[发明专利]实体关系抽取方法、装置、设备及存储介质

说明书

本发明公开了一种实体关系抽取方法、装置、设备及存储介质，包括：获取待处理句子包，并将所述待处理句子包中的各句子输入预设PCNN模型，以获得各句子对应的初始句子向量；根据通道注意力机制确定各初始句子向量的分段权重，并根据各初始句子向量的分段权重将对应的初始句子向量的分段重新组合，获得各句子对应的最终句子向量；根据所述各句子对应的最终句子向量确定所述待处理句子包的特征向量，并将所述特征向量输入预设分类器，获得所述待处理句子包的实体关系分类，解决了现有技术中无法提取重要文本特征的技术问题，提高了分类器预测准确率。

技术领域

本发明涉及信息抽取技术领域，尤其涉及一种实体关系抽取方法、装置、设备及存储介质。

背景技术

传统的实体关系抽取方法并没有针对茶叶病虫害知识的应用，针对农业细分领域的研究也是少之又少。面对当前互联网上的海量茶叶病虫害数据，大部分信息以无结构化文本、图片等数据形式存在的情况，缺少一个让普通用户能快速的获取有价值的信息的方法。想要对于某种病害需要进一步认识的话，往往需要进一步的在海量网页中进行搜索，耗时耗力，得到的结果却并不理想，甚至有时候得到的是错误的答案，使得错过了对病虫害防治的最佳时机，给茶叶产业带来不可挽回的损失。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供了一种实体关系抽取方法、装置、设备及存储介质，旨在解决现有技术中分类器的预测准确率低的技术问题。

为实现上述目的，本发明提供了一种实体关系抽取方法，所述方法包括以下步骤:

获取待处理句子包，并将所述待处理句子包中的各句子输入预设PCNN模型，以获得各句子对应的初始句子向量；

根据通道注意力机制确定各初始句子向量的分段权重，并根据各初始句子向量的分段权重将对应的初始句子向量的分段重新组合，获得各句子对应的最终句子向量；

根据所述各句子对应的最终句子向量确定所述待处理句子包的特征向量，并将所述特征向量输入预设分类器，获得所述待处理句子包的实体关系分类。

可选地，所述获取待处理句子包，并将所述待处理句子包中的各句子输入预设PCNN模型，以获得各句子对应的初始句子向量，包括：

获取待处理的句子包，并确定所述待处理句子包中各句子对应的单词特征向量；

将所述各句子对应的单词特征向量输入预设PCNN模型，以获得所述待处理句子包中各句子对应的初始句子向量。

可选地，所述预设PCNN模型包括输入层、卷积层和池化层，所述将所述各句子对应的单词特征向量输入预设PCNN模型，以获得所述待处理句子包中各句子对应的初始句子向量，包括：

将所述各句子对应的单词特征向量作为所述输入层的输入；

利用所述卷积层对所述各句子对应的单词特征向量进行卷积操作，获得各句子对应的单词结果向量；

按照预设规则将所述各句子对应的单词结果向量划分为若干分段，并利用所述池化层对各句子对应的单词结果向量的各分段进行最大池化处理，获得所述单词结果向量的各分段对应的最大池化向量；

将所述各分段对应的最大池化向量进行拼接，以获得所述待处理句子包中各句子对应的初始句子向量。

可选地，所述根据通道注意力机制确定各初始句子向量的分段权重，并根据各初始句子向量的分段权重将对应的初始句子向量的分段重新组合，获得各句子对应的最终句子向量，包括：

对所述待处理句子包中各句子对应的单词结果向量的各分段做全局自适应池化处理，以提取所述单词结果向量的各分段的局部全局信息；