融合自注意力和实体类型知识的实体关系联合抽取模型

从非结构化文本中抽取实体关系三元组是自然语言处理中的主要任务形式之一。目前主流的方法是采用联合式抽取，能够在训练过程中自动捕捉到实体与关系间的依赖知识，提高了实体和关系的抽取效果。但这些方法忽略了实体的类型知识，导致大量的冗余计算和错误结果的产生。鉴于此，文中提出一种融合注意力和实体类型知识的实体关系联合抽取方法。首先，采用预训练模型BERT作为编码器得到句子中各字符的向量表示，再经双向LSTM层处理得到最终的语义表示；其次，基于表示层的结果完成头、尾实体的识别；接着，通过融合不同头实体的语义信息到句子表示中，实现头实体类型约束下的潜在语义关系发现；最后，将头实体和关系分别输入自注意力模块识别出对应尾实体，得到实体关系三元组。通过在公开数据集NYT和WebNLG上的大量实验表明：文中所提模型在实体关系联合抽取任务中的F1值达到了93.2%和93.3%,与当前主流模型相比提升显著。