(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 202210507647.8 (22)申请日 2022.05.10 (71)申请人 度小满科技 （北京） 有限公司 地址 100085 北京市海淀区西北旺路10号 院西区4号楼6层6 06 (72)发明人 陈云蛟　林熙东　杨青　 (74)专利代理 机构 北京知帆远景知识产权代理 有限公司 1 1890 专利代理师 刘岩磊 (51)Int.Cl. G06N 20/00(2019.01) G06Q 10/04(2012.01) G06Q 40/02(2012.01) G06F 16/34(2019.01) G06F 16/31(2019.01) (54)发明名称 一种实体状态模型的训练方法、 装置、 设备 及存储介质 (57)摘要 本申请提供了一种实体状态模型的训练方 法、 装置、 设备及存储介质。 该方法包括： 基于实 体训练集内每一实体的公开经营数据， 确定该实 体的数值统计特征、 关键词表 示特征和文本摘要 表示特征； 对实体训练集内每一实体的数值统计 特征、 关键词表示特征和文本摘要表 示特征进行 拼接， 得到对应的实体融合特征； 利用实体训练 集内每一实体的实体融合特征和实体状态标签， 训练对应的实体状态预测模型。 本申请利用各个 实体的公开经营数据来实现实体状态预测模型 的准确训练， 在确保模型训练样 本特征全面有效 的基础上， 进一步降低实体状态预测模型训练时 的样本获取难度， 确保实体状态预测模型训练时 的样本便捷性， 从而提高实体状态预测的高效准 确性。 权利要求书2页 说明书12页 附图5页 CN 114897182 A 2022.08.12 CN 114897182 A 1.一种实体 状态模型的训练方法， 其特 征在于， 包括： 基于实体训练集内每一实体的公开经营数据， 确定该实体的数值统计特征、 关键词表 示特征和文本摘要表示特 征； 对所述实体训练集内每一实体的数值统计特征、 关键词表示特征和文本摘要表示特征 进行拼接， 得到对应的实体融合特 征； 利用实体训练集内每一实体的实体融合特征和实体状态标签， 训练对应的实体状态预 测模型。 2.根据权利要求1所述的方法， 其特征在于， 所述基于实体训练集内每一实体的公开经 营数据， 确定该实体的数值统计特 征、 关键词表示特 征和文本摘要表示特 征， 包括： 基于所述实体训练集内每一实体的公开经营数据， 确定该实体的数值统计特征、 关键 词信息和文本摘要信息； 分别对所述实体训练集内每一实体的关键词信 息和文本摘要信 息进行序列表示学习， 得到该实体的关键词表示特 征和文本摘要表示特 征。 3.根据权利要求2所述的方法， 其特征在于， 所述基于所述实体训练集内每一实体的公 开经营数据， 确定该实体的数值统计特 征、 关键词信息和文本摘要信息， 包括： 从所述实体训练集内每一实体的公开经营数据中， 抽取出该实体的结构化数值数据和 非结构化文本数据； 对所述实体训练集内每一实体的结构化数值数据进行统计， 得到该实体的数值统计特 征； 对所述实体训练集内每一实体的非结构化文本数据分别进行关键词提取和摘要提取， 得到对应的关键词信息和文本摘要信息 。 4.根据权利要求2所述的方法， 其特征在于， 所述对所述实体训练集内每一实体的文本 摘要信息进行序列表示学习， 得到该实体的文本摘要表示特 征， 包括： 针对所述实体训练集内每一实体， 对该实体的每一文本摘要信 息分别进行序列表示学 习， 得到该实体的多个初始摘要表示特 征； 对该实体的多个初始摘要表示特 征进行按位叠加， 得到该实体的文本摘要表示特 征。 5.根据权利要求1所述的方法， 其特征在于， 所述利用实体训练集内每一实体的实体融 合特征和实体 状态标签， 训练对应的实体 状态预测模型， 包括： 利用所述实体训练集内每一实体的实体融合特征和实体状态标签， 训练对应的初始预 测模型； 利用实体测试集内的目标实体， 对所述初始预测模型进行迭代优化， 得到对应的实体 状态预测模型。 6.根据权利要求5所述的方法， 其特征在于， 所述利用实体测试集内的目标实体， 对所 述初始预测模型进行迭代优化， 得到对应的实体 状态预测模型， 包括： 执行如下模型测试的步骤： 对实体测试集内每一实体的数值统计特征、 关键词表示特征和文本摘要表示特征进行 拼接， 得到对应的实体融合特 征； 将所述实体测试集内每一实体的实体融合特征输入到所述初始预测模型内， 输出所述 实体测试集内每一实体的实体 状态评分， 并确定所述初始预测模型的当前 预测指标；权　利　要　求　书 1/2 页 2 CN 114897182 A 2如果所述初始预测模型的当前预测指标未达到预期预测指标， 则基于所述实体测试集 内每一实体的实体状态评分， 从所述实体测试集中筛选出目标实体， 并利用所述 目标实体 的实体融合特征和已标注的实体状态标签， 对所述初始预测模型进行重新训练， 得到优化 后的初始预测模型； 获取新的实体测试集， 继续返回执行所述模型测试的步骤， 以确定优化后的初始预测 模型的当前预测指标， 直至优化后的初始预测模型的当前预测指标达到所述预期预测指 标， 则将达 到所述预期预测指标的初始预测模型作为所述实体 状态预测模型。 7.根据权利要求1 ‑6任一项所述的方法， 其特 征在于， 所述方法还 包括： 对所述实体训练集的实体特征处理步骤和所述实体状态预测模型进行容器化封装， 以 实现实体 状态预测的容器化部署。 8.一种实体 状态模型的训练装置， 其特 征在于， 包括： 实体特征确定模块， 用于基于实体训练集内每一实体的公开经营数据， 确定该实体的 数值统计特 征、 关键词表示特 征和文本摘要表示特 征； 实体特征拼接模块， 用于对所述实体训练集内每一实体的数值统计特征、 关键词表示 特征和文本摘要表示特 征进行拼接， 得到对应的实体融合特 征； 实体模型训练模块， 用于利用实体训练集内每一实体的实体融合特征和实体状态标 签， 训练对应的实体 状态预测模型。 9.一种电子设备， 其特 征在于， 包括： 处理器和存储器， 所述存储器用于存储计算机程序， 所述处理器用于调用并运行所述 存储器中存储的计算机程序， 以执行权利要求1 ‑7中任一项所述的实体状态模型的训练方 法。 10.一种计算机可读存储介质， 其特征在于， 用于存储计算机程序， 所述计算机程序使 得计算机执 行如权利要求1 ‑7中任一项所述的实体 状态模型的训练方法。权　利　要　求　书 2/2 页 3 CN 114897182 A 3