[发明专利]面向桥梁检测领域文本的少样本关系分类装置及分类方法

权利要求书

1.面向桥梁检测领域文本的少样本关系分类装置，其特征在于：包括上下文特征提取模块、实体特征提取模块和关系分类模块；

上下文特征提取模块包括样本编码器和双向编码网络；样本编码器用于将桥梁检测的句子编码为向量形式，得到句子的编码向量；双向编码网络用于对句子进行前向和后向的编码以获取上下文的长期依赖特征信息和文本的反向建模特征信息，并将两个方向的编码结果进行拼接得到句子的上下文特征向量；实体特征提取模块用于从句子编码向量中抽取实体的编码信息，通过变换得到实体的特征向量；关系分类模块用于根据融合上下文特征向量和实体特征向量得到的句子信息特征向量进行关系分类。

2.如权利要求1所述面向桥梁检测领域文本的少样本关系分类装置，其特征在于：所述样本编码器为预训练语言模型RoBERTa；将RoBERTa最后一个隐藏层输出的向量作为句子的编码向量表示。

3.如权利要求2所述面向桥梁检测领域文本的少样本关系分类装置，其特征在于：所述双向编码网络为双向长短时记忆网络BiLSTM；将BiLSTM前向最后一个时刻的隐层向量与BiLSTM后向的最后一个时刻的隐层向量拼接，得到句子的上下文特征向量。

4.如权利要求3所述面向桥梁检测领域文本的少样本关系分类装置，其特征在于：所述关系分类模块主要结构为原型网络Prototypical Networks。

5.如权利要求4所述面向桥梁检测领域文本的少样本关系分类装置，其特征在于：所述从句子编码向量中抽取实体特征向量具体包括：找到实体在句子中的位置得到实体的编码信息，经过激活函数和全连接层得到实体特征向量。

6.如权利要求1所述面向桥梁检测领域文本的少样本关系分类装置，其特征在于：对面向桥梁检测领域文本的少样本关系分类方法进行训练时，损失函数为交叉熵损失函数和类间损失函数；其中，类间损失函数定义为每个类别原型之间的距离的相反数；所述类别原型的特征向量为该类别的所有关系实例特征向量的均值。

7.面向桥梁检测领域文本的少样本关系分类方法，其特征在于，使用权利要求1-6任一项所述的面向桥梁检测领域文本的少样本关系分类装置，该方法包括以下步骤：

S1、使用样本编码器将桥梁检测的句子编码为向量形式，得到句子编码向量；

S2、通过双向编码网络对句子进行前向和后向的编码以获取上下文的长期依赖特征信息和文本的反向建模特征信息，并将两个方向的编码结果进行拼接得到句子的上下文特征向量；

S3、通过实体特征提取模块从从句子编码向量中抽取实体的编码信息，通过变换得到实体的特征向量；并将实体特征向量与对应的句子的上下文特征向量进行融合，得到句子用于分类的信息特征向量；

S4、使用关系分类模块根据句子的信息特征向量进行关系分类。

8.如权利要求7所述的面向桥梁检测领域文本的少样本关系分类方法，其特征在于：S1中，所述样本编码器为预训练语言模型RoBERTa；将RoBERTa最后一个隐藏层输出的隐藏状态作为句子编码向量的编码特征表示。

9.如权利要求8所述的面向桥梁检测领域文本的少样本关系分类方法，其特征在于：S2中，所述双向编码网络为双向长短时记忆网络BiLSTM；将BiLSTM前向最后一个时刻的隐层向量与BiLSTM后向的最后一个时刻的隐层状态向量拼接，得到句子最终的上下文特征向量表示。

10.如权利要求9所述的面向桥梁检测领域文本的少样本关系分类方法，其特征在于：S4中，所述关系分类模块为原型网络Prototypical Networks。