CN116502633A - 一种业务执行的方法、装置、存储介质及电子设备 - Google Patents
一种业务执行的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116502633A CN116502633A CN202310233068.3A CN202310233068A CN116502633A CN 116502633 A CN116502633 A CN 116502633A CN 202310233068 A CN202310233068 A CN 202310233068A CN 116502633 A CN116502633 A CN 116502633A
- Authority
- CN
- China
- Prior art keywords
- target node
- entity
- image data
- target
- knowledge graph
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims description 48
- 230000015654 memory Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- 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
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种业务执行的方法、装置、存储介质及电子设备。首先，获取目标业务对应的待扩充知识图谱。其次，将待扩充知识图谱中的目标节点对应的实体名称输入到搜索引擎中，得到目标节点对应的文本数据以及图像数据。而后，将目标节点对应的文本数据输入到预先训练的第一识别模型中，确定文本数据的三元组信息，以及将目标节点对应的图像数据输入到预先训练的第二识别模型中，确定图像数据的三元组信息。最后，基于文本数据的三元组信息以及图像数据的三元组信息，在待扩充知识图谱扩充目标节点与其他节点之间的实体关系，以得到目标知识图谱，并通过目标知识图谱，执行目标业务。本方法可以提高业务执行的准确性。
Description
技术领域
本说明书涉及计算机技术领域，尤其涉及一种业务执行的方法、装置、存储介质及电子设备。
背景技术
目前，知识图谱(knowledge graph，KG)本质上是语义网络，是一种基于图的数据结构，由节点和边组成。在知识图谱里，每个节点表示一个实体，每条边表示实体与实体之间的关系。其中，实体指具有可区别性且独立存在的某种事物，例如，某一个人、某一个城市、某一种植物、某一种商品等。
然而，在实际应用场景下，可能出现用于构建知识图谱的数据较少的情况，导致通过知识图谱进行业务执行的准确性较低。
因此，如何对知识图谱进行扩充，以提高业务执行的准确性，则是一个亟待解决的问题。
发明内容
本说明书提供一种业务执行的方法、装置、存储介质及电子设备，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种业务执行的方法，包括：
获取目标业务对应的待扩充知识图谱；
将所述待扩充知识图谱中的目标节点对应的实体名称输入到搜索引擎中，得到所述目标节点对应的文本数据以及图像数据；
将所述目标节点对应的文本数据输入到预先训练的第一识别模型中，以通过所述第一识别模型，识别出所述文本数据中涉及的各实体之间的实体关系，并根据所述文本数据中涉及的各实体之间的实体关系，确定所述文本数据的三元组信息，以及将所述目标节点对应的图像数据输入到预先训练的第二识别模型中，以通过所述第二识别模型，识别出所述图像数据中涉及的各实体之间的实体关系，并根据所述图像数据中涉及的各实体之间的实体关系，确定所述图像数据的三元组信息；
基于所述文本数据的三元组信息以及所述图像数据的三元组信息，在所述待扩充知识图谱扩充所述目标节点与其他节点之间的实体关系，以得到目标知识图谱，并通过所述目标知识图谱，执行所述目标业务。
可选地，确定目标节点，具体包括：
获取目标业务对应的业务需求；
根据所述目标业务对应的业务需求，确定所述待扩充知识图谱中的各节点对应的实体名称与所述目标业务对应的业务需求之间的相关度，作为各节点的相关度；
将相关度大于设定相关度阈值的节点，作为目标节点。
可选地，确定目标节点，具体包括：
确定所述待扩充知识图谱中的各节点对应的三元组数量；
将三元组数量小于设定数量阈值的节点，作为目标节点。
可选地，所述第一识别模型包括：文本识别网络以及文本关系网络；
将所述目标节点对应的文本数据输入到预先训练的第一识别模型中，以通过所述第一识别模型，识别出所述文本数据中涉及的各实体之间的实体关系，并根据所述文本数据中涉及的各实体之间的实体关系，确定所述文本数据的三元组信息，具体包括：
将所述目标节点对应的文本数据输入到所述文本识别网络中，确定所述文本数据中涉及的各实体；
将所述文本数据中涉及的各实体输入到所述文本关系网络，确定所述文本数据中涉及的各实体之间的实体关系；
根据所述文本数据中涉及的各实体以及所述文本数据中涉及的各实体之间的实体关系，确定所述文本数据的三元组信息。
可选地，在将所述目标节点对应的文本数据输入到所述文本识别网络中，确定所述文本数据中涉及的各实体之前，所述方法还包括：
对所述目标节点对应的文本数据进行数据清洗，得到清洗后的文本数据；
将所述目标节点对应的文本数据输入到所述文本识别网络中，确定所述文本数据中涉及的各实体，具体包括：
将所述清洗后的文本数据输入到所述文本识别网络中，确定所述清洗后的文本数据中涉及的各实体。
可选地，所述第二识别模型包括：图像识别网络以及图像关系网络；
将所述目标节点对应的图像数据输入到预先训练的第二识别模型中，以通过所述第二识别模型，识别出所述图像数据中涉及的各实体之间的实体关系，并根据所述图像数据中涉及的各实体之间的实体关系，确定所述图像数据的三元组信息，具体包括：
将所述目标节点对应的图像数据输入到所述图像识别网络中，确定所述图像数据中涉及的各实体；
将所述图像数据中涉及的各实体输入到所述图像关系网络，确定所述图像数据中涉及的各实体之间的实体关系；
根据所述图像数据中涉及的各实体以及所述图像数据中涉及的各实体之间的实体关系，确定所述图像数据的三元组信息。
可选地，在将所述目标节点对应的图像数据输入到所述图像识别网络中，确定所述图像数据中涉及的各实体之前，所述方法还包括：
对所述目标节点对应的图像数据的图像尺寸以及图像分辨率进行调整，得到调整后的图像数据；
将所述目标节点对应的图像数据输入到所述图像识别网络中，确定所述图像数据中涉及的各实体，具体包括：
将所述调整后的图像数据输入到所述图像识别网络中，确定所述调整后的图像数据中涉及的各实体。
可选地，基于所述文本数据的三元组信息以及所述图像数据的三元组信息，在所述待扩充知识图谱扩充所述目标节点与其他节点之间的实体关系，以得到目标知识图谱，具体包括：
获取各开源知识图谱；
从所述各开源知识图谱中查询目标节点，确定与目标节点相邻的其他节点，作为目标节点的相邻节点，并根据所述目标节点以及所述目标节点的相邻节点之间的实体关系，确定所述各开源知识图谱对应的三元组信息；
基于所述各开源知识图谱对应的三元组信息、所述文本数据的三元组信息以及所述图像数据的三元组信息，在所述待扩充知识图谱扩充所述目标节点与其他节点之间的实体关系，以得到目标知识图谱。
可选地，所述开源知识图谱包括：开放领域知识图谱以及目标业务对应的垂直领域知识图谱。
可选地，从所述各开源知识图谱中查询目标节点，确定与目标节点相邻的其他节点，作为目标节点的相邻节点，并根据所述目标节点以及所述目标节点的相邻节点之间的实体关系，确定所述各开源知识图谱对应的三元组信息，具体包括：
从所述各开源知识图谱中查询目标节点对应的实体名称，确定包含有所述目标节点对应的实体名称的开源知识图谱，作为候选知识图谱；
根据各候选知识图谱中的所述目标节点的相邻节点与所述待扩充知识图谱中的所述目标节点的相邻节点之间的相似度，确定目标节点对应的候选知识图谱；
将所述目标节点对应的候选知识图谱中的所述目标节点与所述目标节点的相邻节点之间的实体关系进行转换，得到所述候选知识图谱的三元组信息。
可选地，训练所述第一识别模型，具体包括：
获取文本训练样本；
将所述文本训练样本输入到待训练的第一识别模型中，确定所述文本训练样本对应的三元组信息；
以最小化所述文本训练样本对应的三元组信息与所述文本训练样本对应的标签之间的偏差为优化目标，对所述第一识别模型进行训练。
可选地，训练所述第二识别模型，具体包括：
获取图像训练样本；
将所述图像训练样本输入到待训练的第二识别模型中，确定所述图像训练样本对应的三元组信息；
以最小化所述图像训练样本对应的三元组信息与所述图像训练样本对应的标签之间的偏差为优化目标，对所述第二识别模型进行训练。
本说明书提供了一种业务执行的装置，包括：
获取模块，用于获取目标业务对应的待扩充知识图谱；
输入模块，用于将所述待扩充知识图谱中的目标节点对应的实体名称输入到搜索引擎中，得到所述目标节点对应的文本数据以及图像数据；
识别模块，用于将所述目标节点对应的文本数据输入到预先训练的第一识别模型中，以通过所述第一识别模型，识别出所述文本数据中涉及的各实体之间的实体关系，并根据所述文本数据中涉及的各实体之间的实体关系，确定所述文本数据的三元组信息，以及将所述目标节点对应的图像数据输入到预先训练的第二识别模型中，以通过所述第二识别模型，识别出所述图像数据中涉及的各实体之间的实体关系，并根据所述图像数据中涉及的各实体之间的实体关系，确定所述图像数据的三元组信息；
执行模块，用于基于所述文本数据的三元组信息以及所述图像数据的三元组信息，在所述待扩充知识图谱扩充所述目标节点与其他节点之间的实体关系，以得到目标知识图谱，并通过所述目标知识图谱，执行所述目标业务。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述业务执行的方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在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业务执行的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的业务执行的方法中，获取目标业务对应的待扩充知识图谱。其次，将待扩充知识图谱中的目标节点对应的实体名称输入到搜索引擎中，得到目标节点对应的文本数据以及图像数据。而后，将目标节点对应的文本数据输入到预先训练的第一识别模型中，以通过第一识别模型，识别出文本数据中涉及的各实体之间的实体关系，并根据文本数据中涉及的各实体之间的实体关系，确定文本数据的三元组信息，以及将目标节点对应的图像数据输入到预先训练的第二识别模型中，以通过第二识别模型，识别出图像数据中涉及的各实体之间的实体关系，并根据图像数据中涉及的各实体之间的实体关系，确定图像数据的三元组信息。最后，基于文本数据的三元组信息以及图像数据的三元组信息，在待扩充知识图谱扩充目标节点与其他节点之间的实体关系，以得到目标知识图谱，并通过目标知识图谱，执行目标业务。
从上述的业务执行的方法中可以看出，本方法可以将待扩充知识图谱中的目标节点对应的实体名称输入到搜索引擎中，得到目标节点对应的文本数据以及图像数据。然后，将目标节点对应的文本数据输入到预先训练的第一识别模型中，以通过第一识别模型，确定文本数据的三元组信息，以及将目标节点对应的图像数据输入到预先训练的第二识别模型中，以通过第二识别模型，确定图像数据的三元组信息。最后，基于文本数据的三元组信息以及图像数据的三元组信息，在待扩充知识图谱扩充目标节点与其他节点之间的实体关系，以得到目标知识图谱，并通过目标知识图谱，执行目标业务。本方法可以提高业务执行的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书实施例提供的业务执行的方法的流程示意图；
图2为本说明书实施例提供的一种扩充知识图谱的流程示意图；
图3为本说明书实施例提供的业务执行的装置的结构示意图；
图4为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提供的业务执行的方法的流程示意图，具体包括以下步骤：
S100：获取目标业务对应的待扩充知识图谱。
在本说明书实施例中，本说明书提供的业务执行的方法的执行主体可以是服务器、台式电脑等电子设备，为了便于描述，下面仅以服务器为执行主体，对本说明书提供的业务执行的方法进行说明。
在本说明书实施例中，服务器可以获取目标业务对应的待扩充知识图谱。
S102：将所述待扩充知识图谱中的目标节点对应的实体名称输入到搜索引擎中，得到所述目标节点对应的文本数据以及图像数据。
在本说明书实施例中，服务器可以将待扩充知识图谱中的目标节点对应的实体名称输入到搜索引擎中，得到目标节点对应的文本数据以及图像数据。这里提到的搜索引擎可以是指根据一定的策略、运用特定的计算机程序搜集互联网上的信息，在对信息进行组织和处理后，为用户提供检索服务的***。
在实际应用中，不同的业务具有不同的业务需求，待扩充知识图谱中的不同的节点与目标业务对应的业务需求的相关度并不相同。因此，服务器需要确定出与目标业务对应的业务需求的相关度较高的节点，作为目标节点，再确定目标节点对应的三元组，以对待扩充知识图谱进行扩充。
具体的，服务器可以获取目标业务对应的业务需求。
其次，服务器可以根据目标业务对应的业务需求，确定待扩充知识图谱中的各节点对应的实体名称与目标业务对应的业务需求之间的相关度，作为各节点的相关度。
然后，服务器可以将相关度大于设定相关度阈值的节点，作为目标节点。
在实际应用中，知识图谱中的一个节点对应的三元组数量是有限的，该节点的三元组数量越多，该节点就越不容易扩充。该节点的三元组数量越少，该节点就越容易扩充。因此，服务器可以确定出待扩充知识图谱中的三元组数量较少的节点，作为目标节点，从而，对待扩充知识图谱进行扩充。
在本说明书实施例中，服务器可以确定待扩充知识图谱中的各节点对应的三元组数量。
然后，服务器可以将三元组数量小于设定数量阈值的节点，作为目标节点。
S104：将所述目标节点对应的文本数据输入到预先训练的第一识别模型中，以通过所述第一识别模型，识别出所述文本数据中涉及的各实体之间的实体关系，并根据所述文本数据中涉及的各实体之间的实体关系，确定所述文本数据的三元组信息，以及将所述目标节点对应的图像数据输入到预先训练的第二识别模型中，以通过所述第二识别模型，识别出所述图像数据中涉及的各实体之间的实体关系，并根据所述图像数据中涉及的各实体之间的实体关系，确定所述图像数据的三元组信息。
在本说明书实施例中，服务器可以将目标节点对应的文本数据输入到预先训练的第一识别模型中，以通过第一识别模型，识别出文本数据中涉及的各实体之间的实体关系，并根据文本数据中涉及的各实体之间的实体关系，确定文本数据的三元组信息，以及将目标节点对应的图像数据输入到预先训练的第二识别模型中，以通过第二识别模型，识别出图像数据中涉及的各实体之间的实体关系，并根据图像数据中涉及的各实体之间的实体关系，确定图像数据的三元组信息。
这里提到的三元组信息可以是指(实体1,关系,实体2)，例如，(用户A，徒弟，用户B)。也可以是指(实体，属性名，属性值)，例如，(神木，景点，属神湖)。
在本说明书实施例中，第一识别模型包括：文本识别网络以及文本关系网络。服务器可以将目标节点对应的文本数据输入到文本识别网络中，确定文本数据中涉及的各实体。这里提到的文本识别网络可以是由来自变压器的双向编码表示(BidirectionalEncoder Representation from Transformers，BERT)、双向长短期记忆网络(Bi-directional Long Short-Term Memory，BiLSTM)以及条件随机场(conditional randomfield，CRF)组成。来自变压器的双向编码表示是指预训练模型，用于确定文本数据的特征向量。双向长短期记忆网络是指编码层，用于特征提取。条件随机场是指解码层，用于输出文本数据中的各实体。当然，文本识别网络也可以是其他用于进行命名实体识别(NamedEntity Recognition，NER)的模型，本说明书不对文本识别网络进行限定。
其次，服务器可以将文本数据中涉及的各实体输入到文本关系网络，确定文本数据中涉及的各实体之间的实体关系。
然后，服务器可以根据文本数据中涉及的各实体以及文本数据中涉及的各实体之间的实体关系，确定文本数据的三元组信息。
在实际应用中，通过搜索引擎搜索到的文本数据中包含有空字符、无用标签、特殊字符等数据，这可能会导致第一识别模型输出的目标节点对应的文本数据的三元组信息出现错误。因此，服务器需要对文本数据进行数据清洗，以提高第一识别模型的输出结果的准确性。
在本说明书实施例中，服务器可以对目标节点对应的文本数据进行数据清洗，得到清洗后的文本数据。例如，服务器可以去除目标节点对应的文本数据中的页面标签、空字符、特殊字符、无用标签等文本。
然后，服务器可以将清洗后的文本数据输入到文本识别网络中，确定清洗后的文本数据中涉及的各实体。
在本说明书实施例中，服务器在应用第一识别模型之前，需要对第一识别模型进行训练。
首先，服务器可以获取文本训练样本。
其次，服务器可以将文本训练样本输入到待训练的第一识别模型中，确定文本训练样本对应的三元组信息。
最后，服务器可以以最小化文本训练样本对应的三元组信息与文本训练样本对应的标签之间的偏差为优化目标，对第一识别模型进行训练。
在本说明书实施例中，第二识别模型可以是指场景图生成模型(Scene GraphGeneration，SGG)。当然，第二识别模型也可以是其他用于识别图像中的各实体之间的实体关系的模型，本说明书不对第二识别模型进行限定。
其中，第二识别模型包括：图像识别网络以及图像关系网络。
首先，服务器可以将目标节点对应的图像数据输入到图像识别网络中，确定图像数据中涉及的各实体。
然后，服务器可以将图像数据中涉及的各实体输入到图像关系层，确定图像数据中涉及的各实体之间的实体关系。
最后，服务器可以根据图像数据中涉及的各实体以及图像数据中涉及的各实体之间的实体关系，确定图像数据的三元组信息。
在实际应用中，通过搜索引擎搜索到的图像数据的图像尺寸以及图像分辨率并不相同，但是，不同的图像尺寸以及图像分辨率的图像输入到第二识别模型进行处理后，确定出的输出结果的准确性较低。因此，服务器需要对各图像数据的图像尺寸以及图像分辨率进行调整，以提高第二识别模型的输出结果的准确性。
在本说明书实施例中，服务器可以对目标节点对应的图像数据的图像尺寸以及图像分辨率进行调整，得到调整后的图像数据。
然后，服务器可以将调整后的图像数据输入到图像识别网络中，确定调整后的图像数据中涉及的各实体。
在本说明书实施例中，服务器在应用第二识别模型之前，需要对第二识别模型进行训练。
首先，服务器可以获取图像训练样本。
其次，服务器可以将图像训练样本输入到待训练的第二识别模型中，确定图像训练样本对应的三元组信息。
最后，服务器可以以最小化图像训练样本对应的三元组信息与图像训练样本对应的标签之间的偏差为优化目标，对第二识别模型进行训练。
S106：基于所述文本数据的三元组信息以及所述图像数据的三元组信息，在所述待扩充知识图谱扩充所述目标节点与其他节点之间的实体关系，以得到目标知识图谱。
在本说明书实施例中，服务器可以基于文本数据的三元组信息以及图像数据的三元组信息，在待扩充知识图谱扩充目标节点与其他节点之间的实体关系，以得到目标知识图谱。这里提到的其他节点可以是指待扩充知识图谱中的已存在的节点，也可以是指从文本数据的三元组信息或图像数据的三元组信息中获取到的新增节点。
在实际应用中，在确定出的文本数据的三元组信息以及图像数据的三元组信息中，存在准确率较低的三元组信息。为了避免构建出的目标知识图谱的准确性较低，服务器可以根据识别模型预测三元组信息时的预测概率，选取出预测概率较高的三元组信息，来构建目标知识图谱。
在本说明书实施例中，服务器可以确定第一识别模型预测文本数据对应的三元组信息时的预测概率。并确定预测概率大于设定预测概率阈值的文本数据对应的三元组信息。
同样的，服务器可以确定第二识别模型预测图像数据对应的三元组信息时的预测概率。并确定预测概率大于设定预测概率阈值的图像数据对应的三元组信息。
然后，服务器可以基于预测概率大于设定预测概率阈值的文本数据对应的三元组信息以及预测概率大于设定预测概率阈值的图像数据对应的三元组信息，在待扩充知识图谱扩充目标节点与其他节点之间的实体关系，以得到目标知识图谱。
在实际应用中，服务器除了可以根据文本数据以及图像数据中的各实体之间的实体关系，确定三元组信息，还可以从其他知识图谱中直接获取三元组信息。
在本说明书实施例中，服务器可以获取各开源知识图谱。开源知识图谱包括：开放领域知识图谱以及目标业务对应的垂直领域知识图谱。这里提到的开放领域可以是指所有领域的集合。这里提到的垂直领域可以是指单一领域，例如，医学领域、金融领域等。
其次，服务器可以从各开源知识图谱中查询目标节点，确定与目标节点相邻的其他节点，作为目标节点的相邻节点，并根据目标节点以及目标节点的相邻节点之间的实体关系，确定各开源知识图谱对应的三元组信息。
具体的，服务器可以将目标节点输入到实体链接模型中，确定各开源知识图谱中目标节点所在位置。
最后，服务器可以基于各开源知识图谱对应的三元组信息、文本数据的三元组信息以及图像数据的三元组信息，在待扩充知识图谱扩充目标节点与其他节点之间的实体关系，以得到目标知识图谱。
具体的，服务器可以从各开源知识图谱中查询目标节点对应的实体名称，确定包含有目标节点对应的实体名称的开源知识图谱，作为候选知识图谱。
其次，服务器可以根据各候选知识图谱中的目标节点的相邻节点与待扩充知识图谱中的目标节点的相邻节点之间的相似度，确定目标节点对应的候选知识图谱。
最后，服务器可以将目标节点对应的候选知识图谱中的目标节点与目标节点的相邻节点之间的实体关系进行转换，得到候选知识图谱的三元组信息。
其中，服务器还可以将目标节点对应的候选知识图谱中的目标节点的相邻节点与其他节点之间的实体关系进行转换，得到候选知识图谱的三元组信息。
在实际应用中，一个实体可能对应有多个提及(mention)，也就是多个实体名称。因此，服务器需要对多个实体名称进行统一。
在本说明书实施例中，服务器可以对文本数据的三元组信息、图像数据的三元组信息以及各开源知识图谱的三元组信息中的实体名称进行统一。例如，一个用户姓A名B，其别称有大B，小A等，则需要统一改为AB。
进一步的，文本数据的三元组信息、图像数据的三元组信息以及各开源知识图谱的三元组信息中可能存在重复的三元组信息。基于此，服务器可以对上述各三元组信息进行去重，以构建目标知识图谱。
图2为本说明书实施例提供的一种扩充知识图谱的流程示意图。
在图2中，服务器从待扩充知识图谱中确定出相关度大于设定相关度阈值的节点，作为目标节点。
其次，将待扩充知识图谱中的目标节点对应的实体名称输入到搜索引擎中，得到目标节点对应的文本数据、目标节点对应的图像数据以及目标节点对应的开源知识图谱。
而后，服务器可以将目标节点对应的文本数据输入到预先训练的第一识别模型中，以通过第一识别模型，识别出文本数据中涉及的各实体之间的实体关系，并根据文本数据中涉及的各实体之间的实体关系，确定文本数据的三元组信息，以及将目标节点对应的图像数据输入到预先训练的第二识别模型中，以通过第二识别模型，识别出图像数据中涉及的各实体之间的实体关系，并根据图像数据中涉及的各实体之间的实体关系，确定图像数据的三元组信息。
然后，服务器可以将目标节点输入到实体链接模型中，确定各开源知识图谱中目标节点所在位置，再确定目标节点对应的候选知识图谱，将目标节点对应的候选知识图谱中的目标节点与目标节点的相邻节点之间的实体关系进行转换，得到候选知识图谱的三元组信息。
最后，服务器可以基于各开源知识图谱对应的三元组信息、文本数据的三元组信息以及图像数据的三元组信息，在待扩充知识图谱扩充目标节点与其他节点之间的实体关系，以得到目标知识图谱。
从上述过程中可以看出，本方法可以将待扩充知识图谱中的目标节点对应的实体名称输入到搜索引擎中，得到目标节点对应的文本数据以及图像数据。然后，将目标节点对应的文本数据输入到预先训练的第一识别模型中，以通过第一识别模型，确定文本数据的三元组信息，以及将目标节点对应的图像数据输入到预先训练的第二识别模型中，以通过第二识别模型，确定图像数据的三元组信息。最后，基于文本数据的三元组信息以及图像数据的三元组信息，在待扩充知识图谱扩充目标节点与其他节点之间的实体关系，以得到目标知识图谱，并通过目标知识图谱，执行目标业务。本方法可以提高业务执行的准确性。
以上为本说明书的一个或多个实施例提供的业务执行的方法，基于同样的思路，本说明书还提供了相应的业务执行的装置，如图3所示。
图3为本说明书实施例提供的业务执行的装置的结构示意图，具体包括：
获取模块300，用于获取目标业务对应的待扩充知识图谱；
输入模块302，用于将所述待扩充知识图谱中的目标节点对应的实体名称输入到搜索引擎中，得到所述目标节点对应的文本数据以及图像数据；
识别模块304，用于将所述目标节点对应的文本数据输入到预先训练的第一识别模型中，以通过所述第一识别模型，识别出所述文本数据中涉及的各实体之间的实体关系，并根据所述文本数据中涉及的各实体之间的实体关系，确定所述文本数据的三元组信息，以及将所述目标节点对应的图像数据输入到预先训练的第二识别模型中，以通过所述第二识别模型，识别出所述图像数据中涉及的各实体之间的实体关系，并根据所述图像数据中涉及的各实体之间的实体关系，确定所述图像数据的三元组信息；
执行模块306，用于基于所述文本数据的三元组信息以及所述图像数据的三元组信息，在所述待扩充知识图谱扩充所述目标节点与其他节点之间的实体关系，以得到目标知识图谱，并通过所述目标知识图谱，执行所述目标业务。
可选地，所述输入模块302具体用于，获取目标业务对应的业务需求，根据所述目标业务对应的业务需求，确定所述待扩充知识图谱中的各节点对应的实体名称与所述目标业务对应的业务需求之间的相关度，作为各节点的相关度，将相关度大于设定相关度阈值的节点，作为目标节点。
可选地，所述输入模块302具体用于，确定所述待扩充知识图谱中的各节点对应的三元组数量，将三元组数量小于设定数量阈值的节点，作为目标节点。
可选地，所述第一识别模型包括：文本识别网络以及文本关系网络；
所述识别模块304具体用于，将所述目标节点对应的文本数据输入到所述文本识别网络中，确定所述文本数据中涉及的各实体，将所述文本数据中涉及的各实体输入到所述文本关系网络，确定所述文本数据中涉及的各实体之间的实体关系，根据所述文本数据中涉及的各实体以及所述文本数据中涉及的各实体之间的实体关系，确定所述文本数据的三元组信息。
可选地，所述识别模块304具体还用于，对所述目标节点对应的文本数据进行数据清洗，得到清洗后的文本数据，将所述清洗后的文本数据输入到所述文本识别网络中，确定所述清洗后的文本数据中涉及的各实体。
可选地，所述第二识别模型包括：图像识别网络以及图像关系网络；
所述识别模块304具体用于，将所述目标节点对应的图像数据输入到所述图像识别网络中，确定所述图像数据中涉及的各实体，将所述图像数据中涉及的各实体输入到所述图像关系层，确定所述图像数据中涉及的各实体之间的实体关系，根据所述图像数据中涉及的各实体以及所述图像数据中涉及的各实体之间的实体关系，确定所述图像数据的三元组信息。
可选地，所述识别模块304具体还用于，对所述目标节点对应的图像数据的图像尺寸以及图像分辨率进行调整，得到调整后的图像数据，将所述调整后的图像数据输入到所述图像识别网络中，确定所述调整后的图像数据中涉及的各实体。
可选地，所述执行模块306具体用于，获取各开源知识图谱，从所述各开源知识图谱中查询目标节点，确定与目标节点相邻的其他节点，作为目标节点的相邻节点，并根据所述目标节点以及所述目标节点的相邻节点之间的实体关系，确定所述各开源知识图谱对应的三元组信息，基于所述各开源知识图谱对应的三元组信息、所述文本数据的三元组信息以及所述图像数据的三元组信息，在所述待扩充知识图谱扩充所述目标节点与其他节点之间的实体关系，以得到目标知识图谱。
可选地，所述开源知识图谱包括：开放领域知识图谱以及目标业务对应的垂直领域知识图谱。
可选地，所述执行模块306具体用于，从所述各开源知识图谱中查询目标节点对应的实体名称，确定包含有所述目标节点对应的实体名称的开源知识图谱，作为候选知识图谱，根据各候选知识图谱中的所述目标节点的相邻节点与所述待扩充知识图谱中的所述目标节点的相邻节点之间的相似度，确定目标节点对应的候选知识图谱，将所述目标节点对应的候选知识图谱中的所述目标节点与所述目标节点的相邻节点之间的实体关系进行转换，得到所述候选知识图谱的三元组信息。
可选地，所述识别模块304具体用于，获取文本训练样本，将所述文本训练样本输入到待训练的第一识别模型中，确定所述文本训练样本对应的三元组信息，以最小化所述文本训练样本对应的三元组信息与所述文本训练样本对应的标签之间的偏差为优化目标，对所述第一识别模型进行训练。
可选地，所述识别模块304具体用于，获取图像训练样本，将所述图像训练样本输入到待训练的第二识别模型中，确定所述图像训练样本对应的三元组信息，以最小化所述图像训练样本对应的三元组信息与所述图像训练样本对应的标签之间的偏差为优化目标，对所述第二识别模型进行训练。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的业务执行的方法。
本说明书还提供了图4所示的电子设备的结构示意图。如图4所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1提供的业务执行的方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、***、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，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。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (15)
1.一种业务执行的方法，其特征在于，包括：
获取目标业务对应的待扩充知识图谱；
将所述待扩充知识图谱中的目标节点对应的实体名称输入到搜索引擎中，得到所述目标节点对应的文本数据以及图像数据；
将所述目标节点对应的文本数据输入到预先训练的第一识别模型中，以通过所述第一识别模型，识别出所述文本数据中涉及的各实体之间的实体关系，并根据所述文本数据中涉及的各实体之间的实体关系，确定所述文本数据的三元组信息，以及将所述目标节点对应的图像数据输入到预先训练的第二识别模型中，以通过所述第二识别模型，识别出所述图像数据中涉及的各实体之间的实体关系，并根据所述图像数据中涉及的各实体之间的实体关系，确定所述图像数据的三元组信息；
基于所述文本数据的三元组信息以及所述图像数据的三元组信息，在所述待扩充知识图谱扩充所述目标节点与其他节点之间的实体关系，以得到目标知识图谱，并通过所述目标知识图谱，执行所述目标业务。
2.如权利要求1所述的方法，其特征在于，确定目标节点，具体包括：
获取目标业务对应的业务需求；
根据所述目标业务对应的业务需求，确定所述待扩充知识图谱中的各节点对应的实体名称与所述目标业务对应的业务需求之间的相关度，作为各节点的相关度；
将相关度大于设定相关度阈值的节点，作为目标节点。
3.如权利要求1所述的方法，其特征在于，确定目标节点，具体包括：
确定所述待扩充知识图谱中的各节点对应的三元组数量；
将三元组数量小于设定数量阈值的节点，作为目标节点。
4.如权利要求1所述的方法，其特征在于，所述第一识别模型包括：文本识别网络以及文本关系网络；
将所述目标节点对应的文本数据输入到预先训练的第一识别模型中，以通过所述第一识别模型，识别出所述文本数据中涉及的各实体之间的实体关系，并根据所述文本数据中涉及的各实体之间的实体关系，确定所述文本数据的三元组信息，具体包括：
将所述目标节点对应的文本数据输入到所述文本识别网络中，确定所述文本数据中涉及的各实体；
将所述文本数据中涉及的各实体输入到所述文本关系网络，确定所述文本数据中涉及的各实体之间的实体关系；
根据所述文本数据中涉及的各实体以及所述文本数据中涉及的各实体之间的实体关系，确定所述文本数据的三元组信息。
5.如权利要求4所述的方法，其特征在于，在将所述目标节点对应的文本数据输入到所述文本识别网络中，确定所述文本数据中涉及的各实体之前，所述方法还包括：
对所述目标节点对应的文本数据进行数据清洗，得到清洗后的文本数据；
将所述目标节点对应的文本数据输入到所述文本识别网络中，确定所述文本数据中涉及的各实体，具体包括：
将所述清洗后的文本数据输入到所述文本识别网络中，确定所述清洗后的文本数据中涉及的各实体。
6.如权利要求1所述的方法，其特征在于，所述第二识别模型包括：图像识别网络以及图像关系网络；
将所述目标节点对应的图像数据输入到预先训练的第二识别模型中，以通过所述第二识别模型，识别出所述图像数据中涉及的各实体之间的实体关系，并根据所述图像数据中涉及的各实体之间的实体关系，确定所述图像数据的三元组信息，具体包括：
将所述目标节点对应的图像数据输入到所述图像识别网络中，确定所述图像数据中涉及的各实体；
将所述图像数据中涉及的各实体输入到所述图像关系层，确定所述图像数据中涉及的各实体之间的实体关系；
根据所述图像数据中涉及的各实体以及所述图像数据中涉及的各实体之间的实体关系，确定所述图像数据的三元组信息。
7.如权利要求6所述的方法，其特征在于，在将所述目标节点对应的图像数据输入到所述图像识别网络中，确定所述图像数据中涉及的各实体之前，所述方法还包括：
对所述目标节点对应的图像数据的图像尺寸以及图像分辨率进行调整，得到调整后的图像数据；
将所述目标节点对应的图像数据输入到所述图像识别网络中，确定所述图像数据中涉及的各实体，具体包括：
将所述调整后的图像数据输入到所述图像识别网络中，确定所述调整后的图像数据中涉及的各实体。
8.如权利要求1所述的方法，其特征在于，基于所述文本数据的三元组信息以及所述图像数据的三元组信息，在所述待扩充知识图谱扩充所述目标节点与其他节点之间的实体关系，以得到目标知识图谱，具体包括：
获取各开源知识图谱；
从所述各开源知识图谱中查询目标节点，确定与目标节点相邻的其他节点，作为目标节点的相邻节点，并根据所述目标节点以及所述目标节点的相邻节点之间的实体关系，确定所述各开源知识图谱对应的三元组信息；
基于所述各开源知识图谱对应的三元组信息、所述文本数据的三元组信息以及所述图像数据的三元组信息，在所述待扩充知识图谱扩充所述目标节点与其他节点之间的实体关系，以得到目标知识图谱。
9.如权利要求8所述的方法，其特征在于，所述开源知识图谱包括：开放领域知识图谱以及目标业务对应的垂直领域知识图谱。
10.如权利要求8所述的方法，其特征在于，从所述各开源知识图谱中查询目标节点，确定与目标节点相邻的其他节点，作为目标节点的相邻节点，并根据所述目标节点以及所述目标节点的相邻节点之间的实体关系，确定所述各开源知识图谱对应的三元组信息，具体包括：
从所述各开源知识图谱中查询目标节点对应的实体名称，确定包含有所述目标节点对应的实体名称的开源知识图谱，作为候选知识图谱；
根据各候选知识图谱中的所述目标节点的相邻节点与所述待扩充知识图谱中的所述目标节点的相邻节点之间的相似度，确定目标节点对应的候选知识图谱；
将所述目标节点对应的候选知识图谱中的所述目标节点与所述目标节点的相邻节点之间的实体关系进行转换，得到所述候选知识图谱的三元组信息。
11.如权利要求1所述的方法，其特征在于，训练所述第一识别模型，具体包括：
获取文本训练样本；
将所述文本训练样本输入到待训练的第一识别模型中，确定所述文本训练样本对应的三元组信息；
以最小化所述文本训练样本对应的三元组信息与所述文本训练样本对应的标签之间的偏差为优化目标，对所述第一识别模型进行训练。
12.如权利要求1所述的方法，其特征在于，训练所述第二识别模型，具体包括：
获取图像训练样本；
将所述图像训练样本输入到待训练的第二识别模型中，确定所述图像训练样本对应的三元组信息；
以最小化所述图像训练样本对应的三元组信息与所述图像训练样本对应的标签之间的偏差为优化目标，对所述第二识别模型进行训练。
13.一种业务执行的装置，其特征在于，包括：
获取模块，用于获取目标业务对应的待扩充知识图谱；
输入模块，用于将所述待扩充知识图谱中的目标节点对应的实体名称输入到搜索引擎中，得到所述目标节点对应的文本数据以及图像数据；
识别模块，用于将所述目标节点对应的文本数据输入到预先训练的第一识别模型中，以通过所述第一识别模型，识别出所述文本数据中涉及的各实体之间的实体关系，并根据所述文本数据中涉及的各实体之间的实体关系，确定所述文本数据的三元组信息，以及将所述目标节点对应的图像数据输入到预先训练的第二识别模型中，以通过所述第二识别模型，识别出所述图像数据中涉及的各实体之间的实体关系，并根据所述图像数据中涉及的各实体之间的实体关系，确定所述图像数据的三元组信息；
执行模块，用于基于所述文本数据的三元组信息以及所述图像数据的三元组信息，在所述待扩充知识图谱扩充所述目标节点与其他节点之间的实体关系，以得到目标知识图谱，并通过所述目标知识图谱，执行所述目标业务。
14.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～12任一项所述的方法。
15.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～12任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310233068.3A CN116502633A (zh) | 2023-03-03 | 2023-03-03 | 一种业务执行的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310233068.3A CN116502633A (zh) | 2023-03-03 | 2023-03-03 | 一种业务执行的方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116502633A true CN116502633A (zh) | 2023-07-28 |
Family
ID=87315612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310233068.3A Pending CN116502633A (zh) | 2023-03-03 | 2023-03-03 | 一种业务执行的方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502633A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117033666A (zh) * | 2023-10-07 | 2023-11-10 | 之江实验室 | 一种多模态知识图谱的构建方法、装置、存储介质及设备 |
| CN117033667A (zh) * | 2023-10-07 | 2023-11-10 | 之江实验室 | 一种知识图谱构建方法、装置、存储介质及电子设备 |
-
2023
- 2023-03-03 CN CN202310233068.3A patent/CN116502633A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117033666A (zh) * | 2023-10-07 | 2023-11-10 | 之江实验室 | 一种多模态知识图谱的构建方法、装置、存储介质及设备 |
| CN117033667A (zh) * | 2023-10-07 | 2023-11-10 | 之江实验室 | 一种知识图谱构建方法、装置、存储介质及电子设备 |
| CN117033667B (zh) * | 2023-10-07 | 2024-01-09 | 之江实验室 | 一种知识图谱构建方法、装置、存储介质及电子设备 |
| CN117033666B (zh) * | 2023-10-07 | 2024-01-26 | 之江实验室 | 一种多模态知识图谱的构建方法、装置、存储介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116502633A (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
| CN116663618B (zh) | 一种算子优化方法、装置、存储介质及电子设备 | |
| CN113887227B (zh) | 一种模型训练与实体识别方法及装置 | |
| CN110399359B (zh) | 一种数据回溯方法、装置及设备 | |
| CN112308113A (zh) | 一种基于半监督的目标识别方法、设备及介质 | |
| CN116188971A (zh) | 一种机器人物体识别方法、装置及存储介质 | |
| CN116049761A (zh) | 数据处理方法、装置及设备 | |
| CN117409466B (zh) | 一种基于多标签控制的三维动态表情生成方法及装置 | |
| CN116303625B (zh) | 一种数据查询的方法、装置、存储介质及电子设备 | |
| CN116151355B (zh) | 一种模型训练和业务执行的方法、装置、介质及设备 | |
| CN116205232B (zh) | 一种确定目标模型的方法、装置、存储介质及设备 | |
| CN117113174A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN116824331A (zh) | 一种模型训练、图像识别方法、装置、设备及存储介质 | |
| CN115689676A (zh) | 一种行业识别的方法、装置、存储介质及电子设备 | |
| CN113344197A (zh) | 一种识别模型的训练方法、业务执行的方法以及装置 | |
| CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
| CN118193797B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
| CN113221871B (zh) | 一种文字识别方法、装置、设备及介质 | |
| CN115862675B (zh) | 一种情感识别方法、装置、设备及存储介质 | |
| CN116821193B (zh) | 一种基于代理模型近似处理的推理查询优化方法及装置 | |
| CN117573849B (zh) | 一种知识图谱多跳问答方法、装置、设备及存储介质 | |
| CN116644090B (zh) | 一种数据查询方法、装置、设备及介质 | |
| CN116935055B (zh) | 一种基于注意力掩码的弱监督语义分割方法及装置 | |
| CN117668543A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
| CN116029298A (zh) | 一种模型训练的方法、装置、设备及存储介质 |
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 |