[发明专利]实体关系的抽取方法及装置、电子设备、存储介质

说明书

本申请公开了一种实体关系的抽取方法及装置、电子设备、存储介质，可应用于金融领域或其他领域，其中，所述方法包括：获取目标文本；将所述目标文本输入预训练语言表征模型Bert中，通过所述预训练语言表征模型Bert对所述目标文本进行处理，得到所述目标文本对应的编码；将所述目标文本对应编码输入预先训练好的目标神经网络模型中，通过所述目标神经网络模型抽取出所述目标文本中的各类关系数据，并基于所述目标文本的关系数据，抽取出所述目标文本中的各个实体数据；其中，所述目标神经网络模型预先利用多个文本样本及其对应的关系标注和实体标注进行训练得到；所述文本样本对应的关系标注和实体标注，均基于确定出的数据结构模式schema进行标注。

技术领域

本申请涉及数据抽取技术领域，特别涉及一种实体关系的抽取方法及装置、电子设备、存储介质。

背景技术

现在为了便于对数据进行关联，也便于直观的获取数据之间的管理关系，现今通常会利用数据库中的数据构建成相应的知识图谱。在利用已有的数据构建相应的知识图谱时，需要从数据中提取出实体以及实体间的关系，在基于实体以及实体间的关系，构建出知识图谱。

现有从文本数据中提取出实体间的关系以及实体的方式，主要是通过命名实体的方式抽取实体，并且通过指定的关系从文本数据中提取出实体间的关系。

但是这种方式，分别是对实体与实体间的关系进行抽取，没有充分利用实体识别与关系抽取的相关性，所以抽取到的结果的准确性较低。

发明内容

基于上述现有技术的不足，本申请提供了一种实体关系的抽取方法及装置、电子设备、存储介质，以解决现有的实体关系抽取方式的准确性较低的问题。

为了实现上述目的，本申请提供了以下技术方案：

本申请第一方面提供了一种实体关系的抽取方法，包括：

获取目标文本；

将所述目标文本输入预训练语言表征模型Bert中，通过所述预训练语言表征模型Bert对所述目标文本进行处理，得到所述目标文本对应的编码；

将所述目标文本对应编码输入预先训练好的目标神经网络模型中，通过所述目标神经网络模型抽取出所述目标文本中的各类关系数据，并基于所述目标文本的关系数据，抽取出所述目标文本中的各个实体数据；其中，所述目标神经网络模型预先利用多个文本样本及其对应的关系标注和实体标注进行训练得到；所述文本样本对应的关系标注和实体标注，均基于确定出的数据结构模式schema进行标注。

可选地，在上述的实体关系的抽取方法中，所述目标神经网络模型包括第一神经网络模型以及第二神经网络模型，所述将所述目标文本对应编码输入预先训练好的目标神经网络模型中，通过所述目标神经网络模型抽取出所述目标文本中的各类关系数据，并基于所述目标文本的关系数据，抽取出所述目标文本中的各个实体数据，包括：

将所述目标文本对应编码输入所述第一神经网络模型中，通过所述第一神经网络模型对所述目标文本对应的编码进行处理，得到所述目标文本中的各类关系数据；其中，所述第一神经网络模型预先利用所述文本样本及其对应的关系标注进行训练得到；

将所述目标文本中的各类关系数据输入所述第二神经网络模型中，通过所述第二神经网络模型对所述目标文本中的关系数据进行处理，得到所述目标文本中的各个实体数据；其中，所述第二神经网络模型预先利用所述文本样本及其对应的实体标注进行训练得到。

可选地，在上述的实体关系的抽取方法中，所述第一神经网络模型由双向长短时记忆模型Bi-LSTM和逻辑回归模型Softmax组成，所述第二神经网络模型由预训练语言表征模型Bert、双向长短时记忆模型Bi-LSTM、条件随机场模型CRF以及逻辑回归模型Softmax组成。

可选地，在上述的实体关系的抽取方法中，所述第一神经网络模型的训练方法，包括：