CN115221888A - 实体提及的识别方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种实体提及的识别方法、装置、设备及存储介质，属于计算机技术领域。方法包括：获取待处理文本；确定待处理文本中的至少两个候选实体提及；对于任一候选实体提及，计算任一候选实体提及与其他候选实体提及之间的第一语义相似度，其他候选实体提及为至少两个候选实体提及中除任一候选实体提及之外的至少一个候选实体提及；利用任一候选实体提及与其他候选实体提及之间的第一语义相似度，确定任一候选实体提及的全局语义相似度；根据各个候选实体提及的全局语义相似度，从各个候选实体提及中筛选出目标实体提及。本申请通过文本中候选实体提及之间的语义相似度来进一步识别出目标实体提及，可以提高实体提及的识别准确率。

Description

实体提及的识别方法、装置、设备及存储介质

技术领域

本申请实施例涉及计算机技术领域，特别涉及一种实体提及的识别方法、装置、设备及存储介质。

背景技术

自然语言分析是一项重要的技术，涵盖信息检索、信息抽取以及自然语言问答等技术领域，其中，实体链接技术是自然语言分析中的重要组成部分。

实体链接技术是将文本中的实体提及链接到知识库中由该实体提及实际所指的实体上，其中，实体提及是指文本中出现的实体。例如，对于文本“世界杯还没有开始吗”，该文本中包含实体提及“世界杯”，需要采用实体链接技术，将实体提及“世界杯”链接到知识库中的实体“国际足联世界杯”上。

相关技术中，可以采用两个任务的深度学习模型进行实体链接。具体的，可以将文本输入至深度学习模型中，该深度学习模型的一个任务是实体提及识别任务，可以识别出输入文本中的实体提及；该深度学习模型的另一个任务是实体提及分类任务，可以将识别出的实体提及与各实体进行匹配，从而确定实体提及所属的类别，即确定实体提及所链接到的实体。

由上可知，在实体链接技术中，实体提及的识别至关重要，极大的影响着实体链接的效果。相关技术通过深度学习模型识别文本中的实体提及，仅是根据文本的语义特征，从文本中提取出实体提及，导致提取出的实体提及可能是错误的，从而导致实体提及的识别准确率较低。

发明内容

本申请实施例提供了一种实体提及的识别方法、装置、设备及存储介质，可用于解决相关技术中的问题。所述技术方案如下：

一方面，本申请实施例提供了一种实体提及的识别方法，所述方法包括：

获取待处理文本；

确定所述待处理文本中的至少两个候选实体提及；

对于任一候选实体提及，计算所述任一候选实体提及与其他候选实体提及之间的第一语义相似度，所述其他候选实体提及为所述至少两个候选实体提及中除所述任一候选实体提及之外的至少一个候选实体提及；

利用所述任一候选实体提及与所述其他候选实体提及之间的第一语义相似度，确定所述任一候选实体提及的全局语义相似度；

根据各个候选实体提及的全局语义相似度，从所述各个候选实体提及中筛选出目标实体提及。

在一种可能的实现方式中，所述计算所述任一候选实体提及与其他候选实体提及之间的第一语义相似度，包括：

从实体库中确定所述任一候选实体提及对应的至少一个待链接实体；

确定所述各个候选实体提及的语义向量以及各个待链接实体的语义向量；

将所述任一候选实体提及的语义向量以及所述任一候选实体提及对应的各个待链接实体的语义向量进行融合，得到所述任一候选实体提及的融合向量；

利用所述各个候选实体提及的融合向量，计算所述任一候选实体提及与其他候选实体提及之间的第一语义相似度。

在一种可能的实现方式中，所述将所述任一候选实体提及的语义向量以及所述任一候选实体提及对应的各个待链接实体的语义向量进行融合，得到所述任一候选实体提及的融合向量，包括：

利用所述任一候选实体提及的语义向量以及所述任一候选实体提及对应的各个待链接实体的语义向量，计算所述任一候选实体提及与所述任一候选实体提及对应的各个待链接实体之间的第二语义相似度；

利用所述任一候选实体提及与所述任一候选实体提及对应的各个待链接实体之间的第二语义相似度、以及所述任一候选实体提及对应的各个待链接实体的语义向量，确定所述任一候选实体提及的融合向量。

在一种可能的实现方式中，所述利用所述任一候选实体提及与所述其他候选实体提及之间的第一语义相似度，确定所述任一候选实体提及的全局语义相似度，包括：

利用所述各个候选实体提及的初始语义相似度、以及所述任一候选实体提及与所述其他候选实体提及之间的第一语义相似度，确定所述任一候选实体提及的全局语义相似度。

在一种可能的实现方式中，所述方法还包括：

利用所述任一候选实体提及对应的各个待链接实体的全局语义相似度、以及所述任一候选实体提及与所述任一候选实体提及对应的各个待链接实体之间的第二语义相似度，确定所述任一候选实体提及的初始语义相似度。

在一种可能的实现方式中，所述方法还包括：

对于任一待链接实体，计算所述任一待链接实体与其他待链接实体之间的第三语义相似度，所述其他待链接实体为所述各个候选实体提及对应的各个待链接实体中除所述任一待链接实体之外的至少一个待链接实体；

利用各个待链接实体的初始语义相似度、以及所述任一待链接实体与所述其他待链接实体之间的第三语义相似度，确定所述任一待链接实体的全局语义相似度。

在一种可能的实现方式中，所述方法还包括：

利用所述任一待链接实体与所述任一待链接实体对应的各个候选实体提及之间的第二语义相似度，确定所述任一待链接实体的初始语义相似度。

在一种可能的实现方式中，所述方法还包括：

根据所述任一目标实体提及对应的各个待链接实体的全局语义相似度，从所述任一目标实体提及对应的各个待链接实体中确定目标链接实体；

将所述任一目标实体提及与所述目标链接实体进行链接。

另一方面，提供了一种实体提及的识别装置，所述装置包括：

获取模块，用于获取待处理文本；

确定模块，用于确定所述待处理文本中的至少两个候选实体提及；

计算模块，用于对于任一候选实体提及，计算所述任一候选实体提及与其他候选实体提及之间的第一语义相似度，所述其他候选实体提及为所述至少两个候选实体提及中除所述任一候选实体提及之外的至少一个候选实体提及；

所述确定模块，还用于利用所述任一候选实体提及与所述其他候选实体提及之间的第一语义相似度，确定所述任一候选实体提及的全局语义相似度；

筛选模块，用于根据各个候选实体提及的全局语义相似度，从所述各个候选实体提及中筛选出目标实体提及。

在一种可能的实现方式中，所述计算模块，用于从实体库中确定所述任一候选实体提及对应的至少一个待链接实体；确定所述各个候选实体提及的语义向量以及各个待链接实体的语义向量；将所述任一候选实体提及的语义向量以及所述任一候选实体提及对应的各个待链接实体的语义向量进行融合，得到所述任一候选实体提及的融合向量；利用所述各个候选实体提及的融合向量，计算所述任一候选实体提及与其他候选实体提及之间的第一语义相似度。

在一种可能的实现方式中，所述计算模块，用于利用所述任一候选实体提及的语义向量以及所述任一候选实体提及对应的各个待链接实体的语义向量，计算所述任一候选实体提及与所述任一候选实体提及对应的各个待链接实体之间的第二语义相似度；利用所述任一候选实体提及与所述任一候选实体提及对应的各个待链接实体之间的第二语义相似度、以及所述任一候选实体提及对应的各个待链接实体的语义向量，确定所述任一候选实体提及的融合向量。

在一种可能的实现方式中，所述确定模块，用于利用所述各个候选实体提及的初始语义相似度、以及所述任一候选实体提及与所述其他候选实体提及之间的第一语义相似度，确定所述任一候选实体提及的全局语义相似度。

在一种可能的实现方式中，所述确定模块，还用于利用所述任一候选实体提及对应的各个待链接实体的全局语义相似度、以及所述任一候选实体提及与所述任一候选实体提及对应的各个待链接实体之间的第二语义相似度，确定所述任一候选实体提及的初始语义相似度。

在一种可能的实现方式中，所述计算模块，还用于对于任一待链接实体，计算所述任一待链接实体与其他待链接实体之间的第三语义相似度，所述其他待链接实体为所述各个候选实体提及对应的各个待链接实体中除所述任一待链接实体之外的至少一个待链接实体；

所述确定模块，还用于利用各个待链接实体的初始语义相似度、以及所述任一待链接实体与所述其他待链接实体之间的第三语义相似度，确定所述任一待链接实体的全局语义相似度。

在一种可能的实现方式中，所述确定模块，还用于利用所述任一待链接实体与所述任一待链接实体对应的各个候选实体提及之间的第二语义相似度，确定所述任一待链接实体的初始语义相似度。

在一种可能的实现方式中，所述装置还包括链接模块，其中，

所述确定模块，还用于根据所述任一目标实体提及对应的各个待链接实体的全局语义相似度，从所述任一目标实体提及对应的各个待链接实体中确定目标链接实体；

所述链接模块，用于将所述任一目标实体提及与所述目标链接实体进行链接。

另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令在被所述处理器执行时使所述计算机设备实现上述任一所述的实体提及的识别方法。

另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令，所述至少一条指令在被执行时实现上述任一所述的实体提及的识别方法。

另一方面，还提供了一种计算机程序或计算机程序产品，所述计算机程序或计算机程序产品中存储有至少一条计算机指令，所述至少一条计算机指令由处理器加载并执行，以实现上述任一所述的实体提及的识别方法。

本申请实施例提供的技术方案至少带来如下有益效果：

初步识别出文本中的各个候选实体提及后，通过计算文本中每两个候选实体提及之间的语义相似度，利用一个候选实体提及与其他候选实体提及之间的语义相似度，计算该候选实体提及的全局语义相似度，从而确定该候选实体提及是否为目标实体提及，实现了在初步识别出文本中的候选实体提及的基础上，利用了文本中候选实体提及之间的语义相似度来进一步识别出目标实体提及，提高了实体提及的识别准确率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种实施环境的示意图；

图2是本申请实施例提供的一种实体提及的识别方法流程图；

图3是本申请实施例提供的一种实体提及与实体之间的关系示意图；

图4是本申请实施例提供的一种实体提及的识别装置示意图；

图5是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

本申请实施例提供了一种实体提及的识别方法，如图1所示，图1是本申请实施例提供的一种实体提及的识别方法的实施环境示意图，该实施环境包括电子设备11，电子设备11可以包括终端设备或者服务器中的至少一项。可以理解的是，本申请实施例中的实体提及的识别方法可以由电子设备11执行。

终端设备可以是智能手机、游戏主机、台式计算机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器和膝上型便携计算机中的至少一种。

服务器可以为一台服务器，或者为多台服务器组成的服务器集群，或者为云计算平台和虚拟化中心中的任意一种，本申请实施例对此不加以限定。服务器可以与终端设备通过有线网络或无线网络进行通信连接。服务器可以具有数据处理、数据存储以及数据收发等功能，在本申请实施例中不加以限定。

本申请实施例提供的实体提及的识别方法可如图2所示，图2是本申请实施例提供的一种实体提及的识别方法流程图，以该方法由电子设备执行为例，本申请实施例提供的方法可以包括步骤S21-步骤S25。

步骤S21，获取待处理文本。

在本申请实施例中，对待处理文本的获取方式不做限定。在一种可能的实现方式中，用户可以在任意应用程序中输入检索词，电子设备获取用户输入的检索词，并将用户输入的检索词作为待处理文本。

在另一种可能的实现方式中，可以从网络上抓取长文本，采用任意方式将长文本划分为至少两个短文本，并将任意短文本作为待处理文本。例如，可以采用分段的方式，将一篇新闻划分为至少两段，将每一段新闻作为待处理文本。

在又一种可能的实现方式中，可以获取包含至少一种信息类型的信息，信息类型包括但不限于文本、视频、图片、音频。可以从获取的信息中抽取待处理文本，或者基于获取的信息生成待处理文本。

例如，获取的信息为视频，从各视频帧的字幕中抽取出待处理文本。又如，获取的信息为音频，采用语音转换技术，将音频转化为对应的文本，将转化得到的文本作为待处理文本。

步骤S22，确定待处理文本中的至少两个候选实体提及。

在一种可能的实现方式中，实体提及库中包含预先收集的若干个实体提及，可以对待处理文本进行分词处理，将分词结果与实体提及库中的各个实体提及进行匹配，将匹配成功的分词结果作为候选实体提及。

在另一种可能的实现方式中，可以将待处理文本输入至预先训练好的网络模型中，由网络模型输出文本中的各个候选实体提及。其中，网络模型的结构不做限定。可选的，网络模型可以包括级联的特征提取子模型和实体提及识别子模型。特征提取子模型用于提取待处理文本的语义特征，其具体结构不做限定，例如，特征提取子模型可以为采用基于变换器的双向编码器表征(Bidirectional Encoder Representations from Transformers，BERT)网络；实体提及识别子模型可以根据待处理文本的语义特征，识别出待处理文本中的各个实体提及，识别出的任一个实体提及即为本申请实施例中的候选实体提及，实体提及识别子模型的结构包括但不限于条件随机场(Conditional Random Field，CRF)网络。

当实体提及识别子模型为CRF网络时，CRF网络可以根据待处理文本的语义特征，确定待处理文本中每一个字符所属的类别，基于每一个字符所属的类别，得到待处理文本中的候选实体提及。对于任一个字符，该字符所属的类别可以是实体提及类别，也可以是非实体提及类别，其中，实体提及类别可以包括实体提及的开始部分和实体提及的中间部分，或者，实体提及类别可以包括实体提及的开始部分、实体提及的中间部分、以及实体提及的结尾部分，实际应用中，基于连续的实体提及类别的若干个字符组合成候选实体提及。

例如，采用三位标注法(Begin Inside Outside，BIO)对训练文本进行标注，对于训练文本中的任一个字符，若该字符的标注信息为B，表示该字符为实体提及的开始部分，若该字符的标注信息为I，表示该字符为实体提及的中间部分，若该字符的标注信息为O，表示该字符不属于实体提及，也就是说，该字符为非实体提及部分。利用训练文本训练得到CRF网络后，CRF网络可以输出待处理文本中每一个字符所属的类别，任一个字符所属的类别可以是B、I或者O中的任一项，由连续的类别为B的一个字符和类别为I的若干个字符组合成实体提及，组合得到的实体提及作为本申请实施例中的候选实体提及。

步骤S23，对于任一候选实体提及，计算任一候选实体提及与其他候选实体提及之间的第一语义相似度，其他候选实体提及为至少两个候选实体提及中除任一候选实体提及之外的至少一个候选实体提及。

本申请实施例中，对于任一候选实体提及，其他候选实体提及为从待处理文本中识别出的所有候选实体提及中除该任一候选实体提及之外的部分或者全部候选实体提及。对于任一候选实体提及，其对应的其他候选实体提及包括至少一个候选实体提及，计算该任一候选实体提及分别与其他候选实体提及中各个候选实体提及之间的第一语义相似度，其中，语义相似度的计算方式在此不作限定。

在一种可能的实现方式中，在计算任两个候选实体提及之间的第一语义相似度时，可以利用特征提取模型(该特征提取模型可以为前文提及的网络模型中的特征提取子模型)提取这两个候选实体提及各自的语义向量，并利用这两个候选实体提及的语义向量，计算这两个候选实体提及之间的第一语义相似度。

在另一种可能的实现方式中，计算任一候选实体提及与其他候选实体提及之间的第一语义相似度，包括：从实体库中确定任一候选实体提及对应的至少一个待链接实体；确定各个候选实体提及的语义向量以及各个待链接实体的语义向量；将任一候选实体提及的语义向量以及任一候选实体提及对应的各个待链接实体的语义向量进行融合，得到任一候选实体提及的融合向量；利用各个候选实体提及的融合向量，计算任一候选实体提及与其他候选实体提及之间的第一语义相似度。

本申请实施例中，实体库中包括大量的实体，对于任一候选实体提及，将该任一候选实体提及与实体库中的各实体进行匹配，将匹配到的实体作为该任一候选实体提及对应的待链接实体。可以理解的是，待链接实体可以为一个或者多个，本申请实施例在此不做限定。

在一种可能的实现方式中，实体库记录有实体提及与实体之间的对应关系，其中，任一个实体提及对应有至少一个实体，任一个实体对应有至少一个实体提及。将任一候选实体提及与实体库中的各实体提及进行匹配，若任一候选实体提及与实体库中的某一个实体提及相同，则任一候选实体提及与实体库中的这个实体提及匹配成功，将实体库中的这个实体提及所对应的至少一个实体，作为任一候选实体提及对应的待链接实体。

对于任一个候选实体提及，可以利用特征提取模型(该特征提取模型可以为前文提及的网络模型中的特征提取子模型)提取该候选实体提及的语义向量，同样的，对于任一个待链接实体，也可以利用上述特征提取模型提取该待链接实体的语义向量。之后，将任一候选实体提及的语义向量与任一候选实体提及对应的各待链接实体的语义向量进行融合，得到任一候选实体提及的融合向量。因此，计算任一候选实体提及与各其他候选实体提及之间的第一语义相似度时，可以利用任一候选实体提及的融合向量以及各其他候选实体提及的融合向量，计算任一候选实体提及与各其他候选实体提及之间的第一语义相似度。

本申请还提供了一种向量融合的可能实现方式，将任一候选实体提及的语义向量以及任一候选实体提及对应的各个待链接实体的语义向量进行融合，得到任一候选实体提及的融合向量，包括：利用任一候选实体提及的语义向量以及任一候选实体提及对应的各个待链接实体的语义向量，计算任一候选实体提及与任一候选实体提及对应的各个待链接实体之间的第二语义相似度；利用任一候选实体提及与任一候选实体提及对应的各个待链接实体之间的第二语义相似度、以及任一候选实体提及对应的各个待链接实体的语义向量，确定任一候选实体提及的融合向量。

本申请实施例中，对于任一候选实体提及，该候选实体提及对应至少一个待链接实体，可以利用该候选实体提及的语义向量和对应的各个待链接实体的语义向量，分别计算该候选实体提及和对应的各个待链接实体之间的第二语义相似度，利用该候选实体提及与对应的各待链接实体之间的第二语义相似度、以及对应的各待链接实体的语义向量，计算该候选实体提及的融合向量。

在一种可能的实现方式中，对于任一候选实体提及，在利用该候选实体提及与对应的各待链接实体之间的第二语义相似度、以及对应的各待链接实体的语义向量，计算该候选实体提及的融合向量时，可以将各待连接实体的语义向量与各自对应的第二语义相似度进行相乘计算，并对各个相乘结果进行相加，得到该候选实体提及的融合向量。可以理解的是，若任一候选实体提及仅对应一个待链接实体，则可以将待连接实体的语义向量与对应的第二语义相似度进行相乘计算，得到该任一候选实体提及的融合向量。

例如，对于候选实体提及X，其对应两个待链接实体x1和x2，可以将X和x1之间的第二语义相似度与x1的语义向量进行相乘计算，将X和x2之间的第二语义相似度与x2的语义向量进行相乘计算，将两个相乘结果进行相加，得到X的融合向量；对于候选实体提及Y，其对应一个待连接实体y，可以将Y和y之间的第二语义相似度与y的语义向量进行相乘，得到Y的融合向量，以此类推。

步骤S24，利用任一候选实体提及与其他候选实体提及之间的第一语义相似度，确定任一候选实体提及的全局语义相似度。

本申请实施例中，对于任一候选实体提及，可以采用任意方式，利用该任一候选实体提及与各其他候选实体提及之间的第一语义相似度，确定任一候选实体提及的全局语义相似度。其中，任一候选实体提及的全局语义相似度可以反映该任一候选实体提及与实体提及之间的相似程度，任一候选实体提及的全局语义相似度可以是候选实体提及为实体提及的一个概率，也可以是候选实体提及为实体提及的一个分数。

在一种可能的实现方式中，利用任一候选实体提及与其他候选实体提及之间的第一语义相似度，确定任一候选实体提及的全局语义相似度，包括：利用各个候选实体提及的初始语义相似度、以及任一候选实体提及与其他候选实体提及之间的第一语义相似度，确定任一候选实体提及的全局语义相似度。

对于任一候选实体提及，可以利用该任一候选实体提及的初始语义相似度、其他候选实体提及的初始语义相似度、以及任一候选实体提及与其他候选实体提及之间的第一语义相似度，确定任一候选实体提及的全局语义相似度。

在一种可能的实现方式中，对于任一候选实体提及，可以预先设置第一系数和第二系数，且第一系数与第二系数之和为1，可以将第一系数与任一候选实体提及的初始语义相似度相乘，得到一个乘积部分；将其他候选实体提及的初始语义相似度分别与各自对应的第一语义相似度相乘，将各个乘积结果相加，并将相加结果与第二系数相乘，得到另一个乘积部分，将两个乘积部分之和作为任一候选实体提及的全局语义相似度。

例如，对于候选实体提及X，其他候选实体提及为候选实体提及Y和Z，则将X的初始语义相似度与第一系数相乘，得到一个乘积部分；将Y的初始语义相似度与X与Y之间的第一语义相似度相乘，得到一个乘积结果，将Z的初始语义相似度与X与Z之间的第一语义相似度相乘，得到另一个乘积结果，将两个乘积结果相加后，相加结果与第二系数相乘，得到另一个乘积部分，将两个乘积部分之和作为任一候选实体提及的全局语义相似度。

可选地，本申请实施例中的实体提及的识别方法还包括：利用任一候选实体提及对应的各个待链接实体的全局语义相似度、以及任一候选实体提及与任一候选实体提及对应的各个待链接实体之间的第二语义相似度，确定任一候选实体提及的初始语义相似度。可选的，该步骤可以在“利用各个候选实体提及的初始语义相似度、以及任一候选实体提及与其他候选实体提及之间的第一语义相似度，确定任一候选实体提及的全局语义相似度”之前执行。

任一待链接实体的全局语义相似度可以反映任一待链接实体与目标链接实体之间的相似程度，任一待链接实体的全局语义相似度可以是任一待链接实体为目标链接实体的一个概率，也可以是任一待链接实体为目标链接实体的一个分数。

对于任一候选实体提及，利用该任一候选实体提及对应的各待链接实体的全局语义相似度、以及该任一候选实体提及与任一候选实体提及对应的各待链接实体之间的第二语义相似度，确定该任一候选实体提及的初始语义相似度。

在一种可能的实现方式中，对于任一候选实体提及，在利用该任一候选实体提及对应的各待链接实体的全局语义相似度、以及该任一候选实体提及与任一候选实体提及对应的各待链接实体之间的第二语义相似度，确定该任一候选实体提及的初始语义相似度时，可以将对应的各待链接实体的全局语义相似度与各自对应的第二语义相似度进行相乘，并各相乘结果进行相加，得到该任一候选实体提及的初始语义相似度。可以理解的是，若任一候选实体提及仅对应一个待链接实体，则可以将待链接实体的全局语义相似度与对应的第二语义相似度进行相乘，得到该任一候选实体提及的初始语义相似度。

对于候选实体提及X，其对应两个待链接实体x1和x2，可以将x1的全局语义相似度和X与x1之间的第二语义相似度相乘，将x2的全局语义相似度和X与x2之间的第二语义相似度相乘，并将两个乘积结果进行相加，得到X的初始语义相似度；对于候选实体提及Y，其对应一个待链接实体y，可以将y的全局语义相似度和Y与y之间的第二语义相似度相乘，得到Y的初始语义相似度，以此类推。

在一种可能的实现方式中，本申请实施例还提供了一种待链接实体的全局语义相似度的计算方式，本申请实施例中的实体提及的识别方法还包括：对于任一待链接实体，计算任一待链接实体与其他待链接实体之间的第三语义相似度，其他待链接实体为各个候选实体提及对应的各个待链接实体中除任一待链接实体之外的至少一个待链接实体；利用各个待链接实体的初始语义相似度、以及任一待链接实体与其他待链接实体之间的第三语义相似度，确定任一待链接实体的全局语义相似度。可选地，该步骤可以在“利用任一候选实体提及对应的各个待链接实体的全局语义相似度、以及任一候选实体提及与任一候选实体提及对应的各个待链接实体之间的第二语义相似度，确定任一候选实体提及的初始语义相似度”之前执行。

示例性地，计算任一待链接实体与各其他待链接实体之间的第三语义相似度，对于任一待链接实体，可以利用任一待链接实体的初始语义相似度、各其他待链接实体的初始语义相似度、以及任一待链接实体与各其他待链接实体之间的第三语义相似度，确定任一待链接实体的全局语义相似度。

在一种可能的实现方式中，可以设置第三系数和第四系数，且第三系数与第四系数之和为1，将第三系数与任一待链接实体的初始语义相似度相乘，得到一个乘积部分；将各其他待链接实体与各自对应的第三语义相似度相乘，将各个相乘结果相加，并将相加结果与第四系数相乘，得到另一个乘积部分，两个乘积部分之和为任一待链接实体的全局语义相似度。

例如，对于待链接实体x1，其他待链接实体为x2、y、z1和z2，则可以将x1的初始语义相似度与第三系数相乘，得到一个乘积部分；将x2的初始语义相似度和x1与x2之间的第三语义相似度相乘，将y的初始语义相似度和x1与y之间的第三语义相似度相乘，将z1的初始语义相似度和x1与z1之间的第三语义相似度相乘，将z2的初始语义相似度和x1与z2之间的第三语义相似度相乘，将四个乘积结果相加，并将相加结果与第四系数相乘，得到另一个乘积部分，两个乘积部分之和为x1的全局语义相似度。

在一种可能的实现方式中，本申请实施例提供的实体提及的识别方法还包括：利用任一待链接实体与任一待链接实体对应的各个候选实体提及之间的第二语义相似度，确定任一待链接实体的初始语义相似度。可选地，该步骤可以在“利用各个待链接实体的初始语义相似度、以及任一待链接实体与其他待链接实体之间的第三语义相似度，确定任一待链接实体的全局语义相似度”之前执行。

本申请实施例中，可以利用任一待链接实体与任一待链接实体对应的各候选实体提及之间的第二语义相似度，确定任一待链接实体的初始语义相似度。例如，对于待链接实体x1，其对应候选实体提及X，则可以利用X与x1间的第二语义相似度，确定x1的初始语义相似度。

可以理解的是，一个待链接实体可以对应至少一个候选实体提及，在本申请实施例中不做限定。

步骤S25，根据各个候选实体提及的全局语义相似度，从各个候选实体提及中筛选出目标实体提及。

可选地，可提前设置语义相似度标准线，对于任一候选实体提及，若该任一候选实体提及的全局语义相似度不小于语义相似度标准线，则该任一候选实体提及为目标实体提及，若该任一候选实体提及的全局语义相似度小于语义相似度标准线，则该任一候选实体提及不为目标实体提及。

本申请实施例提供的实体提及的识别方法，可以初步识别出文本中的各个候选实体提及，通过计算文本中每两个候选实体提及之间的语义相似度，利用一个候选实体提及与其他候选实体提及之间的语义相似度，计算该候选实体提及的全局语义相似度，从而确定该候选实体提及是否为目标实体提及，实现了在初步识别出文本中的候选实体提及的基础上，利用了文本中候选实体提及之间的语义相似度来进一步识别出目标实体提及，提高了实体提及的识别准确率。

在本申请实施例的另一种可能实现方式中，实体提及的识别方法还包括：根据任一目标实体提及对应的各个待链接实体的全局语义相似度，从任一目标实体提及对应的各个待链接实体中确定目标链接实体；将任一目标实体提及与目标链接实体进行链接。可选地，该步骤可以在步骤S25之后执行。

按照本申请实施例提供的方式，可以计算出各个待链接实体的全局语义相似度。在一种可能的实现方式中，对于任一目标实体提及，可以根据该任一目标实体提及对应的各个待链接实体的全局语义相似度，确定最大全局语义相似度，并将最大全局语义相似度所对应的待链接实体确定为目标链接实体，并将该任一目标实体提及与目标链接实体进行链接。

在另一种可能的实现方式中，对于任一目标实体提及，可以根据该任一目标实体提及对应的各个待链接实体的全局语义相似度，确定出大于或者等于预设阈值的全局语义相似度，并将确定出的全局语义相似度所对应的待链接实体确定为目标链接实体，并将该任一目标实体提及与目标链接实体进行链接。

在本申请实施例提供的方法中，为了便于存储本申请实施例中所涉及到的各个候选实体提及、各个待链接实体以及各个相似度(包括前文所提及的第一语义相似度、第二语义相似度以及第三语义相似度)，可以根据各个候选实体提及、各个待链接实体以及各个相似度，确定实体提及与实体之间的关系示意图。

如图3所示，图3为本申请实施例提供的一种实体提及与实体之间的关系示意图。其中，对于候选实体提及X，可以从实体库中匹配到两个实体，这两个实体均是X对应的待链接实体，分别记为待链接实体x1和x2；对于候选实体提及Y，可以从实体库中匹配到一个实体，这个实体是Y对应的待链接实体，记为待链接实体y；对于候选实体提及Z，可以从实体库中匹配到两个实体，这两个实体均是Z对应的待链接实体，分别记为待链接实体z1和z2。

接下来，以图3所示的关系示意图为例，对本申请实施例提供的实体提及的识别方法进行举例说明。

例如，对于候选实体提及X，其对应两个待链接实体x1和x2，可以利用X的语义向量和x1的语义向量，计算X和x1之间的第二语义相似度，利用X的语义向量和x2的语义向量，计算X和x2之间的第二语义相似度；对于候选实体提及Y，其对应一个待连接实体y，可以利用Y的语义向量和y的语义向量，计算Y和y之间的第二语义相似度，以此类推。

之后，根据候选实体提及X、Y、Z以及候选实体提及与对应的待链接实体之间的第二语义相似度，构建实体提及与实体之间的关系示意图。其中，在实体提及与实体之间的关系示意图中，节点表示候选实体提及或者待链接实体，节点与节点之间的线段表示候选实体提及与待链接实体之间的第二语义相似度。

对于待链接实体x1，其他待链接实体为x2、y、z1和z2，则可以分别计算x1与x2、y、z1和z2之间的第三语义相似度，以此类推。在关系示意图中添加第三语义相似度，即关系示意图中，任两个待链接实体之间的线段表示这两个待链接实体之间的第三语义相似度。

对于候选实体提及X，X对应待链接实体x1和x2，则可以将X的语义向量、x1的语义向量、以及x2的语义向量进行融合，得到X的融合向量；对于候选实体提及Y，Y对应待链接实体y，则可以将Y的语义向量和y的语义向量进行融合，得到Y的融合向量，以此类推。

对于候选实体提及X，X对应两个其他候选实体提及，分别为候选实体提及Y和Z，可以计算X与Y之间的第一语义相似度、以及X与Z之间的第一语义相似度。其中，计算X与Y之间的第一语义相似度时，可以利用X的融合向量和Y的融合向量，计算X与Y之间的第一语义相似度；计算X与Z之间的第一语义相似度时，可以利用X的融合向量和Z的融合向量，计算X与Z之间的第一语义相似度，以此类推。在关系示意图中添加第一语义相似度，即关系示意图中，任两个候选实体提及之间的线段表示这两个候选实体提及之间的第一语义相似度。

最终得到的实体提及与实体之间的关系示意图如图3所示，节点表示候选实体提及或者待链接实体，两个节点之间的线段表示线段两端两个节点之间的相似度。如图3中，节点X表示候选实体提及X，节点x1表示待链接实体x1，X与x1之间的线段表示X与x1之间的相似度(即前文所提及的第二语义相似度)，x1与x2之间的线段表示x1与x2之间的相似度(即前文所提及的第三语义相似度)，X与Y之间的线段表示X与Y之间的相似度(即前文所提及的第一语义相似度)。

可以理解的是，图3以候选实体提及X、Y、Z，待链接实体x1、x2、y、z1、z2为例进行说明，在实际应用时，候选实体提及和待链接实体的数量均不做限定。

在本申请实施例中，对于待链接实体x1，其对应候选实体提及X，则可以利用X与x1间的第二语义相似度，确定x1的初始语义相似度，以此类推。对于待链接实体x1，其他待链接实体为x2、y、z1和z2，则可以利用x1、x2、y、z1和z2各自的初始语义相似度、以及x1分别与x2、y、z1和z2之间的第三语义相似度，计算x1的全局语义相似度，以此类推。

对于候选实体提及X，其对应两个待链接实体x1和x2，可以利用x1的全局语义相似度、x2的全局语义相似度、X与x1之间的第二语义相似度、以及X与x2之间的第二语义相似度，计算X的初始语义相似度，以此类推。

对于候选实体提及X，其他候选实体提及为候选实体提及Y和Z，则可以利用X的初始语义相似度、Y的初始语义相似度、Z的初始语义相似度、X与Y之间的第一语义相似度、以及X与Z之间的第一语义相似度，计算X的全局语义相似度，以此类推。

对于候选实体提及X，若X的全局语义相似度不小于语义相似度标准线，则X为目标实体提及，若X的全局语义相似度小于语义相似度标准线，则X不为目标实体提及，以此类推。

若候选实体提及X为目标实体提及，其对应两个待链接实体x1和x2。若x1的全局语义相似度大于x2的全局语义相似度，则x1为目标链接实体，将X与x1进行链接；若x2的全局语义相似度大于x1的全局语义相似度，则x2为目标链接实体，将X与x2进行链接；若x1的全局语义相似度等于x2的全局语义相似度，则x1和x2均为目标链接实体，将X与x1、x2分别进行链接。

基于相同技术构思，参见图4，本申请实施例提供了一种实体提及的识别装置，该实体提及的识别装置40包括：

获取模块41，用于获取待处理文本；

确定模块42，用于确定待处理文本中的至少两个候选实体提及；

计算模块43，用于对于任一候选实体提及，计算任一候选实体提及与其他候选实体提及之间的第一语义相似度，其他候选实体提及为至少两个候选实体提及中除任一候选实体提及之外的至少一个候选实体提及；

确定模块42，还用于利用任一候选实体提及与其他候选实体提及之间的第一语义相似度，确定任一候选实体提及的全局语义相似度；

筛选模块44，用于根据各个候选实体提及的全局语义相似度，从各个候选实体提及中筛选出目标实体提及。

在一种可能的实现方式中，计算模块43，用于从实体库中确定任一候选实体提及对应的至少一个待链接实体；确定各个候选实体提及的语义向量以及各个待链接实体的语义向量；将任一候选实体提及的语义向量以及任一候选实体提及对应的各个待链接实体的语义向量进行融合，得到任一候选实体提及的融合向量；利用各个候选实体提及的融合向量，计算任一候选实体提及与其他候选实体提及之间的第一语义相似度。

在一种可能的实现方式中，计算模块43，用于利用任一候选实体提及的语义向量以及任一候选实体提及对应的各个待链接实体的语义向量，计算任一候选实体提及与任一候选实体提及对应的各个待链接实体之间的第二语义相似度；利用任一候选实体提及与任一候选实体提及对应的各个待链接实体之间的第二语义相似度、以及任一候选实体提及对应的各个待链接实体的语义向量，确定任一候选实体提及的融合向量。

在一种可能的实现方式中，确定模块42，用于利用各个候选实体提及的初始语义相似度、以及任一候选实体提及与其他候选实体提及之间的第一语义相似度，确定任一候选实体提及的全局语义相似度。

在一种可能的实现方式中，确定模块42，还用于利用任一候选实体提及对应的各个待链接实体的全局语义相似度、以及任一候选实体提及与任一候选实体提及对应的各个待链接实体之间的第二语义相似度，确定任一候选实体提及的初始语义相似度。

在一种可能的实现方式中，计算模块43，还用于对于任一待链接实体，计算任一待链接实体与其他待链接实体之间的第三语义相似度，其他待链接实体为各个候选实体提及对应的各个待链接实体中除任一待链接实体之外的至少一个待链接实体；

确定模块42，还用于利用各个待链接实体的初始语义相似度、以及任一待链接实体与其他待链接实体之间的第三语义相似度，确定任一待链接实体的全局语义相似度。

在一种可能的实现方式中，确定模块42，还用于利用任一待链接实体与任一待链接实体对应的各个候选实体提及之间的第二语义相似度，确定任一待链接实体的初始语义相似度。

在一种可能的实现方式中，实体提及的识别装置40还包括链接模块，其中，

确定模块42，还用于根据任一目标实体提及对应的各个待链接实体的全局语义相似度，从任一目标实体提及对应的各个待链接实体中确定目标链接实体；

链接模块，用于将任一目标实体提及与目标链接实体进行链接。

在本申请实施例中，可以初步识别出文本中的各个候选实体提及，通过计算文本中每两个候选实体提及之间的语义相似度，利用一个候选实体提及与其他候选实体提及之间的语义相似度，计算该候选实体提及的全局语义相似度，从而确定该候选实体提及是否为目标实体提及，实现了在初步识别出文本中的候选实体提及的基础上，利用了文本中候选实体提及之间的语义相似度来进一步识别出目标实体提及，提高了实体提及的识别准确率。

需要说明的是，上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图5是本申请实施例提供的一种电子设备的结构示意图。该设备可以为终端，例如可以是：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio LayerIII，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group AudioLayer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。

通常，终端500包括有：处理器501和存储器502。

处理器501可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器501可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器501也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器501可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器501还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器502可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器502还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器502中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器501所执行以实现本申请中方法实施例提供的实体提及的识别方法。

在一些实施例中，终端还可选包括有：***设备接口503和至少一个***设备。处理器501、存储器502和***设备接口503之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口503相连。具体地，***设备包括：射频电路504、触摸显示屏505、摄像头组件505、音频电路507、定位组件508和电源509中的至少一种。

***设备接口503可被用于将I/O(Input/Output，输入/输出)相关的至少一个***设备连接到处理器501和存储器502。在一些实施例中，处理器501、存储器502和***设备接口503被集成在同一芯片或电路板上；在一些其他实施例中，处理器501、存储器502和***设备接口503中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路504用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路504通过电磁信号与通信网络以及其他通信设备进行通信。射频电路504将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路504包括：天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路504可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路504还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏505用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏505是触摸显示屏时，显示屏505还具有采集在显示屏505的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器501进行处理。此时，显示屏505还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏505可以为一个，设置在终端的前面板；在另一些实施例中，显示屏505可以为至少两个，分别设置在终端的不同表面或呈折叠设计；在再一些实施例中，显示屏505可以是柔性显示屏，设置在终端的弯曲表面上或折叠面上。甚至，显示屏505还可以设置成非矩形的不规则图形，也即异形屏。显示屏505可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。

摄像头组件506用于采集图像或视频。可选地，摄像头组件506包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件506还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路507可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器501进行处理，或者输入至射频电路504以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器501或射频电路504的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路507还可以包括耳机插孔。

定位组件508用于定位终端的当前地理位置，以实现导航或LBS(Location BasedService，基于位置的服务)。定位组件508可以是基于美国的GPS(Global PositioningSystem，全球定位***)、中国的北斗***、俄罗斯的格雷纳斯***或欧盟的伽利略***的定位组件。

电源509用于为终端中的各个组件进行供电。电源509可以是交流电、直流电、一次性电池或可充电电池。当电源509包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端还包括有一个或多个传感器510。该一个或多个传感器510包括但不限于：加速度传感器511、陀螺仪传感器512、压力传感器513、指纹传感器514、光学传感器515以及接近传感器516。

加速度传感器511可以检测以终端建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器511可以用于检测重力加速度在三个坐标轴上的分量。处理器501可以根据加速度传感器511采集的重力加速度信号，控制触摸显示屏505以横向视图或纵向视图进行用户界面的显示。加速度传感器511还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器512可以检测终端的机体方向及转动角度，陀螺仪传感器512可以与加速度传感器511协同采集用户对终端的3D动作。处理器501根据陀螺仪传感器512采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器513可以设置在终端的侧边框和/或触摸显示屏505的下层。当压力传感器513设置在终端的侧边框时，可以检测用户对终端的握持信号，由处理器501根据压力传感器513采集的握持信号进行左右手识别或快捷操作。当压力传感器513设置在触摸显示屏505的下层时，由处理器501根据用户对触摸显示屏505的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

指纹传感器514用于采集用户的指纹，由处理器501根据指纹传感器514采集到的指纹识别用户的身份，或者，由指纹传感器514根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器501授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器514可以被设置在终端的正面、背面或侧面。当终端上设置有物理按键或厂商Logo时，指纹传感器514可以与物理按键或厂商Logo集成在一起。

光学传感器515用于采集环境光强度。在一个实施例中，处理器501可以根据光学传感器515采集的环境光强度，控制触摸显示屏505的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏505的显示亮度；当环境光强度较低时，调低触摸显示屏505的显示亮度。在另一个实施例中，处理器501还可以根据光学传感器515采集的环境光强度，动态调整摄像头组件506的拍摄参数。

接近传感器516，也称距离传感器，通常设置在终端的前面板。接近传感器516用于采集用户与终端的正面之间的距离。在一个实施例中，当接近传感器516检测到用户与终端的正面之间的距离逐渐变小时，由处理器501控制触摸显示屏505从亮屏状态切换为息屏状态；当接近传感器516检测到用户与终端的正面之间的距离逐渐变大时，由处理器501控制触摸显示屏505从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图5中示出的结构并不构成对终端的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

在示例性实施例中，还提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集。所述至少一条指令、至少一段程序、代码集或指令集经配置以由一个或者一个以上处理器执行，以实现上述任一种实体提及的识别方法。

在示例性实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集在被计算机设备的处理器执行时实现上述任一种实体提及的识别方法。

可选地，上述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品中存储有至少一条计算机指令，该至少一条计算机指令由处理器加载并执行，以实现上述任一种实体提及的识别方法。

应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种实体提及的识别方法，其特征在于，所述方法包括：

获取待处理文本；

确定所述待处理文本中的至少两个候选实体提及；

对于任一候选实体提及，计算所述任一候选实体提及与其他候选实体提及之间的第一语义相似度，所述其他候选实体提及为所述至少两个候选实体提及中除所述任一候选实体提及之外的至少一个候选实体提及；

利用所述任一候选实体提及与所述其他候选实体提及之间的第一语义相似度，确定所述任一候选实体提及的全局语义相似度；

根据各个候选实体提及的全局语义相似度，从所述各个候选实体提及中筛选出目标实体提及。

2.根据权利要求1所述的方法，其特征在于，所述计算所述任一候选实体提及与其他候选实体提及之间的第一语义相似度，包括：

从实体库中确定所述任一候选实体提及对应的至少一个待链接实体；

确定所述各个候选实体提及的语义向量以及各个待链接实体的语义向量；

将所述任一候选实体提及的语义向量以及所述任一候选实体提及对应的各个待链接实体的语义向量进行融合，得到所述任一候选实体提及的融合向量；

利用所述各个候选实体提及的融合向量，计算所述任一候选实体提及与其他候选实体提及之间的第一语义相似度。

3.根据权利要求2所述的方法，其特征在于，所述将所述任一候选实体提及的语义向量以及所述任一候选实体提及对应的各个待链接实体的语义向量进行融合，得到所述任一候选实体提及的融合向量，包括：

利用所述任一候选实体提及的语义向量以及所述任一候选实体提及对应的各个待链接实体的语义向量，计算所述任一候选实体提及与所述任一候选实体提及对应的各个待链接实体之间的第二语义相似度；

利用所述任一候选实体提及与所述任一候选实体提及对应的各个待链接实体之间的第二语义相似度、以及所述任一候选实体提及对应的各个待链接实体的语义向量，确定所述任一候选实体提及的融合向量。

4.根据权利要求3所述的方法，其特征在于，所述利用所述任一候选实体提及与所述其他候选实体提及之间的第一语义相似度，确定所述任一候选实体提及的全局语义相似度，包括：

利用所述各个候选实体提及的初始语义相似度、以及所述任一候选实体提及与所述其他候选实体提及之间的第一语义相似度，确定所述任一候选实体提及的全局语义相似度。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

利用所述任一候选实体提及对应的各个待链接实体的全局语义相似度、以及所述任一候选实体提及与所述任一候选实体提及对应的各个待链接实体之间的第二语义相似度，确定所述任一候选实体提及的初始语义相似度。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

对于任一待链接实体，计算所述任一待链接实体与其他待链接实体之间的第三语义相似度，所述其他待链接实体为所述各个候选实体提及对应的各个待链接实体中除所述任一待链接实体之外的至少一个待链接实体；

利用各个待链接实体的初始语义相似度、以及所述任一待链接实体与所述其他待链接实体之间的第三语义相似度，确定所述任一待链接实体的全局语义相似度。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

利用所述任一待链接实体与所述任一待链接实体对应的各个候选实体提及之间的第二语义相似度，确定所述任一待链接实体的初始语义相似度。

8.根据权利要求5-7任一项所述的方法，其特征在于，所述方法还包括：

根据所述任一目标实体提及对应的各个待链接实体的全局语义相似度，从所述任一目标实体提及对应的各个待链接实体中确定目标链接实体；

将所述任一目标实体提及与所述目标链接实体进行链接。

9.一种实体提及的识别装置，其特征在于，所述装置包括：

获取模块，用于获取待处理文本；

确定模块，用于确定所述待处理文本中的至少两个候选实体提及；

计算模块，用于对于任一候选实体提及，计算所述任一候选实体提及与其他候选实体提及之间的第一语义相似度，所述其他候选实体提及为所述至少两个候选实体提及中除所述任一候选实体提及之外的至少一个候选实体提及；

所述确定模块，还用于利用所述任一候选实体提及与所述其他候选实体提及之间的第一语义相似度，确定所述任一候选实体提及的全局语义相似度；

筛选模块，用于根据各个候选实体提及的全局语义相似度，从所述各个候选实体提及中筛选出目标实体提及。

10.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令在被所述处理器执行时使所述计算机设备实现如权利要求1至8任一所述的实体提及的识别方法。

Images