CN116069785A - 训练信息抽取模型的方法、信息抽取方法和装置 - Google Patents
训练信息抽取模型的方法、信息抽取方法和装置 Download PDFInfo
- Publication number
- CN116069785A CN116069785A CN202310151344.1A CN202310151344A CN116069785A CN 116069785 A CN116069785 A CN 116069785A CN 202310151344 A CN202310151344 A CN 202310151344A CN 116069785 A CN116069785 A CN 116069785A
- Authority
- CN
- China
- Prior art keywords
- data
- determining
- information extraction
- fields
- entity
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种训练信息抽取模型的方法、信息抽取方法和装置,涉及工智能技术领域,尤其涉及自然语言处理技术领域。具体实现方案为:从原始文本数据中提取多个实体字段、多个实体类型字段和至少一个关系类型字段,作为标注数据,其中,多个实体字段表示原始文本数据中的多个实体,多个实体类型字段表示多个实体的类型,至少一个关系类型字段表示多个实体之间的关系;根据标注数据,确定多个提示数据;根据多个提示数据,确定多个负样本数据;以及根据多个负样本数据,对信息抽取模型进行训练,得到目标信息抽取模型。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自然语言处理技术领域。
背景技术
互联网的迅速发展带动了信息处理技术的发展,实现了信息传播和信息共享,互联网提供了一个取之不尽用之不竭的信息载体,信息抽取的核心价值在于解决了由于信息分散广,难以共享,难以从大量的信息资源中获取自己所需内容的问题。信息抽取指的是从自然语言文本中自动抽取指定类型的实体、关系、事件等事实信息,并形成结构化数据输出。信息抽取技术广泛应用于金融,政务,法律,医疗等众多行业中,将大量文档信息处理成数字化结构化的数据。
可以采用知识工程方法来进行信息抽取。知识工程方法主要靠人工编写抽取规则,使系统能够处理特定知识领域的信息抽取问题。这种方法要求编制规则的知识工程师对该知识领域有深入的了解。因此开发的过程可能非常耗时耗力,需要大量的时间来完善规则库。
发明内容
本公开提供了一种训练信息抽取模型的方法、信息抽取方法、装置、设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种训练信息抽取模型的方法,包括:从原始文本数据中提取多个实体字段、多个实体类型字段和至少一个关系类型字段,作为标注数据,其中,所述多个实体字段表示所述原始文本数据中的多个实体,所述多个实体类型字段表示所述多个实体的类型,所述至少一个关系类型字段表示所述多个实体之间的关系;根据所述标注数据,确定多个提示数据;根据所述多个提示数据,确定多个负样本数据;以及根据所述多个负样本数据,对信息抽取模型进行训练,得到目标信息抽取模型。
根据本公开的另一方面,提供了一种信息抽取方法,包括:获取目标文本数据;以及将所述目标文本数据输入信息抽取模型,得到目标信息抽取结果,其中,所述信息抽取模型是根据本公开实施例所述的方法训练的。
根据本公开的另一方面,提供了一种训练信息抽取模型的装置,包括:标注模块,用于从原始文本数据中提取多个实体字段、多个实体类型字段和至少一个关系类型字段,作为标注数据,其中,所述多个实体字段表示所述原始文本数据中的多个实体,所述多个实体类型字段表示所述多个实体的类型,所述至少一个关系类型字段表示所述多个实体之间的关系;提示数据确定模块,用于根据所述标注数据,确定多个提示数据;负样本数据确定模块,用于根据所述多个提示数据,确定多个负样本数据;以及训练模块,用于根据所述多个负样本数据,对信息抽取模型进行训练,得到目标信息抽取模型。
根据本公开的另一方面,提供了一种信息抽取装置,包括:获取模块,用于获取目标文本数据;以及输入模块,用于将所述目标文本数据输入信息抽取模型,得到目标信息抽取结果,其中,所述信息抽取模型是根据本公开实施例所述的方法训练的。
本公开的另一个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本公开实施例所示的方法。
根据本公开实施例的另一方面,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本公开实施例所示的方法。
根据本公开实施例的另一方面,提供了一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现本公开实施例所示方法的步骤。
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是根据本公开实施例的训练信息抽取模型的方法、信息抽取方法、装置的示例性系统架构;
图2示意性示出了根据本公开的实施例的训练信息抽取模型的方法的流程图;
图3示意性示出了根据本公开的实施例的根据标注数据,确定多个提示数据的方法的流程图;
图4示意性示出了根据本公开另一实施例的根据标注数据,确定多个提示数据的方法的示意图;
图5示意性示出了根据本公开的实施例的根据多个提示数据,确定多个负样本数据的方法的流程图;
图6示意性示出了根据本公开的实施例的根据多个负样本数据,对信息抽取模型进行训练的方法的流程图;
图7示意性示出了根据本公开的实施例的信息抽取方法的流程图;
图8示意性示出了根据本公开实施例的训练信息抽取模型的装置的框图;
图9示意性示出了根据本公开实施例的信息抽取装置的框图;
图10示意性示出了可以用来实β本公开的实施例的示例电子设备的框图。
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。
以下将结合图1对本公开提供的训练信息抽取模型的方法、信息抽取方法和装置的应用场景进行描述。
图1是根据本公开实施例的训练信息抽取模型的方法、信息抽取方法、装置的示例性系统架构100。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的训练信息抽取模型的方法和信息抽取方法一般可以由服务器105执行。相应地,本公开实施例所提供的训练信息抽取模型的装置和信息抽取装置一般可以设置于服务器105中。本公开实施例所提供的训练信息抽取模型的方法和信息抽取方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的训练信息抽取模型的装置和信息抽取装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
在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、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
以下将结合图2对本公开提供的训练信息抽取模型的方法进行描述。
图2示意性示出了根据本公开的实施例的训练信息抽取模型的方法的流程图。
如图2所示,该方法200包括在操作S210,从原始文本数据中提取多个实体字段、多个实体类型字段和至少一个关系类型字段,作为标注数据。
根据本公开的实施例,原始文本数据可以包括多个实体。多个实体字段可以表示原始文本数据中的多个实体,该多个实体字段与该多个实体一一对应。多个实体类型字段可以表示多个实体的类型,该多个实体类型字段与该多个实体一一对应。至少一个关系类型字段可以表示多个实体之间的关系,多个实体之间可以具有至少一个关系,该至少一个关系类型字段与该至少一个关系一一对应。
示例性地,实体例如可以包括具体的人、物体、事件、概念等等。实体类型例如可以包括人名类型、职位类型、企业名称类型、法律类型、条序号类型、款序号类型等等。关系类型字段例如可以包括“建立于”、“名称是”、“职业是”、“法律是”、“条序号是”、“款序号是”等等。
需要说明的是,除了实体字段、实体类型字段和关系类型字段之外,标注数据还可以包括其他字段,本公开对此不作具体限定。
然后,在操作S220,根据标注数据,确定多个提示数据。
根据本公开的实施例,提示数据例如可以包括Prompt。其中,Prompt是在文本数据上附加的额外的提示信息,Prompt可以用于训练信息抽取模型。
在操作S230,根据多个提示数据,确定多个负样本数据。
根据本公开的实施例,负样本数据为不包含目标信息的文本数据,其中,目标信息为信息提取模型所要提取的对象。
在操作S240,根据多个负样本数据,对信息抽取模型进行训练,得到目标信息抽取模型。
根据本公开的实施例,信息抽取模型可以用于从文本数据中提取目标信息。其中,目标信息例如可以包括实体、实体类型、实体关系等。
根据本公开的实施例,如果将标注数据直接作为训练数据进行训练,而没有考虑到训练数据中加入负样本,这样会导致在预测的时候发生误召回。基于此,本实施例中,通过将标注数据转换为提示数据,根据提示数据构造负样本数据,利用加入了负样本数据的训练数据来训练模型,可以提升模型的训练效果,避免出现误召回。
例如,原始文本数据可以为“甲银行的董事长是张三”。由此,可以确定原始文本数据中的实体包括“甲银行”、“董事长”和“张三”。其中,“甲银行”、“董事长”和“张三”可以分别标注作为实体字段。“甲银行”对应的实体类型字段可以标注为“企业名称”。“董事长”对应的实体类型字段可以标注为“职位”。“张三”对应的实体类型字段可以标注为“人名”。“甲银行”和“董事长”之间的关系类型字段可以标注为“董事长是”。“董事长”和“张三”之间的关系类型字段可以标注为“人名是”。
以下将结合图3对本公开提供的根据标注数据,确定多个提示数据的方法进行描述。
图3示意性示出了根据本公开的实施例的根据标注数据,确定多个提示数据的方法的流程图。
如图3所示,该方法320包括在操作S321,根据多个实体字段和多个实体类型字段,生成多个节点。
根据本公开的实施例,每个节点可以对应一个实体,该节点可以包括该实体的实体字段和实体类型。
在操作S322,根据与至少一个关系类型字段,生成多个节点之间的边,得到有向图。
根据本公开的实施例,有向图中包括该多个节点和对应的边。例如可以根据与至少一个关系类型字段,确定多个节点中具有关系的节点,将这些具有关系的节点之间以边连接。关系类型字段指示的关系具有方向性,即由关系主体指向关系客体。例如,“董事长是张三”中,“董事长”是关系主体,“张三”是关系客体。基于此,可以根据关系的方向,设置边的指向,即由关系主体指向关系客体。
在操作S323,分别确定有向图中根节点到除根节点之外每个其他节点之间的路径信息,得到多个路径信息。
根据本公开的实施例,路径信息例如可以包括根节点到目标节点之间的节点和边。其中,目标节点可以是有向图中除根节点之外的任意一个节点。
在操作S324,针对多个路径信息中每个路径信息,根据与路径信息对应的实体字段、实体类型字段和关系类型字段,确定提示数据。
根据本公开的实施例,例如可以根据与路径信息对应的实体字段和关系类型字段,确定多个层级的提示字段。根据与路径信息对应的实体类型字段和关系类型字段,确定多个层级的类型字段。然后确定多个层级的提示字段和多个层级的类型字段,作为提示数据。
根据本公开的实施例,提示数据可以为键值对的形式。例如,提示数据中的key(键)可以包括类型字段,value(值)可以包括提示字段。
示例性地,本实施例中,例如可以根据与路径信息中每个节点对应的实体字段,确定提示字段,得到多个提示字段。根据与路径信息中边对应的关系类型字段,设置多个提示字段的层级。另外,可以根据与路径信息中每个节点对应的实体类型字段,确定类型字段,得到多个类型字段。根据与路径信息中边对应的关系类型字段,设置多个类型字段的层级。
下面参考图4,结合具体实施例对上文所示的根据标注数据,确定多个提示数据的方法做进一步说明。本领域技术人员可以理解,以下示例实施例仅用于理解本公开,本公开并不局限于此。
图4示意性示出了根据本公开另一实施例的根据标注数据,确定多个提示数据的方法的示意图。
如图4所示,示例性地,本实施例中,实体字段包括“甲银行”、“董事长”和“张三”。与“甲银行”对应的实体类型字段为“企业名称”。与“董事长”对应的实体类型字段为“职位”。与“张三”对应的实体类型字段为“人名”。“甲银行”和“董事长”之间的关系类型字段为“董事长是”。“董事长”和“张三”之间的关系类型字段为“人名是”。
基于此,可以根据“甲银行”和“企业名称”,确定节点411。根据“董事长”和“职位”,确定节点412。根据“张三”和“人名”确定节点413。然后,根据关系类型字段“董事长是”,确定节点411与412之间的边421,根据关系类型字段“人名是”,确定节点412与413之间的边422。
然后可以确定根节点411到节点412的第一路径信息包括节点411、边421和节点412,根节点411到节点413的第二路径信息包括节点411、边421、节点412、边422和节点413。由此,可以根据第一路径信息确定提示数据。例如,第一路径信息中,边421指示节点411指向节点412,因此节点411所对应的实体字段可以作为第一层级的提示字段,节点411所对应的实体类型字段可以作为第一层级的类型字段,节点412所对应的实体字段可以作为第二层级的提示字段,节点412所对应的实体类型字段可以作为第二层级的类型字段。从而,可以得到如表1所示的提示数据。
层级 | 类型字段 | 提示字段 |
1 | 企业名称 | 甲银行 |
2 | 职位 | 董事长 |
表1
另外可以根据第二路径信息确定提示数据。例如,第二路径信息中,边421指示节点411指向节点412,边422指示节点413指向节点414,因此节点411所对应的实体字段可以作为第一层级的提示字段,节点411所对应的实体类型字段可以作为第一层级的类型字段,节点412所对应的实体字段可以作为第二层级的提示字段,节点412所对应的实体类型字段可以作为第二层级的类型字段,节点413所对应的实体字段可以作为第三层级的提示字段,节点413所对应的实体类型字段可以作为第三层级的类型字段。从而,可以得到如表2所示的提示数据。
表2
以下将结合图5对本公开提供的根据多个提示数据,确定多个负样本数据的方法进行描述。
图5示意性示出了根据本公开的实施例的根据多个提示数据,确定多个负样本数据的方法的流程图。
如图5所示,该方法530包括针对多个提示数据中的每个提示数据,执行操作S531~S533。
在操作S531,根据提示数据中除最后一个层级之外其他层级的提示字段,确定中间字段。
在操作S532,根据提示数据中最后一个层级的类型字段,确定关系字段。
在操作S533,根据中间字段和关系字段,确定负样本数据。
示例性地,以上文中表2所示的提示数据为例,该提示数据中的最后一个层级为第3级,基于此,可以将第1层级的提示字段“甲银行”和第2层级的提示字段“董事长”拼接,得到“甲银行的董事长”,作为中间字段。然后可以根据最后一个层级的类型字段“人名”,确定关系字段为“的人名”。接下来,可以将中间字段和关系字段拼接,得到“甲银行的董事长的人名”。该“甲银行的董事长的人名”即可以作为负样本用于模型的训练使用。
根据本公开的实施例,还可以获取正样本数据。例如,可以将标注数据作为正样本数据。将中间信息和关系字段拼接,得到拼接结果。然后确定拼接结果与正样本数据是否冲突。在拼接结果与正样本数据不冲突的情况下,确定拼接结果,作为负样本数据。
以下将结合图6对本公开提供的根据多个负样本数据,对信息抽取模型进行训练,得到目标信息抽取模型的方法进行描述。
图6示意性示出了根据本公开的实施例的根据多个负样本数据,对信息抽取模型进行训练的方法的流程图。
如图6所示,该方法640包括针对多个负样本数据中的每个负样本数据,执行操作S641~S643。
在操作S641,将负样本数据输入信息抽取模型,得到信息抽取结果。
在操作S642,根据信息抽取结果,确定损失值。
根据本公开的实施例,损失值可以用于表示信息抽取结果与正确抽取结果之间的差异。例如可以根据损失函数计算损失值,损失函数例如可以包括交叉熵损失函数、铰链损失函数和指数损失函数等。
在操作S643,根据损失值,调整信息抽取模型的参数。
根据本公开的实施例,例如可以重复上述训练操作直到信息抽取模型的信息抽取结果满足预定要求。其中,预定要求可以根据用户的需要设置,例如可以设置预定要求为信息抽取结果收敛。
以下将结合图7对本公开提供的信息抽取方法进行描述。
图7示意性示出了根据本公开的实施例的信息抽取方法的流程图。
如图7所示,该信息抽取方法700在操作S710,获取目标文本数据。
根据本公开的实施例,目标文本数据可以是意图进行信息抽取的文本数据。
在操作S720,将目标文本数据输入信息抽取模型,得到目标信息抽取结果。
根据本公开的实施例,目标信息抽取结果例如可以包括实体字段、实体类型字段和关系类型字段等。其中,实体字段可以表示目标文本数据中的实体,实体类型字段可以表示实体的类型,关系类型字段可以表示实体之间的关系。
其中,信息抽取模型是根据上文所示的方法训练的。
根据本公开的实施例的训练信息抽取模型的方法、信息抽取方法和装置,可以应用于金融机构的业务场景和金融监管机构的业务场景。
其中,金融机构的业务场景例如可以包括:内外部制度查询、罚单查询、内部合规业务管理和舆情监测等场景。金融监管机构的业务场景例如可以包括:制度管理、罚单管理、对金融机构进行舆情监测等场景。
下面结合具体实施例对上文所示的训练信息抽取模型的方法做进一步说明。本领域技术人员可以理解,以下示例实施例仅用于理解本公开,本公开并不局限于此。
罚单在监管业务场景应用很广,为了对罚单进行有效管理,需要将罚单数据结构化、信息化,构建关联图谱,实现舆情监测、合规业务管理等功能。例如,针对网页形式的罚单,可以利用信息抽取模型抽取其中的目标信息,然后将目标信息结构化,方便后续数据处理。
示例性地,罚单中需要结构化的信息包括:被处罚对象信息、处罚结果信息和处罚依据信息。对于被处罚对象信息,若被处罚对象是个人,则可以抽取被处罚对象的人名,该人的任职企业和任职职位,以及对应的处罚结果。若处罚涉及金额,则可以抽取具体的金额数。对于处罚依据信息,可以抽取处罚依据的法律名称、该法律的发布时间以及具体依据的条款项。
示例性地,本实施例中,处罚依据所对应的原始文本数据可以为:”《个人贷款管理暂行办法》第七条、第四十二条第(三)项”,基于此,可以生成标注数据如表3所示:
表3
其中,key为实体字段,key_str为实体类型字段、value_positions为实体在原始文本数据中的位置。global_offset表示实体在原始文本数据中的偏移量。value_strs为实体的具体内容。tag_id为实体的标识。
然后,可以根据上述标注数据,确定多个提示数据,根据多个提示数据,确定多个负样本数据如表4所示。
表4
接下来,可以根据表3所示的数据作为正样本和表4所示的数据作为负样本,来对信息抽取模型进行训练。
根据本公开的实施例,在增加了负样本数据后,可以使信息抽取模型的抽取效果得到较大提升。由于《个人贷款管理暂行办法》第七条的后面并没有款项,在未经负样本数据训练之前,信息抽取模型很容易将第四十二条的项数作为第七条的项数,导致误召回。另外该段话中并没有涉及到款的序号,而款和项都是在条的后面,因此在未经负样本数据训练的信息抽取模型很容易分不清款和项,导致误召回。而在增加了负样本数据后,可以提高信息抽取模型的召回准确率。
以下将结合图8对本公开提供的训练信息抽取模型的装置进行描述。
图8示意性示出了根据本公开实施例的训练信息抽取模型的装置的框图。
如图8所示,该训练信息抽取模型的装置800包括标注模块810、提示数据确定模块820、负样本数据确定模块830和训练模块840。
标注模块810,用于从原始文本数据中提取多个实体字段、多个实体类型字段和至少一个关系类型字段,作为标注数据,其中,多个实体字段表示原始文本数据中的多个实体,多个实体类型字段表示多个实体的类型,至少一个关系类型字段表示多个实体之间的关系。
提示数据确定模块820,用于根据标注数据,确定多个提示数据。
负样本数据确定模块830,用于根据多个提示数据,确定多个负样本数据。
训练模块840,用于根据多个负样本数据,对信息抽取模型进行训练,得到目标信息抽取模型。
根据本公开的实施例,提示数据确定模块可以包括:节点生成子模块,用于根据多个实体字段和多个实体类型字段,生成多个节点;边生成子模块,用于根据与至少一个关系类型字段,生成多个节点之间的边,得到有向图;路径信息确定模块,用于分别确定有向图中根节点到除根节点之外每个其他节点之间的路径信息,得到多个路径信息;以及提示数据确定模块,用于针对多个路径信息中每个路径信息,根据与路径信息对应的实体字段、实体类型字段和关系类型字段,确定提示数据。
根据本公开的实施例,提示数据确定模块可以包括:提示字段确定子模块,用于根据与路径信息对应的实体字段和关系类型字段,确定多个层级的提示字段;类型字段确定子模块,用于根据与路径信息对应的实体类型字段和关系类型字段,确定多个层级的类型字段;以及第一确定子模块,用于确定多个层级的提示字段和多个层级的类型字段,作为提示数据。
根据本公开的实施例,负样本数据确定模块可以包括:中间字段确定子模块,用于针对多个提示数据中的每个提示数据,根据提示数据中除最后一个层级之外其他层级的提示字段,确定中间字段;关系字段确定子模块,用于根据提示数据中最后一个层级的类型字段,确定关系字段;以及第二确定子模块,用于根据中间字段和关系字段,确定负样本数据。
根据本公开的实施例,第二确定子模块可以包括:拼接单元,用于将中间信息和关系字段拼接,得到拼接结果;匹配单元,用于确定拼接结果与正样本数据是否冲突;以及第三确定单元,用于在拼接结果与正样本数据不冲突的情况下,确定拼接结果,作为负样本数据。
根据本公开的实施例,训练模块可以包括:输入子模块,用于针对多个负样本数据中的每个负样本数据,将负样本数据输入信息抽取模型,得到信息抽取结果;损失确定子模块,用于根据信息抽取结果,确定损失值;以及调整子模块,用于根据损失值,调整信息抽取模型的参数。
以下将结合图9对本公开提供的信息抽取装置进行描述。
图9示意性示出了根据本公开实施例的信息抽取装置的框图。
如图9所示,该信息抽取装置装置900包括获取模块910和输入模块920。
获取模块910,用于获取目标文本数据。
输入模块920,用于将目标文本数据输入信息抽取模型,得到目标信息抽取结果,其中,信息抽取模型是根据本公开实施例所示的方法训练的。
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10性示出了可以用来实施本公开的实施例的示例电子设备1000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1000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RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002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1000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10010,例如网卡、调制解调器、无线通信收发机等。通信单元10010允许设备1000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,例如训练信息抽取模型的方法、信息抽取方法。例如,在一些实施例中,训练信息抽取模型的方法、信息抽取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-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10010而被载入和/或安装到设备1000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训练信息抽取模型的方法、信息抽取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)而被配置为执行训练信息抽取模型的方法、信息抽取方法。
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、现场可编程门阵列(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,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 (17)
1.一种训练信息抽取模型的方法,包括:
从原始文本数据中提取多个实体字段、多个实体类型字段和至少一个关系类型字段,作为标注数据,其中,所述多个实体字段表示所述原始文本数据中的多个实体,所述多个实体类型字段表示所述多个实体的类型,所述至少一个关系类型字段表示所述多个实体之间的关系;
根据所述标注数据,确定多个提示数据;
根据所述多个提示数据,确定多个负样本数据;以及
根据所述多个负样本数据,对信息抽取模型进行训练,得到目标信息抽取模型。
2.根据权利要求1所述的方法,其中,所述根据所述标注数据,确定多个提示数据,包括:
根据所述多个实体字段和所述多个实体类型字段,生成多个节点;
根据与所述至少一个关系类型字段,生成所述多个节点之间的边,得到有向图;
分别确定所述有向图中根节点到除所述根节点之外其他节点之间的路径信息,得到多个路径信息;以及
针对所述多个路径信息中的路径信息,根据与所述路径信息对应的实体字段、实体类型字段和关系类型字段,确定所述提示数据。
3.根据权利要求2所述的方法,其中,所述根据与所述路径信息对应的实体字段、实体类型字段和关系类型字段,确定所述提示数据,包括:
根据与所述路径信息对应的实体字段和关系类型字段,确定多个层级的提示字段;
根据与所述路径信息对应的实体类型字段和关系类型字段,确定多个层级的类型字段;以及
确定所述多个层级的提示字段和所述多个层级的类型字段,作为所述提示数据。
4.根据权利要求3所述的方法,其中,所述根据所述多个提示数据,确定多个负样本数据,包括:
针对所述多个提示数据中的提示数据,
根据所述提示数据中除最后一个层级之外其他层级的提示字段,确定中间字段;
根据所述提示数据中最后一个层级的类型字段,确定关系字段;以及
根据所述中间字段和所述关系字段,确定所述负样本数据。
5.根据权利要求4所述的方法,其中,所述根据所述中间字段和所述关系字段,确定所述负样本数据,包括:
将所述中间信息和所述关系字段拼接,得到拼接结果;
确定所述拼接结果与正样本数据是否冲突;以及
在所述拼接结果与正样本数据不冲突的情况下,确定所述拼接结果,作为所述负样本数据。
6.根据权利要求1所述的方法,其中,所述根据所述多个负样本数据,对信息抽取模型进行训练,得到目标信息抽取模型,包括:
针对所述多个负样本数据中的负样本数据,
将所述负样本数据输入所述信息抽取模型,得到信息抽取结果;
根据所述信息抽取结果,确定损失值;以及
根据所述损失值,调整所述信息抽取模型的参数。
7.一种信息抽取方法,包括:
获取目标文本数据;以及
将所述目标文本数据输入信息抽取模型,得到目标信息抽取结果,其中,所述信息抽取模型是根据权利要求1-6中任一项所述的方法训练的。
8.一种训练信息抽取模型的装置,包括:
标注模块,用于从原始文本数据中提取多个实体字段、多个实体类型字段和至少一个关系类型字段,作为标注数据,其中,所述多个实体字段表示所述原始文本数据中的多个实体,所述多个实体类型字段表示所述多个实体的类型,所述至少一个关系类型字段表示所述多个实体之间的关系;
提示数据确定模块,用于根据所述标注数据,确定多个提示数据;
负样本数据确定模块,用于根据所述多个提示数据,确定多个负样本数据;以及
训练模块,用于根据所述多个负样本数据,对信息抽取模型进行训练,得到目标信息抽取模型。
9.根据权利要求8所述的装置,其中,所述提示数据确定模块,包括:
节点生成子模块,用于根据所述多个实体字段和所述多个实体类型字段,生成多个节点;
边生成子模块,用于根据与所述至少一个关系类型字段,生成所述多个节点之间的边,得到有向图;
路径信息确定模块,用于分别确定所述有向图中根节点到除所述根节点之外其他节点之间的路径信息,得到多个路径信息;以及
提示数据确定模块,用于针对所述多个路径信息中的路径信息,根据与所述路径信息对应的实体字段、实体类型字段和关系类型字段,确定所述提示数据。
10.根据权利要求9所述的装置,其中,所述提示数据确定模块,包括:
提示字段确定子模块,用于根据与所述路径信息对应的实体字段和关系类型字段,确定多个层级的提示字段;
类型字段确定子模块,用于根据与所述路径信息对应的实体类型字段和关系类型字段,确定多个层级的类型字段;以及
第一确定子模块,用于确定所述多个层级的提示字段和所述多个层级的类型字段,作为所述提示数据。
11.根据权利要求10所述的装置,其中,所述负样本数据确定模块,包括:
中间字段确定子模块,用于针对所述多个提示数据中的提示数据,根据所述提示数据中除最后一个层级之外其他层级的提示字段,确定中间字段;
关系字段确定子模块,用于根据所述提示数据中最后一个层级的类型字段,确定关系字段;以及
第二确定子模块,用于根据所述中间字段和所述关系字段,确定所述负样本数据。
12.根据权利要求11所述的装置,其中,所述第二确定子模块,包括:
拼接单元,用于将所述中间信息和所述关系字段拼接,得到拼接结果;
匹配单元,用于确定所述拼接结果与正样本数据是否冲突;以及
第三确定单元,用于在所述拼接结果与正样本数据不冲突的情况下,确定所述拼接结果,作为所述负样本数据。
13.根据权利要求8所述的装置,其中,所述训练模块,包括:
输入子模块,用于针对所述多个负样本数据中的负样本数据,将所述负样本数据输入所述信息抽取模型,得到信息抽取结果;
损失确定子模块,用于根据所述信息抽取结果,确定损失值;以及
调整子模块,用于根据所述损失值,调整所述信息抽取模型的参数。
14.一种信息抽取装置,包括:
获取模块,用于获取目标文本数据;以及
输入模块,用于将所述目标文本数据输入信息抽取模型,得到目标信息抽取结果,其中,所述信息抽取模型是根据权利要求1-6中任一项所述的方法训练的。
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/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310151344.1A CN116069785A (zh) | 2023-02-10 | 2023-02-10 | 训练信息抽取模型的方法、信息抽取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310151344.1A CN116069785A (zh) | 2023-02-10 | 2023-02-10 | 训练信息抽取模型的方法、信息抽取方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116069785A true CN116069785A (zh) | 2023-05-05 |
Family
ID=86173120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310151344.1A Pending CN116069785A (zh) | 2023-02-10 | 2023-02-10 | 训练信息抽取模型的方法、信息抽取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116069785A (zh) |
-
2023
- 2023-02-10 CN CN202310151344.1A patent/CN116069785A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11669795B2 (en) | Compliance management for emerging risks | |
CN111708938B (zh) | 用于信息处理的方法、装置、电子设备和存储介质 | |
CN111427971B (zh) | 用于计算机系统的业务建模方法、装置、系统和介质 | |
CN110162637B (zh) | 信息图谱构建方法、装置及设备 | |
CN113836314B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
CN113435859A (zh) | 信访件处理方法、装置、电子设备和计算机可读介质 | |
US20230005283A1 (en) | Information extraction method and apparatus, electronic device and readable storage medium | |
CN109034199B (zh) | 数据处理方法及装置、存储介质和电子设备 | |
CN107291923B (zh) | 信息处理方法和装置 | |
WO2019095569A1 (zh) | 基于微博财经事件的金融分析方法、应用服务器及计算机可读存储介质 | |
CN110852057A (zh) | 一种计算文本相似度的方法和装置 | |
CN108768742B (zh) | 网络构建方法及装置、电子设备、存储介质 | |
CN112148841A (zh) | 一种对象分类以及分类模型构建方法和装置 | |
CN113360672B (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 | |
JP2022153339A (ja) | データベースシステムにおけるレコードマッチング(データベースシステムにおけるレコードマッチングのコンピュータ実装方法、コンピュータプログラム、コンピュータシステム) | |
CN116069785A (zh) | 训练信息抽取模型的方法、信息抽取方法和装置 | |
CN110795424B (zh) | 特征工程变量数据请求处理方法、装置及电子设备 | |
CN114443802A (zh) | 一种接口文档处理方法、装置、电子设备和存储介质 | |
CN113742564A (zh) | 目标资源的推送方法和装置 | |
CN113362097B (zh) | 一种用户确定方法和装置 | |
CN117131197B (zh) | 一种招标书的需求类别处理方法、装置、设备及存储介质 | |
CN113342646B (zh) | 用例生成方法、装置、电子设备和介质 | |
CN116244740B (zh) | 一种日志脱敏方法、装置、电子设备及存储介质 | |
KR102449831B1 (ko) | 신규 텍스트에 대한 정보를 제공하는 전자 장치, 신규 텍스트를 확인하는 서버 및 그 동작 방법 |
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 |