CN113590774B - 事件查询方法、装置以及存储介质 - Google Patents
事件查询方法、装置以及存储介质 Download PDFInfo
- Publication number
- CN113590774B CN113590774B CN202110691962.6A CN202110691962A CN113590774B CN 113590774 B CN113590774 B CN 113590774B CN 202110691962 A CN202110691962 A CN 202110691962A CN 113590774 B CN113590774 B CN 113590774B
- Authority
- CN
- China
- Prior art keywords
- event
- node
- information
- event node
- keywords
- 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 58
- 230000001364 causal effect Effects 0.000 claims abstract description 82
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000012512 characterization method Methods 0.000 claims description 34
- 230000011218 segmentation Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims 1
- 230000037430 deletion Effects 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开公开了一种事件查询方法、装置以及存储介质,涉及知识图谱领域。具体实现方案为:获取关键词;将所述关键词与事件因果关系图谱中的各事件节点匹配,以得到与所述关键词匹配的第一事件节点;根据所述第一事件节点及其在所述事件因果关系图谱中存在因果关系的关联节点,确定推理路径;根据所述推理路径中包含的各事件节点与目标信息之间的互信息,对所述推理路径中的事件节点进行筛选;其中,所述目标信息包括所述关键词和所述第一事件节点中的至少一个;根据所述推理路径中保留的事件节点,确定所述关键词查询到的事件。本公开有效提高了事件查询的效率。
Description
技术领域
本公开涉及计算机技术领域,特别涉及知识图谱技术领域,尤其涉及事件查询方法、装置以及存储介质。
背景技术
近年来,越来越多的工作关注于事件的各个方面的推理,比如事件因果关系推理(Event causality inference),脚本事件推理(Script event prediction)等等。其中,事件因果关系推理,就是基于已有信息获取新的知识或者结论,这些知识和结论与已有信息满足语义上的事件因果关系。
相关技术中,一般是通过控制推理步数来防止推理结果出现主题偏移,但是该方式并不能从根本上解决问题,因为事件节点是否主题一致与它们在图上间隔的步数没有必然联系,并不是间隔越近的事件节点主题越一致。
发明内容
本公开提供了一种事件查询的方法、装置以及存储介质。
根据本公开的第一方面,提供了一种事件查询方法,包括:
获取关键词;
将所述关键词与事件因果关系图谱中的各事件节点匹配,以得到与所述关键词匹配的第一事件节点;
根据所述第一事件节点及其在所述事件因果关系图谱中存在因果关系的关联节点,确定推理路径;
根据所述推理路径中包含的各事件节点与目标信息之间的互信息,对所述推理路径中的事件节点进行筛选;其中,所述目标信息包括所述关键词和所述第一事件节点中的至少一个;
根据所述推理路径中保留的事件节点,确定所述关键词查询到的事件。
根据本公开的第二方面,提供了一种事件查询装置,包括:
获取模块,用于获取关键词;
匹配模块,用于将所述关键词与事件因果关系图谱中的各事件节点匹配,以得到与所述关键词匹配的第一事件节点;
推理模块,用于根据所述第一事件节点及其在所述事件因果关系图谱中存在因果关系的关联节点,确定推理路径;
筛选模块,用于根据所述推理路径中包含的各事件节点与目标信息之间的互信息,对所述推理路径中的事件节点进行筛选;其中,所述目标信息包括所述关键词和所述第一事件节点中的至少一个;
查询模块,用于根据所述推理路径中保留的事件节点,确定所述关键词查询到的事件。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开第一方面所述的事件查询方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行本公开第一方面所述的事件查询方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开第一方面所述的事件查询方法。
本公开实施例提供的上述事件查询方法、设备以及存储介质,能够根据与关键词匹配的第一事件节点,及其在所述事件因果关系图谱中存在因果关系的关联节点,确定推理路径,根据推理路径中包含的各事件节点与所述关键词或第一事件节点之间的互信息,对所述推理路径中的事件节点进行筛选,确定查询到的事件。由于在筛选后,推理路径中保留的事件节点,与关键词或第一事件节点之间的互信息是满足设定要求的,保证了语义上的连贯性,减少了主题偏移的情况,有效提高了进行事件查询的效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其他特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例的一种事件查询方法流程图;
图2是根据本公开实施例的另一种事件查询方法流程图;
图3是根据本公开实施例的一种信息补全方法流程图;
图4是根据本公开实施例的事件因果关系图谱示意图;
图5是根据本公开实施例的一种事件查询装置的结构框图;
图6是根据本公开实施例的另一种事件查询装置的结构框图;
图7是用来实现本公开实施例的事件查询方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
事件是一种重要的知识,近年来,越来越多的工作关注于从开放域或领域文本中抽取结构化事件知识。同时,除了本身就很困难的事件抽取任务之外,近年来,越来越多的研究者开始关注于事件的推理工作中。事件之间的关系挖掘、推理的有很多的研究领域,不同于事件抽取的主流任务,事件推理正在朝着各个比较有趣的方向进行发展,事件推理作为信息抽取之后的更加有趣的应用,将继续有着不断发展的前景。
相关技术中,关于事件因果推理主题偏移问题还没有很好的解决方案,一般都是通过控制推理步数来防止推理结果出现主题偏移,但是这种方法并不能从根本上解决问题,因为事件节点是否主题一致与它们在图上间隔的步数没有必然联系,并不是间隔越近的事件节点主题越一致。
基于此,本公开实施例提供了一种事件查询方法,参见图1所示的一种事件查询方法流程图,该方法可以由具有数据处理能力的各类电子设备执行,在此对执行本实施例方法的电子设备不进行限制,主要包括如下步骤S102~步骤S110:
步骤S102,获取关键词。
其中,关键词可以是用户输入的,也可是***根据用户的输入自动抽取的,还可以是***根据需要自动获取的。需要说明的是,关键词包括至少一个分词。
步骤S104,将所述关键词与事件因果关系图谱中的各事件节点匹配,以得到与所述关键词匹配的第一事件节点。
其中,事件因果关系图谱是能表示事件之间因果关系的图谱,其中包括至少一个事件节点。需要说明的是,在事件因果关系图谱中,如果两个事件节点之间存在因果关系,则两个事件节点之间存在一条边,且由原因节点指向结果节点。
在本公开的实施例中,第一事件节点可以是利用专家***(ES,Expert System)和人工神经网络(ANN,Artificial Neural Network)匹配到的最佳节点,也可以是根据计算关键词和事件因果关系图谱中的各事件节点的互信息得到的,还可以是根据需要选择其他可行的匹配算法(比如KM算法等)或规则得到的。其中,专家***(ES)是一种在特定领域内具有专家水平解决问题能力的程序***,能够利用人类专家的知识和解决问题的方法来处理该领域的问题。
步骤S106,根据所述第一事件节点及其在所述事件因果关系图谱中存在因果关系的关联节点,确定推理路径。
其中,推理路径是包括至少一个事件节点的事件因果关系图谱的子图,关联节点是指与第一事件节点存在因果关系的节点。该子图中包括关联节点和第一事件节点,以及用于指示各事件节点之间的因果关系的连接边。在本公开的实施例中,推理路径中包含的事件节点个数可以是根据推理步数确定的,也可以是通过其他可能的规则和算法确定的。
步骤S108,根据所述推理路径中包含的各事件节点与目标信息之间的互信息,对所述推理路径中的事件节点进行筛选;其中,所述目标信息包括所述关键词和所述第一事件节点中的至少一个。
在第一种可能的实施方式中,计算关键词与推理路径中各个事件节点之间的互信息,并过滤掉互信息不满足预设条件的事件节点及该事件节点的后续节点。
在第二种可能的实施方式中,计算第一事件节点与推理路径中各个事件节点之间的互信息,并过滤掉互信息不满足预设条件的事件节点及该事件节点的后续节点。
在第三种可能的实施方式中,分别计算关键词和第一事件节点与推理路径中各个事件节点之间的互信息,并过滤掉互信息不满足预设条件的事件节点及该事件节点的后续节点。例如,可以将关键词与任一事件节点之间的互信息与第一事件节点与该事件节点之间的互信息之和,作为筛选依据;又例如,还可以将关键词与任一事件节点之间的互信息与第一事件节点与该事件节点之间的互信息之间的加权均值,作为筛选依据。
其中,互信息(MI,Mutual Information)是度量两个事件集合之间的相关性(Mutual Dependence)。互信息是点间互信息(PMI,Pointwise Mutual Information)的期望值。点间互信息是一种用来衡量两个事件关联强度的统计量。值越大,表明两个事件的关联性越强,值越小,表明两个事件关联性越弱。
步骤S110,根据所述推理路径中保留的事件节点,确定所述关键词查询到的事件。
在本公开的实施例中,推理路径中保留的事件节点是完成步骤S108中的过滤筛选后的所有事件节点。
本公开实施例提供的上述方法,通过与关键词匹配的事件节点得到以该事件节点为中心的推理路径,计算关键词或第一事件节点与推理路径中的各个事件节点之间的互信息,过滤掉不满足预设条件的事件节点,确定查询到的事件。由于在筛选后,推理路径中得以保留的事件节点,与关键词或第一事件节点之间的互信息都是满足预设要求的,以保证查询到的事件节点均与主题一致,保证了语义上的连贯性,减少了主题偏移的情况,有效提升了事件因果推理的效果。
参见图2所示的一种事件查询方法流程图,主要包括如下步骤S202~步骤S214:
步骤S202,获取关键词。
步骤S204,将所述关键词与事件因果关系图谱中的各事件节点匹配,以得到与所述关键词匹配的第一事件节点。
步骤S206,根据所述第一事件节点及其在所述事件因果关系图谱中存在因果关系的关联节点,确定推理路径。
步骤S208,获取所述推理路径中包含的各事件节点与所述关键词之间的互信息。
在本公开的实施例中,可以根据共现频率词典,来获取推理路径中包含的各事件节点与关键词之间的互信息。
可选地,共现频率词典可以是预设的,也可以是根据事件因果关系图谱中各事件节点的描述信息生成的。其中,事件节点的描述信息包括事件的主体、客体以及触发词等,事件的描述信息可以是从非结构化的文本中抽取的。
需要说明的是,共现频率一般用来衡量任意两个词的语义关联程度。共现频率词典中包括至少一组共现词,以及该至少一组共现词的共现频率。
可选地,根据共现频率词典,确定所述推理路径中包含的各事件节点与所述关键词之间的互信息,可以包括:
对各所述事件节点的描述信息进行分词;查询所述共现频率词典,以得到每个所述分词与所述关键词之间的共现频率;根据所述共现频率,确定各所述分词与所述关键词之间的互信息;根据属于同一事件节点的分词与所述关键词之间的互信息,确定对应事件节点与所述关键词之间的互信息。
假设有关键词Q和推理路径中的一个事件节点E。对Q进行分词,X为得到的至少一个分词中的一个,对E的描述信息进行分词,Y为得到的至少一个分词中的一个。
则X和Y的互信息PMI(X,Y)为:
其中,P(X,Y)表示X和Y共同出现的概率,P(X)表示X出现的概率,P(Y)表示Y出现的概率,N为语料库中的语料总数,N(X,Y)为X和Y共现的语料数,N(X)为出现X的语料数,N(Y)为出现Y的语料数。考虑到X和Y可能在所有语料中都没有共现,为了确保上述公式恒成立:
最终,关键词Q和事件节点E的互信息为:
PMI(Q,E)=∑x∈Q,y∈EPMI(x,y)。
可选地,在第二种可能的实施方式中,获取第一事件节点与推理路径中其他各事件节点的互信息,包括:
根据所述事件因果关系图谱中各事件节点的描述信息,生成共现频率词典;对第一事件节点和其他各所述事件节点的描述信息进行分词;查询所述共现频率词典,以得到每个所述分词与所述第一事件之间的共现频率;根据所述共现频率,确定各所述分词与所述第一事件之间的互信息;根据属于同一事件节点的分词与所述第一事件之间的互信息,确定对应事件节点与所述关键词之间的互信息。
假设有第一事件节点C和推理路径中的一个其他事件节点R。对C的描述信息进行分词,U为得到的至少一个分词中的一个,对R的描述信息进行分词,V为得到的至少一个分词中的一个。
则U和V的互信息PMI(U,V)为:
其中,P(U,V)表示U和V共同出现的概率,P(U)表示U出现的概率,P(V)表示V出现的概率,N为语料库中的语料总数,N(U,V)为U和V共现的语料数,N(U)为出现U的语料数,N(V)为出现V的语料数。考虑到U和V可能在所有语料中都没有共现,为了确保上述公式恒成立:
最终,第一事件节点C和其他事件节点R的互信息为:
PMI(C,R)=∑u∈C,v∈RPMI(u,v)。
可选地,在第三种可能的实施方式中,获取关键词和第一事件节点与推理路径中其他各事件节点的互信息,其过程与上述两种实施方式过程类似,在此不再赘述。
步骤S210,根据所述推理路径中包含的各事件节点与所述关键词之间的互信息,从所述推理路径中确定互信息不满足设定条件的主题偏离节点。
其中,预设条件是指,在步骤S208中得到的互信息大于等于一定阈值。不满足预设条件的主题偏离节点,即为在步骤S208中与关键词和/或第一事件节点的互信息小于一定阈值的事件节点。
需要说明的是,阈值一般可以设为0,认为互信息大于等于0的两个事件关联性较强,互信息小于0的两个事件关联较弱。可选地,阈值还可以根据不同应用场景和功能需求的需要,采用其他可行的算法和模型来确定。
步骤S212,将所述主题偏离节点以及与所述主题偏离节点为结果关系的各事件节点,从所述推理路径中删除。
其中,结果关系包括直接结果关系和间接结果关系。也就是说,删除的节点包括与主题偏离节点有直接结果关系的事件节点和与主题偏离节点有间接结果关系的事件节点,即,主题偏离节点在推理路径中能够到达的所有事件节点。
步骤S214,根据所述推理路径中保留的事件节点,确定所述关键词查询到的事件。
通过上述方式,生成共现频率词典,提高语料库语料的领域主题关联性,以提高关键词或第一事件节点和其他事件节点的互信息的计算结果的准确性,提高计算效率;筛选不满足预设条件的节点,可以删除过滤掉与关键词或第一事件关联性较弱的事件节点以及该事件节点的后续节点,使得推理路径中保留的事件节点与关键词都是主题一致的,有效解决了事件因果推理主题偏移的问题,大幅提升了事件因果推理的效果,有效保证了推理结果与关键词的主题一致性,优化查询推理结果,提高了事件查询的效率。
在一些应用场景中,事件是通过事件抽取得到的,有一部分事件在抽取过程中会缺失一部分描述信息,导致事件的描述信息不完整,影响后续事件因果推理的效果和效率。因此,本公开还提供了一种对事件节点进行信息补全的方法,可以应用在上述实施例中将关键词与事件因果关系图谱中的各事件节点匹配得到第一事件节点之前。如图3所示,主要包括如下步骤S302~步骤S306:
步骤S302,对所述事件因果关系图谱中存在描述信息部分缺失的第二事件节点,查询存在因果关系的相邻事件节点。
在本公开的实施例中,为了便于理解,可以参见图4所示的事件因果关系图谱示意图(只截取部分节点和边)。在事件因果关系图谱中,每个事件节点有<s,p,o>三元组表示,s表示事件主体,p表示事件触发词、o表示事件客体,s、p、o均从非结构化的文本中抽取。描述信息部分缺失的第二事件节点是在抽取过程中缺失了s或o的事件节点。
在本公开的实施例中,利用transE的思想对事件因果图谱进行节点表示学习,分别用Xs、Xp、Xo表示事件主体s、事件触发词p、事件客体o,Xs、Xp、Xo均为N维数值向量,则每个事件节点可以用<Xs、Xp、Xo>三元组表示。
步骤S304,将所述相邻事件节点的描述信息和所述第二事件节点未缺失的描述信息输入经过训练的预测模型,得到所述第二事件节点的表征。
在一个实施方式中,所述预测模型的训练方法为:将训练集合中的正样本和对应的负样本分别输入所述预测模型,得到所述预测模型输出的正样本中两事件的表征,以及所述负样本中两事件的表征;根据所述正样本中两事件的表征之间的第一距离,与所述负样本中两事件的表征之间的第二距离之差,确定损失函数;根据所述损失函数,调整所述模型参数。
其中,正样本,是指在事件因果关系图谱中存在因果关系的两个事件节点的描述信息;负样本,是指在事件因果关系图谱中不存在因果关系的两个事件节点的描述信息。
可选地,假设事件Hpos和Tpos存在因果关系,两个事件构成正样本,正样本表示为<hpos,rpos,tpos>,其中,rpos是事件Hpos和事件Tpos之间关系的向量表征,hpos和tpos分别是事件Hpos和Tpos的向量表征:
假设事件Hneg和Tneg不存在因果关系,两个事件构成负样本,负样本表示为<hneg,rneg,tneg>,其中,rneg是事件Hneg和事件Tneg之间关系的向量表征,hpos和tpos分别为事件Hpos和Tpos的向量表征:
正样本中,两事件的表征的距离为dpos=||hpos+rpos-tpos||;
负样本中,两事件的表征的距离为dneg=||hneg+rneg-tneg||。
损失函数L为:L=max(0,dpos-dneg+margin),其中max(·)表示求元素的最大值,margin是常数项。
对预测模型进行无监督训练,调整模型参数,以优化损失函数,最小化损失函数的取值,即,根据损失函数,调整模型参数,以使得损失函数取值最小。
在本公开的实施例中,假设第二事件节点缺失事件客体描述信息o,与第二事件节点存在因果关系的相邻事件节点/> 将事件节点H和事件节点T未缺失的描述信息输入上述训练好的预测模型中,可以得到事件T的向量表征
步骤S306,根据所述第二事件节点的表征,预测缺失的描述信息。
在一个实施方式中,预测缺失的描述信息包括:
获取各候选信息的表征;根据所述第二事件节点的表征,以及所述第二事件节点中未缺失信息的表征,确定所述缺失的描述信息的表征;根据各候选信息的表征与所述缺失的描述信息的表征之间的相似度,从各候选信息中,确定所述第二事件节点缺失的描述信息。
可选地,根据第二事件节点的表征和未缺失的描述信息的表征和/>可以确定缺失的客体信息的向量表征/>利用人工神经网络,根据各个候选信息的向量表征与向量/>之间的相似度,召回与向量/>最接近的候选信息,作为事件T需要补全的客体信息。
通过上述方式,使用正负样本训练预测模型,可以提高预测模型的预测准确度;对缺失了部分描述信息的事件节点进行有效准确地信息补全,使得事件节点在后续的查询中拥有完整的描述信息,提高了互信息计算的准确度,使得保留的事件节点与关键词拥有更高的语义关联性。
对应于前述事件查询方法,本公开实施例还提供了一种事件查询装置,参见图5所示的一种事件查询装置的结构框图,主要包括如下:
获取模块510,用于获取关键词;
匹配模块520,用于将所述关键词与事件因果关系图谱中的各事件节点匹配,以得到与所述关键词匹配的第一事件节点;
推理模块530,用于根据所述第一事件节点及其在所述事件因果关系图谱中存在因果关系的关联节点,确定推理路径;
筛选模块540,用于根据所述推理路径中包含的各事件节点与目标信息之间的互信息,对所述推理路径中的事件节点进行筛选;其中,所述目标信息包括所述关键词和所述第一事件节点中的至少一个;
查询模块550,用于根据所述推理路径中保留的事件节点,确定所述关键词查询到的事件。
在一些实施方式中,所述根据所述推理路径中包含的各事件节点与目标信息之间的互信息,对所述推理路径中的事件节点进行筛选包括:
获取所述推理路径中包含的各事件节点与所述关键词之间的互信息;
根据所述推理路径中包含的各事件节点与所述关键词之间的互信息,从所述推理路径中确定互信息不满足设定条件的主题偏离节点;
将所述主题偏离节点以及与所述主题偏离节点为结果关系的各事件节点,从所述推理路径中删除。
在一些实施方式中,所述获取所述推理路径中包含的各事件节点与所述关键词之间的互信息,包括:
根据所述事件因果关系图谱中各事件节点的描述信息,生成共现频率词典;
根据所述共现频率词典,确定所述推理路径中包含的各事件节点与所述关键词之间的互信息。
在一些实施方式中,所述根据所述共现频率词典,确定所述推理路径中包含的各事件节点与所述关键词之间的互信息,包括:
对各所述事件节点的描述信息进行分词;
查询所述共现频率词典,以得到每个所述分词与所述关键词之间的共现频率;
根据所述共现频率,确定各所述分词与所述关键词之间的互信息;
根据属于同一事件节点的分词与所述关键词之间的互信息,确定对应事件节点与所述关键词之间的互信息。
在一些应用场景中,为了解决有一部分事件在抽取过程中会缺失一部分描述信息,导致事件的描述信息不完整,影响后续事件因果推理的效果和效率的问题,参见图6所示的一种事件查询装置的结构框图,主要包括:
获取模块610,用于获取关键词;
节点查询模块620,用于对所述事件因果关系图谱中存在描述信息部分缺失的第二事件节点,查询存在因果关系的相邻事件节点;
表征模块630,将所述相邻事件节点的描述信息和所述第二事件节点未缺失的描述信息输入经过训练的预测模型,得到所述第二事件节点的表征;
预测模块640,用于根据所述第二事件节点的表征,预测缺失的描述信息。
匹配模块650,用于将所述关键词与事件因果关系图谱中的各事件节点匹配,以得到与所述关键词匹配的第一事件节点;
推理模块660,用于根据所述第一事件节点及其在所述事件因果关系图谱中存在因果关系的关联节点,确定推理路径;
筛选模块670,用于根据所述推理路径中包含的各事件节点与目标信息之间的互信息,对所述推理路径中的事件节点进行筛选;其中,所述目标信息包括所述关键词和所述第一事件节点中的至少一个;
查询模块680,用于根据所述推理路径中保留的事件节点,确定所述关键词查询到的事件。
在一些实施方式中,所述预测模型是将训练集合中的正样本和对应的负样本分别输入所述预测模型,得到所述预测模型输出的正样本中两事件的表征,以及所述负样本中两事件的表征;根据所述正样本中两事件的表征之间的第一距离,与所述负样本中两事件的表征之间的第二距离之差,确定损失函数;根据所述损失函数,调整所述模型参数;
其中,所述正样本,是所述事件因果关系图谱中存在因果关系的两事件节点的描述信息;所述负样本,是所述事件因果关系图谱中不存在因果关系的两事件节点的描述信息。
在一些实施方式中,所述损失函数的取值是所述第一距离与所述第二距离之差,与零中的较大值。
在一些实施方式中,所述根据所述第二事件节点的表征,预测缺失的描述信息,包括:
获取各候选信息的表征;
根据所述第二事件节点的表征,以及所述第二事件节点中未缺失信息的表征,确定所述缺失的描述信息的表征;
根据各候选信息的表征与所述缺失的描述信息的表征之间的相似度,从各候选信息中,确定所述第二事件节点缺失的描述信息。
需要说明的是,前述对事件查询方法的解释说明,也适用于本公开实施例的事件查询装置,其实现原理及有益效果类似,在此不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
首先,本公开实施例提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行前述任一项事件查询方法。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其他适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其他类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在ROM(Read-OnlyMemory,只读存储器)702中的计算机程序或者从存储单元708加载到RAM(Random AccessMemory,随机访问/存取存储器)703中的计算机程序,来执行各种适当的动作和处理。在RAM703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。I/O(Input/Output,输入/输出)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元)、各种专用的AI(Artificial Intelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor,数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如事件查询方法。例如,在一些实施例中,事件查询方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的事件查询方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行事件查询方法。
本公开实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行前述任一项事件查询方法。
本公开实施例还提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现前述任一项事件查询方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上***的***)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode-Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其他种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种事件查询方法,包括:
获取关键词;
将所述关键词与事件因果关系图谱中的各事件节点匹配,以得到与所述关键词匹配的第一事件节点;
根据所述第一事件节点及其在所述事件因果关系图谱中存在因果关系的关联节点,确定推理路径;
根据所述推理路径中包含的各事件节点与目标信息之间的互信息,对所述推理路径中的事件节点进行筛选;其中,所述目标信息包括所述关键词和所述第一事件节点中的至少一个;
根据所述推理路径中保留的事件节点,确定所述关键词查询到的事件;
对所述事件因果关系图谱中存在描述信息部分缺失的第二事件节点,查询存在因果关系的相邻事件节点;
将所述相邻事件节点的描述信息和所述第二事件节点未缺失的描述信息输入经过训练的预测模型,得到所述第二事件节点的表征;
其中,所述预测模型是将训练集合中的正样本和对应的负样本分别输入所述预测模型,得到所述预测模型输出的正样本中两事件的表征,以及所述负样本中两事件的表征;根据所述正样本中两事件的表征之间的第一距离,与所述负样本中两事件的表征之间的第二距离之差,确定损失函数;根据所述损失函数,调整所述预测模型的参数;
其中,所述正样本,是所述事件因果关系图谱中存在因果关系的两事件节点的描述信息;所述负样本,是所述事件因果关系图谱中不存在因果关系的两事件节点的描述信息。
2.根据权利要求1所述的方法,其中,根据所述推理路径中包含的各事件节点与所述关键词之间的互信息,对所述推理路径中的事件节点进行筛选,包括:
获取所述推理路径中包含的各事件节点与所述关键词之间的互信息;
根据所述推理路径中包含的各事件节点与所述关键词之间的互信息,从所述推理路径中确定互信息不满足设定条件的主题偏离节点;
将所述主题偏离节点以及与所述主题偏离节点为结果关系的各事件节点,从所述推理路径中删除。
3.根据权利要求2所述的方法,其中,所述获取所述推理路径中包含的各事件节点与所述关键词之间的互信息,包括:
根据所述事件因果关系图谱中各事件节点的描述信息,生成共现频率词典;
根据所述共现频率词典,确定所述推理路径中包含的各事件节点与所述关键词之间的互信息。
4.根据权利要求3所述的方法,其中,所述根据所述共现频率词典,确定所述推理路径中包含的各事件节点与所述关键词之间的互信息,包括:
对各所述事件节点的描述信息进行分词;
查询所述共现频率词典,以得到每个所述分词与所述关键词之间的共现频率;
根据所述共现频率,确定各所述分词与所述关键词之间的互信息;
根据属于同一事件节点的分词与所述关键词之间的互信息,确定对应事件节点与所述关键词之间的互信息。
5.根据权利要求1所述的方法,其中,所述方法还包括:
根据所述第二事件节点的表征,预测缺失的描述信息。
6.根据权利要求1所述的方法,其中,所述损失函数的取值是所述第一距离与所述第二距离之差,与零中的较大值。
7.根据权利要求5所述的方法,其中,所述根据所述第二事件节点的表征,预测缺失的描述信息,包括:
获取各候选信息的表征;
根据所述第二事件节点的表征,以及所述第二事件节点中未缺失信息的表征,确定所述缺失的描述信息的表征;
根据各候选信息的表征与所述缺失的描述信息的表征之间的相似度,从各候选信息中,确定所述第二事件节点缺失的描述信息。
8.一种事件查询装置,包括:
获取模块,用于获取关键词;
匹配模块,用于将所述关键词与事件因果关系图谱中的各事件节点匹配,以得到与所述关键词匹配的第一事件节点;
推理模块,用于根据所述第一事件节点及其在所述事件因果关系图谱中存在因果关系的关联节点,确定推理路径;
筛选模块,用于根据所述推理路径中包含的各事件节点与目标信息之间的互信息,对所述推理路径中的事件节点进行筛选;其中,所述目标信息包括所述关键词和所述第一事件节点中的至少一个;
查询模块,用于根据所述推理路径中保留的事件节点,确定所述关键词查询到的事件;
节点查询模块,用于对所述事件因果关系图谱中存在描述信息部分缺失的第二事件节点,查询存在因果关系的相邻事件节点;
表征模块,用于将所述相邻事件节点的描述信息和所述第二事件节点未缺失的描述信息输入经过训练的预测模型,得到所述第二事件节点的表征;
其中,所述预测模型是将训练集合中的正样本和对应的负样本分别输入所述预测模型,得到所述预测模型输出的正样本中两事件的表征,以及所述负样本中两事件的表征;根据所述正样本中两事件的表征之间的第一距离,与所述负样本中两事件的表征之间的第二距离之差,确定损失函数;根据所述损失函数,调整所述预测模型的参数;
其中,所述正样本,是所述事件因果关系图谱中存在因果关系的两事件节点的描述信息;所述负样本,是所述事件因果关系图谱中不存在因果关系的两事件节点的描述信息。
9.根据权利要求8所述的装置,其中,所述筛选模块,包括:
获取单元,用于获取所述推理路径中包含的各事件节点与所述关键词之间的互信息;
确定单元,用于根据所述推理路径中包含的各事件节点与所述关键词之间的互信息,从所述推理路径中确定互信息不满足设定条件的主题偏离节点;
删除单元,用于将所述主题偏离节点以及与所述主题偏离节点为结果关系的各事件节点,从所述推理路径中删除。
10.根据权利要求9所述的装置,其中,所述获取单元,用于:
根据所述事件因果关系图谱中各事件节点的描述信息,生成共现频率词典;
根据所述共现频率词典,确定所述推理路径中包含的各事件节点与所述关键词之间的互信息。
11.根据权利要求10所述的装置,其中,所述获取单元,用于:
对各所述事件节点的描述信息进行分词;
查询所述共现频率词典,以得到每个所述分词与所述关键词之间的共现频率;
根据所述共现频率,确定各所述分词与所述关键词之间的互信息;
根据属于同一事件节点的分词与所述关键词之间的互信息,确定对应事件节点与所述关键词之间的互信息。
12.根据权利要求8所述的装置,其中,所述装置还包括:
预测模块,用于根据所述第二事件节点的表征,预测缺失的描述信息。
13.根据权利要求12所述的装置,其中,所述预测模块,用于:
获取各候选信息的表征;
根据所述第二事件节点的表征,以及所述第二事件节点中未缺失信息的表征,确定所述缺失的描述信息的表征;
根据各候选信息的表征与所述缺失的描述信息的表征之间的相似度,从各候选信息中,确定所述第二事件节点缺失的描述信息。
14. 一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
15.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110691962.6A CN113590774B (zh) | 2021-06-22 | 2021-06-22 | 事件查询方法、装置以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110691962.6A CN113590774B (zh) | 2021-06-22 | 2021-06-22 | 事件查询方法、装置以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113590774A CN113590774A (zh) | 2021-11-02 |
CN113590774B true CN113590774B (zh) | 2023-09-29 |
Family
ID=78244262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110691962.6A Active CN113590774B (zh) | 2021-06-22 | 2021-06-22 | 事件查询方法、装置以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113590774B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114491232B (zh) * | 2021-12-24 | 2023-03-24 | 北京百度网讯科技有限公司 | 信息查询方法、装置、电子设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108461151A (zh) * | 2017-12-15 | 2018-08-28 | 北京大学深圳研究生院 | 一种知识图谱的逻辑增强方法及装置 |
CN110390006A (zh) * | 2019-07-23 | 2019-10-29 | 腾讯科技(深圳)有限公司 | 问答语料生成方法、装置和计算机可读存储介质 |
CN110489520A (zh) * | 2019-07-08 | 2019-11-22 | 平安科技(深圳)有限公司 | 基于知识图谱的事件处理方法、装置、设备和存储介质 |
CN110675912A (zh) * | 2019-09-17 | 2020-01-10 | 东北大学 | 一种基于结构预测的基因调控网络构建方法 |
CN111291265A (zh) * | 2020-02-10 | 2020-06-16 | 青岛聚看云科技有限公司 | 一种推荐信息生成方法及装置 |
CN111324725A (zh) * | 2020-02-17 | 2020-06-23 | 昆明理工大学 | 一种话题获取方法、终端、计算机可读存储介质 |
CN111695583A (zh) * | 2019-07-18 | 2020-09-22 | 广东电网有限责任公司信息中心 | 一种基于因果网络的特征选择方法 |
CN111950279A (zh) * | 2019-05-17 | 2020-11-17 | 百度在线网络技术(北京)有限公司 | 实体关系的处理方法、装置、设备及计算机可读存储介质 |
CN111949787A (zh) * | 2020-08-21 | 2020-11-17 | 平安国际智慧城市科技股份有限公司 | 基于知识图谱的自动问答方法、装置、设备及存储介质 |
CN112035672A (zh) * | 2020-07-23 | 2020-12-04 | 深圳技术大学 | 一种知识图谱补全方法、装置、设备以及存储介质 |
WO2021092099A1 (en) * | 2019-11-05 | 2021-05-14 | Epacca, Inc. | Mechanistic causal reasoning for efficient analytics and natural language |
-
2021
- 2021-06-22 CN CN202110691962.6A patent/CN113590774B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108461151A (zh) * | 2017-12-15 | 2018-08-28 | 北京大学深圳研究生院 | 一种知识图谱的逻辑增强方法及装置 |
CN111950279A (zh) * | 2019-05-17 | 2020-11-17 | 百度在线网络技术(北京)有限公司 | 实体关系的处理方法、装置、设备及计算机可读存储介质 |
CN110489520A (zh) * | 2019-07-08 | 2019-11-22 | 平安科技(深圳)有限公司 | 基于知识图谱的事件处理方法、装置、设备和存储介质 |
WO2021004333A1 (zh) * | 2019-07-08 | 2021-01-14 | 平安科技(深圳)有限公司 | 基于知识图谱的事件处理方法、装置、设备和存储介质 |
CN111695583A (zh) * | 2019-07-18 | 2020-09-22 | 广东电网有限责任公司信息中心 | 一种基于因果网络的特征选择方法 |
CN110390006A (zh) * | 2019-07-23 | 2019-10-29 | 腾讯科技(深圳)有限公司 | 问答语料生成方法、装置和计算机可读存储介质 |
CN110675912A (zh) * | 2019-09-17 | 2020-01-10 | 东北大学 | 一种基于结构预测的基因调控网络构建方法 |
WO2021092099A1 (en) * | 2019-11-05 | 2021-05-14 | Epacca, Inc. | Mechanistic causal reasoning for efficient analytics and natural language |
CN111291265A (zh) * | 2020-02-10 | 2020-06-16 | 青岛聚看云科技有限公司 | 一种推荐信息生成方法及装置 |
CN111324725A (zh) * | 2020-02-17 | 2020-06-23 | 昆明理工大学 | 一种话题获取方法、终端、计算机可读存储介质 |
CN112035672A (zh) * | 2020-07-23 | 2020-12-04 | 深圳技术大学 | 一种知识图谱补全方法、装置、设备以及存储介质 |
CN111949787A (zh) * | 2020-08-21 | 2020-11-17 | 平安国际智慧城市科技股份有限公司 | 基于知识图谱的自动问答方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Enhanced Fast Causal Network Inference over Event Streams;Saurav Acharya;Transactions on Large-Scale Data- and Knowledge-Centered Systems XVII;全文 * |
面向公共安全领域的词典构建及其舆情事件识别研究;王连喜;;情报探索(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113590774A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11544459B2 (en) | Method and apparatus for determining feature words and server | |
JP2012118977A (ja) | 文書類似性計算の機械学習に基づく最適化およびカスタマイズのための方法およびシステム | |
CN112989235B (zh) | 基于知识库的内链构建方法、装置、设备和存储介质 | |
US20230073994A1 (en) | Method for extracting text information, electronic device and storage medium | |
CN112948608A (zh) | 图片查找方法、装置、电子设备及计算机可读存储介质 | |
CN116401345A (zh) | 智能问答方法、装置、存储介质和设备 | |
US20220198358A1 (en) | Method for generating user interest profile, electronic device and storage medium | |
CN113033194B (zh) | 语义表示图模型的训练方法、装置、设备和存储介质 | |
CN113590774B (zh) | 事件查询方法、装置以及存储介质 | |
CN114611625A (zh) | 语言模型训练、数据处理方法、装置、设备、介质及产品 | |
CN117688946A (zh) | 基于大模型的意图识别方法、装置、电子设备和存储介质 | |
CN113963197A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN116467461A (zh) | 应用于配电网的数据处理方法、装置、设备及介质 | |
CN116383382A (zh) | 敏感信息的识别方法、装置、电子设备及存储介质 | |
CN116127319A (zh) | 多模态负样本构建、模型预训练方法、装置、设备及介质 | |
CN112860626B (zh) | 一种文档排序方法、装置及电子设备 | |
CN112560481B (zh) | 语句处理方法、设备和存储介质 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN114969444A (zh) | 数据的处理方法、装置、电子设备和存储介质 | |
CN114117248A (zh) | 数据处理方法、装置及电子设备 | |
CN111898377A (zh) | 一种情感识别方法、装置、计算机设备及存储介质 | |
CN112926319B (zh) | 一种领域词汇的确定方法、装置、设备以及存储介质 | |
CN116737520B (zh) | 一种日志数据的数据编织方法、装置、设备及存储介质 | |
CN116244413B (zh) | 新意图确定方法、设备和存储介质 | |
CN113190698B (zh) | 配对图片集的生成方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |