(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210267524.1 (22)申请日 2022.03.18 (71)申请人 中南大学 地址 410083 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 龙军　刘磊　李浩然　向一平　 (74)专利代理 机构 长沙市融智专利事务所(普 通合伙) 43114 专利代理师 胡喜舟 (51)Int.Cl. G06F 40/30(2020.01) G06F 40/211(2020.01) G06F 40/253(2020.01) G06F 16/35(2019.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于实体语义融合的关系抽取方法 (57)摘要 本发明公开了一种基于实体语义融合的关 系抽取方法， 包括： 获取待抽取关系的目标语句； 构建目标语句的预置向量； 构建目标语句的句法 依存树， 并建立句法依存树的邻接矩阵； 其中， 句 法依存树以实体节点作为全局节 点， 并增设全局 节点到其他节点的连接以及所有节点到自身的 连接； 将预置向量及邻接矩阵输入GCN神经网络 进行语义提取， 得到第一特征向量； 将第一特征 向量输入PCNN 分段卷积神经网络进行特征提取， 得到第二特征向量； 将第二特征向量输入 Softmax分类器进行关系类别预测， 实现实体关 系抽取。 解决了现有技术中实体关系抽取效果不 佳的问题。 权利要求书2页 说明书6页 附图2页 CN 114444515 A 2022.05.06 CN 114444515 A 1.一种基于实体 语义融合的关系抽取 方法， 其特 征在于， 包括： 获取待抽取关系的目标语句； 构建目标语句的预置向量， 该预置向量包含目标语句中每个单词、 单词的词性及实体 标签； 构建目标语句的句法依存树， 并建立句法依存树的邻接矩阵； 其中， 句法依存树以实体 节点作为全局节点， 并增设全局节点到其 他节点的连接以及所有节点到自身的连接； 将预置向量及邻接矩阵输入GCN神经网络进行语义 提取， 得到第一特 征向量； 将第一特 征向量输入PCN N分段卷积神经网络进行 特征提取， 得到第二特 征向量； 将第二特 征向量输入Softmax分类 器进行关系类别预测， 实现实体关系抽取。 2.根据权利要求1所述的基于实体语义融合的关系抽取方法， 其特征在于， 所述构建目 标语句的预置向量具体包括： 采用词嵌入 模型将目标语句中的单词映射到维度为dw的向量空间； 采用句法分析工具对目标语句 构造词性标注及实体标签， 并将词性及实体标签分别映 射到维度为ds的向量空间； 将目标语句的每个单词、 词性及实体标签进行拼接， 得到目标语句的预置向量S＝{X1, X2,X3,......,Xm}， 其中 m为目标语句长度， 表示第i个单词， 表示第i个单词的词性， 表示第i个单词的实体标签。 3.根据权利要求1所述的基于实体语义融合的关系抽取方法， 其特征在于， 所述构建目 标语句的句法依存树， 并建立句法依存树的邻接矩阵， 具体包括： 针对目标语句， 使用句法分析工具构建以实体节点作为全局节点的语法依存树； 构建全局节点到其 他节点的 的连接， 建立第一邻接矩阵； 增设每个节点到自身的连接， 建立单位矩阵； 将第一邻接矩阵与单位矩阵相加， 得到最终的邻接矩阵。 4.根据权利要求2所述的基于实体语义融合的关系抽取方法， 其特征在于， 所述GCN神 经网络的公式表示如下： 其中， 表示第l层第i个节点的隐藏层表示； ρ表示ReLU激活函数； 表示邻接矩阵， 表示i节点和j节点的连接关系， 其值为i节点到j节点的距离； di表示节点i的出度； b(l)表 示偏移量； αi表示权重系数； GCN神经网络的最后一层的每 个节点的隐藏层表示构成第一特 征向量。 5.根据权利要求1所述的基于实体语义融合的关系抽取方法， 其特征在于， 所述将第 一 特征向量输入PCN N分段卷积神经网络进行 特征提取， 得到第二特 征向量， 具体包括： 采用多个滤波器及权 重矩阵对第一特 征向量进行 卷积运算； 将每个卷积运算后得到的特征向量分割为三段， 分割时以实体头和实体尾为边界分 割； 将每一段进行最大池化处 理， 得到池化向量；权　利　要　求　书 1/2 页 2 CN 114444515 A 2拼接所有池化向量， 采用非线性方程tanh作为隐藏层激活函数,分片计算最大池化输 出， 得到第二特 征向量。 6.根据权利要求1所述的基于实体语义融合的关系抽取方法， 其特征在于， 所述将第 二 特征向量输入Softmax分类 器进行关系类别预测， 实现实体关系抽取， 具体包括： 将第二特 征向量输入到Softmax分类 器， Softmax分类 器公式表示如下： f(z|g)＝softmax(Wsg+bs) 其中， z表示需要计算的关系类别， g表示第二特征向量， Ws和bs分别为权重参数和偏置 参数； 计算出每个关系类别的所占概率， 从高到低 排序获取最高概率的关系类别作为关系抽 取的结果， 实现实体关系抽取。 7.根据权利要求1所述的基于实体语义融合的关系抽取方法， 其特征在于， 进行关系抽 取之前， 还包括： 构建训练样 本集， 并基于训练样 本集对GCN神经网络、 PCNN分段卷积神经网 络及Softmax分类 器进行训练。 8.根据权利要求7所述的基于实体语义融合的关系抽取方法， 其特征在于， 训练过程 中， Softmax分类 器的损失函数采用交叉熵函数。权　利　要　求　书 2/2 页 3 CN 114444515 A 3