[发明专利]基于深度神经网络的关系推理方法、装置及设备

权利要求书

1.一种基于深度神经网络的关系推理方法，其特征在于，包括：

获取样本句，根据所述样本句构建由多个词语组成的句法依赖树；

提取所述句法依赖树在最短依赖路径上的主干特征，并提取所述句法依赖树在非最短依赖路径上的辅助特征，其中，所述最短依赖路径为所述句法依赖树中待进行关系推理的两个词语之间的路径；

根据预设融合规则对所述主干特征和所述辅助特征进行特征融合，并根据融合结果得到关系推理结果；

在所述获取样本句，根据所述样本句构建由多个词语组成的句法依赖树之后，且在所述提取所述句法依赖树在最短依赖路径上的主干特征，并提取所述句法依赖树在非最短依赖路径上的辅助特征之前，还包括：

根据所述句法依赖树的结构，为所述句法依赖树中的各个词语增加位置信息，其中，所述位置信息包括第一位置信息和第二位置信息，所述第一位置信息为当前词语到目标词语的路径向量，所述第二位置信息为由当前词语到目标词语的正向路径长度和逆向路径长度组成的二元数组，所述目标词语为所述待进行关系推理的两个词语中预先指定的一个词语。

2.如权利要求1所述的方法，其特征在于，所述提取所述句法依赖树在最短依赖路径上的主干特征，并提取所述句法依赖树在非最短依赖路径上的辅助特征，具体包括：

利用长短期记忆网络提取所述句法依赖树在最短依赖路径上的主干特征，并利用多尺寸卷积核的卷积神经网络提取所述句法依赖树在非最短依赖路径上的辅助特征。

3.如权利要求1所述的方法，其特征在于，所述根据所述样本句构建由多个词语组成的句法依赖树，具体包括：

利用斯坦福句法解析器对所述样本句进行解析，得到由多个词语组成的句法依赖树。

4.如权利要求1所述的方法，其特征在于，所述根据预设融合规则对所述主干特征和所述辅助特征进行特征融合，具体包括：

预先为主干特征和辅助特征设置第一自适应加权参数和第二自适应加权参数，根据所述第一自适应加权参数和所述第二自适应加权参数，对所述主干特征和所述辅助特征进行特征融合。

5.一种基于深度神经网络的关系推理装置，其特征在于，包括：

句法依赖树构建模块：用于获取样本句，根据所述样本句构建由多个词语组成的句法依赖树；

特征提取模块：用于提取所述句法依赖树在最短依赖路径上的主干特征，并提取所述句法依赖树在非最短依赖路径上的辅助特征，其中，所述最短依赖路径为所述句法依赖树中待进行关系推理的两个词语之间的路径；

关系推理模块：用于根据预设融合规则对所述主干特征和所述辅助特征进行特征融合，并根据融合结果得到关系推理结果；

在所述获取样本句，根据所述样本句构建由多个词语组成的句法依赖树之后，且在所述提取所述句法依赖树在最短依赖路径上的主干特征，并提取所述句法依赖树在非最短依赖路径上的辅助特征之前，还包括：

根据所述句法依赖树的结构，为所述句法依赖树中的各个词语增加位置信息，其中，所述位置信息包括第一位置信息和第二位置信息，所述第一位置信息为当前词语到目标词语的路径向量，所述第二位置信息为由当前词语到目标词语的正向路径长度和逆向路径长度组成的二元数组，所述目标词语为所述待进行关系推理的两个词语中预先指定的一个词语。

6.如权利要求5所述的装置，其特征在于，所述装置还包括：

位置信息增加模块：用于根据所述句法依赖树的结构，为所述句法依赖树中的各个词语增加位置信息，其中，所述位置信息包括第一位置信息和第二位置信息，所述第一位置信息为当前词语到目标词语的路径向量，所述第二位置信息为由当前词语到目标词语的正向路径长度和逆向路径长度组成的二元数组，所述目标词语为所述待进行关系推理的两个词语中预先指定的一个词语。

7.如权利要求6所述的装置，其特征在于，所述关系推理模块具体用于：

预先为主干特征和辅助特征设置第一自适应加权参数和第二自适应加权参数，根据所述第一自适应加权参数和所述第二自适应加权参数，对所述主干特征和所述辅助特征进行特征融合。