一种新型高效的文库知识图谱实体关系抽取算法.docx

实体关系抽取 实体关系抽取是信息抽取中的一项重要任务，旨在检测和抽取给定语句中两个实体间的语义关系，以自动构建知识图谱。这项任务对于智能问答、知识库构建等下游应用至关重要。实体关系抽取可以形式化地定义为：给定一个包含了两个实体ei和ej的句子s，实体对(ei,ej)在句子s中的语义关系记为一个关系陈述三元组Γ=<s,ei,ej>,Γ∈S，S为包含了多个句子的语料库。实体关系抽取的目标是设计一个函数y˙=fθ(Γ)预测关系陈述Γ的标签，其中θ是深度模型的可学习参数。 近些年来，深度学习在实体关系抽取方面取得了非凡的成果。一些研究者采用卷积神经网络（CNN）和长短期记忆网络（LSTM）来获取句子语义信息，并实现实体关系的抽取。但是，这些方法仍然存在一些缺陷，例如难以获取远距离文本的信息和难以获取长句子的全局文本语义信息。 预训练语言模型的出现带来了实体关系抽取的新希望。一些研究者使用基于BERT的新方法，例如插入标志来标注实体的位置，使用BERT计算句子中两个实体的上下文重表示，并使用两个实体上下文重表示的拼接作为关系的隐状态输入到分类层。然而，这些方法受到无结构文本的限制，且只能提取单个句子的局部语义信息，因此，实体关系抽取的精度受限。 图神经网络（GNN）是一种常用的实体关系抽取方法，依据图的邻接关系提取信息，打破了无结构文本的限制。一些研究者使用基于语法依赖树的实体关系抽取模型，通过长短期记忆网络依据依赖关系获取更可靠的上下文表示。其他研究者使用软剪枝策略，让模型自动学习如何有选择地关注对关系提取任务有用的相关子结构。 然而，这些方法大多仅从包含一对实体的单个语句中挖掘信息，存在很大局限性。少数跨语句间获取信息的工作并未对跨语句获取信息进行筛选，会引入不相关信息。在引入外部知识方向进行探索的工作受困于异构信息融合的问题。 为了解决这些问题，一些研究者开始在集成先验知识辅助实体关系抽取的方向上进行探索。例如，将多个知识图谱嵌入到大型模型中，利用大型文本语料库和知识图谱来训练增强的语言表示模型，使得模型可以同时充分利用词汇、句法和知识信息。然而，知识表示过程与语言表示的预训练过程完全不同，会出现异构信息融合的问题。 现有的实体关系抽取模型大多存在一些局限性，例如仅从包含一对实体的单个语句中挖掘信息，存在异构信息融合的问题。因此，需要设计一种新的实体关系抽取算法，能够从多个语句中获取信息，并对跨语句获取信息进行筛选和融合，以提高实体关系抽取的精度和泛化能力。