[发明专利]关系抽取方法、装置、计算机设备及可读存储介质

说明书

本申请涉及一种关系抽取方法、装置、计算机设备和可读存储介质。所述方法包括：将文档的关系抽取后字向量输入关系抽取模型，得到文档中的字的初步向量，通过初步向量提取文档中实体对的实体级特征向量，根据初步向量和实体级特征向量，确定文档级特征向量，通过实体级特征向量和文档级特征向量，确定文档中实体对之间的实体关系。采用本方法能够避免仅通过句子级特征向量确定实体关系的问题，并且结合包括文档中句子的上下文信息的文档级特征向量，对文档整体进行推断和理解，从而提高抽取的实体关系的准确性。

技术领域

本申请涉及计算机技术领域，特别是涉及一种关系抽取方法、装置、计算机设备及可读存储介质。

背景技术

随着金融行业不断飞速发展，行业内部积累大量非结构化文本，如授信调查报告、理财产品说明书等，大量实体关系信息隐藏在这类文本内容中。通过关系抽取技术，能够从非结构化的文本中提炼出结构化文本，为诸多下游如知识图谱构建、风险传导分析、会话构建、智能搜索等任务提供基础信息。

传统技术中，将非结构化文本输入到深度学习模型，获取句子级别的关系抽取。但是，采用传统的技术会导致抽取的实体关系准确性较低。

发明内容

基于此，有必要针对上述技术问题，提供一种关系抽取方法、装置、计算机设备及可读存储介质。

一种关系抽取方法，所述方法包括：

将文档的关系抽取后字向量输入关系抽取模型，得到所述文档中的字的初步向量；

通过所述初步向量提取所述文档中实体对的实体级特征向量；

根据所述初步向量和所述实体级特征向量，确定文档级特征向量；

通过所述实体级特征向量和所述文档级特征向量，确定所述文档中实体对之间的实体关系。

在其中一个实施例中，所述通过所述初步向量提取所述文档中实体对的实体级特征向量，包括：

通过所述初步向量，将所述实体对映射至子空间得到映射向量，其中，所述初步向量包括关系抽取后字向量、实体类型特征向量和共指特征向量；

将所述映射向量输入第一全连接神经网络模型，得到所述实体级特征向量。

在其中一个实施例中，所述通过所述初步向量，将所述实体对映射至子空间得到映射向量，包括：

计算所述初步向量的平均值，得到所述实体对中实体的指称向量；

计算所述指称向量的平均值，得到所述实体的实体向量；

将所述实体向量映射到子空间，得到所述实体的映射向量。

在其中一个实施例中，所述根据所述初步向量和所述实体级特征向量，确定文档级特征向量，包括：

对所述文档中的字赋予第一权重系数，通过所述第一权重系数和所述字的初步向量得到所述文档中句子的句子向量；

将所述句子向量和所述实体级特征向量输入第二全连接神经网络模型，得到句子级特征向量；

通过所述句子级特征向量，获取所述文档级特征向量。

在其中一个实施例中，所述通过所述句子级特征向量，获取所述文档级特征向量，包括：

将所述句子级特征向量输入双向长短时记忆循环神经网络模型，得到句子的特征向量，并采用自注意力机制得到句子的第二权重系数；

通过所述句子的特征向量和所述句子的第二权重系数，确定所述文档级特征向量。

在其中一个实施例中，所述通过所述实体级特征向量和所述文档级特征向量，确定所述文档中实体对之间的实体关系，包括：