[发明专利]一种基于迁移学习的实体关系抽取的问答方法及系统

权利要求书

1.一种基于迁移学习的实体关系抽取的问答方法，将关系分类结果链接至知识图谱中，根据知识图谱的关系页面实时查询输入实体词之间的关系信息，输出答案，其特征在于，关系分类结果的获得包括：

S1、获取源域文本数据集和目标域文本数据集，所述源域文本数据集和所述目标域文本数据集中包括至少一个句子，每一个句子中至少包括一个实体，对所述源域文本数据集和所述目标域文本数据集中每个句子中的每个实体进行识别和标注；

S2、将预处理后的源域文本数据集和目标域文本数据集输入skip-gram模型进行训练，分别得到源域文本数据的词向量和目标域文本数据的词向量；

S3、分别获取源域文本数据的位置向量和目标域文本数据的位置向量，将源域文本数据的词向量和位置向量进行拼接，得到源域文本数据的联合特征向量；将目标域文本数据的词向量和位置向量进行拼接，得到目标域文本数据的联合特征向量；

S4、将源域文本数据的联合特征向量输入BiLSTM网络进行预训练，得到源域文本数据的上下文信息、源域文本数据的语义特征和预训练过程中的网络参数；

S5、将目标域文本数据的联合特征向量输入BiLSTM_CNN融合模型中，根据预训练过程中的网络参数对目标域文本数据进行重训练，得到目标域文本数据的高维特征向量；

S6、将目标域文本数据的高维特征向量送入分类器，得到关系分类结果。

2.根据权利要求1所述的一种基于迁移学习的实体关系抽取的问答方法，其特征在于，所述skip-gram模型是word2vec工具中的一个模型，用于词向量的训练，将预处理后的源域文本数据和目标域文本数据分别输入到skip-gram模型中，训练时设定词向量维度为100维度，训练结束后，分别得到源域文本数据的词向量映射表和目标域文本数据的词向量映射表，词向量映射表中包含了词与向量的映射关系，根据词向量映射表得到每个词对应的词向量。

3.根据权利要求1所述的一种基于迁移学习的实体关系抽取的问答方法，其特征在于，源域文本数据的位置向量和目标域文本数据的位置向量的获取包括：以实体词在句子中的位置为原点，一个单词相对于一个实体词来说，从左至右表示矢量正向，从右至左表示矢量负向，即一个单词在实体词右侧用正数表示，单词在实体左侧用负数表示，所述实体为一个句子中的名词。

4.根据权利要求1所述的一种基于迁移学习的实体关系抽取的问答方法，其特征在于，源域文本数据的联合特征向量输入BiLSTM网络进行预训练包括：计算三个门单元：输入门i，输出门o和遗忘门f；通过三个门单元计算记忆单元；然后通过记忆单元计算并输出源域文本数据的上下文信息、源域文本数据的语义特征，保留预训练过程的网络参数。