信息抽取及模型获取方法、装置、电子设备及存储介质制造方法及图纸

本公开提供了信息抽取及模型获取方法、装置、电子设备及存储介质，涉及深度学习、自然语言处理以及知识图谱等人工智能领域。其中的信息抽取方法可包括：针对待处理文本，利用预先训练得到的第一模型构建出第一序列对应的三维矩阵，第一序列为根据待处理文本生成的序列，三维矩阵中包括第一序列中的任意两个字符在预定的C种不同关系类型上的依赖性，C为大于一的正整数，所述关系类型包括不同的实体类型以及不同的分面类型，所述两个字符包括相同字符及不同字符，根据三维矩阵确定出从待处理文本中抽取出的核心实体及分面信息。应用本公开所述方案，可降低实现复杂度及提升信息抽取速度等。度等。度等。

【技术实现步骤摘要】
信息抽取及模型获取方法、装置、电子设备及存储介质


[0001]本公开涉及人工智能
，特别涉及深度学习、自然语言处理以及知识图谱等领域的信息抽取及模型获取方法、装置、电子设备及存储介质。

技术介绍

[0002]很多场景下，针对给定的文本，需要进行核心实体及分面信息的抽取，如在检索场景下，通过进行核心实体及分面信息抽取，可提升检索结果的准确性等。

技术实现思路

[0003]本公开提供了信息抽取及模型获取方法、装置、电子设备及存储介质。
[0004]一种信息抽取方法，包括：
[0005]针对待处理文本，利用预先训练得到的第一模型构建出第一序列对应的三维矩阵，所述第一序列为根据所述待处理文本生成的序列，所述三维矩阵中包括所述第一序列中的任意两个字符在预定的C种不同关系类型上的依赖性，C为大于一的正整数，所述关系类型包括不同的实体类型以及不同的分面类型，所述两个字符包括相同字符及不同字符；
[0006]根据所述三维矩阵确定出从所述待处理文本中抽取出的核心实体及分面信息。
[0007]一种模型获取方法，包括：
[0008]获取训练数据，所述训练数据中包括：文本、从所述文本中抽取出的核心实体、核心实体的类型以及至少一个核心实体对应的分面信息；
[0009]利用所述训练数据训练第一模型，用于所述第一模型学习到第一序列对应的三维矩阵的构建方式，所述三维矩阵中包括所述第一序列中的任意两个字符在预定的C种不同关系类型上的依赖性，C为大于一的正整数，所述关系类型包括不同的实体类型以及不同的分面类型，所述第一序列为根据任意的待处理文本生成的序列，所述两个字符包括相同字符及不同字符，所述三维矩阵用于确定出从所述待处理文本中抽取出的核心实体及分面信息。
[0010]一种信息抽取装置，包括：矩阵构建模块以及信息抽取模块；
[0011]所述矩阵构建模块，用于针对待处理文本，利用预先训练得到的第一模型构建出第一序列对应的三维矩阵，所述第一序列为根据所述待处理文本生成的序列，所述三维矩阵中包括所述第一序列中的任意两个字符在预定的C种不同关系类型上的依赖性，C为大于一的正整数，所述关系类型包括不同的实体类型以及不同的分面类型，所述两个字符包括相同字符及不同字符；
[0012]所述信息抽取模块，用于根据所述三维矩阵确定出从所述待处理文本中抽取出的核心实体及分面信息。
[0013]一种模型获取装置，包括：数据获取模块以及模型训练模块；
[0014]所述数据获取模块，用于获取训练数据，所述训练数据中包括：文本、从所述文本中抽取出的核心实体、核心实体的类型以及至少一个核心实体对应的分面信息；
[0015]所述模型训练模块，用于利用所述训练数据训练第一模型，用于所述第一模型学习到第一序列对应的三维矩阵的构建方式，所述三维矩阵中包括所述第一序列中的任意两个字符在预定的C种不同关系类型上的依赖性，C为大于一的正整数，所述关系类型包括不同的实体类型以及不同的分面类型，所述第一序列为根据任意的待处理文本生成的序列，所述两个字符包括相同字符及不同字符，所述三维矩阵用于确定出从所述待处理文本中抽取出的核心实体及分面信息。
[0016]一种电子设备，包括：
[0017]至少一个处理器；以及
[0018]与所述至少一个处理器通信连接的存储器；其中，
[0019]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以上所述的方法。
[0020]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计算机执行如以上所述的方法。
[0021]一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如以上所述的方法。
[0022]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
[0023]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0024]图1为本公开所述信息抽取方法实施例的流程图；
[0025]图2为本公开所述二维矩阵的示意图；
[0026]图3为本公开所述“*迪R#7”这一实体对应的待处理矩阵(二维矩阵)的示意图；
[0027]图4为本公开所述“汽车”这一实体对应的待处理矩阵的示意图；
[0028]图5为本公开所述“颜色搭配”这一实体对应的待处理矩阵的示意图；
[0029]图6为本公开所述“颜色搭配”这一分面信息对应的待处理矩阵的示意图；
[0030]图7为本公开所述模型获取方法实施例的流程图；
[0031]图8为本公开所述信息抽取装置实施例800的组成结构示意图；
[0032]图9为本公开所述模型获取装置实施例900的组成结构示意图；
[0033]图10示出了可以用来实施本公开的实施例的电子设备1000的示意性框图。
具体实施方式
[0034]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。
[0035]另外，应理解，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。
[0036]图1为本公开所述信息抽取方法实施例的流程图。如图1所示，包括以下具体实现方式。
[0037]在步骤101中，针对待处理文本，利用预先训练得到的第一模型构建出第一序列对应的三维矩阵，第一序列为根据待处理文本生成的序列，三维矩阵中包括第一序列中的任意两个字符(token)在预定的C种不同关系类型上的依赖性，C为大于一的正整数，所述关系类型包括不同的实体类型以及不同的分面类型，所述两个字符包括相同字符及不同字符。
[0038]在步骤102中，根据三维矩阵确定出从待处理文本中抽取出的核心实体及分面信息。
[0039]实体的分面信息即指实体的属性信息或关注点信息等。
[0040]传统的抽取方式中，通常采用两个独立的策略模型分别进行实体抽取以及实体
‑
分面对(pair)抽取，进而将两部分策略模型抽取出的内容进行合并取交集等，以得到最终所需的核心实体及分面信息。
[0041]其中，第一部分策略模型可由命名实体识别(NER，Named Entity Recognition)抽取模型以及NER排序模型两部分串联组成，NER抽取模型用于产出NER抽取列表，NER排序模型用于对N本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息抽取方法，包括：针对待处理文本，利用预先训练得到的第一模型构建出第一序列对应的三维矩阵，所述第一序列为根据所述待处理文本生成的序列，所述三维矩阵中包括所述第一序列中的任意两个字符在预定的C种不同关系类型上的依赖性，C为大于一的正整数，所述关系类型包括不同的实体类型以及不同的分面类型，所述两个字符包括相同字符及不同字符；根据所述三维矩阵确定出从所述待处理文本中抽取出的核心实体及分面信息。2.根据权利要求1所述的方法，其中，所述第一序列中包括：第一起始符、第二起始符、所述待处理文本中的各字符以及结束符；所述第一起始符和所述第二起始符为在所述待处理文本中的首个字符之前依次加入的标志符，所述结束符为在所述待处理文本中的最后一个字符之后加入的标志符。3.根据权利要求2所述的方法，其中，所述三维矩阵中包括：C层二维矩阵，每层二维矩阵分别对应一个不同的关系类型；任一二维矩阵中坐标为(i，j)的元素的取值分别为：所述第一序列中的第i个字符与所述第一序列中的第j个字符在第c个关系类型上的依赖性，1≤i≤M，1≤j≤M，1≤c≤C，M为大于一的正整数，表示所述第一序列中的字符数量，所述第c个关系类型表示所述二维矩阵对应的关系类型。4.根据权利要求3所述的方法，其中，所述根据所述三维矩阵确定出从所述待处理文本中抽取出的核心实体及分面信息包括：遍历各层二维矩阵；针对遍历到的二维矩阵，分别进行以下处理：将遍历到的二维矩阵作为待处理矩阵，响应于确定待处理矩阵中存在取值大于第一阈值的元素，将所述取值大于第一阈值的元素作为目标元素，将所述目标元素对应的字符组成的内容作为抽取出的内容。5.根据权利要求4所述的方法，还包括：根据所述待处理矩阵对应的关系类型和/或所述目标元素在所述待处理矩阵中的出现位置，确定出抽取出的内容为实体还是分面信息，并将抽取出的实体作为所述核心实体。6.根据权利要求5所述的方法，还包括：针对抽取出的任一实体，分别根据所述实体对应的所述待处理矩阵中的所述目标元素，确定出所述实体在所述待处理文本中的核心度，响应于确定所述核心度大于第二阈值，将所述实体作为所述核心实体。7.根据权利要求6所述的方法，其中，所述确定出所述实体在所述待处理文本中的核心度包括：获取所述实体对应的所述待处理矩阵的第二行中、组成所述实体的各字符对应的元素的取值的均值，将所述均值作为所述实体在所述待处理文本中的核心度。8.一种模型获取方法，包括：获取训练数据，所述训练数据中包括：文本、从所述文本中抽取出的核心实体、核心实体的类型以及至少一个核心实体对应的分面信息；利用所述训练数据训练第一模型，用于所述第一模型学习到第一序列对应的三维矩阵
的构建方式，所述三维矩阵中包括所述第一序列中的任意两个字符在预定的C种不同关系类型上的依赖性，C为大于一的正整数，所述关系类型包括不同的实体类型以及不同的分面类型，所述第一序列为根据任意的待处理文本生成的序列，所述两个字符包括相同字符及不同字符，所述三维矩阵用于确定出从所述待处理文本中抽取出的核心实体及分面信息。9.一种信息抽取装置，包括：矩阵构建模块以及信息抽取模块；所述矩阵构建模块，用于针对待处理文本，利用预先训练得到的第一模型构建出第一序列对应的三维矩阵，所述第一序列为根据所述待处理文本生成的序列，所述三维矩阵中包括所述第一序列中的任意两个字符在预定的C种不同关系类型上的依赖性，C为大于一的正整数，所述关系类型包括不同的实体类型以及不同的分面类型，所述两...

【专利技术属性】
技术研发人员：贾桐，王建华，冯知凡，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：