[发明专利]一种面向领域关系抽取的标注语料生成方法

权利要求书

1.一种面向领域关系抽取的标注语料生成方法，包括模型训练和语料生成两个阶段；其特征在于，

A.模型训练，包括以下步骤：

A1.标记实体名；

A1-1.创建一个初始为空的领域实体名集合U；

A1-2.收集领域内的实体名称，并其将添加到领域实体名集合U中；

A1-3.采用中文分词工具对输入的训练句子p进行分词处理，得到分词结果w_i，i＝1,2,...,N_w、N_w为分词得到的词的总个数；

A1-4.从前往后依次考察p中的每一个词w_i，判断w_i是否存在于领域实体名集合U中，若存在，则标记w_i为实体名并对标记的实体名计数，共标记了N_n个实体名；

A2.生成同义句；

A2-1.预设N_n个替换符号、记为m_j，j＝1,2,...,N_n；

A2-2.复制一个与p相同的句子、记为p'；

A2-3.将p'中的每一个实体名n_j(j＝1,2,...,N_n)替换为替换符号m_j，并记录下n_j与m_j的替换关系；

A2-4.使用标准回译法对p'进行回译，得到p'的同义句、记为q'；

A2-5.搜寻q'中的每一个替换符号，并将其按照步骤A2-3记录的替换关系替换回该符号所对应的实体名；

A3.生成掩蔽句子对；

A3-1.对p进行依存句法分析，得到其中每一个实体名的依存关系和相应主动被动语态；

A3-2.对p中的每一个实体名n_j(j＝1,2,...,N_n)作判断，若当前n_j的依存关系属于主谓关系、动宾关系、间宾关系、前置宾语、介宾关系、并列关系和定中关系中的一种，则作：

A3-2-1.复制一个与p相同的句子、记为p”，并复制一个与q'相同的句子、记为q”；

A3-2-2.判断n_j在当前依存关系下的主动被动语态，若n_j为主动语态，则将p”和q”中的n_j均替换预设的主动掩蔽符号Z_a，否则将p”和q”中的n_j均替换预设的被动掩蔽符号Z_p；

A3-2-3.将替换后的p”和q”组成掩蔽句子对，并将其作为序列生成模型的训练语料加入到训练语料库L中；

A4.训练模型；

使用训练语料库L，对通用的序列生成预训练模型进行微调，得到最终的序列生成模型；

B.语料生成，包括以下步骤：

输入数据为关系抽取模型所用的已标注的训练语料，每条语料为一个四元组，其形式为(e1，e2，r，s)，其中，e1表示第一个实体的实体名，e2表示第二个实体的实体名，r表示第一个实体和第二个实体间的关系，s表示训练句子；

B1.掩蔽实体；

B1-1.在输入四元组的句子s中标记实体名e1和e2；

B1-2.对句子s进行依存句法分析，得到e1和e2的依存关系和相应主动被动语态；

B1-3.若e1为主动语态，则将s中的e1和e2分别替换为Z_a和Z_p，否则将s中的e1和e2分别替换为Z_p和Z_a，替换完毕记录e1、e2与Z_a、Z_p的替换关系；

B2.序列生成：

B2-1将s输入到步骤A4得到的序列生成模型中，从模型预测出的序列中，选择预测概率最大的前k个序列作为候选序列；

B2-2.从候选序列中筛选出同时包含Z_a和Z_p的序列作为输出序列；

B3.恢复掩蔽实体：对每一个输出序列s'，将其中的符号Z_a和Z_p按照步骤B1-3记录的替换关系替换回相应符号所对应的实体名；

B4.生成四元组：对每一个恢复掩蔽实体后的输出序列s'，生成并输出四元组(e1，e2，r，s')。