基于实体对注意力机制的实体关系联合抽取模型

实体关系抽取是实现海量文本数据知识化、自动构建大规模知识图谱的关键技术。考虑到头尾实体信息对关系抽取有重要影响，该文采用注意力机制将实体对信息融合到关系抽取过程中，提出了基于实体对注意力机制的实体关系联合抽取模型(EPSA)。首先，使用双向长短时记忆网络(Bi-LSTM)结合条件随机场(CRF)完成实体的识别；其次，将抽取的实体配对，信息融合成统一的嵌入式表示形式，用于计算句子中各词的注意力值；然后，使用基于实体对注意力机制的句子编码模块得到句子表示，再利用显式融合实体对的信息得到增强型句子表示；最后，通过分类方式完成实体关系的抽取。在公开数据集NYT和WebNLG上对提出的EPSA模型进行评估，实现结果表明，与目前主流联合抽取模型相比，EPSA模型在F₁值上均得到提升，分别达到84.5%和88.5%,并解决了单一实体重叠问题。