[发明专利]一种基于增强学习的关系抽取方法

说明书

本发明公开了一种基于增强学习的关系抽取方法，包括：步骤10)构建强化学习的关系抽取框架；所述关系抽取框架包括基于DNN模型的关系抽取模型、用于表示关系的人类知识形式的软规则和含有查询问题的关系证据、外部的知识源和智能体；步骤20)获取所述基于DNN模型的关系抽取模型的抽取结果；步骤30)所述智能体在强化学习环境中，利用所述软规则和所述关系证据，对所述抽取结果进行动态调整。所述基于增强学习的关系抽取方法可以增强现有的基于DNN的关系抽取模型。

技术领域

本发明属于计算机自然语言处理领域，具体来说，涉及一种基于增强学习的关系抽取方法。

背景技术

关系抽取(RE)目的在于抽取文本中实体对的语义关系。例如，在图1中给定句子#1，关系抽取的目标是确定Phil Schiller和sale department存在关系director_of_organizatione1，e2。关系抽取被广泛用于后续应用，例如本体构建，知识库(KB)构建以及问答系统。解决关系抽取问题，前人已经做了许多的工作，其中使用基于深度神经网络(DNN)的模型逐渐成为主流。这些基于DNN的模型为从大量数据中学习特征提供了巨大的机能，以及显著提高了关系抽取的效果。尽管取得了令人瞩目的进步，但广泛使用基于DNN的关系抽取模型仍有局限性。

一个局限是基于DNN的关系抽取系统难以人工校正。基于DNN的关系抽取模型具有从数据中自动提取特征的强大功能。但它们是黑盒模型，并且难将人类意图编码至模型，来引导它们捕获所需的模式，除非借助耗费资源的直接监督或临时初始化。因此，在调优关系抽取结果时，人们很难采取手段去纠正基于DNN的关系抽取模型。另一方面，虽然基于规则的关系抽取系统依赖于人工规则，这些规则构建起来非常耗时且无法扩展，但它们应对错误时易于定制并且可由人类解释。

另一个局限是基于DNN的RE模型缺乏足够的信息来进行预测。一方面，基于DNN的关系抽取模型依赖于词向量，其包含的信息可能不足够进行关系抽取。另一方面，单句中信息的稀疏可能导致判断的模糊。如图1所示关系″the director of″，在句子#1中表示关系director_of_organizatione1，e2，而在句子#2中表示关系director_of_filme1，e2。在这种情况下，如果没有足够的背景信息(例如实体的类型)，关系抽取模型就无法进行正确的预测。这样的背景信息可能来自多个异构的信息源，例如知识库，搜索引擎和大量的在线数据。但是，之前的工作只是尝试引入其他语言信息，例如WordNet中的上位词以及使用自然语言处理工具(NLP)得到的依赖树结构。他们都忽略了其他信息。

发明内容

本发明提出一种基于增强学习的关系抽取方法，以增强现有的基于DNN的关系抽取模型。

为解决上述技术问题，本发明实施例采用以下技术方案：

一种基于增强学习的关系抽取方法，包括：

步骤10)构建强化学习的关系抽取框架；所述关系抽取框架包括基于DNN模型的关系抽取模型、用于表示关系的人类知识形式的软规则和含有查询问题的关系证据、外部的知识源和智能体；

步骤20)获取所述基于DNN模型的关系抽取模型的抽取结果；

步骤30)所述智能体在强化学习环境中，利用所述软规则和所述关系证据，对所述抽取结果进行动态调整。

作为优选例，所述步骤20)中，获取所述基于DNN模型的关系抽取概率分布，并进行降序排列，生成关系抽取结果。