WO2023065211A1

WO2023065211A1 - 一种信息获取方法以及装置

Info

Publication number: WO2023065211A1
Application number: PCT/CN2021/125260
Authority: WO
Inventors: 张小莲
Original assignee: 华为技术有限公司
Priority date: 2021-10-21
Filing date: 2021-10-21
Publication date: 2023-04-27
Also published as: CN118103834A

Abstract

本申请提供了人工智能领域的一种信息获取方法以及装置，用于通过个人知识图谱来保存用户的相关信息，可以实现更高效的数据检索。该方法可以包括：首先获取目标用户的输入文本，该输入文本中包括的至少一个词形成至少一个事件；随后基于输入文本获取输出序列，输出序列中包括至少一个事件的类型和要素；根据输出序列获取个人知识图谱，个人知识图谱中包括多个节点，具体可以包括类型节点和要素节点，类型节点用于表示至少一个事件的类型，要素节点用于表示至少一个事件的要素，同一个事件中的类型节点和要素节点相关联，个人知识图谱用于为目标用户进行推荐。

Description

一种信息获取方法以及装置

技术领域

本申请涉及人工智能领域，尤其涉及一种信息获取方法以及装置。

背景技术

随着大数据等技术的迅速发展和广泛应用，企业的关注点日益聚焦于如何利用大数据进行精准营销等服务，“用户画像”的概念应运而生：借助大数据，从用户行为中挖掘出有价值的信息，应用于用户的各个阶段，提升用户体验。然而，用户画像通常以用户使用过的物品相关的信息为单位建立标签，可能导致后续为用户推荐的信息不准确。因此，如何得到更准确用户表征用户的信息，成为亟待解决的问题。

发明内容

本申请实施例提供了一种信息获取方法以及装置，用于结合神经网络以及句法分析，从用户输入的文本中提取到更准确的信息，并通过个人知识图谱来保存用户的相关信息，可以实现更高效的数据检索。

有鉴于此，第一方面，本申请提供一种信息获取方法，包括：获取目标用户的输入文本，输入文本中包括至少一个词，至少一个词形成至少一个事件；基于输入文本获取输出序列，输出序列中包括至少一个事件的类型和要素；根据输出序列获取个人知识图谱，个人知识图谱中包括多个节点，多个节点包括类型节点和要素节点，类型节点用于表示至少一个事件的类型，要素节点用于表示至少一个事件的要素，同一个事件中的类型对应的类型节点和要素对应的要素节点相关联，即同一个事件中的类型节点和要素节点相关联，个人知识图谱用于为目标用户进行推荐。

在本申请实施方式中，以事件为单位对目标用户产生的事件的类型和要素进行准确地抽取，并构建了知识图谱，从而可以更方便准确地保存目标用户的各个事件，对目标用户的相关知识进行更准确地记录。因此在后续针对目标用户进行推荐时，可以以事件为单位准确查询到准确的信息，且通过节点之间的关联关系，准确查询到完整的事件，提高数据查询的准确性，提高推荐有效性。并且，本申请实施方式中，针对用户构建了个人知识图谱，该个人知识图谱可以基于从输入文本中提取到的实体来构建或者更新得到，相对于用户画像，本申请实施方式中构建得到的个人知识图谱的粒度更小，可以对用户的信息进行更精确的记录，提高对用户的描述的精确程度。且通过节点的方式可以更高效地进行检索，从而可以更高效地为用户进行推荐。

在一种可能的实施方式中，若输出序列中还包括至少一个事件的要素之间的关联关系，则个人知识图谱中同一事件具有关联关系的要素对应的要素节点之间相关联，例如，可以输入文本中提取到事件的类型、要素和关联关系，该关联关系包括类型和/或要素之间的关联关系，在构建了类型节点和要素节点之后，还可以根据该关联关系来连接类型节点和要素节点，从而可以通过关联关系在个人知识图谱中标识出完整的事件，对事件进行更完整的记录；或者，若输出序列中还包括至少一个事件的情感类别，则个人知识图谱中同一事件对应的要素节点之间通过情感类别相关联，例如，可以从输入文本中提取到事件的情感类别，并根据情感类别来连接同一事件中的节点，完成对情感类事件的完整记录。

因此，本申请实施方式中，可以根据不同类型的事件进行完整记录，如关注类事件即可根据要素之间的关联关系来连接要素节点，情感类事件可以根据情感类别来连接要素节点，具有较强的泛化能力，对更多类型的事件通过相应的连接方式进行记录，可以适应更多应用场景。

在一种可能的实施方式中，输出序列中可以包括第一事件的类型要要素，第一事件即前述的至少一个事件中的任意一个事件，前述的根据所述输出序列获取个人知识图谱，可以包括：若初始知识图谱中包括第一事件的信息，则更新初始知识图谱中包括的第一事件对应的要素节点或要素节点之间的关联关系，得到个人知识图谱；若初始知识图谱中不包括第一事件的信息，则在初始知识图谱中增加第一事件的类型节点和要素节点，并将第一事件的类型节点和要素节点进行关联，得到个人知识图谱。

因此，本申请实施方式中，可以对个人知识图谱中的事件进行更新或者新增，从而丰富个人知识图谱中所包括的信息。

在一种可能的实施方式中，通过文本处理模型得到所述输入文本对应的初始序列，初始序列中包括所述输入文本中的至少一个词的向量表示以及至少一个词对应的第一类别标签；对输入文本进行句法分析，得到特征序列，特征序列包括至少一个词对应的第二类别标签；结合初始序列和特征序列得到输出序列，输出序列中包括所述至少一个事件的要素和类型。

因此，本申请实施方式中，结合了神经网络和句法分析来从输入文本中提取到更准确的信息，然后使用从输入文本中提取到的更准确的信息来生成或者更新得到目标用户的个人知识图谱，从而使个人知识图谱可以更准确地体现用户的特征，从而可以使后续可以使用该个人知识图谱为目标用户进行更准确的推荐。

在一种可能的实施方式中，前述的结合初始序列和特征序列得到输出序列，获取个人知识图谱，可以包括：根据特征序列对初始序列进行修正，得到输出序列；根据输出序列，获取个人知识图谱。

因此，本申请实施方式中，可以使用特征序列对通过神经网络提取到的初始序列进行修正，从而可以结合多种方式从输入文本中抽取到的信息，来得到更准确的信息，并使用更准确的信息获取个人知识图谱，从而得到能更准确描述目标用户的个人知识图谱。

在一种可能的实施方式中，前述的方法还可以包括：获取第一知识图谱，第一知识图谱中包括多个节点，该多个节点包括至少一种实体的信息，该第一个人知识图谱中的节点可以表示一种实体，或者，可以表示事件的要素或者类型；从第一知识图谱中获取与个人知识图谱中的节点相关联的关联信息；使用关联信息对个人知识图谱进行扩充，得到扩充后的个人知识图谱。

因此，本申请实施方式中，可以使用第一知识图谱来扩充个人知识图谱，第一知识图谱中的数据不依赖于用户的输入数据，使个人知识图谱所包括的信息更多，以便于后续可以在个人知识图谱中查询到更多信息。

在一种可能的实施方式中，前述的通过文本处理模型输出输入文本对应的输出序列，可以包括：将输入文本作为文本处理模型的输入，输出初始序列，其中，文本处理模型用于执行以下步骤：对输入文本进行自然语言处理，得到特征向量序列和实体序列，实体序列包括至少一个词中每个词对应的向量表示，特征向量序列中包括输入文本对应的特征向量；获取实体序列中的向量对应的位置信息；融合位置信息和特征向量序列，得到融合序列；对融合序列对应的实体进行分类，得到标签序列，初始序列中包括每个词对应的向量表示以及标签序列。

因此，本申请实施方式中，可以由神经网络来将文本转换为向量表示，提取出输入文本中各个词的上下文信息以及词之间的关联关系，从而可以从输入文本中提取到准确的信息。

在一种可能的实施方式中，前述的方法还可以包括：从个人知识图谱中获取与输出序列匹配的至少一个节点的信息；根据至少一个节点的信息为目标用户生成推荐信息，推荐信息用于针对目标用户进行推荐。

本申请实施方式可以应用于推荐场景中，从而结合更细粒度的个人知识图谱，可以高效地检索到与用户输入文本相关的更精确的信息，从而可以针对用户实现更高效准确的推荐，提高用户体验。

在一种可能的实施方式中，前述的从个人知识图谱中获取与输出序列匹配的至少一个节点的信息，可以包括：从个人知识图谱中筛选出输出序列对应的至少一个第一节点的信息；从个人知识图谱中查找与至少一个第一节点关联的至少一个第二节点的信息，至少一个节点的信息包括至少一个第一节点的信息和至少一个第二节点的信息。本申请实施方式提供了从个人知识图谱中查询数据的具体方式。

在一种可能的实施方式中，第一节点的信息和第二节点的信息为不同域的信息。因此，本申请实施方式可以实现针对用户的跨域推荐，提高用户体验。

在一种可能的实施方式中，个人知识图谱中每个节点包括对应的权重，每个节点的权重与保存时长或者更新时长呈负相关关系，每个节点是个人知识图谱中的任意一个节点，保存时长为保存每个节点的信息的时长，更新时长为距离上一次更新每个节点中包括的信息的时长。因此，本申请实施方式中，可以通过衰减权重的方式对用户的信息进行记录，从而实现对用户知识的记忆。

在一种可能的实施方式中，前述的根据至少一个节点的信息为目标用户生成推荐信息，包括：根据至少一个节点对应的权重，对至少一个节点进行排序；根据至少一个节点的信息以及至少一个节点的排序生成推荐信息。

因此，本申请实施方式中，可以基于权重来对推荐顺序进行排列，从而为用户推荐更有效的信息，提高用户体验。

在一种可能的实施方式中，前述的获取目标用户的输入文本，可以包括：获取用户输入数据，输入数据包括图像、文本或者语音中的至少一种数据；从输入数据中提取输入文本。

因此，本申请实施方式中，可以适应多种输入场景，泛化能力强，提高用户体验。

在一种可能的实施方式中，前述的方法还可以包括：获取目标用户的结构化数据，结构化数据为预设格式的数据；按照预设规则从结构化数据中提取至少一个事件的信息；根据至少一个事件的信息对个人知识图谱进行更新，得到更新后的个人知识图谱。

因此，本申请实施方式中，除了通过神经网络和句法分析的方式从输入文本中提取到信息，还可以从目标用户的结构化数据中提取到信息并更新个人知识图谱，从而可以通过更多的方式更新个人知识图谱，使个人知识图谱中可以包括更多信息。

第二方面，本申请还提供一种图形用户界面GUI，其特征在于，图形用户界面存储在电子设备中，电子设备包括显示屏、存储器、一个或多个处理器，一个或多个处理器用于执行存储在该存储器中的一个或多个计算机程序，图形用户界面包括：

响应于目标用户的输入操作生成个人知识图谱，显示该个人知识图谱，其中，该目标用户的输入文本中包括至少一个词，该至少一个词形成至少一个事件，该个人知识图谱中包括多个节点，该多个节点包括类型节点和要素节点，该类型节点用于表示该至少一个事件的类型，该要素节点用于表示该至少一个事件的要素，同一个事件中的类型节点和要素节点相关联，该个人知识图谱用于为该目标用户进行推荐。

在一种可能的实施方式中，该GUI还可以包括：显示权限请求，该权限请求用于指示是否使用该目标用户的输入文本获取该个人知识图谱。例如，可以通过用户的智能终端中安装的应用程序(application，APP)采集用户的输入信息，则可以在显示界面中显示是否允许采集各个APP中的输入数据，作为个人知识图谱的知识来源，从而提高用户的数据隐私安全性。

在一种可能的实施方式中，该GUI还可以包括：响应于从第一知识图谱中获取与该个人知识图谱中的节点相关联的关联信息，并使用该关联信息对该个人知识图谱进行扩充后得到扩充后的个人知识图谱，显示该扩充后的个人知识图谱，该第一知识图谱中包括多个节点，该多个节点包括至少一种实体的信息，该第一个人知识图谱中的节点可以表示一种实体，或者，可以表示事件的要素或者类型。

在一种可能的实施方式中，该GUI还可以包括：显示第一知识图谱。

在一种可能的实施方式中，该GUI还可以包括：响应于根据该个人知识图谱中获取到的至少一个节点的信息为该目标用户生成推荐信息，显示该推荐信息，该推荐信息用于针对该目标用户进行推荐。

在一种可能的实施方式中，该个人知识图谱中每个节点包括对应的权重，该至少一个节点按照对应的权重进行排序，该GUI还可以包括：响应于根据该至少一个节点的信息以及该至少一个节点的排序生成该推荐信息，显示该推荐信息。

在一种可能的实施方式中，该GUI还可以包括：响应于该目标用户针对第一输入界面的输入操作，显示输入文本，该输入文本为从该目标用户的输入数据中提取得到，该输入数据包括图像、文本或者语音中的至少一种数据。

在一种可能的实施方式中，该GUI还可以包括：响应于用户针对第二输入界面的输入操作，并根据获取到的结构化数据更新该个人知识图谱，显示更新后的该个人知识图谱，该结构化数据为预设格式的数据。

第三方面，本申请提供一种信息获取装置，包括：

输入模块，用于获取目标用户的输入文本，输入文本中包括至少一个词，至少一个词形成至少一个事件；

文本处理模块，用于基于输入文本获取输出序列，输出序列中包括至少一个事件的类型和要素；

获取模块，用于根据输出序列获取个人知识图谱，个人知识图谱中包括多个节点，多个节点包括类型节点和要素节点，类型节点用于表示至少一个事件的类型，要素节点用于表示至少一个事件的要素，同一个事件中的类型节点和要素节点相关联，个人知识图谱用于为目标用户进行推荐。

在一种可能的实施方式中，若输出序列中还包括至少一个事件的要素之间的关联关系，则个人知识图谱中同一事件具有关联关系的要素对应的要素节点之间相关联；若输出序列中还包括情感类别，则个人知识图谱中同一事件对应的要素节点之间通过情感类别相关联。

在一种可能的实施方式中，输出序列中可以包括第一事件的类型要要素，第一事件即前述的至少一个事件中的任意一个事件，获取模块，具体用于：若初始知识图谱中包括第一事件的信息，则更新初始知识图谱中包括的第一事件对应的要素节点以及要素节点之间的关联关系，得到个人知识图谱；若初始知识图谱中不包括第一事件的信息，则在初始知识图谱中增加第一事件的类型节点和要素节点,并将第一事件的类型节点和要素节点进行关联，得到个人知识图谱。

在一种可能的实施方式中，文本处理模块，具体用于：通过文本处理模型得到输入文本对应的初始序列，初始序列中包括输入文本中的至少一个词的向量表示以及至少一个词对应的第一类别标签；对输入文本进行句法分析，得到特征序列，特征序列包括至少一个词对应的第二类别标签；结合初始序列和特征序列得到输出序列，输出序列中包括至少一个事件的要素和类型。

在一种可能的实施方式中，文本处理模块，具体用于：对初始序列中与特征序列不匹配的部分进行修正，得到输出序列。

在一种可能的实施方式中，文本处理模块，还用于：若特征序列中每个词对应多种第二类别标签，则为每个词确定唯一的第二类别标签，得到更新后的特征序列。

在一种可能的实施方式中，文本处理模块，具体用于：根据输入文本，通过文本处理模型，得到初始序列，其中，文本处理模型用于执行以下步骤：对输入文本进行自然语言处理，得到特征向量序列和实体序列，实体序列包括至少一个词中每个词对应的向量表示，特征向量序列中包括输入文本对应的特征向量；获取实体序列中的向量对应的位置信息；融合位置信息和特征向量序列，得到融合序列；对融合序列对应的实体进行分类，得到标签序列，初始序列中包括每个词对应的向量表示以及标签序列。

在一种可能的实施方式中，该装置还包括，扩充模块，用于：获取第一知识图谱，第一知识图谱中包括多个节点，该多个节点包括至少一种实体的信息，该第一个人知识图谱中的节点可以表示一种实体，或者，可以表示事件的要素或者类型；从第一知识图谱中获取与个人知识图谱中的节点相关联的关联信息；使用关联信息对个人知识图谱进行扩充，得到扩充后的个人知识图谱。

在一种可能的实施方式中，装置还包括，推荐模块，用于：从个人知识图谱中获取与输出序列匹配的至少一个节点的信息；根据至少一个节点的信息为目标用户生成推荐信息，推荐信息用于针对目标用户进行推荐。

在一种可能的实施方式中，推荐模块，具体用于：从个人知识图谱中筛选出输出序列对应的至少一个第一节点的信息；从个人知识图谱中查找与至少一个第一节点关联的至少一个第二节点的信息，至少一个节点的信息包括至少一个第一节点的信息和至少一个第二节点的信息。

在一种可能的实施方式中，第一节点的信息和第二节点的信息为不同域的信息。

在一种可能的实施方式中，个人知识图谱中每个节点包括对应的权重，每个节点的权重与保存时长或者更新时长呈负相关关系，保存时长为保存每个节点的信息的时长，更新时长为距离上一次更新每个节点中包括的信息的时长。

在一种可能的实施方式中，推荐模块，具体用于：根据至少一个节点对应的权重，对至少一个节点进行排序；根据至少一个节点的信息以及至少一个节点的排序生成推荐信息。

在一种可能的实施方式中，输入模块，具体用于：获取用户输入数据，输入数据包括图像、文本或者语音中的至少一种数据；从输入数据中提取输入文本。

在一种可能的实施方式中，

输入模块，还用于获取目标用户的结构化数据，结构化数据为预设格式的数据；

获取模块，还用于按照预设规则从结构化数据中提取至少一个事件的信息；

获取模块，还用于根据至少一个事件的信息对个人知识图谱进行更新，得到更新后的个人知识图谱。

第四方面，本申请实施例提供一种信息获取装置，包括：处理器和存储器，其中，处理器和存储器通过线路互联，处理器调用存储器中的程序代码用于执行上述第一方面任一项所示的信息获取方法中与处理相关的功能。

第五方面，本申请实施例提供一种电子设备，包括：处理器和存储器，其中，处理器和存储器通过线路互联，处理器调用存储器中的程序代码用于执行上述第一方面任一项所示的信息获取方法中与处理相关的功能。

第六方面，本申请实施例提供了一种信息获取装置，该信息获取装置也可以称为数字处理芯片或者芯片，芯片包括处理单元和通信接口，处理单元通过通信接口获取程序指令，程序指令被处理单元执行，处理单元用于执行如上述第一方面或第一方面任一可选实施方式中与处理相关的功能。

第七方面，本申请实施例提供了一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述第一方面以及第一方面任一可选实施方式中的方法。

第八方面，本申请实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面以及第一方面任一可选实施方式中的方法。

附图说明

图1为本申请应用的一种人工智能主体框架示意图；

图2为本申请提供的一种系统架构示意图；

图3为本申请实施例提供的一种卷积神经网络结构示意图；

图4为本申请提供的一种信息获取方法的流程示意图；

图5为本申请提供的另一种信息获取方法的流程示意图；

图6为本申请提供的另一种信息获取方法的流程示意图；

图7为本申请提供的一种神经网络执行的流程示意图；

图8为本申请提供的另一种信息获取方法的流程示意图；

图9为本申请提供的一种事件记录的示意图；

图10为本申请提供的一种更新PKG的流程示意图；

图11为本申请提供的一种为节点设置权重的流程示意图；

图12为本申请提供的一种PKG扩充的流程示意图；

图13为本申请提供的信息获取方法的一种应用场景示意图；

图14为本申请提供的信息获取方法的一种推荐规则的流程示意图；

图15为本申请提供的信息获取方法的另一种应用场景示意图；

图16为本申请提供的信息获取方法的另一种应用场景示意图；

图17为本申请提供的信息获取方法的另一种应用场景示意图；

图18为本申请提供的信息获取方法的另一种应用场景示意图；

图19为本申请提供的信息获取方法的另一种应用场景示意图；

图20为本申请提供的信息获取方法的另一种应用场景示意图；

图21为本申请提供的信息获取方法的另一种应用场景示意图；

图22为本申请提供的信息获取方法的另一种应用场景示意图；

图23为本申请提供的在终端中部署信息获取方法的架构示意图；

图24为本申请提供的另一种信息获取方法的流程示意图；

图25为本申请提供的一种PKG的结构示意图；

图26为本申请提供的一种信息获取装置的结构示意图；

图27为本申请提供的另一种信息获取装置的结构示意图；

图28为本申请提供的一种电子设备的结构示意图；

图29为本申请提供的一种芯片结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请提供的信息获取方法可以应用于人工智能(artificial intelligence,AI)场景中。AI是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人，自然语言处理，计算机视觉，决策与推理，人机交互，推荐与搜索，AI基础理论等。

首先对人工智能系统总体工作流程进行描述，请参见图1，图1示出的为人工智能主体框架的一种结构示意图，下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中，“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。

(1)基础设施

基础设施为人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。

(2)数据

基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。

(3)数据处理

数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。

其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。

推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。

决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。

(4)通用能力

对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用系统，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。

(5)智能产品及行业应用

智能产品及行业应用指人工智能系统在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。

本申请实施例涉及了神经网络和自然语言处理(natural language processing，NLP)的相关应用，为了更好地理解本申请实施例的方案，下面先对本申请实施例可能涉及的神经网络的相关术语和概念进行介绍。

语料(Corpus)：也称为自由文本，其可以是字、词语、句子、片段、文章及其任意组合。例如，“今天天气真好”即为一段语料。

实体：语料中存在的对象，如一段语料“小明出去遛狗了”，则其中可以包括实体：“小明”、“狗”。且每种实体具有相应的一种或者多种类别，如“小明”的类别标签为“人”，“狗”的类别标签为“动物”。

自注意力模型(self-attention model)，是指将一个序列数据(如自然语料“你的手机很不错。”)有效编码成为若干多维的向量，方便进行数值运算，该多维向量融合了序列中每个元素的相互之间的相似度信息，该相似度被称为自注意力。

损失函数(loss function)：也可以称为代价函数(cost function)，一种比较机器学习模型对样本的预测输出和样本的真实值(也可以称为监督值)区别的度量，即用于衡量机器学习模型对样本的预测输出和样本的真实值之间的区别。该损失函数通常可以包括误差平方均方、交叉熵、对数、指数等损失函数。例如，可以使用误差均方作为损失函数，定义为

具体可以根据实际应用场景选择具体的损失函数。

梯度：损失函数关于参数的导数向量。

随机梯度：机器学习中样本数量很大，所以每次计算的损失函数都由随机采样得到的数据计算，相应的梯度称作随机梯度。

反向传播(back propagation，BP)：一种计算根据损失函数计算模型参数梯度、更新模型参数的算法。神经网络可以采用误差反向传播(back propagation，BP)算法在训练过程中修正初始的神经网络模型中参数的大小，使得神经网络模型的重建误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始的神经网络模型中参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的神经网络模型的参数，例如权重矩阵。

神经机器翻译(neural machine translation)：神经机器翻译是自然语言处理的一个典型任务。该任务是给定一个源语言的句子，输出其对应的目标语言句子的技术。在常用的神经机器翻译模型中，源语言和目标语言的句子中的词均会编码成为向量表示，在向量空间进行计算词与词以及句子与句子之间的关联，从而进行翻译任务。

预训练语言模型(pre-trained language model，PLM)：是一种自然语言序列编码器，将自然语言序列中的每个词进行编码为一个向量表示，从而进行预测任务。PLM的训练包含两个阶段，即预训练(pre-training)阶段和微调(finetuning)阶段。在预训练阶段，该模型在大规模无监督文本上进行语言模型任务的训练，从而学习到词表示方式。在微调阶段，该模型利用预训练阶段学到的参数做初始化，在文本分类(text classification)或序列标注(sequence labeling)等下游任务(Downstream Task)上进行较少步骤的训练，就可以成功把预训练得到的语义信息成功迁移到下游任务上来。

Embedding：指样本的特征表示。

BiLSTM+CRF：是基于神经网络的命名实体识别模型，它是一种基于词嵌入和字嵌入的模型。BiLSTM和CRF是命名实体识别模型中两个不同的层。

Sigmoid多标签分类模型：一个样本的标签不仅仅局限于一个类别，可以具有多个类别，不同类之间是有关联的。比如一件衣服，其具有的特征类别有长袖、蕾丝等属性等，这两个属性标签不是互斥的，而是有关联的。

Schemas：一种数据格式，用于限定待加入知识图谱的数据的格式；相当于某个领域内的数据模型，包含了该领域内有意义的概念类型以及这些类型的属性。其作用主要是用来规范结构化数据的表达，一条数据必须满足Schema预先定义好的实体对象及其类型，才被允许更新到知识图谱中。

Elasticsearch：是一种分布式、高扩展、高实时的搜索与数据分析引擎。可以很方便的使大量数据具有搜索、分析和探索的能力。充分利用Elasticsearch的水平伸缩性，能使数据在生产环境变得更有价值。Elasticsearch的实现原理主要分为以下几个步骤，首先用户将数据提交到Elasticsearch数据库中，再通过分词控制器去将对应的语句分词，将其权重和分词结果一并存入数据，当用户搜索数据时候，再根据权重将结果排名，打分，再将返回结果呈现给用户。

Transformers库：提供用于自然语言理解(natural language understanding，NLU)或自然语言生成(natural language generation，NLG)等的模型，如BERT(bidirectional encoder representations from transformers)，GPT-2，RoBERTa，XLM，DistilBert，XLNet，CTRL等，拥有多预训练模型，支持多种语言。

本申请实施例提供的自然语言处理方法可以在服务器上被执行，还可以在终端设备上被执行。其中该终端设备可以是具有图像处理功能的移动电话、平板个人电脑(tablet personal computer，TPC)、媒体播放器、智能电视、笔记本电脑(laptop computer，LC)、个人数字助理(personal digital assistant，PDA)、个人计算机(personal computer，PC)、照相机、摄像机、智能手表、可穿戴式设备(wearable device，WD)或者自动驾驶的车辆等，本申请实施例对此不作限定。

参见附图2，本申请实施例提供了一种系统架构200。该系统架构中包括数据库230、客户设备240。数据采集设备260用于采集数据并存入数据库230，训练模块202基于数据库230中维护的数据生成目标模型/规则201。下面将更详细地描述训练模块202如何基于数据得到目标模型/规则201，目标模型/规则201即本申请以下实施方式中所提及的神经网络，具体参阅以下图4A-图12中的相关描述。

计算模块可以包括训练模块202，训练模块202得到的目标模型/规则可以应用不同的系统或设备中。在附图2中，执行设备210配置收发器212，该收发器212可以是无线收发器、光收发器或有线接口(如I/O接口)等，与外部设备进行数据交互，“用户”可以通过客户设备240向收发器212输入数据，例如，客户设备240可以向执行设备210发送目标任务，请求执行设备训练神经网络，并向执行设备210发送用于训练的数据库。

执行设备210可以调用数据存储系统250中的数据、代码等，也可以将数据、指令等存入数据存储系统250中。

计算模块211使用目标模型/规则201对输入的数据进行处理。具体地，计算模块211用于：获取目标用户的输入文本，输入文本中包括至少一个词，至少一个词形成至少一个事件；基于输入文本获取输出序列，输出序列中包括至少一个事件的类型和要素；根据输出序列获取个人知识图谱，个人知识图谱中包括多个节点，多个节点包括类型节点和要素节点，类型节点用于表示至少一个事件的类型，要素节点用于表示至少一个事件的要素，同一个事件中的类型对应的类型节点和要素对应的要素节点相关联，即表示同一个事件中的类型节点和要素节点相关联，个人知识图谱用于为目标用户进行推荐。

最后，收发器212将构建得到的神经网络返回给客户设备240，以在客户设备240或者其他设备中部署该神经网络。

更深层地，训练模块202可以针对不同的任务，基于不同的数据得到相应的目标模型/规则201，以给用户提供更佳的结果。

在附图2中所示情况下，可以根据用户的输入数据确定输入执行设备210中的数据，例如，用户可以在收发器212提供的界面中操作。另一种情况下，客户设备240可以自动地向收发器212输入数据并获得结果，若客户设备240自动输入数据需要获得用户的授权，用户可以在客户设备240中设置相应权限。用户可以在客户设备240查看执行设备210输出的结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备240也可以作为数据采集端将采集到与目标任务关联的数据存入数据库230。

在本申请所提及的训练或者更新过程可以由训练模块202来执行。可以理解的是，神经网络的训练过程即学习控制空间变换的方式，更具体即学习权重矩阵。训练神经网络的目的是使神经网络的输出尽可能接近期望值，因此可以通过比较当前网络的预测值和期望值，再根据两者之间的差异情况来更新神经网络中的每一层神经网络的权重向量(当然，在第一次更新之前通常可以先对权重向量进行初始化，即为深度神经网络中的各层预先配置参数)。例如，如果网络的预测值过高，则调整权重矩阵中的权重的值从而降低预测值，经过不断的调整，直到神经网络输出的值接近期望值或者等于期望值。具体地，可以通过损失函数(loss function)或目标函数(objective function)来衡量神经网络的预测值和期望值之间的差异。以损失函数举例，损失函数的输出值(loss)越高表示差异越大，神经网络的训练可以理解为尽可能缩小loss的过程。

如图2所示，根据训练模块202训练得到目标模型/规则201，该目标模型/规则201在本申请实施例中可以是本申请中的自注意力模型，该自注意力模型可以包括深度卷积神经网络(deep convolutional neural networks,DCNN)，循环神经网络(recurrent neural network，RNNS)等等网络。本申请提及的神经网络可以包括多种类型，如深度神经网络(deep neural network，DNN)、卷积神经网络(convolutional neural network，CNN)、循环神经网络(recurrent neural networks，RNN)或残差网络其他神经网络等。

其中，在训练阶段，数据库230可以用于存储有用于训练的样本集。执行设备210生成用于处理样本的目标模型/规则201，并利用数据库中的样本集合对目标模型/规则201进行迭代训练，得到成熟的目标模型/规则201，该目标模型/规则201具体表现为神经网络。执行设备210得到的神经网络可以应用不同的系统或设备中。

在推理阶段，执行设备210可以调用数据存储系统250中的数据、代码等，也可以将数据、指令等存入数据存储系统250中。数据存储系统250可以置于执行设备210中，也可以为数据存储系统250相对执行设备210是外部存储器。计算模块211可以通过神经网络对执行设备210获取到的样本进行处理，得到预测结果，预测结果的具体表现形式与神经网络的功能相关。

需要说明的是，附图2仅是本申请实施例提供的一种系统架构的示例性的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制。例如，在附图2中，数据存储系统250相对执行设备210是外部存储器，在其它场景中，也可以将数据存储系统250置于执行设备210中。

根据训练模块202训练得到的目标模型/规则201可以应用于不同的系统或设备中，如应用于手机，平板电脑，笔记本电脑，增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)，车载终端等，还可以是服务器或者云端设备等。

该目标模型/规则201在本申请实施例中可以是本申请中的自注意力模型，具体的，本申请实施例提供的自注意力模型可以包括CNN，深度卷积神经网络(deep convolutional neural networks,DCNN)，循环神经网络(recurrent neural network，RNN)等等网络。

参见附图3，本申请实施例还提供了一种系统架构300。执行设备210由一个或多个服务器实现，可选的，与其它计算设备配合，例如：数据存储、路由器、负载均衡器等设备；执行设备210可以布置在一个物理站点上，或者分布在多个物理站点上。执行设备210可以使用数据存储系统250中的数据，或者调用数据存储系统250中的程序代码实现本申请以下图4-图25对应的信息获取方法的步骤。

用户可以操作各自的用户设备(例如本地设备301和本地设备302)与执行设备210进行交互。每个本地设备可以表示任何计算设备，例如个人计算机、计算机工作站、智能手机、平板电脑、智能摄像头、智能汽车或其他类型蜂窝电话、媒体消费设备、可穿戴设备、机顶盒、游戏机等。

每个用户的本地设备可以通过任何通信机制/通信标准的通信网络与执行设备210进行交互，通信网络可以是广域网、局域网、点对点连接等方式，或它们的任意组合。具体地，该通信网络可以包括无线网络、有线网络或者无线网络与有线网络的组合等。该无线网络包括但不限于：第五代移动通信技术(5th-Generation，5G)系统，长期演进(long term evolution，LTE)系统、全球移动通信系统(global system for mobile communication，GSM)或码分多址(code division multiple access，CDMA)网络、宽带码分多址(wideband code division multiple access，WCDMA)网络、无线保真(wireless fidelity，WiFi)、蓝牙(bluetooth)、紫蜂协议(zigbee)、射频识别技术(radio frequency identification，RFID)、远程(long range，Lora)无线通信、近距离无线通信(near field communication，NFC)中的任意一种或多种的组合。该有线网络可以包括光纤通信网络或同轴电缆组成的网络等。

在另一种实现中，执行设备210的一个方面或多个方面可以由每个本地设备实现，例如，本地设备301可以为执行设备210提供本地数据或反馈计算结果。

需要注意的，执行设备210的所有功能也可以由本地设备实现。例如，本地设备301实现执行设备210的功能并为自己的用户提供服务，或者为本地设备302的用户提供服务。

通常，可以通过用户画像的方式来表示用户的特征，用户画像可以分为基础画像和偏好画像，基础画像可通过实际基本事实而产生标签，如注册时间，渠道来源，用户所在地区等进行简单信息提取，也可基于机器学习模型对用户的属性预测产生的标签，如性别，年龄，有车一族等(用标注好的数据集(用户特征和标签)训练出较为准确的模型，用训练好的模型，就可以给其他的未知性别和年龄的用户做评分预测。偏好画像赖于物品标签。通常用户对物品的偏好程度，是通过用户对平台物品的曝光，点击，购买等行为计算出来的。然而，当构建用户画像时，考虑与用户相关的物品画像，即通过人工或者机器学习方式获得的物品标签。通过分析用户的行为数据，例如浏览、收藏、分享等，为用户打上相应的该物品所拥有的标签。因此，一定程度上用户画像的质量以及粒度取决于物品画像。当物品画像有所偏差或粒度不均，会导致用户画像质量下降。

因此，本申请提供一种信息获取方法，结合了神经网络和符号分析来抽取用户的信息，并构建用户的个人知识图谱，通过更细粒度的个人知识图谱来保存更准确更详细的用户信息。本申请提供的方法具体可以包括：获取目标用户的输入文本，输入文本中包括至少一个词，该至少一个词形成至少一个事件；随后基于输入文本获取输出序列，该输出序列中包括至少一个事件中每个事件的类型和要素，获取输出序列的方式可以包括多种，可以通过句法分析的方式分析输入文本中所包括的事件的类型和要素，也可以通过神经网络来输出输入文本中包括的事件的类型和要素等；根据输出序列获取个人知识图谱，个人知识图谱中包括多个节点，该多个节点包括类型节点和要素节点，类型节点用于表示至少一个事件的类型，要素节点用于表示至少一个事件的要素，同一个事件中的类型对应的类型节点和要素对应的要素节点相关联，即同一个事件中的类型节点和要素节点相关联，该个人知识图谱用于为目标用户进行推荐。

因此，本申请实施方式中，以事件为单位对目标用户产生的事件的类型和要素进行准确地抽取，并构建了知识图谱，从而可以更方便准确地保存目标用户的各个事件，对目标用户的相关知识进行更准确地记录。因此在后续针对目标用户进行推荐时，可以以事件为单位准确查询到准确的信息，且通过节点之间的关联关系，准确查询到完整的事件，提高数据查询的准确性，提高推荐有效性。

下面对本申请提供的信息获取方法进行详细介绍。

参阅图4，本申请提供的一种信息获取方法的流程示意图，如下所述。

401、获取目标用户的输入文本。

其中，该输入文本可以是根据目标用户输入的数据得到。

具体地，可以获取目标用户的输入的数据，然后从输入数据中提取到输入文本。获取目标用户的输入数据的方式可以包括多种，具体可以获取用户通过终端界面输入的数据，可以从其他设备接收用户输入的数据，或者从历史数据中查询用户的历史输入数据等。

例如，可以接收用户输入的图像、语音或者文本等数据中的一种或者多种，然后对输入数据进行识别，从而从输入数据中提取到输入文本。如若用户输入的图像是图像，则可以对该图像进行识别，从中提取出文本；若用户输入的数据为语音，则可以对输入数据进行语音识别，从而从语音数据中提取到文本；若用户输入的数据为文本，则可以直接将该文本作为输入文本，或者对输入的文本进行翻译后，将翻译得到的文本作为输入文本等，从而使本申请提供的方法可以适用于各种输入方式，从而可以应用于更多的场景，具有很高的泛化能力。

402、通过文本处理模型得到输入文本的初始序列。

其中，文本处理模型用于从输入文本中提取信息，并通过向量的形式输出提取到的信息，得到初始序列。

具体地，该文本处理模型可以用于从输入文本中提取实体以及实体对应的分类标签等，得到初始序列。即初始序列中可以包括从输入文本中提取到的实体的信息、实体对应的分类标签或者实体之间的关联关系等。如输入文本中可以包括一个或者多个实体，当存在多个实体时，该多个实体可以形成一个或者多个事件，可以通过文本处理模型提取输入文本中的各个实体的向量表示，各个实体的上下文含义或者各个实体之间的关联关系等。

在一种可能的实施方式中，该初始序列中可以包括实体序列和标签序列，文本处理模型具体执行的步骤可以包括：对输入文本进行自然语言处理，得到特征向量序列和实体序列，实体序列包括至少一个词中每个词对应的向量表示，特征向量序列中包括输入文本对应的特征向量；获取实体序列中的向量对应的位置信息；融合位置信息和特征向量序列，得到融合序列；对融合序列对应的实体进行分类，得到标签序列。因此，本申请实施方式中，可以通过神经网络抽取输入文本中的实体以及实体所表示的含义，从而可以高效快速地从输入文本中抽取到信息。

该文本处理模型可以包括一种或者多种用于从文本中提取信息的模型。例如，该文本处理模型可以包括预训练语言模型，如pretrain bert、自注意力模型等用于将文本转换为向量表示的模型，还可以包括BiLSTM+CRF模型、Sigmoid模型等对向量表示进行进一步处理的模型等，从而可以从文本中提取到可用的信息。

403、对输入文本进行句法分析，得到特征序列。

其中，除了通过神经网络来抽取输入文本所包括的信息，还可以通过对输入文本进行句法分析，从而从输入文本中提取到特征序列，该特征序列可以包括输入文本中所包括的实体以及实体之间的关联关系等。

例如，输入文本可以是“小红在买苹果”，可以通过句法分析，从输入文本中提取到实体为“小红”、“苹果”，实体之间的关系为“买”，时间为“现在”，并可以进一步确定每个实体所表示的实际含义(或者称为类别)，如“小红”表示人物，“苹果”表示水果或者手机等。

可以理解为，除了通过神经网络来提取输入文本所包括的信息之外，还可以通过对输入文本进行句法分析，来分析得到输入文本中所包括的实体的信息。从而使后续可以结合两种方式得到的信息来最终得到更准确的信息，从而可以实现从输入文本中抽取得到更准确的信息。

需要说明的是，本申请对步骤402和步骤403的执行顺序不作限定，可以先执行步骤402，也可以先执行步骤403，还可以同时执行步骤402和步骤403，具体可以根据实际应用场景进行调整，本申请对此不作限定。

此外，在通过句法分析得到输入文本中每个词对应的特征之后，每个实体可能对应一种或者多种特征，可以根据预先设定的格式为每个词对应的特征添加附加信息，用于标识出每个词或者每个实体所表示的唯一含义，得到更新后的特征序列。例如，若实体包括“苹果”，则可以通过增加附加信息的方式，限定该实体的具体类型是水果还是手机，如在特征序列中增加“手机”，用于表示“苹果”是一种“手机”，从而可以更准确地确定每个实体所表示的唯一含义。

此外，若已存在个人知识图谱之前，可以结合预先设定的格式以及初始的个人知识图谱，查询实体对应限定特征，如输入文本若为“小红在吃苹果”，可以结合预先设定的语法格式，查询个人知识图谱中“苹果”所表示的具体类型为水果，而并非是设备，从而可以为实体“苹果”附加分类为“水果”的附加特征。

404、根据特征序列以及输出序列，获取个人知识图谱。

其中，在得到特征序列以及输出序列之后，即可根据该特征序列以及输出序列对初始的知识图谱进行更新或者生成个人知识图谱。该个人知识图谱中可以包括一个或者多个节点，每个节点可以包括目标用户输入的数据中提取到的信息，如每个节点可以包括从输入文本中提取到的事件类型或者事件要素等信息，具有关联关系的节点之间互相连接。该个人知识图谱可以用于表示目标用户的特征，或者可以用于记录目标用户相关的信息，如目标用户的信息或者目标用户输入的信息等。

具体地，个人知识图谱中可以包括多个节点，该多个节点可以分为类型节点和要素节点，类型节点用于表示事件的类型，要素节点用于表示事件的要素，同一个事件的类型节点和要素节点相关联。例如，输入为本为“小红计划明天看电影”，可以从中提取到实体“小红”、“电影”，时间为“明天”，该时间和实体为事件要素，事件的类型为“娱乐”，因此可以建立类型节点“娱乐”，要素节点“小红”、“电影”以及“明天”，同一个事件的类型节点和要素节点之间相关联。

因此，在本申请实施方式中，以事件为单位对目标用户产生的事件的类型和要素进行准确地抽取，并构建了知识图谱，从而可以更方便准确地保存目标用户的各个事件，对目标用户的相关知识进行更准确地记录。因此在后续针对目标用户进行推荐时，可以以事件为单位准确查询到准确的信息，且通过节点之间的关联关系，准确查询到完整的事件，提高数据查询的准确性，提高推荐有效性。并且，结合了神经网络和句法分析来从输入文本中提取到更准确的信息，然后使用从输入文本中提取到的更准确的信息来生成或者更新得到目标用户的个人知识图谱，从而使个人知识图谱可以更准确地体现用户的特征，从而可以使后续可以使用该个人知识图谱为目标用户进行更准确的推荐。并且，本申请实施方式中，针对用户构建了个人知识图谱，该个人知识图谱可以基于从输入文本中提取到的实体来构建或者更新得到，相对于用户画像，本申请实施方式中构建得到的个人知识图谱的粒度更小，可以对用户的信息进行更精确的记录，提高对用户的描述的精确程度。且通过节点的方式可以更高效地进行检索，从而可以更高效地为用户进行推荐。

在一种可能的实施方式中，获取个人知识图谱的具体方式可以包括：根据特征序列对初始序列进行修正，得到输出序列；根据输出序列，获取个人知识图谱。具体地，可以对特征序列和输出序列所包括的信息进行匹配，若特征序列与输出序列不匹配，则可以对输出序列中不匹配的部分进行修正，如将输出序列中的不匹配的部分替换为特征序列中对应的部分，或者对输出序列中的不匹配的部分替换为特征序列中对应的部分进行融合，并将输出序列中不匹配的部分替换为融合后的部分等，得到输出序列。

因此，本申请实施方式中，可以使用特征序列对输出序列进行修正，从而可以结合多种方式从输入文本中抽取到的信息，来得到更准确的信息，并使用更准确的信息获取个人知识图谱，从而得到能更准确描述目标用户的个人知识图谱。

在一种可能的实施方式中，输出序列包括至少一个词之间的关联关系，该至少一个词形成至少一个事件，该至少一个词中包括至少一个事件中的元素。进一步地，可以以事件为单位来构建个人知识图谱。具体地，可以从输出序列中获取至少一个事件的类型，如日程事件类、关注事件类；随后可以根据至少一个事件中每个事件的类型从修正后的实体序列中获取每个事件的信息；然后使用每个事件的信息对初始知识图谱进行更新，得到个人知识图谱。

本申请实施方式中，可以以事件为单位生成或者更新个人知识图谱，因此后续再个人知识图谱中查询信息时，可以以事件为单位快速查询到所需信息，提高查询效率。

获取个人知识图谱的具体方式可以包括：以第一事件为例，若初始知识图谱中包括第一事件的信息，则使用输出序列对初始知识图谱中包括的第一事件的信息进行更新，如为第一事件增加要素节点，以及连接具有关联关系的要素节点，得到个人知识图谱；若个人知识图谱中不包括第一事件的信息，则在初始知识图谱中增加输出序列中包括的第一事件的信息，如增加第一事件的类型节点和要素节点，并连接要素节点与类型节点，还可以连接具有关联关系的要素节点，得到个人知识图谱。

具体地，可以根据从实体序列中获取每个事件的要素，以及每个事件的要素之间的关联关系，然后根据该关联关系来连接要素节点；或者，从实体序列中获取每个事件的特征以及对应的情感类别。可以理解为，若输出序列中包括还每个事件的要素之间的关联关系，则个人知识图谱中同一事件具有关联关系的要素对应的要素节点之间相关联；若输出序列中还包括情感类别，则个人知识图谱中同一事件对应的要素节点之间通过情感类别相关联。

因此，可以根据不同的事件类型，获取不同的事件相关信息，适应更多的场景，泛化能力强。

此外，在一种可能的实施方式中，还可以使用第一知识图谱来对目标用户的个人知识图谱进行扩充。具体地，获取第一知识图谱，第一知识图谱中包括多个节点，每个节点具有关联的至少一个节点，该第一个人知识图谱中的节点可以表示一种实体，或者，可以表示事件的要素或者类型，具有关联关系的实体之间连接；可以从第一知识图谱中获取与个人知识图谱中的节点相关联的关联信息；使用关联信息对个人知识图谱进行扩充，得到扩充后的个人知识图谱。如可以在第一知识图谱中查询与个人知识图谱的实体相同的节点，然后从第一知识图谱中查找出与该节点关联的节点的信息，并使用该信息来扩充个人知识图谱。

可选地，第一知识图谱可以是通用知识图谱，也可以是其他用户的知识图谱，从而可以通过多种图谱来扩充目标用户的个人知识图谱所包括的内容。例如，当第一知识图谱是通用知识图谱时，该通用知识图谱中的每个节点可以表示一种实体，当该第一知识图谱包括其他用户的个人知识图谱时，该第一个人知识图谱中的每个节点可以表示事件的要素或者类型等。

因此，本申请实施方式中，可以使用第一知识图谱来扩充个人知识图谱，使个人知识图谱所包括的信息更多，以便于后续可以在个人知识图谱中查询到更多信息。

在一种可能的实施方式中，在得到输出序列之后，还可以从个人知识图谱中查询与该输出序列匹配的至少一个节点的信息，然后根据该至少一个节点的信息为目标用户生成推荐信息，然后基于该推荐信息进行推荐。

具体地，可以从个人知识图谱中筛选出输出序列对应的至少一个第一节点的信息；从个人知识图谱中查找与至少一个第一节点关联的至少一个第二节点的信息，至少一个节点的信息包括至少一个第一节点的信息和至少一个第二节点的信息。此外，还可以查找出与第二节点关联的第三节点的信息，或者还可以查找与第三节点关联的第四节点的信息等，具体的查询入度可以根据实际应用场景调整，本申请对此不作限定。

其中，该第一节点和第二节点中可以包括不同域的信息，该不同域即表示第一节点和第二节点中包括的实体属于不同领域，如第一节点中包括了音乐相关的信息，第二节点中可以包括于该音乐相关的电视剧的信息。

因此，本申请实施方式中，可以通过图谱的方式来表征用户，从而在查询与用户的输入文本相关的节点时，可以通过节点之间的关联关系，高效地查询出与用户的输入文本相关的信息。

在一种可能的实施方式中，个人知识图谱中每个节点包括对应的权重，其中，任意一个节点(为便于区分称为第五节点)的权重与保存时长或者更新时长呈负相关关系，保存时长为保存第五节点的信息的时长，更新时长为距离上一次更新第五节点中包括的信息的时长，即第五节点的保存时间或者更新时长越长，则第五节点的权重越小。因此，本申请实施方式中，可以通过衰减权重的方式对用户的信息进行记录，从而实现对用户知识的记忆。

在生成推荐信息的过程中，可以参考每个节点的权重来生成该推荐信息。具体地，可以根据至少一个节点对应的权重，对至少一个节点进行排序，根据至少一个节点的信息以及至少一个节点的排序生成推荐信息。

此外，还可以获取目标用户的结构化数据，该结构化数据为预设格式的数据；按照预设规则从结构化数据中提取至少一个事件的信息；根据至少一个事件的信息对个人知识图谱进行更新，得到更新后的个人知识图谱。

此外，在一种可能的实施方式中，本申请提供的方法可以部署于终端或者云服务器中。当部署于云服务器中时，可以通过云平台为用户提供服务。因此，本申请实施方式中，以事件为组织结构，以不同类型的实体来表示、存储用户的不同行为和信息，从而构建出符合用户本人使用特征的个人知识图谱。结合获得的推荐类型、意图类型及节点权重进行推荐。个人知识图谱(Personal Knowledge graph，PKG)以事件为桥梁连接不同类型的实体，可以更灵活地设计路径，即使没有大量的用户行为数据或用户日志，也不影响推荐。这种方式很好地解决了使用用户画像时的冷启动问题。

前述对本申请提供的信息获取方法的流程进行了介绍，下面结合具体的应用场景，对本申请提供的信息获取方法进行进一步介绍。

首先，如图5所示，本申请提供的信息获取方法可以分为多个部分，具体可以包括：信息抽取501、PKG构建502输出PKG503、以及基于PKG进行推荐504。

可以理解为，在信息抽取501步骤中，可以从用户的输入数据中抽取到准确的信息，随后可以使用该信息来构建PKG，并基于PKG来为用户推荐合适的实体。

此外，因以下详细实施例中涉及到界面显示，因此首先对本申请还提供的一种图形用户界面GUI进行介绍，该图形用户界面存储在电子设备中，该电子设备包括显示屏、存储器、一个或多个处理器，该一个或多个处理器用于执行存储在该存储器中的一个或多个计算机程序，该图形用户界面可以包括：

响应于目标用户的输入操作生成个人知识图谱，显示该个人知识图谱，其中，该目标用户的输入文本中包括至少一个词，该至少一个词形成至少一个事件，该个人知识图谱中包括多个节点，该多个节点包括类型节点和要素节点，该类型节点用于表示该至少一个事件的类型，该要素节点用于表示该至少一个事件的要素，同一个事件中的类型对应的类型节点和要素对应的要素节点相关联该个人知识图谱用于为该目标用户进行推荐。

在一种可能的实施方式中，该GUI还可以包括：显示第一知识图谱，该第一知识图谱中包括多个节点，该多个节点包括至少一种实体的信息，该第一个人知识图谱中的节点可以表示一种实体，或者，可以表示事件的要素或者类型；响应于从该第一知识图谱中获取与该个人知识图谱中的节点相关联的关联信息，并使用该关联信息对该个人知识图谱进行扩充后得到扩充后的个人知识图谱，显示该扩充后的个人知识图谱。

下面结合本申请提供的GUI，分别对前述图5中所示出多个步骤进行介绍。

一、信息抽取

示例性地，信息抽取的流程可以如图6所示。

其中，信息抽取的流程可以包括多种方式，如图6中所示出的通过神经网络来抽取信息以及通过句法分析来抽取信息。

首先获取输入文本，该输入文本可以包括用户聊天输入、搜索输入、评论输入的数据等，还可以是从图像、语音或者视频等数据中识别出来的文本。

在得到输入文本之后，可以分别通过神经网络和句法分析来从输入文本中提取到信息，下面分别进行示例性介绍。

1、神经网络

其中，可以对神经网络进行训练，使神经网络来从输入的文本中提取到实体信息以及实体之间的关联关系等。如可以使用用户的日常聊天或者标注数据等先验来训练神经网络，然后通过神经网络来识别输入的文本的句子类别或者文本中各个词的上下文信息等。

示例性地，如图7所示，首先使用预训练语言模型bert，对输入文本进行特征抽取，bert的输出分为tokens(即将文本按词进行特征抽取后的特征向量序列)和CLS(包含输入文本整句特征的向量)；然后将tokens序列送入BiLSTM+CRF模型进行序列标注任务，将序列标注任务提取到的实体位置信息转换为特征向量，与CLS的特征向量进行相加后输入sigmoid模型进行多标签分类，最终得到输出序列，该输出序列包括实体序列和实体对应的分类标签序列，实体序列包括了实体位置信息，标签序列则可以包括每个实体对应的类别。

2、句法分析

如图6中所示，首先对输入文本进行语法分析，即对输入文本中的各个词的语法功能进行分析，从而得到输入文本对应的特征序列。例如，输入文本“我喜欢你”，其中“我”是主语，“喜欢”是谓语，“你”是宾语。

可以理解为，通过对输入文本进行句法分析，可以识别出输入文本中的各个词的语义特征以及词性特征。

通常，不同类型的语料包括的实体以及对应的词性可能不相同，因此可以通过句法分析，得到输入文本的词性标注(pos tag)、语义特征、不同字段的实体类别等符号特征。

此外，还可以结合PKG和预先设定的schema，即预先设定的语法格式，确定每个字段的限定特征，并针对相应字段加入附加信息，得到特征序列。例如，针对输入文本“今天在下小雨”中的实体字段“小雨”，其词性可能是人名、天气或者物品名称等，此时可以结合PKG所包括的内容以及预先设定的schema，确定“小雨”是一种天气类型，从而为该字段添加词性特征为天气类型，从而使该字段具有唯一的词性特征。

随后，可以使用句法分析得到的特征序列，与神经网络的输出序列进行匹配。若输出序列与特征序列匹配，则可以将输出序列作为最终的信息抽取结果。

若输出序列与特征序列不匹配，则可以使用特征序列对输出序列进行修正，并将输出序列作为最终的信息抽取结果。

具体地，可以对输出序列中各个实体的信息与特征序列中各个字段的信息分别进行匹配，如匹配词性、语义、实体或者字段之间的关系等进行匹配。若输出序列中的部分信息与特征序列对应的信息不匹配，则可以将输出序列中的不匹配信息替换为特征序列中对应的信息。例如，若输入文本中包括词“苹果”，若输出序列中该苹果的分类为水果，而特征序列中为字段“苹果”分配的词性为设备，则可以将输出序列中的分类标签水果替换为设备，从而实现对输出序列的修正。

因此，本申请实施方式中，可以结合神经网络和句法分析来分别从输入文本中提取信息，并结合了两种方式提取到的信息来得到最终更准确的信息，提高信息抽取的准确率，可以解决长尾分布的问题。例如，使用频率前20％的实体占据了用户日常聊天中80％的实体，可以通过训练后的神经网络识别出大部分实体，对于使用频率较低的长尾实体则在“神经”的方法基础上加入了“符号”的方法进行修正，可以理解为通过句法分析对使用频率较低的长尾实体进行补全和修正，从而提升长尾实体的抽取准确率。

可以理解为，本申请采用了句法分析和神经网络相结合的方式构建用户的个人知识图谱。以知识图谱的组织方式对用户数据进行存储的思想，将所有APP或用户行为操作信息集成在一个个人知识图谱中，并以事件类、关注类、通讯类节点为单位进而组织个人知识图谱结构，该组织结构便于高效地提取用户信息。同时采用了神经网络对文本内容进行分析，采用了CRF、多标签分类、Bi-LSTM、CRF等多种技术相结合的方法，提取出图谱所需的多角度的内容，为图谱内知识的获取提供更高效的途径。

此外，针对结构化数据，即预设格式的数据，可以按照预先设定的规则来从输入文本中抽取信息。结构化数据可以是用户在日历、通讯录、相册等预先设定了数据格式的应用中输入的数据。

例如，抽取的流程可以如图8所示，以新建联系人为例：首先得知信息来源为应用程序“通讯录”，其意图(即事件类型)便可理解为“通讯”，其相应信息便有了特定的模板，如人名、联系方式、职位等，在该模板下进行实体识别和关系抽取，即识别出结构化数据中的实体以及实体之间的关联关系，最终得到实体列表以及关系列表。当前实现了新建联系人、日历活动构建、信息流浏览等应用场景。针对其他结构化场景，也可以根据对应的格式来进行信息提取，从而提取到实体的信息以及实体之间的关联关系等。

当然，针对结构化数据，也可以结合神经网络以及句法分析的方式来提取到输出序列，具体可以根据实际应用场景调整，本申请对此并不作限定。

二、PKG构建

在得到信息抽取的抽取结果，即输出序列之后，可以基于输出序列进行PKG构建，如在PKG中增加输出序列中包括的内容，或者更新PKG中与该输出序列对应的部分。

其中，在进行PKG构建时，可以分为多个部分，包括知识分析、知识生成、图谱构建或者图谱扩充等，下面分别进行介绍。

(一)知识分析

在进行知识分析的过程中，可以针对实体之间的关系连接、事件要素分析、情感分析或者时间处理等，下面分别进行介绍。

1、关系链接

通过前述的信息抽取步骤，可以得到输入文本中所包括的实体以及实体之间的关系类型。即可根据实体之间的关系类型，在PKG中构建实体之间的连接关系，从而实现节点之间的连接。

例如，可以结合预先设定的类别限定规则，结合输出序列中的实体以及关系类别，将关系转换为<实体字段1，关系类别，实体字段2>的三元组。如在“关系类：家人”中，对应的实体1、实体2均应为人名或人称代词，而“关系类：导演/作者/编剧/制片人/作曲/作词”对应的实体1为人名或人称代词，实体2则应为影视作品/书籍/歌曲等。具体例如，<小红，家人，小明>，<小明，导演，红高粱>等。

此外，在通过的信息抽取步骤，得到输出序列之后，可以对事件类型进行识别。若事件的类型为日程事件类，则可以进行事件要素分析，若识别出事件类型包括关注事件类，则可以进行情感分析。

2、事件要素分析

可以判断输入文本中的各个实体在事件中的要素，可以按不同事件类型的相应规则，把事件类型的实体按类别对应，以元组的形式进行存储。例如，输出[(实体字段1,同伴),(实体字段2,目的地),(实体字段3,观看)]等形式来表示事件要素。例如，一个餐饮类的事件对应的实体类别应该有同伴、目的地、起始时间、结束时间、食物等(以上类别并不要求全部在一个事件中同时出现)。

随后，若PKG中不存在分析得到的事件，则可以将每个事件要素作为一个节点保存在PKG中，若PKG中存在分析得到的事件，则可以更新PKG中所包括的该事件的信息，从而实现对PKG的实时更新，使PKG可以用于实时保存关于用户的知识，实现针对用户的终身学习。

3、情感分析

若识别出输入文本对应的事件类型为关注事件类，则可以进行情感分析，从而判断输入文本中的感情类别是正向、负向还是中性的情绪。

例如，可以采用正则(regex)判别与朴素贝叶斯分类器相结合的方法对这部分进行处理：对于简单的、情感倾向比较明显的文本，可以使用正则的方法进行判别，例如“我喜欢XXX”、“我不喜欢XXX”、“我讨厌XXX”；对于文本描述复杂度高的场景，可以使用朴素贝叶斯分类器对文本进行了分类:对数据集进行分类任务的学习和训练之后得到了分类模型。在训练过程中，首先需要收集到并划分相对应分类类别的数据信息，且保证每条数据信息的长度相仿。由于文本信息是以句子的形式出现的，其包含的内容相对比较丰富且多样，因此需要对其进行分词，将句子信息划分为更细粒度的词汇信息，同时进行一些特征处理(例如去除标点符号、停用词等特征，选择关键词以及平滑技术等。然后分别统计不同情感类别中各词汇的出现频率计算其条件概率，结合条件独立假设，就得到了一种词袋子模型，即朴素贝叶斯模型，从而得到情感类别。

4、时间处理

通常，时间是衡量用户行为或关注产生和消失时刻的重要信息，是事件要素的其中一项。记录实体产生的时间，事件的发生和结束时间，对进一步为用户提供建议是非常有帮助的。这个模块的作用是将处理过程中涉及到的自然语言表述的时间统一进行标准化，以同一种格式进行存储，方便后续的使用。

例如，可以将常见的语言表述进行统一化，入“下周一”、“明天”、“昨天下午”等的时间实体表述标准化为“xxxx-xx-xx xx:xx:xx”的时间形式。同时也获取了用户提交请求的时间信息，这些信息都将以用户知识存储起来。

(二)知识生成

在通过上述方式得到了实体之间的关系类别、事件要素、情感类别或者时间等信息后，即可对分析得到的知识进行整合，以便于保存于PKG中。

具体地，可以对得到时间、关系链接或者事件要素等进行整合，即以事件为单位进行整合。例如，如图9所示，在日程事件1中，可以得到用户的输入文本，如“下周二和梦凡去看信条”，然后通过前述的信息抽取以及知识分析步骤，得到事件类型、实体以及实体类别等。在搜索事件2中，得到了用户输入的文本“有点甜”，通过前述的信息抽取以及知识分析等，从而确定该事件的事件类型、实体以及实体类型等。

进一步地，可以对PKG中的知识进行更新或者对原本不存在的知识进行新增：将抽取得到的实体列表进行关系链接，利用elasticSearch中的倒排索引进行搜索和匹配。elasticSearch中的倒排索引将所有被匹配字段再次分割和处理，将信息表倒置存储。结合实体类型、信息来源等的约束，实体字段的匹配可按照其与实体的匹配度分值由高到低给出降序列表，可以取分值最高的实体作为该字段对应的实体进行链接。具体处理如图10中所示，在通过信息抽取以及知识分析得到实体之后，在PKG中进行实体搜索匹配。若在PKG中已精准匹配到与抽取到的实体对应的已有知识，则进行实体链接，即将具有关联关系的实体关联起来。若未匹配到实体，则可以考虑文本提及的其他实体字段，智能区别用户提及的实体，进行推理消岐，提高链接的正确率。可以理解为，可以对用户的个人知识进行模糊匹配，如匹配PKG和抽取到的知识中含义类似的字段或者类似的字段，通过推理来进行消歧，即推理PKG和抽取到的知识中含义类似的字段或者类似的字段是否实际上为同一实体，若是则可以继续进行知识链接，即对实体和实体之间的关系进行链接。若在PKG 中未匹配到与抽取到的信息相同或者类似的实体，则可以按照新知识进行新增。

(三)图谱构建

具体地，在进行知识生成之后，按照预先定义的schema对PKG进行构建。

具体地，PKG的构建以当前用户为中心，以多种不同的分支类别进行延伸：“日程事件”、“关注事件”、“联系事件”，每次延伸都会记录当前的系统时间，以标记数据生成的时间顺序。“日程事件”表示当前构建的内容是一个日程，构建文本中涉及到的事件时间、人物、地点等信息；“关注事件”表示当前构建的内容为用户关注的信息，可分为喜欢(正向)、不喜欢(负向)和关注3种兴趣倾向。

以用户与张三提及“周五我要和李四一起去看少年的你”为例。将获得事件＝xxxx-xx-xx xx:xx:xx(时间标准化后的周五)，“日程事件类：娱乐”，实体列表包含“李四”和“少年的你”相关信息，[同伴，电影名]，用户＝“张三”。

以用户与张三提及“周小雨演的少年的你很好看”为例。构建模块将获得事件类型＝“关注类：娱乐”，实体列表包含“周小雨”和“少年的你”相关信息，实体＝[演员，电影名]，关联关系为<周小雨,关系类：演员,少年的你>三元组，用户＝“张三”。

因此，本申请实施方式中，以事件为单位构建个人知识图谱，相对于用户画像，本申请提供的方式可以通过个人知识图谱以更细的粒度来描述用户以及对用户的知识进行保存，从而可以更精确地描述用户或者保存用户的知识，以便于后续可以更精准地进行知识回溯，查询到更精确的用户信息。可以理解为，本申请提供的个人知识图谱以用户操作的事件为单位，对用户的操作行为进行记录和存储。对于用户每次的操作行为，划分为不同的意图类型并进行对应意图下的信息分析，得到操作行为的事件元素，加入到图谱中。在使用过程中，能够根据操作行为的某些要素迅速获取到与其在用户操作习惯上相关的内容以及要素本身的相关内容，更贴切用户的使用习惯。同时存储了行为的发生时间，为后续的迭代更新或按序查找提供了途径。以事件为单位的知识图谱，提供了一种新的信息的组织结构方式，为不同需求的查找和分析提供了一种新的渠道。

此外，通常用户知识是由偏好的并且随着时间会由遗忘，本申请通过为每个节点设置权重，并对该权重定期或者实时进行更新，实现对用户知识的记忆。

例如，如图11所示，在更新PKG中的节点的信息时，若该PKG中存在抽取到的实体时，可以通过记忆衰减的方式更新该节点对应的权重，如该权重的计算方式可以表示为：

其中，α、β、γ为归一化处理后的加权系数，次数为通过输入文本确定的事件的发生次数，n表示当前次数，N _max表示该用户的最大次数，入度表示该节点在PKG中与其他节点的关联关系，体现该节点的重要程度，d表示节点入度，D _max表示最大入度。第二项为时间因素，随着该节点的创建时长或者更新时长增加而减小，即与节点的创建时长或者更新时长呈负相关关系。

(四)图谱扩充

具体地，可以使用第一知识图谱来对目标个人知识图谱进行扩充。以该第一知识图谱为用知识图谱(common knowledge graph，CKG)为例，CKG中可以包括各种实体以及实体之间的关联关系。通用知识图谱中包括的实体可以是相同域也可以是不同域的实体。

可以理解为，本申请可以通过垂域知识图谱的信息对PKG进行知识的更新和补全，来挖掘用户的隐性意图。

具体地，可以在CKG中搜索PKG中的实体，在匹配到与PKG中的实体相同的实体之后，在CKG中继续搜寻关联节点的信息，并将CKG中该节点的信息以及关联节点的信息扩充至PKG中，从而通过CKG中包括的更丰富的信息来对PKG进行扩充。

示例性地，如图12所示，在进行信息抽取得到实体列表并进行图谱构建之后，针对PKG中的各个节点(为便于区分称为PKG节点)，在CKG中进行垂域知识匹配，若存在与PKG节点匹配的CKG节点，则从CKG中查询与该CKG节点关联的关联节点，然后从该CKG节点和关联节点中提取到信息作为垂域知识，对PKG进行知识更新或者补充，得到信息更丰富的PKG。

以一个场景为例，如图13所示，首先获取PKG中各个节点的信息，如电影领域的《少年的你》、《送你一朵小红花》以及音乐域的《念想》、《陷落美好》等。在CKG中进行搜索匹配，推理出用户关注明星领域的易烊小玺。如把电影域的《钢铁侠》《信条》《流浪地球》在CKG中进行搜索匹配，学习到PKG中没有的新概念——“科幻电影”。然后把这些在垂域知识图谱获取到的信息送入PKG。从而可以实现对PKG中不存在的实体进行知识补全，对PKG中已存在实体但未发现关系的知识进行关系补充，进而实现对PKG的扩充。

因此，本申请实施方式中，过将个人知识图谱与通用知识图谱结合，采用关系补全、推理等功能，挖掘个人知识图谱中各个节点之间存在的更深层次的关系。例如用户关注王小菲和歌曲《红豆》，可以通过通用知识图谱，挖掘出王菲与红豆之间的演唱关系，从而挖掘到更深层次的信息。

三、基于PKG进行推荐

在从输入文本中抽取信息，得到输出序列之后，可以从PKG中查询与该输出序列中的实体对应的节点的信息，并使用该节点的信息生成针对用户的推荐信息。

具体地，PKG可以应用于各种针对用户的推荐场景，如输入法推荐、搜索推荐、行程提醒或者商品推荐等。

一种可能的实施方式中，可以应用于实体预测，如在从输入文本中抽取到的实体之后，可以基于该实体从PKG中查询关联节点，并从关联节点中预测用户即将输入的实体，并在用户的显示界面中进行推荐。

实体预测截图改善PKG推荐时推荐用户当前输入相关的各类信息而造成的信息杂乱甚至预测准确率降低的问题。例如当用户输入“我明天要去”时，此时的推荐类型应当以地名为主(当然也可能存在其他类型的场景)，基于PKG可以优先推荐相关的地名类型的实体，能够提高预测的准确率，提升用户体验。

具体地，可以使用regex与贝叶斯概率模型结合的方法。对于常见的简单表述，能够直接通过正则得到推荐的类型，将各个类型按照发生可能性的大小进行排列。复杂表述则使用神经网络来进行计算，通过贝叶斯概率模型计算得到不同文本后接不同实体类型的概率，并依此给出推荐类型。得到预测的推荐类型列表之后，再结合用户当前涉及的实体以及不同实体的权重等多种因素，进行更好地推荐。

通常，基于知识图谱的推荐方式可以包括基于Embeddig的方式，基于路径的方式，以及结合Embeddig与路径的方式等。示例性地，本申请实施方式中，可以基于PKG的路径进行推荐排序。具体地，可以结合获得的推荐类型、意图类型及节点权重进行推荐。PKG中以事件为组织结构，以事件为桥梁连接不同类型的实体，从而更灵活地设计路径，这种方式很好地解决了实体不属于同一个领域的场景中的推荐问题。推荐的规则可以包括，如图14所示，首先根据推荐类型和事件类型，在PKG中搜索与实体列表相关的意图节点，接着获取该意图节点连接的其他节点并按权重进行排序，选出权重最高的词条作为推荐词。推荐可以根据PKG已有节点进行推荐。例如，以电影为例：用户多次提到信条等科幻电影，那么在推荐过程中结合用户意图等会推荐“信条”、“科幻电影”词条。此外可以结合PKG和CKG，将推理出的节点的延伸词条加入到推荐系统里作为用户的特征向量。

因此，本申请实施方式中，不仅能根据用户信息构建体现用户特征的个人知识图谱，而且可以通过推理对未发现关系的知识进行补充和扩展，实现对用户现有知识的补全和扩展，并将推理内容列入推荐的范围，从而可以为用户推荐更多信息，且可以实现跨域推荐，提高用户体验。例如用户关注多个科幻电影，如《复仇者》、《信条》、《钢铁》等，根据推理挖掘出用户潜在的兴趣关注点——科幻电影，将科幻电影加入到个人知识图谱中，并在相应语境为用户推荐“科幻电影”。跨域推理可以结合不同垂域的内容进行推理，例如，用户关注歌曲《红豆》、电影《天下》等内容，跨域推理出用户的潜在关注包括王小菲。

并且，本申请提供的个人知识图谱中可以包括更细粒度的信息，从而具有更细的个性化推荐粒度，结合用户数据、推荐、意图类型以及权重对用户进行细粒度推荐。其中由模型获得的推荐类型(例如人名)和意图类型(例如娱乐)为推荐提供重要信息，此外权重体现出用户对事物的关注程度不同。

此外，采用了知识图谱对用户的行为操作数据进行了存储，构建了专属于用户本人的、独一无二的个人知识图谱。以往的推荐系统采用表的形式进行用户数据的组织，在存储的清晰度和查找的效率上相较于图的存储存在一定差异。并且图谱的存储方式能够迅速获取到与当前内容有直接相关或n跳相关的内容，表的数据存储则需要较长的时间进行查询和访问。

下面示例性地，对一些可能的应用场景进行介绍。

场景一

本申请提供的方法可以部署于终端，用户可以在通讯软件中接收或者发送信息，一种GUI如图15所示，用户可以在通讯软件中发送消息，此时可以将用户发送的消息作为输入文本，从输入文本中抽取出其中的实体以及实体之间的关系，并构建PKG。

随后，其中一种GUI如图16所示，当用户在输入界面中输入文本时，可以从PKG中筛选出匹配的文本，并预测用户即将输入的文本，并在显示界面中显示，从而使用户可以快速实现输入。

场景二

一种GUI如图17所示，本申请提供的方法可以部署于终端，用户可以在搜索程序中，获取用户输入的文本，可以从用户输入的文本中提取实体的信息，如“王菲”、“红豆”，以及实体对应的情感类别等，并增加至PKG中。

随后，一种GUI如图18所示，当用户在输入界面中输入文本时，可以从PKG中筛选出匹配的文本，并预测用户即将输入的文本，并在显示界面中显示，从而使用户可以快速实现输入。

场景三

一种GUI如图19所示，本申请提供的方法可以部署于终端，用户可以在日历APP中进行输入，终端可以获取用户结构化日程事件文本，得到结构化数据，并从结构化数据中提取到事件要素对应的实体、时间等信息，并将抽取到的信息增加至PKG中，从而对用户的日程进行记录，以便于及时提醒用户。

场景四

针对终端中部署的语音助手的场景，当用户在语音助手界面中输入文本时，可以在PKG中筛选出用户输入的文本对应的节点，并进一步筛选出关联节点。并在语音助手的显示界面中显示关联节点的信息。并且，在对关联节点的信息进行显示时，还可以对关联节点的信息进行排序，结合每个节点的权重值，按照权重值从大到小分别进行排序，如将权重值较大的节点的信息排列至用户更方便输入的位置。

例如，一种GUI如图20所示，用户可以在语音助手中询问“王萌”的联系方式，终端可以在PKG中查询与实体“王萌”相关的信息，然后筛选出类别为联系方式的信息，并在终端的显示界面中显示。

又例如，一种GUI如图21所示，用户可以请求语音助手播放音乐，终端可以在PKG中查找与音乐相关的信息，如查询到音乐“红豆”，则可以播放音乐“红豆”。

还例如，一种GUI如图22所示，可以通过用户的日常输入数据，学习到用户的偏好信息，并作为搜索推荐引擎的推荐信息使用。

上述结合应用场景对本申请提供的信息获取方法的各个步骤进行了详细介绍，下面对本申请提供的信息获取方法所部署的架构以及完整的应用场景进行示例性介绍。需要说明的是，以下仅概括性介绍架构，其架构下的各个模块的具体执行步骤可以参阅前述图4-图22，以下不再赘述。

示例性地，本申请提供的信息获取方法可以部署于终端，其在终端所部署的架构可以如图23所示。

其中，应用场景层可以包括终端中安装的业务应用程序(APP)，应用场景层与算法层之间通过算法接口连接，业务APP可以接收用户数据集，并接收算法层反馈的搜索/推荐引擎适用的数据。该架构的核心部分为算法层，可以包括多个模块：1)PKG(知识系统)的构建，主要涉及：a、用户行为数据(文本数据)的学习即知识抽取，b、用户知识生成和存储；c、用户知识图谱构建，2)PKG的扩充：知识推理和知识更新补全；3)PKG的使用：如意图预测和知识排序。

数据管理层用于保存或者管理用户数据，如PKG、CKG或schema等可以保存于数据管理层，为算法层提供数据存储、管理等功能，为查询引擎或者推理过程的基础平台。

本申请提供的信息获取方法的完整流程可以如图24所示。

其中，可以获取用户数据，如用户的输入数据，可以包括结构化数据和非结构化数据。

对输入数据进行信息抽取，抽取出实体以及实体之间的关联关系，还对实体形成的事件的类型(即意图类别)或者事件要素等进行分析，还对实体进行情感分析，分析出情感类别。

还可以从输入数据中提取到事件信息，并按照预先设定的格式来进行存储。

因此，在用户知识抽取部分，可以抽取到事件信息、情感类别、意图类别(即事件类型)、实体事件的关联关系以及事件要素等用户知识，存储用户知识。

此外，还从通用知识图谱(即CKG)中查询与用户知识相关的信息，并基于这些信息对用户知识进行更新或者补全等，从而得到更完整的用户知识。

将用户知识基于预先定义的schema更新至PKG中，即图谱构建。例如，构建得到的PKG可以如图25所示，其中，以目标用户“我”为中心，保存与目标用户相关的各种类型的事件，其中具有关联关系的节点相连接。

同时还通过记忆衰减机制为每个节点设置权重，从而通过权重的方式来实现对用户知识的记忆，从而可以更有效地针对目标用户进行推荐。

在应用场景中，可以基于从输入数据中抽取到的信息来进行事件类型预测(即意图预测)，并从PKG中查询预测信息，按照每个节点的权重对预测信息进行排序并为用户推荐，提高用户体验。

前述对本申请提供的方法的流程进行了详细介绍，下面对执行上述方法的装置进行介绍。

参阅图26，本申请提供的一种信息获取装置的结构示意图。该信息获取装置可以包括：

输入模块2601，用于获取目标用户的输入文本，输入文本中包括至少一个词，至少一个词形成至少一个事件；

文本处理模块2602，用于基于输入文本获取输出序列，输出序列中包括至少一个事件的类型和要素；

获取模块2603，用于根据输出序列获取个人知识图谱，个人知识图谱中包括多个节点，多个节点包括类型节点和要素节点，类型节点用于表示至少一个事件的类型，要素节点用于表示至少一个事件的要素，同一个事件中的类型对应的类型节点和要素对应的要素节点相关联类型节点与对应于同一个事件的要素节点相关联，个人知识图谱用于为目标用户进行推荐。

在一种可能的实施方式中，若输出序列中包括还每个事件的要素之间的关联关系，则个人知识图谱中同一事件具有关联关系的要素对应的要素节点之间相关联；若输出序列中还包括情感类别，则个人知识图谱中同一事件对应的要素节点之间通过情感类别相关联。

在一种可能的实施方式中，获取模块2603，具体用于：若初始知识图谱中包括第一事件的信息，则更新初始知识图谱中包括的第一事件对应的要素节点以及要素节点之间的关联关系，得到个人知识图谱，第一事件是至少一个事件中的任意一个事件；若初始知识图谱中不包括第一事件的信息，则在初始知识图谱中增加第一事件的类型和要素对应的节点,并将第一事件的类型节点和要素节点进行关联，得到个人知识图谱。

在一种可能的实施方式中，获取模块2603，具体用于：通过文本处理模型得到输入文本对应的初始序列，初始序列中包括输入文本中的至少一个词向量表示以及至少一个词对应的第一类别标签；对输入文本进行句法分析，得到特征序列，特征序列包括至少一个词对应的第二类别标签；结合初始序列和特征序列得到输出序列，输出序列中包括至少一个事件的要素和类型。

在一种可能的实施方式中，文本处理模块2602，具体用于：对初始序列中与特征序列不匹配的部分进行修正，得到输出序列。

在一种可能的实施方式中，文本处理模块2602，还用于：若特征序列中每个词对应多种第二类别标签，则为每个词确定唯一的第二类别标签，得到更新后的特征序列。

在一种可能的实施方式中，文本处理模块2602，具体用于：根据输入文本，通过文本处理模型，得到初始序列，其中，文本处理模型用于执行以下步骤：对输入文本进行自然语言处理，得到特征序列和实体序列，实体序列包括至少一个词中每个词对应的向量表示，特征序列中包括输入文本对应的特征向量；获取实体序列中的向量对应的位置信息；融合位置信息和特征序列，得到融合序列；对融合序列对应的实体进行分类，得到标签序列，初始序列中包括每个词对应的向量表示以及标签序列。

在一种可能的实施方式中，该装置还包括，扩充模块2604，用于：获取第一知识图谱，第一知识图谱中包括多个节点，该多个节点包括至少一种实体的信息，该第一个人知识图谱中的节点可以表示一种实体，或者，可以表示事件的要素或者类型；从第一知识图谱中获取与个人知识图谱中的节点相关联的关联信息；使用关联信息对个人知识图谱进行扩充，得到扩充后的个人知识图谱。

在一种可能的实施方式中，装置还包括，推荐模块2605，用于：从个人知识图谱中获取与输出序列匹配的至少一个节点的信息；根据至少一个节点的信息为目标用户生成推荐信息，推荐信息用于针对目标用户进行推荐。

在一种可能的实施方式中，推荐模块2605，具体用于：从个人知识图谱中筛选出输出序列对应的至少一个第一节点的信息；从个人知识图谱中查找与至少一个第一节点关联的至少一个第二节点的信息，至少一个节点的信息包括至少一个第一节点的信息和至少一个第二节点的信息。

在一种可能的实施方式中，输入模块2601，具体用于：获取用户输入数据，输入数据包括图像、文本或者语音中的至少一种数据；从输入数据中提取输入文本。

在一种可能的实施方式中，

输入模块2601，还用于获取目标用户的结构化数据，结构化数据为预设格式的数据；

获取模块2603，还用于按照预设规则从结构化数据中提取至少一个事件的信息；

获取模块2603，还用于根据至少一个事件的信息对个人知识图谱进行更新，得到更新后的个人知识图谱。

请参阅图27，本申请提供的另一种信息获取装置的结构示意图，如下所述。

该信息获取装置可以包括处理器2701和存储器2702。该处理器2701和存储器2702通过线路互联。其中，存储器2702中存储有程序指令和数据。

存储器2702中存储了前述图4-图25中的步骤对应的程序指令以及数据。

处理器2701用于执行前述图4-图25中任一实施例所示的信息获取装置执行的方法步骤。

可选地，该信息获取装置还可以包括收发器2703，用于接收或者发送数据。

本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有程序，当其在计算机上运行时，使得计算机执行如前述图6-图25所示实施例描述的方法中的步骤。

可选地，前述的图27中所示的信息获取装置为芯片。

请参阅图28，本申请提供的另一种电子设备的结构示意图，如下所述。

该电子设备可以包括处理器2801和存储器2802。该处理器2801和存储器2802通过线路互联。其中，存储器2802中存储有程序指令和数据。

存储器2802中存储了前述图4-图25中的步骤对应的程序指令以及数据。

处理器2801用于执行前述图4-图25所示的电子设备执行的方法步骤。

可选地，该电子设备还可以包括收发器2803，用于接收或者发送数据。

本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有程序，当其在计算机上运行时，使得计算机执行如前述图4-图25所示实施例描述的方法中的步骤。

可选地，前述的图28中所示的电子设备为芯片。

本申请实施例还提供了一种信息获取装置，该信息获取装置也可以称为数字处理芯片或者芯片，芯片包括处理单元和通信接口，处理单元通过通信接口获取程序指令，程序指令被处理单元执行，处理单元用于执行前述图4-图25的方法步骤。

本申请实施例还提供一种数字处理芯片。该数字处理芯片中集成了用于实现上述处理器2701、处理器2801，或者处理器2701、处理器2801的功能的电路和一个或者多个接口。当该数字处理芯片中集成了存储器时，该数字处理芯片可以完成前述实施例中的任一个或多个实施例的方法步骤。当该数字处理芯片中未集成存储器时，可以通过通信接口与外置的存储器连接。该数字处理芯片根据外置的存储器中存储的程序代码来实现上述实施例中信息获取装置、信息获取装置或者电子设备执行的动作。

本申请实施例中还提供一种包括计算机程序产品，当其在计算机上行驶时，使得计算机执行如前述图4-图25所示实施例描述的方法的步骤。

本申请实施例提供的信息获取装置可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使服务器内的芯片执行上述图6-图25所示实施例描述的信息获取方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。

具体地，前述的处理单元或者处理器可以是中央处理器(central processing unit，CPU)、网络处理器(neural-network processing unit，NPU)、图形处理器(graphics processing unit，GPU)、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integrated circuit,ASIC)或现场可编程逻辑门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者也可以是任何常规的处理器等。

示例性地，请参阅图29，图29为本申请实施例提供的芯片的一种结构示意图，所述芯片可以表现为神经网络处理器NPU 290，NPU 290作为协处理器挂载到主CPU(Host CPU)上，由Host CPU分配任务。NPU的核心部分为运算电路2903，通过控制器2904控制运算电路2903提取存储器中的矩阵数据并进行乘法运算。

在一些实现中，运算电路2903内部包括多个处理单元(process engine,PE)。在一些实现中，运算电路2903是二维脉动阵列。运算电路2903还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路2903是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器2902中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器2901中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)2908中。

统一存储器2906用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(direct memory access controller，DMAC)2905，DMAC被搬运到权重存储器2902中。输入数据也通过DMAC被搬运到统一存储器2906中。

总线接口单元(bus interface unit，BIU)2910，用于AXI总线与DMAC和取指存储器(instruction fetch buffer，IFB)2909的交互。

总线接口单元2910(bus interface unit，BIU)，用于取指存储器2909从外部存储器获取指令，还用于存储单元访问控制器2905从外部存储器获取输入矩阵A或者权重矩阵B的原数据。

DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器2906或将权重数据搬运到权重存储器2902中或将输入数据数据搬运到输入存储器2901中。

向量计算单元2907包括多个运算处理单元，在需要的情况下，对运算电路的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如批归一化(batch normalization)，像素级求和，对特征平面进行上采样等。

在一些实现中，向量计算单元2907能将经处理的输出的向量存储到统一存储器2906。例如，向量计算单元2907可以将线性函数和/或非线性函数应用到运算电路2903的输出，例如对卷积层提取的特征平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元2907生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路2903的激活输入，例如用于在神经网络中的后续层中的使用。

控制器2904连接的取指存储器(instruction fetch buffer)2909，用于存储控制器2904使用的指令；

统一存储器2906，输入存储器2901，权重存储器2902以及取指存储器2909均为On-Chip存储器。外部存储器私有于该NPU硬件架构。

其中，循环神经网络中各层的运算可以由运算电路2903或向量计算单元2907执行。

其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，ASIC，或一个或多个用于控制上述图4-图25的方法的程序执行的集成电路。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述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。可以根据实际的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。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、只读存储器(read only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，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。

Claims

一种信息获取方法，其特征在于，包括：

获取目标用户的输入文本，所述输入文本中包括至少一个词，所述至少一个词形成至少一个事件；

基于所述输入文本获取输出序列，所述输出序列中包括所述至少一个事件的类型和要素；

根据所述输出序列获取个人知识图谱，所述个人知识图谱中包括多个节点，所述多个节点包括类型节点和要素节点，所述类型节点用于表示所述至少一个事件的类型，所述要素节点用于表示所述至少一个事件的要素，同一个事件中的类型节点和要素节点相关联，所述个人知识图谱用于为所述目标用户进行推荐。
根据权利要求1所述的方法，其特征在于，

若所述输出序列中还包括所述至少一个事件的要素之间的关联关系，则所述个人知识图谱中同一事件具有关联关系的要素对应的要素节点之间相关联；或者，

若所述输出序列中还包括所述至少一个事件的情感类别，则所述个人知识图谱中同一事件对应的要素节点之间通过所述情感类别相关联。
根据权利要求1或2所述的方法，其特征在于，所述输出序列中包括第一事件的类型和要素，所述第一事件是所述至少一个事件中的任意一个事件；所述根据所述输出序列获取个人知识图谱，包括：

若初始知识图谱中包括所述第一事件的信息，则更新所述初始知识图谱中所述第一事件对应的要素节点或要素节点之间的关联关系，得到所述个人知识图谱；

若所述初始知识图谱中不包括所述第一事件的信息，则在所述初始知识图谱中增加所述第一事件的类型节点和要素节点，并将所述第一事件的类型节点和要素节点进行关联，得到所述个人知识图谱。
根据权利要求1-3中任一项所述的方法，其特征在于，所述基于所述输入文本获取输出序列，包括：

通过文本处理模型得到所述输入文本对应的初始序列，所述初始序列中包括所述输入文本中的至少一个词的向量表示以及所述至少一个词对应的第一类别标签；

对所述输入文本进行句法分析，得到特征序列，所述特征序列包括所述至少一个词对应的第二类别标签；

结合所述初始序列和所述特征序列得到所述输出序列，所述输出序列中包括所述至少一个事件的要素和类型。
根据权利要求4所述的方法，其特征在于，所述结合所述初始序列和所述特征序列得到所述输出序列，包括：

对所述初始序列中与所述特征序列不匹配的部分进行修正，得到所述输出序列。
根据权利要求4或5所述的方法，其特征在于，所述方法还包括：

若所述特征序列中每个词对应多种第二类别标签，则为所述每个词确定唯一的第二类别标签，得到更新后的特征序列。
根据权利要求1-6中任一项所述的方法，其特征在于，所述方法还包括：

获取第一知识图谱，所述第一知识图谱中包括多个节点，所述多个节点中包括至少一种实体的信息；

从所述第一知识图谱中获取与所述个人知识图谱中的节点相关联的关联信息；

使用所述关联信息对所述个人知识图谱进行扩充，得到扩充后的个人知识图谱。
根据权利要求1-7中任一项所述的方法，其特征在于，所述方法还包括：

从所述个人知识图谱中获取与所述输出序列匹配的至少一个节点的信息；

根据所述至少一个节点的信息为所述目标用户生成推荐信息，所述推荐信息用于针对所述目标用户进行推荐。
根据权利要求8所述的方法，其特征在于，所述个人知识图谱中每个节点包括对应的权重，每个节点的权重与保存时长或者更新时长呈负相关关系，所述保存时长为保存所述每个节点的信息的时长，所述更新时长为距离上一次更新所述每个节点中包括的信息的时长。
根据权利要求9所述的方法，其特征在于，所述根据所述至少一个节点的信息为所述目标用户生成推荐信息，包括：

根据所述至少一个节点对应的权重，对所述至少一个节点进行排序；

根据所述至少一个节点的信息以及所述至少一个节点的排序生成所述推荐信息。
根据权利要求1-10中任一项所述的方法，其特征在于，所述方法还包括：

获取所述目标用户的结构化数据，所述结构化数据为预设格式的数据；

按照预设规则从所述结构化数据中提取至少一个事件的信息；

根据所述至少一个事件的信息对所述个人知识图谱进行更新，得到更新后的个人知识图谱。
一种图形用户界面GUI，其特征在于，所述图形用户界面存储在电子设备中，所述电子设备包括显示屏、存储器、一个或多个处理器，所述一个或多个处理器用于执行存储在该存储器中的一个或多个计算机程序，所述图形用户界面包括：

响应于目标用户的输入操作生成个人知识图谱，显示所述个人知识图谱，其中，所述目标用户的输入文本中包括至少一个词，所述至少一个词形成至少一个事件，所述个人知识图谱中包括多个节点，所述多个节点包括类型节点和要素节点，所述类型节点用于表示所述至少一个事件的类型，所述要素节点用于表示所述至少一个事件的要素，同一个事件中的类型节点和要素节点相关联所述个人知识图谱用于为所述目标用户进行推荐。
根据权利要求12所述的GUI，其特征在于，所述GUI还包括：

响应于从所述第一知识图谱中获取与所述个人知识图谱中的节点相关联的关联信息，使用所述关联信息对所述个人知识图谱进行扩充后得到扩充后的个人知识图谱，显示所述扩充后的个人知识图谱，所述第一知识图谱中包括多个节点，每个节点包括至少一种实体的信息。
根据权利要求12或13所述的GUI，其特征在于，所述GUI还包括：

响应于根据所述个人知识图谱中获取到的至少一个节点的信息为所述目标用户生成推荐信息，显示所述推荐信息，所述推荐信息用于针对所述目标用户进行推荐。
一种信息获取装置，其特征在于，包括：

输入模块，用于获取目标用户的输入文本，所述输入文本中包括至少一个词，所述至少一个词形成至少一个事件；

文本处理模块，用于基于所述输入文本获取输出序列，所述输出序列中包括所述至少一个事件的类型和要素；

获取模块，用于根据所述输出序列获取个人知识图谱，所述个人知识图谱中包括多个节点，所述多个节点包括类型节点和要素节点，所述类型节点用于表示所述至少一个事件的类型，所述要素节点用于表示所述至少一个事件的要素，同一个事件中的类型节点和要素节点相关联，所述个人知识图谱用于为所述目标用户进行推荐。
根据权利要求15所述的装置，其特征在于，

若所述输出序列中还包括所述至少一个事件的要素之间的关联关系，则所述个人知识图谱中同一事件具有关联关系的要素对应的要素节点之间相关联；或者，

若所述输出序列中还包括所述至少一个事件的情感类别，则所述个人知识图谱中同一事件对应的要素节点之间通过所述情感类别相关联。
根据权利要求15或16所述的装置，其特征在于，所述输出序列中包括第一事件的类型和要素，所述第一事件是所述至少一个事件中的任意一个事件；所述获取模块，具体用于：

若初始知识图谱中包括所述第一事件的信息，则更新所述初始知识图谱中所述第一事件对应的要素节点或要素节点之间的关联关系，得到所述个人知识图谱；

若所述初始知识图谱中不包括所述第一事件的信息，则在所述初始知识图谱中增加所述第一事件的类型节点和要素节点,并将所述第一事件的类型节点和要素节点进行关联，得到所述个人知识图谱。
根据权利要求15-17中任一项所述的装置，其特征在于，所述文本处理模块，具体用于：

通过文本处理模型得到所述输入文本对应的初始序列，所述初始序列中包括所述输入文本中的至少一个词的向量表示以及所述至少一个词对应的第一类别标签；

对所述输入文本进行句法分析，得到特征序列，所述特征序列包括所述至少一个词对应的第二类别标签；

结合所述初始序列和所述特征序列得到所述输出序列，所述输出序列中包括所述至少一个事件的要素和类型。
根据权利要求15-18中任一项所述的装置，其特征在于，所述装置还包括，扩充模块，用于：

获取第一知识图谱，所述第一知识图谱中包括多个节点，每个节点包括至少一种实体的信息；

从所述第一知识图谱中获取与所述个人知识图谱中的节点相关联的关联信息；

使用所述关联信息对所述个人知识图谱进行扩充，得到扩充后的个人知识图谱。
根据权利要求15-19中任一项所述的装置，其特征在于，所述装置还包括，推荐模块，用于：

从所述个人知识图谱中获取与所述输出序列匹配的至少一个节点的信息；

根据所述至少一个节点的信息为所述目标用户生成推荐信息，所述推荐信息用于针对所述目标用户进行推荐。
根据权利要求20所述的装置，其特征在于，所述个人知识图谱中每个节点包括对应的权重，每个节点的权重与保存时长或者更新时长呈负相关关系，所述保存时长为保存所述每个节点的信息的时长，所述更新时长为距离上一次更新所述每个节点中包括的信息的时长。
根据权利要求21所述的装置，其特征在于，所述推荐模块，具体用于：

根据所述至少一个节点对应的权重，对所述至少一个节点进行排序；

根据所述至少一个节点的信息以及所述至少一个节点的排序生成所述推荐信息。
一种信息获取装置，其特征在于，包括至少一个处理器和存储器，所述至少一个处理器与所述存储器耦合，用于读取并执行所述存储器中的指令，以执行如权利要求1-11任一项所述的方法。
一种电子设备，其特征在于，包括：处理器；存储器；所述存储器存储一个或多个计算机程序，所述一个或多个计算机程序包括指令，当所述指令被所述一个或多个处理器执行时，使得所述电子设备执行如权利要求1-11任一项所述的方法。
一种计算机可读存储介质，包括程序，当其被处理单元所执行时，执行如权利要求1至11任一项所述的方法。
一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至11任一项所述的方法。