[发明专利]一种实体消歧方法、装置、计算机装置及计算机存储介质

说明书

本发明适用于互联网技术领域，公开了一种实体消歧方法、装置、计算机装置及计算机存储介质，所述方法包括：构建待消歧实体的基因；根据所述待消歧实体的语义特征从实体库中确定候选实体，其中，所述待消歧实体的语义特征包括名字形式相似性、简称信息及指代特点；计算所述候选实体与所述待消歧实体的基因匹配度，在所述基因匹配度超过预设阈值的情况下，确定所述候选实体与所述待消歧实体的基因相匹配。本发明提供的实体消歧方法，能够提高实体消歧的效果，在实体消歧过程中，逐渐完善链接实体和知识库，有助于提高在海量文本中的目标分析、知识库构建和问答系统等方面的数据处理效率。

技术领域

本发明属于互联网技术领域，尤其涉及一种实体消歧方法、装置、计算机装置及计算机存储介质。

背景技术

自然语言处理过程中存在实体名称歧义性问题，例如，文本中的某个人名可能指代现世界中多个实体。导致实体名称歧义性问题的原因是自然语言表述的自由性、多样性、歧义性。目前，自然语言处理(Natural Language Processing，NLP)研究一直专注于机器翻译、信息检索、文本摘要、问答、信息提取、主题建模以及情感挖掘等任务。传统基于语法分析的自然语言处理技术发展较为缓慢，突破性成果较少。随着深度学习等技术的创新，人工智能在NLP领域得到了广泛的关注。由于自然语言描述中存在同义、近义词，一词多义等情况，加大了自然语言分析的难度，因而自然语言处理中比较关键的问题是实体消歧，实体消歧的主要目的是识别语句中存在多义性的实体名称，并对每一个多义实体名称给出符合其语境的语义。常见的实体消歧方法要求预先存在信息丰富的知识库，在大规模数据源上性能表现差，在互联网数据源上实体消歧的精度低。

发明内容

本发明实施例提供一种实体消歧方法、装置、计算机装置及计算机存储介质，旨在解决现有技术中方法要求预先存在信息丰富的知识库，在大规模数据源上性能表现差，在互联网数据源上实体消歧的精度低的问题。

本发明是这样实现的，一种实体消歧方法，包括以下过程：

构建待消歧实体的基因，所述基因包括：共现实体词基因及实体属性基因，所述共现实体词基因包括共现实体词及共现程度，所述实体属性基因包括所述待消歧实体的属性；

根据所述待消歧实体的语义特征从实体库中确定候选实体，其中，所述待消歧实体的语义特征包括名字形式相似性、简称信息及指代特点；

计算所述候选实体与所述待消歧实体的基因匹配度，在所述基因匹配度超过预设阈值的情况下，确定所述候选实体与所述待消歧实体的基因相匹配。

进一步地，所述计算所述候选实体与所述待消歧实体的基因匹配度，包括以下过程：

获取所述候选实体与所述待消歧实体的共现实体基因匹配度；

获取所述候选实体与所述待消歧实体的属性基因匹配度；

根据所述共现实体基因匹配度和属性基因匹配度，计算所述候选实体与待消歧实体的基因匹配度，计算公式为：

score_g(m,e)＝α*score_w(m,e)+β*score_p(m,e)

其中，score_g(m,e)为基因匹配度，score_w(m,e)为所述共现实体基因匹配度，score_p(m,e)为所述属性基因匹配度，α、β为权重。

进一步地，所述获取所述候选实体与所述待消歧实体的共现实体基因匹配度，包括以下过程：

从预先存储的文档中确定所述待消歧实体的共现实体词，并从所述预先存储的文档中确定所述候选实体的共现实体词；

获取所述候选实体的基因实体词集；