具体实施方式

为使本申请的目的、实施方式和优点更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，所描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。

基于本申请描述的示例性实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请所附权利要求保护的范围。此外，虽然本申请中公开内容按照示范性一个或几个实例来介绍，但应理解，可以就这些公开内容的各个方面也可以单独构成一个完整实施方式。

需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。

本申请中说明书和权利要求书及上述附图中的术语″第一″、″第二″、″第三″等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明(Unless otherwise indicated)。应该理解这样使用的用语在适当情况下可以互换，例如能够根据本申请实施例图示或描述中给出那些以外的顺序实施。

此外，术语″包括″和″具有″以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的那些组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。

本申请中使用的术语″模块″，是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合，能够执行与该元件相关的功能。

下面对本申请涉及到的名词概念进行解释：

知识图谱：知识图谱包括至少两个实体(也可以称为节点)，以及，不同实体之间是否存在关联关系。

语义的贡献度语义的贡献度指的是语句中的词，对该语句语义的影响程度。例如，″呀″、″呢″、″啊″等语气词对语句语义的影响程度一般较小，也就是说，这些语气词对语句语义的贡献度较小。

随着科学技术的发展，越来越多的电子设备可以与用户进行语音交互。以上述电子设备为显示设备(如智能电视)为例，示例性的，图1为本申请提供的一种用户与显示设备进行语音交互的场景示意图。如图1所示，显示设备200可以接收用户的语音信号，并根据该语音信号，对显示设备200进行相应的操作。

示例性的，显示设备200例如可以根据用户语音信号对应的语义，进行该语义相关的内容推荐，或者，播放该语义相关的视频，或者，进行音量调节等控制。

在一些实施例中，如图1所示，显示设备200在接收到用户的语音信号之后，可以将该语音信号通过互联网传输给服务器400。服务器400首先可以确定该语音信号的语义。然后根据该语音信号的语义，确定该语音信号对应的操作指令，并将该操作指令发送给显示设备200。然后，显示设备200可以根据该操作指令对显示设备200进行控制。

在一些实施例中，上述显示设备200中还可以存储有语音信号处理算法。通过该语音信号处理算法，显示设备200可以获取用户语音信号的语义。然后显示设备200可以根据该语音信号的语义，确定该语音信号对应的操作指令，进而根据该操作指令对显示设备200进行控制。

应理解，图1仅是以电子设备为显示设备为例对语音交互场景进行的示例性说明。具体实现时，上述电子设备例如还可以为其他具有处理功能的终端，或者服务器等。如智能电视、智能冰箱、智能音响等智能家居，或者，手机、平板电脑、笔记本电脑、台式电脑、智能手表等电子设备。

如前述所说，电子设备在接收到用户的语音信号之后，需要确定该语音信号对应的语义之后，才能做出相应的操作。对于确定该语音信号对应的语义的过程，在一些实施例中，电子设备首先可以将接收到的语音信号转换为相应的语句。然后，电子设备可以对该语句进行语义理解，得到该语句对应的语义(即该语音信号对应的语义)。

现有的对语句进行语义理解的方法主要为基于知识图谱的语义理解。其中，基于知识图谱的语义理解包括下述三个主要步骤：

1、实体识别，实体识别指的是识别出语句中的各个词，将该语句中的各个词作为该语句的目标实体。

示例性的，以语句″我想买游戏角色皮肤″为例，通过实体识别算法，电子设备可以识别出该语句的″我″、″想″、″买″、″游戏″、″角色″、″皮肤″等目标实体。

2、实体链接，实体链接指的是针对任一目标实体，在预设知识图谱中，获取与该目标实体关联的多个候选语义实体。其中，该多个候选语义实体均可以用于解释该目标实体，也就是说，该多个候选语义实体均可以用于作为该目标实体的语义。

示例性的，以上述示例语句中的″皮肤″目标实体为例，电子设备可以在预设知识图谱中，获取与″皮肤″实体存在关联关系的多个实体，作为″皮肤″的候选语义实体。示例性的，″皮肤″的候选语义实体例如可以包括″器官″、″游戏″、″饰品″等候选语义实体。

3、实体消歧。实体消歧指的是从目标实体的多个候选语义实体中，确定该目标实体对应的能够表达该目标实体的语义实体。

示例性的，以上述″皮肤″目标实体对应的候选语义实体包括″器官″、″游戏″、″饰品″等候选语义实体为例，电子设备需要通过实体消歧方法，从″器官″、″游戏″、″饰品″等候选语义实体中，确定″皮肤″的语义实体。

目前，现有的实体消歧方法主要为：针对任一候选语义实体，在知识图谱中确定与该候选语义实体存在关联的实体的数量。将存在关联的实体的数量最多的候选语义实体，作为目标实体的语义实体。

然而，事实上，也可能存在目标实体的实际语义并不是关联的实体的数量最多的候选语义实体。因此，仅仅基于知识图谱中与候选语义实体存在关联的实体的数量确定目标实体的语义实体的准确性较差，进而可能导致对目标实体所在语句进行语义理解的准确性较差。

示例性的，仍然以上述″皮肤″目标实体对应的候选语义实体包括″器官″、″游戏″、″饰品″等候选语义实体为例，假设与上述各候选语义实体存在关联的实体的数量如下表1所示：

表1

如表1所示，假设数量1大于数量2，且数量2大于数量3，则可以确定″皮肤″的语义实体为″器官″。也就是说该语句中的皮肤指的是器官，而语义与该语句中″皮肤″想要表达的实际语义(实际语义应该为游戏饰品)不同。因此，现有的实体消歧方法的准确性较差。

发明人通过研究发现，目标实体的准确的语义，往往与该目标实体所在语句中的其他实体相关。例如，上述示例中的″皮肤″准确的语义是游戏饰品，而″皮肤″所在语句中存在游戏饰品实体。

有鉴于此，本申请提供了一种基于目标实体所在语句，确定目标实体的语义实体的方法以提高实体消歧的准确性。该方法将目标语句的各目标实体，以及，各目标实体对应的候选语义实体均输入至训练好的实体消歧模型，以获取该目标语句中各目标实体的目标语义实体。其中，上述训练好的实体消歧模型，是基于样本语句的各目标样本实体，以及，各目标样本实体对应的候选语义实体，进行训练得到的。通过上述方法，可以结合目标语句的各目标实体，确定各目标实体的目标语义实体，考虑了目标实体所在目标语句中的其他实体对该目标实体的语义的影响，相较于现有技术仅基于知识图谱中各候选语义实体关联的实体数量确定目标实体的语义实体，本申请提高了确定目标实体的语义的准确性，即提高了实体消歧的准确性，进而提高了对目标语句进行语义理解的准确性。

应理解，上述实体消歧模型的训练方法的执行主体，与，上述实体消歧方法的执行主体可以为同一电子设备，也可以为不同电子设备。

下面结合具体地实施例对本申请训练上述实体消歧模型的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图2为本申请提供的一种实体消歧模型的训练方法的流程示意图。如图2所示，该方法包括以下步骤：

S101、获取样本数据集。

其中，上述样本数据集包括至少一个样本数据。上述每个样本数据包括：样本语句、样本语句的至少一个目标样本实体，以及，至少一个目标样本实体对应的样本候选语义实体子集。该样本候选语义实体子集中包括每个目标样本实体对应的目标语义实体，以及，每个目标样本实体对应的至少一个非目标语义实体。上述目标语义实体与非目标语义实体属于同一知识图谱。

在上述样本数据集中，不同样本语句的目标样本实体的数量可以相同，也可以不同。不同目标样本实体对应的非目标语义实体的数量可以相同，也可以不同。上述″不同目标样本实体″可以是属于同一样本语句的目标样本实体，也可以是属于不同样本语句的目标样本实体。

上述目标样本实体对应的目标语义实体指的是该目标样本实体的实际语义。上述目标样本实体对应的至少一个非目标语义实体，指的是目标样本实体对应的候选语义实体中，除目标语义实体之外的候选语义实体。在一些实施例中，上述知识图谱例如可以是基于至少一个网站的词条，以及，不同词条之间的关联关系构建得到的。应理解，本申请对构建上述知识图谱的实现方式并不进行限定。具体实现时，可以参照现有的构建知识图谱的实现方式，本申请在此不再赘述。

作为一种可能的实现方式，电子设备可以直接接收用户输入的样本数据集。示例性的，电子设备可以通过应用程序接口(Application Programming Interface，API)，或者，图形用户界面(Graphical User Interface，GUI)接收用户输入的样本数据集。

作为另一种可能的实现方式，电子设备还可以接收用户输入的至少一条样本语句。在接收到用户输入的样本语句之后，电子设备可以通过预设的实体识别算法(也可以称为分词算法)，获取各样本语句的至少一个目标样本实体。

示例性的，上述预设的实体识别算法例如可以为ansj实体识别算法、jieba实体识别算法、hanlp实体识别算法、基于长短期记忆网络(Long Short Term Memory，LSTM)的实体识别算法、基于条件随机场(conditional random field，CRF)的实体识别算法等。上述各预设的实体识别算法的具体实现方式，可以参照现有的实现方式，在此不再赘述。

在该实现方式下，电子设备在获取样本语句的至少一个目标样本实体之后，可以通过预设的实体链接算法，从上述知识图谱中，获取各目标样本实体对应的样本候选语义实体子集。其中，上述预设的实体链接算法用于根据目标样本实体，获取该目标样本实体对应的候选语义实体。该预设的实体链接算法可以参照现有的实现方式，在此不再赘述。

在确定样本候选语义实体子集之后，电子设备可以接收用户针对不同候选语义实体输入的正样本标签，或者，负样本标签。其中，具有正样本标签的候选语义实体为目标样本实体对应的目标语义实体，具有负样本标签的候选语义实体为目标样本实体对应的非目标语义实体。应理解，本申请对上述正样本标签和负样本标签的具体形式不进行限定。示例性的，正样本标签例如可以用数字″1″表示。负样本标签例如可以用数字″0″表示。

然后，上述电子设备获取到的样本语句、样本语句的至少一个目标样本实体，以及，至少一个目标样本实体对应的样本候选语义实体子集，可以作为样本数据集。

S102、使用样本数据集对实体消歧模型进行训练，得到训练好的实体消歧模型。

其中，上述训练好的实体消歧模型，用于从目标实体对应的多个候选语义实体中，获取该目标实体对应的目标语义实体。

在一些实施例中，上述实体消歧模型可以为现有的神经网络模型。电子设备可以使用上述样本数据集对该神经网络模型进行训练，以获取训练好的实体消歧模型。

在一些实施例中，上述实体消歧模型还可以为基于至少一个可训练参数矩阵构建得到的。在该实现方式下，使用样本数据集对实体消歧模型进行训练，也可以说是使用样本数据集对上述至少一个可训练参数矩阵进行训练，以改变各可训练参数矩阵的取值，直到得到训练好的实体消歧模型。

在一些实施例中，上述实体消歧模型可以是用户预先存储在电子设备中的。

作为一种可能的实现方式，在获取样本数据集之后，电子设备可以直接使用该样本数据集对实体消歧模型进行训练。

作为另一种可能的实现方式，上述样本数据集中的样本语句的目标样本实体，可以为对该样本语句的语义的贡献度较高的实体。在该实现方式下，在使用样本数据集对实体消歧模型进行训练之前，电子设备还可以先将对样本语句的语义的贡献度较高的实体，作为样本语句的目标样本实体。通过基于该样本语句的语义的贡献度较高的目标样本实体训练实体消歧模型减少了使用目标样本实体的数据的数据量，提高了对实体消歧模型训练的速度。此外，因为从样本数据集中删除的为对样本语句的语义的贡献度较低的实体，也就是说，删除的实体对语句语义理解的影响较小，因此，通过上述方法仍然能够保证对实体消歧模型训练的准确性。

在该实现方式下，以包括K个初始样本实体的样本语句为例(其中，K为大于1的正整数)，在一些实施例中，电子设备可以在使用样本数据集对实体消歧模型进行训练之前，将样本语句的K个初始样本实体输入至预设的贡献度预测模型，得到样本语句的各初始样本实体对样本语句的语义的贡献度。示例性的，上述预设的贡献度预测模型例如可以为现有的基于神经网络构建的注意力机制模型。该注意力机制模型可以基于输入的语句，输出该语句中各实体对该语句的语义的贡献度。

然后，电子设备可以按照贡献度由大到小的排名，将对样本语句的语义的贡献度排名前R的R个初始样本实体作为样本语句的目标样本实体。其中，R为大于或等于1，且小于或等于K的正整数。

若样本语句的目标样本实体的数量大于上述K，在一些实施例中，电子设备还可以将该目标样本实体的数量大于K的样本语句划分为多个样本语句，以使每个样本语句的目标样本实体的数量小于或等于K。然后，电子设备可以参照上述方式，使用该样本数据集对实体消歧模型进行训练。

在本实施例中，使用包括样本语句、样本语句的至少一个目标样本实体，以及，目标样本实体对应的样本候选语义实体子集的样本数据集，训练实体消歧模型。其中，样本候选语义实体子集包括目标样本实体对应的目标语义实体，以及，非目标语义实体。通过上述样本数据集训练实体消歧模型，使得该实体消歧模型可以学习样本语句的各目标样本实体，与目标样本实体与候选语义实体之间的关联关系。因此，相较于现有技术中仅基于候选语义实体关联的实体数量确定目标实体的语义实体，本申请通过使用该训练好的实体消歧模型确定语句的语义，在确定一个目标实体的语义时，结合了目标实体所在目标语句的特征，提高了确定目标实体的语义的准确性，即提高了实体消歧的准确性，进而提高了对目标语句进行语义理解的准确性。

下面对如何使用上述样本数据集对实体消歧模型进行训练进行详细说明。图3为本申请提供的另一种实体消歧模型的训练方法的流程示意图。如图3所示，该方法包括以下步骤：

S201、获取每个样本数据中的各目标样本实体的词向量、各目标样本实体对应的各候选语义实体的实体向量。

其中，上述候选语义实体包括该目标样本实体对应的目标语义实体和非目标语义实体。

在一些实施例中，电子设备可以将上述目标样本实体和候选语义实体输入至预设的词向量产生模型，得到目标样本实体的词向量和候选语义实体的实体向量。上述预设的词向量产生模型用于根据输入的实体，产生该实体对应的词向量。

示例性的，上述预设的词向量产生模型例如可以为任意一种现有的Word2vec(全称为word to vector)模型。

应理解，本申请对上述目标样本实体的词向量的维度、候选语义实体的实体向量的维度，并不进行限定。示例性的，目标样本实体的词向量的维度、候选语义实体的实体向量的维度可以均为300维。

S202、使用各目标样本实体的词向量、各目标样本实体对应的各候选语义实体的实体向量，训练至少一个可训练参数矩阵。

其中，实体消歧模型是基于上述至少一个可训练参数矩阵构建的。该可训练参数矩阵即为实体消歧模型中的可训练参数。

下面以实体消歧模型包括第一可训练参数矩阵和第二可训练参数矩阵为例，对电子设备如何使用各目标样本实体的词向量、各目标样本实体对应的各候选语义实体的实体向量，训练上述第一可训练参数矩阵和第二可训练参数矩阵进行详细说明。

图4为本申请提供的又一种实体消歧模型的训练方法的流程示意图。作为一种可能的实现方式，上述步骤S202可以包括以下步骤：

S2021、针对同一样本语句的任一目标样本实体，根据目标样本实体的词向量、目标样本实体对应的各候选语义实体的实体向量，以及，第一可训练参数矩阵，得到目标样本实体与目标样本实体对应的各候选语义实体的相关度。

其中，目标样本实体与候选语义实体的相关度越高，候选语义实体越接近该目标样本实体的实际语义。

作为一种可能的实现方式，电子设备可以根据目标样本实体的词向量、目标样本实体对应的各候选语义实体的实体向量，以及，第一可训练参数矩阵，通过下述公式(1)，得到目标样本实体与目标样本实体对应的各候选语义实体的相关度。

其中，x_ω表示样本语句的所有目标样本实体的词向量组成的矩阵。A表示第一可训练参数矩阵。x_e表示上述各目标样本实体对应的各候选语义实体的实体向量组成的矩阵。U(ω)表示样本语句的各目标样本实体与目标样本实体对应的各候选语义实体的相关度。应理解，本申请对上述第一可训练参数矩阵的初始取值并不进行限定。示例性的，电子设备例如可以通过随机的方式确定第一可训练参数矩阵的初始取值。

S2022、根据目标样本实体与目标样本实体对应的各候选语义实体的相关度，得到样本语句对应的最大相关度向量。

上述样本语句对应的最大相关度向量包括：样本语句中各目标样本实体对应的最大相关度。该最大相关度为目标样本实体与目标样本实体对应的各候选语义实体的相关度中的最大值。

示例性的，电子设备可以根据目标样本实体与目标样本实体对应的各候选语义实体的相关度，通过下述公式(2)，获取样本语句对应的最大相关度向量。

u(ω)＝maxU(ω) (2)

其中，u(ω)表示样本语句对应的最大相关度向量。max表示获取U(ω)中各目标样本实体对应的最大相关度。

S2023、根据样本语句对应的最大相关度向量，第二可训练参数矩阵，以及，样本语句中各目标样本实体的词向量，得到样本语句的语义特征。

作为一种可能的实现方式，电子设备可以将样本语句对应的最大相关度向量进行归一化处理之后，再根据第二可训练参数矩阵，以及，样本语句中各目标样本实体的词向量，确定样本语句的语义特征。通过对样本语句对应的最大相关度向量进行归一化处理，可以使得该最大相关度向量中的不同数值的大小差异减小，避免大小差异过大导致只有取值大的值对训练过程产生影响，提高了对实体消歧模型进行训练的准确性。

在该实现方式下，在一些实施例中，电子设备首先可以对样本语句对应的最大相关度向量进行归一化处理，得到样本语句对应的目标最大相关度向量。示例性的，电子设备可以通过下述公式(3)，对样本语句对应的最大相关度向量的任意一个值进行归一化处理。

其中，r表示样本语句对应的最大相关度向量的任意一个值。R即前述所说的样本语句的目标样本实体的数量(也就是该最大相关度向量的维度)。β(r)表示该最大相关度向量的任意一个值的归一化处理结果。

通过上述公式(3)对该样本语句对应的最大相关度向量的每一个值进行归一化，可以得到该样本语句对应的目标最大相关度向量β(ω)。

然后，电子设备可以将目标最大相关度向量，第二可训练参数矩阵，以及，样本语句中各目标样本实体的词向量的乘积，作为样本语句的语义特征。在一些实施例中，电子设备可以通过下述公式(4)，得到样本语句的语义特征。

x_c＝β(ω)Bx_ω (4)

其中，β(ω)表示样本语句对应的目标最大相关度向量，B表示第二可训练参数矩阵，x_ω表示样本语句的所有目标样本实体的词向量组成的矩阵。x_c表示样本语句的语义特征。应理解，本申请对上述第二可训练参数矩阵的初始取值并不进行限定。示例性的，电子设备例如可以通过随机的方式确定第二可训练参数矩阵的初始取值。

S2024、根据样本语句的语义特征，对第一可训练参数矩阵、第二可训练参数矩阵进行训练。

作为一种可能的实现方式，电子设备首先可以根据样本语句的语义特征，与，各目标样本实体对应的各候选语义实体的实体向量的内积，得到样本语句与各候选语义实体的关联特征。在一些实施例中，电子设备可以通过下述公式(5)，得到样本语句与各候选语义实体的关联特征。

其中，x_e表示样本语句的各目标样本实体对应的各候选语义实体的实体向量组成的矩阵。x_c表示样本语句的语义特征。表示样本语句与各候选语义实体的关联特征。

然后，电子设备可以根据上述样本语句与各候选语义实体的关联特征，以及，预设的损失函数，对第一可训练参数矩阵、第二可训练参数矩阵进行训练。

在一些实施例中，上述预设的损失函数例如可以为最大间隔法损失函数，或者其他现有类型的损失函数等。以上述预设的损失函数为最大间隔法损失函数为例，该预设的损失函数的例如可以如下述公式(6)表示：

其中，γ表示该预设的损失函数中的可变量，也就是说，在训练过程中，γ的值是可变的。在一些实施例中，γ的值可以根据预设的规则变化。该预设的规则可以参照现有的最大间隔法损失函数中γ的变化规则，在此不再赘述。e^*表示各目标样本实体对应的目标语义实体的实体向量组成的矩阵。e表示各目标样本实体对应的非目标语义实体的实体向量组成的矩阵。C表示样本语句的语义特征。表示样本语句与目标语义实体的关联特征，表示样本语句与非目标语义实体的关联特征。f表示损失函数的值。在模型训练过程中，随着训练轮数的增加，该f可以先逐渐减小，然后在预设范围内变化。

在训练过程中，针对上述第一可训练参数矩阵和第二可训练参数矩阵可以采用梯度下降算法更新其中参数取值。

应理解，上述实施方式是以实体消歧模型中包括第一可训练参数矩阵和第二可训练参数矩阵为例，对如何训练实体消歧模型进行的示例性说明。具体实现时，实体消歧模型中还可以包括一个可训练参数矩阵成者，大于两个的可训练参数矩阵，本申请对此并不进行限定。当实体消歧模型中还包括一个可训练参数矩阵，或者，大于两个的可训练参数矩阵时，其具体实现方式可以参照上述实施例所述的方法，在此不再赘述。

在得到训练好的实体消歧模型之后，可以使用该实体消歧模型，从目标实体对应的多个候选语义实体中获取该目标实体对应的目标语义实体。

在本实施例中，通过样本语句的各目标样本实体的词向量、目标样本实体对应的各候选语义实体的实体向量、可训练参数矩阵，可以用于表征样本语句的语义特征。通过上述方法，使得训练该实体消歧模型时，实体消歧模型可以不断学习样本语句的语义特征与目标样本实体对应的各候选语义实体的实体向量之间的关联关系，从而使得训练好的实体消歧模型具有结合样本语句，确定目标实体对应的目标语义实体的能力，进而提高了确定目标实体的语义的准确性。

下面结合具体地实施例对本申请如何使用该训练好的实体消歧模型进行实体消歧进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图5为本申请提供的一种实体消歧方法的流程示意图。如图5所示，该方法包括以下步骤：

S301、获取目标语句的至少一个目标实体，以及，从知识图谱中确定的各目标实体对应的多个候选语义实体。

作为第一种可能的实现方式，在步骤S301之前，电子设备可以先获取目标语句，然后根据获取到的目标语句，获取该目标语句的至少一个目标实体，以及，从知识图谱中确定的各目标实体对应的多个候选语义实体。

在该实现方式下，在一些实施例中，电子设备可以接收用户输入的语音信号，通过对该语音信号进行语音识别，得到目标语句。示例性的，电子设备可以通过预先存储在电子设备中的训练好的神经网络模型，对语音信号进行语音识别，以获取该语音信号对应的目标语句。其中，上述训练好的神经网络模型可以将的语音信号，转换为目标语句。

在一些实施例中，电子设备还可以接收用户输入的目标语句。示例性的，电子设备例如可以通过GUI或者API等接收用户输入的目标语句。

在获取目标语句之后，在一些实施例中，电子设备可以通过预设的实体识别算法，获取目标语句的至少一个目标实体；通过预设的实体链接算法，从知识图谱中获取各目标实体对应的多个候选语义实体。具体实现方式可以参照前述实施例所述的方法，在此不再赘述。

作为第二种可能的实现方式，电子设备可以直接接收用户输入的目标语句的至少一个目标实体。然后通过预设的实体链接算法，从知识图谱中获取各目标实体对应的多个候选语义实体。

作为第三种可能的实现方式，电子设备可以直接接收用户输入的目标语句的至少一个目标实体，以及，从知识图谱中确定的各目标实体对应的多个候选语义实体。

作为第四种可能的实现方式，电子设备还可以对上述目标语句的目标实体的数量，进行限定，以避免电子设备处理的目标语句的句子过长，导致对语句进行语义理解的准确性降低，提高了对目标语句进行语义理解的准确性。电子设备还可以对目标实体对应的候选语义实体的数量进行限定，以提高确定目标实体对应的目标语义实体的效率。

在该实现方式下，示例性的，电子设备可以先获取目标语句的各初始实体。其中，目标语句的所有词语均可以作为该目标语句的初始实体。然后，电子设备可以对该目标语句的初始实体的数量是否大于预设实体数量进行判断。

若初始实体的数量大于预设实体数量，则电子设备可以从目标语句中获取预设实体数量的初始实体作为目标语句的目标实体。其中，上述预设实体数量为大于或等于1的整数。在一些实施例中，电子设备可以将目标语句的前预设实体数量个初始实体作为目标语句的目标实体。

若初始实体的数量小于或等于预设实体数量，示例性的，电子设备可以将该目标语句的初始实体作为目标语句的目标实体。

在获取目标语句的目标实体之后，示例性的，电子设备可以从知识图谱中获取目标实体对应的多个初始候选语义实体。然后，电子设备可以对该目标实体对应的初始候选语义实体的数量是否大于预设候选语义实体数量进行判断。

若目标实体对应的初始候选语义实体的数量大于预设候选语义实体数量，则电子设备可以从初始候选语义实体中获取预设候选语义实体数量的初始候选语义实体，作为目标实体对应的多个候选语义实体。其中，上述预设候选语义实体数量为大于1的整数。

在一些实施例中，电子设备可以从上述初始候选语义实体中随机选取预设候选语义实体数量的初始候选语义实体，作为目标实体对应的多个候选语义实体。或者，电子设备还可以通过预设的候选语义实体预处理方法，从上述初始候选语义实体中选取预设候选语义实体数量的初始候选语义实体，作为目标实体对应的多个候选语义实体。其中，上述预设的候选语义实体预处理方法用于从多个初始候选语义实体中，选取预设数量的候选语义实体。

若目标实体对应的初始候选语义实体的数量小于或等于预设候选语义实体数量，示例性的，电子设备可以将目标实体对应的初始候选语义实体作为目标实体对应的候选语义实体。

S302、将每个目标实体，以及，每个目标实体对应的多个候选语义实体，输入至训练好的实体消歧模型，得到每个目标实体对应的目标语义实体。

其中，该训练好的实体消歧模型为采用上述任一实施例所述的实体消歧模型训练方法训练得到的。上述目标语义实体为多个候选语义实体中的任一个。

S303、根据各目标实体对应的目标语义实体，获取目标语句的语义。

目标实体对应的目标语义实体可以表示该目标实体的语义。在一些实施例中，电子设备例如可以将各目标实体的对应的目标语义实体，作为目标语句的语义。

在本实施例中，通过训练好的实体消歧模型，确定目标语句各目标实体的目标语义实体。相较于现有技术，结合了目标实体所在目标语句的特征，提高了确定目标实体的目标语义实体的准确性，即提高了对目标实体进行语义理解的准确性，进而提高了根据目标实体确定目标语句的语义的准确性，因此也提高了用户体验。

作为一种可能的实现方式，在电子设备获取目标语句的语义之后，电子设备还可以根据目标语句的语义，执行语义对应的控制指令。

在一些实施例中，电子设备中例如可以预先存储有语义与控制指令的映射关系。在获取目标语句的语义之后，电子设备可以根据该目标语句的语义，以及，语义与控制指令的映射关系，确定该目标语句的语义对应的控制指令。在确定控制指令之后，电子设备可以执行该控制指令，以使电子设备可以按照该控制指令工作。

示例性的，以上述目标语句的语义为″调高音量″为例，电子设备可以确定该语义对应的控制指令为调高扬声器的音量。因此，电子设备可以控制扬声器的音量增高。

在一些实施例中，上述控制指令例如还可以为控制电子设备与其他电子设备进行交互的指令。

示例性的，以上述目标语句的语义为″播放E歌曲″，则电子设备可以将该目标语句的语义发送给服务器，以从该服务器获取E歌曲对应的播放资源。

图6为本申请提供的一种实体消歧模型的训练装置400的结构示意图。如图6所示，该装置400可以包括：获取模块401、训练模块402。其中，

获取模块401，用于获取样本数据集。其中，所述样本数据集包括至少一个样本数据，每个所述样本数据包括：样本语句、所述样本语句的至少一个目标样本实体，以及，所述至少一个目标样本实体对应的样本候选语义实体子集。所述样本候选语义实体子集中包括每个所述目标样本实体对应的目标语义实体，以及，每个所述目标样本实体对应的至少一个非目标语义实体。所述目标语义实体与所述非目标语义实体属于同一知识图谱。

训练模块402，用于使用所述样本数据集对实体消歧模型进行训练，得到训练好的实体消歧模型。其中，所述训练好的实体消歧模型用于从目标实体对应的多个候选语义实体中获取该目标实体对应的目标语义实体。

在一些实施例中，训练模块402，具体用于获取每个所述样本数据中的各所述目标样本实体的词向量、各所述目标样本实体对应的各候选语义实体的实体向量；使用各所述目标样本实体的词向量、各所述目标样本实体对应的各候选语义实体的实体向量，训练至少一个可训练参数矩阵。其中，所述候选语义实体包括所述目标样本实体对应的目标语义实体和非目标语义实体。所述实体消歧模型是基于所述至少一个可训练参数矩阵构建的。所述可训练参数矩阵为所述实体消歧模型中的可训练参数。

在一些实施例中，训练模块402，具体用于针对同一样本语句的任一目标样本实体，根据所述目标样本实体的词向量、所述目标样本实体对应的各候选语义实体的实体向量，以及，所述第一可训练参数矩阵，得到所述目标样本实体与所述目标样本实体对应的各候选语义实体的相关度；根据所述目标样本实体与所述目标样本实体对应的各候选语义实体的相关度，得到所述样本语句对应的最大相关度向量；根据所述样本语句对应的最大相关度向量，所述第二可训练参数矩阵，以及，所述样本语句中各目标样本实体的词向量，得到所述样本语句的语义特征；根据所述样本语句的语义特征，对所述第一可训练参数矩阵、所述第二可训练参数矩阵进行训练。

其中，所述样本语句对应的最大相关度向量包括：所述样本语句中各目标样本实体对应的最大相关度；所述最大相关度为：所述目标样本实体与所述目标样本实体对应的各候选语义实体的相关度中的最大值。

在一些实施例中，训练模块402，具体用于对所述样本语句对应的最大相关度向量进行归一化处理，得到所述样本语句对应的目标最大相关度向量；将所述目标最大相关度向量，所述第二可训练参数矩阵，以及，所述样本语句中各目标样本实体的词向量的乘积，作为所述样本语句的语义特征。

在一些实施例中，训练模块402，具体用于根据所述样本语句的语义特征，与，所述各目标样本实体对应的各候选语义实体的实体向量的内积，得到所述样本语句与所述各候选语义实体的关联特征；根据所述样本语句与所述各候选语义实体的关联特征，以及，预设的损失函数，对所述第一可训练参数矩阵、所述第二可训练参数矩阵进行训练。

在一些实施例中，所述样本语句包括K个初始样本实体。在该实现方式下，获取模块401，还用于在所述使用所述样本数据集对实体消歧模型进行训练之前，将所述样本语句的K个初始样本实体输入至预设的贡献度预测模型，得到所述样本语句的各初始样本实体对所述样本语句的语义的贡献度；按照贡献度由大到小的排名，将对所述样本语句的语义的贡献度排名前R的R个初始样本实体作为所述样本语句的目标样本实体。其中，所述K为大于1的正整数。所述R为大于或等于1，且小于或等于所述K的正整数。

本实施例提供的实体消歧模型的训练装置400，可以执行上述实体消歧模型的训练方法实施例，其实现原理和技术效果类似，在此不再赘述。

图7为本申请提供的一种实体消歧装置500的结构示意图。如图7所示，该装置500可以包括：第一获取模块501、处理模块502、第二获取模块503。其中，

第一获取模块501，用于获取目标语句的至少一个目标实体，以及，从知识图谱中确定的各目标实体对应的多个候选语义实体。

处理模块502，用于将每个所述目标实体，以及，每个所述目标实体对应的多个候选语义实体，输入至所述训练好的实体消歧模型，得到每个所述目标实体对应的目标语义实体。其中，所述训练好的实体消歧模型为采用如前述任一实施例所述的方法训练得到的。所述目标语义实体为所述多个候选语义实体中的任一个。

第二获取模块503，用于根据各所述目标实体对应的目标语义实体，获取所述目标语句的语义。

在一些实施例中，实体消歧装置500还可以包括执行模块504，用于在获取所述目标语句的语义之后，根据所述目标语句的语义，执行所述语义对应的控制指令。

在一些实施例中，第一获取模块501，具体用于获取所述目标语句的各初始实体；在所述目标语句的初始实体的数量大于预设实体数量时，从所述目标语句中获取预设实体数量的初始实体作为所述目标语句的目标实体。从知识图谱中获取所述目标实体对应的多个初始候选语义实体；在所述目标实体对应的初始候选语义实体的数量大于预设候选语义实体数量时，从所述初始候选语义实体中获取预设候选语义实体数量的初始候选语义实体，作为所述目标实体对应的多个候选语义实体。其中，所述预设实体数量为大于或等于1的整数。预设候选语义实体数量为大于1的整数。

在一些实施例中，实体消歧装置500还可以包括接收模块505，用于在获取目标语句的至少一个目标实体，以及，从知识图谱中确定的各目标实体对应的多个候选语义实体之前，接收用户输入的语音信号；对所述语音信号进行语音识别，得到所述目标语句。

本实施例提供的实体消歧装置500，可以执行上述实体消歧方法实施例，其实现原理和技术效果类似，在此不再赘述。

图8为本发明提供的一种电子设备的结构示意图。如图8所示，该电子设备600可以包括：至少一个处理器601和存储器602。其中，

存储器602，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。

存储器602可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

处理器601用于执行存储器602存储的计算机执行指令，以实现前述方法实施例所述的实体消歧模型的训练方法或者实体消歧方法。其中，处理器601可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application SpecificIntegrated Circuit，简称为ASIC)，或者是被配置成实施本发明实施例的一个或多个集成电路。

可选的，该电子设备600还可以包括通信接口603。在具体实现上，如果通信接口603、存储器602和处理器601独立实现，则通信接口603、存储器602和处理器601可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry StandardArchitecture，简称为ISA)总线、外部设备互连(Peripheral Component，简称为PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果通信接口603、存储器602和处理器601集成在一块芯片上实现，则通信接口603、存储器602和处理器601可以通过内部接口完成通信。

本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有程序指令，程序指令用于上述实施例中的方法。

本申请还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。电子设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得电子设备实施上述的各种实施方式提供的实体消歧模型的训练方法或者实体消歧方法。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

为了方便解释，已经结合具体的实施方式进行了上述说明。但是，上述示例性的讨论不是意图穷尽或者将实施方式限定到上述公开的具体形式。根据上述的教导，可以得到多种修改和变形。上述实施方式的选择和描述是为了更好的解释原理以及实际的应用，从而使得本领域技术人员更好的使用所述实施方式以及适于具体使用考虑的各种不同的变形的实施方式。