一种基于两阶段筛选和分类的关系抽取方法和装置_CN112329440B_浪潮云信息技术股份公司.pdf
免费下载
(19)国家知识产权局
(12)发明专利
(10)授权公告号
(45)授权公告日
(21)申请号 202011429449.1
(22)申请日 2020 .12.09
(65)同一申请的已公布的文献号
申请公布号 CN 112329440 A
(43)申请公布日 2021 .02.05
(66)本国优先权数据
202010903706.4 2020 .09.01 CN
(73)专利权人 浪潮云信息技术股份公司
地址 250100 山东省济南市高新区浪潮路
1036号浪潮科技园S01号楼
(72)发明人 王功明 张娴 周庆勇 孙思清
(74)专利代理机构 济南信达专利事务所有限公
司 37100
专利代理师 孙晶伟
(51)Int.Cl .
G06F
40/211
(2020 .01)
G06F
40/253
(2020 .01)
G06F
40/295
(2020 .01)
G06F
40/30
(2020 .01)
(56)对比文件
CN 110298044 A ,2019 .10.01
凡子威;张民;李正华;.基于BiLSTM并结合
自注意力机制和句法信息的隐式篇章关系分类.
计算机科学 .2019,(05) ,全文 .
审查员 李倩楠
(54)发明名称
一种基于两阶段筛选和分类的关系抽取方
法和装置
(57)摘要
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。
权利要求书3页 说明书15页 附图7页
CN 112329440 B
2023.07.25
CN 112329440 B
1 .一种基于两阶段筛选和分类的关系抽取方法，其特征是包括以下步骤：
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，具体包括：
S21：对上下文词法特征向量进行降维，
S22：生成实体对关系存在标识，
S23：初始化逻辑回归模型的参数，
S24：将所有实体对上下文词法特征向量的降维结果送入逻辑回归模型的输入端，
S25：将所有实体对关系存在标识送入逻辑回归模型的输出端，
S26：根据收敛条件训练逻辑回归模型，
S27：返回逻辑回归模型的参数；
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：使用关系分类模型预测实体对的关系类型。
2.根据权利要求1所述的一种基于两阶段筛选和分类的关系抽取方法，其特征是所述
步骤S1中，具体包括：
S11：生成词汇的静态词嵌入；
S12：生成词汇的静态词性嵌入；
S13：合成上下文词法特征向量；
S14：返回上下文词法特征向量。
3.根据权利要求2所述的一种基于两阶段筛选和分类的关系抽取方法，其特征是所述
步骤S11中，以下描述：用(E
A
,E
B
)表示句子S中的任意两个实体E
A
和E
B
构成的实体对，W
A_Pre
和
W
A_Aft
是E
A
两侧的词汇，W
B_Pre
和W
B_Aft
是E
B
两侧的词汇，W
AB_Hyper
是E
A
和E
B
的上位词，词汇W
A_Pre
、
E
A
、W
A_Aft
、W
B_Pre
、E
B
、W
B_Aft
的词性是S
A_Pre
、S
A
、S
A_Aft
、S
B_Pre
、S
B
和S
B_Aft
，构成实体对(E
A
,E
B
)的上
下文；
S11具体包括：
S111：读取用于静态词嵌入的预训练模型Model
Sta_Emd_W
；
S112：使用Model
Sta_Emd_W
计算词汇W
A_Pre
、E
A
、W
A_Aft
、W
B_Pre
、E
B
、W
B_Aft
的静态词嵌入
E
Sta_WA_Pre
、E
Sta_WA
、E
Sta_WA_Aft
、E
Sta_WB_Pre
、E
Sta_WB
、E
Sta_WB_Aft
；
S113：拼接词嵌入结果，得到词汇的静态词嵌入E
Sta_AB_Cont_W
＝[E
Sta_WA_Pre
,E
Sta_WA
,
E
Sta_WA_Aft
,E
Sta_WB_Pre
,E
Sta_WB
,E
Sta_WB_Aft
]；
S114：返回词汇的静态词嵌入；
所述步骤S12中，具体包括：
S121：训练用于词性嵌入的预训练模型Model
Sta_Emd_S
；
S122：加载用于词性嵌入的预训练模型Model
Sta_Emd_S
；
S123：使用Model
Sta_Emd_S
计算词性S
A_Pre
、S
A
、S
A_Aft
、S
B_Pre
、S
B
、S
B_Aft
的静态词性嵌入
E
Sta_SA_Pre
、E
Sta_SA
、E
Sta_SA_Aft
、E
Sta_SB_Pre
、E
Sta_SB
、E
Sta_SB_Aft
；
S124：拼接词性嵌入结果，得到词汇的静态词性嵌入E
Sta_AB_Cont_S
＝[E
Sta_SA_Pre
,E
Sta_SA
,
权 利 要 求 书
1/3 页
2
CN 112329440 B
2
of 26
免费下载
【版权声明】本文为墨天轮用户原创内容，转载时必须标注文档的来源（墨天轮），文档链接，文档作者等基本信息，否则作者和墨天轮有权追究责任。如果您发现墨天轮中有涉嫌抄袭或者侵权的内容，欢迎发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。
下载排行榜
评论