(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211085634.2 (22)申请日 2022.09.06 (65)同一申请的已公布的文献号 申请公布号 CN 115168619 A (43)申请公布日 2022.10.11 (73)专利权人 科大讯飞 （苏州） 科技有限公司 地址 215000 江苏省苏州市工业园区金鸡 湖大道88号E4单元 (72)发明人 张鸣晨　李直旭　支洪平　郑新　 吴瑞萦　 (74)专利代理 机构 深圳市威世博知识产权代理 事务所(普通 合伙) 44280 专利代理师 柳芳 (51)Int.Cl. G06F 16/36(2019.01)G06F 40/295(2020.01) 审查员 徐霞 (54)发明名称 实体关系抽取方法及相关装置、 电子设备、 存储介质 (57)摘要 本申请涉及人工智能技术领域， 公开了一种 实体关系抽取方法及相关装置、 电子设备、 存储 介质， 其中， 实体关系抽取方法包括： 识别待处理 文本中的各个实体； 基于各个实体进行预测， 得 到若干候选关系； 其中， 候选关系表征各个实体 之间疑似存在的实体关系； 基于各个实体和若干 候选关系， 生 成得到若干假 设文本； 其中， 假 设文 本表征假设两个实体之间真实存在候选关系的 自然语言文本； 基于假设文本的推理结果， 确定 假设文本中两个实体之间是否真实存在候选关 系。 上述方案， 能够降低实体关系抽取的计算量， 特别是在存在关系嵌套时尽可能地减少冗余计 算。 权利要求书2页 说明书11页 附图2页 CN 115168619 B 2022.12.27 CN 115168619 B 1.一种实体关系抽取 方法， 其特 征在于， 包括： 识别待处 理文本中的各个实体； 基于关系预测模型对所述各个实体进行预测， 得到若干候选关系； 其中， 所述候选关系 表征所述各个实体之间疑似 存在的实体关系； 基于所述各个实体和所述若干候选关系， 生成得到若干假设文本； 其中， 所述假设文本 表征假设两个所述实体之 间真实存在所述候选 关系的自然语言文本， 且每个所述假设文本 包含两个所述实体和一个所述 候选关系； 基于所述假设文本的推理结果， 确定所述假设文本 中两个所述实体之间是否真实存在 所述候选关系； 其中， 所述假设文本的推理结果基于推理模型对所述假设文本和所述待处 理文本预测得到， 且所述推理结果包括所述假设文本中两个所述实体之间的推理关系， 且 所述推理关系为： 蕴含关系 、 矛盾关系 、 无关系中任一 者； 其中， 所述关系预测模型由若干预训练语言模型作为教师模型进行知识蒸馏得到， 所 述若干预训练语言模型基于若干样本数据通过关系抽取任务训练得到， 且 所述样本数据包 括样本实体和所述样本实体之 间真实存在的样本关系， 所述若干预训练语言模型的训练步 骤包括： 将所述若干预训练语言模型， 分别作为当前语言模型； 基于所述若干样本数据训练所述当前语言模型， 并获取所述当前语言模型分别在所述 若干样本数据上进行关系抽取时的错 误度； 响应于所述当前语言模型并非最后一个所述预训练语言模型， 重新执行所述将所述若 干预训练语 言模型， 分别作为当前语言模型的步骤以及后续步骤； 其中， 最新所述当前语言 模型训练时的损失值， 基于最新所述当前语言模型 的上一所述预训练语言模型， 在所述若 干样本数据上进行关系抽取时的错 误度加权得到 。 2.根据权利要求1所述的方法， 其特征在于， 所述基于所述假设文本的推理结果， 确定 所述假设文本中两个所述实体之间是否真实存在所述 候选关系， 包括以下至少一 者： 响应于所述推理关系为所述蕴含关系， 确定所述假设文本 中两个所述实体之间真实存 在所述候选关系； 响应于所述推理关系为所述矛盾关系或所述无关系， 确定所述假设文本 中两个所述实 体之间不存在所述 候选关系。 3.根据权利要求1所述的方法， 其特征在于， 所述基于所述各个实体和所述若干候选关 系， 生成得到若干假设文本， 包括： 基于所述各个实体和所述若干候选关系， 组成若干候选三元组； 基于所述若干候选三元组分别进行文本生成， 得到所述若干假设文本； 在所述基于所述假设文本的推理结果， 确定所述假设文本 中两个所述实体之间是否真 实存在所述 候选关系之后， 所述方法还 包括以下至少一 者： 响应于确定所述假设文本 中两个所述实体之间真实存在所述候选关系， 保留所述假设 文本对应的候选三元组， 作为目标三元组； 响应于确定所述假设文本 中两个所述实体之间不存在所述候选关系， 舍弃所述假设文 本对应的候选三元组。 4.根据权利要求3所述的方法， 其特征在于， 所述假设文本基于文本生成模型对所述候权　利　要　求　书 1/2 页 2 CN 115168619 B 2选三元组进行文本生成得到 。 5.一种实体关系抽取装置， 其特 征在于， 包括： 识别模块， 用于识别待处 理文本中的各个实体； 预测模块， 用于基于所述各个实体进行预测， 得到若干候选关系； 其中， 所述候选关系 表征所述各个实体之间疑似 存在的实体关系； 生成模块， 用于基于关系预测模型对所述各个实体和所述若干候选关系， 生成得到若 干假设文本； 其中， 所述假设文本表征假设两个所述实体之间真实存在所述候选关系的自 然语言文本， 且每 个所述假设文本包 含两个所述实体和一个所述 候选关系； 确定模块， 用于基于所述假设文本的推理结果， 确定所述假设文本中两个所述实体之 间是否真实存在所述候选关系； 其中， 所述假设文本的推理结果基于推理模型对所述假设 文本和所述待处理文本预测得到， 且所述推理结果包括所述假设文本中两个所述 实体之间 的推理关系， 且所述推理关系为： 蕴含关系 、 矛盾关系 、 无关系中任一 者； 其中， 所述关系预测模型由若干预训练语言模型作为教师模型进行知识蒸馏得到， 所 述若干预训练语言模型基于若干样本数据通过关系抽取任务训练得到， 且 所述样本数据包 括样本实体和所述样本实体之间真实存在的样本关系， 所述实体关系抽取装置还 包括： 选择模块， 用于将所述若干预训练语言模型， 分别作为当前语言模型； 获取模块， 用于基于所述若干样本数据训练所述当前语言模型， 并获取所述当前语言 模型分别在所述若干样本数据上进行关系抽取时的错 误度； 循环模块， 用于响应于所述当前语言模型并非最后一个所述预训练语言模型， 重新执 行所述将所述若干预训练语言模型， 分别作为当前语 言模型的步骤以及后续步骤； 其中， 最 新所述当前语言模型训练 时的损失值， 基于最新所述当前语言模型的上一所述预训练语言 模型， 在所述若干样本数据上进行关系抽取时的错 误度加权得到 。 6.一种电子设备， 其特征在于， 包括相互耦接的存储器和处理器， 所述存储器中存储有 程序指令， 所述处理器用于执行所述程序指 令以实现权利要求1至4任一项所述的实体关系 抽取方法。 7.一种计算机可读存储介质， 其特征在于， 存储有能够被处理器运行的程序指令， 所述 程序指令用于实现权利要求1至4任一项所述的实体关系抽取 方法。权　利　要　求　书 2/2 页 3 CN 115168619 B 3