CN117171346A - 一种实体链接方法、装置、存储介质及电子设备 - Google Patents
一种实体链接方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117171346A CN117171346A CN202311153257.6A CN202311153257A CN117171346A CN 117171346 A CN117171346 A CN 117171346A CN 202311153257 A CN202311153257 A CN 202311153257A CN 117171346 A CN117171346 A CN 117171346A
- Authority
- CN
- China
- Prior art keywords
- entity
- text
- linked
- candidate
- determining
- 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 59
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 230000003993 interaction Effects 0.000 claims abstract description 93
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002452 interceptive effect 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
- 238000003058 natural language processing Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 241000008357 Okapia johnstoni Species 0.000 description 1
- 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
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000001914 filtration Methods 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
Classifications
-
- 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
- Machine Translation (AREA)
Abstract
本说明书公开了一种实体链接方法、装置、存储介质及电子设备。所述实体链接方法包括：获取待链接文本、待链接文本中包含的各实体提及，根据预先确定的实体提及与实体之间的映射关系表，确定待链接文本中包含的每个实体提及对应的候选实体，将待链接文本、待链接文本中包含的各实体提及、预设的候选实体的描述文本输入到预先训练的实体链接模型中，以通过实体链接模型确定每个候选实体的描述文本的特征表示与待链接文本的特征表示之间的细粒度交互特征表示，并确定每个候选实体为目标链接实体的概率，以根据概率，从各候选实体中确定出待链接文本对应的目标链接实体，并根据目标链接实体进行任务执行。
Description
技术领域
本说明书涉及自然语言处理技术领域，尤其涉及一种实体链接方法、装置、存储介质及电子设备。
背景技术
随着自然语言处理技术的发展，实体链接在诸如：搜索引擎、问答、知识图谱等任务中得到广泛的应用，实体链接的目标是将待链接文本中涉及的实体提及和预设的知识库中包含的实体进行关联。
通常情况下，实体链接常用的方法为基于文本匹配的方法，即，通过模型确定出待链接文本和预设的知识库中包含的实体提及的实体描述文本之间的文本相似度，并根据确定出的文本相似度，确定出待链接文本所能链接到的实体。现有的实体链接的方式通常将待链接文本和实体描述文本拼接后，共同作为神经网络模型编码层结构的输入，从而可以在神经网络模型的交互层获取两种文本的细粒度交互信息，但是密集的交互方式导致无法离线存储实体的向量表示，并且线上推断耗时较长。
因此，如何提升实体链接的效率，则是一个亟待解决的问题。
发明内容
本说明书提供一种实体链接方法、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实体链接方法，包括：
获取待链接文本、待链接文本中包含的各实体提及；
根据预先确定的实体提及与实体之间的映射关系表，确定所述待链接文本中包含的每个实体提及对应的候选实体；
将所述待链接文本、所述待链接文本中包含的各实体提及、预设的所述候选实体的描述文本输入到预先训练的实体链接模型中，以通过所述实体链接模型对所述待链接文本进行编码，得到所述待链接文本的特征表示，并针对每个候选实体，确定预先确定的该候选实体的描述文本的特征表示与所述待链接文本的特征表示之间的细粒度交互特征表示，并根据所述细粒度交互特征表示确定该候选实体为目标链接实体的概率；
根据所述概率，从各候选实体中确定出所述待链接文本对应的目标链接实体，并根据所述目标链接实体进行任务执行。
可选地，根据预先确定的实体提及与实体之间的映射关系表，确定所述待链接文本中包含的每个实体提及对应的候选实体，具体包括：
根据预先确定的实体提及与实体之间的映射关系表，确定所述待链接文本中包含的每个实体提及存在映射关系的实体，作为各第一候选实体；以及
根据所述待链接文本中包含的每个实体提及与预设的知识库中的每个实体的描述文本之间相关度，确定各第二候选实体；
根据所述第一候选实体和所述第二候选实体，确定所述待链接文本中包含的每个实体提及对应的候选实体。
可选地，训练所述实体链接模型，具体包括：
获取样本文本集合、待训练实体链接模型；
针对所述样本文本集合中包含的每个样本文本，获取该样本文本中包含的各实体提及，以及获取该样本文本中包含的各实体提及对应的各链接实体，作为正样本；以及
确定与该样本文本中包含的各实体提及相似的各描述文本对应的各实体中除各实体提及对应的各链接实体之外的其他实体，作为负样本；
将该样本文本，该样本文本中包含的各实体提及、所述正样本的描述文本或所述负样本的描述文本输入到所述待训练实体链接模型中，以通过所述待训练实体链接模型对所述样本文本进行编码，得到所述样本文本的特征表示，并确定预先确定的所述正样本或所述负样本的描述文本的特征表示与所述样本文本的特征表示之间的样本细粒度交互特征表示，并根据所述样本细粒度交互特征表示确定所述正样本或所述负样本为该样本文本的链接实体的概率；
以最小化所述正样本的或所述负样本为该样本文本的链接实体的概率与所述正样本的或所述负样本的标注结果之间偏差为优化目标，对所述待训练实体链接模型进行训练，得到训练后的实体链接模型。
可选地，所述实体链接模型包括：第一特征提取层；
将所述待链接文本、所述待链接文本中包含的各实体提及输入到预先训练的实体链接模型中，具体包括：
将所述待链接文本、所述待链接文本中包含的各实体提及输入到所述实体链接模型的所述第一特征提取层，以通过所述第一特征提取层针对所述待链接文本进行编码，得到所述待链接文本的语义特征表示，以及，通过所述第一特征提取层针对所述待链接文本中包含的每个字段进行编码，得到所述待链接文本的各字段特征表示，作为各第一字段特征表示；
通过所述第一特征提取层针对所述待链接文本中包含的每个实体提及，根据该实体提及在所述待链接文本中的起始位置的字段特征表示和结束位置的字段特征表示，确定该实体提及的特征表示。
可选地，所述实体链接模型包括：第二特征提取层；
将预设的所述候选实体的描述文本输入到预先训练的实体链接模型中，具体包括：
针对每个候选实体，将预设的该候选实体的描述文本输入到预先训练的实体链接模型的所述第二特征提取层中，以通过所述第二特征提取层针对所述描述文本进行编码，得到所述描述文本的语义特征表示，以及，针对所述描述文本中包含的每个字段进行编码，得到所述描述文本的各字段特征表示，作为各第二字段特征表示。
可选地，所述实体链接模型还包括：第一交互层、第二交互层；
针对每个候选实体，确定预先确定的该候选实体的描述文本的特征表示与所述待链接文本的特征表示之间的细粒度交互特征表示，具体包括：
将所述各第一字段特征表示和所述各第二字段特征表示输入到所述第一交互层中，以通过所述第一交互层确定所述各第一字段特征表示和所述各第二字段特征表示之间的相似度矩阵；以及
将所述各第一字段特征表示和所述各第二字段特征表示输入到所述第二交互层中，以通过所述第二交互层确定所述各第一字段特征表示和所述各第二字段特征表示之间的差异度矩阵；
根据所述相似度矩阵和所述各第一字段特征表示，确定所述待链接文本的第一细粒度交互特征表示，并根据所述差异度矩阵和所述各第一字段特征表示，确定所述待链接文本的第二细粒度交互特征表示；以及
根据所述相似度矩阵和所述各第二字段特征表示，确定该候选实体的第一细粒度交互特征表示，并根据所述差异度矩阵和所述各第二字段特征表示，确定该候选实体的第二细粒度交互特征表示。
可选地，所述实体链接模型还包括：决策层；
根据所述细粒度交互特征表示确定该候选实体为目标链接实体的概率，具体包括：
将所述待链接文本的第一细粒度交互特征表示、所述待链接文本的第二细粒度交互特征表示、所述待链接文本中包含的每个实体提及的特征表示、该候选实体的第一细粒度交互特征表示、该候选实体的第二细粒度交互特征表示、该候选实体的所述描述文本的语义特征表示输入到所述决策层中，以通过所述决策层，确定该候选实体为目标链接实体的概率。
本说明书提供了一种实体链接装置，包括：
获取模块，用于获取待链接文本、待链接文本中包含的各实体提及；
筛选模块，用于根据预先确定的实体提及与实体之间的映射关系表，确定所述待链接文本中包含的每个实体提及对应的候选实体；
确定模块，用于将所述待链接文本、所述待链接文本中包含的各实体提及、预设的所述候选实体的描述文本输入到预先训练的实体链接模型中，以通过所述实体链接模型对所述待链接文本进行编码，得到所述待链接文本的特征表示，并针对每个候选实体，确定预先确定的该候选实体的描述文本的特征表示与所述待链接文本的特征表示之间的细粒度交互特征表示，并根据所述细粒度交互特征表示确定该候选实体为目标链接实体的概率；
执行模块，用于根据所述概率，从各候选实体中确定出所述待链接文本对应的目标链接实体，并根据所述目标链接实体进行任务执行。
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实体链接方法。
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实体链接方法。
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：
在本说明书提供的实体链接方法中，首先获取待链接文本、待链接文本中包含的各实体提及，根据预先确定的实体提及与实体之间的映射关系表，确定待链接文本中包含的每个实体提及对应的候选实体，将待链接文本、待链接文本中包含的各实体提及、预设的候选实体的描述文本输入到预先训练的实体链接模型中，以通过实体链接模型对待链接文本进行编码，得到待链接文本的特征表示，并针对每个候选实体，确定预先确定的该候选实体的描述文本的特征表示与待链接文本的特征表示之间的细粒度交互特征表示，并根据细粒度交互特征表示确定该候选实体为目标链接实体的概率，根据概率，从各候选实体中确定出待链接文本对应的目标链接实体，并根据目标链接实体进行任务执行。
从上述方法可以看出，可以通过实体链接模型，确定候选实体的描述文本的特征表示与待链接文本的特征表示之间的细粒度交互特征表示，以确定候选实体为目标链接实体的概率，从而可以在保留待链接文本与候选实体的描述文本中包含的细粒度信息的同时，提升了实体链接的效率。
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为本说明书中提供的一种实体链接方法的流程示意图；
图2为本说明书中提供的实体链接模型的整体示意图；
图3为本说明书中提供的交互层的示意图；
图4为本说明书中提供的决策层的示意图；
图5为本说明书提供的一种实体链接装置的示意图；
图6为本说明书提供的一种对应于图1的电子设备示意图。
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。
实体链接任务目标是将文本中提到的实体(实体提及，mention)和知识库中保存的实体之间进行对应关联，其中，实体链接任务中往往存在多词同义和一词多义的情况，即，同一个实体可能对应多个不同的实体提及，同一个实体提及也可能对应着不同的实体，而用于区分上述多次同义以及一词多意的信息通常会共同出现在待链接文本的上下文和知识库中保存的实体的描述文本中，因此，在针对待链接文本进行实体链接时，往往需要基于待链接文本和知识库中保存的实体的描述文本之间的细粒度交互信息来进行。
基于此，本说明书中提供了一种实体链接方法，如图1所示。
图1为本说明书中提供的一种实体链接方法的流程示意图，包括以下步骤：
S101：获取待链接文本、待链接文本中包含的各实体提及。
在本说明书中，业务平台可以获取用户输入的待链接文本，并通过预设算法，提取出用户输入的待链接文本中包含的各实体提及，进而可以根据待链接文本、待链接文本中包含的实体提及，从预设的知识库中保存的各实体中确定出待链接文本中包含的各实体提及对应的各链接实体，并根据各链接实体进行下游任务执行。
上述的预设算法可以根据实际需求选用，例如：命名实体识别(Named EntityRecognition,NER)算法等。
上述的下游任务可以为：搜索推荐、问答、知识图谱构建等任务。
在本说明书中，用于实现实体链接方法的执行主体，可以是指由服务器等设置于业务平台中的指定设备，也可以是指诸如台式电脑、笔记本电脑等终端设备，为了便于描述，下面仅以服务器是执行主体为例，对本说明书提供的实体链接方法进行说明。
S102：根据预先确定的实体提及与实体之间的映射关系表，确定所述待链接文本中包含的每个实体提及对应的候选实体。
服务器可以预先获取各样本待链接文本，并通过人工标注的方式，确定各样本待链接文本中包含的各样本实体提及与知识库中保存的各实体之间的对应关系，并根据上述的对应关系，构建实体提及与实体之间的映射关系表。
进一步地，服务器可以根据预先确定的实体提及与实体之间的映射关系表，确定待链接文本中包含的每个实体提及对应的候选实体。
在实际应用场景中，由于上述的实体提及与实体之间的映射关系表是根据预先确定出的样本待链接文本确定出的，所以，仅根据预设映射关系表确定出的各候选实体并不全面，因此，服务器还可以将根据预先确定的实体提及与实体之间的映射关系表，确定出的待链接文本中包含的每个实体提及存在映射关系的实体，作为各第一候选实体，以及，通过预设的最佳匹配算法(Okapi Best Matching 25，BM25)根据待链接文本中包含的每个实体提及与预设的知识库中的每个实体的描述文本之间相关度，确定各第二候选实体，根据第一候选实体和第二候选实体，确定待链接文本中包含的每个实体提及对应的候选实体。
S103：将所述待链接文本、所述待链接文本中包含的各实体提及、预设的所述候选实体的描述文本输入到预先训练的实体链接模型中，以通过所述实体链接模型确定所述待链接文本中包含的每个实体提及的特征表示，以及针对每个候选实体，确定预先确定的该候选实体的描述文本的特征表示与所述各实体提及的特征表示之间的细粒度交互特征表示，并根据所述细粒度交互特征表示确定该候选实体为目标链接实体的概率。
在本说明书中，服务器可以通过实体链接模型确定待链接文本对应的目标链接实体，具体如图2所示。
图2为本说明书中提供的实体链接模型的整体示意图。
结合图2可以看出，上述的实体链接模型可以为双塔模型，包括：第一特征提取层、第二特征提取层、交互层、决策层。其中，服务器可以将待链接文本、待链接文本中包含的各实体提及输入到实体链接模型的第一特征提取层，以通过第一特征提取层针对待链接文本进行编码，得到待链接文本的语义特征表示，以及，通过第一特征提取层针对待链接文本中包含的每个字段进行编码，得到待链接文本的各字段特征表示，作为各第一字段特征表示T1。
需要说明的是，上述的第一特征提取层和第二特征提取层可以为两个双向转换编码模型(Bidirectional Encoder Representation from Transformers，BERT)，并且两个模型的参数互不共享。除此之外，BERT模型在对待链接文本进行编码时，BERT模型会针对待链接文本的每个字段，生成一个用于表征该字段的特征表示，以及，会针对整个待链接文本，生成一个用于表征该带待链接文本的整体语义的语义特征表示[cls]。
另外，服务器可以通过第一特征提取层针对待链接文本中包含的每个实体提及，根据该实体提及在待链接文本中的起始位置的字段特征表示和结束位置的字段特征表示，确定该实体提及的特征表示vm。
具体地，服务器可以通过第一特征提取层针对待链接文本中包含的每个实体提及，将该实体提及在待链接文本中的起始位置的字段特征表示、结束位置的字段特征表示以及待链接文本的语义特征表示进行拼接，并根据拼接后的特征表示输入到第一特征提取层中预设的Dense模块中，以通过Dense模块，得到该实体提及的特征表示。
进一步地，服务器还可以针对每个候选实体，将预设的该候选实体的描述文本输入到预先训练的实体链接模型的第二特征提取层中，以通过第二特征提取层针对描述文本进行编码，得到描述文本的语义特征表示ve，以及，针对描述文本中包含的每个字段进行编码，得到描述文本的各字段特征表示，作为各第二字段特征表示T2。
在实际应用场景中，为了提升线上实体链接的效率，服务器可以通过离线的方式，预先确定出知识库中包含的每个实体的描述文本的语义特征表示以及各字段特征表示。
进一步地，服务器可以针对每个候选实体，根据确定出的待链接文本的第一字段特征表示以及该候选实体的描述文本的第二字段特征表示，确定出该候选实体的描述文本的特征表示与待链接文本的特征表示之间的细粒度交互特征表示，具体如图3所示。
图3为本说明书中提供的交互层的示意图。
结合图3可以看出，服务器可以将各第一字段特征表示T1和各第二字段特征表示T2输入到第一交互层中，以通过第一交互层确定各第一字段特征表示和各第二字段特征表示之间的相似度矩阵，具体可以参考如下公式：
S＝T1*(T2)T
上述公式中，S为各第一字段特征表示T1和各第二字段特征表示T2的相似度矩阵，S中的每个元素Sij为第i个第一字段特征表示和第j个第二字段特征表示/>的内积。
以及，服务器可以将各第一字段特征表示和各第二字段特征表示输入到第二交互层中，以通过第二交互层确定各第一字段特征表示和各第二字段特征表示之间的差异度矩阵，具体可以参考如下公式。
D＝M(T1，(T2))
上述公式中，D为各第一字段特征表示T1和各第二字段特征表示T2的差异度矩阵，D中的每个元素Dij为第i个第一字段特征表示和第j个第二字段特征表示/>的曼哈顿距离。
需要说明的是，为了防止上述的第i个第一字段特征表示和第j个第二字段特征表示/>的内积或者曼哈顿距离过大，服务器还可以将相似度矩阵S以及差异度矩阵D中包含的每个元素除以/>其中，dk为相似度矩阵S以及差异度矩阵D的列数。
除此之外，服务器还可以对相似度矩阵S以及差异度矩阵D中包含的每个元素除以后的值进行归一化处理，得到归一化处理后的相似度矩阵S以及差异度矩阵D。
进一步地，服务器可以根据相似度矩阵和各第一字段特征表示，确定待链接文本的第一细粒度交互特征表示并根据差异度矩阵和各第一字段特征表示，确定待链接文本的第二细粒度交互特征表示/>以及，可以根据相似度矩阵和各第二字段特征表示，确定该候选实体的第一细粒度交互特征表示/>并根据差异度矩阵和各第二字段特征表示，确定该候选实体的第二细粒度交互特征表示/>
进一步地，服务器可以通过实体链接模型的决策层，确定该候选实体为目标链接实体的概率，具体如图4所示。
图4为本说明书中提供的决策层的示意图。
结合图4可以看出，服务器可以将待链接文本的第一细粒度交互特征表示、待链接文本的第二细粒度交互特征表示、待链接文本中包含的每个实体提及的特征表示、该候选实体的第一细粒度交互特征表示、该候选实体的第二细粒度交互特征表示、该候选实体的描述文本的语义特征表示输入到决策层中，以通过决策层将待链接文本的第一细粒度交互特征表示、待链接文本的第二细粒度交互特征表示、待链接文本中包含的每个实体提及的特征表示、该候选实体的第一细粒度交互特征表示、该候选实体的第二细粒度交互特征表示、该候选实体的描述文本的语义特征表示拼接后的特征表示传输到Dense模块，并依次通过Dense模块、Dropout模块、Sigmoid模块，得到该候选实体为目标链接实体的概率。
值得说明的是，上述的实体链接模型需要在经过训练后方可部署到服务器中以进行任务执行，其中，上述的实体链接模型的训练方法可以为，服务器可以获取样本文本集合、待训练实体链接模型，针对样本文本集合中包含的每个样本文本，获取该样本文本中包含的各实体提及，以及获取该样本文本中包含的各实体提及对应的各链接实体，作为正样本，以及，确定与该样本文本中包含的各实体提及相似的各描述文本对应的各实体中除各实体提及对应的各链接实体之外的其他实体，作为负样本，将该样本文本，该样本文本中包含的各实体提及、正样本的描述文本或负样本的描述文本输入到待训练实体链接模型中，以通过待训练实体链接模型对样本文本进行编码，得到样本文本的特征表示，并确定预先确定的正样本或负样本的描述文本的特征表示与样本文本的特征表示之间的样本细粒度交互特征表示，并根据样本细粒度交互特征表示确定正样本或负样本为该样本文本的链接实体的概率。
需要说明的是，服务器确定各负样本的方法可以为，针对每个实体提及，通过指定算法确定该实体提及相似的各描述文本对应的各实体，作为该实体提及对应的各候选负样本，进而可以从该实体提及对应的各候选负样本中筛选出除该实体提及对应的各链接实体之外的其他实体，作为负样本，这里的指定算法可以为BM25算法。
从上述内容中可以看出，服务器可以通过将容易与每个实体提及对应的各链接实体混淆的其他实体作为负样本，从而可以提升训练得到的实体链接模型的输出结果的准确率。
进一步地，服务器可以以最小化正样本的或负样本为该样本文本的链接实体的概率与正样本的或负样本的标注结果之间偏差为优化目标，对待训练实体链接模型进行训练，得到训练后的实体链接模型，具体可以参考如下公式。
loss＝-ylogp-(1-y)log(1-p)
上述公式中，y是标注结果，p表示决策层的输出的正样本或负样本为样本文本的链接实体的概率。
S104：根据所述概率，从各候选实体中确定出所述待链接文本对应的目标链接实体，并根据所述目标链接实体进行任务执行。
进一步地，服务器可以根据每个候选实体为与待链接文本中包含的各实体提及之间存在对应关系的目标链接实体的概率是否为最大值或是否超过预设阈值，从从各候选实体中确定出待链接文本对应的目标链接实体，并根据目标链接实体进行任务执行。
从上述方法可以看出，服务器可以通过实体链接模型中包含的第一特征提取层、第二特征提取层，确定候选实体的描述文本的特征表示与待链接文本的特征表示之间的细粒度交互特征表示，以确定候选实体为目标链接实体的概率，从而可以在保留待链接文本与候选实体的描述文本中包含的细粒度信息的同时，保证了实体链接的速度。
以上为本说明书的一个或多个实施实体链接方法，基于同样的思路，本说明书还提供了相应的实体链接装置，如图5所示。
图5为本说明书提供的一种实体链接装置的示意图，包括：
获取模块501，用于获取待链接文本、待链接文本中包含的各实体提及；
筛选模块502，用于根据预先确定的实体提及与实体之间的映射关系表，确定所述待链接文本中包含的每个实体提及对应的候选实体；
确定模块503，用于将所述待链接文本、所述待链接文本中包含的各实体提及、预设的所述候选实体的描述文本输入到预先训练的实体链接模型中，以通过所述实体链接模型对所述待链接文本进行编码，得到所述待链接文本的特征表示，并针对每个候选实体，确定预先确定的该候选实体的描述文本的特征表示与所述待链接文本的特征表示之间的细粒度交互特征表示，并根据所述细粒度交互特征表示确定该候选实体为目标链接实体的概率；
执行模块504，用于根据所述概率，从各候选实体中确定出所述待链接文本对应的目标链接实体，并根据所述目标链接实体进行任务执行。
可选地，所述筛选模块502具体用于，根据预先确定的实体提及与实体之间的映射关系表，确定所述待链接文本中包含的每个实体提及存在映射关系的实体，作为各第一候选实体；以及根据所述待链接文本中包含的每个实体提及与预设的知识库中的每个实体的描述文本之间相关度，确定各第二候选实体；根据所述第一候选实体和所述第二候选实体，确定所述待链接文本中包含的每个实体提及对应的候选实体。
可选地，所述装置还包括：训练模块505；
所述训练模块505具体用于，获取样本文本集合、待训练实体链接模型；针对所述样本文本集合中包含的每个样本文本，获取该样本文本中包含的各实体提及，以及获取该样本文本中包含的各实体提及对应的各链接实体，作为正样本；确定与该样本文本中包含的各实体提及相似的各描述文本对应的各实体中除各实体提及对应的各链接实体之外的其他实体，作为负样本；将该样本文本，该样本文本中包含的各实体提及、所述正样本的描述文本或所述负样本的描述文本输入到所述待训练实体链接模型中，以通过所述待训练实体链接模型对所述样本文本进行编码，得到所述样本文本的特征表示，并确定预先确定的所述正样本或所述负样本的描述文本的特征表示与所述样本文本的特征表示之间的样本细粒度交互特征表示，并根据所述样本细粒度交互特征表示确定所述正样本或所述负样本为该样本文本的链接实体的概率；以最小化所述正样本的或所述负样本为该样本文本的链接实体的概率与所述正样本的或所述负样本的标注结果之间偏差为优化目标，对所述待训练实体链接模型进行训练，得到训练后的实体链接模型。
可选地，所述实体链接模型包括：第一特征提取层；
所述确定模块503具体用于，将所述待链接文本、所述待链接文本中包含的各实体提及输入到所述实体链接模型的所述第一特征提取层，以通过所述第一特征提取层针对所述待链接文本进行编码，得到所述待链接文本的语义特征表示，以及，通过所述第一特征提取层针对所述待链接文本中包含的每个字段进行编码，得到所述待链接文本的各字段特征表示，作为各第一字段特征表示；通过所述第一特征提取层针对所述待链接文本中包含的每个实体提及，根据该实体提及在所述待链接文本中的起始位置的字段特征表示和结束位置的字段特征表示，确定该实体提及的特征表示。
可选地，所述实体链接模型包括：第二特征提取层；
所述确定模块503具体用于，针对每个候选实体，将预设的该候选实体的描述文本输入到预先训练的实体链接模型的所述第二特征提取层中，以通过所述第二特征提取层针对所述描述文本进行编码，得到所述描述文本的语义特征表示，以及，针对所述描述文本中包含的每个字段进行编码，得到所述描述文本的各字段特征表示，作为各第二字段特征表示。
可选地，所述实体链接模型还包括：第一交互层、第二交互层；
所述确定模块503具体用于，将所述各第一字段特征表示和所述各第二字段特征表示输入到所述第一交互层中，以通过所述第一交互层确定所述各第一字段特征表示和所述各第二字段特征表示之间的相似度矩阵；以及将所述各第一字段特征表示和所述各第二字段特征表示输入到所述第二交互层中，以通过所述第二交互层确定所述各第一字段特征表示和所述各第二字段特征表示之间的差异度矩阵；根据所述相似度矩阵和所述各第一字段特征表示，确定所述待链接文本的第一细粒度交互特征表示，并根据所述差异度矩阵和所述各第一字段特征表示，确定所述待链接文本的第二细粒度交互特征表示；以及根据所述相似度矩阵和所述各第二字段特征表示，确定该候选实体的第一细粒度交互特征表示，并根据所述差异度矩阵和所述各第二字段特征表示，确定该候选实体的第二细粒度交互特征表示。
可选地，所述实体链接模型还包括：决策层；
所述确定模块503具体用于，将所述待链接文本的第一细粒度交互特征表示、所述待链接文本的第二细粒度交互特征表示、所述待链接文本中包含的每个实体提及的特征表示、该候选实体的第一细粒度交互特征表示、该候选实体的第二细粒度交互特征表示、该候选实体的所述描述文本的语义特征表示输入到所述决策层中，以通过所述决策层，确定该候选实体为目标链接实体的概率。
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提供的一种实体链接方法。
本说明书还提供了图6所示的一种对应于图1的电子设备的示意结构图。如图6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所述的实体链接方法。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。
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(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array，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系统“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(logiccompiler)”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 DescriptionLanguage，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java HardwareDescription Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware DescriptionLanguage)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated CircuitHardware 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。
上述实施例阐明的系统、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、系统、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(系统)、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、系统或计算机程序产品。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，对于系统实施例而言，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 (10)
1.一种实体链接方法，其特征在于，包括：
获取待链接文本、待链接文本中包含的各实体提及；
根据预先确定的实体提及与实体之间的映射关系表，确定所述待链接文本中包含的每个实体提及对应的候选实体；
将所述待链接文本、所述待链接文本中包含的各实体提及、预设的所述候选实体的描述文本输入到预先训练的实体链接模型中，以通过所述实体链接模型对所述待链接文本进行编码，得到所述待链接文本的特征表示，并针对每个候选实体，确定预先确定的该候选实体的描述文本的特征表示与所述待链接文本的特征表示之间的细粒度交互特征表示，并根据所述细粒度交互特征表示确定该候选实体为目标链接实体的概率；
根据所述概率，从各候选实体中确定出所述待链接文本对应的目标链接实体，并根据所述目标链接实体进行任务执行。
2.如权利要求1所述的方法，其特征在于，根据预先确定的实体提及与实体之间的映射关系表，确定所述待链接文本中包含的每个实体提及对应的候选实体，具体包括：
根据预先确定的实体提及与实体之间的映射关系表，确定所述待链接文本中包含的每个实体提及存在映射关系的实体，作为各第一候选实体；以及
根据所述待链接文本中包含的每个实体提及与预设的知识库中的每个实体的描述文本之间相关度，确定各第二候选实体；
根据所述第一候选实体和所述第二候选实体，确定所述待链接文本中包含的每个实体提及对应的候选实体。
3.如权利要求1所述的方法，其特征在于，训练所述实体链接模型，具体包括：
获取样本文本集合、待训练实体链接模型；
针对所述样本文本集合中包含的每个样本文本，获取该样本文本中包含的各实体提及，并获取该样本文本中包含的各实体提及对应的各链接实体，作为正样本；以及
确定与该样本文本中包含的各实体提及相似的各描述文本对应的各实体中除各实体提及对应的各链接实体之外的其他实体，作为负样本；
将该样本文本，该样本文本中包含的各实体提及、所述正样本的描述文本或所述负样本的描述文本输入到所述待训练实体链接模型中，以通过所述待训练实体链接模型对所述样本文本进行编码，得到所述样本文本的特征表示，并确定预先确定的所述正样本或所述负样本的描述文本的特征表示与所述样本文本的特征表示之间的样本细粒度交互特征表示，并根据所述样本细粒度交互特征表示确定所述正样本或所述负样本为该样本文本的链接实体的概率；
以最小化所述正样本的或所述负样本为该样本文本的链接实体的概率与所述正样本的或所述负样本的标注结果之间偏差为优化目标，对所述待训练实体链接模型进行训练，得到训练后的实体链接模型。
4.如权利要求1所述的方法，其特征在于，所述实体链接模型包括：第一特征提取层；
将所述待链接文本、所述待链接文本中包含的各实体提及输入到预先训练的实体链接模型中，具体包括：
将所述待链接文本、所述待链接文本中包含的各实体提及输入到所述实体链接模型的所述第一特征提取层，以通过所述第一特征提取层针对所述待链接文本进行编码，得到所述待链接文本的语义特征表示，以及，通过所述第一特征提取层针对所述待链接文本中包含的每个字段进行编码，得到所述待链接文本的各字段特征表示，作为各第一字段特征表示；
通过所述第一特征提取层针对所述待链接文本中包含的每个实体提及，根据该实体提及在所述待链接文本中的起始位置的字段特征表示和结束位置的字段特征表示，确定该实体提及的特征表示。
5.如权利要求4所述的方法，其特征在于，所述实体链接模型包括：第二特征提取层；
将预设的所述候选实体的描述文本输入到预先训练的实体链接模型中，具体包括：
针对每个候选实体，将预设的该候选实体的描述文本输入到预先训练的实体链接模型的所述第二特征提取层中，以通过所述第二特征提取层针对所述描述文本进行编码，得到所述描述文本的语义特征表示，以及，针对所述描述文本中包含的每个字段进行编码，得到所述描述文本的各字段特征表示，作为各第二字段特征表示。
6.如权利要求5所述的方法，其特征在于，所述实体链接模型还包括：第一交互层、第二交互层；
针对每个候选实体，确定预先确定的该候选实体的描述文本的特征表示与所述待链接文本的特征表示之间的细粒度交互特征表示，具体包括：
将所述各第一字段特征表示和所述各第二字段特征表示输入到所述第一交互层中，以通过所述第一交互层确定所述各第一字段特征表示和所述各第二字段特征表示之间的相似度矩阵；以及
将所述各第一字段特征表示和所述各第二字段特征表示输入到所述第二交互层中，以通过所述第二交互层确定所述各第一字段特征表示和所述各第二字段特征表示之间的差异度矩阵；
根据所述相似度矩阵和所述各第一字段特征表示，确定所述待链接文本的第一细粒度交互特征表示，并根据所述差异度矩阵和所述各第一字段特征表示，确定所述待链接文本的第二细粒度交互特征表示；以及
根据所述相似度矩阵和所述各第二字段特征表示，确定该候选实体的第一细粒度交互特征表示，并根据所述差异度矩阵和所述各第二字段特征表示，确定该候选实体的第二细粒度交互特征表示。
7.如权利要求6所述的方法，其特征在于，所述实体链接模型还包括：决策层；
根据所述细粒度交互特征表示确定该候选实体为目标链接实体的概率，具体包括：
将所述待链接文本的第一细粒度交互特征表示、所述待链接文本的第二细粒度交互特征表示、所述待链接文本中包含的每个实体提及的特征表示、该候选实体的第一细粒度交互特征表示、该候选实体的第二细粒度交互特征表示、该候选实体的所述描述文本的语义特征表示输入到所述决策层中，以通过所述决策层，确定该候选实体为目标链接实体的概率。
8.一种实体链接装置，其特征在于，包括：
获取模块，用于获取待链接文本、待链接文本中包含的各实体提及；
筛选模块，用于根据预先确定的实体提及与实体之间的映射关系表，确定所述待链接文本中包含的每个实体提及对应的候选实体；
确定模块，用于将所述待链接文本、所述待链接文本中包含的各实体提及、预设的所述候选实体的描述文本输入到预先训练的实体链接模型中，以通过所述实体链接模型对所述待链接文本进行编码，得到所述待链接文本的特征表示，并针对每个候选实体，确定预先确定的该候选实体的描述文本的特征表示与所述待链接文本的特征表示之间的细粒度交互特征表示，并根据所述细粒度交互特征表示确定该候选实体为目标链接实体的概率；
执行模块，用于根据所述概率，从各候选实体中确定出所述待链接文本对应的目标链接实体，并根据所述目标链接实体进行任务执行。
9.一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1～7任一项所述的方法。
10.一种电子设备，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1～7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311153257.6A CN117171346A (zh) | 2023-09-07 | 2023-09-07 | 一种实体链接方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311153257.6A CN117171346A (zh) | 2023-09-07 | 2023-09-07 | 一种实体链接方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117171346A true CN117171346A (zh) | 2023-12-05 |
Family
ID=88929590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311153257.6A Pending CN117171346A (zh) | 2023-09-07 | 2023-09-07 | 一种实体链接方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117171346A (zh) |
-
2023
- 2023-09-07 CN CN202311153257.6A patent/CN117171346A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116227474B (zh) | 一种对抗文本的生成方法、装置、存储介质及电子设备 | |
| CN113221555B (zh) | 一种基于多任务模型的关键词识别方法、装置及设备 | |
| CN117076650B (zh) | 一种基于大语言模型的智能对话方法、装置、介质及设备 | |
| CN117591661A (zh) | 一种基于大语言模型的问答数据构建方法及装置 | |
| CN112417093B (zh) | 一种模型训练的方法及装置 | |
| CN117828360A (zh) | 一种模型训练、代码生成方法、装置、存储介质及设备 | |
| CN117034942B (zh) | 一种命名实体识别方法、装置、设备及可读存储介质 | |
| CN117332282B (zh) | 一种基于知识图谱的事件匹配的方法及装置 | |
| CN116578877B (zh) | 一种模型训练及二次优化打标的风险识别的方法及装置 | |
| CN116127328B (zh) | 一种对话状态识别模型的训练方法、装置、介质及设备 | |
| CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
| CN117786107A (zh) | 一种文本分类模型的训练方法、装置、介质及电子设备 | |
| CN117171346A (zh) | 一种实体链接方法、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 | |
| CN116186330A (zh) | 一种基于多模态学习的视频去重方法及装置 | |
| CN116451808B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN116501852B (zh) | 一种可控对话模型训练方法、装置、存储介质及电子设备 | |
| CN118193757B (zh) | 一种任务执行方法、装置、存储介质及电子设备 | |
| CN117992600B (zh) | 一种业务执行方法、装置、存储介质以及电子设备 | |
| CN117573849B (zh) | 一种知识图谱多跳问答方法、装置、设备及存储介质 | |
| CN117494068B (zh) | 一种结合深度学习与因果推断的网络舆情分析方法及装置 | |
| CN117271611B (zh) | 一种基于大模型的信息检索方法、装置及设备 | |
| CN118969016A (zh) | 一种语音模型训练方法、装置、存储介质及电子设备 | |
| CN118194949A (zh) | 一种关键句提取模型的训练方法、装置及存储介质 | |
| CN117743824A (zh) | 一种模型训练、业务执行方法、装置、存储介质及设备 |
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 |