[发明专利]实体关系抽取方法、系统、电子设备及存储介质

权利要求书

1.一种实体关系抽取方法，其特征在于，包括以下步骤：

获取分词步骤，对输入的原始文本进行分词操作并输出分词；

获取初始向量表示步骤，将所述分词输入至Embedding层得到对应所述分词的初始向量表示；

获取实体向量表示步骤，将所述初始向量表示输入至Bi-LSTM层得到前向和后向两组实体向量表示；

获取节点向量步骤，将所述初始向量表示输入至Tree-based-LSTM层得到节点向量；

获取实体存在关系概率步骤，将两组所述实体向量表示输入至Attention层得到第一状态向量，将所述第一状态向量输入至Q-Learning网络得到两个所述实体向量表示对应代表的实体之间存在关系的概率；

获取实体关系步骤，将所述节点向量输入至softmax层，得到第二状态向量并将所述第二状态向量输入至所述Q-Learning网络，结合实体之间存在关系的所述概率输出实体关系。

2.根据权利要求1所述的实体关系抽取方法，其特征在于，所述获取实体存在关系概率步骤具体包括：

输出权重矩阵步骤，通过线性变换得到每个所述分词的权重并输出权重矩阵；

获取第一状态向量步骤，将所述权重矩阵乘以所述实体向量表示所构成的矩阵得到所述第一状态向量。

3.根据权利要求1所述的实体关系抽取方法，其特征在于，所述获取实体向量表示步骤之后还包括以下步骤：

获取运算结果步骤，将两组所述实体向量表示乘以对应的权重矩阵后输入至softmax层并输出运算结果；

获取命名实体步骤，接收并根据所述运算结果利用Viterbi算法得到命名实体。

4.根据权利要求1所述的实体关系抽取方法，其特征在于，所述获取节点向量步骤具体包括：

获取语法树结构步骤，根据所述初始向量表示利用句法分析工具输出所述原始文本的语法树结构；

获取树节点向量步骤，将所述语法树结构输入至所述Tree-based-LSTM层得到所述语法树结构中每一个节点的所述节点向量。

5.一种实体关系抽取系统，其特征在于，包括：

获取分词模块，对输入的原始文本进行分词操作并输出分词；

获取初始向量表示模块，将所述分词输入至Embedding层得到对应所述分词的初始向量表示；

获取实体向量表示模块，将所述初始向量表示输入至Bi-LSTM层得到前向和后向两组实体向量表示；

获取节点向量模块，将所述初始向量表示输入至Tree-based-LSTM层得到语法树结构的节点向量；

获取实体存在关系概率模块，将两组所述实体向量表示输入至Attention层得到第一状态向量，将所述第一状态向量输入至Q-Learning网络得到两个所述实体向量对应代表的实体之间存在关系的概率；

获取实体关系模块，将所述节点向量输入至softmax层，得到第二状态向量并将所述第二状态向量输入至所述Q-Learning网络，结合所述实体之间存在关系的概率输出实体关系。

6.根据权利要求5所述的实体关系抽取系统，其特征在于，所述获取实体存在关系概率模块具体包括：

输出权重矩阵单元，通过线性变换得到每个所述分词的权重并输出权重矩阵；

获取第一状态向量单元，将所述权重矩阵乘以所述实体向量表示所构成的矩阵得到所述第一状态向量。

7.根据权利要求5所述的实体关系抽取系统，其特征在于，所述获取实体向量表示模块连接有获取运算结果模块和获取命名实体模块，其中：

获取运算结果模块，将两组所述实体向量表示乘以对应的权重矩阵后输入至softmax层并输出运算结果；

获取命名实体模块，接收并根据所述运算结果利用Viterbi算法得到命名实体。