[发明专利]一种结合正反向实例的卷积神经网络关系分类方法

权利要求书

1.一种结合正向实例和反向实例结合的基于卷积神经网络的关系分类方法，其特征在于，

S1.对待分类的句子文本实体，根据句子中词的前后线性顺序分为正向实例和反向实例；

S2.利用CNN句子编码器分别对正向实例实体和反向实例实体进行编码，构建出句子的正向实例的编码特征向量为和反向实例的编码特征向量为

S3.根据正向实例的编码特征向量为和反向实例的编码特征向量为利用softmax层进行关系分类，得到分类结果r_i。

2.根据权利要求1所述的一种结合正向实例和反向实例结合的基于卷积神经网络的关系分类方法，其特征在于，

其中，给定一个已标注两个实体的句子，根据句中词的前后线性顺序，把对应词在前出现的实体作为e₁、在后出现的实体作为e₂的实例，称作正向实例；

其中，给定一个已标注两个实体的句子，根据句中词的前后线性顺序，把对应词在后出现的实体作为e₁、在前出现的实体作为e₂的实例，称作反向实例。

3.根据权利要求2所述的一种结合正向实例和反向实例结合的基于卷积神经网络的关系分类方法，其特征在于，

对于任一句子，定义正向实例的编码特征向量为反向实例的编码特征向量为正向实例关系为反向实例关系为

设置其有概率h正向实例正确，有1-h概率反向实例正确，定义交叉熵设计目标函数为：

J(θ)=Σi=1nh(log p(ri+|zi+,θ))+(1-h)(logp(ri-|zi-,θ′))]]>

其中，n为句子数量，θ和θ′分别为正向实例和反向实例模型中句子编码器神经网络中卷积层和隐藏层的映射和偏执参数；

进一步地，使用随机梯度下降法来最小化目标函数，从训练集中随机选择mini-batch个样本进行训练直到收敛；正向实例分类概率向量为C⁺＝[c₁，c₂，…，c_r]，反向实例分类概率向量为C^-＝[c₁，c₂，…，c_r]，c_i表示该句子中实体e₁与e₂之间存在关系r_i的概率；

可得分类的结果：

C＝ωC⁺+(1-ω)C^-

最终，通过最大值反函数i＝argmax(C)获取对应的分类结果r_i。