[发明专利]一种基于上下文编码和多层感知机的关系抽取方法及装置

说明书

本发明明提供一种基于上下文编码和多层感知机的关系抽取方法及装置，属于关系抽取技术领域，本发明包括以下步骤：S1：提取实体对的上下文编码信息；S2：生成实体关系的编码信息；S3：训练基于多层感知机的关系分类模型；S4：使用模型抽取待处理文本的关系。本发明的理论基础是两个实体之间的关系类型依赖于实体所在的上下文环境，尤其是实体两侧近邻要素的语义特征，如果能够提取实体对所在上下文环境的语义特征，可以提高关系(尤其是多义关系)抽取的准确性。相比其它关系抽取方法，本发明能够更好地描述实体对的上下文环境信息，提高关系抽取的准确率。

技术领域

本发明涉及命名实体识别、关系抽取、上下文编码、多层感知机等技术，尤其涉及一种基于上下文编码和多层感知机的关系抽取方法及装置。

背景技术

关系是描述实体对之间语义联系的三元组，其形式是(A，ɑ，B)，其中A、B是实体，ɑ是实体间的语义联系。关系大量存在于自然文本中，例如：句子“M国总统A来到C国”中包含关系(M国，总统，A)和(A，来到，C国)。关系抽取是信息抽取领域的重要研究内容，可以建立不同实体间的依赖类型，将非结构化文本转化为结构化或半结构化知识，形成由知识构成的关系网络，用于智能问答、语义搜索、社团发现等智能型服务。

目前，常用的关系抽取方法包括下述三种：

(1)规则模板法

通过分析句式特点，设计若干模板(正则表达式)，使用模板在文本中匹配出关系三元组。这种方法需要构建庞大的模板库，早期由专家手工写出模板，人力耗费极大；近年来开始采用自动化方式生成模板，最常用的是Bootstrapping算法，根据最初几个实例从文本中提取种子模板，然后将进一步应用于文本，获得新的实例，重复上述过程，获得更多的模板。Bootstrapping算法的基础是多次重复抽样，如果初始实例质量不佳，提取出的种子模板适用面窄，在后继迭代(重复抽样)中容易陷入局部收敛，缺乏扩展性和普适性；此外，在模板扩增的过程中，会产生适用面窄、不正确或彼此冲突(对于同一句话的相同实体，得到彼此矛盾的关系)的新模板，影响关系抽取的准确性。

(2)依存分析法

对文本进行句法或语法分析，根据关系三元组各个元素在句中的依存关系(如主谓、动宾、动补、定中、介宾等)，确定对应的抽取规范。该方法与规则模板法类似，但处理对象是文本的句法或语法分析结果，要综合多条规则进行抽取，而不是使用模板直接匹配。该方法在句法或语法层进行处理，抽取结果能够更准确揭示实体间的语义联系。但是，依存关系种类有限，导致可用的抽取规则数量不多；此外，不同树库(或相同树库的不同版本)的依存关系定义和符号均有差异，更换树库类型或版本后，原有的关系抽取规则会失去效果；上述问题，影响该方法的普适性。

(3)机器学习法

该方法把关系抽取任务当作分类训练问题。首先，对句子进行词法和句法分析，得到每个实体的平面特征和句法特征；然后，综合平面特征和句法特征，以及语义角色标注特征，生成完整的关系特征；最后，根据关系特征和已标注的特征标签，采用合适的方法(LR、SVM、CRF等)进行训练，从而得到不同关系的生成模型。该方法具有自学习能力，不受模板库范围、种子模板质量、句法库规模、依存关系定义符号等限制，可以解决规则模板法和依存分析法存在的问题。但是，两个实体之间的关系类型依赖于实体所在的上下文环境，尤其是实体两侧近邻要素的语义特征，对于两个相同的实体，在不同的语境中会存在不同的关系类型。例如：“苹果公司是M国高科技企业的代表”中实体“苹果”和“M国”的关系是“企业”，而“苹果是M国对外出口的重要农产品”中实体“苹果”和“M国”的关系是“农产品”。常用的平面特征、句法特征和语义角色标注特征仅是实体本身的特征，不能很好地反映实体所在上下文环境的特征，会影响关系(尤其是多义关系)抽取的准确性。

发明内容

为了解决以上技术问题，本发明提供了一种基于上下文编码和多层感知机的关系抽取方法。

本发明的技术方案是：