1.一种实体关系联合抽取方法，其特征在于，包括：获取训练样本数据；利用所述训练样本数据对预先搭建的实体关系抽取模型进行训练，得到训练后模型；其中，所述实体关系抽取模型中包括自注意力层；所述自注意力层用于在训练过程中基于句子中其他三元组对当前预测关系的影响进行注意力计算；当获取到待进行实体关系抽取的目标文本，利用所述训练后模型输出对应的实体关系抽取结果；其中，所述实体关系抽取模型，还包括BERT层、NER层以及表填充层；相应的，所述利用所述训练样本数据对预先搭建的实体关系抽取模型进行训练，包括：将所述训练样本数据输入至所述BERT层，通过所述BERT层对句子进行划分，并将划分出的每个词映射为对应的词向量，以得到句子的上下文表示；通过所述NER层对所述词向量进行线性CRF计算，得到对应的预测实体标记序列，以及将所述预测实体标记序列转换为对应的标签嵌入序列；对所述词向量和所述标签嵌入序列进行拼接，得到目标向量；通过所述表填充层对所述目标向量进行实体关系预测，得到对应的预测实体关系；将所述预测实体关系输入至所述自注意力层进行注意力计算，得到对应的注意力计算后实体关系；对所述注意力计算后实体关系与预定义关系向量进行内积运算，然后通过多标签分类器进行分类，得到每个词对应的实体关系。
2.根据权利要求1所述的实体关系联合抽取方法，其特征在于，还包括：利用标签序列损失函数计算标签序列损失；其中，所述标签序列损失函数为 ；其中， 为训练集，所述训练集包括全部所述训练样本数据， 为词序列 的人工标注的正确关系，所述词序列为通过所述BERT层对句子进行划分，得到的序列， 为 对应的概率值。
3.根据权利要求1所述的实体关系联合抽取方法，其特征在于，还包括：利用表填充损失函数计算表填充损失；其中，所述表填充损失函数为 ；其中， 为表填充损失， 为训练集，所述训练集包括全部所述训练样本数据， 为训练集 句子中对应的词序列， 为词 的训练集中人工标注的正确关系； 表示词 的第 个有关系的实体， 表示词 和 间的训练集中人工标注的正确关系，第 个关系表示为 ， 为词 和 间有关系 的概率。
4.根据权利要求1所述的实体关系联合抽取方法，其特征在于，所述通过所述BERT层对句子进行划分，并将划分出的每个词映射为对应的词向量，包括：通过所述BERT层对句子进行划分，将划分出的每个词转换为对应的向量，然后将转换出的向量输入至编码器编码，以得到所述词向量。
5.根据权利要求1所述的实体关系联合抽取方法，其特征在于，还包括：计算训练损失；所述训练损失包括标签序列损失和表填充损失。
6.一种实体关系联合抽取装置，其特征在于，包括：数据获取模块，用于获取训练样本数据；模型训练模块，用于利用所述训练样本数据对预先搭建的实体关系抽取模型进行训练，得到训练后模型；其中，所述实体关系抽取模型中包括自注意力层；所述自注意力层用于在训练过程中基于句子中其他三元组对当前预测关系的影响进行注意力计算；关系抽取模块，用于当获取到待进行实体关系抽取的目标文本，利用所述训练后模型输出对应的实体关系抽取结果；其中，所述实体关系抽取模型，还包括BERT层、NER层以及表填充层；相应的，所述利用所述训练样本数据对预先搭建的实体关系抽取模型进行训练，包括：将所述训练样本数据输入至所述BERT层，通过所述BERT层对句子进行划分，并将划分出的每个词映射为对应的词向量，以得到句子的上下文表示；通过所述NER层对所述词向量进行线性CRF计算，得到对应的预测实体标记序列，以及将所述预测实体标记序列转换为对应的标签嵌入序列；对所述词向量和所述标签嵌入序列进行拼接，得到目标向量；通过所述表填充层对所述目标向量进行实体关系预测，得到对应的预测实体关系；将所述预测实体关系输入至所述自注意力层进行注意力计算，得到对应的注意力计算后实体关系；对所述注意力计算后实体关系与预定义关系向量进行内积运算，然后通过多标签分类器进行分类，得到每个词对应的实体关系。
7.根据权利要求6所述的实体关系联合抽取装置，其特征在于，还包括训练损失计算模块，用于计算训练损失；所述训练损失包括标签序列损失和表填充损失。
8.一种实体关系联合抽取设备，其特征在于，包括处理器和存储器；其中，所述存储器，用于保存计算机程序；所述处理器，用于执行所述计算机程序以实现如权利要求1至5任一项所述的实体关系联合抽取方法。
9.一种计算机可读存储介质，其特征在于，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的实体关系联合抽取方法。
