基于语义标签的实体检索方法、装置及电子设备与流程

1.本公开涉及计算机技术领域，尤其涉及大数据处理、知识图谱、自然语言处理等人工智能技术领域，具体涉及一种基于语义标签的实体检索方法、装置、电子设备及存储介质。


背景技术：

2.随着人工智能技术地不断发展和完善，在实体检索过程中，可以根据语义标签从大量的数据信息中，检索出与语义标签相关的多个实体。相关技术中，实体对应的语义标签，通常是基于大数据挖掘技术实现的。但是，在挖掘过程中，极易引入与实体相关性较低的语义标签，从而可能导致根据语义标签检索到的实体的准确性较低。因此，如何提高实体检索的准确性及可靠性，成为重点的研究方向。


技术实现要素：

3.本公开提供了一种基于语义标签的实体检索方法、装置、电子设备及存储介质。
4.根据本公开的第一方面，提供了一种基于语义标签的实体检索方法，包括：
5.获取实体检索请求，所述检索请求中包括目标语义标签；
6.根据实体库中每个实体对应的参考语义标签与所述目标语义标签的匹配度，从所述实体库中获取多个候选实体；
7.根据每个所述候选实体与对应的参考语义标签间的关联度，确定所述多个候选实体在检索结果中的展示顺序。
8.根据本公开的第二方面，提供了一种基于语义标签的实体检索装置，包括：
9.第一获取模块，用于获取实体检索请求，所述检索请求中包括目标语义标签；
10.第二获取模块，用于根据实体库中每个实体对应的参考语义标签与所述目标语义标签的匹配度，从所述实体库中获取多个候选实体；
11.第一确定模块，用于根据每个所述候选实体与对应的参考语义标签间的关联度，确定所述多个候选实体在检索结果中的展示顺序。
12.根据本公开的第三方面，提供了一种电子设备，包括：
13.至少一个处理器；以及
14.与所述至少一个处理器通信连接的存储器；其中，
15.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如第一方面所述的基于语义标签的实体检索方法。
16.根据本公开第四方面，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，所述计算机指令用于使所述计算机执行如第一方面所述的基于语义标签的实体检索方法。
17.根据本公开的第五方面，提供了一种计算机程序产品，包括计算机指令，所述计算
机指令在被处理器执行时实现如第一方面所述的基于语义标签的实体检索方法的步骤。
18.本公开提供的基于语义标签的实体检索方法、装置、电子设备及存储介质，存在如下有益效果：
19.本公开实施例中，首先获取包括目标语义标签的实体检索请求，之后根据实体库中每个实体对应的参考语义标签与目标语义标签的匹配度，从实体库中获取多个候选实体，最后根据每个候选实体与对应的参考语义标签间的关联度，确定多个候选实体在检索结果中的展示顺序。由此，在实体检索过程中，通过根据实体与参考语义标签间的关联度，将获取的候选实体进行顺序展示，不仅提高了实体检索的准确性及可靠性，而且可以使用户快速，准确地从检索结果中确定目标实体。
20.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
21.附图用于更好地理解本方案，不构成对本公开的限定。其中：
22.图1是根据本公开一实施例提供的一种基于语义标签的实体检索方法的流程示意图；
23.图2是根据本公开又一实施例提供的一种基于语义标签的实体检索方法的流程示意图；
24.图2a是根据本公开一实施例提供的一种知识图谱的示意图；
25.图2b是根据本公开又一实施例提供的一种概念图谱的示意图；
26.图3是根据本公开又一实施例提供的一种基于语义标签的实体检索方法的流程示意图；
27.图4是根据本公开一实施例提供的一种基于语义标签的实体检索装置的结构示意图；
28.图5是用来实现本公开实施例的基于语义标签的实体检索方法的电子设备的框图。
具体实施方式
29.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。
30.本公开实施例涉及计算机视觉、深度学习等人工智能技术领域。
31.人工智能(artificial intelligence)，英文缩写为ai。它是研究、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新的技术科学。
32.大数据处理技术是指通过多种渠道实现对大量数据的采集，并通过使用云计算技术来实现对数据的深度挖掘和分析，确保能够及时的找出数据之间的规律和特点，总结和归纳出数据所存在的价值。大数据处理技术对于了解数据特征，预测发展趋势具有十分重要的意义。
33.知识图谱本质上是语义网络，是一种基于图的数据结构，由节点和边组成。在知识图谱中，每个节点表示现实世界中存在的实体，每条边为实体与实体之间的关系。通俗地讲，知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络，知识图谱提供了从“关系”的角度去分析问题的能力。
34.自然语言处理是用计算机来处理、理解以及运用人类语言(如中文、英文等)，它是计算机科学与语言学的交叉学科，又常被称为计算语言学。由于自然语言是人类区别于其他动物的根本标志。没有语言，人类的思维也就无从谈起，所以自然语言处理体现了人工智能的最高任务与境界，也就是说，只有当计算机具备了处理自然语言的能力时，机器才算实现了真正的智能。
35.图1是根据本公开一实施例提供的一种基于语义标签的实体检索方法的流程示意图。
36.其中，需要说明的是，本实施例的基于语义标签的实体检索方法的执行主体为基于语义标签的实体检索装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。
37.如图1所示，该基于语义标签的实体检索方法包括：
38.s101：获取实体检索请求，检索请求中包括目标语义标签。
39.本公开中，实体可以是客观存在并可相互区别的事物。例如概念、事物、人物或事件等。比如，实体可以为“xx动漫”、“xx公司”、“xx职工”等等，本公开对此不做限定。
40.本公开中，语义标签可以代表实体的属性信息，因此，可以基于语义标签进行实体检索。比如，语义标签可以为“喜剧电影”，则基于该语义标签可以检索到“喜剧电影a”“喜剧电影b”等等。
41.其中，实体检索请求可以为用户在客户端输入的、用于获取与语义标签相关的实体的请求。比如，实体检索请求可以为“喜剧动作电影”、“2021年度的动漫”等等。
42.其中，目标语义标签可以为检索请求中包含的与实体的属性信息相关的标签。需要说明的是，目标语义标签的数量可以为1个，也可以为多个，本公开对此不做限定。
43.比如，检索请求为“2021年度的动漫”，则对应的目标语义标签可以为“2021年度”、及“动漫”。
44.s102：根据实体库中每个实体对应的参考语义标签与目标语义标签的匹配度，从实体库中获取多个候选实体。
45.其中，实体对应的参考语义标签，可以为实体库中存储的、能反映实体的属性信息的语义标签。需要说明的是，一个实体对应的参考语义标签可以为一个，也可以为多个，本公开对此不做限定。
46.其中，候选实体可以为实体库中每个实体对应的参考语义标签与目标语义标签的匹配度大于预设的阈值的实体。或者，也可以将实体库中每个实体对应的参考语义标签与目标语义标签的匹配度由高到低依次排序，将匹配度最高的n个匹配度对应的实体作为候选实体。
47.可选的，可以根据预先训练好的匹配度网络模型，确定实体库中每个实体对应的参考语义标签与目标语义标签的匹配度。其中，匹配度网络模型的网络结构，可以为卷积神经网络，或者孪生神经网络等等，本公开对此不做限定。
48.或者，也可以根据每个实体对应的参考语义标签与目标语义标签之间的欧氏距离、余弦相似度等，确定实体库中每个实体对应的参考语义标签与目标语义标签的匹配度。
49.在一个实体对应多个参考语义标签的情况下，可以先计算目标语义标签与每个参考语义标签之间的匹配度，将最大值对应的匹配度确定为该实体对应的参考语义标签与目标语义标签的匹配度；或者，也可以将每个参考语义标签与目标语义标签间的匹配度的均值，作为每个实体对应的参考语义标签与目标语义标签的匹配度等等，本公开对此不做限定。
50.s103：根据每个候选实体与对应的参考语义标签间的关联度，确定多个候选实体在检索结果中的展示顺序。
51.其中，候选实体与对应的参考语义标签之间的关联度，可以反映参考语义标签与候选实体之间的相关程度，关联度越高，相关性越大。也即，关联度越高的候选实体，可能与用户想要获取的实体越相近。因此，本公开中，可以根据每个候选实体与对应的参考语义标签间的关联度，确定多个候选实体在检索结果中的展示顺序。
52.比如，可以根据每个候选实体与对应的参考语义标签间的关联度由高到低依次的顺序，对每个关联度对应的候选实体进行依次展示。即将最大关联度对应的候选实体放在第一个位置，依次类推。
53.或者，还可以根据候选实体与对应的参考语义标签之间的关联度，将候选实体与对应的参考语义标签间的相关程度分为强相关、弱相关、及不相关，之后将强相关对应的候选实体展示在检索结果的最前面，次相关次之，可以不展示不相关的候选实体。
54.可选的，候选实体与对应的参考语义标签之间的关联度大于第一阈值，则候选实体与对应的参考语义标签之间为强相关关系。或者，候选实体与对应的参考语义标签之间的关联度在第一阈值与第二阈值之间，则候选实体与对应的参考语义标签之间为弱相关关系。或者，候选实体与对应的参考语义标签之间的关联度小于第二阈值，则候选实体与对应的参考语义标签之间不相关。
55.本公开实施例中，首先获取包括目标语义标签的实体检索请求，之后根据实体库中每个实体对应的参考语义标签与目标语义标签的匹配度，从实体库中获取多个候选实体，最后根据每个候选实体与对应的参考语义标签间的关联度，确定多个候选实体在检索结果中的展示顺序。由此，在实体检索过程中，通过根据实体与参考语义标签间的关联度，将获取的候选实体进行顺序展示，不仅提高了实体检索的准确性及可靠性，而且可以使用户快速，准确地从检索结果中确定目标实体。
56.通过上述分析可知，本公开中可以根据每个候选实体与对应的参考语义标签间的关联度，确定多个候选实体在检索结果中的展示顺序。下面结合图2至图3对确定实体与对应的参考语义标签之间的关联度的过程进行详细说明。
57.图2是根据本公开又一实施例提供的一种基于语义标签的实体检索方法的流程示意图。如图2所示，该基于语义标签的实体检索方法包括：
58.s201：获取参考语料集。
59.其中，参考语料集可以为全网语料，即可以从网络上获取的全部语料。
60.可选的，在获取参考语料集之后，可以对参考语料集进行预处理，以提高参考语料集的质量，简化参考语料的数量。
61.可选的，预处理可以包括：分句、高质句子过滤、否定过滤、实体链指中的一项或多项，本公开对此不做限定。
62.其中，分句可以将一个完整的段落或者文字，切分为多个句子，为之后获取参考语义标签的出现次数提供基础。比如，在“电影a是一部喜剧电影”的句子中，实体“电影a”和参考语义标签“喜剧电影”共现了一次。
63.其中，高质句子过滤可以将参考语料集中包含的无意义的语料进行过滤。比如，无意义的语料可以为口语化的语料、感叹词等等，本公开对此不做限定。
64.其中，否定过滤可以将参考语料集中包含否定意义的语料进行过滤。比如，参考语料为“电影a不是一部喜剧电影”，则在计算“电影a”与“喜剧电影”的共现次数时，可以将该参考语料过滤，以提高确定实体与对应的参考语义标签在参考语料集中的共现次数的准确性。
65.其中，实体链指可以将参考语料集中包含的实体与实体库中的实体进行关联。
66.s202：确定实体库中每个实体及对应的参考语义标签在参考语料集中的共现量。
67.其中，共现量用于表征实体与对应的参考语义标签在参考语料集中的出现次数。
68.可以理解的是，本公开中，可以通过实体及对应的参考语义标签在参考语料集中的共现量，反映实体与对应的参考语义标签之间的相关性，共现量越大，实体与对应的参考语义标间的相关性越大；共现量越小，实体与对应的参考语义标间的相关性越小。
69.可选的，可以先确定每个实体与对应的参考语义标签在参考语料集中的共现次数及实体在参考语料集中的出现次数，之后根据共现次数及出现次数，确定共现量。
70.其中，共现量的计算公式可以为：
[0071][0072]
其中，tagi为第i个参考语义标签，entityj为实体库中第j个实体，nc(tagi，entityj)为实体库中第j个实体与对应的第i个参考语义标签在参考实体库中的共现量，co(tagi，entityj)为第j个实体与对应的第i个参考语义标签在参考语料库中的共现次数，o(entityj)为第j个实体在参考语料库中的出现次数。
[0073]
举例来说，实体为“电影a”，对应的参考语义标签为“喜剧电影”，在参考语料集中，“电影a”的出现次数为y，“电影a”与“喜剧电影”在同一个参考语料中出现的次数为x，则实体与对应的参考语义标签的共现量为x/y。
[0074]
可选的，在一个实体对应的多个参考语义标签属于同一个标签簇的情况下，可以确定每个实体与标签簇中各个参考语义标签在参考语料集中的共现次数，进而根据实体与标签簇中每个参考语义标签的共现次数与实体的出现次数，确定共现量，从而使确定的共现量更加准确。
[0075]
其中，标签簇可以为多个相似的参考语义标签的集合。比如，“自行车”与“单车”属于同一个标签簇，“恋爱”与“恋情”属于同一个标签簇等等。
[0076]
可选的，可以基于语义相似度模型对实体库中包含的参考语义标签进行同义聚类，形成标签簇。或者，也可以通过聚类算法对实体库中包含的参考语义标签进行同义聚类，形成标签簇。本公开对此不做限定。
[0077]
举例来说，实体为“电视剧a”，对应的参考语义标签可以包含“恋爱”、及“恋情”，而“恋爱”与“恋情”属于同一个标签簇。在参考语料集中，“电视剧a”与“恋爱”在同一个参考语料中出现的次数为x1，“电视剧a”与“恋情”在同一个参考语料中出现的次数为x2，则“电视剧a”与标签簇中“恋爱”、及“恋情”在参考语料集中的共现次数为x1 x2。
[0078]
s203：基于预设的概念图谱和知识图谱，确定每个实体及对应的参考语义标签间的匹配度。
[0079]
其中，预设的知识图谱中存储的是spo三元组值,即《实体，属性，属性值》。如图2a所示，比如，实体1为“动漫a”，spo三元组值为《动漫a，人物，柯南》，表示“柯南”是“动漫a”里的人物；spo三元组值为《动漫a，类型，动漫》，即“动漫a”是一部动漫。
[0080]
其中，预设的概念图谱中存储有属性概念集合《概念1，实例(isa)，概念2》，用于表示，概念1为概念2的实例。如图2b所示，比如，《李白，isa，人物》，表示“李白”是“人物”中的实例；《名侦探柯南，isa，动漫》，表示“名侦探柯南”是“动漫”中的实例等等。
[0081]
可选的，可以先遍历预设的概念图谱，以获取每个参考语义标签对应的上位概念，之后遍历预设的知识图谱，以确定上位概念对应的实例，最后根据实例与参考语义标签间的匹配度，确定实体及对应的参考语义标签间的匹配度。
[0082]
其中，实体及对应的参考语义标签间的匹配度可以根据以下判别公式确定：
[0083][0084]
其中，δ(tagi，entityj)为实体库中第j个实体与对应的第i个参考语义标签间的关联度，concept(tagi)为参考语义标签tagi的上位概念，concept(tagi)表示参考语义标签tagi的上位概念存在于概念图谱中，∩表示“并且”，value(entityj，concept(tagi))表示实体entityj对应的tagi的上位概念，在知识图谱中的实例。即，tagi的上位概念存在于概念图谱中，并且tagi不等于知识图谱中该概念的实例的情况下，该实体与对应的参考语义标签间的匹配度为0，否则为1。
[0085]
举例来说，实体库中实体entity j
是“电影a”，对应的参考语义标签tag i
是“动漫”。在概念图谱中，“动漫”的上位概念是“类型”，在知识图谱的实例中，“电影a”的类型是“电影”，“电影”不等于“动漫”，因此，“电影a”与“动漫”的匹配度为0。
[0086]
s204：根据每个实体及对应的参考语义标签的共现量及匹配度，确定每个实体及对应的参考语义标签间的关联度。
[0087]
其中，实体及对应的参考语义标签间的关联度的计算公式可以为：
[0088]
score(tagi,entityj)＝nc(tagi，entityj)*δ(tagi，entityj)
[0089]
其中，score(tagi，entityj)为实体库中第j个实体与对应的第i个参考语义标签间的关联度。
[0090]
本公开实施例中，首先获取参考语料集，之后确定实体库中每个实体及对应的参考语义标签在参考语料集中的共现量，再基于预设的概念图谱和知识图谱，确定每个实体及对应的参考语义标签间的匹配度，最后根据每个实体及对应的参考语义标签的共现量及匹配度，确定每个实体及对应的参考语义标签间的关联度。由此，通过依据大量的参考语料、知识图谱和概念图谱，来确定每个实体与对应的参考语义标签间的关联度，从而不仅避免了实体库中实体与参考语义标签间的低相关性，而且为提高实体检索结果的准确性提供了保障。
[0091]
图3是根据本公开又一实施例提供的一种基于语义标签的实体检索方法的流程示意图；如图3所示，该基于语义标签的实体检索方法包括：
[0092]
s301：获取参考语料集。
[0093]
s302：确定实体库中每个实体及对应的参考语义标签在参考语料集中的共现量。
[0094]
s303：基于预设的概念图谱和知识图谱，确定每个实体及对应的参考语义标签间的匹配度。
[0095]
其中，步骤301至步骤303的具体实现形式，可参照本公开中其他各实施例中的详细步骤，此处不在赘述。
[0096]
s304：在任一实体对应多个参考语义标签的情况下，确定多个参考语义标签中的每两个参考语义标签在实体库中的同一实体间的共现概率。
[0097]
可以理解的是，每两个参考语义标签在实体库中的同一实体间的共现概率可以反映两个参考语义标签之间是否互斥。若两个参考语义标签互斥，则两个参考语义标签的相关性较低。
[0098]
可选的，在任一实体对应多个参考语义标签的情况下，可以先确定每两个参考语义标签在实体库中的同一实体间的共现频次、及所述实体库中包含所述每个参考语义标签的实体的数量，之后根据两个参考语义标签的共现频次、及所述实体库中包含所述每个参考语义标签的实体的个数，确定两个参考语义标签的共现概率。
[0099]
其中，两个参考语义标签在实体库中的同一实体间的共现概率的计算公式为：
[0100][0101]
其中，p(tag
x
，tagy)为参考语义标签tag
x
及tagy在实体库中的同一实体间的共现概率，co(tag
x
，tagy)为tag
x
及tagy在实体库中的同一实体间的共现频次，n
tagx
为实体库包含tag
x
的实体的数量，n
tagy
为实体库包含tag
x
的实体的数量。
[0102]
s305：根据多个参考语义标签中的每个参考语义标签与另一个参考语义标签在实体库中的同一实体间的共现概率、及多个参考语义标签的数量，确定每个参考语义标签与任一实体间的相关系数。
[0103]
其中，每个参考语义标签与任一实体间的相关系数的计算公式如下：
[0104][0105]
其中，coeff(tagi，entityj)为参考语义标签tagi与实体entityj间的相关系数，setj为实体库中实体entityj对应的多个参考语义标签的集合，p(tagi，tagk)为tagi及tagk与实体entityj间的共现概率。
[0106]
s306：根据每个参考语义标签与任一实体间的相关系数、共现量及匹配度，确定每个实体及对应的参考语义标签间的关联度。
[0107]
其中，实体及对应的参考语义标签间的关联度的计算公式可以为：
[0108]
score(tagi,entityj)＝nc(tagi，entityj)*δ(tagi，entityj)*coeff(tagi，entityj)
[0109]
其中，score(tagi，entityj)为实体库中第j个实体与对应的第i个参考语义标签间
的关联度。
[0110]
本公开实施例中，首先确定实体库中每个实体及对应的参考语义标签在参考语料集中的共现量，之后基于预设的概念图谱和知识图谱，确定每个实体及对应的参考语义标签间的匹配度，再根据多个参考语义标签中的每个参考语义标签与另一个参考语义标签在实体库中的同一实体间的共现概率、及多个参考语义标签的数量，确定每个参考语义标签与任一实体间的相关系数，最后，根据每个参考语义标签与任一实体间的相关系数、共现量及匹配度，确定每个实体及对应的参考语义标签间的关联度。由此，通过依据大量的参考语料、知识图谱、概念图谱、及每两个参考语义标签在实体库中的同一实体间的共现概率，来确定每个实体与对应的参考语义标签间的关联度，从而不仅进一步避免了实体库中实体与参考语义标签间的低相关性，而且进一步为提高实体检索结果的准确性提供了保障。
[0111]
图4是根据本公开一实施例提供的一种基于语义标签的实体检索装置的结构示意图；如图4所示，该基于语义标签的实体检索装置400，包括：
[0112]
第一获取模块410，用于获取实体检索请求，检索请求中包括目标语义标签。
[0113]
第二获取模块420，用于根据实体库中每个实体对应的参考语义标签与目标语义标签的匹配度，从实体库中获取多个候选实体。
[0114]
第一确定模块430，用于根据每个候选实体与对应的参考语义标签间的关联度，确定多个候选实体在检索结果中的展示顺序。
[0115]
在本公开的一些实施例中，其中，还包括：
[0116]
第三获取模块，用于获取参考语料集。
[0117]
第二确定模块，用于确定实体库中每个实体及对应的参考语义标签在参考语料集中的共现量，其中，共现量用于表征实体与对应的参考语义标签在参考语料集中的出现次数。
[0118]
第三确定模块，用于基于预设的概念图谱和知识图谱，确定每个实体及对应的参考语义标签间的匹配度。
[0119]
第四确定模块，用于根据每个实体及对应的参考语义标签的共现量及匹配度，确定每个实体及对应的参考语义标签间的关联度。
[0120]
在本公开的一些实施例中，其中，第三确定模块，具体用于：
[0121]
遍历预设的概念图谱，以获取每个参考语义标签对应的上位概念；
[0122]
遍历预设的知识图谱，以确定上位概念对应的实例；
[0123]
根据实例与参考语义标签的匹配度，确定实体及对应的参考语义标签间的匹配度。
[0124]
在本公开的一些实施例中，其中，第四确定模块，包括：
[0125]
第一确定单元，用于在任一实体对应多个参考语义标签的情况下，确定多个参考语义标签中的每两个参考语义标签在实体库中的同一实体间的共现概率。
[0126]
第二确定单元，用于根据多个参考语义标签中的每个参考语义标签与另一个参考语义标签在实体库中的同一实体间的共现概率、及多个参考语义标签的数量，确定每个参考语义标签与任一实体间的相关系数。
[0127]
第三确定单元，用于根据每个参考语义标签与任一实体间的相关系数、共现量及匹配度，确定每个实体及对应的参考语义标签间的关联度。
[0128]
在本公开的一些实施例中，其中，第一确定单元，具体用于：
[0129]
确定每两个参考语义标签在实体库中的同一实体间的共现频次、及每个参考语义标签在实体库中对应的实体的数量；
[0130]
根据两个参考语义标签的共现频次、及每个参考语义标签在实体库中对应的实体的数量，确定两个参考语义标签的共现概率。
[0131]
在本公开的一些实施例中，其中，第二确定模块，包括：
[0132]
第四确定单元，用于确定每个实体与对应的参考语义标签在参考语料集中的共现次数及实体在参考语料集中的出现次数；
[0133]
第五确定单元，用于根据共现次数及出现次数，确定共现量。
[0134]
在本公开的一些实施例中，其中，第四确定单元，具体用于：
[0135]
在多个参考语义标签属于同一标签簇的情况下，确定每个实体与标签簇中各个参考语义标签在参考语料集中的共现次数。
[0136]
需要说明的是，前述对基于语义标签的实体检索方法的解释说明也适用于本实施例的基于语义标签的实体检索装置，此处不再赘述。
[0137]
本公开实施例中的装置，首先获取包括目标语义标签的实体检索请求，之后根据实体库中每个实体对应的参考语义标签与目标语义标签的匹配度，从实体库中获取多个候选实体，最后根据每个候选实体与对应的参考语义标签间的关联度，确定多个候选实体在检索结果中的展示顺序。由此，在实体检索过程中，通过根据实体与参考语义标签间的关联度，将获取的候选实体进行顺序展示，不仅提高了实体检索的准确性及可靠性，而且可以使用户快速，准确地从检索结果中确定目标实体。
[0138]
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。
[0139]
图5示出了可以用来实施本公开的实施例的示例电子设备500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。
[0140]
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(rom)502中的计算机程序或者从存储单元505加载到随机访问存储器(ram)503中的计算机程序，来执行各种适当的动作和处理。在ram 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
[0141]
设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元505，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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。
[0142]
计算单元501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501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501执行上文所描述的各个方法和处理，例如基于语义标签的实体检索。例如，在一些实施例中，基于语义标签的实体检索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505。在一些实施例中，计算机程序的部分或者全部可以经由rom 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到ram 503并由计算单元501执行时，可以执行上文描述的基于语义标签的实体检索的一个或多个步骤。备选地，在其他实施例中，计算单元501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语义标签的实体检索。
[0143]
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。
[0144]
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。
[0145]
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。
[0146]
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。
[0147]
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)、互联网及区块链网络。
[0148]
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。
[0149]
本公开实施例中，首先获取包括目标语义标签的实体检索请求，之后根据实体库中每个实体对应的参考语义标签与目标语义标签的匹配度，从实体库中获取多个候选实体，最后根据每个候选实体与对应的参考语义标签间的关联度，确定多个候选实体在检索结果中的展示顺序。由此，在实体检索过程中，通过根据实体与参考语义标签间的关联度，将获取的候选实体进行顺序展示，不仅提高了实体检索的准确性及可靠性，而且可以使用户快速，准确地从检索结果中确定目标实体。
[0150]
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，本发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。
[0151]
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。