[发明专利]一种标签融合的联合抽取方法

说明书

本发明公开了一种标签融合的联合抽取方法，包括：上下文特征提取；捕获字符特征；字符特征用CRF捕获预测的第一实体标签；组成BLA单元对识别的实体标签进行建模提取标签特征；将上下文特征与标签特征进行拼接来预测一阶段实体关系；构造图卷积的邻接矩阵，结合上下文特征得到图卷积特征；将图卷积特征与上下文特征相加得到标签特征，共同输入到BLA单元中进行建模作为综合词特征；综合词特征与标签特征进行拼接输入到BLA单元得到动态标签特征；用CRF预测二阶段实体标签；将第一和第二阶段实体标签进行融合；将融合标签输入到BLA单元中得到动态标签特征，结合动态标签特征得出关系预测。本发明实体关系抽取的表现更佳、精准性更高。

技术领域

本发明涉及实体关系抽取技术领域，特别涉及一种结合双阶段图卷积算法与跨模态标签融合单元的联合抽取方法。

背景技术

伴随着企业的蓬勃发展，相关企业供应链的管理需求也出现了爆发式的增长。因此如何保证供应链管理质量是急需解决的重要环节。供应链管理难的原因在于：一是供应链难以对市场企业的供应变化迅速做出相应对策；二是供应链的大量知识都以非结构化形式存在，然而用人工的方式无法对其中的大量有用知识进行充分利用。因此，依赖人工智能的方法建立供应链知识图谱是十分有必要的，不仅为管理人员提出相应的优化方案，加速供应链响应速度的同时还能充分挖掘潜在的供应链知识，针对性解决供应链中存在的问题。供应链知识图谱构建的核心任务就是如何在大量的供应链语料中抽取出高质量的信息知识，提高知供应链知识图谱的精准性。

目前传统的提取实体间语义关系的任务被分解为两个独立的子任务，即命名实体识别(NER)和关系抽取(RE)。这种做法的弊端是级联错误，即上一阶段子任务识别的误差会传播到下一个子任务中，后续子任务的抽取结果不能影响上一阶段任务。

近年来新提出的联合抽取模型对传统模型方法进行了优化和改进，通过对实体抽取和关系分类联合建模共享参数，能够利用实体和关系之间的交互信息，同时抽取实体并分类实体对的关系，可以很好地解决流水线方法所存在的问题。因此，如何更好地建立关系语义，充分利用实体信息和上下文信息来建模使得关系抽取的表现更佳目前的一个研究热点。

现有技术一

《Joint entity recognition and relation extraction as a multi-headselection problem》^[1]一文使用CRF层(条件随机域)将实体识别任务和关系抽取任务建模为一个多头选择问题。模型的输入为一句话单词的向量表示，BiLSTM层能够基于RNN利用上下文信息为每一个单词提取出一个更复杂的向量表示。然后CRF层和Sigmoid层能够产生出两种任务的输出，一个是实体识别标签，另一个是包含三元组的头实体标记和两个实体之间的关系集合。

该模型在进行关系分类时，只是简单地将两个单词的隐藏层表示相加得到表示这两个单词的关系向量，这种方法所捕捉到的共享表征十分有限，并不能很好地表示两个单词的关系。

现有技术二

基于关系图的实体关系联合抽取模型^[2]包含两阶段预测。在第一阶段通过Bi-RNN和GCN抽取顺序和区域依赖特征，预测实体和每个单词对之间的关系。在第二阶段，基于第一阶段的预测，为了考虑到实体和关系之间的交互信息以及所有单词对的隐式特征，对每种关系构建完整的关系图，使用Bi-GCN融合每种关系的信息，考虑到了实体和关系之间的交互信息。

现有技术二的双阶段图卷积模型能够很好的考虑了实体和关系之间的交互信息，但是该技术方法在实体识别和关系抽取的任务结果是分开输出的，可能存在关系预测正确而实体预测错误的情况。

参考文献