专利交易市场

一种用于低标注工业语料的知识图谱构建的关系抽取方法，首先，结合工业文本数据的上下文信息构建动态提示模板，引入语义协同机制增强模板标记间的语义关联；其次，结合特征对齐机制和分阶段课程学习，使模型能够逐步适应难度递增的多任务设置以及增强模型对语义差异的判别能力；最后，计算关系表征与标签表示的匹配概率，并通过交叉熵损失优化模型，预测最可能的关系类型。本发明充分利用了工业文本数据上下文的语义，结合分阶段的课程学习策略，使模型能够逐步适应关系抽取任务的复杂性，对标注数据规模要求低，关系抽取准确性高。

本发明公开了一种基于深度学习的多特征中文实体关系抽取方法，具体涉及自然语言处理技术领域，包括以下步骤：完成多特征中文词嵌入，使用BERT学习字符向量拼接词性标签和字符信息位置信息作为词嵌入向量输入送往多特征循环卷积网络网络，该神经网络包含中文的句子级特征和字符级特征，经过最大池化层，将其作为最终的分类向量送往softmax分类器。对于每个句子，概率最大的值对应的类别就是分类结果。本发明适用于中文文本的关系抽取，能够有效的针对中文语料的复杂关系。

本发明涉及一种基于依存关系抽取评价对象的方法。包括：S1、定义观点评价对象词与情感词之间的依存关系；S2、基于步骤S1定义的观点评价对象词与情感词之间的依存关系，构建观点评价对象词与情感词之间的直接依存关系模板和间接依存关系模板；S3、基于依存关系模板抽取观点评价对象的Bootstrapping算法。本发明方法相对于最新的方法性能上有较大提高。

融合BERT网络与位置特征信息的实体关系抽取方法及其应用，步骤如下：(1)实体数据采集；(2)数据处理；(3)提出模型结构；(4)离线训练；(5)在线测试；本发明公开一种融合BERT网络与位置特征信息的实体关系抽取方法。通过上述方法，解决了传统的实体抽取方法存在信息冗余、实体重叠、精确率不高等问题。本方法先利用BERT网络在文本上进行无监督预训练，然后在特定的下游任务上加入Bi‑LSTM进行微调。其次，在注意力机制的基础上添加位置特征信息，选择性地对某些信息进行关注。最后，实现实体关系识别与分类。本发明方法在公开数据集FB15K上进行对比实验，验证本发明方法具有更高的精确率和良好的应用前景。

本发明提供了一种基于神经网络的实体关系抽取方法及装置，所述方法包括：对待处理的句子信息依次进行分词处理、实体识别、向量化处理、融合处理、全局平均池化处理、筛选处理、去噪处理、更新处理和降维处理以得到一个目标特征，然后根据所述目标特征就可以计算所述实体对的实体关系。本发明通过多方面、多角度挖掘句子及句子中实体间的关系，将这种多方面多角度的表示进行融合，进而更准确更全面地进行实体关系抽取，方法简便、高效，成本低廉，且能够在不同数据领域之间进行迁移；通过增加筛选处理滤除了对实体关系预测贡献不大的噪声特征，节省了后续的计算量，提高了抽取的效率。

本发明涉及生物医学关系抽取领域，具体涉及一种基于药物实体词掩码和Insert‑BERT结构的药物关系抽取方法；本发明在药物关系多分类任务及药物关系检测二分类任务均有全面提升；模型可视化及消融实验等结果表明提出方法能够在连续空间中提取不同层次、不同粒度的语义信息，并能够有效制约负样本的影响。

本发明公开了一种针对化工领域的文本实体关系抽取方法，具体处理步骤如下：1）数据采集步骤、2）数据标注步骤、3）关系抽取步骤、4）模型优化步骤；本发明通过网络爬虫和众包技术采集到相应数据集，并通过相应关系获取更合理、全面、高精准的一种针对化工领域的文本实体关系抽取方法。