基于循环卷积神经网络的实体关系抽取方法研究

摘要: 针对目前大多数关系抽取中对于文本语料中较长的实体共现句，往往只能获取到局部的特征，并不能学习到长距离依赖信息的问题，提出了一种基于循环卷积神经网络与注意力机制的实体关系抽取模型。将擅长处理远距离依赖关系的循环神经网络GRU加入到卷积神经网络的向量表示阶段，通过双向GRU学习得到词语的上下文信息向量，在卷积神经网络的池化层采取分段最大池化方法，在获取实体对结构信息的同时，提取更细粒度的特征信息，同时在模型中加入基于句子级别的注意力机制。设计了在NYT数据集的实验验证，实验结果表明提出方法能有效提高实体关系抽取的准确率与召回率。