[发明专利]基于元学习的实体类别识别方法、装置、设备和存储介质

权利要求书

1.一种基于元学习的实体类别识别方法，所述方法包括：

获取新增实体类别，并查询与所述新增实体类别对应的参照样本；

获取待识别数据；

将所述参照样本和所述待识别数据输入至预先生成的实体类别识别模型中，以识别每一所述待识别数据中对应所述参照样本的新增实体类别，其中，所述实体类别识别模型是基于元学习的方式训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述将所述参照样本和所述待识别数据输入至预先生成的实体类别识别模型中，以识别每一所述待识别数据中对应所述参照样本的新增实体类别，包括：

将所述参照样本和所述待识别数据中的单词进行序列化，并将序列化后的单词进行高阶特征表示；

对高阶特征表示后的单词进行平均池化操作得到所述参照样本和所述待识别数据的向量表示；

通过所述参照样本的向量化表示对所述待识别数据的向量化表示进行处理，得到所述待识别数据的高层特征；

对所述高层特征进行处理得到所述待识别数据中对应所述参照样本的新增实体类别。

3.根据权利要求1或2所述的方法，其特征在于，所述实体类别识别模型的训练方式包括：

获取样本数据，并根据所述样本数据构建多组元训练样本；

根据所述元训练样本进行训练得到实体类别识别模型。

4.根据权利要求3所述的方法，其特征在于，所述获取样本数据，并根据所述样本数据构建多组元训练样本，包括：

获取样本数据，对所述样本数据按照实体类别进行分组，并随机从所述分组中抽取至少一个分组；

确定所抽取的至少一个分组中的第一数量样本数据为支撑样本，第二数量样本数据为查询样本；

根据所述支撑样本和所述查询样本得到一组元训练样本；

重复随机从所述分组中抽取至少一个分组以得到多组元训练样本。

5.根据权利要求4所述的方法，其特征在于，所述获取样本数据，对所述样本数据按照实体类别进行分组，包括：

获取按照初始实体类别进行分组的样本数据，对所述初始实体类别中的样本数据按照目标实体类别进行分组；

对按照目标实体类别进行分组的样本数据进行标准化处理；

将各个初始实体类别对应的标准化处理后的所述目标实体类别进行合并，得到与所述目标实体类别对应的分组。

6.根据权利要求5所述的方法，其特征在于，所述根据所述元训练样本进行训练得到实体类别识别模型，包括：

将所述支撑样本和所述查询样本中的单词进行序列化，并将序列化后的单词进行高阶特征表示，且对高阶特征表示后的单词进行平均池化操作得到所述支撑样本和所述查询样本的向量表示；

根据实体类别识别模型通过所述支撑样本的向量化表示对所述查询样本的向量化表示进行处理，得到所述查询样本的高层特征；

对所述查询样本的高层特征进行处理得到所述查询样本中对应所述支撑样本的新增实体类别；

将所得到的所述查询样本中对应所述支撑样本的新增实体类别与所述查询样本的真实实体类别输入至随机场层中计算得到损失函数；

通过所述损失函数对所述实体类别识别模型进行训练。

7.根据权利要求6所述的方法，其特征在于，所述将所述支撑样本和所述查询样本中的单词进行序列化，并将序列化后的单词进行高阶特征表示，包括：

根据以下公式通过所述支撑样本的向量化表示对所述查询样本的向量化表示进行处理，得到所述查询样本的高层特征：

其中，是q_j在经过支撑样本建模之后得到的所述查询样本的高层特征；atten函数是用来计算每个支撑样本对查询样本命名实体识别的贡献度；代表两个向量拼接成一个新向量，T是一个实数，用于控制atten函数得到的分布的尖锐程度；k代表支撑样本的序号，k的取值与支撑样本的样本数量相关。