申请/专利权人：中国传媒大学

申请日：2023-05-08

公开（公告）日：2024-03-26

公开（公告）号：CN116521899B

主分类号：G06F16/36

分类号：G06F16/36;G06N3/04;G06N3/08;G06N5/04;G06F17/16

优先权：

专利状态码：有效-授权

法律状态：2024.03.26#授权;2023.08.18#实质审查的生效;2023.08.01#公开

摘要：本申请提出了一种基于改进的图神经网络的文档级关系抽取算法及系统，涉及机器学习、深度学习技术领域。该方法包括：通过预训练的BERT网络模型获取文档的上下层语义特征，进行文档全局语义提取。通过将改进的图神经网络与可学习的关联矩阵相结合构成图推理模块，通过深层次的图推理模块挖掘文档中的深层次语义信息，从而实现抽取文档中的实体与实体之间的关系类型，比传统的基于循环神经网络、卷积神经网络以及图神经网络在文档级的关系抽取任务中更能捕获文档的全局语义，并且获得更好的效果。

主权项：1.一种基于改进的图神经网络的文档级关系抽取方法，其特征在于，包括：通过预训练的BERT网络模型获取文档的上下层语义特征，进行文档全局语义提取；利用改进图神经网络与可学习的关联矩阵相结合进行关系推理，提取得到深层次的文档中每个实体的特征向量，其中包括：采用可学习的关联矩阵，通过学习训练的方式获得权重矩阵的各条边的权重矩阵；将改进图神经网络结合学习到的权重矩阵，组成图推理模块，用于挖掘文档中深层次的语义信息；改进图神经网络定义： 其中,符号δ表示sigmoid函数，符号ρ表示Relu函数，表示图神经网络输入的初始状态，hi表示经过BERT模块获得的每个单词所表示的特征向量，A表示可学习的关联矩阵，表示r门控可学习权重矩阵，表示Z门控可学习权重矩阵，wle表示z门控可学习权重矩阵，表示r门控可学习权重偏置，表示z门控可学习权重偏置，表示g门控可学习权重偏置，⊙表示点乘运算，表示r门控t时刻v节点隐状态向量表示，表示z门控t时刻v节点隐状态向量表示，表示g门控t时刻v节点隐状态向量表示，表示g门控t时刻v节点隐状态向量的逆矩阵表示，表示图神经网络u节点t-1时刻隐状态向量，表示g门控u节点t-1时刻隐状态向量；通过提取到的特征向量抽取文档中的实体和关系类型。

全文数据：

权利要求：

百度查询： 中国传媒大学 一种基于改进的图神经网络的文档级关系抽取方法及系统

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD