CN109902156A - 实体检索方法、存储介质和电子设备 - Google Patents
实体检索方法、存储介质和电子设备 Download PDFInfo
- Publication number
- CN109902156A CN109902156A CN201910017986.6A CN201910017986A CN109902156A CN 109902156 A CN109902156 A CN 109902156A CN 201910017986 A CN201910017986 A CN 201910017986A CN 109902156 A CN109902156 A CN 109902156A
- Authority
- CN
- China
- Prior art keywords
- term vector
- term
- entity
- vector
- sample
- 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.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
公开了一种实体检索方法、存储介质和电子设备。本发明实施例通过获取检索词对应的第一词向量,并遍历第二词向量集合和第三词向量集合,确定与所述第一词向量相似的多个第二词向量和第三词向量,其中,所述第二词向量集合包括预定的知识图谱中实体对应的词向量,所述第三词向量集合包括所述知识图谱中实体属性对应的词向量,从而根据所述第一词向量和预定的匹配模型获取所述相似的多个第二词向量和第三词向量的排序结果,进而根据所述排序结果确定所述检索词对应的实体。由此,可以提升信息检索的准确性。
Description
技术领域
本发明涉及信息处理技术领域,具体涉及一种实体检索方法、存储介质和电子设备。
背景技术
随着互联网技术的不断发展,通过网页查找信息已成为人们获取信息最常用的方式。目前,基于知识图谱的信息检索引擎得到了大力发展和普及,例如谷歌、百度等,均是基于知识图谱来对信息进行检索的。将知识图谱与信息检索进行结合能够快速获取更多的信息,是一种较高效的信息检索方法。
现有技术通常通过采用将检索词与知识图谱中的实体及实体属性进行关键词匹配来获取需要查询的信息,但由于知识图谱中的实体和实体属性的数量较大,且实体和实体属性的概念会随着时间的发展产生变化,基于关键词匹配的信息检索方法准确性会逐渐降低。
发明内容
有鉴于此,本发明实施例提出一种实体检索方法、存储介质和电子设备,可以在不影响检索时间的情况下提升信息检索的准确性。
根据本发明实施例的第一方面,提供一种实体检索方法,所述方法包括:
获取检索词对应的第一词向量;
遍历第二词向量集合和第三词向量集合,确定与所述第一词向量相似的多个第二词向量和第三词向量,其中,所述第二词向量集合包括预定的知识图谱中实体对应的词向量,所述第三词向量集合包括所述知识图谱中实体属性对应的词向量;
根据所述第一词向量和预定的匹配模型获取所述相似的多个第二词向量和第三词向量的排序结果;以及
根据所述排序结果确定所述检索词对应的实体。
优选地,所述第一词向量、所述第二词向量和所述第三词向量通过词向量生成模型获得。
优选地,所述第二词向量集合还包括与所述实体相关联的行业热词对应的词向量。
优选地,所述词向量生成模型根据样本预先训练获得,所述样本包括样本词和对应的样本词向量。
优选地,确定与所述第一词向量相似的多个第二词向量和第三词向量包括:
分别计算所述第一词向量与每个所述第二词向量及每个所述第三词向量的相似度;
选取所述相似度满足预定条件的多个所述第二词向量和所述第三词向量作为所述相似的多个第二词向量和第三词向量。
优选地,根据所述第一词向量和预定的匹配模型获取所述相似的多个第二词向量和第三词向量的排序结果包括:
根据所述第一词向量和所述预定的匹配模型获取所述第一词向量与所述相似的多个第二词向量和第三词向量的匹配概率;
按所述匹配概率对对应的所述相似的多个第二词向量和第三词向量进行排序,将排序后的匹配概率作为所述排序结果。
优选地,所述预定的匹配模型根据样本集合预先训练获得,所述样本集合中的每个样本包括一个所述第二词向量和一个随机选择的所述第三词向量及对应的匹配结果,所述匹配结果用于表征所述训练样本中的实体和实体属性是否匹配。
根据本发明实施例的第二方面,提供一种计算机可读存储介质,其上存储计算机程序指令,其中,所述计算机程序指令在被处理器执行时实现如第一方面所述的方法。
根据本发明实施例的第三方面,提供一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面所述的方法。
本发明实施例通过获取检索词对应的第一词向量,并遍历第二词向量集合和第三词向量集合,确定与所述第一词向量相似的多个第二词向量和第三词向量,其中,所述第二词向量集合包括预定的知识图谱中实体对应的词向量,所述第三词向量集合包括所述知识图谱中实体属性对应的词向量,从而根据所述第一词向量和预定的匹配模型获取所述相似的多个第二词向量和第三词向量的排序结果,进而根据所述排序结果确定所述检索词对应的实体。由此,可以提升信息检索的准确性。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1是本发明实施例的实体检索方法的流程图;
图2是本发明实施例的方法确定相似的多个第二词向量和第三词向量的流程图;
图3是本发明实施例的方法获取所述相似的多个第二词向量和第三词向量的排序结果的流程图;
图4是本发明实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
图1是本发明实施例的实体检索方法的流程图。在本实施例中,以基于知识图谱和词向量的实体检索过程为例进行说明。用户在进行实体检索时,现有的搜索引擎通常将检索词与知识图谱中的实体及实体属性进行关键词匹配来获取需要查询的信息,但由于知识图谱中的实体和实体属性的数量较大,且实体和实体属性的概念会随着时间的发展产生变化,基于关键词匹配的信息检索方法准确性会逐渐降低。
如图1所示,本实施例的方法包括如下步骤:
步骤S100,获取检索词对应的第一词向量。
在自然语言处理(NLP)中,每一个词均由对应的词向量表示,词向量是词汇表中的单词或短语被映射到实数的向量,用于表征对应的词的含义。在本步骤中,获取的词向量能够充分表征对应的词与上下文之间的相关性。
步骤S200,遍历第二词向量集合和第三词向量集合,确定与所述第一词向量相似的多个第二词向量和第三词向量,其中,所述第二词向量集合包括预定的知识图谱中实体对应的词向量,所述第三词向量集合包括所述知识图谱中实体属性对应的词向量。
在步骤S100和步骤S200中,所述第一词向量、所述第二词向量和所述第三词向量通过词向量生成模型获得。所述词向量生成模型可以采用各种算法获得,例如CBOW(连续词袋模型,Continuous Bag-Of-Word)、LBL(对数双线性语言模型,Log-Bilinear Language)、NNLM(神经网络语言模型,Neural Network Language Model)、Skip-Gram等。具体地,所述词向量生成模型根据样本预先训练获得,所述样本包括样本词和对应的样本词向量。在本实施例中,采用Skip-Gram作为词向量生成模型。Skip-Gram实质上是一个权重(也即,概率)矩阵,输出的词向量中的每一个值能够表示在输入的词的上下文中出现预定词的概率。例如输入的词为“柠檬”,输出的词向量中“酸”对应的值(也即,上下文中出现“酸”的概率)会较高,如0.9,“甜”对应的值(也即,上下文中出现“甜”的概率)会较低,如0.25,能够清晰地反映输入的词与上下文的相关性。且Skip-Gram能够较较简便地获取每个词对应的词向量。例如“柠檬”是整个模型词表中的第二个词,则权重矩阵中的第二行对应了“柠檬”的词向量。应理解,词向量的维数越高对于对应的词的特征描述越准确,维数越低计算量越低,因此可以根据计算能力和实际需要确定生成的词向量的维数。
在步骤S200中,词向量之间的相似性能够表征对应的词之间的相关程度,词向量之间的相似性越高,对应的词之间的相关程度越高,获取的实体检索结果越准确。实体是指客观存在可以相互区别的事物,实体属性能够表示实体的某一部分特征,实体属性既可以是另一实体,也可以是实体与另一实体的关系,例如实体为“徐峥”,对应的实体属性可以为“演员”、“黄渤的好友”等。
在一个可选的实现方式中,第二词向量集合还包括与所述实体相关联的行业热词对应的词向量。行业热词用于消除预定的知识图谱中的预定词的歧义。例如,将热词“山争哥哥”与演员徐峥相关联,在对实体“徐峥”进行检索时可以同时获取与“徐峥”和“山争哥哥”有关的信息。具体地,可以通过有监督分类器消除歧义(如贝叶斯分类器)、基于词典消除歧义和无监督消除歧义等方式消除预定的知识图谱中预定词的歧义。
图2是本发明实施例的方法确定相似的多个第二词向量和第三词向量的流程图。如图2所示,步骤S200可以包括:
步骤S210,分别计算所述第一词向量与所述第二词向量及所述第三词向量的相似度。
在本步骤中,可以采用各种方式衡量词向量之间的相似度,例如欧式距离(Euclidean Distance)、曼哈顿距离(Manhattan Distance)、明可夫斯基距离(MinkowskiDistance)、余弦相似度(Cosine Similarity)、杰卡德相似度(Jaccard Similarity)、皮尔森相关系数(Pearson Correlation Coefficient)等。
步骤S220,选取所述相似度满足预定条件的多个所述第二词向量和所述第三词向量作为所述相似的多个第二词向量和第三词向量。
在本步骤中,根据在步骤S210中选取的相似度衡量方式确定对应的预定条件。例如,采用距离衡量词向量之间的相似性时,对应的预定条件为距离小于预定阈值。采用余弦相似度衡量词向量之间的相似性时,对应的预定条件为余弦值大于预定阈值。在相似度满足预定条件时,将对应的多个第二词向量和第三词向量作为与第一词向量相似的多个第二词向量和第三词向量。
步骤S300,根据所述第一词向量和预定的匹配模型获取所述相似的多个第二词向量和第三词向量的排序结果。
在本步骤中,对相似的多个第二词向量和第三词向量进行排序并获得排序结果,排序结果能够表示第一词向量与多个第二词向量和第三词向量的匹配程度,排序结果越靠前匹配程度越高。
图3是本发明实施例的方法获取所述相似的多个第二词向量和第三词向量的排序结果的流程图。如图3所示,步骤S300可以包括:
步骤S310,根据所述第一词向量和所述预定的匹配模型获取所述第一词向量与所述相似的多个第二词向量和第三词向量的匹配概率。
在本步骤中,预定的匹配模型用于获取第一词向量与第二词向量、第一词向量与第三词向量的匹配概率。匹配概率能够进一步表征相关的词向量之间的匹配程度,进而表征对应的词之间的匹配程度,提升实体检索的准确性。具体地,所述预定的匹配模型根据样本集合预先训练获得,所述样本集合中的每个样本包括一个所述第二词向量和一个随机选择的所述第三词向量及对应的匹配结果,所述匹配结果用于表征所述训练样本中的实体和实体属性是否匹配。更具体地,在训练过程中,匹配模型的输入为一个第二词向量和一个随机选择的第三词向量,输出为两个向量的匹配结果。若两个向量是匹配的,则对应的匹配结果可以为1,若两个向量是不匹配的,则对应的匹配结果可以为0。例如,输入为“徐峥”对应的第一词向量和“光头”对应的第三词向量,输出的匹配结果为1。在本实施例中,匹配模型为MLP(多层神经网络,也即,多层感知器,Multi-Layer Perceptron)。样本集合包括训练样本集合和验证样本集合,训练样本集合用于训练匹配模型,验证样本集合用于验证并提升匹配模型匹配的准确度。可以参考《汉语语音识别说话验证,钟林,清华大学工学硕士学位论文》的第四章《基于MLP估计后验概率的拒识》训练MLP模型并获取匹配概率。获取匹配模型后,模型的输入为第一词向量和随机选择的相似的第二词向量和/或第三词向量,输出为两个向量的匹配概率,匹配概率用于表示第一词向量和随机选择的相似的第二词向量和/或第三词向量的匹配程度。例如,输入为“徐峥”对应的第一词向量和“黄渤”对应的第二词向量,则输出为“徐峥”和“黄渤”的匹配概率,如0.68。应理解,匹配模型不限于MLP,还可以根据其他模型,例如SVM(支持向量机,Support Vector Machines)、线性回归、逻辑回归、线性判别分析、决策树、K-NN(K-临近,K-nearest neighbor analysis)等,获取第一词向量与相似的多个第二词向量和第三词向量的匹配概率。
步骤S320,按所述匹配概率对对应的所述相似的多个第二词向量和第三词向量进行排序,将排序后的匹配概率作为所述排序结果。
在本步骤中,按匹配概率由大到小对对应的第二词向量和第三词向量进行排序。匹配概率越大,对应的第二词向量或第三词向量与第一词向量的匹配程度越高,因此排序结果越靠前。将排序后的概率作为排序结果。
步骤S400,根据所述排序结果确定所述检索词对应的实体。
经过上述步骤,获取检索词对应的第一词向量及排序后的相似的多个第二词向量和第三词向量后,就可以根据排序结果确定相似的多个第二词向量对应的实体和第三词向量对应的实体属性对应的实体作为检索词对应的实体。排序结果越靠前的实体与检索词的匹配程度越高,准确性越强。
本发明实施例通过获取检索词对应的第一词向量,并遍历第二词向量集合和第三词向量集合,确定与所述第一词向量相似的多个第二词向量和第三词向量,其中,所述第二词向量集合包括预定的知识图谱中实体对应的词向量,所述第三词向量集合包括所述知识图谱中实体属性对应的词向量,从而根据所述第一词向量和预定的匹配模型获取所述相似的多个第二词向量和第三词向量的排序结果,进而根据所述排序结果确定所述检索词对应的实体。由此,可以提升信息检索的准确性。
图4是本发明实施例的电子设备的示意图。图4所示的电子设备为通用数据处理装置,其包括通用的计算机硬件结构,其至少包括处理器41和存储器42。处理器41和存储器42通过总线43连接。存储器42适于存储处理器41可执行的指令或程序。处理器41可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器41通过执行存储器42所存储的命令,从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其他装置的控制。总线43将上述多个组件连接在一起,同时将上述组件连接到显示控制器44和显示装置以及输入/输出(I/O)装置45。输入/输出(I/O)装置45可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出(I/O)装置45通过输入/输出(I/O)控制器46与***相连。
其中,存储器42可以存储软件组件,例如操作***、通信模块、交互模块以及应用程序。以上所述的每个模块和应用程序都对应于完成一个或多个功能和在发明实施例中描述的方法的一组可执行程序指令。
上述根据本发明实施例的方法、设备(***)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应理解,流程图和/或框图的每个块以及流程图图例和/或框图中的块的组合可以由计算机程序指令来实现。这些计算机程序指令可以被提供至通用计算机、专用计算机或其它可编程数据处理设备的处理器,以产生机器,使得(经由计算机或其它可编程数据处理设备的处理器执行的)指令创建用于实现流程图和/或框图块或块中指定的功能/动作的装置。
同时,如本领域技术人员将意识到的,本发明实施例的各个方面可以被实现为***、方法或计算机程序产品。因此,本发明实施例的各个方面可以采取如下形式:完全硬件实施方式、完全软件实施方式(包括固件、常驻软件、微代码等)或者在本文中通常可以都称为“电路”、“模块”或“***”的将软件方面与硬件方面相结合的实施方式。此外,本发明的方面可以采取如下形式:在一个或多个计算机可读介质中实现的计算机程序产品,计算机可读介质具有在其上实现的计算机可读程序代码。
可以利用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是如(但不限于)电子的、磁的、光学的、电磁的、红外的或半导体***、设备或装置,或者前述的任意适当的组合。计算机可读存储介质的更具体的示例(非穷尽列举)将包括以下各项:具有一根或多根电线的电气连接、便携式计算机软盘、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或闪速存储器)、光纤、便携式光盘只读存储器(CD-ROM)、光存储装置、磁存储装置或前述的任意适当的组合。在本发明实施例的上下文中,计算机可读存储介质可以为能够包含或存储由指令执行***、设备或装置使用的程序或结合指令执行***、设备或装置使用的程序的任意有形介质。
计算机可读信号介质可以包括传播的数据信号,所述传播的数据信号具有在其中如在基带中或作为载波的一部分实现的计算机可读程序代码。这样的传播的信号可以采用多种形式中的任何形式,包括但不限于:电磁的、光学的或其任何适当的组合。计算机可读信号介质可以是以下任意计算机可读介质:不是计算机可读存储介质,并且可以对由指令执行***、设备或装置使用的或结合指令执行***、设备或装置使用的程序进行通信、传播或传输。
用于执行针对本发明各方面的操作的计算机程序代码可以以一种或多种编程语言的任意组合来编写,所述编程语言包括:面向对象的编程语言如Java、Smalltalk、C++、PHP、Python等;以及常规过程编程语言如“C”编程语言或类似的编程语言。程序代码可以作为独立软件包完全地在用户计算机上、部分地在用户计算机上执行;部分地在用户计算机上且部分地在远程计算机上执行;或者完全地在远程计算机或服务器上执行。在后一种情况下,可以将远程计算机通过包括局域网(LAN)或广域网(WAN)的任意类型的网络连接至用户计算机,或者可以与外部计算机进行连接(例如通过使用因特网服务供应商的因特网)。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种实体检索方法,其特征在于,所述方法包括:
获取检索词对应的第一词向量;
遍历第二词向量集合和第三词向量集合,确定与所述第一词向量相似的多个第二词向量和第三词向量,其中,所述第二词向量集合包括预定的知识图谱中实体对应的词向量,所述第三词向量集合包括所述知识图谱中实体属性对应的词向量;
根据所述第一词向量和预定的匹配模型获取所述相似的多个第二词向量和第三词向量的排序结果;以及
根据所述排序结果确定所述检索词对应的实体。
2.根据权利要求1所述的实体检索方法,其特征在于,所述第一词向量、所述第二词向量和所述第三词向量通过词向量生成模型获得。
3.根据权利要求1所述的实体检索方法,其特征在于,所述第二词向量集合还包括与所述实体相关联的行业热词对应的词向量。
4.根据权利要求2所述的实体检索方法,其特征在于,所述词向量生成模型根据样本预先训练获得,所述样本包括样本词和对应的样本词向量。
5.根据权利要求1所述的实体检索方法,其特征在于,确定与所述第一词向量相似的多个第二词向量和第三词向量包括:
分别计算所述第一词向量与所述第二词向量及所述第三词向量的相似度;
选取所述相似度满足预定条件的多个所述第二词向量和所述第三词向量作为所述相似的多个第二词向量和第三词向量。
6.根据权利要求1所述的实体检索方法,其特征在于,根据所述第一词向量和预定的匹配模型获取所述相似的多个第二词向量和第三词向量的排序结果包括:
根据所述第一词向量和所述预定的匹配模型获取所述第一词向量与所述相似的多个第二词向量和第三词向量的匹配概率;
按所述匹配概率对对应的所述相似的多个第二词向量和第三词向量进行排序,将排序后的匹配概率作为所述排序结果。
7.根据权利要求1所述的实体检索方法,其特征在于,所述预定的匹配模型根据样本集合预先训练获得,所述样本集合中的每个样本包括一个所述第二词向量和一个随机选择的所述第三词向量及对应的匹配结果,所述匹配结果用于表征所述训练样本中的实体和实体属性是否匹配。
8.一种计算机可读存储介质,其上存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时实现如权利要求1-7中任一项所述的方法。
9.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910017986.6A CN109902156B (zh) | 2019-01-09 | 2019-01-09 | 实体检索方法、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910017986.6A CN109902156B (zh) | 2019-01-09 | 2019-01-09 | 实体检索方法、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109902156A true CN109902156A (zh) | 2019-06-18 |
CN109902156B CN109902156B (zh) | 2021-12-24 |
Family
ID=66943663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910017986.6A Active CN109902156B (zh) | 2019-01-09 | 2019-01-09 | 实体检索方法、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902156B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502613A (zh) * | 2019-08-12 | 2019-11-26 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、智能检索方法、装置和存储介质 |
CN111198965A (zh) * | 2019-12-31 | 2020-05-26 | 腾讯科技(深圳)有限公司 | 一种歌曲检索方法、装置、服务器及存储介质 |
CN112131882A (zh) * | 2020-09-30 | 2020-12-25 | 绿盟科技集团股份有限公司 | 一种多源异构网络安全知识图谱构建方法及装置 |
CN112148885A (zh) * | 2020-09-04 | 2020-12-29 | 上海晏鼠计算机技术股份有限公司 | 一种基于知识图谱的智能搜索方法及*** |
CN112307281A (zh) * | 2019-07-25 | 2021-02-02 | 北京搜狗科技发展有限公司 | 一种实体推荐方法及装置 |
CN113239257A (zh) * | 2021-06-07 | 2021-08-10 | 北京字跳网络技术有限公司 | 信息处理方法、装置、电子设备及存储介质 |
CN116028650A (zh) * | 2023-03-27 | 2023-04-28 | 北京国华众联科技有限公司 | 知识图谱实体匹配方法和装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177075A (zh) * | 2011-12-30 | 2013-06-26 | 微软公司 | 基于知识的实体检测和消歧 |
CN104794163A (zh) * | 2015-03-25 | 2015-07-22 | 中国人民大学 | 实体集合扩展方法 |
CN106777275A (zh) * | 2016-12-29 | 2017-05-31 | 北京理工大学 | 基于多粒度语义块的实体属性和属性值提取方法 |
CN106940702A (zh) * | 2016-01-05 | 2017-07-11 | 富士通株式会社 | 连接短文本中实体提及与语义知识库中实体的方法和设备 |
CN107358315A (zh) * | 2017-06-26 | 2017-11-17 | 深圳市金立通信设备有限公司 | 一种信息预测方法及终端 |
CN108536852A (zh) * | 2018-04-16 | 2018-09-14 | 上海智臻智能网络科技股份有限公司 | 问答交互方法和装置、计算机设备及计算机可读存储介质 |
US20180341684A1 (en) * | 2017-05-23 | 2018-11-29 | International Business Machines Corporation | Adaptive conversational disambiguation system |
-
2019
- 2019-01-09 CN CN201910017986.6A patent/CN109902156B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177075A (zh) * | 2011-12-30 | 2013-06-26 | 微软公司 | 基于知识的实体检测和消歧 |
CN104794163A (zh) * | 2015-03-25 | 2015-07-22 | 中国人民大学 | 实体集合扩展方法 |
CN106940702A (zh) * | 2016-01-05 | 2017-07-11 | 富士通株式会社 | 连接短文本中实体提及与语义知识库中实体的方法和设备 |
CN106777275A (zh) * | 2016-12-29 | 2017-05-31 | 北京理工大学 | 基于多粒度语义块的实体属性和属性值提取方法 |
US20180341684A1 (en) * | 2017-05-23 | 2018-11-29 | International Business Machines Corporation | Adaptive conversational disambiguation system |
CN107358315A (zh) * | 2017-06-26 | 2017-11-17 | 深圳市金立通信设备有限公司 | 一种信息预测方法及终端 |
CN108536852A (zh) * | 2018-04-16 | 2018-09-14 | 上海智臻智能网络科技股份有限公司 | 问答交互方法和装置、计算机设备及计算机可读存储介质 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307281A (zh) * | 2019-07-25 | 2021-02-02 | 北京搜狗科技发展有限公司 | 一种实体推荐方法及装置 |
CN110502613A (zh) * | 2019-08-12 | 2019-11-26 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、智能检索方法、装置和存储介质 |
CN110502613B (zh) * | 2019-08-12 | 2022-03-08 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、智能检索方法、装置和存储介质 |
CN111198965A (zh) * | 2019-12-31 | 2020-05-26 | 腾讯科技(深圳)有限公司 | 一种歌曲检索方法、装置、服务器及存储介质 |
CN111198965B (zh) * | 2019-12-31 | 2024-04-19 | 腾讯科技(深圳)有限公司 | 一种歌曲检索方法、装置、服务器及存储介质 |
CN112148885A (zh) * | 2020-09-04 | 2020-12-29 | 上海晏鼠计算机技术股份有限公司 | 一种基于知识图谱的智能搜索方法及*** |
CN112148885B (zh) * | 2020-09-04 | 2024-02-02 | 上海晏鼠计算机技术股份有限公司 | 一种基于知识图谱的智能搜索方法及*** |
CN112131882A (zh) * | 2020-09-30 | 2020-12-25 | 绿盟科技集团股份有限公司 | 一种多源异构网络安全知识图谱构建方法及装置 |
CN112131882B (zh) * | 2020-09-30 | 2024-02-13 | 绿盟科技集团股份有限公司 | 一种多源异构网络安全知识图谱构建方法及装置 |
CN113239257A (zh) * | 2021-06-07 | 2021-08-10 | 北京字跳网络技术有限公司 | 信息处理方法、装置、电子设备及存储介质 |
CN113239257B (zh) * | 2021-06-07 | 2024-05-14 | 北京字跳网络技术有限公司 | 信息处理方法、装置、电子设备及存储介质 |
CN116028650A (zh) * | 2023-03-27 | 2023-04-28 | 北京国华众联科技有限公司 | 知识图谱实体匹配方法和装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109902156B (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902156A (zh) | 实体检索方法、存储介质和电子设备 | |
Ren et al. | Sequential recommendation with self-attentive multi-adversarial network | |
Lin et al. | A structured self-attentive sentence embedding | |
CN108875074B (zh) | 基于交叉注意力神经网络的答案选择方法、装置和电子设备 | |
CN107066464B (zh) | 语义自然语言向量空间 | |
WO2018157804A1 (zh) | 一种问题的应答方法及装置 | |
CN110704621B (zh) | 文本处理方法、装置及存储介质和电子设备 | |
CN111382255B (zh) | 用于问答处理的方法、装置、设备和介质 | |
CN114641779A (zh) | 机器学习模型的对抗训练 | |
US11645479B1 (en) | Method for AI language self-improvement agent using language modeling and tree search techniques | |
GB2547068A (en) | Semantic natural language vector space | |
JP2017518588A (ja) | 会話理解システムのためのセッションコンテキストモデリング | |
CN110727839A (zh) | 自然语言查询的语义解析 | |
Korpusik et al. | Spoken language understanding for a nutrition dialogue system | |
US10198497B2 (en) | Search term clustering | |
Holla et al. | Learning to learn to disambiguate: Meta-learning for few-shot word sense disambiguation | |
US11354599B1 (en) | Methods and systems for generating a data structure using graphical models | |
US20200394269A1 (en) | Machine Learning Based Intent Resolution for a Digital Assistant | |
US20230237084A1 (en) | Method and apparatus for question-answering using a database consist of query vectors | |
CN109410935A (zh) | 一种基于语音识别的目的地搜索方法及装置 | |
US11966428B2 (en) | Resource-efficient sequence generation with dual-level contrastive learning | |
Arjmand et al. | Teasel: a transformer-based speech-prefixed language model | |
Shen et al. | Modeling token-level uncertainty to learn unknown concepts in SLU via calibrated dirichlet prior RNN | |
US10915581B2 (en) | Methods and systems for selecting an alimentary transfer descriptor using categorical constraints | |
EP4094166A1 (en) | Updating training examples for artificial intelligence |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210310 Address after: 100024 north of village committee, danaipo village, Sanjianfang Township, Chaoyang District, Beijing (Room 309, 3rd floor, tizhijie courtyard) Applicant after: Qiancheng Shuzhi (Beijing) Network Technology Co.,Ltd. Address before: 100080 01-a377, 3rd floor, 55 Suzhou street, Haidian District, Beijing Applicant before: BEIJING XIAOSHENG NETWORK TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |