基于人工智能的实体关系检测方法及相关设备与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的实体关系检测方法及相关设备。


背景技术：

2.随着人工智能的发展，机器阅读理解能够直接从文本中抽取出某篇文本中某些企业相互之间的合作关系。然而，对于一些披露文本，由于文本中没有直接描述企业与企业之间的合作关系，导致现有技术无法抽取到这一实体关系，造成实体关系检测不准确。


技术实现要素：

3.鉴于以上内容，有必要提供一种基于人工智能的实体关系检测方法及相关设备，能够提高待检测文本的检测准确性及检测效率。
4.一方面，本发明提出一种基于人工智能的实体关系检测方法，所述基于人工智能的实体关系检测方法包括：
5.当接收到实体关系检测请求时，根据所述实体关系检测请求获取待检测文本；
6.基于预先训练好的实体关系识别模型分析所述待检测文本，得到识别结果；
7.若所述识别结果为预设结果，根据所述识别结果从所述待检测文本中抽取关系语句；
8.识别所述关系语句中的对象实体；
9.若所述对象实体有多个，定位多个所述对象实体在所述关系语句中的实体关系；
10.基于预设图谱检测所述实体关系，得到所述待检测文本的检测结果。
11.根据本发明优选实施例，所述基于预先训练好的实体关系识别模型分析所述待检测文本，得到识别结果包括：
12.对所述待检测文本进行分词处理，得到多个文本分词；
13.获取所述实体关系识别模型的编码映射表；
14.基于所述编码映射表对所述多个文本分词进行编码处理，得到多个单词编码；
15.根据所述多个文本分词在所述待检测文本中的词汇位置拼接所述多个单词编码，得到编码向量；
16.基于所述多个文本分词在所述编码向量中的表征顺序生成所述待检测文本的位置向量；
17.获取所述实体关系识别模型的语义生成网络及关系分类网络；
18.基于所述语义生成网络分析所述编码向量及所述位置向量，得到所述待检测文本的文本语义向量；
19.获取所述关系分类网络中的权值矩阵及偏置向量；
20.计算所述文本语义向量与所述权值矩阵的乘积，得到运算向量，并计算所述运算向量与所述偏置向量的总和，得到分类向量；
21.将所述分类向量中取值最大的维度所对应的类别确定为所述识别结果。
22.根据本发明优选实施例，所述根据所述识别结果从所述待检测文本中抽取关系语句包括：
23.根据所述识别结果从预设词库中获取标准词汇；
24.基于所述标准词汇遍历所述待检测文本中的每个文本语句；
25.将包含有所述标准词汇的文本语句确定为所述关系语句。
26.根据本发明优选实施例，所述识别所述关系语句中的对象实体包括：
27.基于所述关系语句的多个语句分词对所述关系语句进行向量化处理，得到语句向量序列；
28.将所述语句向量序列输入至预先训练好的实体识别模型中，并获取每个语句分词在激活层的多个配置标签上的输出概率及转移概率；
29.对于每个语句分词，对每个配置标签的输出概率及转移概率进行加权和运算，得到每个配置标签的标签分值；
30.将所述标签分值最高的配置标签确定为该语句分词的输出标签；
31.将所述输出标签与预设实体标签进行匹配，并将与所述预设实体标签匹配成功的输出标签所对应的语句分词确定为所述对象实体。
32.根据本发明优选实施例，所述定位多个所述对象实体在所述关系语句中的实体关系包括：
33.对于多个所述对象实体中的实体对，检测所述实体对中的对象实体是否在同一关系语句中，所述实体对包括任意两个对象实体；
34.若所述实体对中的对象实体存在同一关系语句中，分析所述实体对中的对象实体在该关系语句中的语法结构；
35.若所述语法结构有多个，确定所述实体对中的对象实体包含有所述实体关系。
36.根据本发明优选实施例，所述基于人工智能的实体关系检测方法还包括：
37.若所述对象实体的实体数量小于预设数量，获取预设标签，所述预设标签用于指示发布用户；
38.从所述待检测文本中提取与所述预设标签对应的信息作为所述待检测文本的文本发布方；
39.将所述文本发布方与所述对象实体的关联关系确定为所述实体关系。
40.根据本发明优选实施例，所述基于预设图谱检测所述实体关系，得到所述待检测文本的检测结果包括：
41.对于每个实体关系，获取该实体关系的多个关系对象；
42.对于所述多个关系对象中的任一关系对象，将所述多个关系对象中除所述任一关系对象外的其余关系对象确定为目标对象；
43.基于所述任一关系对象遍历所述预设图谱，得到所述任一关系对象的多个关联对象；
44.检测所述多个关联对象中是否包含有所述目标对象；
45.若所述多个关联对象中包含有所述目标对象，将所述检测结果确定为该实体关系具有真实性。
46.另一方面，本发明还提出一种基于人工智能的实体关系检测装置，所述基于人工智能的实体关系检测装置包括：
47.获取单元，用于当接收到实体关系检测请求时，根据所述实体关系检测请求获取待检测文本；
48.分析单元，用于基于预先训练好的实体关系识别模型分析所述待检测文本，得到识别结果；
49.抽取单元，用于若所述识别结果为预设结果，根据所述识别结果从所述待检测文本中抽取关系语句；
50.识别单元，用于识别所述关系语句中的对象实体；
51.定位单元，用于若所述对象实体有多个，定位多个所述对象实体在所述关系语句中的实体关系；
52.检测单元，用于基于预设图谱检测所述实体关系，得到所述待检测文本的检测结果。
53.另一方面，本发明还提出一种电子设备，所述电子设备包括：
54.存储器，存储计算机可读指令；及
55.处理器，执行所述存储器中存储的计算机可读指令以实现所述基于人工智能的实体关系检测方法。
56.另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述基于人工智能的实体关系检测方法。
57.由以上技术方案可以看出，本发明通过所述实体关系识别模型识别出所述待检测文本的识别结果，能够避免对不包含有实体关系的文本进一步进行分析，进而根据所述识别结果能够从所述待检测文本中众多的文本语句中确定出关系语句进行分析，不仅提高了实体关系的分析效率，还能够避免出现实体关系无法被抽取的问题，通过所述预设图谱能够准确的分析出所述实体关系的真实性，提高了所述检测结果的准确性，有利于准确的识别出企业是否执行了虚假宣传。
附图说明
58.图1是本发明基于人工智能的实体关系检测方法的较佳实施例的流程图。
59.图2是本发明基于人工智能的实体关系检测装置的较佳实施例的功能模块图。
60.图3是本发明实现基于人工智能的实体关系检测方法的较佳实施例的电子设备的结构示意图。
具体实施方式
61.为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
62.如图1所示，是本发明基于人工智能的实体关系检测方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
63.所述基于人工智能的实体关系检测方法可应用于智慧政务场景中，从而推动智慧
城市的建设。
64.所述基于人工智能的实体关系检测方法可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
65.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
66.所述基于人工智能的实体关系检测方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字信号处理器(digital signal processor，dsp)、嵌入式设备等。
67.所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personal digital assistant，pda)、游戏机、交互式网络电视(internet protocol television，iptv)、智能穿戴式设备等。
68.所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(cloud computing)的由大量主机或网络电子设备构成的云。
69.所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(virtual private network，vpn)等。
70.s10，当接收到实体关系检测请求时，根据所述实体关系检测请求获取待检测文本。
71.在本发明的至少一个实施例中，所述实体关系检测请求中携带有存储路径、文本标识等。
72.所述待检测文本是指需要进行实体关系检测的文本。本发明所述的实体关系检测包括抽取所述待检测文本中的实体关系，并检测该实体关系的真实性。进一步地，所述实体关系可以是指多个企业之间的合作关系。
73.在本发明的至少一个实施例中，所述电子设备根据所述实体关系检测请求获取待检测文本包括：
74.解析所述实体关系检测请求的报文，得到所述报文携带的数据信息；
75.从所述数据信息中提取存储路径及文本标识；
76.根据所述存储路径及所述文本标识生成查询语句；
77.执行所述查询语句，得到所述待检测文本。
78.通过上述实施方式，能够快速获取到所述待检测文本。
79.s11，基于预先训练好的实体关系识别模型分析所述待检测文本，得到识别结果。
80.在本发明的至少一个实施例中，所述实体关系识别模型可以基于企业的披露文件训练生成的。具体地，所述电子设备将所述披露文件输入至预先构建好的学习器中，得到预
测结果，并获取所述披露文件的标注结果，根据所述预测结果与所述标注结果的相似度调整所述学习器，直至所述预测结果与所述标注结果的相似度不再增加，得到所述实体关系识别模型。
81.其中，所述学习器中包括编码层、语义生成层及关系分类层。
82.所述识别结果可以包括：所述待检测文本中包含实体关系，或者，所述待检测文本中不包含实体关系。
83.在本发明的至少一个实施例中，所述电子设备基于预先训练好的实体关系识别模型分析所述待检测文本，得到识别结果包括：
84.对所述待检测文本进行分词处理，得到多个文本分词；
85.获取所述实体关系识别模型的编码映射表；
86.基于所述编码映射表对所述多个文本分词进行编码处理，得到多个单词编码；
87.根据所述多个文本分词在所述待检测文本中的词汇位置拼接所述多个单词编码，得到编码向量；
88.基于所述多个文本分词在所述编码向量中的表征顺序生成所述待检测文本的位置向量；
89.获取所述实体关系识别模型的语义生成网络及关系分类网络；
90.基于所述语义生成网络分析所述编码向量及所述位置向量，得到所述待检测文本的文本语义向量；
91.获取所述关系分类网络中的权值矩阵及偏置向量；
92.计算所述文本语义向量与所述权值矩阵的乘积，得到运算向量，并计算所述运算向量与所述偏置向量的总和，得到分类向量；
93.将所述分类向量中取值最大的维度所对应的类别确定为所述识别结果。
94.其中，所述编码映射表中存储有多个词汇与编码值的映射关系。
95.所述词汇位置是指将所述多个文本分词组合生成所述待检测文本的位置信息。
96.所述表征顺序是指将所述多个单词编码拼接生成所述编码向量的顺序。
97.所述文本语义向量用于表征所述待检测文本的语义信息。
98.通过将所述待检测文本切分为所述多个文本分词，不仅能够提高所述编码向量的生成效率，还能够避免所述位置向量的长度过长，从而提高所述语义生成网络的分析效率，同时，结合所述编码向量及所述位置向量对所述待检测文本的语义进行分析，由于文本分词在语句中的不同位置上所表征出的含义有所不同，因此，提高了所述文本语义向量的准确性，进而基于所述权值矩阵及所述偏置向量能够准确的生成所述识别结果。
99.具体地，所述电子设备对所述待检测文本进行分词处理，得到多个文本分词包括：
100.基于预设词典切分所述待检测文本，得到多个切分路径及每个切分路径所对应的路径分词；
101.从所述预设词典中获取所述路径分词的分词权值；
102.对于每个切分路径，计算所述分词权值的总和，得到每个切分路径的路径总分；
103.将所述路径总分最大的切分路径所对应的路径分词确定为所述多个文本分词。
104.其中，所述预设词典中存储有多个自定义词汇及每个自定义词汇的权值。该权值可以根据每个自定义词汇在多个文本数据中的词频及逆文档频度确定。
105.通过所述分词权值能够准确的确定出每个切分路径的路径总分，从而提高所述多个文本分词的切分效率。
106.s12，若所述识别结果为预设结果，根据所述识别结果从所述待检测文本中抽取关系语句。
107.在本发明的至少一个实施例中，所述预设结果是指所述待检测文本中包含有实体关系。
108.所述关系语句是指描述实体关系的文本语句。
109.在本发明的至少一个实施例中，所述电子设备根据所述识别结果从所述待检测文本中抽取关系语句包括：
110.根据所述识别结果从预设词库中获取标准词汇；
111.基于所述标准词汇遍历所述待检测文本中的每个文本语句；
112.将包含有所述标准词汇的文本语句确定为所述关系语句。
113.其中，所述预设词库中存储有多个与所述识别结果匹配的标准词汇，所述标准词汇用于指示多个所述对象实体之间包含有合作关系，例如，所述标准词汇可以包括：合作、协作等。
114.通过所述标准词汇能够快速从所述待检测文本中抽取出所述关系语句。
115.在本发明的至少一个实施例中，若所述识别结果不为所述预设结果，将所述检测结果确定为所述待检测文本中不含实体关系。
116.通过上述实施方式，能够避免对不含实体关系的文本进行分析，提高执行线程的利用率。
117.s13，识别所述关系语句中的对象实体。
118.在本发明的至少一个实施例中，所述对象实体是指所述关系语句中的企业实体。
119.在本发明的至少一个实施例中，所述电子设备识别所述关系语句中的对象实体包括：
120.基于所述关系语句的多个语句分词对所述关系语句进行向量化处理，得到语句向量序列；
121.将所述语句向量序列输入至预先训练好的实体识别模型中，并获取每个语句分词在激活层的多个配置标签上的输出概率及转移概率；
122.对于每个语句分词，对每个配置标签的输出概率及转移概率进行加权和运算，得到每个配置标签的标签分值；
123.将所述标签分值最高的配置标签确定为该语句分词的输出标签；
124.将所述输出标签与预设实体标签进行匹配，并将与所述预设实体标签匹配成功的输出标签所对应的语句分词确定为所述对象实体。
125.其中，所述多个语句分词是从所述多个文本分词中提取到的。
126.所述实体识别模型中包含有所述激活层，所述激活层中包含有所述多个配置标签，所述多个配置标签包括有与所述对象实体对应的标签，例如，所述多个配置标签可以是：企业、人物等。
127.所述标签分值用于指示所述语句分词为所述配置标签的分数。
128.所述预设实体标签是根据实际需求设定的，可以理解的是，由于本发明分析企业
与企业之间的实体关系，因此，所述预设实体标签可以设置为企业标签。
129.通过上述实施方式，能够准确地确定出每个语句分词所对应的输出标签，从而提高所述对象实体的识别准确性。
130.s14，若所述对象实体有多个，定位多个所述对象实体在所述关系语句中的实体关系。
131.在本发明的至少一个实施例中，所述实体关系是指多个所述对象实体之间的关系，例如，所述实体关系可以是合作关系。
132.在本发明的至少一个实施例中，所述电子设备定位多个所述对象实体在所述关系语句中的实体关系包括：
133.对于多个所述对象实体中的实体对，检测所述实体对中的对象实体是否在同一关系语句中，所述实体对包括任意两个对象实体；
134.若所述实体对中的对象实体存在同一关系语句中，分析所述实体对中的对象实体在该关系语句中的语法结构；
135.若所述语法结构有多个，确定所述实体对中的对象实体包含有所述实体关系。
136.其中，所述语法结构用于指示所述对象实体在该关系语句中充当的角色，所述语法结构可以包括，但不限于：宾语、主语等。
137.可以理解的是，所述语法结构有多个，相当于，所述实体对中的对象实体在该关系语句中的语法结构不同。
138.通过检测所述实体对中的对象实体是否在同一关系语句中，能够初步剔除不存在合作关系的对象实体，进一步检测所述任意两个对象实体的语法结构的数量，能够快速并准确的确定出所述实体关系。
139.在本发明的至少一个实施例中，所述基于人工智能的实体关系检测方法还包括：
140.若所述对象实体的实体数量小于预设数量，获取预设标签，所述预设标签用于指示发布用户；
141.从所述待检测文本中提取与所述预设标签对应的信息作为所述待检测文本的文本发布方；
142.将所述文本发布方与所述对象实体的关联关系确定为所述实体关系。
143.其中，所述实体数量是指所述对象实体的数量，所述实体数量通常为正整数。
144.所述预设数量通常设置为2。可以理解的是，所述对象实体的实体数量小于预设数量，也就是说，所述对象实体不具有多个，即，所述对象实体的实体数量为1。
145.所述文本发布方是指所述待检测文本的发布用户，所述文本发布方可以是任意企业。
146.通过上述实施方式，能够避免由于中文的语义习惯造成无法抽取到所述实体关系，提高了所述实体关系的抽取完整性。
147.s15，基于预设图谱检测所述实体关系，得到所述待检测文本的检测结果。
148.在本发明的至少一个实施例中，所述预设图谱中存储有多个对象及与每个对象关联的企业对象。
149.所述检测结果可以包括：所述待检测文本中不含实体关系；所述待检测文本中包含实体关系、且该实体关系具有真实性；所述待检测文本中包含实体关系、且该实体关系不
具有真实性。
150.需要强调的是，为进一步保证上述检测结果的私密和安全性，上述检测结果还可以存储于一区块链的节点中。
151.在本发明的至少一个实施例中，所述电子设备基于预设图谱检测所述实体关系，得到所述待检测文本的检测结果包括：
152.对于每个实体关系，获取该实体关系的多个关系对象；
153.对于所述多个关系对象中的任一关系对象，将所述多个关系对象中除所述任一关系对象外的其余关系对象确定为目标对象；
154.基于所述任一关系对象遍历所述预设图谱，得到所述任一关系对象的多个关联对象；
155.检测所述多个关联对象中是否包含有所述目标对象；
156.若所述多个关联对象中包含有所述目标对象，将所述检测结果确定为该实体关系具有真实性。
157.通过对每个实体关系中的所述多个关系对象进行检测，能够避免某一对象的虚假宣传造成所述实体关系不真实，从而提高所述检测结果的准确性。
158.由以上技术方案可以看出，本发明通过所述实体关系识别模型识别出所述待检测文本的识别结果，能够避免对不包含有实体关系的文本进一步进行分析，进而根据所述识别结果能够从所述待检测文本中众多的文本语句中确定出关系语句进行分析，不仅提高了实体关系的分析效率，还能够避免出现实体关系无法被抽取的问题，通过所述预设图谱能够准确的分析出所述实体关系的真实性，提高了所述检测结果的准确性，有利于准确的识别出企业是否执行了虚假宣传。
159.如图2所示，是本发明基于人工智能的实体关系检测装置的较佳实施例的功能模块图。所述基于人工智能的实体关系检测装置11包括获取单元110、分析单元111、抽取单元112、识别单元113、定位单元114、检测单元115、提取单元116及确定单元117。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
160.当接收到实体关系检测请求时，获取单元110根据所述实体关系检测请求获取待检测文本。
161.在本发明的至少一个实施例中，所述实体关系检测请求中携带有存储路径、文本标识等。
162.所述待检测文本是指需要进行实体关系检测的文本。本发明所述的实体关系检测包括抽取所述待检测文本中的实体关系，并检测该实体关系的真实性。进一步地，所述实体关系可以是指多个企业之间的合作关系。
163.在本发明的至少一个实施例中，所述获取单元110根据所述实体关系检测请求获取待检测文本包括：
164.解析所述实体关系检测请求的报文，得到所述报文携带的数据信息；
165.从所述数据信息中提取存储路径及文本标识；
166.根据所述存储路径及所述文本标识生成查询语句；
167.执行所述查询语句，得到所述待检测文本。
168.通过上述实施方式，能够快速获取到所述待检测文本。
169.分析单元111基于预先训练好的实体关系识别模型分析所述待检测文本，得到识别结果。
170.在本发明的至少一个实施例中，所述实体关系识别模型可以基于企业的披露文件训练生成的。具体地，将所述披露文件输入至预先构建好的学习器中，得到预测结果，并获取所述披露文件的标注结果，根据所述预测结果与所述标注结果的相似度调整所述学习器，直至所述预测结果与所述标注结果的相似度不再增加，得到所述实体关系识别模型。
171.其中，所述学习器中包括编码层、语义生成层及关系分类层。
172.所述识别结果可以包括：所述待检测文本中包含实体关系，或者，所述待检测文本中不包含实体关系。
173.在本发明的至少一个实施例中，所述分析单元111基于预先训练好的实体关系识别模型分析所述待检测文本，得到识别结果包括：
174.对所述待检测文本进行分词处理，得到多个文本分词；
175.获取所述实体关系识别模型的编码映射表；
176.基于所述编码映射表对所述多个文本分词进行编码处理，得到多个单词编码；
177.根据所述多个文本分词在所述待检测文本中的词汇位置拼接所述多个单词编码，得到编码向量；
178.基于所述多个文本分词在所述编码向量中的表征顺序生成所述待检测文本的位置向量；
179.获取所述实体关系识别模型的语义生成网络及关系分类网络；
180.基于所述语义生成网络分析所述编码向量及所述位置向量，得到所述待检测文本的文本语义向量；
181.获取所述关系分类网络中的权值矩阵及偏置向量；
182.计算所述文本语义向量与所述权值矩阵的乘积，得到运算向量，并计算所述运算向量与所述偏置向量的总和，得到分类向量；
183.将所述分类向量中取值最大的维度所对应的类别确定为所述识别结果。
184.其中，所述编码映射表中存储有多个词汇与编码值的映射关系。
185.所述词汇位置是指将所述多个文本分词组合生成所述待检测文本的位置信息。
186.所述表征顺序是指将所述多个单词编码拼接生成所述编码向量的顺序。
187.所述文本语义向量用于表征所述待检测文本的语义信息。
188.通过将所述待检测文本切分为所述多个文本分词，不仅能够提高所述编码向量的生成效率，还能够避免所述位置向量的长度过长，从而提高所述语义生成网络的分析效率，同时，结合所述编码向量及所述位置向量对所述待检测文本的语义进行分析，由于文本分词在语句中的不同位置上所表征出的含义有所不同，因此，提高了所述文本语义向量的准确性，进而基于所述权值矩阵及所述偏置向量能够准确的生成所述识别结果。
189.具体地，所述分析单元111对所述待检测文本进行分词处理，得到多个文本分词包括：
190.基于预设词典切分所述待检测文本，得到多个切分路径及每个切分路径所对应的
路径分词；
191.从所述预设词典中获取所述路径分词的分词权值；
192.对于每个切分路径，计算所述分词权值的总和，得到每个切分路径的路径总分；
193.将所述路径总分最大的切分路径所对应的路径分词确定为所述多个文本分词。
194.其中，所述预设词典中存储有多个自定义词汇及每个自定义词汇的权值。该权值可以根据每个自定义词汇在多个文本数据中的词频及逆文档频度确定。
195.通过所述分词权值能够准确的确定出每个切分路径的路径总分，从而提高所述多个文本分词的切分效率。
196.若所述识别结果为预设结果，抽取单元112根据所述识别结果从所述待检测文本中抽取关系语句。
197.在本发明的至少一个实施例中，所述预设结果是指所述待检测文本中包含有实体关系。
198.所述关系语句是指描述实体关系的文本语句。
199.在本发明的至少一个实施例中，所述抽取单元112根据所述识别结果从所述待检测文本中抽取关系语句包括：
200.根据所述识别结果从预设词库中获取标准词汇；
201.基于所述标准词汇遍历所述待检测文本中的每个文本语句；
202.将包含有所述标准词汇的文本语句确定为所述关系语句。
203.其中，所述预设词库中存储有多个与所述识别结果匹配的标准词汇，所述标准词汇用于指示多个所述对象实体之间包含有合作关系，例如，所述标准词汇可以包括：合作、协作等。
204.通过所述标准词汇能够快速从所述待检测文本中抽取出所述关系语句。
205.在本发明的至少一个实施例中，若所述识别结果不为所述预设结果，将所述检测结果确定为所述待检测文本中不含实体关系。
206.通过上述实施方式，能够避免对不含实体关系的文本进行分析，提高执行线程的利用率。
207.识别单元113识别所述关系语句中的对象实体。
208.在本发明的至少一个实施例中，所述对象实体是指所述关系语句中的企业实体。
209.在本发明的至少一个实施例中，所述识别单元113识别所述关系语句中的对象实体包括：
210.基于所述关系语句的多个语句分词对所述关系语句进行向量化处理，得到语句向量序列；
211.将所述语句向量序列输入至预先训练好的实体识别模型中，并获取每个语句分词在激活层的多个配置标签上的输出概率及转移概率；
212.对于每个语句分词，对每个配置标签的输出概率及转移概率进行加权和运算，得到每个配置标签的标签分值；
213.将所述标签分值最高的配置标签确定为该语句分词的输出标签；
214.将所述输出标签与预设实体标签进行匹配，并将与所述预设实体标签匹配成功的输出标签所对应的语句分词确定为所述对象实体。
215.其中，所述多个语句分词是从所述多个文本分词中提取到的。
216.所述实体识别模型中包含有所述激活层，所述激活层中包含有所述多个配置标签，所述多个配置标签包括有与所述对象实体对应的标签，例如，所述多个配置标签可以是：企业、人物等。
217.所述标签分值用于指示所述语句分词为所述配置标签的分数。
218.所述预设实体标签是根据实际需求设定的，可以理解的是，由于本发明分析企业与企业之间的实体关系，因此，所述预设实体标签可以设置为企业标签。
219.通过上述实施方式，能够准确地确定出每个语句分词所对应的输出标签，从而提高所述对象实体的识别准确性。
220.若所述对象实体有多个，定位单元114定位多个所述对象实体在所述关系语句中的实体关系。
221.在本发明的至少一个实施例中，所述实体关系是指多个所述对象实体之间的关系，例如，所述实体关系可以是合作关系。
222.在本发明的至少一个实施例中，所述定位单元114定位多个所述对象实体在所述关系语句中的实体关系包括：
223.对于多个所述对象实体中的实体对，检测所述实体对中的对象实体是否在同一关系语句中，所述实体对包括任意两个对象实体；
224.若所述实体对中的对象实体存在同一关系语句中，分析所述实体对中的对象实体在该关系语句中的语法结构；
225.若所述语法结构有多个，确定所述实体对中的对象实体包含有所述实体关系。
226.其中，所述语法结构用于指示所述对象实体在该关系语句中充当的角色，所述语法结构可以包括，但不限于：宾语、主语等。
227.可以理解的是，所述语法结构有多个，相当于，所述实体对中的对象实体在该关系语句中的语法结构不同。
228.通过检测所述实体对中的对象实体是否在同一关系语句中，能够初步剔除不存在合作关系的对象实体，进一步检测所述任意两个对象实体的语法结构的数量，能够快速并准确的确定出所述实体关系。
229.在本发明的至少一个实施例中，若所述对象实体的实体数量小于预设数量，所述获取单元110获取预设标签，所述预设标签用于指示发布用户；
230.提取单元116从所述待检测文本中提取与所述预设标签对应的信息作为所述待检测文本的文本发布方；
231.确定单元117将所述文本发布方与所述对象实体的关联关系确定为所述实体关系。
232.其中，所述实体数量是指所述对象实体的数量，所述实体数量通常为正整数。
233.所述预设数量通常设置为2。可以理解的是，所述对象实体的实体数量小于预设数量，也就是说，所述对象实体不具有多个，即，所述对象实体的实体数量为1。
234.所述文本发布方是指所述待检测文本的发布用户，所述文本发布方可以是任意企业。
235.通过上述实施方式，能够避免由于中文的语义习惯造成无法抽取到所述实体关
系，提高了所述实体关系的抽取完整性。
236.检测单元115基于预设图谱检测所述实体关系，得到所述待检测文本的检测结果。
237.在本发明的至少一个实施例中，所述预设图谱中存储有多个对象及与每个对象关联的企业对象。
238.所述检测结果可以包括：所述待检测文本中不含实体关系；所述待检测文本中包含实体关系、且该实体关系具有真实性；所述待检测文本中包含实体关系、且该实体关系不具有真实性。
239.需要强调的是，为进一步保证上述检测结果的私密和安全性，上述检测结果还可以存储于一区块链的节点中。
240.在本发明的至少一个实施例中，所述检测单元115基于预设图谱检测所述实体关系，得到所述待检测文本的检测结果包括：
241.对于每个实体关系，获取该实体关系的多个关系对象；
242.对于所述多个关系对象中的任一关系对象，将所述多个关系对象中除所述任一关系对象外的其余关系对象确定为目标对象；
243.基于所述任一关系对象遍历所述预设图谱，得到所述任一关系对象的多个关联对象；
244.检测所述多个关联对象中是否包含有所述目标对象；
245.若所述多个关联对象中包含有所述目标对象，将所述检测结果确定为该实体关系具有真实性。
246.通过对每个实体关系中的所述多个关系对象进行检测，能够避免某一对象的虚假宣传造成所述实体关系不真实，从而提高所述检测结果的准确性。
247.由以上技术方案可以看出，本发明通过所述实体关系识别模型识别出所述待检测文本的识别结果，能够避免对不包含有实体关系的文本进一步进行分析，进而根据所述识别结果能够从所述待检测文本中众多的文本语句中确定出关系语句进行分析，不仅提高了实体关系的分析效率，还能够避免出现实体关系无法被抽取的问题，通过所述预设图谱能够准确的分析出所述实体关系的真实性，提高了所述检测结果的准确性，有利于准确的识别出企业是否执行了虚假宣传。
248.如图3所示，是本发明实现基于人工智能的实体关系检测方法的较佳实施例的电子设备的结构示意图。
249.在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如基于人工智能的实体关系检测程序。
250.本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
251.所述处理器13可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、
分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
252.示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成获取单元110、分析单元111、抽取单元112、识别单元113、定位单元114、检测单元115、提取单元116及确定单元117。
253.所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
254.所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、tf卡(trans
‑
flash card)等等。
255.所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
256.其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)。
257.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
258.结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种基于人工智能的实体关系检测方法，所述处理器13可执行所述计算机可读指令从而实现：
259.当接收到实体关系检测请求时，根据所述实体关系检测请求获取待检测文本；
260.基于预先训练好的实体关系识别模型分析所述待检测文本，得到识别结果；
261.若所述识别结果为预设结果，根据所述识别结果从所述待检测文本中抽取关系语句；
262.识别所述关系语句中的对象实体；
263.若所述对象实体有多个，定位多个所述对象实体在所述关系语句中的实体关系；
264.基于预设图谱检测所述实体关系，得到所述待检测文本的检测结果。
265.具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
266.在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
267.所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
268.当接收到实体关系检测请求时，根据所述实体关系检测请求获取待检测文本；
269.基于预先训练好的实体关系识别模型分析所述待检测文本，得到识别结果；
270.若所述识别结果为预设结果，根据所述识别结果从所述待检测文本中抽取关系语句；
271.识别所述关系语句中的对象实体；
272.若所述对象实体有多个，定位多个所述对象实体在所述关系语句中的实体关系；
273.基于预设图谱检测所述实体关系，得到所述待检测文本的检测结果。
274.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
275.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
276.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
277.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
278.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。