确定实体关联关系的方法、装置、电子设备及存储介质与流程

1.本技术涉及数据处理技术领域，特别是涉及一种确定实体关联关系的方法、装置、电子设备及存储介质。


背景技术：

2.知识图谱有着广泛的应用，其基本组成单元——实体(entity)，也越发受到重视。实体是事物唯一的标识符，也是连接非结构化文本和结构化知识的重要枢纽。确定实体之间的关联关系，成为重要的部分。
3.相关技术中确定实体之间的关联关系，通常是基于用户行为确定相似的实体，例如用户搜索西红柿，然后点击了番茄，则认为西红柿和番茄可能是同义词；或者是直接通过机器翻译模型，生成语义相近的词语。但是，基于用户行为的方法需要丰富的用户行为数据，且依赖于用户输入的查询词质量；基于机器翻译模型的方法生成的结果语义漂移严重。


技术实现要素：

4.鉴于上述问题，本发明实施例提供了一种确定实体关联关系的方法、装置、电子设备及存储介质，以便克服上述问题或者至少部分地解决上述问题。
5.本发明实施例的第一方面，提供了一种确定实体关联关系的方法，所述方法包括：
6.对商品标题进行实体识别，得到所述商品标题中的多个实体；
7.分别获取所述多个实体各自的语义向量；
8.根据所述多个实体中的两两实体各自的语义向量，确定两两实体之间的目标关联关系。
9.可选地，确定两两实体之间的目标关联关系，包括：
10.对两两实体的语义向量正序拼接，得到第一拼接向量，以及，对两两实体的语义向量反序拼接，得到第二拼接向量；
11.根据所述第一拼接向量，确定两两实体之间是否存在关联，以及根据所述第二拼接向量，确定两两实体之间是否存在关联；
12.在两个确定结果均为两两实体之间存在关联的情况下，确定两两实体之间的目标关联关系为同义词关系；
13.在一个确定结果为两两实体之间存在关联，另一个确定结果为两两实体之间不存在关联的情况下，确定两两实体之间的目标关联关系为上下位词关系。
14.可选地，所述方法还包括：
15.针对多个商品标题，确定多个两两实体之间的关联关系；
16.对包括所述目标关联关系在内的多个关联关系进行聚合，确定两两实体之间的关联关系；
17.所述方法还包括：
18.基于所确定的关联关系，对商品图谱进行补全。
19.可选地，确定两两实体之间的关联关系之后，还包括：
20.获取存在关联关系的两两实体各自在商品标题中的上下文；
21.将出现频率高于预设频率的上下文以及两两实体之间的关联关系存储在模板中；
22.获取新的商品标题，将新的商品标题与所存储的模板相匹配；
23.根据匹配结果，从新的商品标题中确定与模板中的实体存在关联关系的实体。
24.可选地，在对商品标题进行实体识别之前，包括：
25.获取预设过滤词，所述预设过滤词表征商品类型为组合商品；
26.对包含所述预设过滤词的候选商品标题进行滤除，得到所述商品标题。
27.可选地，所述方法还包括：
28.获取一对商品标题以及所述一对商品标题中的商品实体，所述一对商品标题是同类目下两个商品的标题，且存在文本重合；
29.获取所述两个商品的图片并进行相似度比较；
30.在所述相似度高于预设阈值的情况下，确定所述一对商品标题中的商品实体之间的关联关系为同位词关系。
31.可选地，所述方法还包括：
32.获取查询词；
33.基于所确定的关联关系，确定所述查询词的改写词；
34.基于所述查询词及其改写词进行商品查询。
35.本发明实施例的第二方面，提供了一种确定实体关联关系的装置，所述装置包括：
36.实体识别模块，用于对商品标题进行实体识别，得到所述商品标题中的多个实体；
37.语义向量获取模块，用于分别获取所述多个实体各自的语义向量；
38.关联关系确定模块，用于根据所述多个实体中的两两实体各自的语义向量，确定两两实体之间的目标关联关系。
39.本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例的第一方面所述的确定实体关联关系的方法。
40.本发明实施例的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例的第一方面所述的确定实体关联关系的方法。
41.本发明实施例包括以下优点：
42.本实施例中，可以对商品标题进行实体识别，得到所述商品标题中的多个实体；分别获取所述多个实体各自的语义向量；根据所述多个实体中的两两实体各自的语义向量，确定两两实体之间的目标关联关系。如此，商品标题中的实体之间语义关联性强，确定商品标题中的实体之间的目标关联关系，可以保证确定的具有目标关联关系的实体之间具有较强的语义关联性；此外商品标题不受用户行为数据影响，因此通过商品标题确定实体关联关系的方法可以覆盖新商品标题和流量较低的长尾商品标题。
附图说明
43.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例的描述中所
需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
44.图1是本发明实施例中一种确定实体关联关系的方法的步骤流程图；
45.图2是本发明实施例中一种确定实体关系的流程示意图；
46.图3是本发明实施例中一种确定实体关联关系的装置的结构示意图。
具体实施方式
47.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。
48.为解决相关技术中的确定实体关联关系的方法需要丰富的用户行为数据、语义漂移严重等问题，申请人提出：商品标题中的实体之间语义关联性强，可以通过挖掘商品标题，确定商品标题中的实体之间的关联关系。
49.参照图1所示，示出了本发明实施例中一种确定实体关联关系的方法的步骤流程图，如图1所示，该确定实体关联关系的方法具体可以包括以下步骤：
50.步骤s11：对商品标题进行实体识别，得到所述商品标题中的多个实体。
51.组包商品标题中的共现商品通常不相关，识别出来的实体之间语义关联性不强，例如果切类商品标题“【果切】西瓜 苹果 水蜜桃”，和礼盒类商品标题“花生、腰果、扁桃仁、核桃仁年货礼盒”。
52.因此在对商品标题进行实体识别之前，需要先对商品标题进行筛选，可以通过人工对商品标题进行筛选，也可以通过预设过滤词对商品标题筛选。可选地，作为一个实施例，通过预设过滤词对商品标题筛选包括：在对商品标题进行实体识别之前，获取候选商品标题，获取预设过滤词，所述预设过滤词表征商品类型为组合商品；对包含所述预设过滤词的候选商品标题进行滤除，得到所述商品标题。
53.预设过滤词表征商品类型为组合商品，例如果切、礼盒、礼包、混装等。识别候选商品标题中是否包含预设过滤词，包含预设过滤词的商品标题中的共现商品通常不相关。利用预设过滤词，对包含预设过滤词的候选商品标题进行滤除，得到不包含设过滤词的商品标题。
54.如此，可以保证用于挖掘实体之间的关联关系的商品标题中的实体，具有较强的语义关联性，相应地，通过商品标题确定的具有关联关系的实体之间也具有较强的语义关联性。
55.实体识别是指从文本数据当中抽取出实体信息，对商品标题进行实体识别，通常会识别出商品、品牌、品类等多个实体。例如，针对标题“膳魔师简约轻量保温杯便携直身水杯”可以识别出实体“膳魔师”、“保温杯”和“水杯”。本发明实施例对实体识别的方法不作限制。
56.步骤s12：分别获取所述多个实体各自的语义向量。
57.识别出来实体之后，可以通过预训练模型获取每个实体的语义向量。预训练模型可以为bert(bidirectional encoder representations from transformers，一种语言表示模型)模型或其它模型，本发明实施例对此不作限制。可以使用不同的标记标示出每个实
体的位置，然后将整个商品标题输入预训练模型，以使得到的实体的语义向量更加准确。
58.步骤s13：根据所述多个实体中的两两实体各自的语义向量，确定两两实体之间的目标关联关系。
59.两两实体之间具有目标关联关系，则该两两实体互为改写词，一个词的改写词为其同义词或上位词。将多个实体中的任意两个实体一前一后进行拼接，经过预先训练好的多层全连接网络，预测该两个实体是否为改写词。然后将该两个实体的顺序颠倒并重新进行拼接，然后将重新拼接后的两个实体经过预先训练好的多层全连接网络，预测该两个实体是否为改写词。通过两次预测结果，则可以确定两个实体之间的目标关联关系。
60.多层全连接网络的表达能力较强，通过预先训练好的多层全连接网络来识别拼接好的语义向量，可以预测该两个语义向量对应的实体是否为改写词。其中多层全连接网络可以是有监督训练或自监督训练得到的，本发明实施例对此不作限制。
61.可选地，还可以通过深度学习模型、实体关系识别模型等预测实体之间的关联关系。
62.可选地，作为一个实施例，确定两两实体之间的目标关联关系，包括：对两两实体的语义向量正序拼接，得到第一拼接向量，以及，对两两实体的语义向量反序拼接，得到第二拼接向量；根据所述第一拼接向量，确定两两实体之间是否存在关联，以及根据所述第二拼接向量，确定两两实体之间是否存在关联；在两个确定结果均为两两实体之间存在关联的情况下，确定两两实体之间的目标关联关系为同义词关系；在一个确定结果为两两实体之间存在关联，另一个确定结果为两两实体之间不存在关联的情况下，确定两两实体之间的目标关联关系为上下位词关系。
63.对两两实体的语义向量进行正序拼接，得到第一拼接向量；对两两实体的语义向量进行反序拼接，得到第二拼接向量；其中，正序和反序只是相反的两种顺序。例如实体a和实体b正序拼接和反序拼接得到的第一拼接向量和第二拼接向量可以分别为a-b或b-a中的任意且不同的一者。
64.通过预先训练好的多层全连接网络、深度学习模型，根据第一拼接向量确定两两实体之间是否存在关联，并根据第二拼接向量确定两两实体之间是否存在关联。在两个确定结果都为存在关联的情况下，则该两两实体之间的目标关联关系为同义词关系。在两个确定结果都为不存在关联的情况下，则该两个实体之间不具有关联关系。在其中一个确定结果为存在关联、另一个确定结果为不存在关联的情况下，则两两实体之间的目标关联关系为上下位词关系；其中，具体哪一个实体为上位词哪一个实体为下位词，是依据确定两两实体之间是否存在关联的模型确定的；若模型确定的是拼接向量中前序语义向量是否为后序语义向量的上位词或同义词，则在其中一个确定结果为存在关联、另一个确定结果为不存在关联的情况下，存在关联的拼接向量中，前序语义向量对应的实体为后序语义向量对应的实体的上位词。
65.例如实体a和实体b得到的第一拼接向量为a-b，得到的第二拼接向量为b-a；
66.若第一拼接向量a-b中，a和b存在关联，a为b的上位词或同义词，且第二拼接向量b-a中，b和a也存在关联，b为a的上位词或同义词，则实体a和实体b只能互为同义词；
67.若第一拼接向量a-b以及第二拼接向量b-a中，a和b都不存关联，都a和b都不为对方的上位词或同义词，则实体a和实体b不存在关联关系；
68.若第一拼接向量a-b中，a和b存在关联，a为b的上位词或同义词，而第二拼接向量b-a中，b和a不存在关联，b不为a的上位词或同义词，则实体a为实体b的上位词。
69.可选地，可以直接通过预先训练好的实体关系识别模型直接识别两两实体之间的目标关联关系。
70.采用本技术实施例的技术方案，可以对商品标题进行实体识别，得到所述商品标题中的多个实体；分别获取所述多个实体各自的语义向量；根据所述多个实体中的两两实体各自的语义向量，确定两两实体之间的目标关联关系。如此，商品标题中的实体之间语义关联性强，确定商品标题中的实体之间的目标关联关系，可以保证确定的具有目标关联关系的实体之间具有较强的语义关联性；此外商品标题不受用户行为数据影响，因此通过商品标题确定实体关联关系的方法可以覆盖新商品标题和流量较低的长尾商品标题。
71.可选地，作为一个实施例，确定实体关联关系的方法还包括：针对多个商品标题，确定多个两两实体之间的关联关系；对包括所述目标关联关系在内的多个关联关系进行聚合，确定两两实体之间的关联关系；所述方法还包括：基于所确定的关联关系，对商品图谱进行补全。
72.针对每个商品标题，可以确定商品标题中的多个实体中每对两两实体之间的关联关系，针对多个商品标题，可以确定每个商品标题中的多个实体中每对两两实体之间的关联关系。为了使得到的实体之间的关联关系更加准确，排除少部分商品标题本身具有特殊性，可以将通过多个商品标题确定的实体之间的关联关系进行聚合，以保证得到的关联关系更加准确。
73.为了确定实体a和实体b是否存在关联关系，获取包含实体a或实体b的多个商品标题，然后获取该多个商品标题中实体a的多个目标关联关系以及实体b的多个目标关联关系，评判所述实体a的多个目标关联关系以及所述实体b的多个目标关联关系与实体a和实体b的目标关联关系的相关分数，获取得到的多个相关分数的均值，并与预设分数进行比较，确定实体a和实体b之间的关联关系。例如，预测实体“糕点”是否为实体“月饼”的上位词，获取多个商品标题分别为“糕点传统绿豆糕特产”、“糕点传统五仁月饼”、“糕点传统蛋黄月饼”，可以得到关联关系：糕点-绿豆糕(上位词)、糕点-月饼(上位词)、糕点-月饼(上位词)，其中糕点-绿豆糕(上位词)的相关分数为0.2，糕点-月饼(上位词)的相关分数为0.9，因此，平均三个关联关系的相关分数为0.67，大于预设分数0.5，因此实体“糕点”为实体“月饼”的上位词。
74.可选地，可以直接对多个关联关系进行聚合，并将确定聚合的簇中的关联关系占对应的相关关联关系的比例，并在该比例高于预设比例的情况下，将该簇中的关联关系确认为该两两实体的关联关系。
75.在确定两两实体的关联关系之后，可以基于确定的关联关系，对商品图谱或对应的知识图谱进行补全。
76.采用本技术实施例的技术方案，可以通过多个商品标题，排除了少量特殊的商品标题确定的错误的关联关系的影响，保证了确认的两两实体的关联关系的准确性，并基于确定的正确的关联关系对商品图谱进行补全。
77.可选地，作为一个实施例，确定两两实体之间的关联关系之后，还包括：获取存在关联关系的两两实体各自在商品标题中的上下文；将出现频率高于预设频率的上下文以及
两两实体之间的关联关系存储在模板中；获取新的商品标题，将新的商品标题与所存储的模板相匹配；根据匹配结果，从新的商品标题中确定与模板中的实体存在关联关系的实体。
78.在确定两两实体之间的关联关系之后，将所述两两实体及关联关系存储在模板中。之后在获取新的商品标题时，为了获取新的商品标题中的某实体的改写词，只需直接在模板中查询所述某实体对应的另一实体。
79.一个实体针对不同的关联关系，可以具有多个改写词。可选地，还可以获取确定的关联关系对应的多个商品标题，获取所述多个商品标题中该两两实体的上下文，将出现频率高于预设频率的上下文以及该两两实体之间的关联关系共同存储在模板中。如此，在获取新的商品标题中的实体的改写词时，可以通过同时对实体的上下文进行匹配，确定该实体在该种上下文中对应的改写词，以便更加准确地获取到改写词。
80.采用本技术实施例的技术方案，可以在确定实体关联关系之后，将两两实体及其实体关联关系存储在模板中，并将出现频率高于预设频率的上下文也存储在模板中，如此，之后在确定新的商品标题中的实体的改写词时，只需直接查询存储的模板，具有更高的效率。
81.可选地，作为一个实施例，确定实体关联关系的方法还包括：获取一对商品标题以及所述一对商品标题中的商品实体，所述一对商品标题是同类目下两个商品的标题，且存在文本重合；获取所述两个商品的图片并进行相似度比较；在所述相似度高于预设阈值的情况下，确定所述一对商品标题中的商品实体之间的关联关系为同位词关系。
82.部分商品标题较短、缺乏共现实体的商品，例如生鲜果蔬类商品，部分只有单主实体，商品标题提供信息量不足，但是这类商品的图片相关性较高，可通过图片相关性判断各商品实体的关联关系。例如商品标题“新鲜硒砂瓜”中，只包含单主实体“硒砂瓜”，不具有多个实体，因此无法仅仅基于该商品标题挖掘两两实体的关联关系。对此，申请人想到可以基于成对或多个商品标题包含的商品的图片的相似度确定实体的关联关系。
83.根据图片相似度确定商品实体的关联关系，为了减小计算量以及提高准确性，针对同类目下的商品的图片进行相似度比较。先获取多个商品类目，将同类目的商品进行聚合，然后识别每个类目下商品标题中的商品实体。
84.获取同类目下且商品标题的文本具有重合的一对商品标题以及所述一对商品标题中的商品实体。获取所述两个商品的图片，图片通常为商品主图。获取两个商品的图片的表示向量，并通过两个商品的图片的表示向量计算两个商品的图片的相似度。其中，可以通过预训练的图片表征模型获取图片的表示向量，本发明实施例对此不作限制。
85.在相似度高于预设阈值的情况下，确定该两个商品实体互为同位词。同位词包含同义词，属于同一个上位词之下的节点对应的词。例如，硒砂瓜和石缝瓜都为西瓜的下位词，硒砂瓜和石缝瓜互为同位词。
86.在确定一个实体的上位词和同位词之后，则可以确定该实体的同位词的上位词为该实体的上位词。例如在确定硒砂瓜的上位词为西瓜，硒砂瓜和石缝瓜互为同位词之后，则可以确定石缝瓜的上位词为西瓜。
87.可选地，通过多对商品商品标题以及多对商品标题中的商品实体，确定多对商品实体的关联关系，并对多对商品实体的关联关系进行聚合，确定最终的商品实体的关联关系。根据多对商品商品标题以及多对商品标题中的商品实体，确定多对商品实体的关联关
系的方法可以参照前文根据多个商品标题确定实体的关联关系的方法，在此不再详细描述。
88.参照图2，示出了一种根据商品图片确定实体关系的示意图。其中，商品分别为同属于水果类目的硒砂瓜和石缝瓜。获取商品对应的标题和图片，并对两个商品标题分别进行实体识别，识别出商品实体硒砂瓜和商品实体石缝瓜；获取两个商品的图片表示向量，并计算两个表示向量的相似度。在两个商品的图片的表示向量的相似度超过预设阈值时，则两个商品互为同位词。查询上位词库得知西瓜为石缝瓜的上位词，则可以确定硒砂瓜的上位词为西瓜，从而生成硒砂瓜的改写词为西瓜。
89.采用本技术实施例的技术方案，在利用商品标题的基础上，还利用商品图片的信息，确定商品实体的关联关系，弥补了部分商品标题过短，仅包含单主实体的问题。
90.可选地，作为一个实施例，确定实体关联关系的方法还包括：获取查询词；基于所确定的关联关系，确定所述查询词的改写词；基于所述查询词及其改写词进行商品查询。
91.在利用查询词查询商品时，获取查询词，通过知识图谱、商品图谱或存储的模板中的关联关系，确定查询词的改写词，基于查询词及其改写词进行商品查询。如此，可以提高查询商品时，商品的召回率。
92.可选地，通过知识图谱、商品图谱或存储的模板中的关联关系，预先对商品标题中的实体进行改写，并存储每个商品标题改写后的多个商品标题，在利用查询词进行查询时，在商品标题及其改写后的商品标题中进行查询，在查询到改写后的商品标题时，将该改写后的商品标题对应的原商品标题进行召回。
93.需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
94.图3是本发明实施例的一种确定实体关联关系的装置的结构示意图，如图3所示，一种确定实体关联关系的装置，包括实体识别模块、语义向量获取模块及关联关系确定模块，其中：
95.实体识别模块，用于对商品标题进行实体识别，得到所述商品标题中的多个实体；
96.语义向量获取模块，用于分别获取所述多个实体各自的语义向量；
97.关联关系确定模块，用于根据所述多个实体中的两两实体各自的语义向量，确定两两实体之间的目标关联关系。
98.可选地，作为一个实施例，所述关联关系确定模块包括：
99.拼接单元，用于对两两实体的语义向量正序拼接，得到第一拼接向量，以及，对两两实体的语义向量反序拼接，得到第二拼接向量；
100.关联确定单元，用于根据所述第一拼接向量，确定两两实体之间是否存在关联，以及根据所述第二拼接向量，确定两两实体之间是否存在关联；
101.第一关系确定单元，用于在两个确定结果均为两两实体之间存在关联的情况下，确定两两实体之间的目标关联关系为同义词关系；
102.第二关系确定单元，用于在一个确定结果为两两实体之间存在关联，另一个确定
结果为两两实体之间不存在关联的情况下，确定两两实体之间的目标关联关系为上下位词关系。
103.可选地，作为一个实施例，所述装置还包括：
104.多个关联关系确定模块，用于针对多个商品标题，确定多个两两实体之间的关联关系；
105.聚合模块，用于对包括所述目标关联关系在内的多个关联关系进行聚合，确定两两实体之间的关联关系；
106.所述装置还包括：
107.图谱补全模块，用于基于所确定的关联关系，对商品图谱进行补全。
108.可选地，作为一个实施例，所述装置还包括：
109.上下文获取模块，用于确定两两实体之间的关联关系之后，获取存在关联关系的两两实体各自在商品标题中的上下文；
110.存储模块，用于将出现频率高于预设频率的上下文以及两两实体之间的关联关系存储在模板中；
111.匹配模块，用于获取新的商品标题，将新的商品标题与所存储的模板相匹配；
112.实体确定模块，用于根据匹配结果，从新的商品标题中确定与模板中的实体存在关联关系的实体。
113.可选地，作为一个实施例，所述装置还包括：
114.过滤词获取模块，用于在对商品标题进行实体识别之前，获取预设过滤词，所述预设过滤词表征商品类型为组合商品；
115.滤除模块，用于对包含所述预设过滤词的候选商品标题进行滤除，得到所述商品标题。
116.可选地，作为一个实施例，所述装置还包括：
117.商品实体获取模块，用于获取一对商品标题以及所述一对商品标题中的商品实体，所述一对商品标题是同类目下两个商品的标题，且存在文本重合；
118.相似度比较模块，用于获取所述两个商品的图片并进行相似度比较；
119.同位词模块，用于在所述相似度高于预设阈值的情况下，确定所述一对商品标题中的商品实体之间的关联关系为同位词关系。
120.可选地，作为一个实施例，所述装置还包括：
121.查询词模块，用于获取查询词；
122.改写词模块，用于基于所确定的关联关系，确定所述查询词的改写词；
123.商品查询模块，用于基于所述查询词及其改写词进行商品查询。
124.采用本技术实施例的技术方案，可以对商品标题进行实体识别，得到所述商品标题中的多个实体；分别获取所述多个实体各自的语义向量；根据所述多个实体中的两两实体各自的语义向量，确定两两实体之间的目标关联关系。如此，商品标题中的实体之间语义关联性强，确定商品标题中的实体之间的目标关联关系，可以保证确定的具有目标关联关系的实体之间具有较强的语义关联性；此外商品标题不受用户行为数据影响，因此通过商品标题确定实体关联关系的方法可以覆盖新商品标题和流量较低的长尾商品标题。
125.需要说明的是，装置实施例与方法实施例相近，故描述的较为简单，相关之处参见
方法实施例即可。
126.本发明实施例还提供了一种电子设备，包括：处理器、存储器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述的确定实体关联关系的方法。
127.本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现上述任一实施例所述的确定实体关联关系的方法。
128.本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
129.本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
130.本发明实施例是参照根据本发明实施例的方法、装置、电子设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
131.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
132.这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
133.尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
134.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
135.以上对本技术所提供的一种确定实体关联关系的方法、装置、电子设备及存储介质，进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。