[發明專利]一種基于文本挖掘的Al-Si合金材料實體關系抽取方法

在審

• 申請號: 202110017771.1
• 申請日: 2021-01-07
• 公開（公告）號: CN112685513A
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 劉英莉;李武亮;么長慧;沈韜
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06F16/28
• 分類號: G06F16/28;G06N3/04;G06N3/08;G16C60/00
• 代理公司: 昆明同聚專利代理有限公司 53214
• 代理人: 王遠同

本發明公開一種基于文本挖掘的Al?Si合金材料實體關系抽取方法，屬于計算機應用技術領域。本發明所述方法為收集材料文獻并按句子進行切分，形成句子語料集；根據制定的合金關系抽取語料庫構建標準進行實體以及實體關系標注，將標注后的語料集隨機分為訓練語料集和測試語料集；將訓練語料集中的樣本數據輸入至ELMo模型獲得詞嵌入，得到的詞嵌入作為端到端的聯合模型的輸入，進行模型訓練。本發明所述方法解決了從材料文獻中抽取實體及實體關系的問題，可以將材料文獻中實體和實體間的關系提取出來，與傳統方法相比提高了準確率；同時構造了合金關系抽取語料庫，解決了材料實體關系語料庫的構建問題。

技術領域

本發明涉及一種基于文本挖掘的Al-Si合金材料實體關系抽取方法，屬于計算機應用技術領域。

背景技術

材料科學研究中機器可解釋的數據主要來源于結構化屬性數據庫，然而絕大多數的科學知識都是以文本形式發表的，結構化屬性數據庫中僅包含研究文獻中的一小部分知識。材料科學文獻是材料科學大數據的一類重要來源，其中包含大量有價值的信息；但是這些信息多以非結構化文本的形式存在，加之文獻數目以千萬計，因此需要信息的高效獲取以及利用有效的計算機技術。

目前關系抽取已廣泛應用于特定領域，在生物醫學文本挖掘等領域取得了顯著成效。隨著“材料基因組計劃”的提出，現有的材料數據由于共享性較差，不足以支撐材料研發的應用。由于材料科學實體間存在著錯綜復雜的關系，其中蘊含了大量有價值的信息。因此，材料科學實體關系抽取是信息抽取工作的核心。材料科學實體關系抽取是對于文獻中用戶關注的實體，如成分、結構、性能以及實驗參數等，判定他們在文本范圍內的語義上是否存在關系，以及存在何種關系。

然而，已有相關研究表明，不同領域的文本在文本結構及語言表述上存在較大的差異。材料科學文本挖掘不能直接照搬通用NLP的方法和工具，需要進行專門的研究。針對材料科學文獻的文本語料在句子級關系抽取上存在的一些問題：一是與通用領域相比，材料科學領域的文章中的句子即長且結構復雜，關系抽取性能有待提高；二是在材料科學領域目前并沒有公開的信息抽取評測數據集，由于材料的多樣性及復雜性，語料庫的構造是需要解決一個主要問題。

發明內容

針對上述背景技術中存在的問題，本發明提供了一種基于文本挖掘的Al-Si合金材料實體關系抽取方法，本方法使用的是深度學習模型，能夠在Al-Si合金材料文獻中自動抽取實體及實體之間的關系。

為實現上述目的，本發明提供了以下方案：

一種基于文本挖掘的Al-Si合金材料實體關系抽取方法，具體包括如下步驟：

步驟S1，構造語料集，按8:1的比例將語料隨機分為訓練語料集和測試語料集。

步驟S2，通過資料收集，人工整理出材料實體對間的多種關系，采用端到端的聯合模型，對材料實體識別與關系抽取任務進行聯合建模；將訓練語料輸入至聯合模型進行訓練和測試，生成關系抽取模型。

步驟S3，使用關系抽取模型預測測試語料文本中的實體之間的關系。

進一步的，本發明步驟S1中所述構造語料集還包括：收集整理Al-Si合金的材料科學文獻，將材料科學文獻按句子進行切分，形成句子語料集。

根據制定的Al-Si合金關系抽取語料庫構建標準，利用數據標注平臺Brat對語料庫數據進行標注，產生.ann和.conll兩個文件。

使用BIO標注方法；其中“B”代表某種實體的開始位置，“I”代表某種實體的內部，“O”不代表任何實體類型；將.ann和.conll兩個文件的標注內容通過預處理將其轉換包括[token_id，token，BIO，relation，head]這五列的輸入格式。

本發明所述材料實體對是指材料的科學術語。