[发明专利]基于词性信息和卷积神经网络的关系抽取方法

权利要求书

1.基于词性信息和卷积神经网络的关系抽取方法，其特征在于，将待处理文本分词后，将由各个词的词信息向量依次排列成的矩阵，输入卷积神经网络中，由卷积神经网络进行特征抽取，进而完成对待处理文本中实体关系的判断；所述词信息向量由对应词向量、词性向量、相对于待抽取关系第一实体的位置向量和相对于第二实体的位置向量拼接而成。

2.如权利要求1所述的方法，其特征在于，所述方法包含以下实现步骤：

(1)对待处理文本进行分词，形成词序列，并对序列中的各个词进行对应的词性标注；

(2)建立各个词与向量之间的映射关系；

建立各个词性与向量之间的映射关系；

(3)计算句子中各个词相对于第一实体的位置，生成第一位置向量；计算句子中各个词相对于第二实体的位置，生成第二位置向量；

(4)将词序列中各个词的词向量、词性向量，第一位置向量和第二位置向量，拼接成对应的词信息向量；并将各个词对应的词信息向量依序排列，形成词信息矩阵；

(5)通过卷积神经网络对词信息矩阵进行采样；进而实现实体关系分类判断。

3.如权利要求2所述的方法，其特征在于：所述步骤(2)包含以下实现过程：

(2-1)构建一个语料库；

(2-2)对语料库中的文本进行分词，并进行对应词性标注；

(2-3)对分词后形成词的进行向量转化，同一个词对应一个向量；

(2-4)将各个词性进行向量转化，同一词性对应一个向量。

4.如权利要求3所述的方法，其特征在于：所述步骤(2)采用Word Embedding技术来进行词和词性的向量转化。

5.如权利要求3所述的方法，其特征在于：所述步骤(2)中采用word2vec来实现词和词性的向量化。

6.如权利要求1至5之一所述的方法，其特征在于：所述卷积神经网络将提取到的特征信息输入到maxpooling层中，进行降维处理。

7.如权利要求6所述的方法，其特征在于，所述maxpooling层将经过降维处理后的特征信息输入到softmax层中进行对实体关系的分类预测。