CN116384381A - 一种基于知识图谱的自动化合同要素识别方法及装置 - Google Patents
一种基于知识图谱的自动化合同要素识别方法及装置 Download PDFInfo
- Publication number
- CN116384381A CN116384381A CN202310009326.XA CN202310009326A CN116384381A CN 116384381 A CN116384381 A CN 116384381A CN 202310009326 A CN202310009326 A CN 202310009326A CN 116384381 A CN116384381 A CN 116384381A
- Authority
- CN
- China
- Prior art keywords
- contract
- knowledge
- graph
- knowledge graph
- features
- 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 65
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 230000003993 interaction Effects 0.000 claims abstract description 9
- 230000002452 interceptive effect Effects 0.000 claims abstract description 9
- 230000015654 memory Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005295 random walk Methods 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于知识图谱的自动化合同要素识别方法及装置,方法包括:获取与合同类别相对应的要素类型,根据要素类型构建要素类型本体,使用要素类型本体从合同中识别出合同要素;使用知识图谱从合同中识别出合同要素还包括:将合同输入至合同特征表示层,将知识图谱输入至知识图谱特征表示层;合同特征表示层使用第一神经网络对输入的合同进行特征的表示以及学习;知识图谱特征表示层使用第二神经网络对输入的知识图谱进行特征的表示以及学习;还包括使用图谱特征和合同特征交互层对知识图谱的特征和合同的特征进行交互式建模学习后通过模型层使用第三神经网络对数据进行学习后输出合同要素;以通过知识图谱去识别合同要素,进而提高了准确率。
Description
技术领域
本发明属于合同要素识别技术领域,尤其涉及一种基于知识图谱的自动化合同要素识别方法及装置。
背景技术
随着人工智能技术的不断深入和普及发展,现代化社会生活中更多的能够见到人工智能技术的身影。国家出台了一系列支持人工智能在法律领域中发展的政策,促进了人工智能在法律领域的高速发展;合同智能化管理作为提高信息化水平的一环,其中自动合同要素识别能力的建成是提升工作实效和落实信息化的关键;自动合同要素识别是以合同为基础,按照一定的程序,运用相应的逻辑规则,对合同中的关键要素进行识别,构建出合同的结构化信息,合同的要素识别问题是合同智能化管理中最基础的问题。
目前,对于合同领域的要素识别模型本身没有太多的专利,但是在通用实体识别领域有一些相关的方法;目前主流的通用实体识别方法将其定义为一个序列标注任务,设计以序列标注为基础的算法模型,顾名思义是把合同中的要素定义为一种实体,然后运用序列标注算法进行实体识别的一种方式和方法。
然而相比于通用领域而言合同领域是一个垂直领域,其下的实体数据通常是较为匮乏的,数据的稀疏性导致传统实体识别模型无法充分训练,使得模型很容易出现过拟合,泛化性能较差,尤其是在实际业务场景中的准确率较差。
发明内容
鉴于上述现有技术的不足,本发明的目的在于提供一种基于知识图谱的自动化合同要素识别方法及装置,旨在解决由于现有技术无法提供一种有效的基于知识图谱的自动化合同要素识别方法,导致模型训练需要的数据量大、识别准确率低、用户体验不佳的问题。
一方面,本发明提供了一种基于知识图谱的自动化合同要素识别方法,所述方法包括下述步骤:
获取与合同类别相对应的要素类型;
根据要素类型构建要素类型本体;
使用所述要素类型本体从合同中识别出合同要素。
进一步地,所述方法还包括:使用公式1获取所述要素类型本体:
公式1:EO=(E,R),其中,EO表示要素类型本体,E表示要素类型的名称的集合,R表示要素类型之间的关系的集合。
进一步地,所述方法还包括:
进一步地,所述方法还包括:使用所述知识图谱从合同中识别出合同要素。
进一步地,所述使用所述知识图谱从合同中识别出合同要素还包括:
将所述合同输入至合同特征表示层,将所述知识图谱输入至所述知识图谱特征表示层;
所述合同特征表示层使用第一神经网络对输入的合同进行特征的表示以及学习;所述知识图谱特征表示层使用第二神经网络对输入的知识图谱进行特征的表示以及学习。
进一步地,还包括:使用图谱特征和合同特征交互层对所述知识图谱的特征和所述合同的特征进行交互式建模学习。
进一步地,所述方法还包括:使用图谱特征和合同特征交互层对所述知识图谱的特征和所述合同的特征进行交互式建模学习后输出至模型层;
所述模型层使用第三神经网络对数据进行学习后输出所述合同要素。
另一方面,本发明还提供了一种基于知识图谱的自动化合同要素识别装置,所述装置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基于知识图谱的自动化合同要素识别方法。
另一方面,本发明还提供了一种非易失性计算机可读存储介质,所述非易失性计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行时,可使得所述一个或多个处理器执行上述的基于知识图谱的自动化合同要素识别方法。
另一方面,本发明还提供了一种计算机程序产品,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被处理器执行时,使所述处理器执行上述的基于知识图谱的自动化合同要素识别方法。
本发明的有益效果在于,获取与合同类别相对应的要素类型,根据要素类型构建要素类型本体,使用要素类型本体从合同中识别出合同要素;使用知识图谱从合同中识别出合同要素还包括:将合同输入至合同特征表示层,将知识图谱输入至知识图谱特征表示层;合同特征表示层使用第一神经网络对输入的合同进行特征的表示以及学习;知识图谱特征表示层使用第二神经网络对输入的知识图谱进行特征的表示以及学习;还包括使用图谱特征和合同特征交互层对知识图谱的特征和合同的特征进行交互式建模学习后通过模型层使用第三神经网络对数据进行学习后输出合同要素;以通过知识图谱去识别合同要素,从而提高了数据处理的速度及准确率,进而提高了用户体验。
附图说明
图1是本发明实施例一提供的基于知识图谱的自动化合同要素识别方法的实现流程图;
图2是本发明实施例一提供的基于知识图谱的自动化合同要素识别方法的;
图3是本发明实施例一提供的基于知识图谱的自动化合同要素识别方法的;
图4是本发明实施例二提供的基于知识图谱的自动化合同要素识别装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述:
实施例一:
图1至图3示出了本发明实施例一提供的基于知识图谱的自动化合同要素识别方法的实现流程,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
步骤S101,获取与合同类别相对应的要素类型;
在本发明的实施例中,要素类型是人为定义的、共享的要素类型。要素类型模型是用来描述合同要素以及要素之间的关系模型,因此要素类型需要满足以下几点:(1)要素虽然是人为定义,但在合同中应客观存在;(2)要素类型本体具备描述合同基本结构的能力,是面向计算机可编码计算的单元;(3)要素类型比句子级别的自然语言描述清晰,在很大程度上抽象出合同的本质结构。
步骤S102,根据要素类型构建要素类型本体;
在本发明的实施例中,方法还包括:使用公式1获取要素类型本体:
公式1:EO=(E,R),其中,EO表示要素类型本体,E表示要素类型的名称的集合,R表示要素类型之间的关系的集合。
(E1,Relation,E2)表示知识图谱;其中,构建要素类型本体用以获得知识图谱;
其中,用部分买卖合同要素类型举例如下:
EO=(E,R),其中,E={买卖合同,验收条款,验收时间,验收方法,验收标准,买方行为,支付,验收,卖方行为,当事人,卖方,买方,自然人,姓名,住址,联系方式};
R={(买卖合同,include,买方行为),(买卖合同,include,卖方行为),(买卖合同,include,当事人),(支付,is,买方行为),(验收,is,买方行为),(验收,has,验收条款),(验收,has,验收时间),(验收,has,验收方法),(验收,has,验收标准),(买方,is,当事人),(卖方,is,当事人),(买方,is,自然人),(卖方,is,自然人),(自然人,has,姓名),(自然人,has,联系方式),(自然人,has,住址)};可绘制出如图3所示的关系图。
步骤S103,使用要素类型本体从合同中识别出合同要素或使用知识图谱从合同中识别出合同要素;
在本发明的实施例中,传统的做法将要素识别当做一个序列标注子任务,通常可以使用HMM、CRF、深度神级网络模型等方法对其进行建模,定义一系列的要素类型,运用算法模型从合同文本中抽取相应的要素文本。然而合同中所包含的要素种类繁多,且每种要素的出现次数差异较大,传统的做法容易遇到合同数量不足、要素对应的语料数量差异过大导致模型难以学习等问题。事实上,合同的要素之间是有一定的关联关系的,例如“当事人信息”包含“当事人姓名、当事人住址、当事人联系方式”。因此,本发明从融合专家知识的角度出发,提出一种人为构建合同要素专家知识图谱,并将这种知识编码进模型中,参与到要素识别过程中的方法。从而大幅降低模型对于训练语料数量的需求,并提高在低频次要素上的识别效果,模型的结构如图3所示;其中,合同要素抽取任务的定义为:从合同文本中按照人为定义所需的要素类型进行合同要素的抽取,并输出结构化数据文本的一种文本处理任务。
在本发明的实施例中,还包括:使用知识图谱从合同中识别出合同要素;
进一步地,使用知识图谱从合同中识别出合同要素还包括:
将合同输入至合同特征表示层,将知识图谱输入至知识图谱特征表示层;
合同特征表示层使用第一神经网络对输入的合同进行特征的表示以及学习,其中,常用的特征表示手段有利用卷积神经网络、长短期记忆神经网络以及BERT模型等。;知识图谱特征表示层使用第二神经网络对输入的知识图谱进行特征的表示以及学习,其中,常用的特征表示手段有利用图卷积神经网络、图注意力网络、图自编码器、图生成网络、图随机游走等。
还包括:使用图谱特征和合同特征交互层对知识图谱的特征和合同的特征进行交互式建模学习,其中,常用的做法有直接将向量拼接、投影到同一个向量空间等。
还包括:使用图谱特征和合同特征交互层对知识图谱的特征和合同的特征进行交互式建模学习后输出至模型层;
模型层使用第三神经网络对数据进行学习后输出合同要素,其中,在本发明的实施例中,采用多层Transformer神经网络模型。
在本发明的实施例中,获取与合同类别相对应的要素类型,根据要素类型构建要素类型本体,使用要素类型本体从合同中识别出合同要素;使用知识图谱从合同中识别出合同要素还包括:将合同输入至合同特征表示层,将知识图谱输入至知识图谱特征表示层;合同特征表示层使用第一神经网络对输入的合同进行特征的表示以及学习;知识图谱特征表示层使用第二神经网络对输入的知识图谱进行特征的表示以及学习;还包括使用图谱特征和合同特征交互层对知识图谱的特征和合同的特征进行交互式建模学习后通过模型层使用第三神经网络对数据进行学习后输出合同要素;以通过知识图谱去识别合同要素,从而提高了数据处理的速度及准确率,进而提高了用户体验。
实施例二:
图4示出了本发明实施例二提供的一种基于知识图谱的自动化合同要素识别装置,如图4所示,装置10包括:
一个或多个处理器110以及存储器120,图4中以一个处理器110为例进行介绍,处理器110和存储器120可以通过总线或者其他方式连接,图4中以通过总线连接为例。
处理器110用于完成装置10的各种控制逻辑,其可以为通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(Acorn RISCMachine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有,处理器110还可以是任何传统处理器、微处理器或状态机。处理器110也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP核、或任何其它这种配置。
存储器120作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的基于知识图谱的自动化合同要素识别方法对应的程序指令。处理器110通过运行存储在存储器120中的非易失性软件程序、指令以及单元,从而执行装置10的各种功能应用以及数据处理,即实现上述方法实施例中的基于知识图谱的自动化合同要素识别方法。
存储器120可以包括存储程序区和存储数据区,其中,存储程序区可存储操作装置、至少一个功能所需要的应用程序;存储数据区可存储根据装置10使用所创建的数据等。此外,存储器120可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器120可选包括相对于处理器110远程设置的存储器,这些远程存储器可以通过网络连接至装置10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个单元存储在存储器120中,当被一个或者多个处理器110执行时,执行上述任意方法实施例中基于知识图谱的自动化合同要素识别方法,例如,执行以上描述的图1中的方法步骤S100至步骤S300。
实施例三:
本发明实施例三提供了一种非易失性计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,例如,执行以上描述的图1中的方法步骤S100至步骤S300。
作为示例,非易失性存储介质能够包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦ROM(EEPROM)或闪速存储器。易失性存储器能够包括作为外部高速缓存存储器的随机存取存储器(RAM)。通过说明丽非限制,RAM可以以诸如同步RAM(SRAM)、动态RAM、(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、Synchlink DRAM(SLDRAM)以及直接Rambus(兰巴斯)RAM(DRRAM)之类的许多形式得到。本文中所描述的操作环境的所公开的存储器组件或存储器旨在包括这些和/或任何其他适合类型的存储器中的一个或多个。
实施例四:
本发明实施例四提供了一种计算机程序产品,计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被处理器执行时,使所述处理器执行上述方法实施例的基于知识图谱的自动化合同要素识别方法。例如,执行以上描述的图1中的方法步骤S100至步骤S300。
以上所描述的实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施例的描述,本领域的技术人员可以清楚地了解到各实施例可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件实现。基于这样的理解,上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存在于计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机电子设备(可以是个人计算机,服务器,或者网络电子设备等)执行各个实施例或者实施例的某些部分的方法。
除了其他之外,诸如"能够′、"能"、"可能"或"可以"之类的条件语言除非另外具体地陈述或者在如所使用的上下文内以其他方式理解,否则一般地旨在传达特定实施方式能包括(然而其他实施方式不包括)特定特征、元件和/或操作。因此,这样的条件语言一般地不旨在暗示特征、元件和/或操作对于一个或多个实施方式无论如何都是需要的或者一个或多个实施方式必须包括用于在有或没有学生输入或提示的情况下判定这些特征、元件和/或操作是否被包括或者将在任何特定实施方式中被执行的逻辑。
已经在本文中在本说明书和附图中描述的内容包括能够提供基于知识图谱的自动化合同要素识别方法及装置的示例。当然,不能够出于描述本公开的各种特征的目的来描述元件和/或方法的每个可以想象的组合,但是可以认识到,所公开的特征的许多另外的组合和置换是可能的。因此,显而易见的是,在不脱离本公开的范围或精神的情况下能够对本公开做出各种修改。此外,或在替代方案中,本公开的其他实施例从对本说明书和附图的考虑以及如本文中所呈现的本公开的实践中可能是显而易见的。意图是,本说明书和附图中所提出的示例在所有方面被认为是说明性的而非限制性的。尽管在本文中采用了特定术语,但是它们在通用和描述性意义上被使用并且不用于限制的目的。
Claims (10)
1.一种基于知识图谱的自动化合同要素识别方法,其特征在于,所述方法包括下述步骤:
获取与合同类别相对应的要素类型;
根据要素类型构建要素类型本体;
使用所述要素类型本体从合同中识别出合同要素。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:使用公式1获取所述要素类型本体:
公式1:EO=(E,R),其中,EO表示要素类型本体,E表示要素类型的名称的集合,R表示要素类型之间的关系的集合。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:使用所述知识图谱从合同中识别出合同要素。
5.如权利要求4所述的方法,其特征在于,所述使用所述知识图谱从合同中识别出合同要素还包括:
将所述合同输入至合同特征表示层,将所述知识图谱输入至所述知识图谱特征表示层;
所述合同特征表示层使用第一神经网络对输入的合同进行特征的表示以及学习;所述知识图谱特征表示层使用第二神经网络对输入的知识图谱进行特征的表示以及学习。
6.如权利要求5所述的方法,其特征在于,还包括:使用图谱特征和合同特征交互层对所述知识图谱的特征和所述合同的特征进行交互式建模学习。
7.如权利要求6所述的方法,其特征在于,所述方法还包括:使用图谱特征和合同特征交互层对所述知识图谱的特征和所述合同的特征进行交互式建模学习后输出至模型层;
所述模型层使用第三神经网络对数据进行学习后输出所述合同要素。
8.一种基于知识图谱的自动化合同要素识别装置,其特征在于,所述装置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任一项所述的基于知识图谱的自动化合同要素识别方法。
9.一种非易失性计算机可读存储介质,其特征在于,所述非易失性计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行时,可使得所述一个或多个处理器执行权利要求1-7任一项所述基于知识图谱的自动化合同要素识别方法。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被处理器执行时,使所述处理器执行权利要求1-7任一项所述的基于知识图谱的自动化合同要素识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310009326.XA CN116384381A (zh) | 2023-01-04 | 2023-01-04 | 一种基于知识图谱的自动化合同要素识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310009326.XA CN116384381A (zh) | 2023-01-04 | 2023-01-04 | 一种基于知识图谱的自动化合同要素识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116384381A true CN116384381A (zh) | 2023-07-04 |
Family
ID=86960392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310009326.XA Pending CN116384381A (zh) | 2023-01-04 | 2023-01-04 | 一种基于知识图谱的自动化合同要素识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116384381A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163099A (zh) * | 2020-09-24 | 2021-01-01 | 平安直通咨询有限公司上海分公司 | 基于知识图谱的文本识别方法、装置、存储介质和服务器 |
US20210012179A1 (en) * | 2019-07-12 | 2021-01-14 | International Business Machines Corporation | Extraction of named entities from document data to support automation applications |
CN112328749A (zh) * | 2020-11-25 | 2021-02-05 | 北京百度网讯科技有限公司 | 知识要素提取方法、装置、电子设备、介质和程序产品 |
CN114661914A (zh) * | 2022-02-28 | 2022-06-24 | 太极计算机股份有限公司 | 一种基于深度学习和知识图谱的合同审查方法、装置、设备和存储介质 |
CN115309910A (zh) * | 2022-07-20 | 2022-11-08 | 首都师范大学 | 语篇要素和要素关系联合抽取方法、知识图谱构建方法 |
CN115525757A (zh) * | 2022-10-09 | 2022-12-27 | 北京爱知之星科技股份有限公司 | 合同摘要的生成方法和装置、合同关键信息提取模型的训练方法 |
-
2023
- 2023-01-04 CN CN202310009326.XA patent/CN116384381A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210012179A1 (en) * | 2019-07-12 | 2021-01-14 | International Business Machines Corporation | Extraction of named entities from document data to support automation applications |
CN112163099A (zh) * | 2020-09-24 | 2021-01-01 | 平安直通咨询有限公司上海分公司 | 基于知识图谱的文本识别方法、装置、存储介质和服务器 |
CN112328749A (zh) * | 2020-11-25 | 2021-02-05 | 北京百度网讯科技有限公司 | 知识要素提取方法、装置、电子设备、介质和程序产品 |
CN114661914A (zh) * | 2022-02-28 | 2022-06-24 | 太极计算机股份有限公司 | 一种基于深度学习和知识图谱的合同审查方法、装置、设备和存储介质 |
CN115309910A (zh) * | 2022-07-20 | 2022-11-08 | 首都师范大学 | 语篇要素和要素关系联合抽取方法、知识图谱构建方法 |
CN115525757A (zh) * | 2022-10-09 | 2022-12-27 | 北京爱知之星科技股份有限公司 | 合同摘要的生成方法和装置、合同关键信息提取模型的训练方法 |
Non-Patent Citations (1)
Title |
---|
刘苏文 等: "基于联合学习的生物医学因果关系抽取", 《中文信息学报》, vol. 34, no. 4, 30 April 2020 (2020-04-30) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11816439B2 (en) | Multi-turn dialogue response generation with template generation | |
WO2024022354A1 (zh) | 结合rpa及ai实现ia的对象推荐方法、装置及存储介质 | |
WO2019214048A1 (zh) | 自动生成投资建议的方法、装置、计算机设备和存储介质 | |
CN109871531A (zh) | 隐含特征提取方法、装置、计算机设备及存储介质 | |
US20190228297A1 (en) | Artificial Intelligence Modelling Engine | |
CN110046981A (zh) | 一种信用评估方法、装置及存储介质 | |
CN113255798A (zh) | 一种分类模型训练方法、装置、设备及介质 | |
CN112463989A (zh) | 一种基于知识图谱的信息获取方法及系统 | |
CN113626610A (zh) | 知识图谱嵌入方法、装置、计算机设备和存储介质 | |
CN116992151A (zh) | 一种基于双塔图卷积神经网络的在线课程推荐方法 | |
CN115169342A (zh) | 文本相似度计算方法、装置、电子设备及存储介质 | |
CN113127604B (zh) | 基于评论文本的细粒度物品推荐方法及系统 | |
CN112860893B (zh) | 短文本分类方法及终端设备 | |
AU2024200940A1 (en) | Method and system for determining collaboration between employees using artificial intelligence (ai) | |
CN116703682B (zh) | 一种基于深度学习的政务数据平台 | |
CN116384381A (zh) | 一种基于知识图谱的自动化合同要素识别方法及装置 | |
CN116028613A (zh) | 常识问答方法、系统、计算机设备和存储介质 | |
CN116910190A (zh) | 多任务感知模型获取方法、装置、设备及可读存储介质 | |
CN115470520A (zh) | 一种在垂直联邦框架下的差分隐私及去噪的数据保护方法 | |
CN114971892A (zh) | 贷款行为识别方法、装置、计算机设备和存储介质 | |
Nishimoto et al. | Dialogue management with deep reinforcement learning: Balancing exploration and exploitation | |
CN116384382B (zh) | 一种基于多轮交互的自动化长篇合同要素识别方法及装置 | |
CN117829265B (zh) | 一种基于中介空间构建的电力跨模态双向知识迁移方法 | |
US12039280B2 (en) | Multi-turn dialogue response generation with persona modeling | |
CN113792163B (zh) | 多媒体推荐方法、装置、电子设备及存储介质 |
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 |