CN119443105A 基于迁移学习模型的实体关系抽取方法、装置、设备及介质 （北京市大数据中心）

号本发明提供基于迁移学习模型的实体关系源任务中的知识迁移学习到目标域或目标任务2构建迁移学习模型，基于迁移学习模型将源域或源任务将机器学习算法与迁移学习模型相融合，利用网格搜索算法对机器学n和m分别是辅助训练数据集和目标训练数据集的大小，合并起来的训练数据集T=;6.根据权利要求1所述的基于迁移学习模型的实体关系抽取方法，其特征在于，方法3对每个选定的机器学习算法和迁移学习模型使用训练数基于验证集或测试集对训练好的机器学习算法和迁移学习模型采用平均法，对于回归问题或分类问题的概率输出，并计算所有对训练好的集成模型定义超参数空间，确定调优超参数，并为每个超使用网格搜索算法遍历所有超参数的组合，结合交叉验证方式对于每组超参数，使用训练集数据训练调优模型，并在验证集或使用满足预设条件的超参数组合在训练集数据上重新训练调模块训练模块，用于构建迁移学习模型，基于迁移学习模型将源域特征迁移模块，用于将机器学习算法与迁移学习模型相49.一种电子设备，包括存储器、处理器及存储在行时实现如权利要求1至7任一项所述基于迁移学习模型的实体关系抽取方5[0003]目前，机器学习算法在基于迁移学习模型的实体关系抽取任务中已得到广泛应[0005]当前无法有效的将机器学习和迁移学习模型相融合来实现基于迁移学习模型的6;当辅助数据集中的一个样本被错误的分类时，降低所述样本在分类器中的权重，对每个选定的机器学习算法和迁移学习模型使用训练数7述计算机程序被处理器执行时实现所述基于迁移学习模型的实体关系抽取方8[0021]本申请提供的基于迁移学习模型的实体关系抽取方法可以将多源数据应用至多[0023]本申请涉及的基于迁移学习模型的实体关系抽取方法可以应用到学术论文数据9[0028]请参阅图1所示是一具体实施例中基于迁移学习模型的实体关系抽取方法的流程[0040]本实施例利用知识图谱数据具有唯一标识符或组合多个字段来判断知识图谱数[0042]通过数据清洗技术来自动识别和处理这些异常值常见的处理方法包括删除异常[0047]本实施例通过基于规则标注+人工标注的方式生成有标签的训练数据集。基于规[0066]本实施例还可以对目标域中的新文本或数据集进行基于迁移学习模型的实体关[0079]最后对聚类效果进行评估，确定最佳的K值，并将聚类结果通过散点图进行可视[0083]本实施例的CRF使用这些特征函数和权重来构建概率模型，概率模型给出了在给[0084]本实施例的训练CRF模型涉及最大化条件概率的对数似然，使用迭代算法如梯度其中，⃞ex,,i=1,2r…,k,k是集合S中的元素个数；。[0097]本实施例的模型融合可以采用平均法将多个传统机器学习算法和迁移学习模型[0100]S1043：使用训练好的模型对验证集或测试集进行预测，得到每个模型的输出结的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限[0111]本实施例涉及的基于迁移学习模型的实体关系抽取装置利用源领域的知识来提能够有效改善目标领域基于迁移学习模型的实体关系抽取101及存储在所述存储器上并可在所述处理器101上运行的计算机程序，所述处理器101执行所述程序时实现基于迁移学习模型的实体关系抽取方不意在限制本文中描述的和/或者要求的本申请实言编写的软件应用程序(或程序)来实施，软件代码可以存储在存储器中并且由控制器执括显示面板，可以采用液晶显示器(LiquidCrystalDisplay，LCD)、有机发光二极管(OrganicLight_EmittingDiode,OLED)等形式来配执行时实现所述基于迁移学习模型的实体关系抽[0120]对所公开的实施例