[发明专利]一种词条同义判别的寻证方法、装置、设备和存储介质

说明书

本申请公开了一种词条同义判别的寻证方法、装置、设备和存储介质，涉及知识图谱技术领域。具体实现方案为：获取待进行同义判别的词条对，以及所述词条对所属领域的数据源；将所述数据源中的文本按照设定粒度进行划分，得到多段文本；根据所述词条对在所述多段文本的每段文本中是否出现，计算所述词条对的相关度；如果所述词条对的相关度满足设定条件，将所述词条对共现的文本段作为所述词条对的同义判别证据。本申请实施例将可能同义的词条对出现在的一段段文本提取出来，作为同义判别证据，从而依据词条对的共现进行初步的同义判别，提高同义判别证据的准确性和权威性。

技术领域

本申请涉及计算机技术，尤其涉及知识图谱技术领域。

背景技术

有些行业中，描述行业内实体的术语别名较多，口语化的描述也差别很大。例如医疗领域中，对于检查、手术、临床、药物、疾病等的实体的标准名和别名较多，例如，感冒和上呼吸道感染描述的是同一疾病，妊高症和妊娠期高血压描述的是同一疾病。

在将智能项目落地时，需要对同一实体的标准名和别名进行统一，以便项目成功运行。目前主要通过本领域专家通过经验直接判断两个词条是否同义。

由于领域内实体的术语别名会不断增加和变化，专家的经验也不尽是正确的，单纯依据经验会使同义判断的依据不足，不够权威，难以评估同义判别的准确性。

发明内容

本申请实施例提供了一种词条同义判别的寻证方法、装置、设备和存储介质，以得到对词条对进行同义判别的证据，辅助相关人员进行同义判别，提高同义判别的准确性。

第一方面，本申请实施例提供了一种词条同义判别的寻证方法，包括：

获取待进行同义判别的词条对，以及所述词条对所属领域的数据源；

将所述数据源中的文本按照设定粒度进行划分，得到多段文本；

根据所述词条对在所述多段文本的每段文本中是否出现，计算所述词条对的相关度；

如果所述词条对的相关度满足设定条件，将所述词条对共现的文本段作为所述词条对的同义判别证据。

本申请实施例根据词条对在每段文本中是否出现计算相关度，如果相关度满足设定条件，说明词条对可能是同义的，进而将可能同义的词条对出现在的一段段文本提取出来，作为同义判别证据，从而依据词条对的共现进行初步的同义判别，提高同义判别证据的准确性和权威性；本申请实施例对词条对所属领域的数据源按照设定粒度进行划分，进而以每段文本为单位得到相关度，以便根据相关度将词条对共现的文本段，即具体出处提取出来，而非在整个数据源中查找词条对；该文本段能够直接反映词条对是否同义，通过将该文本作为同义判别证据进行最终的同义判别，能够进一步提高同义判别证据的权威性和准确性。

可选的，根据所述词条对在所述多段文本的每段文本中是否出现，计算所述词条对的相关度，包括：

根据所述词条对在所述多段文本的每段文本中是否出现，计算所述词条对的共现概率以及所述词条对中每个词条的出现概率；

根据所述词条对的共现概率以及每个词条的出现概率，计算所述词条对的相关度。

上述申请中的一种可选实施方式，词条对的共现概率实质是两个词条的联合分布概率，每个词条的出现概率实质是每个词条的边缘分布概率，在概率论和信息论中，根据联合分布概率和边缘分布概率可以得到词条对的相关度，该相关度体现了两个词条之间的内在依赖性，能有效度量词条对是否同义。

可选地，所述数据源包括多个著作物；

所述根据所述词条对在所述多段文本的每段文本中是否出现，计算所述词条对的共现概率以及所述词条对中每个词条的出现概率，包括：