CN117332282B - 一种基于知识图谱的事件匹配的方法及装置 - Google Patents
一种基于知识图谱的事件匹配的方法及装置 Download PDFInfo
- Publication number
- CN117332282B CN117332282B CN202311615057.8A CN202311615057A CN117332282B CN 117332282 B CN117332282 B CN 117332282B CN 202311615057 A CN202311615057 A CN 202311615057A CN 117332282 B CN117332282 B CN 117332282B
- Authority
- CN
- China
- Prior art keywords
- map
- text
- event text
- event
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000000284 extract Substances 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 230000001502 supplementing effect Effects 0.000 claims description 10
- 230000008451 emotion Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000219109 Citrullus Species 0.000 description 1
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 1
- 206010027940 Mood altered Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/027—Frames
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种基于知识图谱的事件匹配的方法及装置,获取事件文本集,并构建每个事件文本的图谱,并添加至图谱库中其中,所述图谱以该事件文本中的实体为节点,以所述实体之间的关系为边构建的,响应于用户的事件文本匹配请求,将所述用户的事件文本作为目标事件文本输入预先训练的图谱生成模型,以使所述图谱生成模型抽取所述目标事件文本中的文本信息,根据所述目标事件文本中的文本信息,输出目标图谱,在所述图谱库中,确定与目标图谱匹配的图谱,并展示。本方法通过图谱生成模型构建目标图谱时,会抽取目标事件文本的文本信息,提高了构建出的图谱的准确性,并且通过图谱匹配提高了事件匹配的结果的准确性。
Description
技术领域
本说明书涉及计算机领域,尤其涉及一种基于知识图谱的事件匹配的方法及装置。
背景技术
随着机器学习技术的发展,利用机器学习技术得到的模型应用于各个领域。例如,利用自然语言处理模型,确定事件之间的相似度,模型需要根据描述事件的文本,确定事件之间的相似度,以根据用户输入的事件文本,推荐与该事件文本相似的事件。但是,由于文本的来源不同,因此,即使是描述同一事件的不同文本也可能存在较大差异。也就是说,由于用户的教育背景、接受教育程度、年龄、爱好、行文风格不同,因此,不同用户的对同一事件的表述可能存在差异。那么,模型根据描述同一事件不同来源的文本,确定出的事件之间的相似度的可能不同,即模型确定出的事件之间的相似度可能并不准确。
基于此,本说明书提供一种基于知识图谱的事件匹配的方法。
发明内容
本说明书提供一种基于知识图谱的事件匹配的方法、装置、存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种基于知识图谱的事件匹配的方法,包括:
获取事件文本集;
针对所述事件文本集中的每个事件文本,构建该事件文本的图谱,并添加至图谱库中,其中,所述图谱以该事件文本中的实体为节点,以所述实体之间的关系为边构建的;
响应于用户的事件文本匹配请求,将所述用户的事件文本作为目标事件文本,将所述目标事件文本输入预先训练的图谱生成模型,以使所述图谱生成模型抽取所述目标事件文本中的文本信息,根据所述目标事件文本中的文本信息,输出所述目标事件文本的目标图谱;
在所述图谱库中,确定与所述目标事件文本的目标图谱匹配的图谱,并展示。
可选地,所述事件文本集包括若干个不同用户描述事件的事件文本。
可选地,构建该事件文本的图谱,具体包括:
获取该事件文本的文本信息,作为图谱知识,其中,所述文本信息包括该事件文本的实体、所述实体之间的关系、所述用户的情感;
根据所述图谱知识,构建该事件文本的图谱。
可选地,根据所述图谱知识,构建该事件文本的图谱之后,所述方法还包括:
根据所述图谱知识,确定所述图谱库中不同图谱的实体之间的补充关系,并将所述补充关系补充至所述图谱库中。
可选地,确定与所述目标事件文本的目标图谱匹配的图谱,具体包括:
针对每个图谱,确定该图谱与所述目标事件文本的目标图谱的相似度;
根据所述相似度,确定与所述目标事件文本的目标图谱匹配的图谱。
可选地,所述方法还包括:
将所述目标事件文本的目标图谱添加至所述图谱库中。
可选地,训练所述图谱生成模型,具体包括:
获取样本事件文本;
根据所述样本事件文本,确定所述样本事件文本的样本文本信息;
根据所述样本文本信息,构建样本图谱,将所述样本图谱作为所述样本事件文本的标签;
将所述样本事件文本输入图谱生成模型,得到所述图谱生成模型输出的所述样本事件文本的图谱,其中,所述图谱生成模型包括大模型;
根据所述样本文本信息、所述样本事件文本的图谱及所述标签,对所述图谱生成模型进行训练。
本说明书提供了一种基于知识图谱的事件匹配的装置,包括:
事件文本集获取模块,用于获取事件文本集;
图谱库构建模块,用于针对所述事件文本集中的每个事件文本,构建该事件文本的图谱,并添加至图谱库中,其中,所述图谱以该事件文本中的实体为节点,以所述实体之间的关系为边构建的;
目标图谱确定模块,用于响应于用户的事件文本匹配请求,将所述用户的事件文本作为目标事件文本,将所述目标事件文本输入预先训练的图谱生成模型,以使所述图谱生成模型抽取所述目标事件文本中的文本信息,根据所述目标事件文本中的文本信息,输出所述目标事件文本的目标图谱;
匹配模块,用于在所述图谱库中,确定与所述目标事件文本的目标图谱匹配的图谱,并展示。
可选地,所述事件文本集包括若干个不同用户描述事件的事件文本。
可选地,所述图谱库构建模块具体用于,获取该事件文本的文本信息,作为图谱知识,其中,所述文本信息包括该事件文本的实体、所述实体之间的关系、所述用户的情感;根据所述图谱知识,构建该事件文本的图谱。
可选地,所述装置还包括:
补充模块,根据所述图谱知识,确定所述图谱库中不同图谱的实体之间的补充关系,并将所述补充关系补充至所述图谱库中。
可选地,所述匹配模块具体用于,针对每个图谱,确定该图谱与所述目标事件文本的目标图谱的相似度;根据所述相似度,确定与所述目标事件文本的目标图谱匹配的图谱。
可选地,所述装置还包括:
更新模块,用于将所述目标事件文本的目标图谱添加至所述图谱库中。
可选地,所述装置还包括:
训练模块,用于获取样本事件文本;根据所述样本事件文本,确定所述样本事件文本的样本文本信息;根据所述样本文本信息,构建样本图谱,将所述样本图谱作为所述样本事件文本的标签;将所述样本事件文本输入图谱生成模型,得到所述图谱生成模型输出的所述样本事件文本的图谱,其中,所述图谱生成模型包括大模型;根据所述样本文本信息、所述样本事件文本的图谱及所述标签,对所述图谱生成模型进行训练。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于知识图谱的事件匹配的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述基于知识图谱的事件匹配的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
从本说明书提供的基于知识图谱的事件匹配的方法可以看出,本方法先构建事件文本集中每个事件文本的图谱,当用户发送事件文本匹配请求时,通过预先训练的图谱生成模型,构建目标事件文本的目标图谱,通过图谱匹配的方式,在已构建的图谱中,确定与目标图谱匹配的图谱,并返回给用户。本方法通过图谱生成模型构建目标图谱时,会抽取目标事件文本的文本信息,提高了构建出的图谱的准确性,并且通过图谱匹配提高了事件匹配的结果的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种基于知识图谱的事件匹配的方法的流程示意图;
图2为本说明书提供的一种基于知识图谱的事件匹配的装置结构的示意图;
图3为本说明书提供的一种对应于图1的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种基于知识图谱的事件匹配的方法的流程示意图,包括以下步骤:
S100:获取事件文本集。
用户在搜索事件时通常会输入与描述事件的文本,即事件文本,为了满足用户的需求,需要将与事件文本相似度较高的事件返回至用户,以推荐用户查看与用户输入的事件文本匹配的事件。而在进行事件匹配时,由于不同用户描述事件可能存在差异,导致事件文本存在差异,那么,根据事件文本确定出的相似度的准确性也会降低。因此,本说明书一种基于知识图谱的事件匹配的方法。
本说明书的执行主体可为用于构建知识图谱的服务器,也可以是可用于训练模型的服务器,还可以是其他具有计算功能的电子设备。为了便于说明,本说明书以服务器为执行主体,对本说明书提供的基于知识图谱的事件匹配的方法进行说明。
由于本说明书是根据知识图谱,进行事件文本匹配的,因此,需要根据事件文本构建事件文本的图谱。那么,构建图谱之前,服务器需要先获取事件文本。为了进一步提高事件匹配的准确性,服务器可构建较多的图谱,那么,服务器可以获取若干个不同来源的文本,即若干个不同用户的事件文本,以构建图谱。也就是说,服务器可获取事件文本集,事件文本集包括若干个不同用户描述事件的事件文本。需要说明的是,事件文本集中的事件文本还可以包括现有语料库中的文本,本说明书对此不做限制。
S102:针对所述事件文本集中的每个事件文本,构建该事件文本的图谱,并添加至图谱库中,其中,所述图谱以该事件文本中的实体为节点,以所述实体之间的关系为边构建的。
在本说明书一个或多个实施例中,为了获得每个事件文本的图谱,需要先获取用于构建图谱的图谱知识,再根据图谱知识,构建图谱。即服务器需要从事件文本中确定出事件文本的实体、实体之间的关系,将实体为图谱的节点,实体之间的关系为图谱的边,构建图谱,其中,实体是指客观存在并且可以相互区分的任何事物,可以是实际对象,也可以是抽象概念。
具体的,服务器获取该事件文本的文本信息,作为图谱知识,其中,该文本信息包括该事件文本的实体、该实体之间的关系、该用户的情感。再根据该图谱知识,构建该事件文本的图谱。服务器可通过卷积神经网络模型等大模型及指令工程,对事件文本进行语义分析,获取图谱知识,本说明书对此不作限制,大模型的参数规模为亿量级。
需要说明的是,实体之间的关系包括因果关系、属性关系、联系关系、类属关系等。属性关系如用户的年龄、身高,类属关系如西瓜属于水果,联系关系包括社会关系及亲属关系,如a是b的儿子,c是d的老师,e担任足球队队长。
构建图谱时,由于事件文本中不仅包含文本的表层语义,还可能存在事件的深层信息。例如,“我今天本来打算一个人散散心,出门时本来觉得天气灰蒙蒙的,后来偶遇了许久不见的同学,天气也突然晴朗了。”本段话中表层语义只是在说“我”出门了,天气不好,偶遇了同学,天气变好了,但实际上,也侧面表达出“我”出门时心情不好,所以天气也不好,但偶遇同学后,“我”的心情变好了,天气晴朗了。也就是说,事件文本除了表层语义之外,还可能包括深层信息,包括用户的情感、意图等。那么,服务器抽取该事件文本的文本信息时,文本信息中还应该包括用户的情感、情感、意图。换而言之,服务器获取更多维度的关于事件文本的文本信息,那么,根据文本信息构建出的图谱更能体现出事件本身,从而提高事件匹配的准确性。
为了后续便于根据图谱进行事件匹配,服务器将已构建的图谱存储于图谱库中。
S104:响应于用户的事件文本匹配请求,将所述用户的事件文本作为目标事件文本,将所述目标事件文本输入预先训练的图谱生成模型,以使所述图谱生成模型抽取所述目标事件文本中的文本信息,根据所述目标事件文本中的文本信息,输出所述目标事件文本的目标图谱。
S106:在所述图谱库中,确定与所述目标事件文本的目标图谱匹配的图谱,并展示。
具体的,针对每个图谱,确定该图谱与该目标事件文本的目标图谱的相似度,根据该相似度,确定与该目标事件文本的目标图谱匹配的图谱,根据确定出的与该目标事件文本的目标图谱匹配的图谱,执行事件推荐业务。例如,用户搜索某一法律事件的裁判文书,服务器除了展示当前法律事件的裁判文书外,还可展示与当前法律事件的裁判文书相似的裁判文书。本说明书不限制如何计算图谱相似度的手段,例如,确定图谱中的词向量的余弦距离,确定图谱之间的相似度。
根据该相似度,确定与该目标事件文本的目标图谱匹配的图谱时,服务器可获取相似度最高的图谱,作为与目标匹配的图谱。服务器还可设置阈值,根据预设阈值及相似度,确定与该目标事件文本的目标图谱匹配的图谱,即将相似度大于预设阈值的图谱,均作为与目标匹配的图谱展示给用户,本说明书对此不做限制。
需要说明的是,图谱只是一种展示方式,服务器还可将图谱的图谱知识展示给用户,也可将与该目标事件文本的目标图谱匹配的图谱转换为其他形式,如文本、图像等,再将转换后的文本、图像等展示给用户,本说明书对此不作限制。
基于图1所示的基于知识图谱的事件匹配的方法,本方法先构建事件文本集中每个事件文本的图谱,当用户发送事件文本匹配请求时,通过预先训练的图谱生成模型,构建目标事件文本的目标图谱,通过图谱匹配的方式,在已构建的图谱中,确定与目标图谱匹配的图谱,并返回给用户。本方法通过图谱生成模型构建目标图谱时,会抽取目标事件文本的文本信息,提高了构建出的图谱的准确性,并且通过图谱匹配提高了事件匹配的结果的准确性。
针对步骤S102,在获得图谱知识之后,还可对图谱知识进行质量评估,以优化该事件文件的图谱,本说明书不限制如何对图谱知识进行质量评估。此外,由于图谱库中的图谱是针对该图谱对应的事件文本构建的,并未确定该事件文本是否与其他事件文本存在联系,也无法在图谱中体现,例如,事件1中的实体f为事件2中的实体g,那么,为了进一步完善图谱库中的图谱,提高事件匹配的准确性,服务器还可以对图谱库中的图谱进行优化。
具体的,服务器可根据该图谱知识,确定该图谱库中不同图谱的实体之间的补充关系,并将该补充关系补充至该图谱库中。该补充关系包括在不同图谱中的实体之间的因果关系、属性关系、联系关系、类属关系等。也就是说,图谱库中不仅包括该事件文本的实体之间的关系,还包括该事件文本中的实体与其他事件文本的实体的关系。服务器还可判断相同实体之间的实体关系是否一致,若不一致,则修改该实体关系。例如,图谱1中实体a为实体b的儿子,但图谱2中实体a为实体b的父亲,显然,该实体关系并不一致,服务器可对该实体关系进行修改。服务器可根据图谱知识重新确定该实体关系,以修改该实体关系。
此外,在不同事件文本中同一名称的实体表示的意思可能并不相同,因此服务器还可对图谱库中的实体进行实体对齐。本说明书不限制如何对图谱中的实体进行实体对齐的手段,通过字符串匹配、词向量、深度学习的方式均可实现实体对齐,本说明书对此不再赘述。
执行步骤S102时,服务器还可针对该事件文本集中的每个事件文本,将该事件文本输入预先训练的图谱生成模型,获得图谱生成模型输出的该事件文本的图谱。
执行步骤S104之后,服务器还可将该目标事件文本的目标图谱添加至该图谱库中,以更新该图谱库。即当指定时刻到来时,将目标图谱添加至图谱库中。进一步的,服务器还可根据更新后的图谱库,重新确定图谱库中各实体的关系,以优化更新后的图谱库。
本说明书还提供一种图谱生成模型的训练方法。
具体的,服务器先获取样本事件文本,根据该样本事件文本,确定该样本事件文本的样本文本信息。其中,服务器可通过现有的闭源大模型,确定该样本事件文本的样本文本信息。
再根据该样本文本信息,构建样本图谱,将该样本图谱作为该样本事件文本的标签。
之后,将该样本事件文本输入图谱生成模型,得到该图谱生成模型输出的该样本事件文本的图谱,其中,该图谱生成模型包括大模型。
最后,根据该样本文本信息、该样本事件文本的图谱及该标签,对该图谱生成模型进行训练。
将该样本事件文本输入图谱生成模型,得到该图谱生成模型输出的该样本事件文本的图谱时,还可获取该图谱生成模型抽取的该样本事件文本的文本信息。那么,在根据该样本文本信息、该样本事件文本的图谱及该标签,对该图谱生成模型进行训练时,确定该图谱生成模型抽取的文本信息与样本文本信息的差异,作为第一差异,及该图谱生成模型输出的该样本事件文本的图谱与标签的差异,作为第二差异,根据第一差异及第二差异,对该图谱生成模型进行训练。其中,服务器可对第一差异及第二差异进行加权平均,得到第三差异,以最小化第三差异为训练目标,对该图谱生成模型进行训练。
以上为本说明书的一个或多个实施的方法,基于图1所示的基于知识图谱的事件匹配的方法的流程示意图,本说明书还提供了相应的基于知识图谱的事件匹配的装置,如图2所示。
图2为本说明书提供的一种的基于知识图谱的事件匹配的装置的示意图,包括:
事件文本集获取模块200,用于获取事件文本集;
图谱库构建模块202,用于针对所述事件文本集中的每个事件文本,构建该事件文本的图谱,并添加至图谱库中,其中,所述图谱以该事件文本中的实体为节点,以所述实体之间的关系为边构建的;
目标图谱确定模块204,用于响应于用户的事件文本匹配请求,将所述用户的事件文本作为目标事件文本,将所述目标事件文本输入预先训练的图谱生成模型,以使所述图谱生成模型抽取所述目标事件文本中的文本信息,根据所述目标事件文本中的文本信息,输出所述目标事件文本的目标图谱;
匹配模块206,用于在所述图谱库中,确定与所述目标事件文本的目标图谱匹配的图谱,并展示。
可选地,所述事件文本集包括若干个不同用户描述事件的事件文本。
可选地,所述图谱库构建模块202具体用于,获取该事件文本的文本信息,作为图谱知识,其中,所述文本信息包括该事件文本的实体、所述实体之间的关系、所述用户的情感;根据所述图谱知识,构建该事件文本的图谱。
可选地,所述装置还包括:
补充模块208,根据所述图谱知识,确定所述图谱库中不同图谱的实体之间的补充关系,并将所述补充关系补充至所述图谱库中。
可选地,所述匹配模块206具体用于,针对每个图谱,确定该图谱与所述目标事件文本的目标图谱的相似度;根据所述相似度,确定与所述目标事件文本的目标图谱匹配的图谱。
可选地,所述装置还包括:
更新模块210,用于将所述目标事件文本的目标图谱添加至所述图谱库中。
可选地,所述装置还包括:
训练模块212,用于获取样本事件文本;根据所述样本事件文本,确定所述样本事件文本的样本文本信息;根据所述样本文本信息,构建样本图谱,将所述样本图谱作为所述样本事件文本的标签;将所述样本事件文本输入图谱生成模型,得到所述图谱生成模型输出的所述样本事件文本的图谱,其中,所述图谱生成模型包括大模型;根据所述样本文本信息、所述样本事件文本的图谱及所述标签,对所述图谱生成模型进行训练。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种基于知识图谱的事件匹配的方法。
本说明书还提供了图3所示的一种对应于图1的电子设备的结构示意图。如图3所示,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的基于知识图谱的事件匹配的方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (7)
1.一种基于知识图谱的事件匹配的方法,其特征在于,所述方法包括:
获取事件文本集;
针对所述事件文本集中的每个事件文本,构建该事件文本的图谱,并添加至图谱库中,其中,所述图谱以该事件文本中的实体为节点,以所述实体之间的关系为边构建的;
响应于用户的事件文本匹配请求,将所述用户的事件文本作为目标事件文本,将所述目标事件文本输入预先训练的图谱生成模型,以使所述图谱生成模型抽取所述目标事件文本中的文本信息,根据所述目标事件文本中的文本信息,输出所述目标事件文本的目标图谱;
在所述图谱库中,确定与所述目标事件文本的目标图谱匹配的图谱,并展示;
其中,所述事件文本集包括若干个不同用户描述事件的事件文本;
构建该事件文本的图谱,具体包括:
通过卷积神经网络模型,对该事件文本进行语义分析,获取该事件文本的文本信息,作为图谱知识,所述文本信息包括该事件文本的实体、所述实体之间的关系、所述用户的情感;
根据所述图谱知识,构建该事件文本的图谱;
训练所述图谱生成模型,具体包括:
获取样本事件文本;
根据所述样本事件文本,确定所述样本事件文本的样本文本信息;
根据所述样本文本信息,构建样本图谱,将所述样本图谱作为所述样本事件文本的标签;
将所述样本事件文本输入图谱生成模型,得到所述图谱生成模型输出的所述样本事件文本的图谱,其中,所述图谱生成模型包括大模型;
根据所述样本文本信息、所述样本事件文本的图谱及所述标签,对所述图谱生成模型进行训练。
2.如权利要求1所述的方法,其特征在于,根据所述图谱知识,构建该事件文本的图谱之后,所述方法还包括:
根据所述图谱知识,确定所述图谱库中不同图谱的实体之间的补充关系,并将所述补充关系补充至所述图谱库中。
3.如权利要求1所述的方法,其特征在于,确定与所述目标事件文本的目标图谱匹配的图谱,具体包括:
针对每个图谱,确定该图谱与所述目标事件文本的目标图谱的相似度;
根据所述相似度,确定与所述目标事件文本的目标图谱匹配的图谱。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
将所述目标事件文本的目标图谱添加至所述图谱库中。
5.一种基于知识图谱的事件匹配的装置,其特征在于,所述装置包括:
事件文本集获取模块,用于获取事件文本集;
图谱库构建模块,用于针对所述事件文本集中的每个事件文本,构建该事件文本的图谱,并添加至图谱库中,其中,所述图谱以该事件文本中的实体为节点,以所述实体之间的关系为边构建的;
目标图谱确定模块,用于响应于用户的事件文本匹配请求,将所述用户的事件文本作为目标事件文本,将所述目标事件文本输入预先训练的图谱生成模型,以使所述图谱生成模型抽取所述目标事件文本中的文本信息,根据所述目标事件文本中的文本信息,输出所述目标事件文本的目标图谱;
匹配模块,用于在所述图谱库中,确定与所述目标事件文本的目标图谱匹配的图谱,并展示;
其中,所述事件文本集包括若干个不同用户描述事件的事件文本;
所述图谱库构建模块,具体用于通过卷积神经网络模型,对该事件文本进行语义分析,获取该事件文本的文本信息,作为图谱知识,所述文本信息包括该事件文本的实体、所述实体之间的关系、所述用户的情感;根据所述图谱知识,构建该事件文本的图谱;
所述装置还包括:训练模块,用于获取样本事件文本;根据所述样本事件文本,确定所述样本事件文本的样本文本信息;根据所述样本文本信息,构建样本图谱,将所述样本图谱作为所述样本事件文本的标签;将所述样本事件文本输入图谱生成模型,得到所述图谱生成模型输出的所述样本事件文本的图谱,其中,所述图谱生成模型包括大模型;根据所述样本文本信息、所述样本事件文本的图谱及所述标签,对所述图谱生成模型进行训练。
6.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~4任一项所述的方法。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311615057.8A CN117332282B (zh) | 2023-11-29 | 2023-11-29 | 一种基于知识图谱的事件匹配的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311615057.8A CN117332282B (zh) | 2023-11-29 | 2023-11-29 | 一种基于知识图谱的事件匹配的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117332282A CN117332282A (zh) | 2024-01-02 |
CN117332282B true CN117332282B (zh) | 2024-03-08 |
Family
ID=89293785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311615057.8A Active CN117332282B (zh) | 2023-11-29 | 2023-11-29 | 一种基于知识图谱的事件匹配的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332282B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021031480A1 (zh) * | 2019-08-21 | 2021-02-25 | 广州视源电子科技股份有限公司 | 文本生成方法和装置 |
CN112434167A (zh) * | 2021-01-26 | 2021-03-02 | 支付宝(杭州)信息技术有限公司 | 一种信息识别方法及装置 |
CN112905800A (zh) * | 2021-01-25 | 2021-06-04 | 北京工业大学 | 基于公众人物舆情知识图谱和XGBoost多特征融合情感预警方法 |
WO2021179693A1 (zh) * | 2020-10-19 | 2021-09-16 | 平安科技(深圳)有限公司 | 医疗文本翻译方法、装置及存储介质 |
WO2022022045A1 (zh) * | 2020-07-27 | 2022-02-03 | 平安科技(深圳)有限公司 | 基于知识图谱的文本比对方法、装置、设备及存储介质 |
WO2022121485A1 (zh) * | 2020-12-09 | 2022-06-16 | Oppo广东移动通信有限公司 | 图像的多标签分类方法、装置、计算机设备及存储介质 |
CN115687647A (zh) * | 2022-11-01 | 2023-02-03 | 法信公证云(厦门)科技有限公司 | 公证文书生成方法、装置、电子设备及存储介质 |
CN115952298A (zh) * | 2022-12-19 | 2023-04-11 | 北京国网信通埃森哲信息技术有限公司 | 供应商履约风险分析方法及相关设备 |
WO2023134057A1 (zh) * | 2022-01-11 | 2023-07-20 | 平安科技(深圳)有限公司 | 事务信息查询方法、装置、计算机设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9483831B2 (en) * | 2014-02-28 | 2016-11-01 | International Business Machines Corporation | Segmentation using hybrid discriminative generative label fusion of multiple atlases |
US10474949B2 (en) * | 2014-08-19 | 2019-11-12 | Qualcomm Incorporated | Knowledge-graph biased classification for data |
-
2023
- 2023-11-29 CN CN202311615057.8A patent/CN117332282B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021031480A1 (zh) * | 2019-08-21 | 2021-02-25 | 广州视源电子科技股份有限公司 | 文本生成方法和装置 |
WO2022022045A1 (zh) * | 2020-07-27 | 2022-02-03 | 平安科技(深圳)有限公司 | 基于知识图谱的文本比对方法、装置、设备及存储介质 |
WO2021179693A1 (zh) * | 2020-10-19 | 2021-09-16 | 平安科技(深圳)有限公司 | 医疗文本翻译方法、装置及存储介质 |
WO2022121485A1 (zh) * | 2020-12-09 | 2022-06-16 | Oppo广东移动通信有限公司 | 图像的多标签分类方法、装置、计算机设备及存储介质 |
CN112905800A (zh) * | 2021-01-25 | 2021-06-04 | 北京工业大学 | 基于公众人物舆情知识图谱和XGBoost多特征融合情感预警方法 |
CN112434167A (zh) * | 2021-01-26 | 2021-03-02 | 支付宝(杭州)信息技术有限公司 | 一种信息识别方法及装置 |
WO2023134057A1 (zh) * | 2022-01-11 | 2023-07-20 | 平安科技(深圳)有限公司 | 事务信息查询方法、装置、计算机设备及存储介质 |
CN115687647A (zh) * | 2022-11-01 | 2023-02-03 | 法信公证云(厦门)科技有限公司 | 公证文书生成方法、装置、电子设备及存储介质 |
CN115952298A (zh) * | 2022-12-19 | 2023-04-11 | 北京国网信通埃森哲信息技术有限公司 | 供应商履约风险分析方法及相关设备 |
Non-Patent Citations (4)
Title |
---|
Longlong He 等.A Heuristic Grafting Strategy for Manufacturing Knowledge Graph Extending and Completion Based on Nature Language Processing: KnowTree.《IEEE Access》.2021,第90847-90862页. * |
基于数据驱动和知识图谱的电影分类推荐方法;李程 等;《云南师范大学学报(自然科学版)》;第43卷(第5期);参见第41-43页 * |
基于知识图谱的电网故障诊断方法;李笑宇;《CNKI学位》;第2023年卷(第03期);参见第18-36页 * |
李笑宇.基于知识图谱的电网故障诊断方法.《CNKI学位》.2023,第2023年卷(第03期),参见第18-36页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117332282A (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116227474B (zh) | 一种对抗文本的生成方法、装置、存储介质及电子设备 | |
CN113221555B (zh) | 一种基于多任务模型的关键词识别方法、装置及设备 | |
CN111144126A (zh) | 一种语义分析模型的训练方法、语义分析方法及装置 | |
CN117033667B (zh) | 一种知识图谱构建方法、装置、存储介质及电子设备 | |
CN113344098A (zh) | 一种模型训练方法及装置 | |
CN115952272A (zh) | 一种生成对话信息的方法、装置、设备及可读存储介质 | |
CN112199951A (zh) | 一种事件信息生成的方法及装置 | |
CN114972774A (zh) | 特定区域的图像描述生成方法、装置、设备及存储介质 | |
CN111125550A (zh) | 兴趣点分类方法、装置、设备及存储介质 | |
CN117194992A (zh) | 一种模型训练、任务执行方法、装置、存储介质及设备 | |
CN117332282B (zh) | 一种基于知识图谱的事件匹配的方法及装置 | |
CN111209277A (zh) | 一种数据处理方法、装置、设备及介质 | |
CN112131884B (zh) | 用于实体分类的方法和装置、用于实体呈现的方法和装置 | |
Hirsbrunner | Negotiating the data deluge on YouTube: practices of knowledge appropriation and articulated ambiguity around visual scenarios of sea-level rise futures | |
CN116501852B (zh) | 一种可控对话模型训练方法、装置、存储介质及电子设备 | |
CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
CN117494068B (zh) | 一种结合深度学习与因果推断的网络舆情分析方法及装置 | |
CN116451808B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN116384515B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN118093988A (zh) | 一种安全检测的方法及装置 | |
Abela et al. | Development of an augmentative and alternative communication app for the Maltese language | |
CN117171346A (zh) | 一种实体链接方法、装置、存储介质及电子设备 | |
CN116127988A (zh) | 一种文本翻译的方法、装置、存储介质及电子设备 | |
CN117787418A (zh) | 一种风险识别方法、装置、存储介质及电子设备 | |
CN111881945A (zh) | 一种树模型的特征贡献度确定方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |