本申请涉及一种关系抽取方法、装置、计算机设备和可读存储介质。所述方法包括：将文档的关系抽取后字向量输入关系抽取模型，得到文档中的字的初步向量，通过初步向量提取文档中实体对的实体级特征向量，根据初步向量和实体级特征向量，确定文档级特征向量，通过实体级特征向量和文档级特征向量，确定文档中实体对之间的实体关系。采用本方法能够避免仅通过句子级特征向量确定实体关系的问题，并且结合包括文档中句子的上下文信息的文档级特征向量，对文档整体进行推断和理解，从而提高抽取的实体关系的准确性。体关系的准确性。体关系的准确性。
【技术实现步骤摘要】
关系抽取方法、装置、计算机设备及可读存储介质
[0001]本申请涉及计算机
，特别是涉及一种关系抽取方法、装置、计算机设备及可读存储介质。
技术介绍
[0002]随着金融行业不断飞速发展，行业内部积累大量非结构化文本，如授信调查报告、理财产品说明书等，大量实体关系信息隐藏在这类文本内容中。通过关系抽取技术，能够从非结构化的文本中提炼出结构化文本，为诸多下游如知识图谱构建、风险传导分析、会话构建、智能搜索等任务提供基础信息。
[0003]传统技术中，将非结构化文本输入到深度学习模型，获取句子级别的关系抽取。但是，采用传统的技术会导致抽取的实体关系准确性较低。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种关系抽取方法、装置、计算机设备及可读存储介质。
[0005]一种关系抽取方法，所述方法包括：
[0006]将文档的关系抽取后字向量输入关系抽取模型，得到所述文档中的字的初步向量；
[0007]通过所述初步向量提取所述文档中实体对的实体级特征向量；
[0008]根据所述初步向量和所述实体级特征向量，确定文档级特征向量；
[0009]通过所述实体级特征向量和所述文档级特征向量，确定所述文档中实体对之间的实体关系。
[0010]在其中一个实施例中，所述通过所述初步向量提取所述文档中实体对的实体级特征向量，包括：
[0011]通过所述初步向量，将所述实体对映射至子空间得到映射向量，其中，所述初步向量包括关系抽取后字向量、实体类型特征向量和共指特征向量；
[0012]将所述映射向量输入第一全连接神经网络模型，得到所述实体级特征向量。
[0013]在其中一个实施例中，所述通过所述初步向量，将所述实体对映射至子空间得到映射向量，包括：
[0014]计算所述初步向量的平均值，得到所述实体对中实体的指称向量；
[0015]计算所述指称向量的平均值，得到所述实体的实体向量；
[0016]将所述实体向量映射到子空间，得到所述实体的映射向量。
[0017]在其中一个实施例中，所述根据所述初步向量和所述实体级特征向量，确定文档级特征向量，包括：
[0018]对所述文档中的字赋予第一权重系数，通过所述第一权重系数和所述字的初步向量得到所述文档中句子的句子向量；
[0019]将所述句子向量和所述实体级特征向量输入第二全连接神经网络模型，得到句子级特征向量；
[0020]通过所述句子级特征向量，获取所述文档级特征向量。
[0021]在其中一个实施例中，所述通过所述句子级特征向量，获取所述文档级特征向量，包括：
[0022]将所述句子级特征向量输入双向长短时记忆循环神经网络模型，得到句子的特征向量，并采用自注意力机制得到句子的第二权重系数；
[0023]通过所述句子的特征向量和所述句子的第二权重系数，确定所述文档级特征向量。
[0024]在其中一个实施例中，所述通过所述实体级特征向量和所述文档级特征向量，确定所述文档中实体对之间的实体关系，包括：
[0025]将所述实体级特征向量和所述文档级特征向量输入至第三全连接神经网络模型，得到所述实体对之间存在各实体关系的关系概率；
[0026]通过所述关系概率和预设阈值，确定所述实体对之间的实体关系。
[0027]在其中一个实施例中，所述方法还包括：
[0028]获取所述文档的文档向量；
[0029]对所述文档向量进行转换处理，得到所述关系抽取后字向量，所述关系抽取后字向量包括所述文档中的字在关系抽取词表中的表达字符、所述文档中字的填补属性和所述字所属的句子在所述文档中的句子序号。
[0030]一种关系抽取装置，所述装置包括：
[0031]初步向量获取模块，用于将文档的关系抽取后字向量输入关系抽取模型，得到所述文档中的字的初步向量；
[0032]第一特征向量获取模块，用于通过所述初步向量提取所述文档中实体对的实体级特征向量；
[0033]第二特征向量获取模块，用于根据所述初步向量和所述实体级特征向量，确定文档级特征向量；
[0034]实体关系确定模块，用于通过所述实体级特征向量和所述文档级特征向量，确定所述文档中实体对之间的实体关系。
[0035]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0036]将文档的关系抽取后字向量输入关系抽取模型，得到所述文档中的字的初步向量；
[0037]通过所述初步向量提取所述文档中实体对的实体级特征向量；
[0038]根据所述初步向量和所述实体级特征向量，确定文档级特征向量；
[0039]通过所述实体级特征向量和所述文档级特征向量，确定所述文档中实体对之间的实体关系。
[0040]一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0041]将文档的关系抽取后字向量输入关系抽取模型，得到所述文档中的字的初步向
量；
[0042]通过所述初步向量提取所述文档中实体对的实体级特征向量；
[0043]根据所述初步向量和所述实体级特征向量，确定文档级特征向量；
[0044]通过所述实体级特征向量和所述文档级特征向量，确定所述文档中实体对之间的实体关系。
[0045]上述关系抽取方法、装置、计算机设备和可读存储介质，计算机设备可以将文档的关系抽取后字向量输入关系抽取模型，得到文档中的字的初步向量，通过初步向量提取文档中实体对的实体级特征向量，根据初步向量和实体级特征向量，确定文档级特征向量，通过实体级特征向量和文档级特征向量，确定文档中实体对之间的实体关系；该方法避免了仅通过句子级特征向量确定实体关系的问题，能够在确定实体对之间的实体关系时，基于关系抽取模型先获取文档中字的初步向量，进而通过初步向量提取文档中实体对的实体级特征向量和包含文档中句子上下文信息的文档级特征向量，并将实体级特征向量和文档级特征向量进行结合，确定文档中实体对之间的实体关系，使得该方法能够结合文档中句子的上下文信息，对文档整体进行推断和理解，从而提高抽取的实体关系的准确性。
附图说明
[0046]图1为一个实施例中关系抽取方法的流程示意图；
[0047]图2为一个实施例中提取实体对的实体级特征向量的方法流程示意图；
[0048]图3为另一个实施例中将实体对映射至子空间的方法流程示意图；
[0049]图4为另一个实施例中确定文档级特征向量的方法流程示意图；
[0050]图5为另一个实施例中获取文档级特征向量的方法流程示意图；
[0051]图6为另一个实施例中确定文档中实体对之间的实体关系的方法流程示意图；
[0052]图7为另一个实施例中获取关系抽取后字向量的方法流程示意图；
[0053]图8为一个本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种关系抽取方法，其特征在于，所述方法包括：将文档的关系抽取后字向量输入关系抽取模型，得到所述文档中的字的初步向量；通过所述初步向量提取所述文档中实体对的实体级特征向量；根据所述初步向量和所述实体级特征向量，确定文档级特征向量；通过所述实体级特征向量和所述文档级特征向量，确定所述文档中实体对之间的实体关系。2.根据权利要求1所述的方法，其特征在于，所述通过所述初步向量提取所述文档中实体对的实体级特征向量，包括：通过所述初步向量，将所述实体对映射至子空间得到映射向量，其中，所述初步向量包括关系抽取后字向量、实体类型特征向量和共指特征向量；将所述映射向量输入第一全连接神经网络模型，得到所述实体级特征向量。3.根据权利要求2所述的方法，其特征在于，所述通过所述初步向量，将所述实体对映射至子空间得到映射向量，包括：计算所述初步向量的平均值，得到所述实体对中实体的指称向量；计算所述指称向量的平均值，得到所述实体的实体向量；将所述实体向量映射到子空间，得到所述实体的映射向量。4.根据权利要求1
‑
3中任一项所述的方法，其特征在于，所述根据所述初步向量和所述实体级特征向量，确定文档级特征向量，包括：对所述文档中的字赋予第一权重系数，通过所述第一权重系数和所述字的初步向量得到所述文档中句子的句子向量；将所述句子向量和所述实体级特征向量输入第二全连接神经网络模型，得到句子级特征向量；通过所述句子级特征向量，获取所述文档级特征向量。5.根据权利要求4所述的方法，其特征在于，所述通过所述句子级特征向量，获取所述文档级特征向量，包括：将所述句子级特征向量输入双向长短时记忆循环神经网络模型，...
【专利技术属性】
技术研发人员：黄弘毅，杨洋，张琛，李锋，万化，
申请(专利权)人：上海浦东发展银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。