[发明专利]一种半开放信息抽取的方法及装置

说明书

本发明公开一种半开放信息抽取的方法及装置，涉及自然语言处理领域，通过将目标实体和无结构文本前后拼接构成组合文本，处理得到目标实体感知的上下文表示；再将目标实体感知的上下文表示作为共享特征，为后续的谓语抽取、宾语抽取和边界对齐这三个子任务生成特定的私有表示，对私有表示进行谓语和宾语的抽取，以及进行边界对齐；最后通过谓语和宾语组合，查找起始和结束位置组合在边界对齐矩阵中是否有相应的标签，如果找到，则保留谓语，宾语元组并作为输出的关系知识。本发明能够克服现有的开放信息抽取方法不能有效抽取特定实体相关的目标知识的不足。

技术领域

本发明涉及自然语言处理领域，具体为一种面向特定实体抽取对应的描述、同义词、下位词等词汇知识，以及包含特定实体的三元组等关系知识的抽取方法及装置。

背景技术

信息抽取是从大量数据中准确、快速地获取目标信息，提高信息的利用率，随着互联网应用的发展，其价值也正日益显现。传统信息抽取任务是面向限定领域文本的、限定类别实体、关系和事件等的抽取，这大大制约了文本信息抽取技术在开放领域的发展和应用。为了适应互联网实际应用的需求，越来越多的研究者开始研究开放信息抽取技术，目标是从海量、冗余、含有大量噪声的网页文本中大规模地抽取开放类别的实体、关系等语义单元信息。总体来看，目前的开放信息抽取方法都以自由文本作为输入，输出无目标的结构化知识。其中，比较流行的有OpenIE系列、NeuOIE、Logician等。

然而，众多知识增强的自然语言处理任务如知识库构建、语义搜索、问答系统通常会指定一个目标实体，并要求抽取系统返回该实体的相关知识作为外部信息辅助任务解决。现有的开放信息抽取方法应用于这一场景存在以下两个问题：(1)冗余抽取。现有方法只能先从文本集合中抽取一般性的知识，再从抽取结果中进行检索，造成计算资源和存储资源的浪费。(2)语义缺失。现有方法无法利用给定的实体语义信息进行抽取，缺失了这一重要的先验知识，导致目标相关的知识无法被准确的抽取。

发明内容

为了克服现有的开放信息抽取方法不能有效抽取特定实体相关的目标知识的不足，本发明提供一种新的半开放信息抽取的方法及装置，给定目标实体以及包含该实体的文本集合，返回目标实体的描述、同义词、下位词等词汇知识集合(包含一个或多个词汇知识，知识类型元组)，以及目标实体参与的关系知识集合(包含一个或多个谓语，宾语元组)。

本发明采用以下技术方案：

一种半开放信息抽取的方法，包括以下步骤：

将目标实体和无结构文本前后拼接，构成组合文本，处理得到融入目标实体语义的文本表示序列，该表示序列中目标实体位置的表示作为条件向量对其他位置的词表示进行条件层正则化，得到目标实体感知的上下文表示；

将目标实体感知的上下文表示作为共享特征，为后续的谓语抽取、宾语抽取和边界对齐这三个子任务生成特定的私有表示；

对谓语抽取的私有表示进行一次标注，得到以每个词为起始词开始的所有谓语片段，并通过递归的片段组合得到所有的谓语；

对宾语抽取的私有表示进行一次标注，得到以每个词为起始词开始的所有宾语片段，并通过递归的片段组合得到所有的宾语；

对边界对齐的私有表示中的各个词项进行两两组合，构成词对矩阵，对词对矩阵中的每个位置分配一个标签，产生每个谓语，宾语元组的开始位置对PS-OS标签和结束位置对PE-OE标签；

对抽取得到的谓语和宾语进行两两组合，通过判断谓语和宾语的起始位置组合和结束位置组合是否在边界对齐矩阵中找到对应的PS-OS和PE-OE标签，如果找到，则保留谓语，宾语元组并作为输出的关系知识。

进一步地，每个子任务的私有表示作为查询向量对其他子任务的私有表示进行自注意力操作，得到关于当前子任务的其他子任务表示，并与当前子任务的私有表示拼接，作为后续的三个子任务的输入，以此建立三个子任务之间的相互依赖关系。