[发明专利]一种融合实体类型约束的神经网络关系抽取方法及系统

权利要求书

1.一种融合实体类型约束的神经网络关系抽取方法，其特征在于，包括：

预测步骤，获取训练句袋，该训练句袋包括实体对共现的多个句子，每个训练句袋对应一个表示实体间关系的三元组，将该训练句袋中句子编码为句子向量，并通过注意力机制将该句子向量聚合为句袋向量，将该句袋向量输入至预测模型得到训练句袋对应各关系类型的概率；

约束步骤，为该训练句袋中涉及的实体标记实体类型，并将该实体类型向量化，得到类型向量，根据实体间关系的注意力向量得到每个该类型向量的权重，根据该权重使用注意力机制将该类型向量聚合，以曼哈顿距离表示该实体类型对词向量的约束；

更新步骤，根据该曼哈顿距离和该关系类型计算损失函数，并对该预测模型进行更新，直到该损失函数收敛，将当前预测模型作为最终模型；

抽取步骤，依次将具有不同关系注意力的待抽取句袋输入该最终模型，得到多个该待抽取句袋的预测结果，将每个关系注意力下的预测结果聚合为最终预测结果。

2.如权利要求1所述的融合实体类型约束的神经网络关系抽取方法，其特征在于，该约束步骤具体包括：

为该训练句袋中涉及的实体e标记实体类型v_e,1,v_e,2,…，并将该实体类型转换为实体类型向量t_e,1,t_e,2,…；

根据该三元组中关系的向量r_j，得到关系的注意力向量T为矩阵转置，代表将关系向量r_j投影到实体类型向量空间R_t；

根据该关系的注意力向量，得到每种类型的分数t_e,i代表实体e的第i种实体类型对应的实体类型向量；

根据每种类型的分数，得到每个该类型向量的权重k为实体类型种类总数，β_i代表第i个该类型向量的权重，exp代表指数函数；

通过注意力机制将该类型向量聚合t_e＝∑_iβ_it_e,i；

得到以该曼哈顿距离表示的距离损失L_t(e)＝|w_e-t_e|₁，其中w_e为实体e的词向量。

3.如权利要求2所述的融合实体类型约束的神经网络关系抽取方法，其特征在于，该更新步骤包括：

构建关系概率预测损失函数L_B＝-logP(r_j|B)，其中P(r_j|B)为句袋B对应关系r_j类型的概率；

构建实体距离损失函数L_C＝L_t(e₁)+L_t(e₂)；

根据该实体距离损失函数和关系概率预测损失函数，构建整体损失函数L＝L_B+λL_C，使用该整体损失函数对该预测模型进行更新，直到该损失函数收敛，其中λ代表超参数。

4.如权利要求1-3中所述的任一种融合实体类型约束的神经网络关系抽取方法，其特征在于，该约束步骤包括：通过实体类型识别，得到该实体类型。

5.如权利要求1-3中所述的任一种融合实体类型约束的神经网络关系抽取方法，其特征在于，该约束步骤包括：通过查找知识库，得到该实体类型。