结合RPA和AI的实体关系挖掘方法、装置、电子设备及介质制造方法及图纸

本公开提出一种结合RPA和AI的实体关系挖掘方法、装置、电子设备及介质，应用于自然语言处理(Natural Language Processing，NLP)，该方法包括采用机器人流程自动化RPA方法获取多个测试实体；确定与多个测试实体分别对应的多个初始测试实体表示；结合人工智能AI分别对多个初始测试实体表示进行调整处理，得到多个目标测试实体表示；采用RPA方法将多个目标测试实体表示分别输入人工智能AI中的知识推理模型中，得到知识推理模型预测得到的部分测试实体之间的预测实体关系。在利用人工智能AI结合机器人流程自动化RPA预测实体关系时，能够有效提升实体关系挖掘的效率和智能化程度，能够准确地预测得到部分测试实体之间的实体关系，能够有效地拓展实体关系挖掘方法的适用性。能够有效地拓展实体关系挖掘方法的适用性。能够有效地拓展实体关系挖掘方法的适用性。

【技术实现步骤摘要】
结合RPA和AI的实体关系挖掘方法、装置、电子设备及介质


[0001]本公开涉及计算机技术
，应用于自然语言处理(Natural Language Processing，NLP)，尤其涉及一种结合RPA(Robotic Process Automation，机器人流程自动化)和AI(Artificial Intelligence，人工智能)的实体关系挖掘方法、装置、电子设备及介质。

技术介绍

[0002]机器人流程自动化(Robotic Process Automation)简称RPA，是通过特定的“机器人软件”，模拟人在计算机上的操作，按规则自动执行流程任务。
[0003]人工智能(Artificial Intelligence，AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。
[0004]相关技术中，在挖掘实体关系时，会由于样本实体缺乏以及样本过于稀疏，导致样本实体的学习局限于某领域，影响知识推理模型(该知识推理模型用于预测实体关系)的适用范围较窄，导致测试样本之间的实体关系挖掘效果不佳。

技术实现思路

[0005]本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
[0006]为此，本公开的目的在于提出一种结合RPA和AI的实体关系挖掘方法、装置、电子设备及介质，在利用人工智能AI结合机器人流程自动化RPA预测实体关系时，能够有效提升实体关系挖掘的效率和智能化程度，并且，由于知识推理模型，是采用稀疏样本实体和与稀疏样本实体对应的样本实体关系，结合人工智能AI的元学习方法训练得到的，能够有效地避免样本实体缺乏以及样本过于稀疏对知识推理模型的挖掘效果的影响，从而能够准确地预测得到部分测试实体之间的实体关系，能够有效地拓展实体关系挖掘方法的适用性。
[0007]为达到上述目的，本公开第一方面实施例提出的结合RPA和AI的实体关系挖掘方法，应用于自然语言处理(Natural Language Processing，NLP)，包括：采用机器人流程自动化RPA方法获取多个测试实体；采用RPA方法确定与多个测试实体分别对应的多个初始测试实体表示；采用RPA方法结合人工智能AI，分别对多个初始测试实体表示进行调整处理，以得到多个目标测试实体表示；以及采用RPA方法，将多个目标测试实体表示分别输入至人工智能AI中的知识推理模型之中，以得到知识推理模型预测得到的部分测试实体之间的预测实体关系；其中，知识推理模型，是采用稀疏样本实体和与稀疏样本实体对应的样本实体关系，结合人工智能AI的元学习方法训练得到的。
[0008]本公开第一方面实施例提出的结合RPA和AI的实体关系挖掘方法，采用机器人流程自动化RPA方法获取多个测试实体，采用RPA方法确定与多个测试实体分别对应的多个初始测试实体表示，采用RPA方法结合人工智能AI，分别对多个初始测试实体表示进行调整处理，以得到多个目标测试实体表示，以及采用RPA方法，将多个目标测试实体表示分别输入至人工智能AI中的知识推理模型之中，以得到知识推理模型预测得到的部分测试实体之间
的预测实体关系，在利用人工智能AI结合机器人流程自动化RPA预测实体关系时，能够有效提升实体关系挖掘的效率和智能化程度，并且，由于知识推理模型，是采用稀疏样本实体和与稀疏样本实体对应的样本实体关系，结合人工智能AI的元学习方法训练得到的，能够有效地避免样本实体缺乏以及样本过于稀疏对知识推理模型的挖掘效果的影响，从而能够准确地预测得到部分测试实体之间的实体关系，能够有效地拓展实体关系挖掘方法的适用性。
[0009]为达到上述目的，本公开第二方面实施例提出的结合RPA和AI的实体关系挖掘装置，应用于自然语言处理(Natural Language Processing，NLP)，包括：第一获取模块，用于采用机器人流程自动化RPA方法获取多个测试实体；确定模块，用于采用RPA方法确定与多个测试实体分别对应的多个初始测试实体表示；第一处理模块，用于采用RPA方法结合人工智能AI，分别对多个初始测试实体表示进行调整处理，以得到多个目标测试实体表示；以及预测模块，用于采用RPA方法，将多个目标测试实体表示分别输入至人工智能AI中的知识推理模型之中，以得到知识推理模型预测得到的部分测试实体之间的预测实体关系；其中，知识推理模型，是采用稀疏样本实体和与稀疏样本实体对应的样本实体关系，结合人工智能AI的元学习方法训练得到的。
[0010]本公开第二方面实施例提出的结合RPA和AI的实体关系挖掘装置，采用机器人流程自动化RPA方法获取多个测试实体，采用RPA方法确定与多个测试实体分别对应的多个初始测试实体表示，采用RPA方法结合人工智能AI，分别对多个初始测试实体表示进行调整处理，以得到多个目标测试实体表示，以及采用RPA方法，将多个目标测试实体表示分别输入至人工智能AI中的知识推理模型之中，以得到知识推理模型预测得到的部分测试实体之间的预测实体关系，在利用人工智能AI结合机器人流程自动化RPA预测实体关系时，能够有效提升实体关系挖掘的效率和智能化程度，并且，由于知识推理模型，是采用稀疏样本实体和与稀疏样本实体对应的样本实体关系，结合人工智能AI的元学习方法训练得到的，能够有效地避免样本实体缺乏以及样本过于稀疏对知识推理模型的挖掘效果的影响，从而能够准确地预测得到部分测试实体之间的实体关系，能够有效地拓展实体关系挖掘方法的适用性。
[0011]为达到上述目的，本公开第三方面实施例提出的电子设备，包括：至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行本公开第一方面实施例提出的结合RPA和AI的实体关系挖掘方法。
[0012]本公开第三方面实施例提出的电子设备，采用机器人流程自动化RPA方法获取多个测试实体，采用RPA方法确定与多个测试实体分别对应的多个初始测试实体表示，采用RPA方法结合人工智能AI，分别对多个初始测试实体表示进行调整处理，以得到多个目标测试实体表示，以及采用RPA方法，将多个目标测试实体表示分别输入至人工智能AI中的知识推理模型之中，以得到知识推理模型预测得到的部分测试实体之间的预测实体关系，在利用人工智能AI结合机器人流程自动化RPA预测实体关系时，能够有效提升实体关系挖掘的效率和智能化程度，并且，由于知识推理模型，是采用稀疏样本实体和与稀疏样本实体对应的样本实体关系，结合人工智能AI的元学习方法训练得到的，能够有效地避免样本实体缺乏以及样本过于稀疏对知识推理模型的挖掘效果的影响，从而能够准确地预测得到部分测
试实体之间的实体关系，能够有效地拓展实体关系挖掘方法的适用性。
[0013]为达到上述目的，本公开第四方面实施例提出的计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现本公开第一方面实施例提出的结合RPA和AI的实体关系挖掘方法。
[001本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合RPA和AI的实体关系挖掘方法，其特征在于，应用于自然语言处理NLP，所述方法包括：采用机器人流程自动化RPA方法获取多个测试实体；采用所述RPA方法确定与所述多个测试实体分别对应的多个初始测试实体表示；采用所述RPA方法结合人工智能AI，分别对所述多个初始测试实体表示进行调整处理，以得到多个目标测试实体表示；以及采用所述RPA方法，将所述多个目标测试实体表示分别输入至所述人工智能AI中的知识推理模型之中，以得到所述知识推理模型预测得到的部分所述测试实体之间的预测实体关系；其中，所述知识推理模型，是采用稀疏样本实体和与所述稀疏样本实体对应的样本实体关系，结合所述人工智能AI的元学习方法训练得到的。2.如权利要求1所述的方法，其特征在于，所述知识推理模型包括：实体关系表示预训练模型，其中，所述采用所述RPA方法确定与所述多个测试实体分别对应的多个初始测试实体表示，包括：采用所述RPA方法结合所述实体关系表示预训练模型，确定与所述多个测试实体分别对应的多个测试实体表示向量；采用所述RPA方法，确定与所述多个测试实体分别对应的多个实体关系表示向量，其中，所述实体关系表示向量，是所述测试实体映射于支撑集中的样本实体关系的向量表示；将所述多个测试实体表示向量和相应所述多个实体关系表示向量作为所述多个初始测试实体表示。3.如权利要求2所述的方法，其特征在于，所述知识推理模型还包括：与所述实体关系表示预训练模型相连接的实体表示学习模型；其中，预先采用所述稀疏样本实体，和与所述稀疏样本实体对应的样本实体关系、所述支撑集中与所述样本实体关系对应的向量表示，以及所述支撑集中与所述样本实体关系对应的一个或者多个样本实体，结合所述人工智能AI的元学习方法训练初始的元学习模型，直至所述元学习模型收敛，将训练得到的所述元学习模型作为所述实体表示学习模型。4.如权利要求3所述的方法，其特征在于，所述采用所述RPA方法，确定与所述多个测试实体分别对应的多个实体关系表示向量，包括：采用所述RPA方法，确定与所述多个测试实体之间的已有实体关系；在所述支撑集中确定与所述已有实体关系对应的样本实体关系；确定与所述样本实体关系相关的至少一组三元实体组，所述三元实体组包括：三元的样本实体；确定所述三元的样本实体之间的样本实体关系对应的向量表示作为所述实体关系表示向量。5.如权利要求4所述的方法，其特征在于，所述实体表示学习模型包括：全连接层，其中，所述采用所述RPA方法结合人工智能AI，分别对所述多个初始测试实体表示进行调整处理，以得到多个目标测试实体表示，包括：采用所述RPA方法结合所述实体表示学习模型，从所述三元的样本实体中提取出宾语
类型实体；确定与所述宾语类型实体对应的宾语表示向量；对所述多个实体关系表示向量和相应多个所述宾语表示向量进行拼接处理，以得到多个融合表示向量；将所述多个融合表示向量分别输入至所述全连接层之中，以得到所述全连接层输出的多个目标表示向量；将所述多个测试实体表示向量和所述多个目标表示向量，共同作为所述多个目标测试实体表示。6.如权利要求5所述的方法，其特征在于，所述知识推理模型还包括：与所述实体表示学习模型相连接的匹配模型；其中，所述采用所述RPA方法，将所述多个目标测试实体表示分别输入至所述人工智能AI中的知识推理模型之中，以得到所述知识推理模型预测得到的部分所述测试实体之间的预测实体关系，包括：采用所述RPA方法，将所述多个测试实体表示向量和相应所述多个目标表示向量分别输入至所述匹配模型之中，以得到所述匹配模型输出的多个候选实体关系；分别确定所述多个候选实体关系与所述支撑集中的样本实体关系之间的多个相似度值；从所述多个相似度值之中选取最大相似度值所属的候选实体关系作为所述预测实体关系。7.如权利要求3所述的方法，其特征在于，所述方法还包括：采用所述RPA方法，获取稀疏样本实体和与所述稀疏样本实体对应的样本实体关系；采用所述人工智能AI方法，对所述稀疏样本实体和所述样本实体关系进行预处理；采用所述RPA方法，根据预处理后的所述稀疏样本实体和所述对应的样本实体关系构建所述支撑集。8.如权利要求7所述的方法，其特征在于，所述采用所述人工智能AI方法，对所述稀疏样本实体和所述样本实体关系进行预处理，包括：采用所述人工智能AI方法确定所述稀疏样本实体对应形成的多个样本三元组，并对所述多个样本三元组进行去重处理，所述样本三元组中的样本实体之间对应所述样本实体关系；和/或采用所述人工智能AI方法对所述稀疏样本实体进行分词处理得到多个样本实体词，并分别从所述多个样本实体词中截取得到目标样本实体；和/或采用所述人工智能AI方法对所述样本实体关系进行分词处理得到多个样本实体关系词，并分别从所述多个样本实体关系词中截取得到目标样本实体关系；和/或采用所述人工智能AI方法对所述稀疏样本实体和所述样本实体关系进行聚类和归一化处理；和/或采用所述人工智能AI方法对所述稀疏样本实体和所述样本实体关系进行去噪处理。9.如权利要求8所述的方法，其特征在于，所述采用所述RPA方法，根据预处理后的所述稀疏样本实体和所述对应的样本实体关系构建所述支撑集，包括：采用所述RPA方法从所述稀疏样本实体之中选取出部分主语样本实体，所述主语样本
实体在所述样本三元组中出现的次数大于次数阈值；根据所述部分主语样本实体，以及与各所述主语样本实体对应的样本实体关系构建所述支撑集。10.一种结合RPA和AI的实体关系挖掘装置，其特征在于，应用于自然语言处理N...

【专利技术属性】
技术研发人员：于孟萱，张晓庆，汪冠春，胡一川，褚瑞，李玮，
申请(专利权)人：来也科技北京有限公司，
类型：发明
国别省市：