实体关系抽取方法及相关设备技术

本申请提供一种实体关系抽取方法及相关设备。该方法包括：获取审计数据集，并获取实体类型标签和实体关系类型标签；将审计数据集、实体类型标签和实体关系类型标签输入经过预训练的多任务深度神经网络模型，输出实体类型和关系类型；将所述实体类型和所述关系类型组成实体关系三元组，并将全部实体关系三元组作为实体关系抽取结果。能够实现更好的识别效果，使其可以很好地适用于审计领域的实体关系抽取。抽取。抽取。

【技术实现步骤摘要】
实体关系抽取方法及相关设备


[0001]本申请涉及信息处理
，尤其涉及一种实体关系抽取方法及相关设备。

技术介绍

[0002]知识抽取是将承载于文本、图像、音频和视频中的非结构化知识进行提取，生成结构化、正确、低冗余的三元组，以供用户查询和使用。知识抽取的步骤主要包括命名实体识别和关系抽取，其中，关系抽取和命名实体识别发展脉络较为相似，关系抽取可以分为基于规则的抽取方法和基于机器学习的抽取方法，然而基于规则的抽取方法有基于触发词的方法、基于依存句法分析的方法，其规则稀疏识别效果差，并且构建全面的规则又耗时耗力，同时难以迁移到其他领域。此外，通过机器学习的抽取方法，引入卷积神经网络，可以通过卷积层提高运算效率，并且兼容高速的并行计算，但是卷积神经网络无法捕获句子的长距离特征，导致识别效果差以及关系抽取精度较低。

技术实现思路

[0003]有鉴于此，本申请的目的在于提出一种实体关系抽取方法及相关设备，用以解决上述技术问题。
[0004]基于上述目的，本申请的第一方面提供了一种实体关系抽取方法，包括：
[0005]获取审计数据集，并获取实体类型标签和实体关系类型标签；
[0006]将所述审计数据集、所述实体类型标签和所述实体关系类型标签输入经过预训练的多任务深度神经网络模型，输出实体类型和关系类型；
[0007]将所述实体类型和所述关系类型组成实体关系三元组，并将全部所述实体关系三元组作为实体关系抽取结果。
[0008]可选的，所述多任务深度神经网络模型通过以下方法进行预训练获得：
[0009]获取预训练数据集，并获取所述实体类型标签和所述实体关系类型标签；
[0010]将所述预训练数据集划分为训练数据集和测试数据集；
[0011]基于所述训练数据集、所述实体类型标签和所述实体关系类型标签对预先构建的预训练模型进行训练，得到经过训练的预训练模型；
[0012]将所述测试数据集、所述实体类型标签和所述实体关系类型标签输入所述经过训练的预训练模型，输出预测实体类型和预测关系类型，并分别对所述预测实体类型和所述预测关系类型进行评价计算处理，得到预测实体类型的评价结果和预测关系类型的评价结果；
[0013]响应于确定所述预测实体类型的评价结果和/或预测关系类型的评价结果小于预设的阈值，对所述预训练模型的参数进行调整，直至所述预测实体类型的评价结果和/或所述预测关系类型的评价结果大于等于预设的阈值为止，得到所述多任务深度审计网络模型。
[0014]可选的，所述评价计算的指标包括下列至少之一：
[0015]准确率、召回率和F1分数。
[0016]可选的，分别通过所述准确率的函数、所述召回率的函数和所述F1分数的函数对所述预测实体类型进行计算，得到第一准确率值、第一召回率值和第一F1分数值，并将所述第一准确率值、所述第一召回率值和所述第一F1分数值作为所述预测实体类型的评价结果；
[0017]分别通过所述准确率的函数、所述召回率的函数和所述F1分数的函数对预测关系类型进行计算，得到第二准确率值、第二召回率值和第二F1分数值，并将所述第二准确率值、所述第二召回率和所述第二F1分数值作为所述预测关系类型的评价结果。
[0018]可选的，所述获取实体类型标签和实体关系类型标签，包括：
[0019]获取历史审计数据；
[0020]对所述历史审计数据集进行标注，得到所述实体类型标签和实体关系类型标签。
[0021]可选的，所述实体类型标签包括下列至少之一：
[0022]审计单位、被审计单位、日期、资金和审计问题。
[0023]可选的，所述实体关系类型标签包括下列至少之一：
[0024]审计、子单位、涉及金额、简称、存在问题和审计日期。
[0025]基于同一个专利技术构思，本申请的第二方面提供了一种实体关系抽取装置，包括：
[0026]数据获取模块，被配置为获取审计数据集，并获取实体类型标签和实体关系类型标签；
[0027]类型识别模块，被配置为将所述审计数据集、所述实体类型标签和所述实体关系类型标签输入经过预训练的多任务深度神经网络模型，输出实体类型和关系类型；
[0028]识别结果集成模块，被配置为将所述实体类型和所述关系类型组成实体关系三元组，并将全部所述实体关系三元组作为实体关系抽取结果。
[0029]基于同一个专利技术构思，本申请的第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
[0030]基于同一个专利技术构思，本申请的第四方面提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行第一方面所述方法。
[0031]从上面所述可以看出，本申请提供的实体关系抽取方法及相关设备，能够通过经过预训练获得的多任务深度神经网络模型对输入的审计数据集进行识别，能够实现更好的识别效果，使其可以很好地适用于审计领域的实体关系抽取，通过多任务深度神经网络模型将识别的实体分类到对应的实体类型标签，即实体类型，并且将实体与实体之间的关系类型的识别分类到对应的实体关系类型标签，即关系类型，通过多任务深度神经网络模型将实体类型和关系类型输出，最后将实体类型和关系类型组成实体关系三元组，将全部实体关系三元组作为实体关系抽取结果。
附图说明
[0032]为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的
实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]图1为本申请实施例的实体关系抽取方法的流程图；
[0034]图2为本申请实施例的实体关系抽取装置的结构示意图；
[0035]图3为本申请实施例的电子设备的示意图；
具体实施方式
[0036]为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。
[0037]需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
[0038]相关技术中的知识抽取是将承本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实体关系抽取方法，其特征在于，包括：获取审计数据集，并获取实体类型标签和实体关系类型标签；将所述审计数据集、所述实体类型标签和所述实体关系类型标签输入经过预训练的多任务深度神经网络模型，输出实体类型和关系类型；将所述实体类型和所述关系类型组成实体关系三元组，并将全部所述实体关系三元组作为实体关系抽取结果。2.根据权利要求1所述的方法，其特征在于，所述多任务深度神经网络模型通过以下方法进行预训练获得：获取预训练数据集，并获取所述实体类型标签和所述实体关系类型标签；将所述预训练数据集划分为训练数据集和测试数据集；基于所述训练数据集、所述实体类型标签和所述实体关系类型标签对预先构建的预训练模型进行训练，得到经过训练的预训练模型；将所述测试数据集、所述实体类型标签和所述实体关系类型标签输入所述经过训练的预训练模型，输出预测实体类型和预测关系类型，并分别对所述预测实体类型和所述预测关系类型进行评价计算处理，得到预测实体类型的评价结果和预测关系类型的评价结果；响应于确定所述预测实体类型的评价结果和/或预测关系类型的评价结果小于预设的阈值，对所述预训练模型的参数进行调整，直至所述预测实体类型的评价结果和/或所述预测关系类型的评价结果大于等于预设的阈值为止，得到所述多任务深度审计网络模型。3.根据权利要求2所述的方法，其特征在于，所述评价计算的指标包括下列至少之一：准确率、召回率和F1分数。4.根据权利要求3所述的方法，其特征在于，所述分别对所述预测实体类型和所述预测关系类型进行评价计算处理，得到预测实体类型的评价结果和预测关系类型的评价结果，包括：分别通过所述准确率的函数、所述召回率的函数和所述F1分数的函数对所述预测实体类型进行计算，得到第一准确率值、第一召回...

【专利技术属性】
技术研发人员：王开志，王开向，王涌，
申请(专利权)人：北京至臻云智能科技有限公司，
类型：发明
国别省市：