[发明专利]一种融合多句法结构的语义关系分类方法

说明书

本发明涉及自然语言处理技术领域，涉及一种融合多句法结构的语义关系分类方法，包括以下步骤，先对文本序列进行数据预处理；然后对文本序列的向量进行双向编码，利用注意力机制对编码信息进行加权学习，通过CRF对加权后的编码信息进行双向解码，获取文本序列上的实体标签信息；然后构造联合向量，构造融合多句法的复杂网络，利用共享参数进行端到端的训练，获取三元组上的隐状态并进行拼接，经线性变换后输出语义关系类别。本发明基于叠层的循环神经网络模型，将多种句法结构进行融合，解决了单一句法结构模型无法有效适应其他句法结构的问题，从而能有效处理不同的句法结构，提高了模型的鲁邦性，并提升了分类效率。

技术领域

本发明涉及自然语言处理技术领域，更具体地说，涉及一种融合多句法结 构的语义关系分类方法。

背景技术

随着互联网发展，非结构化的文本正在以指数级爆发式增长，通过利用自 动化抽取工具将非结构化的文本转化为结构化的知识，将这些结构化知识应用 于检索系统和知识库的构建中，能够有效帮助人们提高工作效率。语义关系分 类是其中的重要技术手段之一。

语义关系分类包含实体识别和关系分类两个子任务，对应的方法分别是基 于序列标注和基于句法结构。已有的语义关系分类过程主要采用单一特定的句 法结构，而单一特定的句法结构模型无法有效处理其他句法结构的问题。比如， 对于SDP结构的模型，在处理其他结构如SubTree和FullTree结构时会存在信 息丢失，但简洁的结构在训练速度上较快；而SubTree和FullTree结构在文本 和结构信息上更丰富，但训练速度较慢。目前没有一个具备鲁棒性的方法来兼 具这三者的优点，从而达到一个更加稳定高效的分类结果。

随着深度学习的发展，通过利用神经网络模型，借助共享参数，构造大型 学习矩阵，利用反向传播的机制来优化模型，在效果方面已经超过了传统的机 器学习方法，因此基于深度学习的方法成为当下的主流做法。我们的目标就是 利用神经网络融合不同的句法结构，从而为输入的文本输出其语义关系。但不 同的句法结构具备不同的形式，必须将其处理成具备某种共性的数据，并转化 为向量的形式输入到网络中进行训练。因此，如何将多种不同的句法结构融合 到一个网络中，使得网络具备自适应不同句法结构的鲁棒能力，具备一定的研 究价值和意义。

发明内容

有鉴于此，本发明提供了一种融合多句法结构的语义关系分类方法，以解 决现有技术中没办法有效融合多种句法结构信息的缺陷。

一种融合多句法结构的语义关系分类方法，其特征在于，包括以下步骤：

S1、对文本序列进行数据预处理，获取该文本序列S＝{S₁,S₂,...,S_n}的词性标 签P＝{P₁,P₂,...,P_n}和依赖关系标签D＝{D₁,D₂,...,D_n}；在步骤S1中，对要输入网 络的文本序列S＝{S₁,S₂,...,S_n}进行预处理，通过利用Stanford解析工具获取该文 本序列的词性标签P＝{P₁,P₂,...,P_n}和依赖关系标签D＝{D₁,D₂,...,D_n}，文本序列 S＝{S₁,S₂,...,S_n}中每一个字符S_n对应一个词性标签P_n和关系标签D_n，均作为网络 训练的数据输入；