计算机工程

作者：杨润, 陈艳平, 闫家鑫, 秦永彬

单位：1. 贵州大学文本计算与认知智能教育部工程研究中心, 贵州 贵阳 5500252. 贵州大学公共大数据国家重点实验室, 贵州 贵阳 5500253. 贵州大学计算机科学与技术学院, 贵州 贵阳 550025

关键词：关系抽取,位置信息,关联邻接矩阵,图神经网络,结构信息

基金：国家自然科学基金(62166007); 国家自然科学基金(62066008)

图神经网络能够有效地聚合节点间的信息、编码句子的结构信息, 因此被广泛应用于关系抽取任务。然而, 目前基于图神经网络的关系抽取方法常需要借助外部解析工具构建依赖树, 这一过程可能会产生误差, 导致错误的信息传递。为了解决上述问题, 提出一种基于关联邻接矩阵的图卷积神经网络(GCN)模型用于关系抽取。首先, 通过RoBERTa(Robustly optimized BERT approach)预训练语言模型(PLM)将每个词转换为向量表示, 并通过点乘计算词向量之间的关联度。然后, 基于词之间的关联度和相对实体位置特征构建关联邻接矩阵, 并利用GCN提取句子的语义结构特征。最后, 利用残差连接缓解模型训练过程中的梯度消失问题, 并通过融合句子表示和实体表示得到最终的分类表示。该模型避免了使用外部解析工具可能引起的误差传播。实验结果表明, 与现有基于图卷积的模型相比, 其在TACRED(Temporal Action and Relation Corpus)和Re-TACRED数据集的关系抽取任务上精确率、召回率、F1值分别获得了68.8%、77.5%、72.8%和90.5%、91.3%、90.9%的良好性能, 验证了该模型的有效性和可行性。

来源：2025年第10期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第10期