关系抽取方法、装置、设备及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种关系抽取方法、装置、设备及计算机可读存储介质。该关系抽取方法包括：获取待抽取文本；将所述待抽取文本输入至预训练模型，得到第一文本向量；将所述第一文本向量传入第一卷积神经网络的全连接层，使用半指针

【技术实现步骤摘要】
关系抽取方法、装置、设备及计算机可读存储介质


[0001]本专利技术涉及自然语言处理
，尤其涉及一种关系抽取方法、装置、设备及计算机可读存储介质。

技术介绍

[0002]信息抽取(information extraction)，是从自然语言文本中抽取实体、属性、关系及事件等事实类信息的文本处理技术，是信息检索、智能问答、智能对话等人工智能应用的重要基础。信息抽取主要包括：实体抽取与链指、关系抽取和事件抽取。
[0003]关系抽取通常采用有监督学习的模式来实现，具体包括Pipline Model(串联模型)和Joint Model(联合模型)这两类。其中，Pipline Model是将实体抽取和关系抽取看作串联的任务、分步进行，没有考虑到两个子任务之间的相关性，从而导致关系抽取任务的结果严重依赖于实体抽取的结果，进而导致误差累积的问题；而Joint Model则是实体抽取与关系抽取同时进行，虽然表面上避免了误差累积，但其难以解决实体重叠、“一对多”等问题，即，其抽取结果的准确性较差。

技术实现思路

>[0004]本专利本文档来自技高网...

【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，所述关系抽取方法包括：获取待抽取文本；将所述待抽取文本输入至预训练模型，得到第一文本向量；将所述第一文本向量传入第一卷积神经网络的全连接层，使用半指针
‑
半标注结构预测得到主实体的首尾位置；将所述第一文本向量传入自注意力网络层，得到第二文本向量；将所述第二文本向量传入第二卷积神经网络的全连接层，使用多个半指针
‑
半标注结构预测得到客实体的首尾位置和关系类型。2.如权利要求1所述的关系抽取方法，其特征在于，所述将所述待抽取文本输入至预训练模型，得到第一文本向量的步骤包括：将所述待抽取文本按字进行拆分，得到分字集合；将所述分字集合中的每一个字输入至预训练模型进行运算，得到与所述分字集合中每一个字对应的字向量，其中，第一文本向量是由每一个字对应的字向量组合得到的。3.如权利要求1所述的关系抽取方法，其特征在于，所述预训练模型为BERT模型，或BiLSTM
‑
Attention神经网络模型。4.如权利要求1所述的关系抽取方法，其特征在于，所述预训练模型为预先训练好的BERT模型，或预先训练好的BiLSTM
‑
Attention神经网络模型。5.如权利要求4所述的关系抽取方法，其特征在于，所述将所述待抽取文本输入至预训练模型，得到第一文本向量的步骤之前，所述关系抽取方法还包括：获取原始文本集；对所述原始文本集中的各原始文本进行标注，得到训练文本集；通过所述训练文本集对预设模型进行训练，得到所述预训练模型。6.如权利要求1至5中任一项所述的关系抽取方法，其特征在于，所述将所述第二文本向量传入第二卷积神经网络的全连接层，使用多个半指针
‑
半标注结构预测得到客实体的首尾位置和关系类型的步骤包括...

【专利技术属性】
技术研发人员：刘光辉，赵国庆，权佳成，
申请(专利权)人：北京中关村科金技术有限公司，
类型：发明
国别省市：