[发明专利]基于图神经网络的交易信息识别方法、系统及介质

权利要求书

1.一种基于图神经网络的交易信息识别方法，其特征在于，包括：

获取待识别文本；

对所述待识别文本进行特征提取和标签预测，得到所述待识别文本中实体要素的标注结果；

根据所述实体要素的标注结果构建相应的实体关系图；

通过图注意力网络对所述实体关系图进行特征学习后输出实体节点特征向量；

对所述实体节点特征向量进行特征多分类，输出每个实体节点的交易要素类别。

2.根据权利要求1所述的基于图神经网络的交易信息识别方法，其特征在于，所述对所述待识别文本进行特征提取和标签预测，得到所述待识别文本中实体要素的标注结果，包括：

对所述待识别文本分别进行字符编码和词汇编码，得到字符向量编码和词向量编码；

对所述字符向量编码进行特征提取后输出每个字符的语义特征向量；

通过图神经网络对所述词向量编码进行图特征提取后输出各个词汇的图关系特征向量；

将所述语义特征向量和所述图关系特征向量进行特征融合，输出融合特征向量；

对所述融合特征向量中的实体要素进行标签预测，得到所述实体要素的标注结果。

3.根据权利要求2所述的基于图神经网络的交易信息识别方法，其特征在于，所述通过图神经网络对所述词向量编码进行图特征提取后输出各个词汇的图关系特征向量，包括：

根据所述词向量编码中各个词汇节点的位置和连接关系构建相应的词汇关系图；

将各个词汇作为对应词汇节点的初始特征向量输入至图神经网络中，通过所述图神经网络对所述词汇关系图进行特征学习后输出相应词汇的图关系特征向量。

4.根据权利要求2所述的基于图神经网络的交易信息识别方法，其特征在于，所述将所述语义特征向量和所述图关系特征向量进行特征融合，输出融合特征向量，包括：

对所述语义特征向量和所述图关系特征向量进行拼接，得到拼接向量G，其中H^LSTM为所述语义特征向量，为第m个词汇节点的图关系特征向量；

通过预设的权重矩阵对所述拼接向量进行全连接映射，并通过多头注意力机制计算不同特征之间的注意力关系特征以进行特征融合，得到特征融合后的融合特征向量R，其中R＝MultiHeadAttention(Q，K，V)，Q＝GW^q，K＝GW^k，V＝GW^v，Q为查询矩阵，K为键矩阵，V为值矩阵，W^q，W^k，W^v权重矩阵。

5.根据权利要求2-4任意一项所述的基于图神经网络的交易信息识别方法，其特征在于，所述对所述待识别文本分别进行字符编码和词汇编码，得到字符向量编码和词向量编码，包括：

通过预训练模型对所述待识别文本进行逐个字符切分，得到相应的字符向量编码；

通过预设分词方法对所述待识别文本进行词汇分割，并对各个词汇进行预训练编码后得到相应的词向量编码。

6.根据权利要求1所述的基于图神经网络的交易信息识别方法，其特征在于，所述根据所述实体要素的标注结果构建相应的实体关系图，包括：

对所述待识别文本进行换行分割，得到若干行子文本；

根据所述实体要素的标注结果对每一行子文本中的实体要素进行排序，得到每个实体要素的二维位置信息；

根据预设聚类算法和所述二维位置信息确认每两个实体要素之间的关联关系，并根据所述关联关系构建相应的实体关系图。

7.根据权利要求6所述的基于图神经网络的交易信息识别方法，其特征在于，所述根据预设聚类算法和所述二维位置信息确认每两个实体要素之间的关联关系，并根据所述关联关系构建相应的实体关系图，包括：

根据所述二维位置信息计算每两个实体要素之间的空间距离；

通过K临近算法对所述每两个实体要素之间的空间距离进行聚类处理，得到各个实体要素之间的关联关系；

根据各个实体要素之间的关联关系构建相应的实体关系图。