一种实体抽取方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了实体抽取方法、装置、设备及存储介质，属于人工智能技术领域。该方法包括：获取餐饮场景下用户与机器人交互过程中的目标问句；基于语言模型引擎，对所述目标问句进行向量化处理，得到目标问句向量；根据所述目标问句向量、以及目标知识图谱对应的向量索引，确定目标实体。通过上述技术方案，提高餐饮场景下实体抽取的准确性，从而精准识别用户意图。图。图。

【技术实现步骤摘要】
一种实体抽取方法、装置、设备及存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种实体抽取方法、装置、设备及存储介质。

技术介绍

[0002]在现有语音交互场景招牌菜的知识图谱问答中，现有知识图谱意图与实体匹配的算法逻辑是，先将问句与图谱里的实体进行硬匹配，得到匹配的实体以后根据实体的所属类型进行实体替换，将问句模板化后进行模板匹配，最后可得意图。
[0003]目前这种先进行实体的硬匹配后进行问句模板匹配的方式，在图谱构造越来越庞大、实体越来越丰富的情况下，对实体的硬匹配会极大的消耗运算时间，实体与实体之间也会有分词上的冲突(例如，辣子鸡丁、辣子鸡、辣子，这实际上是三种不同的食物，那实际分词的时候是以最细粒度“辣子”来分，还是以最粗粒度“辣子鸡丁”来分，在不同的场景下，一旦分错则可能造成意图失配)。另外，基于分词的问句模板在意图识别上十分受限，只具备微小的泛化能力，此时，换一种问法可能识别不到意图，用户体验很差。因此，亟需一种更有效且准确的实体抽取方法来更精准地匹配用户意图。

技术实现思路

[0004]本专利技术提供了一种实体抽取方法、装置、设备及存储介质，以提高餐饮场景下实体抽取的准确性，从而精准识别用户意图。
[0005]根据本专利技术的一方面，提供了一种实体抽取方法，该方法包括：
[0006]获取餐饮场景下用户与机器人交互过程中的目标问句；
[0007]基于语言模型引擎，对所述目标问句进行向量化处理，得到目标问句向量；
[0008]根据所述目标问句向量、以及目标知识图谱对应的向量索引，确定目标实体。
[0009]根据本专利技术的另一方面，提供了一种实体抽取装置，该装置包括：
[0010]目标问句获取模块，用于获取餐饮场景下用户与机器人交互过程中的目标问句；
[0011]目标问句向量确定模块，用于基于语言模型引擎，对所述目标问句进行向量化处理，得到目标问句向量；
[0012]目标实体确定模块，用于根据所述目标问句向量、以及目标知识图谱对应的向量索引，确定目标实体。
[0013]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0014]至少一个处理器；以及
[0015]与所述至少一个处理器通信连接的存储器；其中，
[0016]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序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本专利技术任一实施例所述的实体抽取方法。
[0017]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储
介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的实体抽取方法。
[0018]本专利技术实施例的技术方案，通过获取餐饮场景下用户与机器人交互过程中的目标问句，之后基于语言模型引擎，对所述目标问句进行向量化处理，得到目标问句向量，进而根据所述目标问句向量、以及目标知识图谱对应的向量索引，确定目标实体。上述技术方案，相比于现有技术基于分词倒排索引等确定实体的方式会导致在知识图谱中数据量大的情况下实体抽取效率慢且准确率低的问题，本专利技术中引入目标问句向量，基于向量索引来确定目标问句中的目标实体，尤其在知识图谱中数据量庞大的情况下，能够快速且准确地抽取到目标实体。
[0019]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术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
[0020]为了更清楚地说明本专利技术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专利技术的一些实施例，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。
[0021]图1是根据本专利技术实施例一提供的一种实体抽取方法的流程图；
[0022]图2是根据本专利技术实施例二提供的一种实体抽取方法的流程图；
[0023]图3是根据本专利技术实施例三提供的一种实体抽取方法的流程图；
[0024]图4是根据本专利技术实施例四提供的一种实体抽取装置的结构示意图；
[0025]图5是实现本专利技术实施例的实体抽取方法的电子设备的结构示意图。
具体实施方式
[0026]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都应当属于本专利技术保护的范围。
[0027]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“目标”、“候选”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0028]此外，还需要说明的是，本专利技术的技术方案中，所涉及的目标问句、目标知识图谱等相关数据的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0029]实施例一
[0030]图1是根据本专利技术实施例一提供的一种实体抽取方法的流程图。本实施例可适用于在餐饮场景下如何在机器人语音交互过程中进行用户意图识别的情况，该方法可以由实体抽取装置来执行，该实体抽取装置可以采用硬件和/或软件的形式实现，并可集成于承载实体抽取功能的电子设备中，例如餐饮机器人中。如图1所示，本实施例的实体抽取方法可以包括：
[0031]S110、获取餐饮场景下用户与机器人交互过程中的目标问句。
[0032]本实施例中，目标问句是指对机器人与用户交互过程中所获取的语音信息进行文本转换后的文本信息。
[0033]具体的，在餐饮场景中越来越多的机器人应用于餐饮场景中，在餐饮场所，机器人代替人工向用户提供餐饮服务，比如点餐服务、菜品查询服务等。在机器人与用户的交互过程中，获取用户的语音信息，并将语音信息转换成文本信息，得到目标问句。例如，用户与机器人语音交互过程中，有一目标问句：“你们这水煮鱼的价格是多少？”。
[0034]S120、基于语言模型引擎，对目标问句进行向量化处理，得到目标问句向量。
[0035]本实施例中，语言模型引擎是指在语言模型中引入高维向量后所得到的引擎，可以用于对文本数据进行向量化处理，输出一个预设值维度的向量；其中，预设值可以由本领域技术人员根据实际需求设定。其中，语言本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实体抽取方法，其特征在于，包括：获取餐饮场景下用户与机器人交互过程中的目标问句；基于语言模型引擎，对所述目标问句进行向量化处理，得到目标问句向量；根据所述目标问句向量、以及目标知识图谱对应的向量索引，确定目标实体。2.根据权利要求1所述的方法，其特征在于，所述向量索引通过如下方式确定：确定至少一个物体实体、所述物体实体对应的至少一个物体属性、所述物体属性对应的属性值、以及所述物体属性对应的至少一个问句模板；对于每一问句模板，对该问句模板与该问句模板对应的所述物体实体、所述物体实体对应的物体属性以及所述物体属性对应的属性值进行预设处理，得到该问句模板对应的至少一个新问句；基于所述语言模型引擎，对所述新问句进行向量化处理，得到问句向量；基于至少一个问句向量、所述问句向量对应的问句模板和物体实体，构建向量索引。3.根据权利要求1所述的方法，其特征在于，所述向量索引还包括物体属性和/或不同物体实体之间的关系。4.根据权利要求1所述的方法，其特征在于，所述根据所述目标问句向量、以及目标知识图谱对应的向量索引，确定目标实体，包括：根据所述目标问句向量、以及目标知识图谱对应的向量索引，确定候选实体；根据所述候选实体，确定所述目标问句的目标实体。5.根据权利要求4所述的方法，其特征在于，所述根据所述目标问句向量、以及目标知识图谱对应的向量索引，确定候选实体，包括：确定所述目标问句向量和向量索引中问句向量之间的相似度，并根据所述相似度，从所述向量索引中确定候选问句向量；根据所述候选问句向量，确定候选问句；对所述候选问句进行实体抽取，得到所述候选实体。6.根据权利要求4所述的...

【专利技术属性】
技术研发人员：张辉，李翔远，栾小飞，苏晴，
申请(专利权)人：上海擎朗智能科技有限公司，
类型：发明
国别省市：