本發(fā)明涉及深度學(xué)習(xí)與自然語言處理技術(shù)，具體涉及一種基于卷及神經(jīng)網(wǎng)絡(luò)的實(shí)體關(guān)系抽取的方法。

背景技術(shù)：

隨著互聯(lián)網(wǎng)的普及和發(fā)展，信息量正以指數(shù)規(guī)律飛速地增長，每天數(shù)以億計(jì)的文本數(shù)據(jù)在互聯(lián)網(wǎng)上不斷更新，這其中包括新聞、社交、政府網(wǎng)站數(shù)據(jù)。在這些數(shù)據(jù)當(dāng)中蘊(yùn)含著許多對人們有價(jià)值的信息，這些信息對人們的生產(chǎn)生活起著至關(guān)重要的作用。然而面對這些海量的互聯(lián)網(wǎng)數(shù)據(jù)，單憑人力很難快速地從中獲取自己所需要的信息。為了應(yīng)對信息過載帶來的挑戰(zhàn)，迫切需要一些自動化的方法幫助人們從中迅速找到真正有用的信息。

實(shí)體關(guān)系抽取研究正是在這種背景下產(chǎn)生的。實(shí)體關(guān)系抽取作為自然語言處理的一項(xiàng)經(jīng)典任務(wù)，其主要任務(wù)是識別出文本中的實(shí)體并抽取實(shí)體之間的語義關(guān)系。實(shí)體關(guān)系抽取可以將無結(jié)構(gòu)化的文本信息轉(zhuǎn)化為結(jié)構(gòu)化或半結(jié)構(gòu)化的信息，并以數(shù)據(jù)庫的形式存儲，一方面可以用于對文本的快速閱讀和理解，幫助人們更方便的獲取所需要的信息，另一方面可以用于深入地挖掘分析，對知識庫構(gòu)建、垂直搜索、自動問答等自然語言處理相關(guān)領(lǐng)域起著非常重要的作用。其中，針對互聯(lián)網(wǎng)新聞中存在的企業(yè)實(shí)體關(guān)系的抽取是一項(xiàng)比較典型的實(shí)體關(guān)系抽取任務(wù)，它對金融輿情、企業(yè)投資等方面具有重要作用。

目前，大多數(shù)實(shí)體關(guān)系抽取的方法是基于監(jiān)督學(xué)習(xí)的方法，通常需要大量人工標(biāo)注的訓(xùn)練數(shù)據(jù)，選取合適的特征后從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)關(guān)系對應(yīng)的抽取模式。該方法的缺點(diǎn)也很明顯，一是需要人工標(biāo)注訓(xùn)練數(shù)據(jù)集，十分的耗時(shí)耗力；二是依賴一些自然語言處理工具來提取特征，而這些工具往往存在大量錯誤，這些錯誤將會在關(guān)系抽取系統(tǒng)中不斷傳播放大，最終影響關(guān)系抽取的效果。

技術(shù)實(shí)現(xiàn)要素：

借助于詞向量和深層的神經(jīng)網(wǎng)絡(luò)，可以學(xué)習(xí)得到句子的分布式向量表示，該向量包含了文本的語義信息，可以作為關(guān)系抽取分類模型的輸入。為解決上述問題，本發(fā)明提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的企業(yè)實(shí)體關(guān)系抽取的方法，首先利用bootstrapping技術(shù)構(gòu)建企業(yè)關(guān)系語料庫，接著基于卷積神經(jīng)網(wǎng)絡(luò)來構(gòu)建句子的分布式表示，最后構(gòu)建關(guān)系分類模型并對網(wǎng)頁中存在的企業(yè)關(guān)系進(jìn)行抽取。具體技術(shù)方案如下：

一種基于卷積神經(jīng)網(wǎng)絡(luò)的企業(yè)實(shí)體關(guān)系抽取的方法，包括構(gòu)建關(guān)系語料庫階段、關(guān)系分類模型訓(xùn)練階段和網(wǎng)頁中企業(yè)實(shí)體關(guān)系抽取階段，其中，構(gòu)建關(guān)系語料庫階段，采用人工構(gòu)建初始種子關(guān)系對集合，然后借助于互聯(lián)網(wǎng)搜索引擎并利用bootstrapping技術(shù)迭代生成關(guān)系語料，最終形成關(guān)系語料庫；關(guān)系分類模型訓(xùn)練階段，結(jié)合詞向量與位置嵌入構(gòu)建句子的向量矩陣表示作為網(wǎng)絡(luò)的輸入，然后搭建卷積神經(jīng)網(wǎng)絡(luò)并利用反向傳播算法訓(xùn)練網(wǎng)絡(luò)得到關(guān)系分類模型；網(wǎng)頁中企業(yè)實(shí)體關(guān)系抽取階段，結(jié)合網(wǎng)頁正文提取和命名實(shí)體識別技術(shù)對網(wǎng)頁進(jìn)行預(yù)處理，然后對預(yù)處理過后的網(wǎng)頁進(jìn)行企業(yè)實(shí)體關(guān)系抽取。

進(jìn)一步的，人工構(gòu)建初始種子關(guān)系對包括如下步驟：

s1、定義關(guān)系類型及整理對應(yīng)的關(guān)鍵詞列表；

s2、選取初始種子企業(yè)；

s3、將關(guān)鍵詞列表和初始種子企業(yè)兩兩組合得到初始種子關(guān)系對，并形成初始種子關(guān)系對集。

進(jìn)一步的，選取若干上市企業(yè)名單作為初始種子企業(yè)。

進(jìn)一步的，所述的借助于互聯(lián)網(wǎng)搜索引擎并利用bootstrapping技術(shù)迭代生成關(guān)系語料包括如下步驟：

s1、將得到的初始種子關(guān)系對集合中的企業(yè)名和關(guān)系關(guān)鍵詞作為檢索關(guān)鍵詞

keyw與keyw送入搜索引擎爬蟲；

s2、持久化同時(shí)包含keyword1與keyword2的所有網(wǎng)頁；

s3、對s2中所得到的網(wǎng)頁進(jìn)行預(yù)處理；

s4、篩選并保留同時(shí)包含keyword1與keyword2的句子作為初始關(guān)系語料s；

s5、根據(jù)集合s計(jì)算每一類關(guān)系的中心點(diǎn)ci；

s6、對于集合s當(dāng)中的每個(gè)句子，逐個(gè)進(jìn)行命名實(shí)體識別，找出其中出現(xiàn)的另一個(gè)公司名，得到實(shí)體對<entity1，entity2>，并將entity2加入到種子企業(yè)中；

s7、將s6得到的實(shí)體對送入搜索引擎爬蟲，得到候選語料集c；

s8、針對候選語料c中的每一句子sc，計(jì)算其與每個(gè)類別中心點(diǎn)的距離di，將距離最近的中心點(diǎn)的類標(biāo)y作為句子sc的類別,并加入語料庫s中，更新ci；

s9、判斷語料庫數(shù)量是否達(dá)到閾值，若是則結(jié)束，否則轉(zhuǎn)入s1。

進(jìn)一步的，預(yù)處理包括正文提取和分句操作，其中，正文提取是指提取網(wǎng)頁的正文，去除網(wǎng)頁中其他不相關(guān)的部分；分句操作是指將網(wǎng)頁正文拆分成一個(gè)一個(gè)句子。

進(jìn)一步的，結(jié)合詞向量與位置嵌入構(gòu)建句子的向量矩陣包括如下步驟：

s1、利用word2vec訓(xùn)練得到每個(gè)詞的詞向量表示ai；

s2、對于句子當(dāng)中的每個(gè)詞wi，計(jì)算其與兩個(gè)實(shí)體的相對距離di1，di2；

s3、結(jié)合s1和s2中得到每個(gè)詞wi的語義信息與位置信息的組合表示xi＝{ai，di1，di2}；

s4、則一個(gè)長度為n的句子則可以表示為：表示連接操作符，從而構(gòu)成由詞向量和位置嵌入構(gòu)成的句子向量矩陣n*(k+2)，k為詞向量的維度，是固定值。

進(jìn)一步的，搭建卷積神經(jīng)網(wǎng)絡(luò)并利用反向傳播算法訓(xùn)練網(wǎng)絡(luò)包括如下步驟：

s1、將得到的句子向量矩陣作為輸入送入卷積神經(jīng)網(wǎng)絡(luò)中；

s2、用一個(gè)濾波器進(jìn)行卷積操作，該濾波器將與一個(gè)窗口大小為h詞向量矩陣產(chǎn)生一個(gè)特征圖譜，其中，w表示濾波器，h*(k+2)表示濾波器的大小；

s3、對特征圖譜使用max-overtime的池化操作，即取作為此濾波器下得到的特征；

s4、使用多個(gè)濾波器來獲取多個(gè)不同的特征圖譜并做池化操作以得到相關(guān)特征；

s5、對于給定一個(gè)樣本x，輸入到網(wǎng)絡(luò)中，與訓(xùn)練參數(shù)θ運(yùn)算將輸出一個(gè)向量o，它的第i維oi表示該句子屬于第i類的一個(gè)概率評分，其中，訓(xùn)練參數(shù)θ表示卷積神經(jīng)網(wǎng)絡(luò)中每一層的權(quán)重與偏置參數(shù)；

s6、為了獲得條件概率p(i|x，θ),我們在關(guān)系類別之上做一個(gè)softmax操作：其中，x表示輸入樣本，m表示總的關(guān)系類別數(shù)；

s7、對于所有的訓(xùn)練樣本t:(xⁱ,yⁱ)得到訓(xùn)練參數(shù)θ的對數(shù)似然函數(shù)值：其中，t表示樣本總數(shù)也就是訓(xùn)練語料庫的大小，x表示輸入樣本，y表示輸入樣本x對應(yīng)的類標(biāo)；

s8、通過反向傳播算法來迭代更新θ：并最終得到關(guān)系分類模型。

進(jìn)一步的，多個(gè)濾波器的窗口大小不完全一致。

進(jìn)一步的，使用開源工具webcollector對網(wǎng)頁進(jìn)行正文提取，使用開源工具h(yuǎn)anlp對網(wǎng)頁中的句子進(jìn)行命名實(shí)體識別。

進(jìn)一步的，所述的對預(yù)處理過后的網(wǎng)頁進(jìn)行企業(yè)實(shí)體關(guān)系抽取的具體過程如下：

s1、將網(wǎng)頁正文分句，以句號和分號作為分隔符；

s2、篩選出包含兩個(gè)或兩個(gè)以上企業(yè)實(shí)體的句子集合q；

s3、將q中的句子逐個(gè)送入關(guān)系分類模型中，得到該句子所包含的實(shí)體關(guān)系。

有益效果：

本發(fā)明使用了卷積神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)實(shí)體關(guān)系的抽取，避免了過多依賴于人工選取特征，不僅可以避免人工特征的方法的不足(一般會存在兩點(diǎn)不足：一是所提特征需要借助一些自然語言處理工具，這些工具難免會存在誤差；二是難以選取合適的特征子集)，還可以更加準(zhǔn)確更高效地從網(wǎng)頁中抽取出企業(yè)實(shí)體關(guān)系。

此外，本發(fā)明還借助了bootstarpping思想以及搜索引擎來自動構(gòu)建關(guān)系語料庫，避免了純手工標(biāo)注費(fèi)時(shí)費(fèi)力的缺點(diǎn)。

本發(fā)明是一種基于深度學(xué)習(xí)技術(shù)的關(guān)系抽取方法，可取得state-of-the-art(現(xiàn)有的最高水平)的效果。

附圖說明

圖1為基于卷積神經(jīng)網(wǎng)絡(luò)的企業(yè)實(shí)體關(guān)系抽取的方法的流程圖；

圖2為基于bootstrapping技術(shù)的構(gòu)建關(guān)系語料庫的流程圖；

圖3為關(guān)系類型及對應(yīng)關(guān)鍵詞列表；

圖4為構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的關(guān)系分類模型的示意圖；

圖5為對網(wǎng)頁進(jìn)行企業(yè)實(shí)體關(guān)系進(jìn)行抽取的流程圖。

具體實(shí)施方式

為了更了解本發(fā)明的技術(shù)內(nèi)容，特舉具體實(shí)施例并配合所附圖式說明如下。

圖1為實(shí)施例中基于卷積神經(jīng)網(wǎng)絡(luò)的企業(yè)實(shí)體關(guān)系抽取的方法的流程圖，如圖所示，該方法主要包括三個(gè)階段，分別是：基于bootstrapping技術(shù)構(gòu)建語料庫階段；基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建關(guān)系分類模型階段；針對網(wǎng)頁進(jìn)行企業(yè)實(shí)體關(guān)系抽取階段。

結(jié)合圖2所示，實(shí)施例中基于bootstrapping技術(shù)構(gòu)建語料庫的實(shí)施步驟如下：

步驟0為基于bootstrapping技術(shù)構(gòu)建語料庫的起始狀態(tài)；

步驟1定義關(guān)系類型及整理定義關(guān)系類型所對應(yīng)的關(guān)鍵詞列表，其中，關(guān)系類型是指兩個(gè)實(shí)體之間存在的某一種關(guān)系的類型，如圖3所示，實(shí)施例中考慮的關(guān)系類型主要有4種：合作、投資、收購、競爭；

步驟2選取若干上市企業(yè)名單作為初始種子企業(yè)，當(dāng)然也可以選擇其它類別的企業(yè)作為初始種子企業(yè)，實(shí)施例中取上市公司主要考慮上市公司比一般小公司的曝光度要高，更容易從互聯(lián)網(wǎng)中搜索到相關(guān)語料；

步驟3將關(guān)系類型對應(yīng)的關(guān)鍵詞與種子企業(yè)名單進(jìn)行兩兩組合得到初始種子關(guān)系集s<e，r>＝{<entity，relation>}，其中，entity和relation分別表示企業(yè)名和關(guān)系關(guān)鍵詞，例如<阿里巴巴，投資>；

步驟4將初始種子關(guān)系集s<e，r>中企業(yè)名和關(guān)系關(guān)鍵詞作為檢索關(guān)鍵詞keyword1與keyword2送入搜索引擎爬蟲；

步驟5持久化同時(shí)包含keyword1與keyword2的所有網(wǎng)頁；

步驟6對步驟5所得到的網(wǎng)頁進(jìn)行正文提取、分句等預(yù)處理操作，預(yù)處理的主要目的有兩個(gè)：一是提取網(wǎng)頁的正文，去除網(wǎng)頁中其他不相關(guān)的部分，例如廣告欄、標(biāo)題欄等；第二個(gè)目的分句是為了將網(wǎng)頁正文拆分成一個(gè)一個(gè)句子，因?yàn)楸疚乃鶎?shí)現(xiàn)的關(guān)系抽取是句子級別的，不是段落或者文檔級別；

步驟7為篩選并保留同時(shí)包含keyword1與keyword2的句子作為初始關(guān)系語料集s；

步驟8根據(jù)初始關(guān)系語料集s計(jì)算每一類關(guān)系的中心點(diǎn)ci；

步驟9對于初始關(guān)系語料集s當(dāng)中的每個(gè)句子，逐個(gè)進(jìn)行命名實(shí)體識別，找出其中出現(xiàn)的另一個(gè)公司名，得到實(shí)體對<entity1，entity2>，并將entity2加入到種子企業(yè)中；

步驟10是將上一步得到的實(shí)體對送入搜索引擎爬蟲，得到候選語料集c；

步驟11是針對候選語料集c中的每一句子sc，計(jì)算其與每個(gè)類別中心點(diǎn)ci的距離di，將距離最近的中心點(diǎn)ci的類標(biāo)y作為句子sc的類別,并加入初始關(guān)系語料集s中，同時(shí)更新ci；

步驟12是判斷語料庫數(shù)量(由多個(gè)候選語料集組成)是否達(dá)到閾值，若是則進(jìn)入步驟13，否則進(jìn)入步驟3；

步驟13是構(gòu)建關(guān)系語料庫的結(jié)束狀態(tài)。

結(jié)合圖4所示，構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的關(guān)系分類模型主要包括訓(xùn)練出句子向量矩陣、卷積操作、池化操作以及softmax全連接輸出類別概率，這也對應(yīng)整個(gè)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，主要分為四層：輸入層、卷積層、池化層、輸出層，輸入層由句子向量矩陣構(gòu)成，卷積層負(fù)責(zé)采樣操作得到一個(gè)特征圖譜，池化層是對特征圖譜進(jìn)行一個(gè)取最大值操作，輸出層是輸出句子所屬類別的一個(gè)概率分布

具體步驟為：

步驟1為起始步驟；

步驟2是利用word2vec訓(xùn)練得到輸入句子當(dāng)中的每個(gè)詞wi的詞向量表示αi，得到每個(gè)詞wi的語義，其中，word2vec是google開源的一個(gè)訓(xùn)練詞向量的工具，它具有準(zhǔn)確高效的特點(diǎn)；

步驟3對于句子當(dāng)中的每個(gè)詞wi，計(jì)算其與兩個(gè)實(shí)體的相對距離di1，di2，得到每個(gè)詞wi的位置信息；

步驟4結(jié)合步驟2和3得到每個(gè)詞wi的語義信息(詞向量包含詞語的語義信息)與位置信息的組合表示xi＝{ai，di1，di2}；

步驟5對于一個(gè)長度為n的句子則可以表示為：表示連接操作符；從而構(gòu)成由詞向量和位置嵌入構(gòu)成的句子向量矩陣n*(k+2)，k為詞向量的維度，是固定值。

步驟6將步驟5得到的句子向量矩陣作為輸入送入卷積神經(jīng)網(wǎng)絡(luò)中；

步驟7是用一個(gè)濾波器進(jìn)行卷積操作，這個(gè)濾波器將與一個(gè)窗口大小為h詞向量矩陣產(chǎn)生一個(gè)特征圖譜；其中k為詞向量維度；濾波器就是h*(k+2)大小的二維矩陣，即其中，w表示濾波器，h*(k+2)表示濾波器的大小。

步驟8是對步驟7得到的特征圖譜使用一個(gè)max-overtime的池化操作，即，取特征圖譜中最大的一個(gè)特征的池化操作，實(shí)施例中取作為此濾波器下得到的特征；

步驟9使用多個(gè)濾波器(具有不同的窗口大小)來獲取多個(gè)不同的特征圖譜，并做池化操作得到相關(guān)特征；值得注意的是：窗口寬度是一樣的，高度不一樣，以使得采樣多樣化，增加模型的泛化能力；

步驟10是對于給定一個(gè)樣本x，即已經(jīng)標(biāo)注過實(shí)體的句子，輸入到卷積神經(jīng)網(wǎng)絡(luò)中，與訓(xùn)練參數(shù)θ運(yùn)算將輸出一個(gè)向量o，它的第i維oi表示該句子屬于第i類的一個(gè)概率評分，其中，訓(xùn)練參數(shù)θ是指卷積神經(jīng)網(wǎng)絡(luò)中的權(quán)重與偏置參數(shù)；

步驟11為了獲得條件概率p(i|x，θ),即在樣本x在參數(shù)θ條件下屬于第i個(gè)類別的概率，在關(guān)系類別之上做一個(gè)softmax操作：其中，x表示輸入樣本，θ表示整個(gè)網(wǎng)絡(luò)的參數(shù)包括每一層的權(quán)重與偏置，m表示總的關(guān)系類別數(shù)；

步驟12對于所有的訓(xùn)練樣本t:(xⁱ,yⁱ)，可以得到各訓(xùn)練參數(shù)θ的對數(shù)似然函數(shù)值：其中，t表示樣本總數(shù)也就是訓(xùn)練語料庫的大小，x表示輸入樣本，y表示輸入樣本x對應(yīng)的類標(biāo)；

步驟13是通過反向傳播算法來迭代更新θ：并最終得到關(guān)系分類模型；

步驟14為構(gòu)建關(guān)系分類模型的結(jié)束狀態(tài)。

結(jié)合圖5所示，對網(wǎng)頁進(jìn)行企業(yè)實(shí)體關(guān)系進(jìn)行抽取的流程如下：

步驟1為起始狀態(tài)；

步驟2是持久化網(wǎng)頁到本地；

步驟3是借助webcollector開源工具對網(wǎng)頁進(jìn)行正文提取，其中，webcollector開源工具具有識別準(zhǔn)確率高、速度快的特點(diǎn)；

步驟4是將網(wǎng)頁正文分句，主要以句號和分號作為分隔符；

步驟5是借助hanlp開源工具對句子進(jìn)行命名實(shí)體標(biāo)注，其中，hanlp開源工具識別準(zhǔn)確率更高，功能更完備；

步驟6是篩選出那些包含兩個(gè)或兩個(gè)以上企業(yè)實(shí)體的句子集合q；

步驟7將q中的句子逐個(gè)送入關(guān)系分類模型中；

步驟8得到該句子所包含的實(shí)體關(guān)系類型；

步驟9結(jié)束。

綜上所述，本發(fā)明就是通過卷積神經(jīng)網(wǎng)絡(luò)來構(gòu)建包含企業(yè)實(shí)體關(guān)系句子的分類模型，借助詞向量和位置嵌入來構(gòu)建帶有語義和位置信息的句子向量表示，作為卷積神經(jīng)網(wǎng)絡(luò)的輸入。這樣做不但避免過多依靠人工特征的方法，還可以最大限度地減少一些自然語言處理工具所帶來的誤差，從而提高分類模型的準(zhǔn)確性，具有良好的實(shí)用性。

雖然本發(fā)明已以較佳實(shí)施例揭露如上，然其并非用以限定本發(fā)明。本發(fā)明所屬技術(shù)領(lǐng)域中具有通常知識者，在不脫離本發(fā)明的精神和范圍內(nèi)，當(dāng)可作各種的更動與潤飾。因此，本發(fā)明的保護(hù)范圍當(dāng)視權(quán)利要求書所界定者為準(zhǔn)。