[发明专利]一种基于CNN的中文关系分类方法及系统

说明书

本发明公开了一种基于CNN的中文关系分类方法及系统，其中该方法包括如下步骤：将句子的词向量矩阵、实体距离向量矩阵，以及通过注意力机制加权的词向量矩阵进行拼接得到CNN的输入矩阵；将输入矩阵输入到CNN的卷积层，得到句子的特征向量；将句子的特征向量输入CNN的全连接层，得到每个关系类型的概率。该方法在目前主流模型的基础上，加入了基于语义依存路径的注意力机制，使得可以对于句子中表达具体关系的关键词语更加关注，分类效果得到很大的提升。

技术领域

本发明涉及一种基于CNN的中文关系分类方法，同时涉及一种实现该方法的系统。

背景技术

随着大数据，人工智能等技术得到了广泛的应用，知识图谱也成为了当今计算机领域的热门研究方向。知识图谱的建立，可以使很多智能系统的准确程度得到显著的提升。在科技搜索引擎中，可以实现一个功能模块。当用户输入一个实体词语，以图的形式显示出与该词语存在特定关系的词语。比如，输入“流行性感冒”，可以得到治疗感冒的药物“清开灵注射液”等信息。

关系分类技术是实现该功能模块的关键技术。关系分类的研究对于自然语言处理的研究有着十分重大的意义。

在互联网日益发达的今天，非结构化的文本在大数据的时代中是最容易获得的资源，但是，如何从非结构化文本中获取知识信息，是一个非常值得研究的问题。关系分类的研究在于抽取句子中两个实体的语义关系，可以把非结构化的文本中的信息，以结构化的关系三元组的形式表示。比如“可口可乐是一种碳酸饮料”，就可抽取出(describe，可口可乐，碳酸饮料)，从而明白，可口可乐与碳酸饮料之间是一种描述关系。如果有准确度极高的关系分类模型，我们就可以通过互联网上大量的非结构化文本，获取大量结构化的知识，从而可以构建知识图谱，提升诸如医疗、新闻等领域的智能化程度。

实体关系的抽取技术经历了从传统机器学习方法，到深度神经网络的发展过程。随着计算机计算能力的高速发展，深度学习的技术也成为了人工智能领域的主流技术，而深度学习也为关系分类的研究提供了新的思路。神经网络模型可以学习到高层次的语义特征，这一过程完全是通过数学运算达到数学上的最优解，对人为设计的依赖相对降低了。但是，还是需要人的参与，去设计需要提取的特征，比如语法、词向量等能表达句子语义的特征，去指导神经网络模型学习高层次的语义特征。

目前，各种语音助手，聊天机器人等技术越来越火热，关系分类技术的研究具有十分良好的前景和需求。

发明内容

针对现有技术的不足，本发明所要解决的首要技术问题在于提供一种基于CNN的中文关系分类方法。

本发明所要解决的另一技术问题提供一种基于CNN的中文关系分类系统。

为实现上述发明目的，本发明采用下述的技术方案：

根据本发明实施例的第一方面，提供一种基于CNN的中文关系分类方法，包括如下步骤：

将句子的词向量矩阵、实体距离向量矩阵，以及通过注意力机制加权的词向量矩阵进行拼接得到CNN的输入矩阵；

将输入矩阵输入到CNN的卷积层，得到句子的特征向量；

将句子的特征向量输入CNN的全连接层，得到每个关系类型的概率。

其中较优地，将句子的词向量矩阵、实体距离向量矩阵，以及通过注意力机制加权的词向量矩阵进行拼接得到CNN的输入矩阵，包括如下步骤：

将标注好实体的句子进行分词，得到词语序列；并将词语序列转化成词向量矩阵；

计算句子中每个词语分别到两个实体距离的实体距离向量PF1和PF2，将得到的实体距离向量进行拼接，构成实体距离向量矩阵；