买专利,只认龙图腾
首页 专利交易 科技果 科技人才 科技服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

【发明公布】基于注意力循环门控图卷积网络的关系提取方法及系统_江南大学_202010850462.8 

申请/专利权人:江南大学

申请日:2020-08-21

公开(公告)日:2020-11-24

公开(公告)号:CN111985245A

主分类号:G06F40/30(20200101)

分类号:G06F40/30(20200101);G06N3/04(20060101);G06N3/08(20060101)

优先权:

专利状态码:在审-实质审查的生效

法律状态:2020.12.11#实质审查的生效;2020.11.24#公开

摘要:本发明涉及一种基于注意力循环门控图卷积网络的关系提取方法及系统,包括对语句进行语义依存分析,将单词嵌入与位置特征相连接,得到最终的单词嵌入表示;构建BLSTM网络层,提取单词上下文特征向量;对所述依赖树应用注意力机制,得到带有权重信息的全连通图的软邻接矩阵;将所述单词上下文特征向量和软邻接矩阵传入门控图卷积网络中,提取高阶语义依赖特征,得到语句的向量表示;将两个标记实体的向量表示抽取出来并与所述语句的向量表示拼接,传入所述门控图卷积网络的全连接层中,计算每个关系类型的概率以及预测关系类别,最终得到语句的关系类别。本发明避免了关键信息丢失,实现对关系提取性能的提升实现对关系提取性能的提升。

主权项:1.一种基于注意力循环门控图卷积网络的关系提取方法,其特征在于,包括如下步骤:步骤S1:对语句进行语义依存分析,为每个输入语句构建一个唯一的依赖树,使用预训练的词向量获得单词嵌入表示,将单词嵌入与位置特征相连接,得到最终的单词嵌入表示;步骤S2:构建BLSTM网络层,设置BLSTM网络结构的各项超参数数值,将所述最终的单词嵌入表示输入到所述BLSTM网络中,提取单词上下文特征向量;步骤S3:对所述依赖树应用注意力机制,将所述依赖树转化为全连通图,得到带有权重信息的全连通图的软邻接矩阵;步骤S4:将所述单词上下文特征向量和软邻接矩阵传入门控图卷积网络中,提取高阶语义依赖特征,得到语句的向量表示;步骤S5:将两个标记实体的向量表示抽取出来并与所述语句的向量表示拼接,传入所述门控图卷积网络的全连接层中,计算每个关系类型的概率以及预测关系类别,得到所有训练示例,通过所述门控图卷积网络不断训练得到最优的网络模型,最终得到语句的关系类别。

全文数据:

权利要求:

百度查询: 江南大学 基于注意力循环门控图卷积网络的关系提取方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。