CN115952416A - 生成训练数据的方法、装置、电子设备和介质 - Google Patents
生成训练数据的方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN115952416A CN115952416A CN202211635575.1A CN202211635575A CN115952416A CN 115952416 A CN115952416 A CN 115952416A CN 202211635575 A CN202211635575 A CN 202211635575A CN 115952416 A CN115952416 A CN 115952416A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- entity
- triples
- target text
- matching
- 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
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种生成训练数据的方法、装置、电子设备和介质,涉及人工智能技术领域,尤其涉及知识图谱和自然语言处理技术领域。实现方案为:获取包含知识三元组信息的第一数据;基于知识三元组信息解析第一数据以得到第一知识三元组集;对第一知识三元组集进行筛选,以得到第二知识三元组集;获取第二文本数据;对第二文本数据进行预处理以得到多个目标文本块;针对多个目标文本块中的每一个目标文本块,将第二知识三元组集与该目标文本块进行模式匹配;以及基于模式匹配的结果,生成三元组信息抽取模型的训练数据。
Description
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自然语言处理技术领域,具体涉及一种生成训练数据的方法、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。
得益于人工智能与深度学习技术的发展,信息抽取等自然语言处理相关技术近些年出现了突飞猛进的发展。信息抽取技术可以利用信息抽取模型来辅助行业中的智能问答、智能客服等依赖信息处理与信息检索的需求。因此,提升信息抽取模型的泛化能力能够扩展并提升信息抽取技术在不同场景中的应用和表现。
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
本公开提供了一种生成训练数据的方法、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,提供了一种生成训练数据的方法,包括:获取包含知识三元组信息的第一数据;基于所述知识三元组信息解析所述第一数据以得到第一知识三元组集;对所述第一知识三元组集进行筛选,以得到第二知识三元组集;获取第二文本数据;对所述第二文本数据进行预处理以得到多个目标文本块;针对所述多个目标文本块中的每一个目标文本块,将所述第二知识三元组集与该目标文本块进行模式匹配;以及基于模式匹配的结果,生成三元组信息抽取模型的训练数据。
根据本公开的另一方面,提供了一种生成训练数据的装置,包括:第一获取模块,被配置为获取包含知识三元组信息的第一数据;解析模块,被配置为基于所述知识三元组信息解析所述第一数据以得到第一知识三元组集;筛选模块,被配置为对所述第一知识三元组集进行筛选,以得到第二知识三元组集;第二获取模块,被配置为获取第二文本数据;处理模块,被配置为对所述第二文本数据进行预处理以得到多个目标文本块;匹配模块,被配置为针对所述多个目标文本块中的每一个目标文本块,将所述第二知识三元组集与该目标文本块进行模式匹配;以及生成模块,被配置为基于模式匹配的结果,生成三元组信息抽取模型的训练数据。
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方法。
根据本公开的一个或多个实施例,提供了一种生成训练数据的方法,基于包含知识三元组信息的数据来得到知识三元组,基于文本数据得到文本块,并通过対文本块和知识三元组进行模式匹配来确定知识三元组和文本块的对应关系,从而能够构造海量的训练数据对信息抽取模型进行训练,以提升信息抽取模型的泛化能力。
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是图示出根据示例性实施例的可以在其中实施本文描述的各种方法的示例系统的示意图
图2示出了根据本公开的实施例的生成训练数据的方法的流程图;
图3示出了根据本公开的实施例的生成训练数据的方法中部分过程的流程图;
图4示出了根据本公开的实施例的生成训练数据的方法中部分过程的流程图;
图5示出了根据本公开的实施例的生成训练数据的方法中部分过程的流程图;
图6示出了根据本公开的实施例的模型的训练装置的结构框图;以及
图7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,可以通过人工标注的方式得到知识三元组和语料的对应关系以获得信息抽取模型的训练数据,然而这一方法耗费人力、效率低;也可以通过数据增强来扩充训练数据,但这一方法得到的数据来源单一、数据量有限,无法满足训练要求;还可以通过预训练模型,为语料生成知识三元组伪标签,从而获得训练数据,这一方法极度依赖预训练模型的效果,并且知识三元组的抽取质量不可控,进而可能导致信息抽取模型的训练效果不佳。
为解决上述问题,本公开提供了一种生成训练数据的方法,基于包含知识三元组信息的数据来得到知识三元组,基于文本数据得到文本块,并通过対文本块和知识三元组进行模式匹配来确定知识三元组和文本块的对应关系,从而能够构造海量的训练数据对信息抽取模型进行训练,以提升信息抽取模型的泛化能力。
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生成训练数据的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来执行生成训练数据的方法。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生成训练数据的方法的流程图。
如图2所示,生成训练数据的方法200包括:
步骤S201、获取包含知识三元组信息的第一数据;
步骤S202、基于所述知识三元组信息解析所述第一数据以得到第一知识三元组集;
步骤S203、对所述第一知识三元组集进行筛选,以得到第二知识三元组集;
步骤S204、获取第二文本数据;
步骤S205、对所述第二文本数据进行预处理以得到多个目标文本块;
步骤S206、针对所述多个目标文本块中的每一个目标文本块,将所述第二知识三元组集与该目标文本块进行模式匹配;以及
步骤S207、基于模式匹配的结果,生成三元组信息抽取模型的训练数据。
示例性的,步骤S201中的第一数据例如可以是各个领域、行业的知识图谱、百科结构化数据等本身包含知识三元组信息的数据,并通过步骤S202对第一数据进行解析,将第一数据中包含的知识三元组提取出来组成第一三元组集。
在一个示例中,可以对各个领域、行业的知识图谱进行解析,以提取该知识图谱中的每两个相邻的节点和其连边作为知识三元组并组成第一知识三元组集。第一三元组集可以包括多个第一知识三元组子集,每一个第一知识三元组子集中包括对应领域或行业的知识图谱中所包含的知识三元组。
示例性的,步骤S204中的第二文本数据例如可以包括利用抓取模板所抓取的各个数据源的网页文本数据,也可以包括自建数据源中获取的文本数据,以收集不同数据源、不同种类的语料用于得到对应的文本块与知识三元组进行匹配。在一个示例中,可以对基于第二文本数据得到的多个目标文本块进行基于领域或行业的分类保存,以对同一领域、行业的文本块和知识三元组进行匹配,提升匹配的效率。
由此,通过步骤S202基于不同领域、行业的第一数据来得到对应领域、行业的知识三元组,通过步骤S204基于不同数据源获取的文本数据得到文本块,并通过步骤S206和步骤S207对不同数据源的文本块和不同领域、行业的知识三元组进行模式匹配来确定知识三元组和文本块的对应关系,从而能够构造海量的训练数据对信息抽取模型进行训练,以提升信息抽取模型的泛化能力。
根据一些实施例,所述第一知识三元组集中的每一个知识三元组由至少一个第一实体、关系和与所述至少一个第一实体具有所述关系的至少一个第二实体三个元素组成。
可以理解的是,第一实体又称为Subject,第二实体又称为Object,第一实体和第二实体之间的关系又称为Predicate,因此,知识三元组也称为SPO三元组。知识三元组可以具有多种形式,一个知识三元组可以包括一个第一实体和一个第二实体,即SPO形式的三元组;一个知识三元组也可以包括一个第一实体和多个第二实体,即SPmO形式的三元组;一个知识三元组也可以包括多个第一实体和一个第二实体,即mSPO形式的三元组;一个知识三元组也可以包括多个第一实体和多个第二实体,即mSPmO形式的三元组。其中,知识三元组中的每一个实体称为一个槽(Slot)。
示例性的,【药品A,用法用量,(所属人群:成人,给药途径:口服,病症项:抗过敏,单次最大剂量:25,单位:mg)】为SPmO形式的三元组的一个示例,其中,“药品A”为该知识三元组的第一实体,“用法用量”为该知识三元组的关系,“(所属人群:成人,给药途径:口服,病症项:抗过敏,单次最大剂量:25,单位:mg)”为该知识三元组的多个第二实体。
图3示出了根据本公开的实施例的生成训练数据的方法中部分过程的流程图。
如图3所示,步骤S203包括:
步骤S301、获取预设规则,所述预设规则包括所述三个元素中至少一个元素对应的预期字符长度和/或所述至少一个元素在所述第一知识三元组集中出现的预期频率;
步骤S302、移除所述第一知识三元组集中不符合所述预设规则的知识三元组和/或重复的知识三元组;以及
步骤S303、基于所述第一知识三元组集中余下的知识三元组,确定所述第二知识三元组集。
可以理解的是,可以通过预设规则对第一知识三元组集进行筛选,以过滤一些质量较低的知识三元组并得到质量较好的第二知识三元组集,从而能够提升匹配效率和训练数据的质量。
发明人发现,质量较低的知识三元组中各元素的字符长度或是过长或是过短,因此,可以基于知识三元组中各元素的字符长度来筛选质量较低的知识三元组。质量较低的知识三元组通常由出现预期频率较低的实体或关系所组成,因此,可以基于知识三元组中各元素在第一知识三元组集中出现的预期频率来对低质量的知识三元组进行进一步的筛选。此外,对于关系这一元素存在映射错误导致无实际含义的情况,因此,可以基于关系的实际含义对知识三元组进行筛选。在移除第一知识三元组集中质量较低的知识三元组的同时,也可以将重复的知识三元组进行移除,以减少后续匹配过程中的计算量,提升匹配的效率。
根据一些实施例,步骤S303包括:确定所述第一知识三元组集中余下的知识三元组中的第一实体和第二实体是否均具有类型;以及响应于确定余下的每一个知识三元组中的第一实体和/或第二实体均具有类型,将所述第一知识三元组集中余下的知识三元组确定为所述第二知识三元组集;或响应于确定所述余下的知识三元组中存在缺少实体类型的知识三元组,基于预设的概念库和缺少类型的实体,补充该实体对应的类型,以得到所述第二知识三元组集。
可以理解的是,同一词语或词组在不同语境下可能代表不同的含义,因此,可以通过对每一实体进行类型的限定来明确其含义,从而提升后续知识三元组与文本块匹配的准确性。
以【(人物:人物P),职务,(美国总统,开始时间:2009年1月20日,结束时间:2017年1月20日)】这一知识三元组为例,“人物”为第一实体“人物P”对应的类型,“开始时间”为第二实体“2009年1月20日”对应的类型,结束时间为第二实体“2017年1月20日”对应的类型,而在这一实例中,第二实体“美国总统”不具有对应的类型。针对不具有类型的实体,可以利用预设的概念库来将该实体的类型补全,例如,在概念库中查询到该实体“美国总统”对应的上位概念为“职位”,从而将该实体“美国总统”的类型确定为“职位”,从而将原有的知识三元组修改得到了【(人物:人物P),职务,(职位:美国总统,开始时间:2009年1月20日,结束时间:2017年1月20日)】这一知识三元组,以确保第二知识三元组集中的每一个实体均具有类型,从而提升后续匹配的准确性。
根据一些实施例,所述第二数据包括具有层级的第一多个文本块和不具有层级的第二多个文本块,并且其中,步骤S205包括:对所述第二数据中的所述第一多个文本块进行层级解析;以及移除解析后的第一多个文本块和所述第二多个文本块中的异常字符和长度不满足预设长度的文本块,以得到所述多个目标文本块。
可以理解的是,从不同数据源抓取的网页文本数据中包含具有层级的文本数据,例如百科数据中,由词条名称到每一级标题到该标题下的内容能够组成路径级的文本数据,因此,可以对具有层级的第二多个文本块进行层级的解析,以获得有层次的文本数据,从而加速后续中文本块与知识三元组的匹配过程。
此外,对文本数据进行清洗以移除其中的异常字符、特殊字符或图片,以及长度过长或过短的文本块,以得到文本质量较高、易于进行匹配的多个目标文本块。
根据一些实施例,步骤S206包括:基于所述第二知识三元组集,构建多模匹配树;以及针对所述多个目标文本块中的每一个目标文本块,将所述多模匹配树与该目标文本块进行匹配,以确定所述第二知识三元组集中与该目标文本块匹配的知识三元组。
由此,可以通过基于第二知识三元组集所构建的多模匹配树来与目标文本块进行匹配,实现了知识三元组与文本块的自动匹配,而无需人工进行标注,提升了知识三元组与文本块的匹配效率,从而能够自动获得知识三元组与文本块之间的对应关系。
在一个示例中,可以利用Trie树、AC自动机算法和WM算法等算法中的任一种多模匹配算法来基于第二知识三元组集,构建多模匹配树,以用于与目标文本块进行依次的匹配。
根据一些实施例,所述多模匹配树包括第一多模匹配树和第二多模匹配树。
图4示出了根据本公开的实施例的生成训练数据的方法中部分过程的流程图。
如图4所示,基于第二知识三元组集,构建多模匹配树的方法400包括:
步骤S401、基于所述第二知识三元组集的每个知识三元组的第一实体,生成第一词表;
步骤S402、基于所述第二知识三元组集的每个知识三元组的第二实体,生成第二词表;
步骤S403、基于所述第一词表,构建所述第一多模匹配树;以及
步骤S404、基于所述第二词表,构建所述第二多模匹配树。
由此,通过对第一实体和第二实体分别构建多模匹配树,分别与目标文本块依次进行匹配,以确定与目标文本块匹配成功的第一实体集合和第二实体集合,并进而能够基于与目标文本块匹配成功的第一实体集合和第二实体集合来确定与目标文本块匹配成功的知识三元组,进一步加快了知识三元组与目标文本块的匹配过程,提升匹配效率。
图5示出了根据本公开的实施例的生成训练数据的方法中部分过程的流程图。
如图5所示,针对所述多个目标文本块中的每一个目标文本块,将所述多模匹配树与该目标文本块进行匹配,以确定所述第二知识三元组集中与该目标文本块匹配的知识三元组的方法500包括:
步骤S501、针对所述多个目标文本块中的每一个目标文本块,将所述第一多模匹配树与该目标文本块进行匹配,以确定所述第二知识三元组集中与该目标文本块匹配的第一实体;
步骤S502、将所述第二多模匹配树与该目标文本块进行匹配,以确定所述第二知识三元组集中与该目标文本块匹配的第二实体;
步骤S503、基于所述第二知识三元组集生成配置文件,其中,所述配置文件包括第二知识三元组集中的每个第一实体对应的知识三元组、每个关系对应的知识三元组、每个第二实体对应的知识三元组以及每个知识三元组所对应的槽值,并且其中,所述槽值为该知识三元组的第一实体、关系和第二实体的数量总和;以及
步骤S504、基于所述配置文件、所述第二知识三元组集中与该目标文本块匹配的第一实体以及所述第二知识三元组集中与该目标文本块匹配的第二实体,确定所述第二知识三元组集中与该目标文本块匹配的知识三元组。
通过步骤S501和步骤S502分别确定了与目标文本块匹配成功的第一实体集合和第二实体集合。通过步骤S503生成配置文件用于基于步骤S501和步骤S502所确定的第一实体集合和第二实体集合来确定与目标文本块匹配的知识三元组,从而实现了知识三元组与目标文本块的匹配。
示例性的,当一个知识三元组为【(第一实体A,第一实体B),关系,(第二实体C,第二实体D,第二实体C)】时,仅当目标文本块与第一匹配树中的第一实体A和第一实体B均匹配成功并且与第二匹配树中的第二实体C、第二实体D和第二实体C均匹配成功的情况下,目标文本块与该知识三元组匹配成功。
在一个示例中,当目标文本块与预设数量的知识三元组匹配成功后,则停止知识三元组和目标文本块的匹配过程,将预设数量的知识三元组与该目标文本块作为最终的匹配结果,以缩短匹配时间,提升匹配效率。
根据本公开的另一方面,提供了一种生成训练数据的装置。如图6所示,生成训练数据的装置600包括:第一获取模块601,被配置为获取包含知识三元组信息的第一数据;解析模块602,被配置为基于所述知识三元组信息解析所述第一数据以得到第一知识三元组集;筛选模块603,被配置为对所述第一知识三元组集进行筛选,以得到第二知识三元组集;第二获取模块604,被配置为获取第二文本数据;处理模块605,被配置为对所述第二文本数据进行预处理以得到多个目标文本块;匹配模块606,被配置为针对所述多个目标文本块中的每一个目标文本块,将所述第二知识三元组集与该目标文本块进行模式匹配;以及生成模块607,被配置为基于模式匹配的结果,生成三元组信息抽取模型的训练数据。
示例性的,第一获取模块601所获取的第一数据例如可以是各个领域、行业的知识图谱、百科结构化数据等本身包含知识三元组信息的数据,并通过解析模块602对第一数据进行解析,将第一数据中包含的知识三元组提取出来组成第一三元组集。
在一个示例中,可以对各个领域、行业的知识图谱进行解析,以提取该知识图谱中的每两个相邻的节点和其连边作为知识三元组并组成第一知识三元组集。第一三元组集可以包括多个第一知识三元组子集,每一个第一知识三元组子集中包括对应领域或行业的知识图谱中所包含的知识三元组。
示例性的,第二获取模块604所获取的第二文本数据例如可以包括利用抓取模板所抓取的各个数据源的网页文本数据,也可以包括自建数据源中获取的文本数据,以收集不同数据源、不同种类的语料用于得到对应的文本块与知识三元组进行匹配。在一个示例中,可以对基于第二文本数据得到的多个目标文本块进行基于领域或行业的分类保存,以对同一领域、行业的文本块和知识三元组进行匹配,提升匹配的效率。
由此,通过解析模块602基于不同领域、行业的第一数据来得到对应领域、行业的知识三元组,通过第二获取模块604基于不同数据源获取的文本数据得到文本块,并通过匹配模块606和生成模块607对不同数据源的文本块和不同领域、行业的知识三元组进行模式匹配来确定知识三元组和文本块的对应关系,从而能够构造海量的训练数据对信息抽取模型进行训练,以提升信息抽取模型的泛化能力。
可以理解的是,第一实体又称为Subject,第二实体又称为Object,第一实体和第二实体之间的关系又称为Predicate,因此,知识三元组也称为SPO三元组。知识三元组可以具有多种形式,一个知识三元组可以包括一个第一实体和一个第二实体,即SPO形式的三元组;一个知识三元组也可以包括一个第一实体和多个第二实体,即SPmO形式的三元组;一个知识三元组也可以包括多个第一实体和一个第二实体,即mSPO形式的三元组;一个知识三元组也可以包括多个第一实体和多个第二实体,即mSPmO形式的三元组。其中,知识三元组中的每一个实体称为一个槽(Slot)。
示例性的,【药品A,用法用量,(所属人群:成人,给药途径:口服,病症项:抗过敏,单次最大剂量:25,单位:mg)】为SPmO形式的三元组的一个示例,其中,“药品A”为该知识三元组的第一实体,“用法用量”为该知识三元组的关系,“(所属人群:成人,给药途径:口服,病症项:抗过敏,单次最大剂量:25,单位:mg)”为该知识三元组的多个第二实体。
根据一些实施例,所述第一知识三元组集中的每一个知识三元组由至少一个第一实体、关系和与所述至少一个第一实体具有所述关系的至少一个第二实体三个元素组成,并且其中,所述筛选模块603包括:获取单元,被配置为获取预设规则,所述预设规则包括所述三个元素中至少一个元素对应的预期字符长度和/或所述至少一个元素在所述第一知识三元组集中出现的预期频率;第一移除单元,被配置为移除所述第一知识三元组集中不符合所述预设规则的知识三元组和/或重复的知识三元组;以及确定单元,被配置为基于所述第一知识三元组集中余下的知识三元组,确定所述第二知识三元组集。
可以理解的是,筛选模块603可以通过预设规则对第一知识三元组集进行筛选,以过滤一些质量较低的知识三元组并得到质量较好的第二知识三元组集,从而能够提升匹配效率和训练数据的质量。
发明人发现,质量较低的知识三元组中各元素的字符长度或是过长或是过短,因此,可以基于知识三元组中各元素的字符长度来筛选质量较低的知识三元组。质量较低的知识三元组通常由出现预期频率较低的实体或关系所组成,因此,可以基于知识三元组中各元素在第一知识三元组集中出现的预期频率来对低质量的知识三元组进行进一步的筛选。此外,对于关系这一元素存在映射错误导致无实际含义的情况,因此,可以基于关系的实际含义对知识三元组进行筛选。在移除第一知识三元组集中质量较低的知识三元组的同时,也可以将重复的知识三元组进行移除,以减少后续匹配过程中的计算量,提升匹配的效率。
根据一些实施例,确定单元包括:第一确定子单元,被配置为确定所述第一知识三元组集中余下的知识三元组中的第一实体和第二实体是否均具有类型;以及第二确定子单元,被配置为响应于确定余下的每一个知识三元组中的第一实体和第二实体均具有类型,将所述第一知识三元组集中余下的知识三元组确定为所述第二知识三元组集;或补充子单元,被配置为响应于确定所述余下的知识三元组中存在缺少实体类型的知识三元组,基于预设的概念库和缺少类型的实体,补充该实体对应的类型,以得到所述第二知识三元组集。
可以理解的是,同一词语或词组在不同语境下可能代表不同的含义,因此,可以通过对每一实体进行类型的限定来明确其含义,从而提升后续知识三元组与文本块匹配的准确性。
以【(人物:人物P),职务,(美国总统,开始时间:2009年1月20日,结束时间:2017年1月20日)】这一知识三元组为例,“人物”为第一实体“人物P”对应的类型,“开始时间”为第二实体“2009年1月20日”对应的类型,结束时间为第二实体“2017年1月20日”对应的类型,而在这一实例中,第二实体“美国总统”不具有对应的类型。针对不具有类型的实体,补充子单元可以利用预设的概念库来将该实体的类型补全,例如,在概念库中查询到该实体“美国总统”对应的上位概念为“职位”,从而将该实体“美国总统”的类型确定为“职位”,从而将原有的知识三元组修改得到了【(人物:人物P),职务,(职位:美国总统,开始时间:2009年1月20日,结束时间:2017年1月20日)】这一知识三元组,以确保第二知识三元组集中的每一个实体均具有类型,从而提升后续匹配的准确性。
根据一些实施例,所述第二数据包括具有层级的第一多个文本块和不具有层级的第二多个文本块,并且其中,所述处理模块605包括:解析单元,被配置为对所述第二数据中的所述第一多个文本块进行层级解析;以及第二移除单元,被配置为移除解析后的第一多个文本块和所述第二多个文本块中的异常字符和长度不满足预设长度的文本块,以得到所述多个目标文本块。
可以理解的是,从不同数据源抓取的网页文本数据中包含具有层级的文本数据,例如百科数据中,由词条名称到每一级标题到该标题下的内容能够组成路径级的文本数据,因此,解析单元可以对具有层级的第二多个文本块进行层级的解析,以获得有层次的文本数据,从而加速后续中文本块与知识三元组的匹配过程。
此外,第二移除单元对文本数据进行清洗以移除其中的异常字符、特殊字符或图片,以及长度过长或过短的文本块,以得到文本质量较高、易于进行匹配的多个目标文本块。
根据一些实施例,匹配模块606包括:构建单元,被配置为基于所述第二知识三元组集,构建多模匹配树;以及匹配单元,被配置为针对所述多个目标文本块中的每一个目标文本块,将所述多模匹配树与该目标文本块进行匹配,以确定所述第二知识三元组集中与该目标文本块匹配的知识三元组。
由此,匹配单元可以通过构建单元基于第二知识三元组集所构建的多模匹配树来与目标文本块进行匹配,实现了知识三元组与文本块的自动匹配,而无需人工进行标注,提升了知识三元组与文本块的匹配效率,从而能够自动获得知识三元组与文本块之间的对应关系。
在一个示例中,构建单元可以利用Trie树、AC自动机算法和WM算法等算法中的任一种多模匹配算法来基于第二知识三元组集,构建多模匹配树,以用于与目标文本块进行依次的匹配。
根据一些实施例,多模匹配树包括第一多模匹配树和第二多模匹配树,并且其中,所述构建单元包括:第一生成子单元,被配置为基于所述第二知识三元组集的每个知识三元组的第一实体,生成第一词表;第二生成子单元,被配置为基于所述第二知识三元组集的每个知识三元组的第二实体,生成第二词表;第一构建子单元,被配置为基于所述第一词表,构建所述第一多模匹配树;以及第二构建子单元,被配置为基于所述第二词表,构建所述第二多模匹配树。
由此,通过第一构建子单元和第二构建子单元对第一实体和第二实体分别构建多模匹配树,分别与目标文本块依次进行匹配,以确定与目标文本块匹配成功的第一实体集合和第二实体集合,并进而能够基于与目标文本块匹配成功的第一实体集合和第二实体集合来确定与目标文本块匹配成功的知识三元组,进一步加快了知识三元组与目标文本块的匹配过程,提升匹配效率。
根据一些实施例,匹配单元包括:第一匹配子单元,被配置为针对所述多个目标文本块中的每一个目标文本块,将所述第一多模匹配树与该目标文本块进行匹配,以确定所述第二知识三元组集中与该目标文本块匹配的第一实体;第二匹配子单元,被配置为将所述第二多模匹配树与该目标文本块进行匹配,以确定所述第二知识三元组集中与该目标文本块匹配的第二实体;第三生成子单元,被配置为基于所述第二知识三元组集生成配置文件,其中,所述配置文件包括第二知识三元组集中的每个第一实体对应的知识三元组、每个关系对应的知识三元组、每个第二实体对应的知识三元组以及每个知识三元组所对应的槽值,并且其中,所述槽值为该知识三元组的第一实体、关系和第二实体的数量总和;以及第三确定子单元,被配置为基于所述配置文件、所述第二知识三元组集中与该目标文本块匹配的第一实体以及所述第二知识三元组集中与该目标文本块匹配的第二实体,确定所述第二知识三元组集中与该目标文本块匹配的知识三元组。
通过第一匹配子单元和第二匹配子单元分别确定了与目标文本块匹配成功的第一实体集合和第二实体集合。通过第三生成子单元生成配置文件用于基于第一匹配子单元和第二匹配子单元所确定的第一实体集合和第二实体集合来确定与目标文本块匹配的知识三元组,从而实现了知识三元组与目标文本块的匹配。
示例性的,当一个知识三元组为【(第一实体A,第一实体B),关系,(第二实体C,第二实体D,第二实体C)】时,仅当目标文本块与第一匹配树中的第一实体A和第一实体B均匹配成功并且与第二匹配树中的第二实体C、第二实体D和第二实体C均匹配成功的情况下,目标文本块与该知识三元组匹配成功。
在一个示例中,当目标文本块与预设数量的知识三元组匹配成功后,则由匹配单元停止知识三元组和目标文本块的匹配过程,将预设数量的知识三元组与该目标文本块作为最终的匹配结果,以缩短匹配时间,提升匹配效率。
根据本公开的另一方面,还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生成训练数据的方法。
根据本公开的另一方面,还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生成训练数据的方法。
根据本公开的另一方面,还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生成训练数据的方法。
如图7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备,输入单元706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707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708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700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701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701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701执行上文所描述的各个方法和处理,例如生成训练数据的方法。例如,在一些实施例中,生成训练数据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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的生成训练数据的方法的一个或多个步骤。备选地,在其他实施例中,计算单元701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训练数据的方法。
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)、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 (17)
1.一种生成训练数据的方法,包括:
获取包含知识三元组信息的第一数据;
基于所述知识三元组信息解析所述第一数据以得到第一知识三元组集;
对所述第一知识三元组集进行筛选,以得到第二知识三元组集;
获取第二文本数据;
对所述第二文本数据进行预处理以得到多个目标文本块;
针对所述多个目标文本块中的每一个目标文本块,将所述第二知识三元组集与该目标文本块进行模式匹配;以及
基于模式匹配的结果,生成三元组信息抽取模型的训练数据。
2.根据权利要求1所述的方法,其中,所述第一知识三元组集中的每一个知识三元组由至少一个第一实体、关系和与所述至少一个第一实体具有所述关系的至少一个第二实体三个元素组成,并且其中,所述对所述第一知识三元组集进行筛选,以得到第二知识三元组集包括:
获取预设规则,所述预设规则包括所述三个元素中至少一个元素对应的预期字符长度和/或所述至少一个元素在所述第一知识三元组集中出现的预期频率;
移除所述第一知识三元组集中不符合所述预设规则的知识三元组和/或重复的知识三元组;以及
基于所述第一知识三元组集中余下的知识三元组,确定所述第二知识三元组集。
3.根据权利要求2所述的方法,其中,所述基于所述第一知识三元组集中余下的知识三元组,确定所述第二知识三元组集包括:
确定所述第一知识三元组集中余下的知识三元组中的第一实体和第二实体是否均具有类型;以及
响应于确定余下的每一个知识三元组中的第一实体和第二实体均具有类型,将所述第一知识三元组集中余下的知识三元组确定为所述第二知识三元组集;或
响应于确定所述余下的知识三元组中存在缺少实体类型的知识三元组,基于预设的概念库和缺少类型的实体,补充该实体对应的类型,以得到所述第二知识三元组集。
4.根据权利要求1-3中任一项所述的方法,其中,所述第二数据包括具有层级的第一多个文本块和不具有层级的第二多个文本块,并且其中,所述对所述第二数据进行第二预处理以得到多个目标文本块包括:
对所述第二数据中的所述第一多个文本块进行层级解析;以及
移除解析后的第一多个文本块和所述第二多个文本块中的异常字符和长度不满足预设长度的文本块,以得到所述多个目标文本块。
5.根据权利要求3或4所述的方法,其中,所述针对所述多个目标文本块中的每一个目标文本块,将所述第二知识三元组集与该目标文本块进行模式匹配包括:
基于所述第二知识三元组集,构建多模匹配树;以及
针对所述多个目标文本块中的每一个目标文本块,将所述多模匹配树与该目标文本块进行匹配,以确定所述第二知识三元组集中与该目标文本块匹配的知识三元组。
6.根据权利要求5所述的方法,其中,所述多模匹配树包括第一多模匹配树和第二多模匹配树,并且其中,所述基于所述第二知识三元组集,构建多模匹配树包括:
基于所述第二知识三元组集的每个知识三元组的第一实体,生成第一词表;
基于所述第二知识三元组集的每个知识三元组的第二实体,生成第二词表;
基于所述第一词表,构建所述第一多模匹配树;以及
基于所述第二词表,构建所述第二多模匹配树。
7.根据权利要求6所述的方法,其中,所述针对所述多个目标文本块中的每一个目标文本块,将所述多模匹配树与该目标文本块进行匹配,以确定所述第二知识三元组集中与该目标文本块匹配的知识三元组包括:
针对所述多个目标文本块中的每一个目标文本块,将所述第一多模匹配树与该目标文本块进行匹配,以确定所述第二知识三元组集中与该目标文本块匹配的第一实体;
将所述第二多模匹配树与该目标文本块进行匹配,以确定所述第二知识三元组集中与该目标文本块匹配的第二实体;
基于所述第二知识三元组集生成配置文件,其中,所述配置文件包括第二知识三元组集中的每个第一实体对应的知识三元组、每个关系对应的知识三元组、每个第二实体对应的知识三元组以及每个知识三元组所对应的槽值,并且其中,所述槽值为该知识三元组的第一实体、关系和第二实体的数量总和;以及
基于所述配置文件、所述第二知识三元组集中与该目标文本块匹配的第一实体以及所述第二知识三元组集中与该目标文本块匹配的第二实体,确定所述第二知识三元组集中与该目标文本块匹配的知识三元组。
8.一种生成训练数据的装置,包括:
第一获取模块,被配置为获取包含知识三元组信息的第一数据;
解析模块,被配置为基于所述知识三元组信息解析所述第一数据以得到第一知识三元组集;
筛选模块,被配置为对所述第一知识三元组集进行筛选,以得到第二知识三元组集;
第二获取模块,被配置为获取第二文本数据;
处理模块,被配置为对所述第二文本数据进行预处理以得到多个目标文本块;
匹配模块,被配置为针对所述多个目标文本块中的每一个目标文本块,将所述第二知识三元组集与该目标文本块进行模式匹配;以及
生成模块,被配置为基于模式匹配的结果,生成三元组信息抽取模型的训练数据。
9.根据权利要求8所述的装置,其中,所述第一知识三元组集中的每一个知识三元组由至少一个第一实体、关系和与所述至少一个第一实体具有所述关系的至少一个第二实体三个元素组成,并且其中,所述筛选模块包括:
获取单元,被配置为获取预设规则,所述预设规则包括所述三个元素中至少一个元素对应的预期字符长度和/或所述至少一个元素在所述第一知识三元组集中出现的预期频率;
第一移除单元,被配置为移除所述第一知识三元组集中不符合所述预设规则的知识三元组和/或重复的知识三元组;以及
确定单元,被配置为基于所述第一知识三元组集中余下的知识三元组,确定所述第二知识三元组集。
10.根据权利要求9所述的装置,其中,所述确定单元包括:
第一确定子单元,被配置为确定所述第一知识三元组集中余下的知识三元组中的第一实体和第二实体是否均具有类型;以及
第二确定子单元,被配置为响应于确定余下的每一个知识三元组中的第一实体和第二实体均具有类型,将所述第一知识三元组集中余下的知识三元组确定为所述第二知识三元组集;或
补充子单元,被配置为响应于确定所述余下的知识三元组中存在缺少实体类型的知识三元组,基于预设的概念库和缺少类型的实体,补充该实体对应的类型,以得到所述第二知识三元组集。
11.根据权利要求8-10中任一项所述的装置,其中,所述第二数据包括具有层级的第一多个文本块和不具有层级的第二多个文本块,并且其中,所述处理模块包括:
解析单元,被配置为对所述第二数据中的所述第一多个文本块进行层级解析;以及
第二移除单元,被配置为移除解析后的第一多个文本块和所述第二多个文本块中的异常字符和长度不满足预设长度的文本块,以得到所述多个目标文本块。
12.根据权利要求10或11所述的装置,其中,所述匹配模块包括:
构建单元,被配置为基于所述第二知识三元组集,构建多模匹配树;以及
匹配单元,被配置为针对所述多个目标文本块中的每一个目标文本块,将所述多模匹配树与该目标文本块进行匹配,以确定所述第二知识三元组集中与该目标文本块匹配的知识三元组。
13.根据权利要求12所述的装置,其中,所述多模匹配树包括第一多模匹配树和第二多模匹配树,并且其中,所述构建单元包括:
第一生成子单元,被配置为基于所述第二知识三元组集的每个知识三元组的第一实体,生成第一词表;
第二生成子单元,被配置为基于所述第二知识三元组集的每个知识三元组的第二实体,生成第二词表;
第一构建子单元,被配置为基于所述第一词表,构建所述第一多模匹配树;以及
第二构建子单元,被配置为基于所述第二词表,构建所述第二多模匹配树。
14.根据权利要求13所述的装置,其中,所述匹配单元包括:
第一匹配子单元,被配置为针对所述多个目标文本块中的每一个目标文本块,将所述第一多模匹配树与该目标文本块进行匹配,以确定所述第二知识三元组集中与该目标文本块匹配的第一实体;
第二匹配子单元,被配置为将所述第二多模匹配树与该目标文本块进行匹配,以确定所述第二知识三元组集中与该目标文本块匹配的第二实体;
第三生成子单元,被配置为基于所述第二知识三元组集生成配置文件,其中,所述配置文件包括第二知识三元组集中的每个第一实体对应的知识三元组、每个关系对应的知识三元组、每个第二实体对应的知识三元组以及每个知识三元组所对应的槽值,并且其中,所述槽值为该知识三元组的第一实体、关系和第二实体的数量总和;以及
第三确定子单元,被配置为基于所述配置文件、所述第二知识三元组集中与该目标文本块匹配的第一实体以及所述第二知识三元组集中与该目标文本块匹配的第二实体,确定所述第二知识三元组集中与该目标文本块匹配的知识三元组。
15.一种电子设备,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中任一项所述的方法。
16.一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1-7中任一项所述的方法。
17.一种计算机程序产品,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1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211635575.1A CN115952416A (zh) | 2022-12-19 | 2022-12-19 | 生成训练数据的方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211635575.1A CN115952416A (zh) | 2022-12-19 | 2022-12-19 | 生成训练数据的方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115952416A true CN115952416A (zh) | 2023-04-11 |
Family
ID=87285427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211635575.1A Pending CN115952416A (zh) | 2022-12-19 | 2022-12-19 | 生成训练数据的方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115952416A (zh) |
-
2022
- 2022-12-19 CN CN202211635575.1A patent/CN115952416A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113836333A (zh) | 图文匹配模型的训练方法、实现图文检索的方法、装置 | |
CN114595686B (zh) | 知识抽取方法、知识抽取模型的训练方法及装置 | |
CN114625855A (zh) | 用于生成对话信息的方法及装置、设备和介质 | |
CN113824899B (zh) | 视频处理方法、装置、电子设备及介质 | |
US20220237376A1 (en) | Method, apparatus, electronic device and storage medium for text classification | |
CN116028605A (zh) | 逻辑表达式生成方法、模型训练方法、装置及介质 | |
CN114547252A (zh) | 文本识别方法、装置、电子设备和介质 | |
CN116450917B (zh) | 信息搜索方法及装置、电子设备和介质 | |
CN114490986B (zh) | 计算机实施的数据挖掘方法、装置、电子设备及存储介质 | |
CN115862031A (zh) | 文本处理方法、神经网络的训练方法、装置和设备 | |
CN113590782B (zh) | 推理模型的训练方法、推理方法及装置 | |
CN115759100A (zh) | 数据处理方法、装置、设备及介质 | |
CN115719066A (zh) | 基于人工智能的搜索文本理解方法、装置、设备和介质 | |
CN114238745A (zh) | 一种提供搜索结果的方法及装置、电子设备和介质 | |
CN115952416A (zh) | 生成训练数据的方法、装置、电子设备和介质 | |
CN114281990A (zh) | 文档分类方法及装置、电子设备和介质 | |
CN112905743A (zh) | 文本对象检测的方法、装置、电子设备和存储介质 | |
CN116028750B (zh) | 网页文本审核方法及装置、电子设备和介质 | |
CN114842474B (zh) | 文字识别方法、装置、电子设备和介质 | |
CN112954025B (zh) | 基于分层知识图谱推送信息方法、装置、设备、介质 | |
CN114861658B (zh) | 地址信息解析方法及装置、设备和介质 | |
CN113656534A (zh) | 语料扩充方法、装置、设备和介质 | |
CN114596574A (zh) | 文本识别方法、装置、电子设备和介质 | |
CN113887417A (zh) | 文本匹配方法、装置、设备和介质 | |
CN114898387A (zh) | 表格图像处理方法和装置 |
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 |