样本集；所述提示数据训练样本集通过将训练样本集输入所述提示学习模块的提示数据处理单元得到；
对所述提示数据训练样本集中的提示数据训练样本的标记实体进行随机掩码得到掩码训练样本集；
将所述掩码训练样本集输入预训练实体抽取模型，预测被掩码的标记实体对应的预测实体；
根据所述预测实体的预测概率调节所述预训练实体抽取模型的预设参数。
可选的，所述预设参数根据所述预训练实体抽取模型对应的调参器所包含的参数确定。
可选的，所述图神经网络模块320，具体用于：
根据所述提示学习模块输出的数据实体集合和编码特征向量，对照实体关系库和所述待识别文本数据进行节点编码和边编码，形成实体关系图。
可选的，所述实体关系识别模块320，具体用于：
基于预设实体关系槽，对所述图神经网络模块输出的各实体类别进行填槽得到待识别文本数据的实体关系。
本发明实施例所提供的实体关系识别装置可执行本发明任意实施例所提供的实体关系识别方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如实体关系识别方法。
在一些实施例中，实体关系识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的实体关系识别方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行实体关系识别方法。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。
计算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服务中，存在的管理难度大，业务扩展性弱的缺陷。
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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种实体关系识别方法，其特征在于，包括：
通过提示学习模块，将输入的待识别文本数据转换为提示文本数据后，输入实体抽取模型输出数据实体集合和编码特征向量；所述实体抽取模型基于提示数据训练样本集迭代训练预训练实体抽取模型得到；
通过图神经网络模块，基于所述提示学习模块输出的数据实体集合和编码特征向量构建实体关系图，对所述实体关系图中的各节点进行分类得到实体类别；
通过实体关系识别模块，对所述图神经网络模块输出的各实体类别进行关系分类输出所述待识别文本数据的实体关系。
2.根据权利要求1所述的方法，其特征在于，通过提示学习模块，将输入的待识别文本数据转换为提示文本数据后，输入实体抽取模型输出数据实体集合和编码特征向量，包括：
通过所述提示学习模块的提示数据处理单元，基于提示模板对输入的待识别文本数据进行提示处理得到提示文本数据；
通过所述提示学习模块的实体抽取模型，对所述提示文本数据进行实体抽取得到数据实体集合和编码特征向量，所述实体抽取模型通过掩码建模基于提示数据训练样本集对预训练实体抽取模型进行参数调节得到。
3.根据权利要求2所述的方法，其特征在于，所述提示模板包括：设定的自然语言；所述自然语言中用于填入输入数据的输入位置和用于填入输出实体的输入位置。
4.根据权利要求2所述的方法，其特征在于，所述通过掩码建模基于提示数据训练样本集对预训练模型进行参数调节包括：
获取预训练实体抽取模型和提示数据训练样本集；所述提示数据训练样本集通过将训练样本集输入所述提示学习模块的提示数据处理单元得到；
对所述提示数据训练样本集中的提示数据训练样本的标记实体进行随机掩码得到掩码训练样本集；
将所述掩码训练样本集输入预训练实体抽取模型，预测被掩码的标记实体对应的预测实体；
根据所述预测实体的预测概率调节所述预训练实体抽取模型的预设参数。
5.根据权利要求4所述的方法，其特征在于，所述预设参数根据所述预训练实体抽取模型对应的调参器所包含的参数确定。
6.根据权利要求1所述的方法，其特征在于，通过图神经网络模块，基于所述提示学习模块输出的数据实体集合和编码特征向量构建实体关系图，包括：
通过图神经网络模块，根据所述提示学习模块输出的数据实体集合和编码特征向量，对照实体关系库和所述待识别文本数据进行节点编码和边编码，形成实体关系图。
7.根据权利要求1所述的方法，其特征在于，通过实体关系识别模块，对所述图神经网络模块输出的各实体类别进行关系分类输出所述待识别文本数据的实体关系，包括：
基于预设实体关系槽，对所述图神经网络模块输出的各实体类别进行填槽得到待识别文本数据的实体关系。
8.一种实体关系识别装置，其特征在于，包括：
提示学习模块，用于将输入的待识别文本数据转换为提示文本数据后，输入实体抽取模型输出数据实体集合和编码特征向量；所述实体抽取模型基于提示数据训练样本集迭代训练预训练实体抽取模型得到；
图神经网络模块，用于基于所述提示学习模块输出的数据实体集合和编码特征向量构建实体关系图，对所述实体关系图中的各节点进行分类得到实体类别；
实体关系识别模块，用于对所述图神经网络模块输出的各实体类别进行关系分类输出所述待识别文本数据的实体关系。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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中任一项所述的实体关系识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的实体关系识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210936756.1A CN115293149A (zh) | 2022-08-05 | 2022-08-05 | 一种实体关系识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210936756.1A CN115293149A (zh) | 2022-08-05 | 2022-08-05 | 一种实体关系识别方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115293149A true CN115293149A (zh) | 2022-11-04 |
Family
ID=83827362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210936756.1A Pending CN115293149A (zh) | 2022-08-05 | 2022-08-05 | 一种实体关系识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115293149A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116167368A (zh) * | 2023-04-23 | 2023-05-26 | 昆明理工大学 | 基于类型关联特征增强的领域文本实体关系抽取方法 |
| CN116524513A (zh) * | 2023-07-03 | 2023-08-01 | 中国科学技术大学 | 开放词表场景图生成方法、系统、设备及存储介质 |
| CN118132683A (zh) * | 2024-05-07 | 2024-06-04 | 杭州海康威视数字技术股份有限公司 | 文本抽取模型的训练方法、文本抽取方法和设备 |
| WO2024139292A1 (zh) * | 2022-12-29 | 2024-07-04 | 深圳云天励飞技术股份有限公司 | 数据构建方法、模型训练方法、装置、设备及介质 |
-
2022
- 2022-08-05 CN CN202210936756.1A patent/CN115293149A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024139292A1 (zh) * | 2022-12-29 | 2024-07-04 | 深圳云天励飞技术股份有限公司 | 数据构建方法、模型训练方法、装置、设备及介质 |
| CN116167368A (zh) * | 2023-04-23 | 2023-05-26 | 昆明理工大学 | 基于类型关联特征增强的领域文本实体关系抽取方法 |
| CN116167368B (zh) * | 2023-04-23 | 2023-06-27 | 昆明理工大学 | 基于类型关联特征增强的领域文本实体关系抽取方法 |
| CN116524513A (zh) * | 2023-07-03 | 2023-08-01 | 中国科学技术大学 | 开放词表场景图生成方法、系统、设备及存储介质 |
| CN116524513B (zh) * | 2023-07-03 | 2023-10-20 | 中国科学技术大学 | 开放词表场景图生成方法、系统、设备及存储介质 |
| CN118132683A (zh) * | 2024-05-07 | 2024-06-04 | 杭州海康威视数字技术股份有限公司 | 文本抽取模型的训练方法、文本抽取方法和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115293149A (zh) | 一种实体关系识别方法、装置、设备及存储介质 | |
| CN109376234B (zh) | 一种训练摘要生成模型的方法和装置 | |
| CN113361285B (zh) | 自然语言处理模型的训练方法、自然语言处理方法及装置 | |
| CN112559885B (zh) | 地图兴趣点的训练模型确定方法、装置及电子设备 | |
| CN113553412A (zh) | 问答处理方法、装置、电子设备和存储介质 | |
| CN113722493A (zh) | 文本分类的数据处理方法、设备、存储介质及程序产品 | |
| CN114861889A (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
| 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 | |
| CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
| CN114611521B (zh) | 一种实体识别方法、装置、设备及存储介质 | |
| CN115576983A (zh) | 一种语句生成方法、装置、电子设备及介质 | |
| CN116467461A (zh) | 应用于配电网的数据处理方法、装置、设备及介质 | |
| CN112906368B (zh) | 行业文本增量方法、相关装置及计算机程序产品 | |
| CN114691918B (zh) | 基于人工智能的雷达图像检索方法、装置以及电子设备 | |
| CN116092101A (zh) | 训练方法、图像识别方法、装置、设备及可读存储介质 | |
| CN115130470A (zh) | 一种文本关键词的生成方法、装置、设备及介质 | |
| CN112560437B (zh) | 文本通顺度的确定方法、目标模型的训练方法及装置 | |
| CN114841172A (zh) | 文本匹配双塔模型的知识蒸馏方法、装置及程序产品 | |
| 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 | |
| CN114328956A (zh) | 文本信息的确定方法、装置、电子设备及存储介质 | |
| CN113886543A (zh) | 生成意图识别模型的方法、装置、介质及程序产品 | |
| CN115131709B (zh) | 视频类别预测方法、视频类别预测模型的训练方法及装置 | |
| CN117851598A (zh) | 一种大语言模型辅助分类方法、装置、设备及介质 | |
| CN115982366A (zh) | 一种日志分类方法、装置、电子设备及存储介质 | |
| CN114443959A (zh) | 兴趣点的推荐方法、装置、电子设备及可读存储介质 |
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 |