基于深度主动学习的实体关系联合抽取方法

知识图谱的构建对于信息检索、智能问答、智能推荐等下游工作具有重要意义，而抽取资料中的信息是构建知识图谱的关键。为了实现有效知识抽取，提出了一个基于深度主动学习的实体关系联合抽取框架。在该框架下，基于深度主动学习的采样方法降低文本标注成本，改进的EDA数据增强方法(EDA-RE)解决样本间的关系分类不均衡、标注资料不足等问题，“BIO-OVE/R-HT”的标注策略和ChineseBERT-BiLSTM-CRF(CBBC)联合抽取模型解决传统流水线模型存在误差累积和无法抽取重叠关系等问题。通过百度竞赛提供的数据集进行实验，验证了框架中各方法的有效性。