(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210333859.9 (22)申请日 2022.03.30 (71)申请人 北京快确信息科技有限公司 地址 100000 北京市西城区阜成门外大街 31号4层411D (72)发明人 甘伟超　林远平　邹鸿岳　周靖宇　 (74)专利代理 机构 广东良马律师事务所 4 4395 专利代理师 李良 (51)Int.Cl. G06F 16/35(2019.01) G06F 16/31(2019.01) G06F 40/30(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 40/04(2012.01) (54)发明名称 一种基于融合网络的交易对手识别方法、 装 置及电子设备 (57)摘要 本发明公开了一种基于融合网络的交易对 手识别方法、 装置及电子设备， 方法包括： 获取训 练样本， 将训练样本输入预训练模型编码层， 生 成文本编码； 获取训练样本， 根据训练样本构建 词汇和词语 之间的图关系； 根据图注 意力网络表 示层和图关系， 生成词汇对应的图表征向量； 将 图表征向量与文本编码进行融合， 生成文本表征 序列； 通过分类层对所述文本表征序列进行分 类， 生成交易对手识别模型； 获取待解析的文本 信息， 将所述待解析的文本输入交易对手识别模 型， 识别出交易对手类别。 本发明实施例解析识 别任务， 不需要用到复杂的规则逻辑， 实现了低 开发和低维护成本， 提高了覆盖率， 识别准确率 高。 权利要求书2页 说明书10页 附图6页 CN 114942992 A 2022.08.26 CN 114942992 A 1.一种基于融合网络的交易对手识别方法,其特征在于,所述融合网络包括预训练模 型编码层、 词汇关系连接图构建层、 图注意力网络表示层、 融合层和分类层， 所述方法包括： 获取训练样本， 将训练样本输入预训练模型编码层， 生成文本编码， 其中， 所述预训练 模型的编码层中 融合词汇适配 器； 获取训练样本， 将所述训练样本输入词汇关系连接 图构建层， 构建词汇和词语之间的 图关系； 根据图注意力网络表示层和所述图关系， 生成词汇对应的图表征向量； 将所述图表征向量与所述文本编码进行融合， 生成文本表征序列； 通过分类层对所述文本表征序列进行分类， 完成融合网络的训练， 生成交易对手识别 模型； 获取待解析的文本信息， 将所述待解析的文本输入交易对手识别模型， 根据交易对手 识别模型的输出， 得到交易对手 类别， 完成交易对手识别。 2.根据权利要求1所述的方法， 其特征在于， 所述获取训练样本， 将训练样本输入预训 练模型编码层， 生成文本编码前， 还 包括： 预先构建词汇适配 器， 将所述词汇适配 器加入预训练模型中的任意 一层或多层。 3.根据权利要求2所述的方法， 其特 征在于， 所述预 先构建词汇适配 器， 包括： 预先获取文本序列中字符表征向量； 获取字符相关的词汇的向量 集合； 根据双线性注意力机制， 将字符表征向量、 所述向量集合进行融合， 生成词汇表征向 量； 将字符表征向量与词汇 表征向量进行相加， 生成 综合表征向量； 根据综合表征向量， 输出文本序列每 个位置的表征向量。 4.根据权利要求3所述的方法， 其特征在于， 所述获取训练样本， 将所述训练样本输入 词汇关系连接图构建层， 构建词汇和词语之间的图关系， 包括： 获取训练样本， 将所述训练样本 输入词汇关系连接图构建层； 通过连接关系构建词汇和词语之间的转移图、 包 含图和栅格图。 5.根据权利要求4所述的方法， 其特征在于， 所述根据图注意力网络表示层和所述图关 系， 生成词汇对应的图表征向量， 包括： 根据转移图、 包含图和栅格图获取对应的第一连接矩阵、 第二连接矩阵和第三连接矩 阵； 将文本序列中每个位置的表征向量、 文本序列中的词汇向量及第一连接矩阵、 第二连 接矩阵和第三连接矩阵输入所述图注意力网络表示层； 获取图注意力网络表示层的输出， 生成词汇对应的图表征向量。 6.根据权利要求5所述的方法， 其特征在于， 所述将所述图表征向量与 所述文本编码进 行融合， 生成文本表征序列， 包括： 将所述图表征向量与所述文本编码采用投影加权的方式进行融合， 生成文本表征序 列。 7.根据权利要求6所述的方法， 其特征在于， 所述通过分类层对所述文本表征序列进行权　利　要　求　书 1/2 页 2 CN 114942992 A 2分类， 完成融合网络的训练， 生成交易对手识别模型， 包括： 将所述文本表征序列输入softmax分类函数， 获取softmax分类函数输出的每个位置的分类， 完成融合网络的训练， 生成交易对手识 别模型。 8.一种基于融合网络的交易对手识别装置， 其特征在于， 所述融合网络包括预训练模 型编码层、 词汇关系连接图构建层、 图注意力网络表示层、 融合层和分类层， 所述装置包括： 编码模块， 用于获取训练样本， 将训练样本输入预训练模型编码层， 生成文本编码， 其 中， 所述预训练模型的编码层中 融合词汇适配 器； 图关系构建模块， 用于获取训练样本， 将所述训练样本输入词汇关系连接图构建层， 构 建词汇和词语之间的图关系； 图表征向量生成模块， 用于根据图注意力网络表示层和所述图关系， 生成词汇对应的 图表征向量； 融合模块， 用于将所述图表征向量与所述文本编码进行融合， 生成文本表征序列； 分类模块， 用于通过分类层对所述文本表征序列进行分类， 完成融合网络的训练， 生成 交易对手识别模型； 识别模块， 用于获取待解析的文本信 息， 将所述待解析的文本输入交易对手识别模型， 根据交易对手识别模型的输出， 得到交易对手 类别， 完成交易对手识别。 9.一种电子设备， 其特 征在于， 所述电子设备包括至少一个处 理器； 以及， 与所述至少一个处 理器通信连接的存 储器； 其中， 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权利要求1 ‑7任一项所述的基于融合网络的 交易对手识别方法。 10.一种非易失性计算机可读存储介质， 其特征在于， 所述非易失性计算机可读存储介 质存储有计算机可执行指令， 该计算机可执行指令被一个或多个处理器执行时， 可使得所 述一个或多个处 理器执行权利要求1 ‑7任一项所述的基于融合网络的交易对手识别方法。权　利　要　求　书 2/2 页 3 CN 114942992 A 3