[发明专利]一种基于GCN的汉语复句隐式关系分析方法及装置

权利要求书

1.一种基于GCN的汉语复句隐式关系分析方法，其特征在于，包括：

S1：获取语料文本，通过数据集划分得到训练数据；

S2：构建复句隐式关系识别模型，其中，复句隐式关系识别模型包括嵌入模块、文本语义获取模块、依存句法关系图模块以及隐式关系判别模块，其中，嵌入模块用于获取语料文本的字符级嵌入表示和词性嵌入表示，文本语义获取模块用于采用Bi-LSTM循环神经网络对字符级嵌入表示和词性嵌入表示的拼接向量表示进行建模，获得复句单词间的语义序列记忆特征，依存句法关系图模块用于将复句以单词为基本单元，获取单元间存在的依存句法关系，隐式关系判别模块用于根据拼接向量、复句单词间的语义序列记忆特征以及单元间存在的依存句法关系得到语义以及句法结构的交互信息，并得到关系分类；

S3：利用训练数据对复句隐式关系识别模型进行训练，使用交叉熵作为损失函数，得到训练好的复句隐式关系识别模型；

S4：利用训练好的复句隐式关系识别模型对汉语复句隐式关系进行判别。

2.如权利要求1所述的汉语复句隐式关系分析方法，其特征在于，步骤S2中嵌入模块的处理过程包括：

依次将复句中的各分句进行分布式表示，得到字符级嵌入表示；

将词性生成为独热编码的形式，依次生成句子单词对应位置的词性嵌入表示。

3.如权利要求1所述的汉语复句隐式关系分析方法，其特征在于，步骤S2中依存句法关系图模块的处理过程包括：

依次对复句进行句法解析将单词间存在的依存关系进行提取，以矩阵的形式进行存储，该矩阵为构建的依存句法关系图结构，其中，依存关系包括：主谓关系、动宾关系。

4.如权利要求1所述的汉语复句隐式关系分析方法，其特征在于，步骤S2中隐式关系判别模块处理过程包括：

将拼接向量与复句单词间的语义序列记忆特征进行融合，获得全局语义特征表示；

将全局语义特征表示与复句的依存关系图同时输入图卷积神经网络，过滤得到语义以及句法结构的交互信息，其中，复句的依存关系图为存储单元间存在的依存句法关系的结构。

5.如权利要求4所述的汉语复句隐式关系分析方法，其特征在于，图卷积神经网络用于实现在图结构数据上的卷积操作，根据结点的邻域属性推导结点的嵌入向量，全局语义特征表示为一个N×D维的特征矩阵X，共有N个节点，每个节点对应的是一个D维的特征向量，其中，N为每条汉语复句文本所对应的单词个数，各单词间组成N×N维的邻接关系矩阵A，

令I为单位矩阵，全局语义特征矩阵X和邻接关系矩阵为图卷积神经网络GCN的输入，此神经网络层与层之间信息传播的计算公式如下所示：

其中，表示的度矩阵，W^(l)表示图卷积网络第l层的权重参数，σ()表示图卷积网络的激活函数。

6.一种基于GCN的汉语复句隐式关系分析装置，其特征在于，包括：

数据集获取模块，用于获取语料文本，通过数据集划分得到训练数据；

模型构建模块，用于构建复句隐式关系识别模型，其中，复句隐式关系识别模型包括嵌入模块、文本语义获取模块、依存句法关系图模块以及隐式关系判别模块，其中，嵌入模块用于获取语料文本的字符级嵌入表示和词性嵌入表示，语义获取模块用于采用Bi-LSTM循环神经网络对字符级嵌入表示和词性嵌入表示的拼接向量表示进行建模，获得复句单词间的语义序列记忆特征，依存句法关系图模块用于将复句以单词为基本单元，获取单元间存在的依存句法关系，隐式关系判别模块用于根据拼接向量、复句单词间的语义序列记忆特征以及单元间存在的依存句法关系得到语义以及句法结构的交互信息，并得到关系分类；

模型训练模块，用于利用训练数据对复句隐式关系识别模型进行训练，使用交叉熵作为损失函数，得到训练好的复句隐式关系识别模型；

隐式关系分类模块，用于利用训练好的复句隐式关系识别模型对汉语复句隐式关系进行判别。