[发明专利]一种基于两阶段筛选和分类的关系抽取方法和装置

说明书

本发明公开一种基于两阶段筛选和分类的关系抽取方法和装置,涉及数据信息处理技术领域；S1：生成实体对的上下文词法特征向量；S2：训练基于逻辑回归的关系存在性判定模型；S3：使用模型筛选可能存在关系的实体对和句子；S4：生成“实体对‑句子”特征向量序列集合；S5：生成关系类型向量；S6：训练基于卷积神经网络的关系分类模型；S7：使用模型预测实体对的关系类型。

技术领域

本发明公开一种关系抽取方法和装置,涉及数据信息处理技术领域，具体地说是一种基于两阶段筛选和分类的关系抽取方法和装置。

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。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四种：

(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。但是，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。因为依存关系种类有限，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，影响本方法的普适性。

(3)机器学习法

该方法把关系抽取任务当作分类训练问题，训练机器学习模型进行预测。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。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。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。此外，如何根据实际应用的需要，设计适用的平面特征、句法特征和语义角色标注特征，是个技巧性较强的工作，需要反复测试和调整，没有固定的规律可循。

(4)深度学习法

该方法把关系抽取任务当作分类训练问题，训练深度学习模型进行预测。首先，获取句子中每个词汇的特征向量，主要包括：词嵌入、类型嵌入、词性嵌入、相对距离等；然后，将词汇各种特征向量拼接起来，并按照词汇在句子中的顺序构成向量序列；最后，采用合适的深度学习网络(CNN、RNN、LSTM等)进行训练，从而得到关系类型判定模型。当前，该方法在关系抽取中的效果优于其它方法。但是，构造向量序列时使用的词汇特征向量通常来自预训练模型，都是已经固化的向量，不能反映词汇在不同上下文中的多义性。此外，深度学习网络结构复杂、参数众多，模型训练和关系预测的成本都很高，应用范围有限。

发明内容