【技术实现步骤摘要】
本专利技术涉及知识图谱构建，具体涉及一种基于深度学习的实体关系抽取方法与系统。
技术介绍
1、知识图谱是一个由现实世界中的知识构成的图数据库，其中的节点由实体构成，边由这一对实体间的对应关系构成。知识图谱的组成形式为三元组(头实体，关系，尾实体)，每个三元组结构都表示一个对应的事实信息。知识图谱不仅为海量信息的存储和表示提供了极大的便利，还由于其包含丰富的现实世界事实信息，被广泛应用于信息检索、智能问答、推荐系统等领域。而知识图谱的构建是其中最为基础也是最为关键的一个环节，构建高质量的知识图谱能够为广泛的下游任务提供更为完备的知识数据支撑。因此准确地从海量的文本数据中抽取出组成知识图谱的关系三元组是至关重要的。
2、近年来有诸多研究聚焦在关系三元组抽取这一任务上，其目标是识别非结构化文本中的实体对以及实体对之间存在的关系。随着深度学习技术的快速发展及其强大的文本表示能力，目前流行的抽取方法主要是基于深度学习的各类提取方法，并且已经取得了不错的性能，但仍存在错误传播、未能考虑先验条件的语义信息、忽略实体与关系之间的交互等问题。
【技术保护点】
1.一种基于深度学习的实体关系抽取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的实体关系抽取方法，其特征在于，所述S1的具体步骤如下：
3.根据权利要求1所述的基于深度学习的实体关系抽取方法，其特征在于，所述S2的具体步骤如下：
4.根据权利要求1所述的基于深度学习的实体关系抽取方法，其特征在于，所述双向机器阅读理解标记模块包括头实体到尾实体方向头实体模块、头实体到尾实体方向尾实体模块、尾实体到头实体方向尾实体模块和尾实体到头实体方向尾实体模块。
5.根据权利要求4所述的基于深度学习的实体关系抽...
【技术特征摘要】
1.一种基于深度学习的实体关系抽取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的实体关系抽取方法，其特征在于，所述s1的具体步骤如下：
3.根据权利要求1所述的基于深度学习的实体关系抽取方法，其特征在于，所述s2的具体步骤如下：
4.根据权利要求1所述的基于深度学习的实体关系抽取方法，其特征在于，所述双向机器阅读理解标记模块包括头实体到尾实体方向头实体模块、头实体到尾实体方向尾实体模块、尾实体到头实体方向尾实体模块和尾实体到头实体方向尾实体模...
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。