[发明专利]基于混合神经网络的远程监督关系抽取方法及装置

权利要求书

1.基于混合神经网络的远程监督关系抽取方法，其特征在于，包括：

将获取到的目标文本语句转换成预置语句向量，所述预置语句向量包括词向量、位置向量和词性标注向量；

采用预置混合神经网络模型根据所述预置语句向量提取结构特征向量，所述预置混合神经网络模型包括预置Bi-GRU网络和预置PCNN网络，所述结构特征向量的提取过程具体为：

采用预置Bi-GRU网络提取所述预置语句向量中的上下文信息，得到上下文特征向量；

通过预置PCNN网络提取所述上下文特征向量中的局部结构特征，得到结构特征向量；

基于所述结构特征向量计算所述目标文本语句对预置种子样本关系的支持度，所述支持度包括语义相似度和关系相似度，所述支持度的计算过程具体为：

计算所述结构特征向量与预置种子样本关系之间的余弦相似度，并进行归一化处理，得到语义相似度；

计算所述结构特征向量与所述预置种子样本关系之间的关系相似值，并进行归一化处理，得到关系相似度；

从降序排列的所述支持度中选取对应预置数量的所述结构特征向量进行组合，得到组合特征向量；

根据所述组合特征向量进行预置关系概率计算，得到最佳正实例。

2.根据权利要求1所述的基于混合神经网络的远程监督关系抽取方法，其特征在于，所述将获取到的目标文本语句转换成预置语句向量，所述预置语句向量包括词向量、位置向量和词性标注向量，包括：

将目标文本语句中的单词映射至预设低维空间，得到词向量；

计算所述词向量中每个单词与预置实体对的相对位置，得到位置向量；

采用自然语言处理工具对所述目标文本语句进行词性分析，得到词性标注向量；

将所述词向量、所述位置向量和所述词性标注向量进行拼接，得到预置语句向量。

3.根据权利要求1所述的基于混合神经网络的远程监督关系抽取方法，其特征在于，所述从降序排列的所述支持度中选取对应预置数量的所述结构特征向量进行组合，得到组合特征向量，之前还包括：

将所述语义相似度与所述关系相似度进行点乘，得到支持度得分；

将所述支持度得分进行降序排列，得到所述降序排列的支持度。

4.根据权利要求1所述的基于混合神经网络的远程监督关系抽取方法，其特征在于，所述根据所述组合特征向量进行预置关系概率计算，得到最佳正实例，包括：

根据所述组合特征向量和预置参数计算预置关系概率；

选取最大的所述预置关系概率对应的文本关系作为最佳正实例。

5.基于混合神经网络的远程监督关系抽取装置，其特征在于，包括：

向量转换模块，用于将获取到的目标文本语句转换成预置语句向量，所述预置语句向量包括词向量、位置向量和词性标注向量；

特征提取模块，用于采用预置混合神经网络模型根据所述预置语句向量提取结构特征向量，所述预置混合神经网络模型包括预置Bi-GRU网络和预置PCNN网络，所述特征提取模块，包括：

上下文特征提取子模块，用于采用预置Bi-GRU网络提取所述预置语句向量中的上下文信息，得到上下文特征向量；

结构特征提取子模块，用于通过预置PCNN网络提取所述上下文特征向量中的局部结构特征，得到结构特征向量；

第一计算模块，用于基于所述结构特征向量计算所述目标文本语句对预置种子样本关系的支持度，所述支持度包括语义相似度和关系相似度，所述第一计算模块，包括：

语义相似计算子模块，用于计算所述结构特征向量与预置种子样本关系之间的余弦相似度，并进行归一化处理，得到语义相似度；

关系相似计算子模块，用于计算所述结构特征向量与所述预置种子样本关系之间的关系相似值，并进行归一化处理，得到关系相似度；

特征选取模块，用于从降序排列的所述支持度中选取对应预置数量的所述结构特征向量进行组合，得到组合特征向量；

第二计算模块，用于根据所述组合特征向量进行预置关系概率计算，得到最佳正实例。

6.根据权利要求5所述的基于混合神经网络的远程监督关系抽取装置，其特征在于，所述向量转换模块，包括：

低维映射子模块，用于将目标文本语句中的单词映射至预设低维空间，得到词向量；

位置计算子模块，用于计算所述词向量中每个单词与预置实体对的相对位置，得到位置向量；

词性分析子模块，用于采用自然语言处理工具对所述目标文本语句进行词性分析，得到词性标注向量；

向量拼接子模块，用于将所述词向量、所述位置向量和所述词性标注向量进行拼接，得到预置语句向量。