CN114647739A - 实体链指方法、装置、电子设备及存储介质 - Google Patents
实体链指方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114647739A CN114647739A CN202210178163.3A CN202210178163A CN114647739A CN 114647739 A CN114647739 A CN 114647739A CN 202210178163 A CN202210178163 A CN 202210178163A CN 114647739 A CN114647739 A CN 114647739A
- Authority
- CN
- China
- Prior art keywords
- entity
- linked
- finger
- chain
- candidate
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- 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
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/027—Frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种实体链指方法、装置、电子设备及存储介质,涉及机器学习、自然语言处理以及智能搜索等人工智能技术领域。具体实现方案为:获取知识库中、与指定语句中的待链指实体最相关的目标实体;基于预设的链指决策策略,决策是否将所述待链指实体链指到所述知识库中的所述目标实体上。本公开,能够有效地提高实体链指的准确性。
Description
技术领域
本公开涉及计算机技术领域,具体涉及机器学习、自然语言处理以及智能搜索等人工智能技术领域,尤其涉及一种实体链指方法、装置、电子设备及存储介质。
背景技术
实体链指技术,具体指的是识别文本中的实体,并将识别到的实体链接到知识图谱(knowledge graph)等知识库中的多个同名实体中的其中一个。
在知识库中,存在很多属性信息不同的同名实体。并且在知识库中,记录有每一类型的实体的描述、属性等丰富的背景信息。这些背景信息可以帮助理解文本的语义。
发明内容
本公开提供了一种实体链指方法、装置、电子设备及存储介质。
根据本公开的一方面,提供了一种实体链指方法,包括:
获取知识库中、与指定语句中的待链指实体最相关的目标实体;
基于预设的链指决策策略,决策是否将所述待链指实体链指到所述知识库中的所述目标实体上。
根据本公开的另一方面,提供了一种实体链指装置,包括:
获取模块,用于获取知识库中、与指定语句中的待链指实体最相关的目标实体;
决策模块,用于基于预设的链指决策策略,决策是否将所述待链指实体链指到所述知识库中的所述目标实体上。
根据本公开的再一方面,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如上所述的方面和任一可能的实现方式的方法。
根据本公开的又一方面,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,所述计算机指令用于使所述计算机执行如上所述的方面和任一可能的实现方式的方法。
根据本公开的再另一方面,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如上所述的方面和任一可能的实现方式的方法。
根据本公开的技术,能够有效地提高实体链指的准确性。
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。本公开的其它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是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是本公开提供的模型工作原理图;
图5是根据本公开第四实施例的示意图;
图6是根据本公开第五实施例的示意图;
图7是用来实现本公开实施例的上述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。
显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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全部其他实施例,都属于本公开保护的范围。
需要说明的是,本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(Personal Digital Assistant,PDA)、无线手持设备、平板电脑(TabletComputer)等智能设备;显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
基于上述实体链指的原理,现有技术中采用很多的实体链指实现方法。例如,可以通过构建待链指的实体的向量表示和各候选实体的向量表示,以计算待链指的实体与各候选实体的相似性分数,并获取分数最高的候选实体,进行链指。但是,现有技术的实体链指的准确性不佳。
图1是根据本公开第一实施例的示意图;如图1所示,本实施例提供实体链指方法,可以应用于实体链指装置中,具体可以包括如下步骤:
S101、获取知识库中、与指定语句中的待链指实体最相关的目标实体;
S102、基于预设的链指决策策略,决策是否将待链指实体链指到知识库中的目标实体上。
本实施例的知识库可以指的是知识图谱等形式的、用于存储各种实体信息的数据库。对于任一名称的实体,该知识库中可以存储有该同名的数个类型的实体。同时记录有每种类型的实体的描述信息,例如实体的描述信息中可以包括概要、类型、简介、属性关系等等。每种类型的实体的描述信息能够帮助理解该类型的实体,进而可以帮助用户理解包含该类型的实体的语义。
对于任一指定语句,本实施例中,需要先识别该指定语句中的实体。为了和知识库中的实体相区分,指定语句中识别的用于待链指的实体,在相关领域中也可以称之为实体提及(entity mention),可以理解为该指定语句中提及的实体。本实施例的目的是要将识别到的实体链指到实体库中某个同名的目标实体上。所以该识别到的实体即为本实施例的待链指的实体。
本实施例中待链指的实体的类型可以包括人名、地名、影视作品名等。
本实施例中,基于预设的链指决策策略,决策是否将待链指实体链指到知识库中的目标实体上,包括待链指实体可能不能链指到知识库中的目标实体上。虽然该目标实体与待链指实体最相关,但是仅仅是相对于知识库中的其他实体而言。所以若根据预设的链指决策策略,不将待链指实体链指到知识库中的目标实体上时,此时可以说明该待链指实体链指到知识库中的任一同名实体上的准确性都不佳,而作为一个新实体更准确,那么此时可以选择不将待链指实体链指到知识库中的目标实体上。而不是像现有技术中,基于相似性分数的高低,始终存在一个最高的分数,按照该最高的分数,将待链指实体链指到该最高的分数对应的同名实体上,必然存在链指错误的问题。因此,本实施例的实体链指方法,能够提高实体链指的准确性。
本实施例的实体链指方法,在获取知识库中、与指定语句中的待链指实体最相关的目标实体之后,基于预设的链指决策策略,决策是否将待链指实体链指到知识库中的目标实体上,而不是直接将待链指实体链指到最相关的目标实体上,可以有效地降低链指错误的发生,进而可以有效地提高实体链指的准确性。
图2是根据本公开第二实施例的示意图;如图2所示,本实施例的实体链指方法,在上述图1所示实施例的技术方案的基础上,进一步更加详细地描述本申请的技术方案。如图2所示,本实施例的实体链指方法,具体可以包括如下步骤:
S201、获取指定语句中的待链指实体与知识库中同名的、数个候选实体中的各候选实体的相关性;
可选地,在本公开的一个实施例中,在该步骤S201之前,可以采用预先训练的实体识别模型对该指定语句中的实体进行识别。识别到的实体即为本实施例的待链指实体。
本实施例的实体识别模型可以预先采用多条训练样本进行训练。各条训练样本中包括训练语句和标注的实体。采用多条训练样本对实体识别模型进行训练之后,可以使得该实体识别模型学些能识别实体的能力。
可选地,在本公开的一个实施例中,在该步骤S201之前,还可以采用预设的实体筛选规则,从指定语句中识别实体。
无论采用上述哪种方式,均可以从任意的指定语句中准确地识别到实体,并将识别到的实体作为待链指实体,接下来采用本实施例的技术方案,获取分析该待链指实体与知识库中的各同名的候选实体的相关性。
例如,本实施例中,可以通过计算待链指实体的文本信息与各候选实体的属性描述的文本信息之间的相关性,作为两者的相关性。或者也可以通过计算待链指实体的类型与各候选实体的类型的相关性,作为两者的相关性。或者还可以通过计算待链指实体及上下文和各候选实体的描述信息的相关性,作为两者的相关性。或者还可以通过计算待链指实体的其他任一信息或者组合、与各候选实体的其他任一信息或者组合的相关性,作为两者的相关性,在此不再一一举例赘述。相关性越高,则待链指实体与候选实体越相似。本实施例中的相关性可以采用一个【0,1】之间的一个概率值来表示,越靠近1,表示两者越相似,否则越靠近0,表示两者越不相似。
S202、获取待链指实体的类型、各候选实体的类型、待链指实体被链指到各候选实体的先验概率以及待链指实体与候选实体的一致性特征;
本实施例中的待链指实体的类型,即entity mention type,可以基于预先训练的实体类型识别模型来预测。例如,将文本以及文本中的待链指实体一起输入至该实体类型识别模型中,该实体类型识别模型可以预测并输出该待链指实体的类型。
或者也可以对文本中该待链指实体的上下文进行分析,识别该待链指实体的类型。例如,在文本的上下文都在描述一首歌,经过分析可以推测得知该待链指实体为歌名。或者在文本的上下文都在描述一本书,经过分析可以推测得知该待链指实体为书名。
各候选实体的类型,即entity type,在知识库中候选实体的属性描述中有记录,直接获取即可。
待链指实体被链指到各候选实体的先验概率,即link-count prior,具体可以基于历史链指数据中,与待链指实体同名的实体被链指到各候选实体的频次以及被链指的总频次,计算待链指实体被链指到各候选实体的统计概率。然后基于得到的统计概率,计算待链指实体被链指到各候选实体的先验概率。例如,可选地,先验概率可以直接等于统计概率;或者先验概率也可以对统计概率取对数或者其他数学运算。无论采用哪种方式,先验概率的大小始终均与统计概率的大小成正比。
待链指实体与候选实体的一致性特征,可以指的是待链指实体所在的指定语句中的上下文信息与候选实体的描述信息中共同出现信息。或者也可以指的是待链指实体所在的指定语句中的其他实体的文本信息与候选实体的属性描述中共同出现的文本信息,即mention-entity coherence。
S203、基于待链指实体与各候选实体的相关性、待链指实体的类型、各候选实体的类型、待链指实体被链指到各候选实体的先验概率以及待链指实体与候选实体的一致性特征中的至少一个,从知识库中的数个候选实体中获取与待链指实体最相关的目标实体;
本实施例中,在获取与待链指实体最相关的目标实体的过程中,参考待链指实体与各候选实体的相关性、待链指实体的类型、各候选实体的类型、待链指实体被链指到各候选实体的先验概率以及待链指实体与候选实体的一致性特征中的数量越多,获取到的目标实体越准确。
可选地,在本实施例中,获取到的最相关的目标实体的数量可以为一个、也可以为两个或者多个。
上述步骤S201-S203为上述图1所示实施例的步骤S101的一种实现方式。
S204、基于预先训练的链指决策模型,决策是否将待链指实体链指到知识库中的目标实体上。
本实施例中,该链指决策模型可以为一个gbdt二分类模型。经过预训练,该链指决策模型,可以基于待链指实体的信息和目标实体的信息,输出一个【0,1】之间的概率。实际应用中,可以基于指定语句所属文本的领域,设置一个预设的概率阈值,若输出概率大于预设概率阈值,则可以将待链指实体链指到知识库中的目标实体上。否则,不需要将待链指实体链指到知识库中的目标实体上。对于不需要将待链指实体链指到知识库中的目标实体上时,可以返回NIL实体,此时可以得知该待链指实体是一个新实体。
本实施例的实体链指方法,通过基于待链指实体与各候选实体的相关性、待链指实体的类型、各候选实体的类型、待链指实体被链指到各候选实体的先验概率以及待链指实体与候选实体的一致性特征中的至少一个,从知识库中的数个候选实体中获取与待链指实体最相关的目标实体,能够有效地提高获取的目标实体的准确性。进而基于预先训练的链指决策模型,决策是否将待链指实体链指到知识库中的目标实体上,能够有效地提高链指决策的准确性。
图3是根据本公开第三实施例的示意图;如图3所示,本实施例的实体链指方法,在上述图2所示实施例的技术方案的基础上,进一步更加详细地描述本申请的技术方案。如图3所示,本实施例的实体链指方法,具体可以包括如下步骤:
S301、采用预先训练的文本匹配模型,基于指定语句、待链指实体的文本信息以及知识库中的各候选实体的属性描述的文本信息,预测指定语句中的待链指实体与对应的候选实体的相关性;
具体地,该文本匹配模型的输入可以包括两大方面的信息:待链指实体的相关文本信息以及知识库中的候选实体的相关文本信息。其中,待链指实体的相关文本信息可以包括有待链指实体的指定语句,也就是说包括待链指实体的文本信息以及指定语句中的其他文本信息。候选实体的相关文本信息即指的是候选实体的属性描述的文本信息。
本实施例的实体链指方法中,文本匹配模型的输入包括:1)一个指定语句S=[w1,w2,…,wn],指定语句S中包含多个词语。2)指定语句S中的一个实体m,m是S中的一个实体名字短语,包含一个或者多个词语,例如m为“李XX”。3)m在知识库中存在k个同名的候选实体有[e1,e2,…,ek]。例如知识库中可能有古代诗人李XX、游戏英雄李XX、歌星A的歌曲《李XX》等候选实体,在知识库中记录有各候选实体的属性描述,例如可以包括概要、类型、简介、属性关系等等。模型需要输出NIL实体或者选择的链接的实体ei,ei为k个候选实体中的某一个。当知识库中候选实体的数目k=1时,称为单义链指的情况;当候选实体的数目>1时,称为多义链指的情况。
本实施例的文本匹配模型,在使用时,输入信息包括上述1)、2)、以及3)中的一个候选实体的相关信息,文本匹配模型输出一个[0,1]区间的概率,表示待链指实体与知识库中的该候选实体的文本相关性。本实施例的文本匹配模型是一个二分类模型,如果待链指实体m应当链接到候选实体ei,则标签理论上可以为1;否则标签理论上可以为0。
本实施例的文本匹配模型可以使用预训练语言模型,例如Bert,Ernie等,建模待链指实体和候选实体的文本相关性。预训练语言模型可以加载预训练好的模型参数,然后在文本匹配任务上微调(fine-tune),得到最终的文本匹配模型。
具体使用时,输入给文本匹配模型为处理过后的文本。例如对于待链指实体及指定语句的文本的输入,可以输入指定语句,并在指定语句中待链指实体的左右位置分别加上[unused1]和[unused2]特殊字符,以标记待链指实体在指定语句中的位置。对知识库中的候选实体,候选实体有多种属性描述,包括概要,类型,简介,属性关系等,可以使用“属性关键词说明:属性描述”的格式标记不同属性文本。不同属性文本之间使用一个特殊字符[unused3]作为分隔符拼接。特殊字符[unused1],[unused2],[unused3]是预训练语言模型预留的字符。其中模型中的embedding表示可以在任务训练的过程中学习得到。
进一步可选地,为了进一步提高待链指实体与候选实体的相关性的准确性,本实施例中,还可以采用预先训练的文本匹配模型,基于指定语句、待链指实体的文本信息以及知识库中的各候选实体的属性描述的文本信息以及指定语句的文档标题信息,预测指定语句中的待链指实体与对应的候选实体的相关性。
也就是说,本实施例中文本匹配模型中,可以增加输入指定语句的文档标题信息,作为补充文本,可以解决待链指实体与指定语句的信息不足的问题,进而可以提高指定语句中的待链指实体与对应的候选实体的相关性的准确度。
此时对应的文本匹配模型的输入可以采用(S,m,e_i,y)格式的样本数据,其中S,m,ei,y分别代表指定语句,待链指实体,候选实体,标签(0或者1)。
预训练的文本匹配模型,基于上述的输入信息,得到一个匹配向量PretrainLM(S,m,ei)_{CLS},然后使用一个全链接网络和sigmoid激活函数,得到预测的待链指实体与候选实体的相关性的概率:
prob(S,m,ei)=σ(wTPretrainLM(S,m,e_i)_{CLS})
其中wT是可学习的参数向量;σ()表示sigmoid激活函数。
该文本匹配模型的训练过程中,可以采样mini-batch的数据,使用如下损失函数L训练更新模型参数:
L=-ylog(prob(s,m,ei))-(1-y)log(1-prob(s,m,ei))。
其中y为训练过程中的标签,表示是否是正确的链指,若是,该值为1,不是,该值为0。
在文本匹配模型的训练过程中,可以评估模型在验证集上实体链指的准确率、召回率以及F1等,然后选取验证集上实体链指F1最大的模型保存,用以后续预测。
文本匹配模型训练完成后,即可预测一个样本的待链指实体和知识库中的候选实体的文本语义的相关性为prob(S,m,ei)。
本实施例的文本匹配模型在训练时,可以基于网站中的内链收集训练数据。“内链”有一部分来源于创作者手动添加的,有一部分来源于实体链指算法自动添加的。“内链”提供了实体提及到知识库中的同名实体的超链接。根据网页的结构化布局,可以评估并统计分析哪些区域的“内链”准确度比较高,选取出比较高准确率的“内链”作为训练样本。
在文本匹配模型中,可以使用多义链指的内链数据,采样部分数据,得到一个训练样本集合。使用多义链指的内链数据是因为单义链指的数据没有负样本的实体候选,不能提供充分的负样本监督信号,促进文本匹配模型的充分学习。
由于“内链”数据准确率不是100%,文本匹配模型的验证数据和测试数据的收集,可以采用人工标注部分数据。一部分作为验证数据,用以在训练过程中选取较好的文本匹配模型;一部分作为测试数据,用以评估文本匹配模型的效果。
步骤S301为上述图2所示实施例的步骤S201的一种实现方式,采用文本匹配模型来实现,能够有效地提高待链指实体与各候选实体的相关性的准确度。
S302、获取待链指实体的类型、各候选实体的类型、待链指实体被链指到各候选实体的先验概率以及待链指实体与候选实体的一致性特征;
具体获取过程,可以参考上述图2所示实施例的步骤S202,在此不再赘述。
S303、基于待链指实体与各候选实体的相关性、待链指实体的类型、各候选实体的类型、待链指实体被链指到各候选实体的先验概率以及待链指实体与候选实体的一致性特征中的至少一个,采用预先训练的特征融合排序模型,从知识库中数个候选实体中获取与待链指实体最相关的目标实体;
实际应用中,优选地,特征融合排序模型,可以基于上述步骤S301和步骤S302获取的所有特征,从知识库中数个候选实体中获取与待链指实体最相关的目标实体,这样,获取的目标实体最准确。
本实施例的特征融合排序模型的输入包括:1)指定语句S=[w1,w2,…,wn],句子中包含n个词语。2)指定语句中的待链指实体m,即m是S中的一个实体名字短语,包含一个或者多个词语。3)待链指实体m在知识库中的同名的候选实体[e1,e2,…,ek],即知识库中存在k个与待链指实体m同名的候选实体。
本实施例的特征融合排序模型,还用于对k个候选实体排序,选出得分最高的top1实体ei,ei为k个候选实体中的一个。
本实施例的特征融合排序模型,可以依据各候选实体的特征,对各候选实体排序。具体地,可以使用gbdt lambada rank集成决策树算法。在特征融合排序模型的训练过程中,使用验证集上的ndcg指标选取最优的特征融合排序模型。
在预测时,加载训练时选取的最优的特征融合排序模型,便可以实现对待链指实体对应的所有候选实体排序,选出得分最高的Top1的候选实体,作为目标实体。
步骤S303为上述图2所示实施例的步骤S203的一种实现方式。具体地,在该实现方式中,采用特征融合模型来实现,能够提高获取最相关的目标实体的准确性以及智能性。
S304、基于待链指实体与目标实体的相关性、待链指实体的类型、目标实体的类型、待链指实体被链指到目标实体的先验概率、待链指实体与目标实体的一致性特征、以及待链指实体的特征中的至少一个,采用预先训练的链指决策模型,获取待链指实体被链指到目标实体的概率;
该步骤中在采用链指决策模型获取待链指实体被链指到目标实体的概率时,除了上述步骤S303中记载的各特征外,还增加了待链指实体的特征,例如,该待链指实体的特征可以包括待链指实体的文本的长度等特征信息。虽然待链指实体的特征如文本长度等,对于不同的候选实体是相同的,所以对候选实体的排序没有帮助。但是对于判断待链指实体是否是一个新实体有帮助。
优选地,本实施例中链指决策模型的输入信息包括步骤S304中描述的所有特征信息。由于输入的特征信息越多,链指决策模型预测的待链指实体被链指到目标实体的概率越准确。
本实施例中,对于特征融合排序模型输出的Top1的目标实体,链指决策模型需要综合上述多种特征,预测是否要将该待链指实体链接到Top1的目标实体上。该问题的建模也是一个二分类任务。可以使用gbdt二分类模型。
在链指决策模型的训练阶段,可以使用所有的多义链指数据的所有候选实体作为二分类的训练样本,如果候选实体是要链接的实体,那么模型预测的目标标签为1,否则为0。
在预测阶段,链指决策模型只需要预测特征融合排序模型输出的Top1知识库实体的链指概率。
该步骤中,通过采用链指决策模型,可以有效地提高待链指实体被链指到目标实体的概率的准确性。
S305、判断概率是否大于预设概率阈值;若大于,执行步骤S306;否则,若不大于,执行步骤S307;
S306、将待链指实体链指到目标实体,结束。
S307、确定知识库中无可链指的实体;返回NIL实体。
此时返回NIL标识知识库中不存在该待链指实体对应的目标实体,即表示该待链指实体为一个新实体。
对于本实施例的预设概率阈值,可以在使用时,根据链指决策模型的输出,在测试数据上,设定不同的候选概率阈值,然后求出各候选概率阈值对应的实体链指的准确率以及召回率。然后可以画出准确率-召回率的曲线图。并根据业务需要的准确率和召回率,选取一个最佳的预设概率阈值。例如,可以根据业务需要的最佳准确率,获取准确率大于该最佳准确率、召回率最大时对应的候选概率阈值,作为预设概率阈值。
若链指决策模型预测并输出的待链指实体被链指到目标实体的概率,低于预设概率阈值,最终决策输出NIL实体;如果高于预设概率阈值,便可以决策得到:可以将待链指实体链指到特征融合排序模型选取的Top1的目标实体上。
基于以上所述,可以得知,本实施例的实体链指方法,基于上述的文本匹配模型、特征融合排序模型以及链指决策模型三个模型来实现。其工作原理,可以如图4所示。
本实施例的实体链指方法,通过采用上述文本匹配模型、特征融合排序模型以及链指决策模型三个模型来实现实体链指,不仅能够有效地提高实体链指的获取的目标实体的准确性,同时增加整个方案的智能性。
本实施例的实体链指方法可以应用在搜索场景、推荐场景以及网站的内链场景等中。
例如,在搜索场景下,实现对用户搜索query的理解。用户搜索的query中包含的实体提及,即待链指实体,采用本实施例的上述实体链指方法可以将待链指实体链接到知识库中的一个同名实体上,能够基于链接到的实体的属性描述,帮助理解用户的搜索意图,以最大程度地满足用户的搜索需求。
例如,在推荐场景下,实现对新闻或者视频等内容的理解。在推荐场景下,推荐的物品如新闻、长视频、短视频等的标题中可能会包含实体提及,即待链指实体,将这些待链指实体链接到知识库中的一个同名实体,利用知识库中的该同名实体的的属性描述等外部信息,可以更好地理解并刻画推荐的物品。从而提升推荐效果,提升推荐产品的用户体验,表现为日活跃用户数量(Daily Active User;DAU)、用户时长等核心指标的提升。
例如,在网站内,采用本实施例的上述实体链指方法,可以自动地在页面生成“内链”,即将页面中的待链指实体链接到其他的关于同名的目标实体的页面的超链接;还可以自动检测“内链”跳转错误,并提供纠错建议。一次你,可以提升网站内使用内链的产品的准确性、权威性,加强网站内词条之间的联系,带来更好地用户体验。
图5是根据本公开第四实施例的示意图;如图5所示,本实施例提供一种实体链指装置500,包括:
获取模块501,用于获取知识库中、与指定语句中的待链指实体最相关的目标实体;
决策模块502,用于基于预设的链指决策策略,决策是否将待链指实体链指到知识库中的目标实体上。
本实施例的实体链指装置500,通过采用上述模块实现实体链指的实现原理以及技术效果,与上述相关方法实施例的实现相同,详细可以参考上述相关方法实施例的记载,在此不再赘述。
图6是根据本公开第五实施例的示意图;如图6所示,本实施例提供一种实体链指装置600,包括上述图5的同名同功能模块,获取模块601和决策模块602。
进一步可选地,在本实施例中,获取模块601,包括:
相关性获取单元6011,用于获取指定语句中的待链指实体与知识库中同名的、数个候选实体中的各候选实体的相关性;
特征获取单元6012,用于获取待链指实体的类型、各候选实体的类型、待链指实体被链指到各候选实体的先验概率以及待链指实体与候选实体的一致性特征;
目标获取单元6013,用于基于待链指实体与各候选实体的相关性、待链指实体的类型、各候选实体的类型、待链指实体被链指到各候选实体的先验概率以及待链指实体与候选实体的一致性特征中的至少一个,从知识库中的数个候选实体中获取与待链指实体最相关的目标实体。
进一步可选地,在本公开的一个实施例中,相关性获取单元6011,用于:
采用预先训练的文本匹配模型,基于指定语句、待链指实体的文本信息以及知识库中的各候选实体的属性描述的文本信息,预测指定语句中的待链指实体与对应的候选实体的相关性。
进一步可选地,在本公开的一个实施例中,目标获取单元6013,用于:
基于待链指实体与各候选实体的相关性、待链指实体的类型、各候选实体的类型、待链指实体被链指到各候选实体的先验概率以及待链指实体与候选实体的一致性特征中的至少一个,采用预先训练的特征融合排序模型,从知识库中数个候选实体中获取与待链指实体最相关的目标实体。
进一步可选地,在本公开的一个实施例中,决策模块602,用于:
基于预先训练的链指决策模型,决策是否将待链指实体链指到知识库中的目标实体上。
进一步可选地,如图6所示,在本公开的一个实施例中,决策模块602,包括:
预测单元6021,用于基于待链指实体与目标实体的相关性、待链指实体的类型、目标实体的类型、待链指实体被链指到目标实体的先验概率、待链指实体与目标实体的一致性特征、以及待链指实体的特征中的至少一个,采用预先训练的链指决策模型,获取待链指实体被链指到目标实体的概率;
判断单元6022,用于判断概率是否大于预设概率阈值;
链指决策单元6023,用于若大于,将待链指实体链指到目标实体。
进一步可选地,在本公开的一个实施例中,链指决策单元6023,还用于:
若概率不大于预设概率阈值,确定知识库中无可链指的实体。
本实施例的实体链指装置600,通过采用上述模块实现实体链指的实现原理以及技术效果,与上述相关方法实施例的实现相同,详细可以参考上述相关方法实施例的记载,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
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。
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、和其它适合的计算机。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、可穿戴设备和其它类似的计算装置。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,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703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。输入/输出(I/O)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809,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中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、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,例如本公开的上述方法。例如,在一些实施例中,本公开的上述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本公开的上述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)而被配置为执行本公开的上述方法。
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***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、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、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或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、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(阴极射线管)或者LCD(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。其它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:局域网(LAN)、广域网(WAN)和互联网。
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,也可以为分布式***的服务器,或者是结合了区块链的服务器。
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 (17)
1.一种实体链指方法,包括:
获取知识库中、与指定语句中的待链指实体最相关的目标实体;
基于预设的链指决策策略,决策是否将所述待链指实体链指到所述知识库中的所述目标实体上。
2.根据权利要求1所述的方法,其中,获取知识库中、与指定语句中的待链指实体最相关的目标实体,包括:
获取所述指定语句中的所述待链指实体与所述知识库中同名的、数个候选实体中的各所述候选实体的相关性;
获取所述待链指实体的类型、各所述候选实体的类型、所述待链指实体被链指到各所述候选实体的先验概率以及所述待链指实体与所述候选实体的一致性特征;
基于所述待链指实体与各所述候选实体的相关性、所述待链指实体的类型、各所述候选实体的类型、所述待链指实体被链指到各所述候选实体的先验概率以及所述待链指实体与所述候选实体的一致性特征中的至少一个,从所述知识库中的所述数个候选实体中获取与所述待链指实体最相关的所述目标实体。
3.根据权利要求2所述的方法,其中,获取所述指定语句中的所述待链指实体与所述知识库中同名的、数个候选实体中的各所述候选实体的相关性,包括:
采用预先训练的文本匹配模型,基于所述指定语句、所述待链指实体的文本信息以及所述知识库中的各所述候选实体的属性描述的文本信息,预测所述指定语句中的所述待链指实体与对应的所述候选实体的相关性。
4.根据权利要求2所述的方法,其中,基于所述待链指实体与各所述候选实体的相关性、所述待链指实体的类型、各所述候选实体的类型、所述待链指实体被链指到各所述候选实体的先验概率以及所述待链指实体与所述候选实体的一致性特征中的至少一个,从所述知识库中的所述数个候选实体中获取与所述待链指实体最相关的所述目标实体,包括:
基于所述待链指实体与各所述候选实体的相关性、所述待链指实体的类型、各所述候选实体的类型、所述待链指实体被链指到各所述候选实体的先验概率以及所述待链指实体与所述候选实体的一致性特征中的至少一个,采用预先训练的特征融合排序模型,从所述知识库中所述数个候选实体中获取与所述待链指实体最相关的所述目标实体。
5.根据权利要求1-4任一所述的方法,其中,基于预设的链指决策策略,决策是否将所述待链指实体链指到所述知识库中的所述目标实体上,包括:
基于预先训练的链指决策模型,决策是否将所述待链指实体链指到所述知识库中的所述目标实体上。
6.根据权利要求5所述的方法,其中,基于预先训练的链指决策模型,决策是否将所述待链指实体链指到所述知识库中的所述目标实体上,包括:
基于所述待链指实体与所述目标实体的相关性、所述待链指实体的类型、所述目标实体的类型、所述待链指实体被链指到所述目标实体的先验概率、所述待链指实体与所述目标实体的一致性特征、以及所述待链指实体的特征中的至少一个,采用预先训练的链指决策模型,获取所述待链指实体被链指到所述目标实体的概率;
判断所述概率是否大于预设概率阈值;
若大于,将所述待链指实体链指到所述目标实体。
7.根据权利要求6所述的方法,其中,采用预先训练的链指决策模型,决策是否将所述待链指实体链指到所述知识库中的所述目标实体上,还包括:
若所述概率不大于预设概率阈值,确定所述知识库中无可链指的实体。
8.一种实体链指装置,包括:
获取模块,用于获取知识库中、与指定语句中的待链指实体最相关的目标实体;
决策模块,用于基于预设的链指决策策略,决策是否将所述待链指实体链指到所述知识库中的所述目标实体上。
9.根据权利要求8所述的装置,其中,所述获取模块,包括:
相关性获取单元,用于获取所述指定语句中的所述待链指实体与所述知识库中同名的、数个候选实体中的各所述候选实体的相关性;
特征获取单元,用于获取所述待链指实体的类型、各所述候选实体的类型、所述待链指实体被链指到各所述候选实体的先验概率以及所述待链指实体与所述候选实体的一致性特征;
目标获取单元,用于基于所述待链指实体与各所述候选实体的相关性、所述待链指实体的类型、各所述候选实体的类型、所述待链指实体被链指到各所述候选实体的先验概率以及所述待链指实体与所述候选实体的一致性特征中的至少一个,从所述知识库中的所述数个候选实体中获取与所述待链指实体最相关的所述目标实体。
10.根据权利要求9所述的装置,其中,所述相关性获取单元,用于:
采用预先训练的文本匹配模型,基于所述指定语句、所述待链指实体的文本信息以及所述知识库中的各所述候选实体的属性描述的文本信息,预测所述指定语句中的所述待链指实体与对应的所述候选实体的相关性。
11.根据权利要求9所述的装置,其中,所述目标获取单元,用于:
基于所述待链指实体与各所述候选实体的相关性、所述待链指实体的类型、各所述候选实体的类型、所述待链指实体被链指到各所述候选实体的先验概率以及所述待链指实体与所述候选实体的一致性特征中的至少一个,采用预先训练的特征融合排序模型,从所述知识库中所述数个候选实体中获取与所述待链指实体最相关的所述目标实体。
12.根据权利要求8-11任一所述的装置,其中,所述决策模块,用于:
基于预先训练的链指决策模型,决策是否将所述待链指实体链指到所述知识库中的所述目标实体上。
13.根据权利要求12所述的装置,其中,所述决策模块,包括:
预测单元,用于基于所述待链指实体与所述目标实体的相关性、所述待链指实体的类型、所述目标实体的类型、所述待链指实体被链指到所述目标实体的先验概率、所述待链指实体与所述目标实体的一致性特征、以及所述待链指实体的特征中的至少一个,采用预先训练的链指决策模型,获取所述待链指实体被链指到所述目标实体的概率;
判断单元,用于判断所述概率是否大于预设概率阈值;
链指决策单元,用于若大于,将所述待链指实体链指到所述目标实体。
14.根据权利要求13所述的装置,其中,所述链指决策单元,还用于:
若所述概率不大于预设概率阈值,确定所述知识库中无可链指的实体。
15.一种电子设备,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。
16.一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。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210178163.3A CN114647739B (zh) | 2022-02-25 | 2022-02-25 | 实体链指方法、装置、电子设备及存储介质 |
US17/940,059 US20230274161A1 (en) | 2022-02-25 | 2022-09-08 | Entity linking method, electronic device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210178163.3A CN114647739B (zh) | 2022-02-25 | 2022-02-25 | 实体链指方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114647739A true CN114647739A (zh) | 2022-06-21 |
CN114647739B CN114647739B (zh) | 2023-02-28 |
Family
ID=81993389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210178163.3A Active CN114647739B (zh) | 2022-02-25 | 2022-02-25 | 实体链指方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230274161A1 (zh) |
CN (1) | CN114647739B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708437A (zh) * | 2024-02-05 | 2024-03-15 | 四川日报网络传媒发展有限公司 | 一种个性化内容的推荐方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959270A (zh) * | 2018-08-10 | 2018-12-07 | 新华智云科技有限公司 | 一种基于深度学习的实体链接方法 |
CN111159485A (zh) * | 2019-12-30 | 2020-05-15 | 科大讯飞(苏州)科技有限公司 | 尾实体链接方法、装置、服务器及存储介质 |
CN111523326A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 实体链指方法、装置、设备以及存储介质 |
CN111931509A (zh) * | 2020-08-28 | 2020-11-13 | 北京百度网讯科技有限公司 | 实体链指方法、装置、电子设备及存储介质 |
CN112966513A (zh) * | 2021-03-05 | 2021-06-15 | 北京百度网讯科技有限公司 | 用于实体链接的方法和装置 |
CN112989803A (zh) * | 2021-02-25 | 2021-06-18 | 成都增强视图科技有限公司 | 一种基于主题向量学习的实体链接模型 |
CN112989235A (zh) * | 2021-03-09 | 2021-06-18 | 北京百度网讯科技有限公司 | 基于知识库的内链构建方法、装置、设备和存储介质 |
CN113033205A (zh) * | 2021-03-24 | 2021-06-25 | 北京百度网讯科技有限公司 | 实体链接的方法、装置、设备以及存储介质 |
CN113377930A (zh) * | 2021-08-13 | 2021-09-10 | 中国科学院自动化研究所 | 面向中文短文本的实体识别与实体链接方法 |
CN113961715A (zh) * | 2021-10-22 | 2022-01-21 | 腾讯科技(深圳)有限公司 | 实体链接方法、装置、设备、介质及计算机程序产品 |
-
2022
- 2022-02-25 CN CN202210178163.3A patent/CN114647739B/zh active Active
- 2022-09-08 US US17/940,059 patent/US20230274161A1/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959270A (zh) * | 2018-08-10 | 2018-12-07 | 新华智云科技有限公司 | 一种基于深度学习的实体链接方法 |
CN111159485A (zh) * | 2019-12-30 | 2020-05-15 | 科大讯飞(苏州)科技有限公司 | 尾实体链接方法、装置、服务器及存储介质 |
CN111523326A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 实体链指方法、装置、设备以及存储介质 |
CN111931509A (zh) * | 2020-08-28 | 2020-11-13 | 北京百度网讯科技有限公司 | 实体链指方法、装置、电子设备及存储介质 |
CN112989803A (zh) * | 2021-02-25 | 2021-06-18 | 成都增强视图科技有限公司 | 一种基于主题向量学习的实体链接模型 |
CN112966513A (zh) * | 2021-03-05 | 2021-06-15 | 北京百度网讯科技有限公司 | 用于实体链接的方法和装置 |
CN112989235A (zh) * | 2021-03-09 | 2021-06-18 | 北京百度网讯科技有限公司 | 基于知识库的内链构建方法、装置、设备和存储介质 |
CN113033205A (zh) * | 2021-03-24 | 2021-06-25 | 北京百度网讯科技有限公司 | 实体链接的方法、装置、设备以及存储介质 |
CN113377930A (zh) * | 2021-08-13 | 2021-09-10 | 中国科学院自动化研究所 | 面向中文短文本的实体识别与实体链接方法 |
CN113961715A (zh) * | 2021-10-22 | 2022-01-21 | 腾讯科技(深圳)有限公司 | 实体链接方法、装置、设备、介质及计算机程序产品 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708437A (zh) * | 2024-02-05 | 2024-03-15 | 四川日报网络传媒发展有限公司 | 一种个性化内容的推荐方法、装置、电子设备及存储介质 |
CN117708437B (zh) * | 2024-02-05 | 2024-04-16 | 四川日报网络传媒发展有限公司 | 一种个性化内容的推荐方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114647739B (zh) | 2023-02-28 |
US20230274161A1 (en) | 2023-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929038B (zh) | 基于知识图谱的实体链接方法、装置、设备和存储介质 | |
CN112560496A (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
US11741094B2 (en) | Method and system for identifying core product terms | |
CN111832290A (zh) | 用于确定文本相关度的模型训练方法、装置、电子设备及可读存储介质 | |
US11755677B2 (en) | Data mining method, data mining apparatus, electronic device and storage medium | |
CN114861889A (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
CN113660541A (zh) | 新闻视频的摘要生成方法及装置 | |
CN107527289B (zh) | 一种投资组合行业配置方法、装置、服务器和存储介质 | |
CN116680386A (zh) | 基于多轮对话的答案预测方法和装置、设备、存储介质 | |
CN114817478A (zh) | 基于文本的问答方法、装置、计算机设备及存储介质 | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN114647739B (zh) | 实体链指方法、装置、电子设备及存储介质 | |
CN114116997A (zh) | 知识问答方法、装置、电子设备及存储介质 | |
CN112925912A (zh) | 文本处理方法、同义文本召回方法及装置 | |
CN116150376A (zh) | 一种样本数据分布优化方法、装置和存储介质 | |
CN113792230B (zh) | 服务链接方法、装置、电子设备和存储介质 | |
CN109299353A (zh) | 一种网页信息搜索方法及装置 | |
CN112559713B (zh) | 文本相关性判断方法及装置、模型、电子设备、可读介质 | |
CN112528644B (zh) | 实体挂载的方法、装置、设备以及存储介质 | |
CN115168537A (zh) | 语义检索模型的训练方法、装置、电子设备及存储介质 | |
CN114048315A (zh) | 确定文档标签的方法、装置、电子设备和存储介质 | |
CN111368036B (zh) | 用于搜索信息的方法和装置 | |
CN114139798A (zh) | 企业风险预测方法、装置及电子设备 | |
CN113378015A (zh) | 搜索方法、装置、电子设备、存储介质和程序产品 | |
CN112784600A (zh) | 信息排序方法、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 |