实体嵌入数据的提取方法和装置、电子设备、存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113849661A(43)申请公布日2021.12.28(21)申请号202111139516.0(22)申请日2021.09.26(71)申请人平安科技（深圳）有限公司地址518000广东省深圳市福田区福田街道福安社区益田路5033号平安金融中心23楼(72)发明人司世景王健宗(74)专利代理机构广州嘉权专利商标事务所有限公司44205代理人廖慧贤(51)Int.Cl.G06F16/36(2019.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书15页附图3页(54)发明名称实体嵌入数据的提取方法和装置、电子设备、存储介质(57)摘要本公开实施例提供实体嵌入数据的提取方法和装置、电子设备、存储介质，涉及人工智能技术领域。该实体嵌入数据的提取方法，包括：根据知识图谱的实体提取至少两个三元组；其中每一三元组包括实体、属性和属性值；将至少两个三元组的属性值进行拼接，得到文本数据；将所述文本数据映射至嵌入空间，得到初始嵌入数据；其中，每一属性值对应所述初始嵌入数据的维度；对所述初始嵌入数据进行数据增强处理，得到正例对；将所述正例对输入到预设的对比学习模型中进行训练，得到目标嵌入数据，通过本公开实施例提供的技术方案可以提高实体嵌入数据的质量。CN113849661ACN113849661A权利要求书1/2页1.一种实体嵌入数据的提取方法，其特征在于，包括：根据知识图谱的实体提取至少两个三元组；其中每一三元组包括实体、属性和属性值；将至少两个三元组的属性值进行拼接，得到文本数据；将所述文本数据映射至嵌入空间，得到初始嵌入数据；其中，每一属性值对应所述初始嵌入数据的维度；对所述初始嵌入数据进行数据增强处理，得到正例对；将所述正例对输入到预设的对比学习模型中进行对比学习，得到目标嵌入数据。2.根据权利要求1所述的方法，其特征在于，所述对所述初始嵌入数据进行数据增强处理，得到正例对，包括：根据所述初始嵌入数据得到第一样本数据和第二样本数据；其中，所述初始嵌入数据、所述第一样本数据和所述第二样本数据相同；将所述第一样本数据输入至dropout编码器进行数据增强处理，得到第一向量；将所述第二样本数据输入至dropout编码器进行数据增强处理，得到第二向量；其中，所述第一向量与所述第二向量不同；根据所述第一向量与所述第二向量形成所述正例对。3.根据权利要求1或2所述的方法，其特征在于，所述将所述正例对输入到预设的对比学习模型中进行训练，得到目标嵌入数据，包括：将所述正例对输入到所述对比学习模型；通过所述对比学习模型的损失函数计算出所述正例对的第一相似度和负例对的第二相似度；根据所述第一相似度和所述第二相似度对所述对比学习模型的损失函数进行优化，以更新所述对比学习模型；通过更新后的对比学习模型输出所述目标嵌入数据。4.根据权利要求3所述的方法，其特征在于，所述第一相似度和所述第二相似度均为余弦相似度，所述根据所述第一相似度和所述第二相似度对所述对比学习模型的损失函数进行优化，包括：将所述第一相似度最大化为第一数值和将所述第二相似度最小化为第二数值，以对所述损失函数进行优化；其中，所述第一相似度为所述损失函数的分子，所述第一相似度和所述第二相似度为所述损失函数的分母，所述第一数值取值为1，所述第二数值取值为0。5.根据权利要求3所述的方法，其特征在于，所述根据所述第一相似度和所述第二相似度对所述对比学习模型的损失函数进行优化，还包括：根据所述损失函数进行反向传播，更新所述损失函数的损失参数，以对所述损失函数进行优化。6.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：构建所述对比学习模型，具体包括：获取原始预训练模型；其中，所述预训练模型为BERT模型；对所述预训练模型进行参数微调，以更新所述预训练模型，得到所述对比学习模型。7.根据权利要求6所述的方法，其特征在于，所述预训练模型包括损失函数，所述对所述预训练模型进行参数微调，更新所述预训练模型，得到所述对比学习模型，包括：2CN113849661A权利要求书2/2页根据所述正例对和负例对构建损失函数；根据样本数据集对所述损失函数进行计算，对所述损失函数的损失参数进行微调；将微调后的损失函数作为所述预训练模型的模型参数，以更新所述预训练模型，得到所述对比学习模型。8.一种实体嵌入数据的提取装置，其特征在于，包括：三元组提取模块，用于根据知识图谱的实体提取至少两个三元组；其中每一三元组包括实体、属性和属性值；文本拼接模块，用于将至少两个三元组的属性值进行拼接，得到文本数据；文本嵌入模块，用于将所述文本数据映射至嵌入空间，得到初始嵌入数据