CN116468043A - 嵌套实体识别方法、装置、设备及存储介质 - Google Patents

嵌套实体识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116468043A
CN116468043A CN202310470725.6A CN202310470725A CN116468043A CN 116468043 A CN116468043 A CN 116468043A CN 202310470725 A CN202310470725 A CN 202310470725A CN 116468043 A CN116468043 A CN 116468043A
Authority
CN
China
Prior art keywords
text
entity
preset
nested
network
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
Application number
CN202310470725.6A
Other languages
English (en)
Inventor
付桂振
张文倩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202310470725.6A priority Critical patent/CN116468043A/zh
Publication of CN116468043A publication Critical patent/CN116468043A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning 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)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及人工智能及数字医疗，提供一种嵌套实体识别方法、装置、设备及存储介质。该方法检测训练文本的文本数量是否小于预设数量，及标注实体是否满足预设要求，若文本数量小于预设数量，且标注实体满足预设要求，则基于训练文本及预设分类器对文本表征网络进行训练，得到文本表征模型，基于文本表征模型对训练文本所输出的表征信息及标注实体训练预设分类器，得到序列分类器，生成嵌套实体识别模型，并对待识别文本进行实体识别，得到文本实体，若文本实体有多个，基于每个文本实体在待识别文本中的文本位置识别出嵌套关系。此外，本发明还涉及区块链技术，所述嵌套关系可存储于区块链中。

Description

嵌套实体识别方法、装置、设备及存储介质
技术领域
本发明涉及人工智能及数字医疗技术领域，尤其涉及一种嵌套实体识别方法、装置、设备及存储介质。
背景技术
在数字医疗的搜索场景中，由于用户输入信息存在名称不规范等问题，导致搜索准确性低下，为此，嵌套实体识别方案应运而生。
在目前的嵌套实体识别方案中，通过遍历实体区间的所有候选实体，以筛选出查询语句所涉及的实体，由于这种方式需要对所有实体区间进行遍历，导致实体识别效率低下，同时在新增实体类型识别时，需要重新对整个模型进行训练，导致开发周期长。
发明内容
鉴于以上内容，有必要提供一种嵌套实体识别方法、装置、设备及存储介质，能够解决如何提高实体识别效率的技术问题。
一方面，本发明提出一种嵌套实体识别方法，所述嵌套实体识别方法包括：
获取多个训练文本，并获取每个训练文本在多个配置类型上所对应的标注实体；
获取嵌套实体识别网络，所述嵌套实体识别网络包括文本表征网络及每个配置类型所对应的预设分类器；
检测所述多个训练文本的文本数量是否小于预设数量，并检测所述标注实体是否满足预设要求；
若所述文本数量小于所述预设数量，且所述标注实体满足所述预设要求，则基于所述多个训练文本及任一预设分类器对所述文本表征网络进行训练，直至所述文本表征网络满足配置条件，得到文本表征模型；
基于所述文本表征模型对所述多个训练文本所输出的表征信息及所述标注实体，训练每个预设分类器，得到每个配置类型的序列分类器；
基于所述文本表征模型及每个配置类型的序列分类器，更新所述嵌套实体识别网络，得到嵌套实体识别模型；
基于所述嵌套实体识别模型对获取到的待识别文本进行实体识别，得到文本实体；
若所述文本实体有多个，则基于每个文本实体在所述待识别文本中的文本位置，识别出多个所述文本实体的嵌套关系。
根据本发明优选实施例，所述检测所述标注实体是否满足预设要求包括：
统计每个配置类型的标注实体的实体数量；
计算多个所述实体数量在预设特征上所对应的特征值；
若所述特征值大于预设数值，则确定所述标注实体满足所述预设要求。
根据本发明优选实施例，所述基于所述多个训练文本及任一预设分类器对所述文本表征网络进行训练，直至所述文本表征网络满足配置条件，得到文本表征模型包括：
从所述多个训练文本中提取多个预设批次的批次文本；
基于所述任一预设分类器计算所述文本表征网络在任一批次文本上的第一学习率；
若所述第一学习率大于或者等于预设初始学习率，则计算所述第一学习率与所述预设初始学习率的学习率差值；
基于所述学习率差值识别出所述网络参数的标准值；
将所述网络参数调整至所述标准值，得到调整后的文本表征网络；
基于所述任一预设分类器计算所述调整后的文本表征网络在另一批次文本上的第二学习率；
检测所述第二学习率是否满足所述配置条件；
若所述第二学习率满足所述配置条件，则将所述调整后的文本表征网络确定为所述文本表征模型。
根据本发明优选实施例，所述文本表征网络包括输入层、编码层及解码层，所述基于所述任一预设分类器计算所述文本表征网络在任一批次文本上的第一学习率包括：
基于所述输入层将所述任一批次文本转换为文本向量；
基于所述编码层对所述文本向量进行编码处理，得到特征信息；
基于所述解码层对所述特征信息进行解码处理，得到预测表征；
将所述预测表征输入至所述任一预设分类器进行分类处理，得到所述任一预设分类器所输出的预测实体；
基于所述预测实体及所述标注实体，计算所述文本表征网络的网络损失值；
根据所述网络损失值生成所述第一学习率。
根据本发明优选实施例，所述检测所述第二学习率是否满足所述配置条件包括：
基于所述预设初始学习率及所述另一批次文本所对应的预设批次生成目标学习率；
若所述第二学习率小于或者等于所述目标学习率，及所述第二学习率与所述目标学习率的计算差值小于设定差值，则确定所述第二学习率满足所述配置条件。
根据本发明优选实施例，所述基于所述文本表征模型对所述多个训练文本所输出的表征信息及所述标注实体，训练每个预设分类器，得到每个配置类型的序列分类器包括：
对于每个预设分类器，将所述表征信息输入至该预设分类器中，得到多个输出实体及每个输出实体的置信度；
根据所述置信度从所述多个输出实体中选取目标实体；
根据所述目标实体与所述标注实体中不同实体文字的文字数量及所述标注实体的文字总量，计算该预设分类器的分类损失值；
基于所述分类损失值调整该预设分类器，得到所述序列分类器。
根据本发明优选实施例，所述基于每个文本实体在所述待识别文本中的文本位置，识别出多个所述文本实体的嵌套关系包括：
对所述待识别文本进行序号标识，得到所述待识别文本中每个待识别文字的文字序号；
根据所述文字序号识别出每个文本实体的实体序号作为所述文本位置；
根据多个所述文本位置的位置包含关系生成所述嵌套关系。
另一方面，本发明还提出一种嵌套实体识别装置，所述嵌套实体识别装置包括：
获取单元，用于获取多个训练文本，并获取每个训练文本在多个配置类型上所对应的标注实体；
所述获取单元，还用于获取嵌套实体识别网络，所述嵌套实体识别网络包括文本表征网络及每个配置类型所对应的预设分类器；
检测单元，用于检测所述多个训练文本的文本数量是否小于预设数量，并检测所述标注实体是否满足预设要求；
训练单元，用于若所述文本数量小于所述预设数量，且所述标注实体满足所述预设要求，则基于所述多个训练文本及任一预设分类器对所述文本表征网络进行训练，直至所述文本表征网络满足配置条件，得到文本表征模型；
所述训练单元，还用于基于所述文本表征模型对所述多个训练文本所输出的表征信息及所述标注实体，训练每个预设分类器，得到每个配置类型的序列分类器；
更新单元，用于基于所述文本表征模型及每个配置类型的序列分类器，更新所述嵌套实体识别网络，得到嵌套实体识别模型；
识别单元，用于基于所述嵌套实体识别模型对获取到的待识别文本进行实体识别，得到文本实体；
所述识别单元，还用于若所述文本实体有多个，则基于每个文本实体在所述待识别文本中的文本位置，识别出多个所述文本实体的嵌套关系。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述嵌套实体识别方法。
另一方面，本发明还提出一种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可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述嵌套实体识别方法。
由以上技术方案可以看出，本申请通过在所述嵌套实体识别网络设置所述文本表征网络及每个配置类型所对应的预设分类器，能够在后期需要扩增实体识别类型时，直接通过在所述嵌套实体识别模型中新增预设分类器即可，从而能够在不影响原有实体识别能力的情况下，继续进行新的实体识别类型的训练，提高了训练效率，从而能够提高实体识别效率，同时，本申请在所述文本数量小于预设数量，且所述标注实体满足所述预设要求时，通过在对所述文本表征模型完成训练后，再训练每个预设分类器，能够在确保所述嵌套实体识别模型的训练精度的同时，提高训练效率，从而提高所述文本实体的识别效率。此外，本申请通过所述嵌套实体识别模型能够准确的识别出所述文本实体，通过所述文本位置能够提高所述嵌套关系的识别准确性。
附图说明
图1是本发明嵌套实体识别方法的较佳实施例的流程图。
图2是本发明嵌套实体识别方法中嵌套实体识别模型的模型结构图。
图3是本发明嵌套实体识别装置的较佳实施例的功能模块图。
图4是本发明实现嵌套实体识别方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明嵌套实体识别方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述嵌套实体识别方法可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述嵌套实体识别方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所在的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
101，获取多个训练文本，并获取每个训练文本在多个配置类型上所对应的标注实体。
在本发明的至少一个实施例中，所述多个训练文本可以是查询用户在数字医疗系统中进行医院查询、科室查询及具体医生查询时所对应的文本信息。例如，所述多个训练文本可以包括：A城市皮肤病医院。
所述多个配置类型，包括但不限于：医院实体、科室实体、疾病实体及医生实体等。
所述标注实体是指每个训练文本在所述多个配置类型上所对应的实体信息。
例如，训练文本“A城市皮肤病医院”在所述医院实体上所对应的标注实体为：A城市皮肤病医院，在所述科室实体上所对应的标注实体为：无，在所述疾病实体上所对应的标注实体为：皮肤病，在所述医生实体上所对应的标注实体为：无。
在本发明的至少一个实施例中，所述电子设备从训练文本库中获取所述多个训练文本，并从所述训练文本库中获取每个训练文本在所述多个配置类型上所对应的实体作为所述标注实体。
在其他实施例中，当所述电子设备从所述训练文本库中无法获取到训练文本在配置类型上所对应的实体时，所述电子设备将该训练文本在该配置类型所对应的标注实体确定为预设实体。其中，所述预设实体可以为无。
102，获取嵌套实体识别网络，所述嵌套实体识别网络包括文本表征网络及每个配置类型所对应的预设分类器。
在本发明的至少一个实施例中，所述嵌套实体识别网络用于识别出文本在所述多个配置类型上的实体信息。
在本发明的至少一个实施例中，所述文本表征网络用于输出文本所对应的符号信息，以便每个预设分类器能够准确的读取到文本的语义信息。
每个预设分类器用于输出文本在所对应的配置类型上的多个分类实体及每个分类实体的实体置信度。
103，检测所述多个训练文本的文本数量是否小于预设数量，并检测所述标注实体是否满足预设要求。
在本发明的至少一个实施例中，所述预设要求是指所述多个配置类型的标注实体的实体数量在预设特征上所对应的特征值大于预设数值，其中，所述预设数量及所述预设数值均可以根据实际需求设定。
所述标注实体满足所述预设要求，表明所述多个配置类型上的训练文本的数量不均衡，所述标注实体不满足所述预设要求，表明所述多个配置类型上的训练文本的数量均衡。在所述文本数量小于所述预设数量，且所述标注实体满足所述预设要求时，说明所述文本数量不充足，且所述多个配置类型上的训练文本的数量不均衡时，若利用训练文本对整个嵌套实体识别网络直接进行训练，将导致训练得到的嵌套实体识别模型无法准确的识别出每个配置类型上的实体。
在本发明的至少一个实施例中，所述电子设备检测所述标注实体是否满足预设要求包括：
统计每个配置类型的标注实体的实体数量；
计算多个所述实体数量在预设特征上所对应的特征值；
若所述特征值大于预设数值，则确定所述标注实体满足所述预设要求。
其中，所述预设特征可以是方差值，所述预设特征也可以是标准差等。所述特征值表示所述多个实体数量的离散程度。当所述特征值大于预设数值时，说明所述多个实体数量的离散程度大于一定程度。
通过对每个配置类型的标注实体的实体数量的统计，进而通过所述预设特征，能够直观的量化出所述特征值，进而通过所述特征值与所述预设数值的比较，能够准确并快速的确定出所述标注实体是否满足预设要求。
在本发明的至少一个实施例中，若所述文本数量大于或者等于所述预设数量，或者所述标注实体不满足所述预设要求，所述电子设备基于所述多个训练文本及所述标注实体对所述嵌套实体识别网络进行训练，直至训练后的嵌套实体识别网络的预测准确率大于预设阈值，将训练后的嵌套实体识别网络确定为嵌套实体识别模型。
本申请实施例在所述文本数量大于或者等于所述预设数量，或者所述标注实体不满足所述预设要求时，通过对整个嵌套实体识别网络进行训练，提高嵌套实体识别模型的训练效率。此外，由于在所述文本数量大于或者等于所述预设数量，或者所述标注实体不满足所述预设要求时，说明所述文本数量充足，或者所述多个配置类型上的训练文本的数量均衡，因此，通过对整个嵌套实体识别网络直接进行训练，能够确保嵌套实体识别模型的训练效果。
104，若所述文本数量小于所述预设数量，且所述标注实体满足所述预设要求，则基于所述多个训练文本及任一预设分类器对所述文本表征网络进行训练，直至所述文本表征网络满足配置条件，得到文本表征模型。
在本发明的至少一个实施例中，所述任一预设分类器可以是所述多个预设分类器中的任一个。
所述配置条件是指所述文本表征网络的第二学习率小于或者等于目标学习率，及所述第二学习率与所述目标学习率的计算差值小于设定差值。
所述文本表征模型是指满足所述配置条件的文本表征网络。
在本发明的至少一个实施例中，所述电子设备基于所述多个训练文本及任一预设分类器对所述文本表征网络进行训练，直至所述文本表征网络满足配置条件，得到文本表征模型包括：
从所述多个训练文本中提取多个预设批次的批次文本；
基于所述任一预设分类器计算所述文本表征网络在任一批次文本上的第一学习率；
若所述第一学习率大于或者等于预设初始学习率，则计算所述第一学习率与所述预设初始学习率的学习率差值；
基于所述学习率差值识别出所述网络参数的标准值；
将所述网络参数调整至所述标准值，得到调整后的文本表征网络；
基于所述任一预设分类器计算所述调整后的文本表征网络在另一批次文本上的第二学习率；
检测所述第二学习率是否满足所述配置条件；
若所述第二学习率满足所述配置条件，则将所述调整后的文本表征网络确定为所述文本表征模型。
其中，每个预设批次的批次文本的数量相等，例如，所述多个训练文本包括文本1-文本100，所述多个预设批次包括批次1、批次2及批次3，则所述批次1的批次文本可以包括文本1-文本10，所述批次2的批次文本可以包括文本10-文本20，所述批次3的批次文本可以包括文本20-文本30。
所述多个预设批次的批次数量、所述预设初始学习率可以根据实际需求设定，本申请对此不作限制。
所述另一批次文本是指与所述任一批次文本不同的文本，例如，所述任一批次文本为所述批次1，则所述另一批次文本可以为所述批次2及所述批次3等。
通过比较所述第一学习率与所述预设初始学习率，进而在所述第一学习率大于或者等于预设初始学习率时，通过所述学习率差值识别出所述标准值，进而能够合理的对所述网络参数进行调整，使得所述调整后的文本表征网络对所述任一批次文本上的第一学习率能够控制在所述预设初始学习率上，进一步地，通过检测检测所述第二学习率是否满足所述配置条件，能够生成准确表征文本的文本表征模型。
具体地，所述文本表征网络包括输入层、编码层及解码层，所述基于所述任一预设分类器计算所述文本表征网络在任一批次文本上的第一学习率包括：
基于所述输入层将所述任一批次文本转换为文本向量；
基于所述编码层对所述文本向量进行编码处理，得到特征信息；
基于所述解码层对所述特征信息进行解码处理，得到预测表征；
将所述预测表征输入至所述任一预设分类器进行分类处理，得到所述任一预设分类器所输出的预测实体；
基于所述预测实体及所述标注实体，计算所述文本表征网络的网络损失值；
根据所述网络损失值生成所述第一学习率。
其中，所述编码层及所述解码层均包括多个注意力网络，所述编码层中注意力网络的数量等于所述解码层中注意力网络的数量。
所述网络损失值可以是所述预测实体与所述标注实体不同的实体数量在所述预测实体的实体总量上的比值。
所述第一学习率的计算公式可以是：其中，y表示所述第一学习率，x表示所述网络损失值。
通过在所述编码层及所述解码层上分别设置多个注意力网络，能够提高所述预测表征对所述任一批次文本的表征能力，通过所述预测实体及所述标注实体计算所述文本表征网络的网络损失值，能够忽略所述任一预设分类器对所述预测实体的干扰，从而提高所述第一学习率的生成合理性。
具体地，所述电子设备基于所述学习率差值识别出所述网络参数的标准值包括：
获取所述网络参数的参数数量，并获取每个网络参数对所述第一学习率的影响权值；
计算所述学习率差值与所述参数数量的比值，得到均值；
根据所述影响权值、所述均值及所述网络参数的初始设定值生成所述标准值，所述标准值的生成公式为：z＝ab+g，其中，z表示所述标准值，a表示所述影响权值，b表示所述均值，g表示所述初始设定值。
具体地，所述电子设备检测所述第二学习率是否满足所述配置条件包括：
基于所述预设初始学习率及所述另一批次文本所对应的预设批次生成目标学习率；
若所述第二学习率小于或者等于所述目标学习率，及所述第二学习率与所述目标学习率的计算差值小于设定差值，则确定所述第二学习率满足所述配置条件。
其中，所述目标学习率的生成公式为：其中，lrt表示所述目标学习率，lr0表示所述预设初始学习率，k表示预设正整数，t表示所述另一批次文本所对应的预设批次的序号。
其中，所述设定差值可以根据实际需求设定，本申请对此不再赘述。
通过上述实施方式，能够合理的生成所述目标学习率，进而以所述目标学习率为基准，能够准确的检测出所述第二学习率是否满足所述配置条件。
105，基于所述文本表征模型对所述多个训练文本所输出的表征信息及所述标注实体，训练每个预设分类器，得到每个配置类型的序列分类器。
在本发明的至少一个实施例中，每个序列分类器用于识别出文本在该配置类型上所对应的实体信息。
在本发明的至少一个实施例中，所述电子设备基于所述文本表征模型对所述多个训练文本所输出的表征信息及所述标注实体，训练每个预设分类器，得到每个配置类型的序列分类器包括：
对于每个预设分类器，将所述表征信息输入至该预设分类器中，得到多个输出实体及每个输出实体的置信度；
根据所述置信度从所述多个输出实体中选取目标实体；
根据所述目标实体与所述标注实体中不同实体文字的文字数量及所述标注实体的文字总量，计算该预设分类器的分类损失值；
基于所述分类损失值调整该预设分类器，得到所述序列分类器。
其中，所述目标实体是指所述置信度最高的输出实体。
所述分类损失值可以是所述不同实体文字的文字数量与所述文字总量的比值。
所述序列分类器是指所述分类损失值收敛时所对应的预设分类器。
通过所述目标实体与所述标注实体中不同实体文字的文字数量及所述标注实体的文字总量能够合理的量化出所述分类损失值，进而提高所述序列分类器的调整准确性。
具体地，所述电子设备将所述表征信息输入至该预设分类器中，得到多个输出实体及每个输出实体的置信度包括：
从该预设分类器中获取所有全连接层的权值矩阵及偏置列向量；
基于所述权值矩阵及所述偏置列向量对所述表征信息进行转换处理，直至所述所有全连接层均参与转换，得到目标矩阵；
从所述目标矩阵中提取映射矩阵及分值向量；
对所述映射矩阵进行映射处理，得到所述多个输出实体，并对所述分值向量进行归一化处理，得到与每个输出实体所对应的置信度。
其中，所述目标矩阵可以根据点乘结果中的目标列向量与所述偏置向量的总和确定得到，所述点乘结果是指所述权值矩阵与所述表征信息的点乘。
所述分值向量是指所述目标矩阵中与所述目标列向量所对应的列向量。
通过所述权值矩阵及所述偏置列向量对所述表征信息进行转换处理，能够快速的生成多个输出实体及每个输出实体的置信度。
106，基于所述文本表征模型及每个配置类型的序列分类器，更新所述嵌套实体识别网络，得到嵌套实体识别模型。
在本发明的至少一个实施例中，所述嵌套实体识别模型是指训练完成的嵌套实体识别网络。
如图2所示，是本发明嵌套实体识别方法中嵌套实体识别模型的模型结构图。在图2中，所述嵌套实体识别模型包括所述文本表征模型、医院类型所对应的序列分类器(Hospital classifier)、科室类型所对应的序列分类器(Department classifier)、疾病类型所对应的序列分类器(Disease classifier)及医生类型所对应的序列分类器(Doctorclassifier)。所述文本表征模型包括所述输入层、所述编码层及所述解码层。
107，基于所述嵌套实体识别模型对获取到的待识别文本进行实体识别，得到文本实体。
在本发明的至少一个实施例中，所述待识别文本可以是任意用户输入的查询语句。
所述文本实体是指所述嵌套实体识别模型从所述待识别文本上识别到的实体信息，所述文本实体可以包括所述多个配置类型中的一个或者多个配置类型的实体信息。
在本发明的至少一个实施例中，所述电子设备基于所述嵌套实体识别模型对获取到的待识别文本进行实体识别，得到文本实体的方式与所述电子设备生成所述目标实体的方式相似，本申请对此不再赘述。
108，若所述文本实体有多个，则基于每个文本实体在所述待识别文本中的文本位置，识别出多个所述文本实体的嵌套关系。
需要强调的是，为进一步保证上述嵌套关系的私密和安全性，上述嵌套关系还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述文本位置是指所述文本实体在所述待识别文本中的文字序号。
所述嵌套关系是指所述多个文本实体在所述待识别文本中的位置包含关系。
在本发明的至少一个实施例中，所述电子设备基于每个文本实体在所述待识别文本中的文本位置，识别出多个所述文本实体的嵌套关系包括：
对所述待识别文本进行序号标识，得到所述待识别文本中每个待识别文字的文字序号；
根据所述文字序号识别出每个文本实体的实体序号作为所述文本位置；
根据多个所述文本位置的位置包含关系生成所述嵌套关系。
例如，所述待识别文本为“A城市皮肤病医院”，在医院实体上的文本实体为“A城市皮肤病医院”，该文本位置为：[0，8]，在疾病实体上的文本实体为“皮肤病”，该文本位置为：[4，6]，由于[0，8]包含[4，6]，因此，文本实体“皮肤病”为文本实体“A城市皮肤病医院”的嵌套实体。
通过所述位置包含关系，能够准确的识别出所述嵌套关系。
由以上技术方案可以看出，本申请通过在所述嵌套实体识别网络设置所述文本表征网络及每个配置类型所对应的预设分类器，能够在后期需要扩增实体识别类型时，直接通过在所述嵌套实体识别模型中新增预设分类器即可，从而能够在不影响原有实体识别能力的情况下，继续进行新的实体识别类型的训练，提高了训练效率，从而能够提高实体识别效率，同时，本申请在所述文本数量小于预设数量，且所述标注实体满足所述预设要求时，通过在对所述文本表征模型完成训练后，再训练每个预设分类器，能够在确保所述嵌套实体识别模型的训练精度的同时，提高训练效率，从而提高所述文本实体的识别效率。此外，本申请通过所述嵌套实体识别模型能够准确的识别出所述文本实体，通过所述文本位置能够提高所述嵌套关系的识别准确性。
如图3所示，是本发明嵌套实体识别装置的较佳实施例的功能模块图。所述嵌套实体识别装置11包括获取单元110、检测单元111、训练单元112、更新单元113及识别单元114。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
获取单元110，用于获取多个训练文本，并获取每个训练文本在多个配置类型上所对应的标注实体；
所述获取单元110，还用于获取嵌套实体识别网络，所述嵌套实体识别网络包括文本表征网络及每个配置类型所对应的预设分类器；
检测单元111，用于检测所述多个训练文本的文本数量是否小于预设数量，并检测所述标注实体是否满足预设要求；
训练单元112，用于若所述文本数量小于所述预设数量，且所述标注实体满足所述预设要求，则基于所述多个训练文本及任一预设分类器对所述文本表征网络进行训练，直至所述文本表征网络满足配置条件，得到文本表征模型；
所述训练单元112，还用于基于所述文本表征模型对所述多个训练文本所输出的表征信息及所述标注实体，训练每个预设分类器，得到每个配置类型的序列分类器；
更新单元113，用于基于所述文本表征模型及每个配置类型的序列分类器，更新所述嵌套实体识别网络，得到嵌套实体识别模型；
识别单元114，用于基于所述嵌套实体识别模型对获取到的待识别文本进行实体识别，得到文本实体；
所述识别单元114，还用于若所述文本实体有多个，则基于每个文本实体在所述待识别文本中的文本位置，识别出多个所述文本实体的嵌套关系。
在本发明的至少一个实施例中，所述检测单元111，还用于统计每个配置类型的标注实体的实体数量；
计算多个所述实体数量在预设特征上所对应的特征值；
若所述特征值大于预设数值，则确定所述标注实体满足所述预设要求。
在本发明的至少一个实施例中，所述训练单元112，还用于从所述多个训练文本中提取多个预设批次的批次文本；
基于所述任一预设分类器计算所述文本表征网络在任一批次文本上的第一学习率；
若所述第一学习率大于或者等于预设初始学习率，则计算所述第一学习率与所述预设初始学习率的学习率差值；
基于所述学习率差值识别出所述网络参数的标准值；
将所述网络参数调整至所述标准值，得到调整后的文本表征网络；
基于所述任一预设分类器计算所述调整后的文本表征网络在另一批次文本上的第二学习率；
检测所述第二学习率是否满足所述配置条件；
若所述第二学习率满足所述配置条件，则将所述调整后的文本表征网络确定为所述文本表征模型。
在本发明的至少一个实施例中，所述文本表征网络包括输入层、编码层及解码层，所述训练单元112，还用于基于所述输入层将所述任一批次文本转换为文本向量；
基于所述编码层对所述文本向量进行编码处理，得到特征信息；
基于所述解码层对所述特征信息进行解码处理，得到预测表征；
将所述预测表征输入至所述任一预设分类器进行分类处理，得到所述任一预设分类器所输出的预测实体；
基于所述预测实体及所述标注实体，计算所述文本表征网络的网络损失值；
根据所述网络损失值生成所述第一学习率。
在本发明的至少一个实施例中，所述训练单元112，还用于基于所述预设初始学习率及所述另一批次文本所对应的预设批次生成目标学习率；
若所述第二学习率小于或者等于所述目标学习率，及所述第二学习率与所述目标学习率的计算差值小于设定差值，则确定所述第二学习率满足所述配置条件。
在本发明的至少一个实施例中，所述训练单元112，还用于对于每个预设分类器，将所述表征信息输入至该预设分类器中，得到多个输出实体及每个输出实体的置信度；
根据所述置信度从所述多个输出实体中选取目标实体；
根据所述目标实体与所述标注实体中不同实体文字的文字数量及所述标注实体的文字总量，计算该预设分类器的分类损失值；
基于所述分类损失值调整该预设分类器，得到所述序列分类器。
在本发明的至少一个实施例中，所述识别单元114，还用于对所述待识别文本进行序号标识，得到所述待识别文本中每个待识别文字的文字序号；
根据所述文字序号识别出每个文本实体的实体序号作为所述文本位置；
根据多个所述文本位置的位置包含关系生成所述嵌套关系。
由以上技术方案可以看出，本申请通过在所述嵌套实体识别网络设置所述文本表征网络及每个配置类型所对应的预设分类器，能够在后期需要扩增实体识别类型时，直接通过在所述嵌套实体识别模型中新增预设分类器即可，从而能够在不影响原有实体识别能力的情况下，继续进行新的实体识别类型的训练，提高了训练效率，从而能够提高实体识别效率，同时，本申请在所述文本数量小于预设数量，且所述标注实体满足所述预设要求时，通过在对所述文本表征模型完成训练后，再训练每个预设分类器，能够在确保所述嵌套实体识别模型的训练精度的同时，提高训练效率，从而提高所述文本实体的识别效率。此外，本申请通过所述嵌套实体识别模型能够准确的识别出所述文本实体，通过所述文本位置能够提高所述嵌套关系的识别准确性。
如图4所示，是本发明实现嵌套实体识别方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如嵌套实体识别程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成获取单元110、检测单元111、训练单元112、更新单元113及识别单元114。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)。
本发明所指区块链是分布式嵌套实体识别、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种嵌套实体识别方法，所述处理器13可执行所述计算机可读指令从而实现：
获取多个训练文本，并获取每个训练文本在多个配置类型上所对应的标注实体；
获取嵌套实体识别网络，所述嵌套实体识别网络包括文本表征网络及每个配置类型所对应的预设分类器；
检测所述多个训练文本的文本数量是否小于预设数量，并检测所述标注实体是否满足预设要求；
若所述文本数量小于所述预设数量，且所述标注实体满足所述预设要求，则基于所述多个训练文本及任一预设分类器对所述文本表征网络进行训练，直至所述文本表征网络满足配置条件，得到文本表征模型；
基于所述文本表征模型对所述多个训练文本所输出的表征信息及所述标注实体，训练每个预设分类器，得到每个配置类型的序列分类器；
基于所述文本表征模型及每个配置类型的序列分类器，更新所述嵌套实体识别网络，得到嵌套实体识别模型；
基于所述嵌套实体识别模型对获取到的待识别文本进行实体识别，得到文本实体；
若所述文本实体有多个，则基于每个文本实体在所述待识别文本中的文本位置，识别出多个所述文本实体的嵌套关系。
具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
获取多个训练文本，并获取每个训练文本在多个配置类型上所对应的标注实体；
获取嵌套实体识别网络，所述嵌套实体识别网络包括文本表征网络及每个配置类型所对应的预设分类器；
检测所述多个训练文本的文本数量是否小于预设数量，并检测所述标注实体是否满足预设要求；
若所述文本数量小于所述预设数量，且所述标注实体满足所述预设要求，则基于所述多个训练文本及任一预设分类器对所述文本表征网络进行训练，直至所述文本表征网络满足配置条件，得到文本表征模型；
基于所述文本表征模型对所述多个训练文本所输出的表征信息及所述标注实体，训练每个预设分类器，得到每个配置类型的序列分类器；
基于所述文本表征模型及每个配置类型的序列分类器，更新所述嵌套实体识别网络，得到嵌套实体识别模型；
基于所述嵌套实体识别模型对获取到的待识别文本进行实体识别，得到文本实体；
若所述文本实体有多个，则基于每个文本实体在所述待识别文本中的文本位置，识别出多个所述文本实体的嵌套关系。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种嵌套实体识别方法，其特征在于，所述嵌套实体识别方法包括：
获取多个训练文本，并获取每个训练文本在多个配置类型上所对应的标注实体；
获取嵌套实体识别网络，所述嵌套实体识别网络包括文本表征网络及每个配置类型所对应的预设分类器；
检测所述多个训练文本的文本数量是否小于预设数量，并检测所述标注实体是否满足预设要求；
若所述文本数量小于所述预设数量，且所述标注实体满足所述预设要求，则基于所述多个训练文本及任一预设分类器对所述文本表征网络进行训练，直至所述文本表征网络满足配置条件，得到文本表征模型；
基于所述文本表征模型对所述多个训练文本所输出的表征信息及所述标注实体，训练每个预设分类器，得到每个配置类型的序列分类器；
基于所述文本表征模型及每个配置类型的序列分类器，更新所述嵌套实体识别网络，得到嵌套实体识别模型；
基于所述嵌套实体识别模型对获取到的待识别文本进行实体识别，得到文本实体；
若所述文本实体有多个，则基于每个文本实体在所述待识别文本中的文本位置，识别出多个所述文本实体的嵌套关系。
2.如权利要求1所述的嵌套实体识别方法，其特征在于，所述检测所述标注实体是否满足预设要求包括：
统计每个配置类型的标注实体的实体数量；
计算多个所述实体数量在预设特征上所对应的特征值；
若所述特征值大于预设数值，则确定所述标注实体满足所述预设要求。
3.如权利要求1所述的嵌套实体识别方法，其特征在于，所述基于所述多个训练文本及任一预设分类器对所述文本表征网络进行训练，直至所述文本表征网络满足配置条件，得到文本表征模型包括：
从所述多个训练文本中提取多个预设批次的批次文本；
基于所述任一预设分类器计算所述文本表征网络在任一批次文本上的第一学习率；
若所述第一学习率大于或者等于预设初始学习率，则计算所述第一学习率与所述预设初始学习率的学习率差值；
基于所述学习率差值识别出所述网络参数的标准值；
将所述网络参数调整至所述标准值，得到调整后的文本表征网络；
基于所述任一预设分类器计算所述调整后的文本表征网络在另一批次文本上的第二学习率；
检测所述第二学习率是否满足所述配置条件；
若所述第二学习率满足所述配置条件，则将所述调整后的文本表征网络确定为所述文本表征模型。
4.如权利要求3所述的嵌套实体识别方法，其特征在于，所述文本表征网络包括输入层、编码层及解码层，所述基于所述任一预设分类器计算所述文本表征网络在任一批次文本上的第一学习率包括：
基于所述输入层将所述任一批次文本转换为文本向量；
基于所述编码层对所述文本向量进行编码处理，得到特征信息；
基于所述解码层对所述特征信息进行解码处理，得到预测表征；
将所述预测表征输入至所述任一预设分类器进行分类处理，得到所述任一预设分类器所输出的预测实体；
基于所述预测实体及所述标注实体，计算所述文本表征网络的网络损失值；
根据所述网络损失值生成所述第一学习率。
5.如权利要求3所述的嵌套实体识别方法，其特征在于，所述检测所述第二学习率是否满足所述配置条件包括：
基于所述预设初始学习率及所述另一批次文本所对应的预设批次生成目标学习率；
若所述第二学习率小于或者等于所述目标学习率，及所述第二学习率与所述目标学习率的计算差值小于设定差值，则确定所述第二学习率满足所述配置条件。
6.如权利要求1所述的嵌套实体识别方法，其特征在于，所述基于所述文本表征模型对所述多个训练文本所输出的表征信息及所述标注实体，训练每个预设分类器，得到每个配置类型的序列分类器包括：
对于每个预设分类器，将所述表征信息输入至该预设分类器中，得到多个输出实体及每个输出实体的置信度；
根据所述置信度从所述多个输出实体中选取目标实体；
根据所述目标实体与所述标注实体中不同实体文字的文字数量及所述标注实体的文字总量，计算该预设分类器的分类损失值；
基于所述分类损失值调整该预设分类器，得到所述序列分类器。
7.如权利要求1所述的嵌套实体识别方法，其特征在于，所述基于每个文本实体在所述待识别文本中的文本位置，识别出多个所述文本实体的嵌套关系包括：
对所述待识别文本进行序号标识，得到所述待识别文本中每个待识别文字的文字序号；
根据所述文字序号识别出每个文本实体的实体序号作为所述文本位置；
根据多个所述文本位置的位置包含关系生成所述嵌套关系。
8.一种嵌套实体识别装置，其特征在于，所述嵌套实体识别装置包括：
获取单元，用于获取多个训练文本，并获取每个训练文本在多个配置类型上所对应的标注实体；
所述获取单元，还用于获取嵌套实体识别网络，所述嵌套实体识别网络包括文本表征网络及每个配置类型所对应的预设分类器；
检测单元，用于检测所述多个训练文本的文本数量是否小于预设数量，并检测所述标注实体是否满足预设要求；
训练单元，用于若所述文本数量小于所述预设数量，且所述标注实体满足所述预设要求，则基于所述多个训练文本及任一预设分类器对所述文本表征网络进行训练，直至所述文本表征网络满足配置条件，得到文本表征模型；
所述训练单元，还用于基于所述文本表征模型对所述多个训练文本所输出的表征信息及所述标注实体，训练每个预设分类器，得到每个配置类型的序列分类器；
更新单元，用于基于所述文本表征模型及每个配置类型的序列分类器，更新所述嵌套实体识别网络，得到嵌套实体识别模型；
识别单元，用于基于所述嵌套实体识别模型对获取到的待识别文本进行实体识别，得到文本实体；
所述识别单元，还用于若所述文本实体有多个，则基于每个文本实体在所述待识别文本中的文本位置，识别出多个所述文本实体的嵌套关系。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的嵌套实体识别方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的嵌套实体识别方法。
CN202310470725.6A 2023-04-19 2023-04-19 嵌套实体识别方法、装置、设备及存储介质 Pending CN116468043A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310470725.6A CN116468043A (zh) 2023-04-19 2023-04-19 嵌套实体识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310470725.6A CN116468043A (zh) 2023-04-19 2023-04-19 嵌套实体识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116468043A true CN116468043A (zh) 2023-07-21

Family

ID=87175212

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310470725.6A Pending CN116468043A (zh) 2023-04-19 2023-04-19 嵌套实体识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116468043A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883986A (zh) * 2023-08-07 2023-10-13 上海威派格智慧水务股份有限公司 水表数据的识别方法、装置、设备及计算机可读介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883986A (zh) * 2023-08-07 2023-10-13 上海威派格智慧水务股份有限公司 水表数据的识别方法、装置、设备及计算机可读介质
CN116883986B (zh) * 2023-08-07 2024-04-26 上海威派格智慧水务股份有限公司 水表数据的识别方法、装置、设备及计算机可读介质

Similar Documents

Publication Publication Date Title
CN111461168B (zh) 训练样本扩充方法、装置、电子设备及存储介质
CN112036439B (zh) 依存关系分类方法及相关设备
CN113268597B (zh) 文本分类方法、装置、设备及存储介质
CN113656547B (zh) 文本匹配方法、装置、设备及存储介质
CN113570391B (zh) 基于人工智能的社群划分方法、装置、设备及存储介质
CN111966811B (zh) 意图识别和槽填充方法、装置、可读存储介质及终端设备
CN115222443B (zh) 客户群体划分方法、装置、设备及存储介质
CN117390213B (zh) 基于oscar的图文检索模型的训练方法和实现图文检索的方法
CN118429897B (zh) 群体检测方法、装置、存储介质和电子设备
CN113724830A (zh) 基于人工智能的用药风险检测方法及相关设备
CN112214588A (zh) 多意图识别方法、装置、电子设备及存储介质
CN120221058A (zh) 基于多模态知识图谱与大语言模型的中医康复诊断系统
CN116597471A (zh) 人体跟踪方法、电子设备及存储介质
CN115237859B (zh) 需求文档质量检测方法、装置、设备及存储介质
CN110164519B (zh) 一种基于众智网络的用于处理电子病历混合数据的分类方法
WO2021174923A1 (zh) 概念词序列生成方法、装置、计算机设备及存储介质
CN113688319B (zh) 医疗产品推荐方法及相关设备
CN116468043A (zh) 嵌套实体识别方法、装置、设备及存储介质
CN113627186B (zh) 基于人工智能的实体关系检测方法及相关设备
CN113705468B (zh) 基于人工智能的数字图像识别方法及相关设备
CN116030522A (zh) 口罩人脸识别模型训练方法、装置及电子设备
CN116127377B (zh) 群体分类方法、装置、设备及存储介质
CN113764061B (zh) 基于多维度数据分析的用药检测方法及相关设备
CN113421575B (zh) 声纹识别方法、装置、设备及存储介质
CN114360732B (zh) 医疗数据分析方法、装置、电子设备及存储介质

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