CN113392648B - 实体关系获取方法及装置 - Google Patents
实体关系获取方法及装置 Download PDFInfo
- Publication number
- CN113392648B CN113392648B CN202110616419.XA CN202110616419A CN113392648B CN 113392648 B CN113392648 B CN 113392648B CN 202110616419 A CN202110616419 A CN 202110616419A CN 113392648 B CN113392648 B CN 113392648B
- Authority
- CN
- China
- Prior art keywords
- entity
- semantic
- word
- vector
- entity word
- 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
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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Machine Translation (AREA)
Abstract
本公开的实施例提供了一种实体关系获取方法及装置。所述方法包括:获取待识别的第一实体词和第二实体词;基于语义识别模型,获取所述第一实体词对应的第一语义向量,及所述第二实体词对应的第二语义向量;基于实体关系识别模型的语义计算限制条件,对所述第一语义向量、所述第二语义向量、所述第一实体词和所述第二实体词对应的实体拼接向量进行处理,得到所述第一实体词和所述第二实体词对应的实体语义向量;基于所述实体语义向量,获取所述第一实体词和所述第二实体词之间的实体关系。本公开的实施例可以在节省人力成本投入的同时,提升实体关系识别的效率。
Description
技术领域
本公开的实施例涉及实体关系识别技术领域,尤其涉及一种实体关系获取方法及装置。
背景技术
知识图谱是指通过对数据进行结构化处理,可以将常识以及专业知识融入到众多搜索、推荐与对话业务中。而关系识别是指在构建知识图谱的过程中,对两个实体节点之间的关系进行判断,丰富图谱中的知识。
在现有技术方案中,主要是采用统计模型或双塔模型进行识别关系的识别,其中,统计模型是通过人工抽取各种统计特征,例如实体出现的频率、两个实体间的互信息、实体的上下文统计等,再利用统计机器学习模型判别实体间的关系。而双塔模型则是分别对两个实体进行编码,再对两者的编码进行计算,得到实体间的关系。
上述方式中,统计模型需要人工设计特征,且不同的数据集之间迁移性差,耗费人力的同时,实体关系识别效果较差,而双塔模型实体之间的交互计算较少,实体关系识别效果也不理想。
发明内容
本公开的实施例提供一种实体关系获取方法及装置,用以减少人力成本投入的同时,提高实体关系的识别效果。
根据本公开的实施例的第一方面,提供了一种实体关系获取方法,包括:
获取待识别的第一实体词和第二实体词;
基于语义识别模型,获取所述第一实体词对应的第一语义向量,及所述第二实体词对应的第二语义向量;
基于实体关系识别模型的语义计算限制条件,对所述第一语义向量、所述第二语义向量、所述第一实体词和所述第二实体词对应的实体拼接向量进行处理,得到所述第一实体词和所述第二实体词对应的实体语义向量;
基于所述实体语义向量,获取所述第一实体词和所述第二实体词之间的实体关系。
可选地,所述基于语义识别模型,获取所述第一实体词对应的第一语义向量,及所述第二实体词对应的第二语义向量,包括:
获取所述第一实体词对应的第一实体词名称和所述第二实体词对应的第二实体词名称;
将所述第一实体词名称和所述第二实体词名称输入至所述语义识别模型,并获取由所述语义识别模型输出的所述第一语义向量和所述第二语义向量。
可选地,所述实体关系识别模型包括向量转换层和语义识别层,
所述基于实体关系识别模型的语义计算限制条件,对所述第一语义向量、所述第二语义向量、所述第一实体词和所述第二实体词对应的实体拼接向量进行处理,得到所述第一实体词和所述第二实体词对应的实体语义向量,包括:
获取所述第一实体词和所述第二实体词对应的拼接实体词;
将所述拼接实体词、所述第一语义向量和所述第二语义向量输入至所述实体关系识别模型;
调用所述向量转换层对所述拼接实体词进行处理,得到所述实体拼接向量;
调用所述语义识别层根据所述语义计算限制条件对所述实体拼接向量、所述第一语义向量和第二语义向量进行计算处理,得到所述第一实体词和所述第二实体词对应的实体语义向量。
可选地,所述调用所述语义识别层根据所述语义计算限制条件对所述实体拼接向量、所述第一语义向量和第二语义向量进行计算处理,得到所述第一实体词和所述第二实体词对应的实体语义向量,包括:
调用所述语义识别层根据字级别计算条件,对所述实体拼接向量、所述第一语义向量和第二语义向量进行字级别语义计算,得到所述第一实体词和所述第二实体词对应的字级别语义向量;
调用所述语义识别层根据句子级别计算条件,对所述实体拼接向量、所述第一语义向量和第二语义向量进行句级别语义计算,得到所述第一实体词和所述第二实体词对应的句子级别语义向量;
对所述字级别语义向量和所述句子级别语义向量进行融合处理,得到所述第一实体词和所述第二实体词对应的实体语义向量。
根据本公开的实施例的第二方面,提供了一种实体关系获取装置,包括:
实体词获取模块,用于获取待识别的第一实体词和第二实体词;
语义向量获取模块,用于基于语义识别模型,获取所述第一实体词对应的第一语义向量,及所述第二实体词对应的第二语义向量;
实体向量获取模块,用于基于实体关系识别模型的语义计算限制条件,对所述第一语义向量、所述第二语义向量、所述第一实体词和所述第二实体词对应的实体拼接向量进行处理,得到所述第一实体词和所述第二实体词对应的实体语义向量;
实体关系获取模块,用于基于所述实体语义向量,获取所述第一实体词和所述第二实体词之间的实体关系。
可选地,所述语义向量获取模块包括:
实体词名称获取单元,用于获取所述第一实体词对应的第一实体词名称和所述第二实体词对应的第二实体词名称;
语义向量获取单元,用于将所述第一实体词名称和所述第二实体词名称输入至所述语义识别模型,并获取由所述语义识别模型输出的所述第一语义向量和所述第二语义向量。
可选地,所述实体关系识别模型包括向量转换层和语义识别层,
所述实体向量获取模块包括:
拼接实体词获取单元,用于获取所述第一实体词和所述第二实体词对应的拼接实体词;
语义向量输入单元,用于将所述拼接实体词、所述第一语义向量和所述第二语义向量输入至所述实体关系识别模型;
实体拼接向量获取单元,用于调用所述向量转换层对所述拼接实体词进行处理,得到所述实体拼接向量;
实体语义向量获取单元,用于调用所述语义识别层根据所述语义计算限制条件对所述实体拼接向量、所述第一语义向量和第二语义向量进行计算处理,得到所述第一实体词和所述第二实体词对应的实体语义向量。
可选地,所述实体语义向量获取单元包括:
字级别向量获取子单元,用于调用所述语义识别层根据字级别计算条件,对所述实体拼接向量、所述第一语义向量和第二语义向量进行字级别语义计算,得到所述第一实体词和所述第二实体词对应的字级别语义向量;
句级别向量获取子单元,用于调用所述语义识别层根据句子级别计算条件,对所述实体拼接向量、所述第一语义向量和第二语义向量进行句级别语义计算,得到所述第一实体词和所述第二实体词对应的句子级别语义向量;
实体语义向量获取子单元,用于对所述字级别语义向量和所述句子级别语义向量进行融合处理,得到所述第一实体词和所述第二实体词对应的实体语义向量。
根据本公开的实施例的第三方面,提供了一种电子设备,包括:
处理器、存储器以及存储在所述存储器上并可在所述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任一项所述的实体关系获取方法。
根据本公开的实施例第四方面,提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述任一项所述的实体关系获取方法。
本公开的实施例提供了一种实体关系获取方法及装置。通过获取待识别的第一实体词和第二实体词,基于语义识别模型,获取第一实体词对应的第一语义向量,及第二实体词对应的第二语义向量,基于实体关系识别模型的语义计算限制条件,对于第一语义向量、第二语义向量、第一实体词和第二实体词对应的实体拼接向量进行处理,得到第一实体词对应的实体语义向量,基于实体语义向量,获取第一实体词和第二实体词之间的实体关系。本公开的实施例通过结合语义计算限制条件对两个实体词进行多重交互计算,能够提高实体关系的识别效果,且无需人工参与,节省了人力成本的投入。
附图说明
为了更清楚地说明本公开的实施例的技术方案,下面将对本公开的实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的实施例的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开的实施例提供的一种实体关系获取方法的步骤流程图;
图2为本公开的实施例提供的另一种实体关系获取方法的步骤流程图;
图3为本公开的实施例提供的一种实体关系识别结构的示意图;
图4为本公开的实施例提供的一种实体关系获取装置的结构示意图;
图5为本公开的实施例提供的另一种实体关系获取装置的结构示意图。
具体实施方式
下面将结合本公开的实施例中的附图,对本公开的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开的实施例一部分实施例,而不是全部的实施例。基于本公开的实施例中的实施例,本领域普通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,都属于本公开的实施例保护的范围。
实施例一
参照图1,示出了本公开的实施例提供的一种实体关系获取方法的步骤流程图,如图1所示,该实体关系获取方法具体可以包括如下步骤:
步骤101:获取待识别的第一实体词和第二实体词。
本公开的实施例可以应用于结合语义计算限制条件进行实体关系识别的场景中。
第一实体词和第二实体词是指需要进行实体关系识别的实体词,在本示例中,第一实体词和第二实体词可以为在建立实体关系知识图谱时由业务人员输入的实体词,也可以为在某平台上搜索的两个实体词等,具体地,对于两个实体词的获取方式可以根据业务需求而定,本实施例对此不加以限制。
其中,“第一”和“第二”仅用于区别两个实体词,并无实质含义。
在获取到待识别的第一实体词和第二实体词之后,执行步骤102。
步骤102:基于语义识别模型,获取所述第一实体词对应的第一语义向量,及所述第二实体词对应的第二语义向量。
第一语义向量是指第一实体词对应的语义向量,第一语义向量可以用于指示第一实体词的语义信息。
第二语义向量是指第二实体词对应的语义向量,第二语义向量可以用于指示第二实体词的语义信息。
语义识别模型是指用于识别实体词的语义信息的模型。在本示例中,语义识别模型可以为双塔模型等,具体地,对于语义识别模型的具体类型可以根据业务需求而定,本实施例对此不加以限制。
在获取到待识别的第一实体词和第二实体词之后,可以基于语义识别模型获取到第一实体词对应的第一语义向量,及第二实体词对应的第二语义向量,具体地,可以将第一实体词和第二实体词分别对应的实体词名称输入至语义识别模型,以通过语义识别模型对第一实体词的名称的第二实体词的名称分别进行处理,以得到第一实体词对应的第一语义向量和第二实体词对应的第二语义向量。
在基于语义识别模型获取到第一实体词对应的第一语义向量,及第二实体词对应的第二语义向量之后,执行步骤103。
步骤103:基于实体关系识别模型的语义计算限制条件,对所述第一语义向量、所述第二语义向量、所述第一实体词和所述第二实体词对应的实体拼接向量进行处理,得到所述第一实体词和所述第二实体词对应的实体语义向量。
实体语义向量是指用于指示第一实体词和第二实体词之间的实体关系的向量。
实体关系识别模型是指用于识别两个实体词之前的实体关系的模型,在本实施例中,实体关系识别模型可以为bert模型等,具体地,可以根据业务需求而定,本实施例对此不加以限制。
实体拼接向量是指将第一实体词和第二实体词进行拼接之后,进行向量转换之后得到的向量。
在获取到第一实体词的第一语义向量和第二实体词的第二语义向量之后,可以基于实体关系识别模型的语义计算限制条件对第一语义向量、第二语义向量、第一实体词和第二实体词对应的实体拼接向量进行处理,从而可以得到第一实体词和第二实体词对应的实体语义向量,具体地,可以结合下述具体实现方式进行详细描述。
在本公开的一种具体实现方式中,所述实体关系识别模型包括向量转换层和语义识别层,上述步骤103可以包括:
子步骤A1:获取所述第一实体词和所述第二实体词对应的拼接实体词。
在本实施例中,拼接实体词是指第一实体词和第二实体词拼接之后得到的实体词。
在获取第一实体词和第二实体词之后,可以将第一实体词的实体词名称与第二实体词的实体词名称进行拼接处理,从而可以得到拼接实体词。
在获取到第一实体词和第二实体词对应的拼接实体词之后,执行子步骤A2。
子步骤A2:将所述拼接实体词、所述第一语义向量和所述第二语义向量输入至所述实体关系识别模型。
在得到拼接实体词之后,可以将拼接实体词、第一语义向量和第二语音向量输入至实体关系识别模型,进而,执行子步骤A3。
子步骤A3:调用所述向量转换层对所述拼接实体词进行处理,得到所述实体拼接向量。
在将拼接实体词、第一语义向量和第二语音向量输入至实体关系识别模型之后,可以调用向量转换层对拼接实体词进行处理,以得到拼接实体词对应的实体拼接向量。
在得到实体拼接向量之后,执行子步骤A4。
子步骤A4:调用所述语义识别层根据所述语义计算限制条件对所述实体拼接向量、所述第一语义向量和第二语义向量进行计算处理,得到所述第一实体词和所述第二实体词对应的实体语义向量。
在得到实体拼接向量之后,可以调用语义识别层根据语义计算限制条件对实体拼接向量、第一语义向量和第二语义向量进行计算处理,以得到第一实体词和第二实体词对应的实体语义向量,具体地,可以结合下述具体实现方式进行详细描述。
在本公开的另一种具体实现方式中,上述子步骤A4可以包括:
子步骤B1:调用所述语义识别层根据字级别计算条件,对所述实体拼接向量、所述第一语义向量和第二语义向量进行字级别语义计算,得到所述第一实体词和所述第二实体词对应的字级别语义向量。
在本实施例中,语义计算限制条件可以包括字级别计算条件和句子级别计算条件。
在得到实体拼接向量之后,可以调用语义识别层根据字级别计算条件对实体拼接向量、第一语义向量和第二语义向量进行字级别语义计算,得到第一实体词和第二实体词对应的字级别语义向量。
子步骤B2:调用所述语义识别层根据句子级别计算条件,对所述实体拼接向量、所述第一语义向量和第二语义向量进行句级别语义计算,得到所述第一实体词和所述第二实体词对应的句子级别语义向量。
在得到实体拼接向量之后,可以调用语义识别层根据句子级别计算条件对实体拼接向量、第一语义向量和第二语义向量进行句子级别的语义计算,以得到第一实体词和第二实体词对应的句子级别语义向量。
在得到字级别语义向量和句子级别语义向量之后,执行子步骤B3。
子步骤B3:对所述字级别语义向量和所述句子级别语义向量进行融合处理,得到所述第一实体词和所述第二实体词对应的实体语义向量。
在得到字级别语义向量和句子级别语义向量之后,可以对字级别语义向量和句子级别语义向量进行融合处理,以得到第一实体词和第二实体词对应的实体语义向量。
在获取到第一实体词和第二实体词对应的实体语义向量之后,执行步骤104。
步骤104:基于所述实体语义向量,获取所述第一实体词和所述第二实体词之间的实体关系。
在获取到第一实体词和第二实体词对应的实体语义向量之后,可以根据实体语义向量获取第一实体词和第二实体词之间的实体关系。
本公开的实施例通过结合语义计算限制条件对两个实体词进行多重交互计算,能够提高实体关系的识别效果,且无需人工参与,节省了人力成本的投入。
本公开的实施例提供的实体关系获取方法,通过获取待识别的第一实体词和第二实体词,基于语义识别模型,获取第一实体词对应的第一语义向量,及第二实体词对应的第二语义向量,基于实体关系识别模型的语义计算限制条件,对于第一语义向量、第二语义向量、第一实体词和第二实体词对应的实体拼接向量进行处理,得到第一实体词对应的实体语义向量,基于实体语义向量,获取第一实体词和第二实体词之间的实体关系。本公开的实施例通过结合语义计算限制条件对两个实体词进行多重交互计算,能够提高实体关系的识别效果,且无需人工参与,节省了人力成本的投入。
实施例二
参照图2,示出了本公开的实施例提供的另一种实体关系获取方法的步骤流程图,如图2所示,该实体关系获取方法具体可以包括如下步骤:
步骤201:获取待识别的第一实体词和第二实体词。
本公开的实施例可以应用于结合语义计算限制条件进行实体关系识别的场景中。
第一实体词和第二实体词是指需要进行实体关系识别的实体词,在本示例中,第一实体词和第二实体词可以为在建立实体关系知识图谱时由业务人员输入的实体词,也可以为在某平台上搜索的两个实体词等,具体地,对于两个实体词的获取方式可以根据业务需求而定,本实施例对此不加以限制。
其中,“第一”和“第二”仅用于区别两个实体词,并无实质含义。
在获取到待识别的第一实体词和第二实体词之后,执行步骤202。
步骤202:获取所述第一实体词对应的第一实体词名称和所述第二实体词对应的第二实体词名称。
第一实体词名称是指第一实体词的名称。
第二实体词名称是指第二实体词的名称。
在获取到待识别的第一实体词和第二实体词之后,可以获取第一实体词对应的第一实体词名称和第二实体词对应的第二实体词名称。
在获取到第一实体词对应的第一实体词名称和第二实体词对应的第二实体词名称之后,执行步骤203。
步骤203:将所述第一实体词名称和所述第二实体词名称输入至所述语义识别模型,并获取由所述语义识别模型输出的所述第一语义向量和所述第二语义向量。
第一语义向量是指第一实体词对应的语义向量,第一语义向量可以用于指示第一实体词的语义信息。
第二语义向量是指第二实体词对应的语义向量,第二语义向量可以用于指示第二实体词的语义信息。
语义识别模型是指用于识别实体词的语义信息的模型。在本示例中,语义识别模型可以为双塔模型等,具体地,对于语义识别模型的具体类型可以根据业务需求而定,本实施例对此不加以限制。
在获取第一实体词名称第二实体词名称之后,可以将第一实体词名称和第二实体词名称输入至所述语义识别模型,并获取由语义识别模型输出的第一实体词对应的第一语义向量和第二实体词对应的第二语义向量。
在获取到第一语义向量和第二语义向量之后,执行步骤204。
步骤204:获取所述第一实体词和所述第二实体词对应的拼接实体词。
拼接实体词是指将第一实体词和第二实体词进行拼接之后得到的实体词。
在获取到待识别第一实体词和第二实体词之后,可以对第一实体词和第二实体词进行拼接处理,以得到第一实体词和第二实体词对应的拼接实体词。
在获取到第一实体词和第二实体词对应的拼接实体词之后,执行步骤205。
步骤205:将所述拼接实体词、所述第一语义向量和所述第二语义向量输入至所述实体关系识别模型。
实体关系识别模型是指用于识别两个实体词之前的实体关系的模型,在本实施例中,实体关系识别模型可以为bert模型等,具体地,可以根据业务需求而定,本实施例对此不加以限制。
在获取到拼接实体词、第一语义向量和第二语义向量之后,可以将拼接实体词、第一语义向量和第二语义向量输入至实体关系识别模型,进而,执行步骤206。
步骤206:调用所述向量转换层对所述拼接实体词进行处理,得到所述实体拼接向量。
在本实施例中,实体关系识别模型可以包括向量转换层,在将拼接实体词输入至实体关系识别模型之后,可以调用向量转换层对拼接实体词进行处理,以得到拼接实体词对应的实体拼接向量。
步骤207:调用所述语义识别层根据所述语义计算限制条件对所述实体拼接向量、所述第一语义向量和第二语义向量进行计算处理,得到所述第一实体词和所述第二实体词对应的实体语义向量。
实体语义向量是指用于指示第一实体词和第二实体词之间的实体关系的向量。
实体关系识别模型是指用于识别两个实体词之前的实体关系的模型,在本实施例中,实体关系识别模型可以为bert模型等,具体地,可以根据业务需求而定,本实施例对此不加以限制。
实体拼接向量是指将第一实体词和第二实体词进行拼接之后,进行向量转换之后得到的向量。
在获取到第一实体词的第一语义向量和第二实体词的第二语义向量之后,可以基于实体关系识别模型的语义计算限制条件对第一语义向量、第二语义向量、第一实体词和第二实体词对应的实体拼接向量进行处理,从而可以得到第一实体词和第二实体词对应的实体语义向量,具体地,可以结合下述具体实现方式进行详细描述。
在本公开的一种具体实现方式中,所述实体关系识别模型包括向量转换层和语义识别层,上述步骤207可以包括:
子步骤C1:获取所述第一实体词和所述第二实体词对应的拼接实体词。
在本实施例中,拼接实体词是指第一实体词和第二实体词拼接之后得到的实体词。
在获取第一实体词和第二实体词之后,可以将第一实体词的实体词名称与第二实体词的实体词名称进行拼接处理,从而可以得到拼接实体词。
在获取到第一实体词和第二实体词对应的拼接实体词之后,执行子步骤C2。
子步骤C2:将所述拼接实体词、所述第一语义向量和所述第二语义向量输入至所述实体关系识别模型。
在得到拼接实体词之后,可以将拼接实体词、第一语义向量和第二语音向量输入至实体关系识别模型,进而,执行子步骤C3。
子步骤C3:调用所述向量转换层对所述拼接实体词进行处理,得到所述实体拼接向量。
在将拼接实体词、第一语义向量和第二语音向量输入至实体关系识别模型之后,可以调用向量转换层对拼接实体词进行处理,以得到拼接实体词对应的实体拼接向量。
在得到实体拼接向量之后,执行子步骤C4。
子步骤C4:调用所述语义识别层根据所述语义计算限制条件对所述实体拼接向量、所述第一语义向量和第二语义向量进行计算处理,得到所述第一实体词和所述第二实体词对应的实体语义向量。
在得到实体拼接向量之后,可以调用语义识别层根据语义计算限制条件对实体拼接向量、第一语义向量和第二语义向量进行计算处理,以得到第一实体词和第二实体词对应的实体语义向量,具体地,可以结合下述具体实现方式进行详细描述。
在本公开的另一种具体实现方式中,上述子步骤C4可以包括:
子步骤D1:调用所述语义识别层根据字级别计算条件,对所述实体拼接向量、所述第一语义向量和第二语义向量进行字级别语义计算,得到所述第一实体词和所述第二实体词对应的字级别语义向量。
在本实施例中,语义计算限制条件可以包括字级别计算条件和句子级别计算条件。
在得到实体拼接向量之后,可以调用语义识别层根据字级别计算条件对实体拼接向量、第一语义向量和第二语义向量进行字级别语义计算,得到第一实体词和第二实体词对应的字级别语义向量。
子步骤D2:调用所述语义识别层根据句子级别计算条件,对所述实体拼接向量、所述第一语义向量和第二语义向量进行句级别语义计算,得到所述第一实体词和所述第二实体词对应的句子级别语义向量。
在得到实体拼接向量之后,可以调用语义识别层根据句子级别计算条件对实体拼接向量、第一语义向量和第二语义向量进行句子级别的语义计算,以得到第一实体词和第二实体词对应的句子级别语义向量。
在得到字级别语义向量和句子级别语义向量之后,执行子步骤D3。
子步骤D3:对所述字级别语义向量和所述句子级别语义向量进行融合处理,得到所述第一实体词和所述第二实体词对应的实体语义向量。
在得到字级别语义向量和句子级别语义向量之后,可以对字级别语义向量和句子级别语义向量进行融合处理,以得到第一实体词和第二实体词对应的实体语义向量。
在获取到第一实体词和第二实体词对应的实体语义向量之后,执行步骤208。
步骤208:基于所述实体语义向量,获取所述第一实体词和所述第二实体词之间的实体关系。
在获取到第一实体词和第二实体词对应的实体语义向量之后,可以根据实体语义向量获取第一实体词和第二实体词之间的实体关系。
本公开的实施例通过结合语义计算限制条件对两个实体词进行多重交互计算,能够提高实体关系的识别效果,且无需人工参与,节省了人力成本的投入。
对于上述技术方案可以结合图3进行如下详细描述。
如图3所示,两个实体词的名称分别为text_A和text_B,首先,可以将text_A和text_B输入至预先训练好的双塔模型(即上述步骤提及的语义识别模型),得到两个实体词的语义向量。然后将两个实体词名称进行拼接,得到拼接实体词,即text_A[sep]text_B,其中,[sep]为拼接字符,进而将拼接实体词输入至实体关系模型(bert)的Embedding,以得到拼接实体向量。双塔模型与bert模型是拼接关系,在双塔模型得到两个实体词的语义向量之后,可以直接将语义向量输入至bert的Transformer。在本示例中,在Transformer对注意力矩阵进行了修改,将矩阵分为token-level attention和sentence-level attention两个区域。在token-level区域,实体拼接的句子可以和自己本身进行计算,但无法和A、B以及[CLS]的表示交互。在sentence-level区域,A、B和[CLS]的表示之间可以交互,同时[CLS]也会与句子本身交互,同时编码两句的信息。将拼接好的整体表示与注意力矩阵一起输入BERT(Transformer),进行交互式计算,进而可以提取BERT最后一层的输出中A、B和[CLS]的表示,平均池化后进行关系分类。其中,[CLS]为拼接字符的向量表示。
本公开的实施例提供的实体关系获取方法,通过获取待识别的第一实体词和第二实体词,基于语义识别模型,获取第一实体词对应的第一语义向量,及第二实体词对应的第二语义向量,基于实体关系识别模型的语义计算限制条件,对于第一语义向量、第二语义向量、第一实体词和第二实体词对应的实体拼接向量进行处理,得到第一实体词对应的实体语义向量,基于实体语义向量,获取第一实体词和第二实体词之间的实体关系。本公开的实施例通过结合语义计算限制条件对两个实体词进行多重交互计算,能够提高实体关系的识别效果,且无需人工参与,节省了人力成本的投入。
实施例三
参照图4,示出了本公开的实施例提供的一种实体关系获取装置的结构示意图,如图4所示,该实体关系获取装置300具体可以包括如下模块:
实体词获取模块310,用于获取待识别的第一实体词和第二实体词;
语义向量获取模块320,用于基于语义识别模型,获取所述第一实体词对应的第一语义向量,及所述第二实体词对应的第二语义向量;
实体向量获取模块330,用于基于实体关系识别模型的语义计算限制条件,对所述第一语义向量、所述第二语义向量、所述第一实体词和所述第二实体词对应的实体拼接向量进行处理,得到所述第一实体词和所述第二实体词对应的实体语义向量;
实体关系获取模块340,用于基于所述实体语义向量,获取所述第一实体词和所述第二实体词之间的实体关系。
本公开的实施例提供的实体关系获取装置,通过获取待识别的第一实体词和第二实体词,基于语义识别模型,获取第一实体词对应的第一语义向量,及第二实体词对应的第二语义向量,基于实体关系识别模型的语义计算限制条件,对于第一语义向量、第二语义向量、第一实体词和第二实体词对应的实体拼接向量进行处理,得到第一实体词对应的实体语义向量,基于实体语义向量,获取第一实体词和第二实体词之间的实体关系。本公开的实施例通过结合语义计算限制条件对两个实体词进行多重交互计算,能够提高实体关系的识别效果,且无需人工参与,节省了人力成本的投入。
实施例四
参照图5,示出了本公开的实施例提供的另一种实体关系获取装置的结构示意图,如图5所示,该实体关系获取装置400具体可以包括如下模块:
实体词获取模块410,用于获取待识别的第一实体词和第二实体词;
语义向量获取模块420,用于基于语义识别模型,获取所述第一实体词对应的第一语义向量,及所述第二实体词对应的第二语义向量;
实体向量获取模块430,用于基于实体关系识别模型的语义计算限制条件,对所述第一语义向量、所述第二语义向量、所述第一实体词和所述第二实体词对应的实体拼接向量进行处理,得到所述第一实体词和所述第二实体词对应的实体语义向量;
实体关系获取模块440,用于基于所述实体语义向量,获取所述第一实体词和所述第二实体词之间的实体关系。
可选地,所述语义向量获取模块420包括:
实体词名称获取单元421,用于获取所述第一实体词对应的第一实体词名称和所述第二实体词对应的第二实体词名称;
语义向量获取单元422,用于将所述第一实体词名称和所述第二实体词名称输入至所述语义识别模型,并获取由所述语义识别模型输出的所述第一语义向量和所述第二语义向量。
可选地,所述实体关系识别模型包括向量转换层和语义识别层,
所述实体向量获取模块430包括:
拼接实体词获取单元431,用于获取所述第一实体词和所述第二实体词对应的拼接实体词;
语义向量输入单元432,用于将所述拼接实体词、所述第一语义向量和所述第二语义向量输入至所述实体关系识别模型;
实体拼接向量获取单元433,用于调用所述向量转换层对所述拼接实体词进行处理,得到所述实体拼接向量;
实体语义向量获取单元434,用于调用所述语义识别层根据所述语义计算限制条件对所述实体拼接向量、所述第一语义向量和第二语义向量进行计算处理,得到所述第一实体词和所述第二实体词对应的实体语义向量。
可选地,所述实体语义向量获取单元434包括:
字级别向量获取子单元,用于调用所述语义识别层根据字级别计算条件,对所述实体拼接向量、所述第一语义向量和第二语义向量进行字级别语义计算,得到所述第一实体词和所述第二实体词对应的字级别语义向量;
句级别向量获取子单元,用于调用所述语义识别层根据句子级别计算条件,对所述实体拼接向量、所述第一语义向量和第二语义向量进行句级别语义计算,得到所述第一实体词和所述第二实体词对应的句子级别语义向量;
实体语义向量获取子单元,用于对所述字级别语义向量和所述句子级别语义向量进行融合处理,得到所述第一实体词和所述第二实体词对应的实体语义向量。
本公开的实施例提供的实体关系获取装置,通过获取待识别的第一实体词和第二实体词,基于语义识别模型,获取第一实体词对应的第一语义向量,及第二实体词对应的第二语义向量,基于实体关系识别模型的语义计算限制条件,对于第一语义向量、第二语义向量、第一实体词和第二实体词对应的实体拼接向量进行处理,得到第一实体词对应的实体语义向量,基于实体语义向量,获取第一实体词和第二实体词之间的实体关系。本公开的实施例通过结合语义计算限制条件对两个实体词进行多重交互计算,能够提高实体关系的识别效果,且无需人工参与,节省了人力成本的投入。
本公开的实施例还提供了一种电子设备,包括:处理器、存储器以及存储在所述存储器上并可在所述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前述实施例的实体关系获取方法。
本公开的实施例还提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行前述实施例的实体关系获取方法。
对于装置实施例而言,由于其与方法实施例基本相似,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。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本公开的实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本公开的实施例的内容,并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的实施例的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
本公开的实施例的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的动态图片的生成设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述仅为本公开的实施例的较佳实施例而已,并不用以限制本公开的实施例,凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本公开的实施例的保护范围之内。
以上所述,仅为本公开的实施例的具体实施方式,但本公开的实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的实施例的保护范围之内。因此,本公开的实施例的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种实体关系获取方法,其特征在于,包括:
获取待识别的第一实体词和第二实体词;
基于语义识别模型,获取所述第一实体词对应的第一语义向量,及所述第二实体词对应的第二语义向量;
基于实体关系识别模型的语义计算限制条件,对所述第一语义向量、所述第二语义向量、所述第一实体词和所述第二实体词对应的实体拼接向量进行处理,得到所述第一实体词和所述第二实体词对应的实体语义向量,其中,所述实体拼接向量是指将所述第一实体词和所述第二实体词进行拼接后,进行向量转换得到的向量;包括:调用所述语义识别层根据字级别计算条件,对所述实体拼接向量、所述第一语义向量和第二语义向量进行字级别语义计算,得到所述第一实体词和所述第二实体词对应的字级别语义向量;调用所述语义识别层根据句子级别计算条件,对所述实体拼接向量、所述第一语义向量和第二语义向量进行句级别语义计算,得到所述第一实体词和所述第二实体词对应的句子级别语义向量;对所述字级别语义向量和所述句子级别语义向量进行融合处理,得到所述第一实体词和所述第二实体词对应的实体语义向量;
基于所述实体语义向量,获取所述第一实体词和所述第二实体词之间的实体关系。
2.根据权利要求1所述的方法,其特征在于,所述基于语义识别模型,获取所述第一实体词对应的第一语义向量,及所述第二实体词对应的第二语义向量,包括:
获取所述第一实体词对应的第一实体词名称和所述第二实体词对应的第二实体词名称;
将所述第一实体词名称和所述第二实体词名称输入至所述语义识别模型,并获取由所述语义识别模型输出的所述第一语义向量和所述第二语义向量。
3.根据权利要求1所述的方法,其特征在于,所述实体关系识别模型包括向量转换层和语义识别层,
所述基于实体关系识别模型的语义计算限制条件,对所述第一语义向量、所述第二语义向量、所述第一实体词和所述第二实体词对应的实体拼接向量进行处理,得到所述第一实体词和所述第二实体词对应的实体语义向量,包括:
获取所述第一实体词和所述第二实体词对应的拼接实体词;
将所述拼接实体词、所述第一语义向量和所述第二语义向量输入至所述实体关系识别模型;
调用所述向量转换层对所述拼接实体词进行处理,得到所述实体拼接向量;
调用所述语义识别层根据所述语义计算限制条件对所述实体拼接向量、所述第一语义向量和第二语义向量进行计算处理,得到所述第一实体词和所述第二实体词对应的实体语义向量。
4.一种实体关系获取装置,其特征在于,包括:
实体词获取模块,用于获取待识别的第一实体词和第二实体词;
语义向量获取模块,用于基于语义识别模型,获取所述第一实体词对应的第一语义向量,及所述第二实体词对应的第二语义向量;
实体向量获取模块,用于基于实体关系识别模型的语义计算限制条件,对所述第一语义向量、所述第二语义向量、所述第一实体词和所述第二实体词对应的实体拼接向量进行处理,得到所述第一实体词和所述第二实体词对应的实体语义向量,其中,所述实体拼接向量是指将所述第一实体词和所述第二实体词进行拼接后,进行向量转换得到的向量;
实体关系获取模块,用于基于所述实体语义向量,获取所述第一实体词和所述第二实体词之间的实体关系;
所述实体向量获取模块,包括:
字级别向量获取子单元,用于调用所述语义识别层根据字级别计算条件,对所述实体拼接向量、所述第一语义向量和第二语义向量进行字级别语义计算,得到所述第一实体词和所述第二实体词对应的字级别语义向量;
句级别向量获取子单元,用于调用所述语义识别层根据句子级别计算条件,对所述实体拼接向量、所述第一语义向量和第二语义向量进行句级别语义计算,得到所述第一实体词和所述第二实体词对应的句子级别语义向量;
实体语义向量获取子单元,用于对所述字级别语义向量和所述句子级别语义向量进行融合处理,得到所述第一实体词和所述第二实体词对应的实体语义向量。
5.根据权利要求4所述的装置,其特征在于,所述语义向量获取模块包括:
实体词名称获取单元,用于获取所述第一实体词对应的第一实体词名称和所述第二实体词对应的第二实体词名称;
语义向量获取单元,用于将所述第一实体词名称和所述第二实体词名称输入至所述语义识别模型,并获取由所述语义识别模型输出的所述第一语义向量和所述第二语义向量。
6.根据权利要求4所述的装置,其特征在于,所述实体关系识别模型包括向量转换层和语义识别层,
所述实体向量获取模块包括:
拼接实体词获取单元,用于获取所述第一实体词和所述第二实体词对应的拼接实体词;
语义向量输入单元,用于将所述拼接实体词、所述第一语义向量和所述第二语义向量输入至所述实体关系识别模型;
实体拼接向量获取单元,用于调用所述向量转换层对所述拼接实体词进行处理,得到所述实体拼接向量;
实体语义向量获取单元,用于调用所述语义识别层根据所述语义计算限制条件对所述实体拼接向量、所述第一语义向量和第二语义向量进行计算处理,得到所述第一实体词和所述第二实体词对应的实体语义向量。
7.一种电子设备,其特征在于,包括:
处理器、存储器以及存储在所述存储器上并可在所述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权利要求1至3中任一项所述的实体关系获取方法。
8.一种可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行权利要求1至3中任一项所述的实体关系获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110616419.XA CN113392648B (zh) | 2021-06-02 | 2021-06-02 | 实体关系获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110616419.XA CN113392648B (zh) | 2021-06-02 | 2021-06-02 | 实体关系获取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113392648A CN113392648A (zh) | 2021-09-14 |
CN113392648B true CN113392648B (zh) | 2022-10-18 |
Family
ID=77619865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110616419.XA Active CN113392648B (zh) | 2021-06-02 | 2021-06-02 | 实体关系获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113392648B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188168A (zh) * | 2019-05-24 | 2019-08-30 | 北京邮电大学 | 语义关系识别方法和装置 |
CN110298019A (zh) * | 2019-05-20 | 2019-10-01 | 平安科技(深圳)有限公司 | 命名实体识别方法、装置、设备及计算机可读存储介质 |
CN111291556A (zh) * | 2019-12-17 | 2020-06-16 | 东华大学 | 基于实体义项的字和词特征融合的中文实体关系抽取方法 |
CN111400607A (zh) * | 2020-06-04 | 2020-07-10 | 浙江口碑网络技术有限公司 | 搜索内容输出方法、装置、计算机设备及可读存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107783960B (zh) * | 2017-10-23 | 2021-07-23 | 百度在线网络技术(北京)有限公司 | 用于抽取信息的方法、装置和设备 |
CN110851573A (zh) * | 2018-07-27 | 2020-02-28 | 北京京东尚科信息技术有限公司 | 语句处理方法、***和电子设备 |
CN109598000B (zh) * | 2018-12-28 | 2023-06-16 | 百度在线网络技术(北京)有限公司 | 语义关系识别方法、装置、计算机设备和存储介质 |
CN110334354B (zh) * | 2019-07-11 | 2022-12-09 | 清华大学深圳研究生院 | 一种中文关系抽取方法 |
CN111274394B (zh) * | 2020-01-16 | 2022-10-25 | 重庆邮电大学 | 一种实体关系的抽取方法、装置、设备及存储介质 |
CN111339774B (zh) * | 2020-02-07 | 2022-11-29 | 腾讯科技(深圳)有限公司 | 文本的实体关系抽取方法和模型训练方法 |
CN111428493A (zh) * | 2020-03-06 | 2020-07-17 | 中国平安人寿保险股份有限公司 | 实体关系获取方法、装置、设备及存储介质 |
CN112084790B (zh) * | 2020-09-24 | 2022-07-05 | 中国民航大学 | 一种基于预训练卷积神经网络的关系抽取方法及*** |
CN112182178A (zh) * | 2020-09-25 | 2021-01-05 | 北京字节跳动网络技术有限公司 | 智能问答方法、装置、设备及可读存储介质 |
CN112463960B (zh) * | 2020-10-30 | 2021-07-27 | 完美世界控股集团有限公司 | 一种实体关系的确定方法、装置、计算设备及存储介质 |
-
2021
- 2021-06-02 CN CN202110616419.XA patent/CN113392648B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298019A (zh) * | 2019-05-20 | 2019-10-01 | 平安科技(深圳)有限公司 | 命名实体识别方法、装置、设备及计算机可读存储介质 |
CN110188168A (zh) * | 2019-05-24 | 2019-08-30 | 北京邮电大学 | 语义关系识别方法和装置 |
CN111291556A (zh) * | 2019-12-17 | 2020-06-16 | 东华大学 | 基于实体义项的字和词特征融合的中文实体关系抽取方法 |
CN111400607A (zh) * | 2020-06-04 | 2020-07-10 | 浙江口碑网络技术有限公司 | 搜索内容输出方法、装置、计算机设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113392648A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287479B (zh) | 命名实体识别方法、电子装置及存储介质 | |
CN109740159B (zh) | 用于命名实体识别的处理方法及装置 | |
CN111694940A (zh) | 一种用户报告的生成方法及终端设备 | |
US20230071661A1 (en) | Method for training image editing model and method for editing image | |
CN115526259A (zh) | 一种多模态预训练模型的训练方法和装置 | |
CN114911465B (zh) | 算子的生成方法、装置、设备以及存储介质 | |
CN112199473A (zh) | 一种知识问答***中的多轮对话方法与装置 | |
CN112507106B (zh) | 深度学习模型的训练方法、装置和faq相似度判别方法 | |
CN112199516A (zh) | 一种构建知识图谱的方法、装置、终端和存储介质 | |
CN113064994A (zh) | 会议质量评估方法、装置、设备及存储介质 | |
CN113343248A (zh) | 一种漏洞识别方法、装置、设备和存储介质 | |
CN108877812A (zh) | 一种声纹识别方法、装置及存储介质 | |
CN111241843B (zh) | 基于复合神经网络的语义关系推断***和方法 | |
JP7067546B2 (ja) | データ構造化装置、データ構造化方法およびプログラム | |
CN113392648B (zh) | 实体关系获取方法及装置 | |
US20230244878A1 (en) | Extracting conversational relationships based on speaker prediction and trigger word prediction | |
CN117313138A (zh) | 基于nlp的社交网络隐私感知***及方法 | |
CN114970666B (zh) | 一种口语处理方法、装置、电子设备及存储介质 | |
CN116450797A (zh) | 基于多模态对话的情感分类方法、装置、设备及介质 | |
CN109033078B (zh) | 语句类别识别方法及装置、存储介质、处理器 | |
CN116910201A (zh) | 一种对话数据生成方法及其相关设备 | |
CN115623134A (zh) | 会议音频处理方法、装置、设备及存储介质 | |
CN113724738A (zh) | 语音处理方法、决策树模型训练方法、装置、设备及存储介质 | |
CN113392249A (zh) | 图文信息分类方法、图文分类模型训练方法、介质及设备 | |
CN111476211A (zh) | 基于Tensorflow框架的人脸定位方法及*** |
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 |