(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210911110.8 (22)申请日 2022.07.29 (71)申请人 苏州思萃人工智能研究所有限公司 地址 215000 江苏省苏州市相城区高铁新 城青龙港路6 0号苏州港口大厦10层 (72)发明人 宋彦　田元贺　李世鹏　 (74)专利代理 机构 深圳市智享知识产权代理有 限公司 4 4361 专利代理师 罗芬梅 (51)Int.Cl. G06F 40/211(2020.01) G06F 40/30(2020.01) G06F 16/35(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种关系抽取方法、 计算机设备及程序 产品 (57)摘要 本发明涉及自然语 言处理技术领域， 特别涉 及一种关系抽取方法， 包括以下步骤： 获取输入 文本， 并对输入文本进行编码， 得到输出语句中 每个词的隐向量； 将输入文本进行处理， 得到用 于表征输入句子内部不同的词与词之间连接关 系所占权重的注意力矩阵； 将隐向量与注意力矩 阵输入预设的神经网络， 通过预设的第一算法计 算得到整体向量； 将整体向量进行分类转换处 理， 得到预测的关系类型。 本发明还提供一种计 算机设备和程序产品， 动态利用了词图之间词与 词的连接， 提高了模型 预测的性能。 权利要求书2页 说明书9页 附图4页 CN 115392219 A 2022.11.25 CN 115392219 A 1.一种关系抽取 方法， 其特 征在于： 包括以下步骤： 获取输入文本， 并对所述输入文本进行编码， 得到所述输入文本中每 个词的隐向量； 将所述输入文本进行处理， 得到用于表征所述输入文本 内部不同的词与词之间连接关 系所占权 重的注意力矩阵； 将所述隐向量与所述注意力矩阵输入预设的神经网络， 通过预设的第 一算法计算得到 整体向量； 将所述整体向量进行分类转换处 理， 得到预测的关系类型。 2.如权利要求1所述的方法， 其特征在于： 将所述隐向量与所述注意力矩阵输入预设的 神经网络， 通过 预设的第一 算法计算得到整体向量包括以下步骤： 对所述神经网络的最终输出使用MaxPoolin g算法计算得到第一实体向量表征、 第二实 体向量表征以及句子的向量表征； 将所述第一实体向量表征、 第二实体向量表以及句子的向量表征串联， 得到所述整体 向量。 3.如权利要求1所述的方法， 其特征在于： 将所述隐向量与所述注意力矩阵输入预设的 神经网络进行处理具体包括所述隐向量作为输入， 通过预设第二算法经过多层处理， 其中 每一层处理的输出作为下一层处理的输入的方式进行 处理， 且所述注意力矩阵参与指导每 一层处理的运算， 最后一层处理完之后得到最终输出， 用于参与所述第一算法计算得到所 述整体向量。 4.如权利要求1所述的方法， 其特征在于： 将所述输入文本进行处理得到注意力矩阵包 括以下步骤： 将所述输入文本转换为多个n元组， 所述多个n元组之间按照所述输入文本的语序排 列； 基于所述 n元组， 在n元组的词与词之间创建连接， 并基于所述连接得到最终词图； 将所述最终词图转 化为对应的邻接矩阵； 将所述邻接矩阵通过 预设的第三 算法计算得到所述注意力矩阵。 5.如权利要求4所述的方法， 其特征在于： 将所述输入文本转换为多个n元组包含以下 步骤： 获取 预设的n元组词表， 通过 所述组词表匹配所述输入文本中其 他的n元组。 6.如权利要求 4所述的方法， 其特 征在于： 基于所述连接得到最终词图包括以下步骤： 基于所述 n元组， 在n元组内部的相邻词之间创建本地连接； 在两个不同的n元组的首词与尾词之间两 两创建全局连接； 将所述本地连接与所述全局连接合并， 得到所述 最终词图。 7.如权利要求6所述的方法， 其特征在于： 创建所述全局连接的两个n元组之间包含的n 元组个数不大于1。 8.如权利要求1所述的方法， 其特征在于： 将所述整体向量进行分类转换处理包含以下 步骤： 将所述整体向量经过预设的全连接层后， 送入预设的SoftMax分类器， 得到所述预测的 关系类型。 9.一种计算机设备， 其特征在于： 所述计算机设备包括处理器、 存储器以及存储在所述 存储器上 的计算机程序， 所述处理器执行上述计算机程序以实现权利要求1 ‑7任一项所述权　利　要　求　书 1/2 页 2 CN 115392219 A 2方法的步骤。 10.一种计算机程序产品， 包括计算机程序指令， 其特征在于： 所述计算机程序指令被 执行时实现如权利要求1 ‑7任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 115392219 A 3