公开(公告)号：CN111931506B

公开(公告)日：2023-01-10

申请号：CN202010823187.0

申请日：2020-08-17

Applicant: 北京理工大学

Inventor： 张春霞 ,  吕光奥 ,  江越浪 ,  罗妹秋 ,  毕洋 ,  牛振东

IPC: G06F40/295 ,  G06F40/211

Abstract: 本发明公开了一种基于图信息增强的实体关系抽取方法，属于信息抽取和大数据挖掘技术领域。本发明包括如下步骤：1)训练集文本数据处理；2)将训练集中的实体关系三元组集合转换为关系图；3)构建训练集中句子的初始向量表示；4)基于图神经网络模型生成图中节点即实体的向量表示；5)构建训练集中句子的向量表示，由句子初始向量和实体向量融合生成句子向量，训练全连接网络；6)依据前述1)到5)抽取测试集中实体的关系。本发明通过预训练模型和图神经网络模型生成句子向量，引入句子分类损失的权重训练方法，提高了实体关系抽取的性能，在信息检索、文本分类、问答系统等领域具有广阔的应用前景。

公开(公告)号：CN111931506A

公开(公告)日：2020-11-13

申请号：CN202010823187.0

申请日：2020-08-17

Applicant: 北京理工大学

Inventor： 张春霞 ,  吕光奥 ,  江越浪 ,  罗妹秋 ,  毕洋 ,  牛振东

IPC: G06F40/295 ,  G06F40/211

Abstract: 本发明公开了一种基于图信息增强的实体关系抽取方法，属于信息抽取和大数据挖掘技术领域。本发明包括如下步骤：1)训练集文本数据处理；2)将训练集中的实体关系三元组集合转换为关系图；3)构建训练集中句子的初始向量表示；4)基于图神经网络模型生成图中节点即实体的向量表示；5)构建训练集中句子的向量表示，由句子初始向量和实体向量融合生成句子向量，训练全连接网络；6)依据前述1)到5)抽取测试集中实体的关系。本发明通过预训练模型和图神经网络模型生成句子向量，引入句子分类损失的权重训练方法，提高了实体关系抽取的性能，在信息检索、文本分类、问答系统等领域具有广阔的应用前景。