[发明专利]训练实体识别模型的方法及系统和实体识别方法及系统

权利要求书

1.一种用于训练实体识别模型的方法，包括：

构造训练集，其中所述训练集包括多个训练样本d＝{S_input,X_NER,X_TER}，其中S_input为句子，X_NER为该句子的序列标注标签，X_TER为该句子的隐喻实体标签，所述隐喻实体标签用于表示该句子的隐喻实体，其中隐喻实体是该句子实际指向、但未出现在该句子中的实体；

使用所述训练集对所述实体识别模型执行训练，所述实体识别模型基于经预训练的K-BERT模型，其中对所述实体识别模型执行训练包括：

将所述训练集中的训练样本输入到实体识别模型，以得到该训练样本中的句子的序列标注预测输出和实体匹配预测输出，

基于该句子的序列标注预测输出和该句子的序列标注标签确定该句子的序列标注损失Loss_sequence；

至少部分地基于该句子的实体匹配预测输出和该句子的隐喻实体标签确定该句子的实体匹配损失Loss_match；

确定所述实体识别模型的总损失Loss_total，所述总损失为所述序列标注损失和所述实体匹配损失的加权和，即：Loss_total＝Loss_sequence+α*Loss_match，其中α指示实体匹配损失的权重；以及

迭代执行训练以最小化所述实体识别模型的总损失，从而得到经训练的实体识别模型。

2.如权利要求1所述的方法，其中与所述句子相关联的知识图谱也被输入到所述实体识别模型。

3.如权利要求2所述的方法，其中确定该句子的实体匹配损失Loss_match包括：

使用与所述知识图谱相关联的图神经网络来生成该句子的隐喻实体向量；

确定所述句子的实体匹配预测输出与该隐喻实体向量之间的向量距离；以及

确定该句子的实体匹配损失Loss_match，其中该句子的实体匹配损失Loss_match和该实体匹配预测输出与该隐喻实体向量之间的向量距离成正比。

4.如权利要求3所述的方法，其中确定该句子的实体匹配损失Loss_match包括：

至少基于所述知识图谱和该句子的隐喻实体标签来确定该句子的随机实体，其中所述随机实体是随机获取的实体；

使用所述图神经网络来生成该句子的随机实体向量；以及

至少部分地基于该句子的实体匹配预测输出和该句子的隐喻实体标签和随机实体标签确定该句子的实体匹配损失Loss_match，其中该句子的实体匹配损失Loss_match和该实体匹配预测输出与该随机实体向量之间的向量距离成反比。

5.如权利要求3所述的方法，其中确定该句子的实体匹配损失Loss_match包括：

至少基于所述知识图谱和该句子的隐喻实体标签来确定该句子的知识嵌入实体，该知识嵌入实体是基于所述知识图谱嵌入到该句子中的不同于该隐喻实体的实体；

使用所述图神经网络来生成该句子的知识嵌入实体向量；

至少部分地基于该句子的实体匹配预测输出和该句子的隐喻实体标签和知识嵌入实体标签确定该句子的实体匹配损失Loss_match，其中该句子的实体匹配损失Loss_match和该实体匹配预测输出与该知识嵌入实体向量之间的向量距离成反比。