[发明专利]知识样本数据集的确定方法、装置及电子设备

权利要求书

1.一种知识样本数据集的确定方法，其特征在于，包括：

获取预设数量个主谓宾SPO三元组格式和源文本；

根据各所述SPO三元组格式，从预设知识库中获取各所述SPO三元组格式对应的n个SPO条目；

在各所述源文本中查找与所述n个SPO条目匹配的m个第一文本，生成第一知识样本数据集，其中，所述第一知识样本数据集中的每个样本包括S、P、O和第一文本构成的四元组；

根据所述m个第一文本，确定符合各所述SPO三元组格式的k个第二文本，生成第二知识样本数据集，其中，所述第二知识样本数据集中的每个样本包括S、P、O和第二文本构成的四元组；

根据所述第一知识样本数据集和所述第二知识样本数据集，生成目标知识样本数据集。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一知识样本数据集和所述第二知识样本数据集，生成目标知识样本数据集之前，所述方法还包括：

将所述第一知识样本数据集和所述第二知识样本数据集的各样本中P相同，并且S或O相同的样本作为一组样本；

获取各组样本中元素值不同的元素的并列词汇；

将各所述并列词汇补充至对应的一组样本的SPO三元素中，生成第三知识样本数据集；

所述根据所述第一知识样本数据集和所述第二知识样本数据集，生成目标知识样本数据集，包括：

根据所述第一知识样本数据集、所述第二知识样本数据集和所述第三知识样本数据集，生成目标知识样本数据集。

3.根据权利要求1或2所述的方法，其特征在于，所述在各所述源文本中查找与所述n个SPO条目匹配的m个第一文本之前，所述方法包括：

针对每个源文件，对所述源文本进行划分，生成第一候选句子文本集合；

对所述第一候选句子文本集合进行筛选处理，生成第二候选句子文本集合；

所述在各所述源文本中查找与所述n个SPO条目匹配的m个第一文本，包括：

针对每个源文件，在所述第二候选句子文本集合中查找与所述n个SPO条目匹配的第一文本。

4.根据权利要求3所述的方法，其特征在于，所述对所述第一候选句子文本集合进行筛选处理，生成第二候选句子文本集合，包括：

筛选出所述第一候选句子文本集合中长度满足预设范围的各第一候选句子文本，生成第二候选句子文本集合。

5.根据权利要求1所述的方法，其特征在于，所述生成目标知识样本数据集之后，所述方法还包括：

对所述目标知识样本数据集中各样本进行正误检查，从所述目标知识样本数据集中删除掉错误的样本。

6.根据权利要求5所述的方法，其特征在于，所述对所述目标知识样本数据集中各样本进行正误检查，包括：

将所述目标知识样本数据集中的各样本转换成预设格式，在所述预设格式下，对所述目标知识样本数据集中的各样本进行正误检查，从所述目标知识样本数据集中删除掉错误的样本。

7.一种知识样本数据集的确定装置，其特征在于，包括：

第一获取模块，用于获取预设数量个主谓宾SPO三元组格式和源文本；

第二获取模块，用于根据各所述SPO三元组格式，从预设知识库中获取各所述SPO三元组格式对应的n个SPO条目；

第一生成模块，用于在各所述源文本中查找与所述n个SPO条目匹配的m个第一文本，生成第一知识样本数据集，其中，所述第一知识样本数据集中的每个样本包括S、P、O和第一文本构成的四元组；

第二生成模块，用于根据所述m个第一文本，确定符合各所述SPO三元组格式的k个第二文本，生成第二知识样本数据集，其中，所述第二知识样本数据集中的每个样本包括S、P、O和第二文本构成的四元组；

第三生成模块，用于根据所述第一知识样本数据集和所述第二知识样本数据集，生成目标知识样本数据集。