基于知识图谱的文本处理方法、装置、电子设备及介质与流程

1.本公开涉及人工智能技术领域中的深度学习、知识图谱技术领域，尤其涉及一种基于知识图谱的文本处理方法、装置、电子设备及介质。


背景技术：

2.观点挖掘，即从文本中识别观点，包括观点持有者(谁的观点，可以是人物、组织机构等)、观点目标(对什么的观点，可以是人物、组织机构、事件等)、观点发表时间等。
3.相关技术中，一般将观点挖掘形式化为序列标注任务，采用序列标注模型对文本进行语义角色标注，基于此可以确定文本中哪些片段是观点持有者、哪些片段是观点目标等。但当文本中包含多个观点、特别是嵌套观点时，上述方法则无法进一步确定哪个观点目标对应哪个观点持有者等，挖掘效果差。


技术实现要素：

4.提供了一种基于知识图谱的文本处理方法、装置、电子设备及介质。
5.根据第一方面，提供了一种基于知识图谱的文本处理方法，包括：获取待挖掘文本和预设的多个观点要素，所述多个观点要素和多轮问答一一对应；根据当前轮问答对应的所述观点要素生成所述当前轮问答对应的问询词；根据所述待挖掘文本、所述当前轮问答对应的问询词和阅读理解模型，生成所述当前轮问答对应的答案；以及根据所述多轮问答对应的多个问询词和多个答案，生成所述待挖掘文本对应的观点要素标注结果。
6.根据第二方面，提供了一种基于知识图谱的文本处理装置，包括：获取模块，用于获取待挖掘文本和预设的多个观点要素，所述多个观点要素和多轮问答一一对应；第一生成模块，用于根据当前轮问答对应的所述观点要素生成所述当前轮问答对应的问询词；第二生成模块，用于根据所述待挖掘文本、所述当前轮问答对应的问询词和阅读理解模型，生成所述当前轮问答对应的答案；以及第三生成模块，用于根据所述多轮问答对应的多个问询词和多个答案，生成所述待挖掘文本对应的观点要素标注结果。
7.根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开第一方面所述的基于知识图谱的文本处理方法。
8.根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据本公开第一方面所述的基于知识图谱的文本处理方法。
9.根据第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据本公开第一方面所述的基于知识图谱的文本处理方法。
10.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
11.附图用于更好地理解本方案，不构成对本公开的限定。其中：
12.图1是根据本公开第一实施例的基于知识图谱的文本处理方法的流程示意图；
13.图2是根据本公开第二实施例的基于知识图谱的文本处理方法的流程示意图；
14.图3为本公开实施例的基于知识图谱的文本处理方法的多轮多答案阅读理解模型原理示意图；
15.图4为本公开实施例的基于知识图谱的文本处理方法的多任务学习框架原理示意图；
16.图5是根据本公开第一实施例的基于知识图谱的文本处理装置的框图；
17.图6是根据本公开第二实施例的基于知识图谱的文本处理装置的框图；
18.图7是用来实现本公开实施例的基于知识图谱的文本处理方法的电子设备的框图。
具体实施方式
19.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
20.人工智能(artificial intelligence，简称ai)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前，ai技术具有自动化程度高、精确度高、成本低的优点，得到了广泛的应用。
21.深度学习(deep learning，简称dl)，是机器学习(machine learning，简称ml)领域中一个新的研究方向，学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。就具体研究内容而言，主要包括基于卷积运算的神经网络系统，即卷积神经网络；基于多层神经元的自编码神经网络；以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
22.知识图谱(knowledge graph，简称kg)，在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。知识图谱，是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论，它能为学科研究提供切实的、有价值的参考。
23.观点挖掘(opinion mining，简称om)，又称文本意见挖掘或情感分析，是对文本信
息的主题、意见持有者、主客观性、情绪态度等情感信息的挖掘和分析，进而识别出主观性文本的情感趋向。观点挖掘在很多领域都提供了重要价值。
24.下面结合附图描述本公开实施例的基于知识图谱的文本处理方法、装置、电子设备及介质。
25.图1是根据本公开第一实施例的基于知识图谱的文本处理方法的流程示意图。
26.如图1所示，本公开实施例的基于知识图谱的文本处理方法具体可包括以下步骤：
27.s101，获取待挖掘文本和预设的多个观点要素，多个观点要素和多轮问答一一对应。
28.具体的，本公开实施例的基于知识图谱的文本处理方法的执行主体可为本公开实施例提供的基于知识图谱的文本处理装置，该基于知识图谱的文本处理装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的，执行主体可包括工作站、服务器，计算机、用户终端及其他设备。其中，用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
29.在本公开实施例中，待挖掘文本text即等待被挖掘观点要素的文本。其中，待挖掘文本可通过图像识别、网路传输等方式获取。例如，当采用图像识别的方式获取待挖掘文本时，设备上具有图像采集装置和文本识别装置，图像采集装置可为摄像头等，文本识别装置对图像采集装置采集的图像进行文本识别，得到待挖掘文本。或者，当采用网络传输的方式获取待挖掘文本时，设备上具有联网装置，可通过联网装置与其他设备或者服务器进行网络传输。预先设置好要挖掘哪些观点要素，即预先设置好多个观点要素，用户可根据需要设置，本公开实施例对此不做过多限定。
30.获取待挖掘文本和预设的多个观点要素，其中多个观点要素具体可包括但不限于以下要素中的至少两个：观点持有者、观点目标和观点发表时间等。多个观点要素和多轮问答一一对应，即观点要素和对应问答的目的信息是一致的，通过一轮问答，可以获得特定的对应信息。例如第一轮问答对应的观点要素为观点持有者，第二轮问答对应的观点要素为观点目标，第三轮问答对应的观点要素为观点发表时间。
31.s102，根据当前轮问答对应的观点要素生成当前轮问答对应的问询词。
32.具体的，在进行每一轮问答前，先根据当前轮问答对应的观点要素生成当前轮问答对应的问询词query。
33.s103，根据待挖掘文本、当前轮问答对应的问询词和阅读理解模型，生成当前轮问答对应的答案。
34.具体的，将步骤s101获取的待挖掘文本text、步骤s102生成的当前轮问答对应的问询词query输入至对应的阅读理解模型中，阅读理解模型输出当前轮问答对应的答案。
35.s104，根据多轮问答对应的多个问询词和多个答案，生成待挖掘文本对应的观点要素标注结果。
36.具体的，对步骤s102获取到的多轮问答对应的问询词和步骤s103生成的多轮问答对应的答案进行信息融合，生成待挖掘文本对应的观点要素标注结果。例如第一轮问答对应的问询词为观点持有者，第一轮问答对应的答案为观点持有者1、观点持有者2、
……
，第二轮问答第i个阅读理解模型对应的问询词为观点持有者i的观点目标，第二轮问答第i个阅读理解模型对应的答案为观点目标1、观点目标2、
……
，第三轮问答第k个阅读理解模型
对应的问询词为观点持有者i对观点目标j的观点发表时间，第三轮问答第k个阅读理解模型对应的答案为观点发表时间1、观点发表时间2、
……
，则生成的待挖掘文本对应的观点要素标注结果可以为：观点持有者1对观点目标j的观点发表时间为观点发表时间m，
……
。
37.综上，本公开实施例的基于知识图谱的文本处理方法，获取待挖掘文本和预设的多个观点要素，多个观点要素和多轮问答一一对应，根据当前轮问答对应的观点要素生成当前轮问答对应的问询词，根据待挖掘文本、当前轮问答对应的问询词和阅读理解模型，生成当前轮问答对应的答案，根据多轮问答对应的多个问询词和多个答案，生成待挖掘文本对应的观点要素标注结果。本公开的基于知识图谱的文本处理方法，根据多轮多答案阅读理解模型，能获取到待挖掘文本的观点要素之间一一对应的观点要素标注结果，解决了文本中包含多观点、尤其是嵌套观点使用场景下观点要素无法相互对应的问题，提升了观点挖掘的效果。
38.图2是根据本公开第二实施例的基于知识图谱的文本处理方法的流程示意图。
39.如图2所示，在图1所示实施例的基础上，本公开实施例的基于知识图谱的文本处理方法具体可包括以下步骤：
40.s201，获取待挖掘文本和预设的多个观点要素，多个观点要素和多轮问答一一对应。
41.具体的，本实施例中的步骤s201与上述实施例中的步骤s101相同，此处不再赘述。
42.上述实施例中的步骤s102“根据当前轮问答对应的观点要素生成当前轮问答对应的问询词”具体可包括以下步骤s202和s203。
43.s202，当前轮问答为第一轮问答，则将当前轮问答对应的观点要素确定为当前轮问答对应的问询词。
44.具体的，在进行每一轮问答前，先判断当前轮问答是否为第一轮问答，若当前轮问答为第一轮问答，则将当前轮问答对应的观点要素确定为当前轮问答对应的问询词。例如当前轮问答为第一轮问答，则将当前轮问答(也即第一轮问答)的观点要素“观点持有者”确定为当前轮问答(也即第一轮问答)的问询词，即第一轮问答的问询词为“观点持有者”。
45.s203，当前轮问答不为第一轮问答，则根据上一轮问答对应的答案、上一轮问答对应的问询词和当前轮问答对应的观点要素，生成当前轮问答对应的问询词。
46.具体的，若当前轮问答不为第一轮问答，则当前轮问答对应的问询词不能只根据通过观点要素确定，还需要获取上一轮问答对应的信息即上一轮问答对应的答案和上一轮问答对应的问询词，并根据上一轮问答对应的答案、上一轮问答对应的问询词和当前轮问答对应的观点要素生成当前轮问答对应的问询词。例如，当前轮问答为第二轮问答，则根据上一轮问答即第一轮问答对应的答案“观点持有者1、观点持有者2、
……”
、上一轮问答即第一轮问答对应的问询词“观点持有者”和当前轮问答即第二轮问答对应的观点要素“观点目标”，生成当前轮问答即第二轮问答对应的问询词“观点持有者i的观点目标”。又例如，当前轮问答为第三轮问答，则根据上一轮问答即第二轮问答对应的答案“观点目标1、观点目标2、
……”
、上一轮问答即第二轮问答对应的问询词“观点持有者i的观点目标”和当前轮问答即第三轮问答对应的观点要素“观点发表时间”，生成当前轮问答即第三轮问答对应的问询词“观点持有者i对观点目标j的观点发表时间”。
47.s204，根据待挖掘文本和序列标注模型生成语义角色标注结果。
48.具体的，语义角色标注与观点挖掘在任务形式和任务内容上具有极强的联系，因此可以引入语义角色标注任务，将观点挖掘和语义角色标注用多任务学习的方式一起训练。将步骤s201获取的待挖掘文本输入至序列标注模型中，序列标注模型输出语义角色标注结果，语义角色标注结果具体可包括但不限于：谓语动词、主体、客体、时间等。
49.上述实施例中的步骤s103“根据待挖掘文本、当前轮问答对应的问询词和阅读理解模型，生成当前轮问答对应的答案”具体可包括以下步骤s205。
50.s205，根据语义角色标注结果、待挖掘文本、当前轮问答对应的问询词和阅读理解模型，生成当前轮问答对应的答案。
51.具体的，将步骤s204得到的语义角色标注结果和步骤s101获取的待挖掘文本进行向量表示级联，并和步骤s102生成的当前轮问答对应的问询词一起输入至对应的阅读理解模型中，阅读理解模型输出当前轮问答对应的答案，即将步骤s204得到的语义角色标注结果作为每一轮问答的输入，进一步提升观点挖掘的效果。
52.s206，根据多轮问答对应的多个问询词和多个答案，生成待挖掘文本对应的观点要素标注结果。
53.具体的，本实施例中的步骤s206与上述实施例中的步骤s104相同，此处不再赘述。
54.综上，本公开实施例的基于知识图谱的文本处理方法，获取待挖掘文本和预设的多个观点要素，多个观点要素和多轮问答一一对应，根据当前轮问答对应的观点要素生成当前轮问答对应的问询词，根据待挖掘文本、当前轮问答对应的问询词和阅读理解模型，生成当前轮问答对应的答案，根据多轮问答对应的多个问询词和多个答案，生成待挖掘文本对应的观点要素标注结果。本公开的基于知识图谱的文本处理方法，根据多轮多答案阅读理解模型，能获取到待挖掘文本的观点要素之间一一对应的观点要素标注结果，解决了文本中包含多观点、尤其是嵌套观点使用场景下观点要素无法相互对应的问题，提升了观点挖掘的效果。同时，将观点挖掘和语义角色标注用多任务学习的方式一起训练，从而进一步提升了观点挖掘的效果。
55.为清楚地说明本公开实施例的基于知识图谱的文本处理方法，下面结合图3
‑
图4进行详细描述。
56.图3为本公开实施例的基于知识图谱的文本处理方法的多轮多答案阅读理解模型原理示意图。如图3所示，以三轮问答为例。第一轮问答，输入的待挖掘文本text是原始的输入文本，问询词query是"观点持有者"，答案是观点持有者1、观点持有者2，......。第二轮问答，对于第一轮问答的每个答案都要构建一个阅读理解模型，第i个阅读理解模型输入的待挖掘文本text依然是原始文本，问询词query是"观点持有者i的观点目标"，答案是观点目标1、观点目标2，......，其中每个观点目标都是针对观点持有者i的。第三轮问答以此类推。根据多轮多答案阅读理解模型，能获取到待挖掘文本的观点要素之间一一对应的观点要素标注结果，解决了文本中包含多观点、尤其是嵌套观点使用场景下观点要素无法相互对应的问题，以此提升了观点挖掘的效果。
57.图4为本公开实施例的基于知识图谱的文本处理方法的多任务学习框架原理示意图，如图4所示，将观点挖掘和语义角色标注用多任务学习的方式一起训练，同时将语义角色标注任务输出的语义角色标注结果的向量表示输入到观点挖掘任务的每一轮问答中，和待挖掘文本text的向量表示级联，并和步骤每一轮问答对应的问询词query一起输入至每
一轮问答对应的阅读理解模型中，输出待挖掘文本text对应的观点要素标注结果，将观点挖掘和语义角色标注用多任务学习的方式一起训练，从而进一步提升了观点挖掘的效果。
58.图5是根据本公开第一实施例的基于知识图谱的文本处理装置的框图。
59.如图5所示，本公开实施例的基于知识图谱的文本处理装置500，包括：获取模块501、第一生成模块502、第二生成模块503和第三生成模块504。
60.获取模块501，用于获取待挖掘文本和预设的多个观点要素；多个观点要素和多轮问答一一对应。
61.第一生成模块502，用于根据当前轮问答对应的观点要素生成当前轮问答对应的问询词。
62.第二生成模块503，用于根据待挖掘文本、当前轮问答对应的问询词和阅读理解模型，生成当前轮问答对应的答案。
63.第三生成模块504，用于根据多轮问答对应的多个问询词和多个答案，生成待挖掘文本对应的观点要素标注结果。
64.需要说明的是，上述对基于知识图谱的文本处理方法实施例的解释说明，也适用于本公开实施例的基于知识图谱的文本处理装置，具体过程此处不再赘述。
65.综上，本公开实施例的基于知识图谱的文本处理装置，获取待挖掘文本和预设的多个观点要素，多个观点要素和多轮问答一一对应，根据当前轮问答对应的观点要素生成当前轮问答对应的问询词，根据待挖掘文本、当前轮问答对应的问询词和阅读理解模型，生成当前轮问答对应的答案，根据多轮问答对应的多个问询词和多个答案，生成待挖掘文本对应的观点要素标注结果。本公开的基于知识图谱的文本处理装置，根据多轮多答案阅读理解模型，能获取到待挖掘文本的观点要素之间一一对应的观点要素标注结果，解决了文本中包含多观点、尤其是嵌套观点使用场景下观点要素无法相互对应的问题，提升了观点挖掘的效果。
66.图6是根据本公开第二实施例的基于知识图谱的文本处理装置的框图。
67.如图6所示，本公开实施例的基于知识图谱的文本处理装置600，包括：获取模块601、第一生成模块602、第二生成模块603和第三生成模块6046。
68.其中，获取模块601与上一实施例中的获取模块701具有相同的结构和功能；第一生成模块602与上一实施例中的第一生成模块702具有相同的结构和功能。第二生成模块603与上一实施例中的第二生成模块703具有相同的结构和功能。第三生成模块604与上一实施例中的第三生成模块704具有相同的结构和功能。
69.进一步的，第一生成模块602具体可包括：确定单元6021，用于当前轮问答为第一轮问答时，将当前轮问答对应的观点要素确定为当前轮问答对应的问询词。
70.进一步的，第一生成模块602具体可包括：第一生成单元6022，用于当前轮问答不为第一轮问答，则根据上一轮问答对应的答案、上一轮问答对应的问询词和当前轮问答对应的观点要素，生成当前轮问答对应的问询词。
71.进一步的，本公开实施例的基于知识图谱的文本处理装置600，还可包括：第四生成模块，用于根据待挖掘文本和序列标注模型生成语义角色标注结果；第二生成模块603，具体可包括：第二生成单元，用于根据语义角色标注结果、待挖掘文本、当前轮问答对应的问询词和阅读理解模型，生成当前轮问答对应的答案。
72.进一步的，第二生成单元具体可包括：输入子单元，用于将语义角色标注结果、待挖掘文本和当前轮问答对应的问询词输入至阅读理解模型，得到当前轮问答对应的答案。
73.其中，多个观点要素包括但不限于以下要素中的至少两个：观点持有者、观点目标和观点发表时间。
74.需要说明的是，上述对基于知识图谱的文本处理方法实施例的解释说明，也适用于本公开实施例的基于知识图谱的文本处理装置，具体过程此处不再赘述。
75.综上，本公开实施例的基于知识图谱的文本处理装置，获取待挖掘文本和预设的多个观点要素，多个观点要素和多轮问答一一对应，根据当前轮问答对应的观点要素生成当前轮问答对应的问询词，根据待挖掘文本、当前轮问答对应的问询词和阅读理解模型，生成当前轮问答对应的答案，根据多轮问答对应的多个问询词和多个答案，生成待挖掘文本对应的观点要素标注结果。本公开的基于知识图谱的文本处理装置，根据多轮多答案阅读理解模型，能获取到待挖掘文本的观点要素之间一一对应的观点要素标注结果，解决了文本中包含多观点、尤其是嵌套观点使用场景下观点要素无法相互对应的问题，提升了观点挖掘的效果。同时，将观点挖掘和语义角色标注用多任务学习的方式一起训练，从而进一步提升了观点挖掘的效果。
76.本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
77.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
78.图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
79.如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
80.电子设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
81.计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如图1至图4所示的基于知识图谱的文本处理方法。例如，在一些实施例中，基于知识图谱
的文本处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的基于知识图谱的文本处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于知识图谱的文本处理方法。
82.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
83.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
84.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd
‑
rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
85.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
86.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网
(lan)、广域网(wan)、互联网以及区块链网络。
87.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
88.根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现根据本公开上述实施例所示的基于知识图谱的文本处理方法。
89.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
90.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。