[发明专利]一种基于深度学习的可评判文本内容与实体相关性的实体抽取方法

权利要求书

1.一种基于深度学习的可评判文本内容与实体相关性的实体抽取方法，其方法包括如下步骤：

步骤一：指出文本由n个单词组成，含有m个实体[E₁,E₂,E₃,…,E_m]；

步骤二：使用LSTM表示步骤一中的文本字面语义；

步骤三：拼接文本字面语义表示和平均化除待确定相关性实体外的其他实体表示，最终生成文本语义context；

步骤四：使待确定相关性实体对文本语义context进行注意力机制运算，得到注意力向量；

步骤五：根据步骤四中的注意力向量计算文本语义的进一步表示，注意力向量分别与context的元素相乘，然后相加，得到针对实体注意力的文本语义表示：

步骤六：将步骤五中的基于实体注意力的文本语义表示C_r和待确定相关性实体表示E_m拼接成向量d，并送入分类器,最终得到实体与文本相关性强弱的概率；

所述步骤三中，平均化除待确定相关性实体外的其他实体表示定义为：设E_m为待确定相关性实体，故平均化除待确定相关性实体外的其他实体语义表示为：

拼接后的文本表示为：

所述步骤四中，令实体对文本的注意力向量为：

其中γ为注意力分数函数，被定义为：

W_a，b_a为权重矩阵和偏移量；

所述步骤六中，d＝C_r+E_m，分类器为：

x＝tanh(W_l·d+b_l)，

其中W_l，b_l分别为权重矩阵和偏移量。

2.根据权利要求1所述的基于深度学习的可评判文本内容与实体相关性的实体抽取方法，其特征在于：所述步骤一中，w为对应词的word2vec向量，E表示对应实体的TransH表示。

3.根据权利要求1所述的基于深度学习的可评判文本内容与实体相关性的实体抽取方法，其特征在于：所述步骤二中，LSTM算法定义为：给定词向量w^k，先前的cell状态为c^k-1，先前的隐藏层状态h^k-1，当前cell状态为c^k，当前隐藏层状态为h^k-1，故LSTM网络如下：

i^k＝σ(W_i^w·w^k+W_i^h·h^k-1+b_i)  (1)

h^k＝o^k⊙tanh(c^k) (6)

其中i，f，o分别为输入门、遗忘门、输出门，σ为激活函数，这时得到了文本字面语义表示：