基于跨度和特征融合的实体关系联合抽取模型

实体关系联合抽取模型在实体关系抽取中具有重要作用，针对现有的实体关系联合抽取模型无法有效识别重叠关系中的实体关系三元组问题，提出一种新型的基于跨度和特征融合的实体关系联合抽取模型SFFM。将文本输入BERT预训练模型转变为词向量，根据跨度进行词向量划分形成跨度序列，并基于卷积神经网络过滤跨度序列中不包含实体的跨度序列，使用双向长短时记忆提取剩余跨度序列融合文本信息后的特征并通过Softmax回归实现实体识别，将文本中的实体和关系映射到不同的跨度序列中，当重叠关系中的实体和距离较远的实体之间存在关系时，按照跨度进行划分使可能存在关系的实体对划分到同一个跨度序列中，以更好地利用文本中的重叠关系。在此基础上，通过注意力机制获取跨度序列中的依赖关系，运用Softmax回归对跨度序列中的关系进行分类。实验结果表明，与基线模型相比，该模型在CoNLL04数据集上的微平均和宏平均分别提升了1.87和1.73个百分点，在SciERC数据集上的微平均提升了5.95个百分点。