本技術(shù)涉及金融科技和人工智能，尤其涉及一種實(shí)體關(guān)系抽取方法和裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、目前，通常通過使用傳統(tǒng)的機(jī)器學(xué)習(xí)方法(如支持向量機(jī)svm、隨機(jī)森林等)進(jìn)行實(shí)體關(guān)系抽取。例如，在金融領(lǐng)域中，實(shí)體關(guān)系抽取是為了識(shí)別出“投保人”、“保險(xiǎn)公司”及“受益人”等實(shí)體，以及識(shí)別出“投保人向保險(xiǎn)公司支付保費(fèi)”及“受益人在特定條件下獲得賠償”的實(shí)體之間的關(guān)系，并通過svm對(duì)實(shí)體對(duì)之間的關(guān)系進(jìn)行抽取，從而抽取出“投保人-支付-保費(fèi)”及“受益人-獲得-賠償”的具體關(guān)系。但是，這種方法還難以捕捉文本數(shù)據(jù)中的深層語義關(guān)系，導(dǎo)致實(shí)體關(guān)系抽取的準(zhǔn)確率較低，因此，如何提高實(shí)體關(guān)系抽取的準(zhǔn)確率成為了亟待解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)實(shí)施例的主要目的在于提出一種實(shí)體關(guān)系抽取方法和裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，旨在提高實(shí)體關(guān)系抽取的準(zhǔn)確率。

2、為實(shí)現(xiàn)上述目的，本技術(shù)實(shí)施例的第一方面提出了一種實(shí)體關(guān)系抽取方法，所述方法包括：

3、獲取目標(biāo)文本；

4、根據(jù)所述目標(biāo)文本構(gòu)建文本語義依存矩陣；

5、獲取預(yù)訓(xùn)練的實(shí)體關(guān)系抽取模型；其中所述實(shí)體關(guān)系抽取模型包括自注意力網(wǎng)絡(luò)、語義融合網(wǎng)絡(luò)及實(shí)體關(guān)系抽取網(wǎng)絡(luò)；

6、利用所述自注意力網(wǎng)絡(luò)對(duì)所述目標(biāo)文本進(jìn)行編碼，得到目標(biāo)文本特征；

7、利用所述語義融合網(wǎng)絡(luò)將所述目標(biāo)文本特征與所述文本語義依存矩陣進(jìn)行融合，得到融合語義特征；

8、利用所述實(shí)體關(guān)系抽取網(wǎng)絡(luò)對(duì)所述融合語義特征進(jìn)行實(shí)體關(guān)系抽取，得到目標(biāo)實(shí)體關(guān)系。

9、在一些實(shí)施例，所述利用所述語義融合網(wǎng)絡(luò)將所述目標(biāo)文本特征與所述文本語義依存矩陣進(jìn)行融合，得到融合語義特征，包括：

10、對(duì)所述目標(biāo)文本特征進(jìn)行注意力權(quán)重分配，得到注意力分?jǐn)?shù)矩陣；

11、利用所述語義融合網(wǎng)絡(luò)將所述注意力分?jǐn)?shù)矩陣及所述文本語義依存矩陣進(jìn)行融合，得到語義注意力分?jǐn)?shù)矩陣；

12、對(duì)所述語義注意力分?jǐn)?shù)矩陣進(jìn)行激活處理，得到所述融合語義特征。

13、在一些實(shí)施例，所述實(shí)體關(guān)系抽取網(wǎng)絡(luò)包括多頭圖注意力網(wǎng)絡(luò)層、實(shí)體主客體關(guān)系網(wǎng)絡(luò)層、實(shí)體頭部關(guān)系網(wǎng)絡(luò)層、實(shí)體尾部關(guān)系網(wǎng)絡(luò)層及關(guān)系融合網(wǎng)絡(luò)層；

14、所述利用所述實(shí)體關(guān)系抽取網(wǎng)絡(luò)對(duì)所述融合語義特征進(jìn)行實(shí)體關(guān)系抽取，得到目標(biāo)實(shí)體關(guān)系，包括：

15、獲取所述融合語義特征的融合語義節(jié)點(diǎn)；

16、利用所述多頭圖注意力網(wǎng)絡(luò)層對(duì)所述融合語義節(jié)點(diǎn)進(jìn)行多頭編碼，得到融合節(jié)點(diǎn)特征；

17、利用所述實(shí)體主客體關(guān)系網(wǎng)絡(luò)層對(duì)所述融合節(jié)點(diǎn)特征進(jìn)行實(shí)體主客體關(guān)系識(shí)別，得到實(shí)體主客體關(guān)系矩陣；

18、利用所述實(shí)體頭部關(guān)系網(wǎng)絡(luò)層對(duì)所述融合節(jié)點(diǎn)特征進(jìn)行實(shí)體頭部關(guān)系識(shí)別，得到實(shí)體頭部關(guān)系矩陣；

19、利用所述實(shí)體尾部關(guān)系網(wǎng)絡(luò)層對(duì)所述融合節(jié)點(diǎn)特征進(jìn)行實(shí)體尾部關(guān)系識(shí)別，得到實(shí)體尾部關(guān)系矩陣；

20、根據(jù)關(guān)系融合網(wǎng)絡(luò)層對(duì)所述實(shí)體主客體關(guān)系矩陣、所述實(shí)體頭部關(guān)系矩陣及所述實(shí)體尾部關(guān)系矩陣進(jìn)行融合，得到所述目標(biāo)實(shí)體關(guān)系。

21、在一些實(shí)施例，所述利用所述多頭圖注意力網(wǎng)絡(luò)層對(duì)所述融合語義節(jié)點(diǎn)進(jìn)行多頭編碼，得到融合節(jié)點(diǎn)特征，包括：

22、從所述融合語義節(jié)點(diǎn)中選取任一節(jié)點(diǎn)作為目標(biāo)語義節(jié)點(diǎn)，并獲取所述目標(biāo)語義節(jié)點(diǎn)的相鄰語義節(jié)點(diǎn)；

23、利用所述多頭圖注意力網(wǎng)絡(luò)層對(duì)所述目標(biāo)語義節(jié)點(diǎn)及所述相鄰語義節(jié)點(diǎn)進(jìn)行注意力計(jì)算，得到節(jié)點(diǎn)注意力系數(shù)；

24、對(duì)所述節(jié)點(diǎn)注意力系數(shù)進(jìn)行多頭注意力平均處理及激活處理，得到目標(biāo)節(jié)點(diǎn)特征；

25、根據(jù)所有所述目標(biāo)節(jié)點(diǎn)特征確定所述融合節(jié)點(diǎn)特征。

26、在一些實(shí)施例，所述利用所述實(shí)體關(guān)系抽取網(wǎng)絡(luò)對(duì)所述融合語義特征進(jìn)行實(shí)體關(guān)系抽取，得到目標(biāo)實(shí)體關(guān)系之前，所述方法還包括：

27、對(duì)所述文本語義依存矩陣進(jìn)行編碼，得到語義依存嵌入矩陣；

28、將所述語義依存嵌入矩陣與所述融合語義特征進(jìn)行語義聚合，得到聚合語義特征，并將所述聚合語義特征作為所述融合語義特征。

29、在一些實(shí)施例，所述根據(jù)所述目標(biāo)文本構(gòu)建文本語義依存矩陣，包括：

30、根據(jù)所述目標(biāo)文本構(gòu)建文本語義依存樹；

31、獲取所述文本語義依存樹的樹節(jié)點(diǎn)，并獲取所述樹節(jié)點(diǎn)之間的節(jié)點(diǎn)依存關(guān)系；

32、根據(jù)所述樹節(jié)點(diǎn)及所述節(jié)點(diǎn)依存關(guān)系對(duì)預(yù)先構(gòu)建的初始矩陣進(jìn)行填充，得到所述文本語義依存矩陣。

33、在一些實(shí)施例，所述根據(jù)所述目標(biāo)文本構(gòu)建文本語義依存樹，包括：

34、對(duì)所述目標(biāo)文本進(jìn)行句法依存分析，得到文本句法依存樹；

35、對(duì)所述文本句法依存樹進(jìn)行非主干元素的剪枝，得到剪枝句法依存樹；

36、對(duì)所述剪枝句法依存樹進(jìn)行語義依存分析，得到關(guān)聯(lián)詞語語義；

37、根據(jù)所述關(guān)聯(lián)詞語語義對(duì)所述剪枝句法依存樹進(jìn)行重構(gòu)，得到所述文本語義依存樹。

38、為實(shí)現(xiàn)上述目的，本技術(shù)實(shí)施例的第二方面提出了一種實(shí)體關(guān)系抽取裝置，所述裝置包括：

39、文本獲取模塊，用于獲取目標(biāo)文本；

40、語義依存矩陣構(gòu)建模塊，用于根據(jù)所述目標(biāo)文本構(gòu)建文本語義依存矩陣；

41、關(guān)系模型獲取模塊，用于獲取預(yù)訓(xùn)練的實(shí)體關(guān)系抽取模型；其中所述實(shí)體關(guān)系抽取模型包括自注意力網(wǎng)絡(luò)、語義融合網(wǎng)絡(luò)及實(shí)體關(guān)系抽取網(wǎng)絡(luò)；

42、文本編碼模塊，用于利用所述自注意力網(wǎng)絡(luò)對(duì)所述目標(biāo)文本進(jìn)行編碼，得到目標(biāo)文本特征；

43、語義融合模塊，用于利用所述語義融合網(wǎng)絡(luò)將所述目標(biāo)文本特征與所述文本語義依存矩陣進(jìn)行融合，得到融合語義特征；

44、實(shí)體關(guān)系抽取模塊，用于利用所述實(shí)體關(guān)系抽取網(wǎng)絡(luò)對(duì)所述融合語義特征進(jìn)行實(shí)體關(guān)系抽取，得到目標(biāo)實(shí)體關(guān)系。

45、為實(shí)現(xiàn)上述目的，本技術(shù)實(shí)施例的第三方面提出了一種電子設(shè)備，所述電子設(shè)備包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述第一方面所述的方法。

46、為實(shí)現(xiàn)上述目的，本技術(shù)實(shí)施例的第四方面提出了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述第一方面所述的方法。

47、本技術(shù)提出的實(shí)體關(guān)系抽取方法和裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，其通過獲取目標(biāo)文本；根據(jù)目標(biāo)文本構(gòu)建文本語義依存矩陣；獲取預(yù)訓(xùn)練的實(shí)體關(guān)系抽取模型；其中實(shí)體關(guān)系抽取模型包括自注意力網(wǎng)絡(luò)、語義融合網(wǎng)絡(luò)及實(shí)體關(guān)系抽取網(wǎng)絡(luò)；利用自注意力網(wǎng)絡(luò)對(duì)目標(biāo)文本進(jìn)行編碼，得到目標(biāo)文本特征；利用語義融合網(wǎng)絡(luò)將目標(biāo)文本特征與文本語義依存矩陣進(jìn)行融合，得到融合語義特征；利用實(shí)體關(guān)系抽取網(wǎng)絡(luò)對(duì)融合語義特征進(jìn)行實(shí)體關(guān)系抽取，得到目標(biāo)實(shí)體關(guān)系。本技術(shù)首先對(duì)目標(biāo)文本進(jìn)行編碼，能夠捕捉文本中的關(guān)鍵信息；其次，將目標(biāo)文本特征與文本語義依存矩陣進(jìn)行融合，能夠通過模型實(shí)現(xiàn)語義與文本特征的深度融合，增強(qiáng)模型捕捉文本數(shù)據(jù)的深層語義關(guān)系的能力，從而提高了模型對(duì)實(shí)體間復(fù)雜關(guān)系的識(shí)別能力，便于后續(xù)提高實(shí)體關(guān)系抽取的準(zhǔn)確率；最后，利用實(shí)體關(guān)系抽取網(wǎng)絡(luò)對(duì)融合語義特征進(jìn)行實(shí)體關(guān)系抽取，能夠準(zhǔn)確地定位文本中的實(shí)體邊界，還能夠?qū)崿F(xiàn)同時(shí)抽取實(shí)體之間的關(guān)系，提高了實(shí)體關(guān)系抽取的準(zhǔn)確率。