[发明专利]一种基于深度学习的实体关系抽取方法

权利要求书

1.一种基于深度学习的实体关系抽取方法，其特征在于，包括：

采用CNN神经网络从输入样本中提取特征并学习，以获取该模式下的第一候选关系类型；

采用BLSTM神经网络从输入样本中提取特征并学习，以获取该模式下的第二候选关系类型；

采用CNN神经网络和BLSTM神经网络分别从输入样本中提取特征并学习，并将其学到的信息依次分别输入至BLSTM神经网络和CNN神经网络进一步学习，以分别获取第三候选关系类型和第四候选关系类型；

采用CNN神经网络和BLSTM神经网络分别从输入样本中提取特征并学习，学习后的特征进行拼接，以获取第五候选关系类型；

对第一候选关系类型、第二候选关系类型、第三候选关系类型、第四候选关系类型和第五候选关系类型进行评定，选取分数最高的候选关系类型作为该样本的最终关系分类结果。

2.根据权利要求1所述的基于深度学习的实体关系抽取方法，其特征在于，所述分数最高的候选关系类型如多于一种，则从所有分数最高的候选关系类型中随机选择一种类型作为分类的结果。

3.根据权利要求1所述的基于深度学习的实体关系抽取方法，其特征在于，所述CNN神经网络采用多个尺寸的滑动窗口来提取局部特征，并将学习到的特征进行最大池化进行采样，然后通过全连接层、softmax操作以及反向传播等计算流程对实体关系抽取模型进行训练。

4.根据权利要求1所述的基于深度学习的实体关系抽取方法，其特征在于，所述输入样本以双向的LSTM语句输入，在实体关系抽取模型中，样本数据按照单词在句子中原本的顺序输入到了LSTM神经单元中，每个时刻的状态h_t依赖于之前时刻的状态以及当前时刻的状态，h_t由正向和反向两种顺序在BLSTM的t时刻的输出拼接而成，具体如下：

其中，为句子以正向顺序输入到BLSTM在t时刻的输出，为反向顺序时的输出，以让BLSTM节点同时对前向和后向的序列进行特征学习。

5.根据权利要求1所述的基于深度学习的实体关系抽取方法，其特征在于，从输入样本中提取特征包括词向量特征、位置特征、局部特征和序列特征。