实体关系抽取模型训练方法、实体关系抽取方法以及装置

摘要

本发明公开了一种实体关系抽取模型训练方法、实体关系抽取方法以及装置。该模型训练方法包括：获取用于模型训练的样本文本，并对所述样本文本进行实体识别，得到所述样本文本的各样本实体；基于各所述样本实体确定对应的标注标签，并基于所述标注标签对所述样本实体进行标注，得到所述样本实体的关系标注结果；基于所述关系标注结果对初始实体关系抽取模型进行模型迭代训练，得到训练完成的目标实体关系抽取模型。本发明公开的技术方案，解决了现有技术中的抽取方法对医疗实体关系的判别能力低的问题，提高医疗文本中实体关系抽取的准确性。

说明书

技术领域

本发明涉及计算机技术领域，尤其涉及一种实体关系抽取模型训练方法、实体关系抽取方法以及装置。

背景技术

医院数据中存在大量的非结构化文本和结构化文本，当需要对医疗数据进行数据处理时，特别是在处理非结构化数据时候，需要通过自然语言处理(NLP)技术转换为结构化信息，以便机器处理。医疗长文本有自身特殊的属性，跟传统的互联网文本，商品文本有本质的不同，医疗文本中经常会出现省略主语、宾语情况、会出现多个连续并列短语等等一系列的特点，所以现有技术的抽取方法对医疗实体关系的判别能力低，导致联合抽取的实体关系准确性低。

发明内容

本发明提供了一种实体关系抽取模型训练方法、实体关系抽取方法以及装置，以解决现有技术中的抽取方法对医疗实体关系的判别能力低的问题，提高医疗文本中实体关系抽取的准确性。

第一方面，本发明实施例提供了一种实体关系抽取模型训练方法，该方法包括：

获取用于模型训练的样本文本，并对所述样本文本进行实体识别，得到所述样本文本的各样本实体；

基于各所述样本实体确定对应的标注标签，并基于所述标注标签对所述样本实体进行标注，得到所述样本实体的关系标注结果；

基于所述关系标注结果对初始实体关系抽取模型进行模型迭代训练，得到训练完成的目标实体关系抽取模型。

可选的，所述获取用于模型训练的样本文本，包括：

获取用于模型训练的医疗文本数据，对所述医疗文本数据进行数据预处理，得到样本数据；

获取所述样本数据中的字符，基于所述字符的字符类型对所述样本数据进行数据分割，得到至少一段样本文本。

可选的，所述基于各所述样本实体确定对应的标注标签，并基于所述标注标签对所述样本实体进行标注，得到所述样本实体的关系标注结果，包括：

确定各所述样本实体分别对应的实体类别；

获取各标注标签，对于任两样本实体，基于当前两样本实体分别对应的实体类别确定对应的标注标签；

基于所述标注标签确定所述当前两样本实体之间的关系标注结果。

可选的，在所述基于所述标注标签对所述样本实体进行标注之前，还包括：

筛选所述样本实体中的字符样本实体，并基于筛选后的样本实体进行标注。

可选的，所述基于所述关系标注结果对初始实体关系抽取模型进行模型迭代训练，包括：

获取预设的标注数据格式，基于所述标注数据格式对所述关系标注结果进行格式转换得到标注数据，并基于标注数据对初始实体关系抽取模型进行模型迭代训练。

第二方面，本发明实施例还提供了一种实体关系抽取方法，该方法包括：

获取待抽取文本，并确定所述待抽取文本的各实体；

获取预先训练好的实体关系抽取模型，将各所述实体输入所述实体关系抽取模型，得到所述待抽取文本的实体关系抽取结果；所述实体关系抽取模型基于任一实施例所述的实体关系抽取模型训练方法进行训练得到；

对所述实体关系抽取结果进行关系解析，得到所述待抽取文本的目标抽取结果。

第三方面，本发明实施例还提供了一种实体关系抽取模型训练装置，该装置包括：

样本实体获得模块，用于获取用于模型训练的样本文本，并对所述样本文本进行实体识别，得到所述样本文本的各样本实体；

关系标注结果获得模块，用于基于各所述样本实体确定对应的标注标签，并基于所述标注标签对所述样本实体进行标注，得到所述样本实体的关系标注结果；

实体关系抽取模型训练模块，用于基于所述关系标注结果对初始实体关系抽取模型进行模型迭代训练，得到训练完成的目标实体关系抽取模型。

第四方面，本发明实施例还提供了一种实体关系抽取装置，该装置包括：

实体获得模块，用于获取待抽取文本，并确定所述待抽取文本的各实体；

实体关系抽取结果确定模块，用于获取预先训练好的实体关系抽取模型，将各所述实体输入所述实体关系抽取模型，得到所述待抽取文本的实体关系抽取结果；所述实体关系抽取模型基于任一实施例所述的实体关系抽取模型训练方法进行训练得到；

实体抽取结果获得模块，用于对所述实体关系抽取结果进行关系解析，得到所述待抽取文本的目标抽取结果。

第五方面，本发明实施例还提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的实体关系抽取模型训练方法；和/或，执行本发明任一实施例所述的实体关系抽取方法。

第六方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的实体关系抽取模型训练方法；和/或，执行本发明任一实施例所述的实体关系抽取方法。

本发明实施例公开的技术方案，通过获取用于模型训练的样本文本，并对所述样本文本进行实体识别，得到所述样本文本的各样本实体；基于各所述样本实体确定对应的标注标签，并基于所述标注标签对所述样本实体进行标注，得到所述样本实体的关系标注结果；基于所述关系标注结果对初始实体关系抽取模型进行模型迭代训练，得到训练完成的目标实体关系抽取模型；解决了现有技术中的抽取方法对医疗实体关系的判别能力低的问题，提高医疗文本中实体关系抽取的准确性。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例一提供的一种实体关系抽取模型训练方法的流程图；

图2是根据本发明实施例二提供的一种实体关系抽取方法的流程图；

图3是根据本发明实施例三提供的一种实体关系抽取模型训练装置的结构示意图；

图4是根据本发明实施例四提供的一种实体关系抽取装置的结构示意图；

图5是根据本发明实施例五提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。

可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。

实施例一

图1为本发明实施例一提供了一种实体关系抽取模型训练方法的流程图，本实施例可适用于对文本中实体关系进行抽取的情况，具体的，更适应于对医疗文本中实体关系进行抽取的情况。该方法可以由实体关系抽取模型训练装置来执行，该实体关系抽取模型训练装置可以采用硬件和/或软件的形式实现，该实体关系抽取模型训练装置可配置于智能终端以及云端服务器中。如图1所示，该方法包括：

S110、获取用于模型训练的样本文本，并对样本文本进行实体识别，得到样本文本的各样本实体。

在本发明实施例中，样本文本可以是对医疗文本数据进行处理所得到的文本语句。其中，医疗文本数据是根据就诊用户在就诊过程中的描述所生成的文本数据。

在实际应用中，就诊用户在就诊过程中进行就诊描述，接诊用户根据就诊描述生成诊断治疗，将上述就诊过程整理后生成该就诊用户的医疗文本数据；其中，医疗文本数据中包含多段文本语句。换言之，对医疗文本数据进行文本分割，即可得到多段文本语句。该文本语句可以作为样本文本进行模型训练。

可选的，本实施例中获取医疗文本数据，并对医疗文本数据进行处理，得到用于模型训练的样本文本的方法可以包括：获取用于模型训练的医疗文本数据，对所述医疗文本数据进行数据预处理，得到样本数据；获取所述样本数据中的字符，基于所述字符的字符类型对所述样本数据进行数据分割，得到至少一段样本文本。

本实施例中，数据预处理包括但不限于全半角转换，ASCII编码校验，连续空字符校验，非法字符校验等数据处理。在本实施例中对医疗文本数据进行上述预处理的处理顺序不作限定。

具体的，对医疗文本数据进行全半角转换以及ASCII编码校验，可以统一医疗文本数据的数据格式，使模型在训练过程中能集中精力学习一种格式的数据处理，从而提高模型在训练过程中的学习能力，提高模型的训练效果。具体的，对医疗文本进行连续空字符校验，非法字符校验，可以筛除医疗文本数据中的无效字符，从而减小模型在训练过程中的运算数据量，从而实现提高模型的训练效率。

为了提高后续实体识别模型的识别效率，本实施例的技术方案在得到预处理后的样本数据时，可以对样本数据进行数据分割，得到多个短句的样本文本，分别对多个短句样本文本进行实体识别，得到各短句样本文本的实体识别结果。

具体的，可以确定样本数据中的各文本以及各字符，并进一步确定样本数据中各字符的字符类型。基于各字符类型对样本数据进行数据分割，得到至少一段样本文本。示例性的，可以基于句号、问号以及感叹号作为分割节点实现对样本数据的分割。需要注意的是，对于上述作为分割节点的字符，若确定的字符位置与相邻字符之间字符间隔小于预设间隔阈值，则基于该字符与相邻字符之间的文本，基于文本内容确定字符是否正确；若正确，则进行分割；若不正确，则基于文本内容确定正确的字符，并基于正确定的字符确定是否进行分割。上述操作可以使得到的样本文本之间语句完整，从而可以提高模型在训练过程中的学习能力，以提高模型训练效果。

在实际应用中，在获取到各样本文本的基础上，对样本文本中的实体进行识别得到各实体。可选的，本实施中可以获取预设的实体识别模型，将各样本文本输入至实体识别模型中，得到模型输出的该样本文本中的各实体。当然，还可以基于其他方式识别样本文本中包含的实体，本实施例对于实体识别方式不作限定。

S120、基于各样本实体确定对应的标注标签，并基于标注标签对样本实体进行标注，得到样本实体的关系标注结果。

在实际应用中，本发明实施例对得到的样本实体进行标注的方法可以包括：确定各所述样本实体分别对应的实体类别；获取各标注标签，对于任两样本实体，基于当前两样本实体分别对应的实体类别确定对应的标注标签；基于所述标注标签确定所述当前两样本实体之间的关系标注结果。

考虑到医学文本中的标注范式，传统的标注范式大致分为2个类别，1)对于文本中存在单个关系标注，较为简单，直接从实体A标注到实体B就行；2)对于文本中存在多个实体与某个主实体关联，存在多个关系标注，传统方式为从主实体出发，发散至多个关联实体，举例如下：“就诊用户于半年前因症状A、症状B、症状C、症状D来我院就诊。”得到的标注结果包括：1、[半年前](时间)->[症状关系]->[症状A](症状)；2、[半年前](时间)->[症状关系]->[症状B](症状)；3、[半年前](时间)->[症状关系]->[症状C](症状)；4、[半年前](时间)->[症状关系]->[症状D](症状)。

在采用上述方式进行抽取过程中会发现，关系模型在进行score计算的时候，会结合多个实体的embedding信息，其中包括了位置距离的embedding，该标注范式中，当主实体与关联实体距离较远时，模型推理时会出现漏标的情况。基于上述技术问题，本发明实施例的技术方案在确定待抽取的各实体时，分别确定个实体的实体类别。例如上述举例中，“半年前”对应的类别为“时间”，“症状A”对应的类别为“症状”，“症状B”对应的类别为“症状”。本实施中在进行标注之前会根据不同实体类别预先设定多种标签。具体包括并列标签、限定标签以及导致标签。具体的，对于待抽取关系的两实体，确定两实体的实体类型，根据实体类型确定对应的标注标签。具体的，根据实体类型确定标签的方式可包括若两实体的实体类型一致，则可以确定；两实体间的标注标签为并列标签，并基于标签进行标注，得到所述样本实体的关系标注结果。示例性的，依旧以上述举例为例，基于本实施例的标注方式，得到的标注结果如下：1、[半年前](时间)->[限定]->[症状A](症状)；2、[症状A](症状)->[并列]->[症状B](症状)；3、[症状B](症状)->[并列]->[症状C](症状)；4、[症状C](症状)->[并列]->[症状D](症状)。

在上述实施方式的基础上，对于结构缺失的样本文本也可以采用上述标注方式进行标注。例如：“病症A左侧3cm、右侧2cm”该文本中，右侧2cm省略了主体词“病症”，若采用传统的“谓宾”“主谓”结构则无法标注，因为主语缺失，所以在补充主语后可采用“并列”标签对上述文本进行标注。得到如下述所示的标注结果：1、[病症A](部位)->[限定]->[左侧](方位)；2、[左侧](方位)->[限定]->[3cm](数值)；3、[左侧](方位)->[并列]->[右侧](方位)；4、[右侧](方位)->[限定]->[2cm](数值)。

对于医疗文本的实体关系抽取来说，标点符号不是抽取的重点，引入标点符号会要求模型识别更多的实体和关系，增加系统复杂性和抽取错误的概率。为了提高标注的效率，本发明实施例的技术方案在所述基于所述标注标签对所述样本实体进行标注之前，还筛选所述样本实体中的字符样本实体，并基于筛选后的样本实体进行标注。

本实施例中，字符样本实体可以理解为识别出的实体中的标点符号。示例性的，“症状A、症状B、症状C、症状D、症状E”，若考虑标点则抽取实体为9个，若剔除标点符号实体，抽取实体只有5个，筛除掉标点后可减少44％识别量。

S130、基于关系标注结果对初始实体关系抽取模型进行模型迭代训练，得到训练完成的目标实体关系抽取模型。

在本发明实施例中，为了初始实体关系抽取模型的输入数据格式，在得到关系标注结果后需要其进行格式修改，以使修改够的数据格式可匹配模型的输入格式。可选的，本实施例中进行数据格式转换的方法包括：获取预设的标注数据格式，基于所述标注数据格式对所述关系标注结果进行格式转换得到标注数据，并基于标注数据对初始实体关系抽取模型进行模型迭代训练。

在实际应用中，若初始实体关系抽取模型为双仿射结构的dependency parsing模型，相应的，需要将输入数据的数据格式调整为conll格式。具体的，获取该格式的具体格式样式，例如[id,text,_,tagCategory,_,_,index,relation]。基于该格式样式对上述关系标注结果进行格式转换，得到转换后的标注数据。具体的，标注数据如下所示：1、1无_10741__0 root__；2、2 症状A_10729__1 10732__；3、3症状B_10729__2 10731__；4、4症状C_10729__3 10731__。

具体的，将上述标注数据输入至待训练的初始实体关系抽取模型，得到所述模型输出的训练标注结果；基于各训练标注结果以及标注数据计算模型损失函数；基于所述模型损失函数对初始实体关系抽取模型进行模型参数的调节，直至满足训练完成条件得到目标实体关系抽取模型。

本发明实施例公开的技术方案，通过获取用于模型训练的样本文本，并对所述样本文本进行实体识别，得到所述样本文本的各样本实体；基于各所述样本实体确定对应的标注标签，并基于所述标注标签对所述样本实体进行标注，得到所述样本实体的关系标注结果；基于所述关系标注结果对初始实体关系抽取模型进行模型迭代训练，得到训练完成的目标实体关系抽取模型；解决了现有技术中的抽取方法对医疗实体关系的判别能力低的问题，提高医疗文本中实体关系抽取的准确性。

实施例二

图2为本发明实施例二提供了一种实体关系抽取方法的流程图，本实施例可适用于对文本中实体关系进行抽取的情况，具体的，更适应于对医疗文本中实体关系进行抽取的情况。该方法可以由实体关系抽取装置来执行，该实体关系抽取装置可以采用硬件和/或软件的形式实现，该实体关系抽取装置可配置于智能终端以及云端服务器中。如图2所示，该方法包括：

S210、获取待抽取文本，并确定待抽取文本的各实体。

获取待抽取文本以及识别文本中的实体的方式可参考上述实施方式，对此本实施例中不再进行赘述。

S220、获取预先训练好的实体关系抽取模型，将各实体输入实体关系抽取模型，得到待抽取文本的实体关系抽取结果。

在本实施例中，实体关系抽取模型可以是基于上述实施例中描述的训练方法所训练得到的。

S230、对实体关系抽取结果进行关系解析，得到待抽取文本的目标抽取结果。

在本发明实施例中，基于上述训练得到的实体关系抽取模型得到待抽取文本的实体关系抽取结果。对于得到的实体关系进行关系解析，具体的，从虚拟节点root出发，通过递归算法找到并列关系，完成上述树结构的自动转换，实现SPO元素的抽取，得到目标抽取结果。

本发明实施例的技术方案，通过采集用上述实施例训练得到的实体关系抽取模型得到待抽取文本的实体关系抽取结果，并对该实体关系抽取结果进行关系解析，得到待抽取文本的目标抽取结果。通过上述技术方案，解决了现有技术中医疗文本实体关系抽取的不准确的问题，提高医疗文本中实体关系抽取的准确性。

实施例三

图3为本发明实施例三提供的一种实体关系抽取模型训练装置的结构示意图。如图3所示，该装置包括：样本实体获得模块310、关系标注结果获得模块320以及实体关系抽取模型训练模块330；其中，

样本实体获得模块310，用于获取用于模型训练的样本文本，并对所述样本文本进行实体识别，得到所述样本文本的各样本实体；

关系标注结果获得模块320，用于基于各所述样本实体确定对应的标注标签，并基于所述标注标签对所述样本实体进行标注，得到所述样本实体的关系标注结果；

实体关系抽取模型训练模块330，用于基于所述关系标注结果对初始实体关系抽取模型进行模型迭代训练，得到训练完成的目标实体关系抽取模型。

在上述实施方式的基础上，可选的，样本实体获得模块310，包括：

样本数据获得单元，用于获取用于模型训练的医疗文本数据，对所述医疗文本数据进行数据预处理，得到样本数据；

样本文本获得单元，用于获取所述样本数据中的字符，基于所述字符的字符类型对所述样本数据进行数据分割，得到至少一段样本文本。

在上述实施方式的基础上，可选的，关系标注结果获得模块320，包括：

实体类别确定单元，用于确定各所述样本实体分别对应的实体类别；

标注标签确定单元，用于获取各标注标签，对于任两样本实体，基于当前两样本实体分别对应的实体类别确定对应的标注标签；

关系标注结果确定单元，用于基于所述标注标签确定所述当前两样本实体之间的关系标注结果。

在上述实施方式的基础上，可选的，所述装置还包括：

实体筛选模块，用于在得到所述样本文本的各样本实体之后，筛选所述样本实体中的字符样本实体，并基于筛选后的样本实体进行标注。

在上述实施方式的基础上，可选的，实体关系抽取模型训练模块330，包括：

实体关系抽取模型训练单元，用于获取预设的标注数据格式，基于所述标注数据格式对所述关系标注结果进行格式转换得到标注数据，并基于标注数据对初始实体关系抽取模型进行模型迭代训练。

本发明实施例所提供的实体关系抽取模型训练装置可执行本发明任意实施例所提供的实体关系抽取模型训练方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4为本发明实施例四提供的一种实体关系抽取装置的结构示意图。如图4所示，该装置包括：实体获得模块410、实体关系抽取结果确定模块420以及实体抽取结果获得模块430；其中，

实体获得模块410，用于获取待抽取文本，并确定所述待抽取文本的各实体；

实体关系抽取结果确定模块420，用于获取预先训练好的实体关系抽取模型，将各所述实体输入所述实体关系抽取模型，得到所述待抽取文本的实体关系抽取结果；所述实体关系抽取模型基于任一实施例所述的实体关系抽取模型训练方法进行训练得到；

实体抽取结果获得模块430，用于对所述实体关系抽取结果进行关系解析，得到所述待抽取文本的目标抽取结果。

本发明实施例所提供的实体关系抽取装置可执行本发明任意实施例所提供的实体关系抽取方法，具备执行方法相应的功能模块和有益效果。

实施例五

图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如实体关系抽取模型训练方法；和/或，实体关系抽取方法。

在一些实施例中，实体关系抽取模型训练方法；和/或，实体关系抽取方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的实体关系抽取模型训练方法；和/或，实体关系抽取方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行实体关系抽取模型训练方法；和/或，实体关系抽取方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。