[发明专利]中文开放关系预测方法、装置、计算机设备和存储介质

说明书

本申请涉及一种中文开放关系预测方法、装置、计算机设备和存储介质。所述方法包括：获取待预测句子中的命名实体，根据命名实体和待预测句子内容，构建实体对，实体对包括：头实体、头实体类型、尾实体、尾实体类型以及待预测句子内容，当头实体类型和尾实体类型与预设的类型模式匹配，则将实体对中头实体、尾实体以及待预测句子内容输入关系预测模型，得到待预测句子中头实体与尾实体的关系类型。采用本方法能够提高开放关系预测的准确性。

技术领域

本申请涉及语义分析技术领域，特别是涉及一种中文开放关系预测方法、装置、计算机设备和存储介质。

背景技术

为了及时地扩展新知识，从海量非结构化数据中获取新的结构化知识已成为一个热点研究问题。以实体关系抽取为代表的知识抽取技术已经取得了一些成果，特别是近年来监督学习模型极大地推动了特定关系抽取的发展。但是，与实际场景的开放关系抽取的复杂挑战需求相比，现有技术仍有一些局限性。我们亟需从实际需求出发，解决开放关系建模问题，提出有效的开放关系抽取方法。

传统的关系抽取工作一般有预先定义好的特定关系集合，再将任务转换为关系分类问题已取得了较好的效果。然而，在开放的关系抽取场景中，文本中包含大量开放的实体关系，且种类繁多，远超过预先定义的关系种类数量。在这种情况下，传统关系分类模型无法直接有效获取文本中蕴含的实体间新型关系。如何利用模型自动发现实体间的新型关系，实现开放关系抽取，属于当前阶段的一个难点问题。

为了实现开放关系的抽取，有学者提出了开放关系抽取(ORE)任务，致力于从非结构化文本中抽取实体间的关系事实。最近，Ruidong Wu提出了一种有监督的开放关系抽取框架，可以通过Relation Siamese Network(RSN)实现有监督和弱监督模式的自由切换，从而能够同时利用预定义关系的有监督数据和非结构化文本中新关系的无监督数据，来共同学习不同关系事实的语义相似度。具体来说，RSN采用孪生网络结构，从预定义关系的标注数据中学习关系样本的深度语义特征和相互间的语义相似度，可用于计算包含开放关系文本的语义相似度。然而，Tianyu Gao提出对于开放的新型关系，只需要提供少量精确的实例作为种子，就可以利用预训练的关系孪生网络方法训练出适用于新型关系的抽取模型。但是目前的关系预测需要对模型进行针对性的训练，对于开放关系预测的结果精确度不高。

发明内容

基于此，有必要针对上述技术问题，提供一种能够解决开放关系预测不准确问题的中文开放关系预测方法、装置、计算机设备和存储介质。

一种中文开放关系预测方法，所述方法包括：

获取待预测句子中的命名实体，根据命名实体和所述待预测句子内容，构建实体对；所述实体对包括：头实体、头实体类型、尾实体、尾实体类型以及待预测句子内容；

当所述头实体类型和所述尾实体类型与预设的类型模式匹配，则将所述实体对中所述头实体、所述尾实体以及所述待预测句子内容输入关系预测模型，得到待预测句子中头实体与尾实体的关系类型。

在其中一个实施例中，还包括：将待预测句子输入五级BIOSE标记系统，得到待预测句子的标记结果序列；根据所述标记结果序列，确定待预测句子中的命名实体。

在其中一个实施例中，还包括：根据所述标记结果序列，确定所述标记结果序列中排序靠前的命名实体为头实体，排序靠后的命名实体为尾实体；根据所述头实体的头实体类型和所述尾实体的尾实体类型，确定所述头实体和所述尾实体是否关联；若是，则保存为实体对，若否，则从预先设置的实体对列表中删除。

在其中一个实施例中，所述关系预测模型为基于BERT的Att-Bi-GRU模型。