[发明专利]实体关系的识别方法、设备及可读存储介质

说明书

本发明涉及一种人工智能技术领域，提供一种实体关系的识别方法、设备及可读存储介质，其中方法包括：利用预构建的实体关系识别模型获取训练样本中的每个字的字向量；根据获取的字向量获取训练样本的所有实体对中每个实体的实体向量；通过预设的权重矩阵对所述实体对的每个实体的词向量进行加权求和处理，获取实体对的每个实体的额外特征向量；通过激活函数获取实体对关系类别的预测概率；通过预构建的损失函数完成对构建的实体关系识别模型的迭代训练；通过训练好的实体关系识别模型对待识别文本进行实体关系识别。本发明主要目的在于通过构建的损失函数循环训练实体关系识别模型，从而解决现有在实体识别过程中识别效果不好的问题。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种实体关系的识别方法、装置、电子设备及计算机可读存储介质。

背景技术

知识图谱是NLP领域重要的领域，旨在实现更智能的搜索引擎。随着技术的发展，能被应用于智能搜索、智能问答、个性化推荐等场景。所以如何构建知识图谱就成为NLP领域的一个热点方向。

构建知识图谱的第一步就是从文本中进行信息抽取，信息抽取的一个关键技术就是关系抽取。在识别出文本离散的实体之后，需要对两两实体之间进行关系识别，由于两两实体之间的关系可能有多个，所以这是一个多标签分类问题。目前针对篇章级别的关系抽取的方法是采用动态阈值的方法，改造损失函数，针对每一个样本，都会有一个阀值，在模型给到这个实体对属于每个关系的概率之后，会给出一个动态阀值，高于这个阀值的关系类别都是这个实体对的类别。

但是上述方法未关注到的一个问题是：目前的多标签分类问题存在不平衡问题，不平衡数据会导致模型在识别训练数据比较少的类别的时候效果较差，导致最终整体的识别效果不好。

为解决上述问题，本发明亟需提供一种实体关系的识别方法。

发明内容

本发明提供一种实体关系的识别方法、装置、电子设备及计算机可读存储介质，其主要目的在于通过构建的损失函数循环训练实体关系识别模型，从而解决现有在实体识别过程中识别效果不好的问题。

为实现上述目的，本发明提供的一种实体关系的识别方法，应用于电子设备，所述方法包括：

利用预构建的实体关系识别模型对训练样本进行预处理，获取所述训练样本中的每个字的字向量；

根据获取的字向量，对所述训练样本的实体对进行处理，获取所述训练样本的所有实体对中每个实体的实体向量，其中，所述实体对由所述训练样本的任意两个实体构成；

通过预设的权重矩阵对所述实体对的每个实体的词向量进行加权求和处理，获取所述实体对的每个实体的额外特征向量；

通过激活函数对所述实体对的每个实体向量以及所述额外特征向量进行处理，获取所述实体对关系类别的预测概率；

通过预构建的损失函数获取对所述实体对关系类别的预测概率进行处理，获取关系类别损失函数值；

循环获取所述关系类别损失函数值，直至所述关系类别损失函数值收敛至预设范围，以完成所述实体关系识别模型的迭代训练；

通过训练好的实体关系识别模型对待识别文本进行实体关系识别。

可选地，所述利用预构建的实体关系识别模型对训练样本进行预处理，获取所述训练样本中的每个字的字向量，包括：

获取所述训练样本中的目标字，并确定所述目标字对应的初始字向量；

根据所述初始字向量，确定所述目标字对应的图像特征向量、字根特征向量，以及拼音特征向量；

根据所述目初始字向量、图像特征向量、字根特征向量、拼音特征向量以及预设权重矩阵生成所述目标字对应的字向量。

可选地，