CN114357183A - 实体关系抽取方法、装置、设备、介质及程序产品 - Google Patents
实体关系抽取方法、装置、设备、介质及程序产品 Download PDFInfo
- Publication number
- CN114357183A CN114357183A CN202111562485.XA CN202111562485A CN114357183A CN 114357183 A CN114357183 A CN 114357183A CN 202111562485 A CN202111562485 A CN 202111562485A CN 114357183 A CN114357183 A CN 114357183A
- Authority
- CN
- China
- Prior art keywords
- entity
- relationship
- arrangement
- module
- segment arrangement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Machine Translation (AREA)
Abstract
本发明提供一种实体关系抽取方法、装置、设备、介质及程序产品,方法包括:获取待识别句子;将所述待识别句子输入至实体关系抽取模型中的实体片段识别模块,得到待识别句子的实体片段排列;将实体片段排列对应的片段排列向量输入至实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵;将所述片段排列矩阵输入至所述实体关系抽取模型中的关系预测模块中,得到各个实体片段对应的关系预测结果。本发明用以解决现有技术中实体关系抽取结果不稳定的缺陷,实现实体关系抽取模型的稳定性更高。
Description
技术领域
本发明涉及计算机处理技术领域,尤其涉及一种实体关系抽取方法、装置、设备、介质及程序产品。
背景技术
实体和关系抽取作为信息抽取领域的重要研究课题,其主要目的是抽取句子中已标记实体对之间的语义关系,即在实体识别的基础上确定无结构文本中实体对间的关系类别,并形成结构化的数据以便存储和取用,为知识图谱等下游任务提供数据支持。
目前,实体识别和关系抽取在模型结构方面,主要分为单阶段方法(joint)和两阶段方法(pipline),单阶段方法(joint)就是一个模型同时获得句子中的实体和实体对的关系,即实体和关系三元组,该方便全局优化和联合解码,两阶段方法(pipline)是先获取到句子中的实体信息,然后在实体信息的基础上判断已有实体是否存在某种关系,两阶段方法分工明确便于理解,但是存在误差累计,实体冗余的问题。单阶段方法因为其简洁的结构和符合模型简化的发展方向,因此单阶段方法是实体和关系抽取模型的首选方法。
但是,目前单阶段实体和关系联合抽取的方法存在一个问题:单阶段实体和关系联合抽取的方法结果的输出是通过模型内部划分的实体预测模块和关系预测模块的预测结果经过逻辑运算间接过滤后获得,这样即使某个模块预测有错误也可能会被间接消除或者放大,因此,单阶段实体和关系联合抽取的方法的实体关系抽取结果是不稳定的。
发明内容
本发明提供一种实体关系抽取方法、装置、设备、介质及程序产品,用以解决现有技术中单阶段实体和关系联合抽取的方法的实体关系抽取结果不稳定的缺陷,实现实体关系抽取模型的稳定性更高。
本发明提供一种实体关系抽取方法,包括:
获取待识别句子;
将所述待识别句子输入至实体关系抽取模型中的实体片段识别模块,得到所述待识别句子的实体片段排列;
将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵;
将所述片段排列矩阵输入至所述实体关系抽取模型中的关系预测模块中,得到各个实体片段对应的关系预测结果。
根据本发明提供的一种实体关系抽取方法,所述将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵的步骤包括:
将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的组合模块,得到所述组合模块输出的组合向量;
将所述组合向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵;
其中,所述组合模块用于将各实体片段排列对应的实体片段排列组合向量。
根据本发明提供的一种实体关系抽取方法,所述关系矩阵生成模块的实现公式为:
其中,S为所述关系矩阵生成模块的输入量,Span_matrix(S)为所述关系矩阵生成模块的输出量,dk为所述输入量中任意两个向量之间的距离,liner(S)为线性变换。
根据本发明提供的一种实体关系抽取方法,所述将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵的步骤之前,还包括:
将待识别句子输入至所述实体关系抽取模型中的语言模型,得到所述待识别句子对应的词嵌入向量;
将对应的词嵌入向量作为所述实体片段排列对应的片段排列向量。
根据本发明提供的一种实体关系抽取方法,通过实体片段的位置信息记录所述实体片段识别模块输出的所述实体片段排列,所述位置信息包括每个实体片段确定每个片段排列在句子中的起始位置和终点位置。
根据本发明提供的一种实体关系抽取方法,所述关系预测模块包括卷积,所述关系预测模块对应的损失函数使用二值交叉熵损失计算。
本发明还提供一种实体关系抽取装置,包括:
获取模块,用于获取待识别句子;
第一执行模块,用于将所述待识别句子输入至实体关系抽取模型中的实体片段识别模块,得到所述待识别句子的实体片段排列;
第二执行模块,用于将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵;
第三执行模块,用于将所述片段排列矩阵输入至所述实体关系抽取模型中的关系预测模块中,得到各个实体片段对应的关系预测结果。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述实体关系抽取方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述实体关系抽取方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述实体关系抽取方法的步骤。
本发明提供的实体关系抽取方法、装置、设备、介质及程序产品,通过将待识别句子中的实体词语片段识别出来,得到实体片段排列,并生成实体片段排列对应的关系矩阵,得到片段排列矩阵,最终基于片段排列矩阵进行预测得到待识别句子中所有实体片段的关系预测结果,也就是说,通过基于生成句子对应的片段排列矩阵进行关系预测,从而能够直接的输出模型预测结果,而不使用模块间的相互制约来过滤结果,从而使得模型的稳定性和可解释更高,提升了模型的稳定性以及可解释性,解决了现有技术中实体关系抽取结果不稳定的缺陷。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的实体关系抽取方法的流程示意图之一;
图2是本发明提供的实体关系抽取方法中实体关系抽取模型的结构示意图;
图3是本发明提供的实体关系抽取方法的一种示例性的关系预测结果;
图4为本发明提供的实体关系抽取方法的流程示意图之二;
图5为本发明提供的实体关系抽取方法的流程示意图之三;
图6是本发明提供的实体关系抽取装置的结构示意图;
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图7描述本发明的实体关系抽取方法。
请参照图1,本发明提供一种实体关系抽取方法,包括:
步骤10,获取待识别句子;
步骤20,将所述待识别句子输入至实体关系抽取模型中的实体片段识别模块,得到所述待识别句子的实体片段排列;
步骤30,将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵;
步骤40,将所述片段排列矩阵输入至所述实体关系抽取模型中的关系预测模块中,得到各个实体片段对应的关系预测结果。
在本实施例中,请参照图2所示的实体关系抽取模型的结构示意图,实体关系抽取模型包括实体片段识别模块、关系矩阵生成模块和关系预测模块。实体关系抽取模型是一种将句子中所包含词语的属性的模型,用于对任意的待识别句子进行预测待识别句子中所包含实体的关系,即,识别任意待识别句子中所包含词语的属性。例如,请参照图3所示的一种关系预测结果,对于待识别句子“神经中枢受损”,实体关系抽取模型对待识别句子“神经中枢受损”的实体关系识别结果,各实体被标注的实体关系识别结果包括:神经为名词,神经中枢为名词,受损为动词,以及,神经中枢受损为症状。其中,实体片段识别模块用于识别句子所有可能的实体片段,例如,“神经”、“神经中”“神经中枢”以及“神经中枢受损”等。关系矩阵生成模块用于将句子特征向量转化成表示各实体之间关系的矩阵。关系预测模块用于根据实体的关系矩阵进行预测待识别句子中所有可能实体的属性以及实体之间的关系。
具体地,本发明所提出的实体关系抽取方法的具体应用过程为:获取待识别句子,并将待识别句子输入至本发明中的实体关系抽取模型中,以通过本发明所提出的实体关系抽取模型对待识别句子中的各实体的关系预测结果,其中,待识别句子可以是任意的句子。具体地,将待识别句子输入至实体关系抽取模型中的实体片段识别模块,以通过实体片段识别模块来识别待识别句子中所有可能的所有实体片段,得到待识别句子中所有可能的实体片段排列。之后,将实体片段排列输入至实体关系抽取模型中的关系矩阵生成模块,以将实体片段排列转换成表示所有的实体片段之间关系的片段排列矩阵。之后,再将片段排列矩阵输入至实体关系抽取模型中的关系预测模块中,即可以通过关系预测模型得到各个实体片段的关系预测结果,从而最终识别出待识别句子中所有可能的实体的关系属性。
其中,片段排列矩阵对角线对应的关系预测结果为实体属性类型;片段排列矩阵其他位置对应的关系预测结果为实体之间的关系类型。本实施例中,所提取出的实体属性类型可以作为辅助任务提升实体关系抽取模型的关系预测,当模型训练完成部署生产环境使用的时候可以过滤掉实体的预测部分,直接进行关系预测。
进一步地,识别待识别句子得到待识别中所包含的所有可能的实体片段,即得到实体片段排列,一种可行的实施例中,通过片段排列在待识别句子中的起始位置和终点位置记录待识别句子中的位置,即,在本实施例中,实体片段识别模块输出的结果为实体片段排列的位置信息,从而通过实体片段排列的位置信息得知实体片段排列在待识别句子中的位置,实体片段排列的位置信息包括实体片段排列的起始位置和终点位置。
本发明提出的实体关系抽取方法,通过将待识别句子中的实体词语片段识别出来,得到实体片段排列,并生成实体片段排列对应的关系矩阵,得到片段排列矩阵,最终基于片段排列矩阵进行预测得到待识别句子中所有实体片段的关系预测结果,也就是说,通过基于生成句子对应的片段排列矩阵进行关系预测,从而能够直接的输出模型预测结果,而不使用模块间的相互制约来过滤结果,从而使得模型的稳定性和可解释更高,提升了模型的稳定性以及可解释性,解决了现有技术中实体关系抽取结果不稳定的缺陷。
在其它一些实施例中,请参照图4,步骤30、所述将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵的步骤包括:
步骤301,将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的组合模块,得到所述组合模块输出的组合向量;
步骤302,将所述组合向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵;
其中,所述组合模块用于将各实体片段排列对应的实体片段排列组合向量。
在本实施例中,实体关系抽取模型还包括组合模块,用于将所有的实体片段排列对应的片段排列向量组合在一起。基于实体片段排列对应的片段排列向量生成片段排列矩阵的具体过程包括:首先,将实体片段排列对应的片段排列向量输入至实体关系抽取模型中的组合模块,以通过组合模块将实体片段对应的片段排列矩阵组合到一起,得到组合模块输出的组合向量;之后,在将组合模块输出的组合向量输入至至所实体关系抽取模型中的关系矩阵生成模块,,得到表示所有的实体片段之间关系的片段排列矩阵。
本实施例通过先将实体片段排列对应的片段排列向量组合在一起得到组合向量,再基于组合向量生成片段排列矩阵,提升了实体关系抽取模型的模型预测效率。
进一步地,所述关系矩阵生成模块的实现公式为:
其中,S为所述关系矩阵生成模块的输入量,Span_matrix(S)为所述关系矩阵生成模块的输出量,dk为所述输入量中任意两个向量之间的距离,liner(S)为线性变换。
在其它一些实施例中,请参照图5,所述将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵的步骤之前,还包括:
步骤50,将待识别句子输入至所述实体关系抽取模型中的语言模型,得到所述待识别句子对应的词嵌入向量;
步骤60,将对应的词嵌入向量作为所述实体片段排列对应的片段排列向量。
在本实施例中,基于语言模型生成表达句子特征的词嵌入向量X。
Xn=M(xn)
其中,n表示句子的长度,M表示所使用的语言模型,x表示输入的句子内容。
首先,将需要识别的句子x输入到训练好的语言模型M中,以通过语言模型将待识别句子中的词语转换成词嵌入向量,这里使用常见有效的Bert模型,句子经过语言模型后会得到每个词对应的向量表示X,整句话的向量表示就是Xn。其中,BERT模型是一种自编码语言模型,是一个能够将符号数学化的模型。
生成待识别句子的词嵌入向量后,根据片段排列的位置信息找到对应的词嵌入向量,从而找到实体片段排列对应的片段排列向量。
进一步地,通过实体片段的位置信息记录所述实体片段识别模块输出的所述实体片段排列,所述位置信息包括每个实体片段确定每个片段排列在句子中的起始位置和终点位置。
本实施例中,所识别得到的实体片段排列记为span,记录每个实体片段排列在句子中的起始位置pos_s和结束位置pos_e。
按照指定的长度为生成对应实体片段排列span,实体片段排列表达如下:
(Spos_s,Spos_e)
这里pos_s,pos_e都属于n,分别表示实体片段排列在句子的起始位置以及实体片段排列的在句子中的结束位置。
在其它一些实施例中,所述关系预测模块包括卷积,所述关系预测模块对应的损失函数使用二值交叉熵损失计算。
在本实施例中,使用卷积对片段排列矩阵中的点进行关系预测。
接收片段排列矩阵,将片段排列矩阵使用一个卷积核大小为1,卷积核个数等于关系类别数量加一的卷积来对矩阵进行预测,这里加一是增加一个‘无’的类别。通过卷积后获得每个点对应的预测结果,考虑到两个实体之间会存在两个以上的关系,损失函数使用二值交叉熵损失计算,这样就可以进行多标签预测。预测之后,根据阈值0.5直接可以获得矩阵中每个点对应的预测结果,这个结果的行表示关系的主语,结果的列表示关系的宾语,点的信息表示关系的类型。
基于本发明提出的实体关系抽取方法,以下提出对于本发明方案的一种示例性实例。
S1:基于语言模型生成表达句子特征的词嵌入向量X。
Xn=M(xn)
其中,n表示句子的长度,M表示语言模型,x表示输入的句子内容。
首先,将需要识别的句子x输入到训练好的语言模型中M,Bert模型,句子经过语言模型后会得到每个词对应的向量表示X,整句话的向量表示就是Xn。
S2:同时为每个词构建对应的片段排列span,记录每个片段排列在句子中的起始位置pos_s,pos_e。
按照指定的长度为每个词生成对应片段排列span,实体片段排列表达如下:
(Spos_s,Spos_e)
这里pos_s,pos_e都属于n,表示的是实体片段开始位置在句子的位置,实体片段的结束位置在句子中的位置。
S3:使用生成的实体片段表达式依次从Xn里找到对应的n,根据片段排列的位置信息找到对应的词嵌入向量进行组合
根据生成的实体片段排列,可以找到每个实体的起始位置向量表示Xpos_s和结束位置向量表示Xpos_e,然后把他们拼接在一起组合成一个向量:
Si=(Xi,pos-s,Xi,pos-e)
I表示的是实体片段排列的序号,S表的组合后的向量。
S4:向量相乘构建片段排列矩阵
获得了所有的片段排列span的向量表示Si后,将它通过两个线性层(FC)做非线性变换后得到两个新的向量表示,然后将两个向量相乘获得关于表示片段关系的span_matrix矩阵,具体实现公式如下:
获得了表示片段排列所有的词之间的关系矩阵后,输入到关系预测模块。
S5:使用卷积对片段排列矩阵的点进行关系预测。
接收Span_matrix矩阵,将矩阵使用一个卷积核大小为1,卷积核个数等于关系类别数量加一的卷积来对矩阵进行预测,这里加一是增加一个‘无’的类别。通过卷积后获得每个点对应的预测结果,考虑到两个实体之间会存在两个以上的关系,损失函数使用二值交叉熵损失计算,这样就可以进行多标签预测。预测之后根据阈值0.5直接可以获得矩阵中每个点对应的预测结果,这个结果的行表示关系的主语,结果的列表示关系的宾语,点的信息表示关系的类型。
下面对本发明提供的实体关系抽取装置进行描述,下文描述的实体关系抽取装置与上文描述的实体关系抽取方法可相互对应参照。
请参照图6,本发明还提供一种实体关系抽取装置,包括:
获取模块610,用于获取待识别句子;
第一执行模块620,用于将所述待识别句子输入至实体关系抽取模型中的实体片段识别模块,得到所述待识别句子的实体片段排列;
第二执行模块630,用于将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵;
第三执行模块640,用于将所述片段排列矩阵输入至所述实体关系抽取模型中的关系预测模块中,得到各个实体片段对应的关系预测结果。
进一步地,所述第二执行模块,还用于:
将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的组合模块,得到所述组合模块输出的组合向量;
将所述组合向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵;
其中,所述组合模块用于组合各实体片段排列对应的片段排列向量。
进一步地,所述关系矩阵生成模块的实现公式为:
其中,S为所述关系矩阵生成模块的输入量,Span_matrix(S)为所述关系矩阵生成模块的输出量,dk为所述输入量中任意两个向量之间的距离,liner(S)为线性变换。
进一步地,所述实体关系抽取装置还包括:
第四执行模块,用于将待识别句子输入至所述实体关系抽取模型中的语言模型,得到所述待识别句子对应的词嵌入向量;
第五执行模块,用于将对应的词嵌入向量作为所述实体片段排列对应的片段排列向量。
进一步地,通过实体片段的位置信息记录所述实体片段识别模块输出的所述实体片段排列,所述位置信息包括每个实体片段确定每个片段排列在句子中的起始位置和终点位置。
进一步地,所述关系预测模块包括卷积,所述关系预测模块对应的损失函数使用二值交叉熵损失计算。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行实体关系抽取方法,该方法包括:获取待识别句子;将所述待识别句子输入至实体关系抽取模型中的实体片段识别模块,得到所述待识别句子的实体片段排列;将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵;将所述片段排列矩阵输入至所述实体关系抽取模型中的关系预测模块中,得到各个实体片段对应的关系预测结果。
此外,上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的实体关系抽取方法,该方法包括:获取待识别句子;将所述待识别句子输入至实体关系抽取模型中的实体片段识别模块,得到所述待识别句子的实体片段排列;将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵;将所述片段排列矩阵输入至所述实体关系抽取模型中的关系预测模块中,得到各个实体片段对应的关系预测结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的实体关系抽取方法,该方法包括:获取待识别句子;将所述待识别句子输入至实体关系抽取模型中的实体片段识别模块,得到所述待识别句子的实体片段排列;将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵;将所述片段排列矩阵输入至所述实体关系抽取模型中的关系预测模块中,得到各个实体片段对应的关系预测结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种实体关系抽取方法,其特征在于,包括:
获取待识别句子;
将所述待识别句子输入至实体关系抽取模型中的实体片段识别模块,得到所述待识别句子的实体片段排列;
将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵;
将所述片段排列矩阵输入至所述实体关系抽取模型中的关系预测模块中,得到各个实体片段对应的关系预测结果。
2.根据权利要求1所述的实体关系抽取方法,其特征在于,所述将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵的步骤包括:
将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的组合模块,得到所述组合模块输出的组合向量;
将所述组合向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵;
其中,所述组合模块用于组合各实体片段排列对应的片段排列向量。
4.根据权利要求1所述的实体关系抽取方法,其特征在于,所述将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵的步骤之前,还包括:
将待识别句子输入至所述实体关系抽取模型中的语言模型,得到所述待识别句子对应的词嵌入向量;
将对应的词嵌入向量作为所述实体片段排列对应的片段排列向量。
5.根据权利要求1所述的实体关系抽取方法,其特征在于,通过实体片段的位置信息记录所述实体片段识别模块输出的所述实体片段排列,所述位置信息包括每个实体片段确定每个片段排列在句子中的起始位置和终点位置。
6.根据权利要求1所述的实体关系抽取方法,其特征在于,所述关系预测模块包括卷积,所述关系预测模块对应的损失函数使用二值交叉熵损失计算。
7.一种实体关系抽取装置,其特征在于,包括:
获取模块,用于获取待识别句子;
第一执行模块,用于将所述待识别句子输入至实体关系抽取模型中的实体片段识别模块,得到所述待识别句子的实体片段排列;
第二执行模块,用于将所述实体片段排列对应的片段排列向量输入至所述实体关系抽取模型中的关系矩阵生成模块,得到表示所有的实体片段之间关系的片段排列矩阵;
第三执行模块,用于将所述片段排列矩阵输入至所述实体关系抽取模型中的关系预测模块中,得到各个实体片段对应的关系预测结果。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述实体关系抽取方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述实体关系抽取方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述实体关系抽取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111562485.XA CN114357183A (zh) | 2021-12-20 | 2021-12-20 | 实体关系抽取方法、装置、设备、介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111562485.XA CN114357183A (zh) | 2021-12-20 | 2021-12-20 | 实体关系抽取方法、装置、设备、介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114357183A true CN114357183A (zh) | 2022-04-15 |
Family
ID=81100589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111562485.XA Pending CN114357183A (zh) | 2021-12-20 | 2021-12-20 | 实体关系抽取方法、装置、设备、介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114357183A (zh) |
-
2021
- 2021-12-20 CN CN202111562485.XA patent/CN114357183A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111859960B (zh) | 基于知识蒸馏的语义匹配方法、装置、计算机设备和介质 | |
CN113591902B (zh) | 基于多模态预训练模型的跨模态理解与生成方法和装置 | |
CN109960810B (zh) | 一种实体对齐方法及装置 | |
US10755048B2 (en) | Artificial intelligence based method and apparatus for segmenting sentence | |
CN110377740B (zh) | 情感极性分析方法、装置、电子设备及存储介质 | |
CN111444340A (zh) | 文本分类和推荐方法、装置、设备及存储介质 | |
CN112632225B (zh) | 基于案事件知识图谱的语义搜索方法、装置和电子设备 | |
CN112199473A (zh) | 一种知识问答系统中的多轮对话方法与装置 | |
CN113283238B (zh) | 文本数据处理的方法和装置、电子设备和存储介质 | |
CN112580328A (zh) | 事件信息的抽取方法及装置、存储介质、电子设备 | |
Huai et al. | Zerobn: Learning compact neural networks for latency-critical edge systems | |
CN113190702A (zh) | 用于生成信息的方法和装置 | |
CN114218940A (zh) | 文本信息处理、模型训练方法、装置、设备及存储介质 | |
CN113361523A (zh) | 文本确定方法、装置、电子设备和计算机可读存储介质 | |
CN116680386A (zh) | 基于多轮对话的答案预测方法和装置、设备、存储介质 | |
CN114357183A (zh) | 实体关系抽取方法、装置、设备、介质及程序产品 | |
CN114818736A (zh) | 文本处理方法、用于短文本的链指方法、装置及存储介质 | |
CN114638236A (zh) | 一种智能问答方法、装置、设备及计算机可读存储介质 | |
CN113283218A (zh) | 一种语义文本压缩方法及计算机设备 | |
WO2022141855A1 (zh) | 文本正则方法、装置、电子设备及存储介质 | |
CN112132367A (zh) | 一种用于企业经营管理风险识别的建模方法及装置 | |
WO2021042517A1 (zh) | 基于人工智能的文章主旨提取方法、装置及存储介质 | |
CN111159339A (zh) | 一种文本匹配处理方法和装置 | |
CN115618968B (zh) | 新意图发现方法、装置、电子设备及存储介质 | |
US20240126791A1 (en) | Method and system for long-form answer extraction based on combination of sentence index generation techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |