文本中实体关系的抽取方法、装置、设备及存储介质与流程

1.本技术实施例涉及人工智能领域，特别涉及一种文本中实体关系的抽取方法、装置、设备及存储介质。


背景技术：

2.自然语言处理(nature language processing，nlp)是计算机科学领域与人工智能领域中的一个重要方向。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
3.在进行知识图谱构建时，需要对大量的文本进行结构化处理，将文本中的非结构化数据转化为结构化数据并召回。比如，当抽取文本中的实体关系时，召回的结构化数据为三元组，该三元组中包含主体(subject)、关系(relationship)以及客体(object)。
4.然而，由于文本中实体之间的关系复杂，因此在对文本进行实体关系抽取时，存在大量误召回结果，导致文本中实体关系抽取的准确性较差。


技术实现要素：

5.本技术实施例提供了一种文本中实体关系的抽取方法、装置、设备及存储介质，可以减少实体关系抽取时的误召回结果，提高文本中实体关系抽取的准确性。所述技术方案如下：
6.一方面，本技术实施例提供了一种文本中实体关系的抽取方法，所述方法包括：
7.对目标文本进行编码，得到所述目标文本中各个词对应的词向量；
8.基于各个词对应的所述词向量，确定所述目标文本对应的潜在实体关系，所述目标文本中存在所述潜在实体关系的概率高于存在所述潜在实体关系外其它候选实体关系的概率；
9.基于所述潜在实体关系以及各个词对应的所述词向量，确定所述目标文本中的目标主体和目标客体，所述目标主体和所述目标客体属于实体；
10.基于所述目标主体、所述潜在实体关系以及所述目标客体，从所述目标文本中抽取实体关系三元组。
11.另一方面，本技术实施例提供了一种文本中实体关系的抽取装置，所述装置包括：
12.编码模块，用于对目标文本进行编码，得到所述目标文本中各个词对应的词向量；
13.关系确定模块，用于基于各个词对应的所述词向量，确定所述目标文本对应的潜在实体关系，所述目标文本中存在所述潜在实体关系的概率高于存在所述潜在实体关系外其它候选实体关系的概率；
14.主客体确定模块，用于基于所述潜在实体关系以及各个词对应的所述词向量，确定所述目标文本中的目标主体和目标客体，所述目标主体和所述目标客体属于实体；
15.抽取模块，基于所述目标主体、所述潜在实体关系以及所述目标客体，从所述目标文本中抽取实体关系三元组。
16.另一方面，本技术实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上述方面所述的文本中实体关系的抽取方法。
17.另一方面，本技术实施例提供了一种计算机可读存储介质，所述可读存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如上述方面所述的文本中实体关系的抽取方法。
18.另一方面，本技术实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面提供的文本中实体关系的抽取方法。
19.在进行实体关系提取过程中，首先基于对目标文本编码得到的词向量，确定目标文本中高概率存在的潜在实体关系，过滤低概率存在的候选实体关系，然后基于确定出的潜在实体关系以及词向量，从目标文本中确定出目标主体和目标客体，最终从目标文本中抽取出包含目标主体、潜在实体关系以及目标客体的实体关系三元组；采用本技术实施例提供的方案，在进行主客体提取前，通过对候选实体关系进行筛选得到潜在实体关系，能够减少与目标文本无关的冗余实体关系造成的误召回结果，提高文本中实体关系提取的准确性，并有助于提高实体关系的提取效率。
附图说明
20.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
21.图1示出了本技术实施例提供的文本中实体关系的抽取方法的原理示意图；
22.图2示出了本技术一个示例性实施例提供的实施环境的示意图；
23.图3示出了本技术一个示例性实施例提供的文本中实体关系的抽取方法的流程图；
24.图4示出了本技术另一个示例性实施例提供的文本中实体关系的抽取方法的流程图；
25.图5是本技术一个示例性实施例示出的实体关系抽取过程的实施示意图；
26.图6是本技术一个示例性实施例示出的实体关系三元组生成过程的流程图；
27.图7是本技术另一个示例性实施例示出的实体关系抽取过程的实施示意图；
28.图8示出了本技术一个示例性实施例提供的实体关系抽取模型训练过程的流程图；
29.图9示出了本技术另一个示例性实施例提供的实体关系抽取模型训练过程的流程图；
30.图10是本技术一个示例性实施例提供的文本中实体关系的抽取装置的结构框图；
31.图11示出了本技术一个示例性实施例提供的计算机设备的结构示意图。
具体实施方式
32.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
33.为了方便理解，下面首先对本技术实施例中涉及的名词进行说明。
34.实体关系三元组：由主体、客体以及主客体关系构成的三元组。其中，主体和客体均为特定领域的实体。以医学领域为例，主体可以为医学症状，主客体关系可以为医学症状的性质、部位、时间等属性，客体则是主客体关系所指示属性对应的实体。在一个示意性的例子中，实体关系三元组为(皮炎，部位，腿部)，或者(皮炎，性质，中度)。本技术实施例提供的方法，即用于从特定领域的文本中，抽取出包含特定领域实体间关系的实体关系三元组。
35.序列标注(sequence tagging)：nlp中的基础任务，用于解决对字符进行分类的问题，如分词、词性标注、命名实体识别、关系抽取等等。本技术实施例中的序列标注即用于标注文本中的主体和客体，且在序列标注过程中采用bio(begin inside outside)标注，其中，b标签表示词位于实体开头，i标签表示词位于实体内部，o标签表示词不属于实体。
36.人工标注：指训练神经网络模型前，通过标注人员对训练数据集中的训练样本进行真实值(ground
‑
truth)标注的过程。人工标注得到的标注标签作为模型训练过程中对模型输出结果的监督，相应的，模型训练的过程即通过调整模型参数，使模型输出结果趋向于标注标签的过程。本技术实施例中涉及的人工标注过程包括对样本文本中的主体、客体、客体关系进行标注。
37.损失函数(loss function)：又被称为代价函数(cost function)，是一种用于评价神经网络模型的预测值与真实值之间差异程度的函数，损失函数越小，表明神经网络模型的性能越好，模型的训练过程即通过调整模型参数，最小化损失函数的过程。对于不同的神经网络模型，所采用的损失函数也不同，常见的损失函数包括0
‑
1损失函数、绝对值损失函数、对数损失函数、指数损失函数、感知损失函数、交叉熵损失函数等等。
38.自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。本技术实施例提供的文本中实体关系的抽取方法即在知识图谱领域的应用。
39.知识图谱是一种基于图的数据结构，由节点和边组成，每一个节点表示一个实体，而节点之间的边则表示实体与实体之间的关系，因此为了实现特定领域的知识图谱构建，首先需要从特定领域的海量文本数据中抽取出实体之间的关系。相关技术中，为了提高实体关系的抽取效率，通过采用神经网络模型进行实体关系抽取。由于实体间的关系复杂多样，因此在进行实体关系抽取时，需要对各种实体关系进行逐一判别。然而在实际应用中发现，对于一条文本而言，该文本中实体之间的实体关系仅占实体关系总量的极小部分，而其他冗余的实体关系不仅会对实体关系提取的准确性造成影响，还会影响实体关系的提取效率。
40.本技术实施例提供了一种文本中实体关系的抽取方法，通过从候选实体关系中筛选出文本中高概率存在的潜在实体关系，降低冗余实体关系对实体关系提取造成的影响，
在提高实体关系提取准确率的同时，提高实体关系的提取效率。图1示出了本技术实施例提供的文本中实体关系的抽取方法的原理示意图。
41.如图1所示，计算机设备首先对文本11进行编码，得到文本11中n个词各自对应的词向量12，从而基于词向量12从m种候选实体关系13中，筛选出潜在实体关系14，其中，文本11中存在潜在实体关系14的概率高于存在其它候选实体关系的概率。进一步的，计算机设备基于潜在实体关系14以及词向量12，确定文本11中包含主体15以及客体16，进而基于主体15、客体16以及潜在实体关系14生成实体关系三元组17，完成对文本11的实体关系抽取。由于在确定主体和客体前筛选出了潜在实体关系，因此在确定主体客体时，无需逐一遍历各种候选实体关系，降低了确定主客体过程的计算量；同时，最终抽取得到的实体关系三元组中仅包含潜在实体关系，避免冗余实体关系造成的误召回，提高了实体关系抽取的准确性。
42.本技术实施例提供的文本中实体关系的抽取方法，可用于特定领域知识图谱的构建过程。以医学领域知识图谱的构建过程为例，开发人员首先对部分医学领域的文本语料进行人工标注，从而利用人工标注的文本语料训练实体关系抽取模型，该实体关系抽取模型即用于基于输入文本输出实体关系三元组。训练完成的实体关系抽取模型部署在计算机设备上后，计算机设备将医学领域文本语料库中的未标注文本语料输入实体关系抽取模型，得到实体关系抽取模型输出的实体关系三元组。基于抽取得到的海量实体关系三元组，计算机设备即可进一步构建医学领域知识图谱。
43.进一步的，构建得到的医学领域知识图谱可以用于各类下游业务中。比如，可以基于医学领域知识图谱设计医学领域的自动问答系统，利用自动问答系统对用户的医学提问进行自动回复；或者，利用医学领域知识图谱作为自然语言理解中实体与实体关系的背景信息，提高自然语言理解的准确性；或者，将医学领域知识图谱作为辅助信息集成到推荐系统中，以提高推荐结果的准确性。
44.当然，本技术实施例提供的文本中实体关系的抽取方法，还可以应用于其他领域知识图谱的构建过程，比如客服领域、金融领域等等，本技术实施例仅以医学领域为例进行示意性说明，但并不对此构成限定。
45.图2示出了本技术一个示例性实施例提供的实施环境的示意图。该实施环境中包括终端210和服务器220。其中，终端210与服务器220之间通过通信网络进行数据通信，可选地，通信网络可以是有线网络也可以是无线网络，且该通信网络可以是局域网、城域网以及广域网中的至少一种。
46.终端210是用于提供文本语料的电子设备，该电子设备可以是智能手机、平板电脑或个人计算机等等，本实施例并此不作限定。图2中，以终端210为医护人员使用的计算机为例进行说明。
47.终端210获取到文本语料后，将文本语料发送至服务器220，由服务器220从文本语料中提取用于构建知识图谱的实体关系。如图2所示，医护人员通过终端210录入对患者的症状描述后，终端210将症状描述作为医学领域的文本语料发送至服务器220。
48.服务器220可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、
以及大数据和人工智能平台等基础云计算服务的云服务器。
49.本实施例中，服务器220中设置有实体关系提取模型，用于从特定领域文本中提取出包含实体以及实体关系的实体关系三元组。可选的，该实体关系提取模型预先根据人工标注的文本训练得到。此外，服务器220还用于基于抽取到的实体关系三元组构建特定领域的知识图谱。在一种可能的实施方式中，文本语料以及从文本语料中抽取到的实体关系三元组可以保存在区块链上。
50.示意性的，如图2所示，服务器220接收到终端210发送的文本语料后，将文本语料中的医学文本221输入实体关系提取模型222，得到实体关系提取模型222抽取到的实体关系三元组223。当实体关系三元组223的数据量满足知识图谱构建(或更新)要求时，服务器220基于实体关系三元组223构建(或更新)医学领域知识图谱224。
51.当然，服务器220除了从终端210处获取文本语料外，还可以从网络中抓取文本语料，或者，从语料库中获取文本语料，本实施例对此不作限定。
52.在其他可能的实施方式中，实体关系提取模型222也可以部署在终端侧，由终端从文本中提取出实体关系三元组，并将实体关系三元组上报至服务器(避免服务器直接获取原始文本语料)，以便服务器进行知识图谱构建。本实施例对此不作限定。为了方便表述，下述各个实施例以文本中实体关系的抽取方法由计算机设备执行为例进行说明。
53.图3示出了本技术一个示例性实施例提供的文本中实体关系的抽取方法的流程图。本实施例以该方法用于计算机设备为例进行说明，该方法包括如下步骤。
54.步骤301，对目标文本进行编码，得到目标文本中各个词对应的词向量。
55.目标文本为特定领域的文本语料，该目标文本由若干词(token)构成，对目标文本进行编码(encode)时，即以词为单位进行编码，得到各个词对应的词向量。其中，当目标文本为英文时，对目标文本编码得到各个英文单词对应的词向量；当目标文本为中文时，对目标文本编码得到各个中文汉字对应的词向量。为了方便表述，本技术实施例以目标文本为中文为例进行说明。
56.关于文本编码的方式，在一种可能的实施方式中，计算机设备将目标文本输入预训练的bert(bidirectional encoder representations from transformers)模型，由bert模型对目标文本进行编码，输出各个词对应的词向量。在其他可能的实施方式中，计算机设备还可以采用word2vec、glove、roberta等编码器对目标文本进行编码，本技术实施例并不对具体编码方式进行限定。
57.示意性的，当输入的目标文本表示为s＝{x1,x2,
…
,x
n
}时(n为目标文本的长度，即包含词的个数)，经过编码后，各个词对应的词向量可以表征为其中，各个词向量的维度均为d维。
58.步骤302，基于各个词对应的词向量，确定目标文本对应的潜在实体关系，目标文本中存在潜在实体关系的概率高于存在潜在实体关系外其它候选实体关系的概率。
59.可选的，在进行实体关系提取前，开发人员首先设置特定领域中实体之间的候选实体关系。虽然候选实体关系的类型多样，但是单一文本中存在的实体关系仅占候选实体关系总量的极小部分(通常单一文本中存在的实体关系在5个以下)。因此为了避免无效冗余实体关系对实体关系抽取速度以及准确性造成影响，本实施例中，计算机设备首先从候选实体关系中筛选出至少一种潜在实体关系，该潜在实体关系为目标文本中高概率存在的
实体关系。
60.其中，不同文本对应的潜在实体关系的数量可能不同，且潜在实体关系的类型可能不同。
61.在一个示意性的例子中，当特定领域中实体之间的候选实体关系共100种时，计算机设备基于词向量，将100种候选实体关系中的2种候选实体关系确定为目标文本对应的潜在实体关系。
62.步骤303，基于潜在实体关系以及各个词对应的词向量，确定目标文本中的目标主体和目标客体，目标主体和目标客体属于实体。
63.由于已经筛选出高概率存在的潜在实体关系，因此只需要基于潜在实体关系确定目标文本中的主客体，无需基于其它低概率存在的候选实体关系，一方面能够降低确定主客体时的计算量，另一方面能够避免因低概率候选实体关系造成的误召回。比如，当候选实体关系共100种，而目标文本对应的潜在实体关系仅为2种时，计算机设备仅需要基于2种潜在实体关系确定主客体，无需基于其他98种候选实体关系。
64.在一种可能的实施方式中，计算机设备对潜在实体关系和各个词对应的词向量进行组合，得到赋予特定实体关系的词向量，从而基于赋予特定实体关系的词向量确定目标主体和目标客体。其中，目标主体和目标客体均为特定领域的实体，且目标主体是具有潜在实体关系的主体，而目标客体是具有潜在实体关系的客体。
65.在一种可能的实施方式中，当目标文本为医学领域文本时，目标主体和目标客体为医学文本实体，目标主体与目标客体之间的实体关系包括部位、时间和性质中的至少一种。
66.比如，当目标主体为症状时，目标客体可以包括症状出现的部位、症状的性质(严重程度)、症状的持续时间等等。
67.步骤304，基于目标主体、潜在实体关系以及目标客体，从目标文本中抽取实体关系三元组。
68.确定出目标主体、目标客体和潜在实体关系后，计算机设备对三者进行组合，生成实体关系三元组，其中，实体关系三元组中的目标主体和目标客体具有潜在实体关系。
69.在一种可能的实施方式中，计算机设备可以采用启发式的最近邻方法将主客体组合，即按时序将目标文本中距离最近的目标主客体和潜在实体关系组合，得到实体关系三元组。
70.在另一种可能的实施方式中，计算机设备确定目标主客体之间组合时的置信度，从而基于该置信度组合得到实体关系三元组，提高实体关系三元组中主客体之间实体关系的准确性。
71.在一个示意性的例子中，目标文本为“患者两天前出现阵发性腹痛，为右下腹，呈隐痛状”，计算机设备确定目标文本对应的潜在实体关系包括“性质”和“部位”，且确定出的目标主体包括腹痛，目标客体包括阵发性和右下部，抽取到的实体关系三元组包括：(腹痛，性质，阵发性)，(腹痛，部位，右下腹)。
72.综上所述，本技术实施例中，在进行实体关系提取过程中，首先基于对目标文本编码得到的词向量，确定目标文本中高概率存在的潜在实体关系，过滤低概率存在的候选实体关系，然后基于确定出的潜在实体关系以及词向量，从目标文本中确定出目标主体和目
标客体，最终从目标文本中抽取出包含目标主体、潜在实体关系以及目标客体的实体关系三元组；采用本技术实施例提供的方案，在进行主客体提取前，通过对候选实体关系进行筛选得到潜在实体关系，能够减少与目标文本无关的冗余实体关系造成的误召回结果，提高文本中实体关系提取的准确性，并有助于提高实体关系的提取效率。
73.在一种可能的实施方式中，计算机设备通过预先训练的实体关系抽取模型进行实体关系三元组抽取，该实体关系抽取模型由编码层、潜在关系判断层以及关系特定的序列标注层构成。其中，编码层用于对输入文本进行编码得到词向量，潜在关系判断层用于基于词向量确定文本中存在的潜在实体关系，关系特定的序列标注层用于将潜在实体关系与词向量进行融合，从而基于具有潜在实体关系的词向量进行序列标注，确定出目标主客体。下面采用示例性的实施例进行说明。
74.图4示出了本技术另一个示例性实施例提供的文本中实体关系的抽取方法的流程图。本实施例以该方法用于计算机设备为例进行说明，该方法包括如下步骤。
75.步骤401，对目标文本进行编码，得到目标文本中各个词对应的词向量。
76.本步骤的实施方式可以参考上述步骤301，本实施例在此不再赘述。
77.示意性的，如图5所示，目标文本51输入编码层52后，得到各个词对应的词向量53(h)。
78.步骤402，基于各个词对应的词向量，确定目标文本对应的文本向量。
79.本技术实施例中，文本中潜在实体关系的确定过程被建模为基于文本全局表征的多标签二分类问题，因此计算机设备基于各个词对应的词向量，得到目标文本的全局表征，即文本向量。
80.在一种可能的实施方式中，计算机设备对各个词对应的词向量进行平均池化处理，得到目标文本对应的文本向量，该文本向量与词向量具有相同维度，从而实现对编码层输出的降维。示意性的，基于词向量确定文本向量的过程可以采用如下公式表示：
[0081][0082]
其中，avgpool为平均池化方法，即在每个维度上对各个词的词向量进行平均，h为目标文本中各个词的词向量。
[0083]
当然，除了通过对词向量进行平均池化外，计算机设备还可以通过其他方式得到目标文本的全局表征，本实施例并不对此进行限定。
[0084]
步骤403，通过全连接层对文本向量进行分类，得到各种候选实体关系对应的存在概率，存在概率指目标文本中存在候选实体关系的概率。
[0085]
在一种可能的实施方式中，采用全连接层(fully connected，fc)实现成为实体关系抽取模型中的潜在关系判断层。相应的，确定目标文本中潜在实体关系的过程，即为利用全连接层对文本向量进行多标签二分类。
[0086]
可选的，计算机设备将文本向量输入全连接层，由全连接层对文本向量进行卷积处理(比如利用1
×
1的卷积核)，得到各种候选实体关系各自对应的存在概率。其中，候选实体关系对应的存在概率越高，表明目标文本中的实体越有可能存在该候选实体关系。其中，各种候选实体关系对应的存在概率可以表示为：
[0087]
p
rel
＝σ(w
r
h
avg
b
r
)
[0088]
其中，h
avg
为文本向量，为可训练权重(即全连接层的权重)，σ为sigmoid函数，b
r
为偏置项。
[0089]
示意性的，如图5所示，计算机设备将文本向量(对词向量53进行平均池化得到)输入潜在关系判断层54，得到各种候选实体对应关系对应的存在概率541。
[0090]
步骤404，基于存在概率从候选实体关系中确定潜在实体关系。
[0091]
在一种可能的实施方式中，若候选实体关系对应的存在概率高于概率阈值，计算机设备则将该候选实体关系确定为目标文本对应的潜在实体关系，若候选实体关系对应的存在概率低于概率阈值，计算机设备则过滤该候选实体关系。
[0092]
示意性的，如图5所示，计算机设备基于各种候选实体对应关系对应的存在概率541，将“性质”和“部位”确定为潜在实体关系。
[0093]
步骤405，对词向量和潜在实体关系对应的关系向量进行融合，得到具有潜在实体关系的词向量。
[0094]
在一种可能的实施方式，计算机设备获取各个潜在实体关系对应的关系向量，从而将该关系向量与各个词向量进行融合，得到具有潜在实体关系的词向量。其中，潜在实体关系对应的关系向量与词向量具有相同维度。
[0095]
示意性的，具有潜在实体关系的词向量可以表示为h
i
u
j
，其中，h
i
为目标文本中的第i个词的词向量，u
j
为第j个潜在实体关系，且h
i
，
[0096]
步骤406，基于具有潜在实体关系的词向量进行序列标注，确定目标文本中的目标主体和目标客体。
[0097]
本技术实施例中，从文本中抽取主客体的过程被建模为序列标注任务，在进行序列标注时，计算机设备使用bio标签模式，为文本中各个词赋予表征实体位置以及类别的标签，其中，该实体位置用于表征词在实体中所处的位置，类别则用于表征主体和客体。
[0098]
在一种可能的实施方式中，计算机设备基于具有潜在实体关系的词向量，通过关系特定的序列标注层进行序列标注，得到目标文本中的目标主体和目标客体。其中，该关系特定的序列标注层可以使用循环神经网络(rnn，recurrent neural network)或长短期记忆(long short
‑
term memory，lstm)网络实现序列标注，本技术实施例并不对序列标注时采用的具体网络结构进行限定。
[0099]
为了保证主客体抽取的准确性，本技术实施例中，主体和客体的序列标注分开执行，在一种可能的实施方式中，本步骤可以包括如下子步骤。
[0100]
一、基于具有潜在实体关系的词向量进行主体序列标注，得到主体标注结果，主体标注结果用于表征具有潜在实体关系的词向量的第一实体位置，第一实体位置包括主体开头、主体内部或主体外部。
[0101]
可选的，计算机设备通过关系特定的序列标注层对具有潜在实体关系的词向量进行主体序列标注，得到指示目标文本中各个词对应第一实体位置的主体标注结果。其中，主体注结果包括：b
‑
obj(表示词属于主体，且位于主体开头)、i
‑
obj(表示词属于主体，且位于主体内部)和o(表示词位于主体外部)。
[0102]
其中，主体序列标注过程可以表示为：
[0103]
[0104]
其中，为可训练权重，b
sub
为偏置项，h
i
为目标文本中的第i个词的词向量，u
j
为第j个潜在实体关系，且h
i
，
[0105]
示意性的，如图5所示，计算机设备将编码层52输出的词向量h以及潜在关系判断层54输出的潜在实体关系r输入关系特定的序列标注层55。关系特定的序列标注层55对词向量h以及实体关系r对应的关系向量进行拼接，并对拼接向量进行主体标注，得到主体标注结果，其中，“腹”对应的主体标注结果为“b
‑
sub”，“痛”对应的主体标注结果为“i
‑
sub”，而其余词对应的主体标注结果均为“o”。
[0106]
二、基于具有潜在实体关系的词向量进行客体序列标注，得到客体标注结果，客体标注结果用于表征具有潜在实体关系的词向量的第二实体位置，第二实体位置包括客体开头、客体内部或客体外部。
[0107]
可选的，计算机设备通过关系特定的序列标注层对具有潜在实体关系的词向量进行客体序列标注，得到指示目标文本中各个词对应第二实体位置的客体标注结果。其中，客体注结果包括：b
‑
sub(表示词属于客体，且位于客体开头)、i
‑
sub(表示词属于客体，且位于客体内部)、o(表示词位于客体外部)。
[0108]
其中，客体序列标注过程可以表示为：
[0109][0110]
其中，为可训练权重，b
obj
为偏置项，h
i
为目标文本中的第i个词的词向量，u
j
为第j个潜在实体关系，且h
i
，
[0111]
示意性的，如图5所示，关系特定的序列标注层55对词向量h以及实体关系r对应的关系向量进行拼接，并对拼接向量进行客体标注，得到客体标注结果，其中，“阵”、“发”、“性”对应的主体标注结果依次为“b
‑
obj”、“i
‑
obj”、“i
‑
obj”，“右”、“下”、“腹”对应的主体标注结果依次为“b
‑
obj”、“i
‑
obj”、“i
‑
obj”，而其余词对应的客体标注结果均为“o”。
[0112]
三、基于主体标注结果和客体标注结果，确定目标文本中的目标主体和目标客体。
[0113]
完成主客体序列标注后，计算机设备基于目标文本中各个词对应的主体标注结果和客体标注结果，确定目标主体和目标客体。在一种可能的实施方式中，计算机将主体标注结果为主体开头对应的词，以及连续的主体内部对应的词确定为目标主体；将客体标注结果为客体开头对应的词，以及连续的客体内部对应的词确定为目标客体。
[0114]
示意性的，如图5所示，计算机设备基于“b
‑
sub”以及“i
‑
sub”对应的词，确定目标主体为“腹痛”；基于“b
‑
obj”以及“i
‑
obj”对应的词，确定目标客体为“阵发性”和“右下腹”。
[0115]
步骤407，基于目标主体、潜在实体关系以及目标客体，从目标文本中抽取实体关系三元组。
[0116]
示意性的，如图5所示，计算机设备基于确定出的目标主体、目标客体以及潜在实体关系，生成实体关系三元组56。
[0117]
本实施例中，计算机设备通过对目标文本中各个词的词向量进行平均池化处理，得到目标文本对应的文本向量，从而基于文本向量从候选实体关系中筛选出潜在实体关系，提高后续进行主客体提取的效率，并避免冗余实体关系对主客体提取的准确性造成影
响。
[0118]
此外，本实施例中，通过对词向量与潜在实体关系对应的关系向量进行融合，得到若干关系特定的文本表征，并对文本表征分别进行主体序列标注和客体序列标注，有助于提高主客体标注的准确性，进而提高生成的实体关系三元组的准确性。
[0119]
在一个示意性的例子中，如图表一所示，采用相关技术方案对文本进行实体关系抽取时，由于并未进行潜在实体关系筛选，导致最终抽取出包含“性质”这一错误实体关系的实体关系三元组。而采用本技术实施例提供方案进行实体关系抽取时，由于在潜在实体关系筛选阶段即可过滤实体关系“性质”，因此最终抽取出的实体关系三元组中不包含实体关系“性质”，提高了实体关系抽取的准确性。
[0120]
表一
[0121][0122]
由于启发式最近邻方法是一种理想化方法，而真实场景中文本的语序存在多样性，因此采用启发式最近邻方法生成实体关系三元组时存在较大误差。为了进一步提高实体关系提取的准确性，在一种可能的实施方式中，实体关系抽取模型中还包括主客体对齐层，该主客体对齐层用于对关系特定的序列标注层输出的主客体进行对齐，并结合潜在实体关系输出实体关系三元组。可选的，如图6所示，上述步骤407可以包括如下步骤：
[0123]
步骤407a，对具有相同潜在实体关系的目标主体和目标客体进行组合，得到至少一个主客体对。
[0124]
在一种可能的实施方式中，计算机设备对同一潜在实体关系下提取到的目标主体和目标客体(即具有相同潜在实体关系)进行组合，得到主客体对。在一个示意性的例子中，当具有相同潜在实体关系的目标主体包括主体a和主体b，且目标客体包括客体a和客体b时，得到的主客体对包括：(主体a，客体a)、(主体a，客体b)、(主体b，客体a)、(主体b，客体b)。
[0125]
步骤407b，确定各个主客体对的置信度。
[0126]
在一种可能的实施方式中，在训练阶段，计算机设备预先学习得到全局对应关系矩阵，在确定主客体对的置信度时，计算机设备将全局对应关系矩阵中，主客体对中目标主体和目标客体之间的置信度确定为主客体对的置信度，该全局对应关系矩阵是由不同实体间置信度构成的矩阵，即全局对应关系矩阵中不同位置对应不同实体间的置信度，其中，置信度越高，表明实体间存在实体关系的概率越高。
[0127]
示意性的，全局对应关系矩阵中各个位置对应的置信度通过如下公式计算得到：
[0128][0129]
其中，分别为第i个词的主体向量表征和第j个词的客体向量
表征，为可训练权重，σ为sigmoid函数，b
g
为偏置项。
[0130]
需要说明的时，全局对应关系矩阵在构造关系特定的词向量前学习得到，即独立于实体关系，仅关注实体本身。
[0131]
示意性的，在图5的基础上，如图7所示，计算机设备确定目标主体“腹痛”在全局对应关系矩阵571中的位置，以及目标客体“阵发性”和“右下腹”在全局对应关系矩阵571中的位置，从而确定主客体对(腹痛，阵发性)的置信度，以及主客体对(腹痛，右下腹)的置信度。
[0132]
可选的，计算机设备检测主客体对的置信度是否高于置信度阈值，若高于，则执行步骤407c，基于主客体对和潜在实体关系生成实体关系三元组；若主客体对的置信度低于置信度阈值，计算机设备则过滤主客体对。
[0133]
步骤407c，若主客体对的置信度高于置信度阈值，基于主客体对中的目标主体、目标客体以及潜在实体关系生成实体关系三元组。
[0134]
示意性的，如图7所示，主客体对(腹痛，阵发性)和主客体对(腹痛，右下腹)的置信度均高于置信度阈值，因此计算机设备保留主客体对，并基于主客体对以及潜在实体关系“性质”和“部位”，生成实体关系三元组56。
[0135]
本实施例中，计算机设备利用预先学习得到的全局对应关系矩阵，确定主客体对的置信度，从而基于该置信度过滤不合理主客体对，实现主客体对齐，有助于提高最终提取到的实体关系三元组的准确性。
[0136]
在一个示意性的例子中，如图表二所示，采用相关技术方案对文本进行实体关系抽取时，由于启发式最近邻方法缺乏约束性，因此存在大量主客体对齐错误(将邻近的皮疹和腿部错误对齐)。而采用本技术实施例提供方案进行实体关系抽取时，基于主客体对的置信度对主客体对齐进行约束，过滤错误对齐方式的主客体对，提高了抽取结果的准确性。
[0137]
表二
[0138][0139]
在真实病例数据上，采用相关技术和本技术实施例提供的方案进行实体关系抽取，以三元组匹配的f1
‑
score(当主客体以及主客体之间的实体关系均正确时认为三元组正确)作为评测指标，得到的评测结果如表三所示。
[0140]
表三
[0141] 准确率召回率f1
‑
score相关技术方案80.0％88.2％83.9％本技术实施例提供方案91.8％89.5％90.6％
[0142]
以三元组中实体关系的f1
‑
score(忽略主客体的准确性)作为评测指标，得到的评测结果如表四所示。
[0143]
表四
[0144] 准确率召回率f1
‑
score相关技术方案83.0％93.1％87.7％本技术实施例提供方案92.8％96.2％94.5％
[0145]
以三元组中主客体的f1
‑
score(忽略客体关系的准确性)作为评测指标，得到的评测结果如表五所示。
[0146]
表五
[0147] 准确率召回率f1
‑
score相关技术方案83.0％91.8％87.1％本技术实施例提供方案94.0％92.3％93.1％
[0148]
可见，相较于相关技术方案，本技术实施例提供的方案通过潜在关系判断以及主客体对齐，显著提高了实体关系的提取性能，尤其是在准确率方面大幅领先相关技术方案。
[0149]
上述实施例对实体关系的抽取过程进行了说明。在实现实体关系抽取前，开发人员首先需要利用样本文本完成实体关系抽取模型训练，下面采用示例性的实施例对实体关系抽取模型的训练过程进行说明。
[0150]
图8示出了本技术一个示例性实施例提供的实体关系抽取模型训练过程的流程图。本实施例以该方法用于计算机设备为例进行说明，该方法包括如下步骤。
[0151]
步骤801，对样本文本进行编码，得到样本文本中各个词对应的样本词向量。
[0152]
可选的，计算机设备将样本文本输入实体关系抽取模型的编码层，得到样本文本中各个词对应的样本词向量。其中，编码层对样本文本进行编码的过程可以参考上述实施例，本实施例在此不再赘述。
[0153]
步骤802，基于各个词对应的样本词向量，确定样本文本对应的样本潜在实体关系。
[0154]
与应用过程类似的，可选的，计算机设备将各个词对应的样本词向量输入实体关系抽取模型的潜在关系判断层，得到样本文本对应的样本潜在实体关系。其中，潜在关系判断层基于样本词向量确定样本潜在实体关系的过程可以参考上述实施例，本实施例在此不再赘述。
[0155]
步骤803，基于样本潜在实体关系以及各个词对应的样本词向量，确定样本文本中的样本主体和样本客体。
[0156]
与应用过程类似的，可选的，计算机设备将样本潜在实体关系以及各个词对应的样本词向量，输入实体关系抽取模型的关系特定的序列标注层，得到样本文本中的样本主体和样本客体。其中，关系特定的序列标注层进行主客体标注的过程可以参考上述实施例，本实施例在此不再赘述。
[0157]
步骤804，基于样本文本对应的实体关系标签和样本潜在实体关系，确定潜在关系判断损失。
[0158]
为了确定潜在关系判断层的判断损失，计算机设备以样本文本对应的实体关系标签为监督，将实体关系标签与样本潜在实体关系之间的差异确定为潜在关系判断损失。其中，该实体关系标签用于表示样本文本中包含的实体关系。
[0159]
在一种可能的实施方式中，计算机设备将实体关系标签与样本潜在实体关系之间的多标签二分类交叉熵损失确定为潜在关系判断损失。该潜在关系判断损失可以表示为：
[0160][0161]
其中，n
r
为候选实体关系的数量，y
i
为样本文本对应的实体关系标签，p
rel
为样本文本中潜在实体关系的存在概率。
[0162]
步骤805，基于样本主体、样本客体以及样本文本中各个词对应的词标签，确定主客体判断损失。
[0163]
为了确定关系特定的主客体标注层的判断损失，计算机设备以样本文本中各个词对应的词标签为监督，将实体关系标签与样本潜在实体关系之间的差异确定为潜在关系判断损失。其中，该词标签为人工标注的bio标签，该实体关系标签包括如下至少一种：b
‑
sub标签、i
‑
sub标签、b
‑
obj标签、i
‑
obj标签和o标签。
[0164]
在一种可能的实施方式中，计算机设备将多分类交叉熵损失确定为主客体判断损失。该主客体判断损失可以表示为：
[0165][0166]
其中，为潜在实体关系的数量，n为样本文本的长度，为实体关系标签，为第j潜在实体关系下第i词向量属于主体或客体的概率。
[0167]
步骤806，基于潜在关系判断损失和主客体判断损失训练实体关系抽取模型，实体关系抽取模型用于基于输入的文本输出实体关系三元组。
[0168]
在一种可能的实施方式中，计算机设备采用联合训练策略，共同优化潜在关系判断层以及关系特定的序列标注层损失的梯度下降最优解，即利用潜在关系判断损失和主客体判断损失的总损失训练实体关系抽取模型。该实体关系抽取模型的总损失可以表示为：
[0169][0170]
其中，α和β为损失权重。
[0171]
综上所述，本技术实施例中，基于潜在关系判断层的潜在关系判断损失，以及关系特定的主客体标注层的主客体判断损失训练实体关系抽取模型，使得实体关系抽取模型能够在训练过程中学习如何筛选潜在实体关系以及如何进行主客体标注；后续利用训练得到的实体关系抽取模型进行实体关系抽取时，能够通过筛选潜在实体关系，减少冗余实体关系造成的误召回结果，提高文本中实体关系提取的准确性，进而提高实体关系的提取效率。
[0172]
在另一种可能的实施方式中，当实体关系抽取模型中包含主客体对齐层时，在图8的基础上，如图9所示，步骤803之后还可以包括步骤807至809，步骤806可以被替换为步骤8061。
[0173]
步骤807，将样本主体和样本客体组合为样本主客体对。
[0174]
与应用过程类似的，计算机设备对提取到的样本主体和样本客体(具有相同的样本潜在实体关系)进行组合，得到样本主客体对。
[0175]
步骤808，确定样本主客体对的样本置信度。
[0176]
在一种可能的实施方式中，计算机设备根据样本主体对应主体向量表征以及样本客体对应客体向量表征，确定样本主客体对的样本置信度。其中，计算样本置信度的方式可以参考步骤407b，本实施例在此不再赘述。
[0177]
步骤809，基于样本文本对应的置信度标签以及样本置信度，确定全局对应关系损失。
[0178]
为了确定主客体对齐层的判断损失，计算机设备以样本文本中主客体对的置信度标签(即人工标注的主客体对)为监督，将样本置信度与置信度标签之间的差异确定为全局对应关系损失。在一种可能的实施方式中，计算机设备将置信度标签与样本置信度之间的多标签二分类交叉熵损失确定为全局对应关系损失。该全局对应关系损失可以表示为：
[0179][0180]
其中，n为样本文本的长度，y
i,j
为主客体对(第i个词，第j个词)的置信度标签，为(第i个词，第j个词)的样本置信度。
[0181]
步骤8061，基于潜在关系判断损失、主客体判断损失以及全局对应关系损失训练实体关系抽取模型。
[0182]
在一种可能的实施方式中，计算机设备采用联合训练策略，共同优化潜在关系判断层、关系特定的序列标注层、主客体对齐层损失的梯度下降最优解，即利用潜在关系判断损失、主客体判断损失和全局对应关系的总损失训练实体关系抽取模型。可选的，潜在关系判断损失、主客体判断损失以及全局对应关系损失对应的损失权重相同。该实体关系抽取模型的总损失可以表示为：
[0183][0184]
其中，α、β、γ为损失权重。
[0185]
本实施例中，将全局对应关系损失作为实体关系抽取模型对应总损失的一部分，使训练过程中能够学习得到全局对应关系矩阵，从而在后续利用全局对应关系矩阵过滤不合理主客体对，实现主客体对齐，有助于提高实体关系抽取模型的实体关系抽取准确性。
[0186]
图10是本技术一个示例性实施例提供的文本中实体关系的抽取装置的结构框图，该装置包括：
[0187]
编码模块1001，用于对目标文本进行编码，得到所述目标文本中各个词对应的词向量；
[0188]
关系确定模块1002，用于基于各个词对应的所述词向量，确定所述目标文本对应的潜在实体关系，所述目标文本中存在所述潜在实体关系的概率高于存在所述潜在实体关系外其它候选实体关系的概率；
[0189]
主客体确定模块1003，用于基于所述潜在实体关系以及各个词对应的所述词向量，确定所述目标文本中的目标主体和目标客体，所述目标主体和所述目标客体属于实体；
[0190]
抽取模块1004，基于所述目标主体、所述潜在实体关系以及所述目标客体，从所述
目标文本中抽取实体关系三元组。
[0191]
可选的，关系确定模块1002，包括：
[0192]
文本向量确定单元，用于基于各个词对应的所述词向量，确定所述目标文本对应的文本向量；
[0193]
分类单元，用于通过全连接层对所述文本向量进行分类，得到各种候选实体关系对应的存在概率，所述存在概率指所述目标文本中存在所述候选实体关系的概率；
[0194]
关系确定单元，用于基于所述存在概率从所述候选实体关系中确定所述潜在实体关系。
[0195]
可选的，所述文本向量确定单元，用于：
[0196]
对各个词对应的所述词向量进行平均池化处理，得到所述目标文本对应的所述文本向量，所述文本向量与所述词向量具有相同维度。
[0197]
可选的，所述主客体确定模块1003，包括：
[0198]
融合单元，用于对所述词向量和所述潜在实体关系对应的关系向量进行融合，得到具有潜在实体关系的词向量；
[0199]
标注单元，用于基于所述具有潜在实体关系的词向量进行序列标注，确定所述目标文本中的所述目标主体和所述目标客体。
[0200]
可选的，所述标注单元，用于：
[0201]
基于所述具有潜在实体关系的词向量进行主体序列标注，得到主体标注结果，所述主体标注结果用于表征所述具有潜在实体关系的词向量的第一实体位置，所述第一实体位置包括主体开头、主体内部或主体外部；
[0202]
基于所述具有潜在实体关系的词向量进行客体序列标注，得到客体标注结果，所述客体标注结果用于表征所述具有潜在实体关系的词向量的第二实体位置，所述第二实体位置包括客体开头、客体内部或客体外部；
[0203]
基于所述主体标注结果和所述客体标注结果，确定所述目标文本中的所述目标主体和所述目标客体。
[0204]
可选的，所述抽取模块1004，包括：
[0205]
组合单元，用于对具有相同潜在实体关系的所述目标主体和所述目标客体进行组合，得到至少一个主客体对；
[0206]
置信度确定单元，用于确定各个所述主客体对的置信度；
[0207]
生成单元，用于若所述主客体对的置信度高于置信度阈值，基于所述主客体对中的所述目标主体、所述目标客体以及所述潜在实体关系生成所述实体关系三元组。
[0208]
可选的，所述置信度确定单元，用于：
[0209]
将全局对应关系矩阵中，所述主客体对中所述目标主体和所述目标客体之间的置信度确定为所述主客体对的置信度，所述全局对应关系矩阵是由不同实体间置信度构成的矩阵。
[0210]
可选的，所述装置还包括：
[0211]
过滤模块，用于若所述主客体对的置信度低于所述置信度阈值，过滤所述主客体对。
[0212]
可选的，所述装置还包括：训练模块，用于：
[0213]
对样本文本进行编码，得到所述样本文本中各个词对应的样本词向量；
[0214]
基于各个词对应的所述样本词向量，确定所述样本文本对应的样本潜在实体关系；
[0215]
基于所述样本潜在实体关系以及各个词对应的所述样本词向量，确定所述样本文本中的样本主体和样本客体；
[0216]
基于所述样本文本对应的实体关系标签和所述样本潜在实体关系，确定潜在关系判断损失；
[0217]
基于所述样本主体、所述样本客体以及所述样本文本中各个词对应的词标签，确定主客体判断损失；
[0218]
基于所述潜在关系判断损失和所述主客体判断损失训练实体关系抽取模型，所述实体关系抽取模型用于基于输入的文本输出实体关系三元组。
[0219]
可选的，所述训练模块，还用于：
[0220]
将所述样本主体和所述样本客体组合为样本主客体对；
[0221]
确定所述样本主客体对的样本置信度；
[0222]
基于所述样本文本对应的置信度标签以及所述样本置信度，确定全局对应关系损失；
[0223]
基于所述潜在关系判断损失、所述主客体判断损失以及所述全局对应关系损失训练所述实体关系抽取模型。
[0224]
可选的，所述潜在关系判断损失、所述主客体判断损失以及所述全局对应关系损失对应的损失权重相同。
[0225]
可选的，所述目标主体和目标客体为医学文本实体，所述目标主体与所述目标客体之间的实体关系包括部位、时间和性质中的至少一种。
[0226]
综上所述，本技术实施例中，在进行实体关系提取过程中，首先基于对目标文本编码得到的词向量，确定目标文本中高概率存在的潜在实体关系，过滤低概率存在的候选实体关系，然后基于确定出的潜在实体关系以及词向量，从目标文本中确定出目标主体和目标客体，最终从目标文本中抽取出包含目标主体、潜在实体关系以及目标客体的实体关系三元组；采用本技术实施例提供的方案，在进行主客体提取前，通过对候选实体关系进行筛选得到潜在实体关系，能够减少与目标文本无关的冗余实体关系造成的误召回结果，提高文本中实体关系提取的准确性，并有助于提高实体关系的提取效率。
[0227]
需要说明的是：上述实施例提供的装置，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其实现过程详见方法实施例，这里不再赘述。
[0228]
请参考图11，其示出了本技术一个示例性实施例提供的计算机设备的结构示意图。具体来讲：所述计算机设备1300包括中央处理单元(central processing unit，cpu)1301、包括随机存取存储器1302和只读存储器1303的系统存储器1304，以及连接系统存储器1304和中央处理单元1301的系统总线1305。所述计算机设备1300还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(input/output，i/o系统)1306，和用于存储操作系统1313、应用程序1314和其他程序模块1315的大容量存储设备1307。
[0229]
所述基本输入/输出系统1306包括有用于显示信息的显示器1308和用于用户输入信息的诸如鼠标、键盘之类的输入设备1309。其中所述显示器1308和输入设备1309都通过连接到系统总线1305的输入输出控制器1310连接到中央处理单元1301。所述基本输入/输出系统1306还可以包括输入输出控制器1310以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1310还提供输出到显示屏、打印机或其他类型的输出设备。
[0230]
所述大容量存储设备1307通过连接到系统总线1305的大容量存储控制器(未示出)连接到中央处理单元1301。所述大容量存储设备1307及其相关联的计算机可读介质为计算机设备1300提供非易失性存储。也就是说，所述大容量存储设备1307可以包括诸如硬盘或者驱动器之类的计算机可读介质(未示出)。
[0231]
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括随机存取记忆体(ram，random access memory)、只读存储器(rom，read only memory)、闪存或其他固态存储其技术，只读光盘(compact disc read
‑
only memory，cd
‑
rom)、数字通用光盘(digital versatile disc，dvd)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1304和大容量存储设备1307可以统称为存储器。
[0232]
存储器存储有一个或多个程序，一个或多个程序被配置成由一个或多个中央处理单元1301执行，一个或多个程序包含用于实现上述方法的指令，中央处理单元1301执行该一个或多个程序实现上述各个方法实施例提供的方法。
[0233]
根据本技术的各种实施例，所述计算机设备1300还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备1300可以通过连接在所述系统总线1305上的网络接口单元1311连接到网络1312，或者说，也可以使用网络接口单元1311来连接到其他类型的网络或远程计算机系统(未示出)。
[0234]
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，所述一个或者一个以上程序包含用于进行本技术实施例提供的方法中由计算机设备所执行的步骤。
[0235]
本技术实施例还提供一种计算机可读存储介质，该可读存储介质中存储有至少一条指令，至少一条指令由处理器加载并执行以实现上述任一实施例所述的文本中实体关系的抽取方法。
[0236]
可选地，该计算机可读存储介质可以包括：rom、ram、固态硬盘(ssd，solid state drives)或光盘等。其中，ram可以包括电阻式随机存取记忆体(reram,resistance random access memory)和动态随机存取存储器(dram，dynamic random access memory)。
[0237]
本技术实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例所述的文本中实体关系的抽取方法。
[0238]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件
来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0239]
以上所述仅为本技术的可选的实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。