[发明专利]属性对齐模型训练方法及装置

权利要求书

1.一种属性对齐模型训练方法，其特征在于，包括：

获取至少一个数据源；

从词典中获取所述数据源的属性名称的属性描述、所述属性名称的同义属性名称的属性描述和所述属性名称的反义属性名称的属性描述；

将所述属性名称的属性描述、所述同义属性名称的属性描述作为正训练样本；和/或，将所述反义属性名称的属性描述、与所述属性名称不在同一聚类的其它属性名称的属性描述作为负训练样本；

将根据所述至少一个数据源确定的正训练样本集和/或负训练样本集作为训练数据进行训练，得到属性对齐模型。

2.根据权利要求1所述的方法，其特征在于，所述将根据所述数据源确定的正训练样本集和/或负训练样本集作为训练数据进行训练，得到属性对齐模型，包括：

将所述正训练样本集中的同义属性名称进行组合，确定同义属性组，和/或将所述负训练样本集中的反义属性名称进行组合，确定反义属性组；其中，所述同义属性组或所述反义属性组中包含第一属性名称的第一属性描述和第二属性名称的第二属性描述；

将所述第一属性描述和所述第二属性描述输入神经网络进行预测；

当所有同义属性组和/或反义属性组的预测结果达到预设条件时，得到属性对齐模型。

3.根据权利要求2所述的方法，其特征在于，所述将所述第一属性描述和所述第二属性描述输入神经网络进行预测，包括：

对所述同义属性组中的属性描述进行预处理，得到所述第一属性描述对应的第一词序列和所述第二属性描述对应的第二词序列；

查询预先训练得到的词向量表获取所述第一词序列中每个词的向量表示，及所述第二词序列中每个词的向量表示；

根据所述第一词序列中每个词的向量表示确定第一向量序列，及根据所述第二词序列中每个词的向量表示确定第二向量序列；

将所述第一向量序列和所述第二向量序列输入神经网络进行预测。

4.根据权利要求3所述的方法，其特征在于，所述将所述第一向量序列和所述第二向量序列输入神经网络进行预测，包括：

将所述第一向量序列和所述第二向量序列分别按序输入第一神经网络；

根据所述第一神经网络的输出结果确定所述第一向量序列对应的第一向量和所述第二向量序列对应的第二向量；

将所述第一向量和所述第二向量输入第二神经网络进行预测。

5.根据权利要求4所述的方法，其特征在于，所述将所述第一向量和所述第二向量输入第二神经网络进行预测，包括：

对所述第一向量和所述第二向量进行向量运算，得到第三向量；

根据所述第一向量和所述第三向量生成第一拼接向量，及根据所述第二向量和所述第三向量生成第二拼接向量；

将所述第一拼接向量和所述第二拼接向量输入第二神经网络进行预测。

6.根据权利要求5所述的方法，其特征在于，所述第三向量为差向量和/或积向量。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述从词典中获取所述数据源的属性名称的属性描述、所述属性名称的同义属性名称的属性描述和所述属性名称的反义属性名称的属性描述，包括：

将多个数据源中同类型实体属性值类型相同的属性名称作为一个聚类，得到同义属性候选集合；

从词典中获取所述同义属性候选集合中的属性名称的属性描述、所述属性名称的同义属性名称的属性描述和所述属性名称的反义属性名称的属性描述。