1.一种基于跨度和知识增强的军事领域实体关系联合抽取方法，其特征在于，包括以下步骤：S1：构建数据集收集特定领域的数据，并对所收集的数据进行清洗，构建该领域数据集；S2：标注数据随机选取数据集中若干数据，进行人工标注，利用正则模板对数据集中未经人工标注的数据进行自动标注；S3：实体识别和关系分类对标注后的数据，利用预训练语言模型将高维离散空间的词映射到低维连续空间向量，嵌入编码；利用基于跨度的模型进行跨度识别、过滤和关系分类；利用基于图的模型将关系分类转化为图分类，引入句法依存关系，从而辅助关系判断分类；对基于跨度的模型的输出结果和基于图的模型的输出结果进行联合训练，识别数据中包含的实体以及实体间的关系；所述基于跨度的模型包括实体分类器、跨度过滤器和关系分类器，利用实体分类器对实体进行判断分类，并利用跨度过滤器过滤掉非实体的跨度，然后利用关系分类器判断实体关系类型进行分类；所述利用实体分类器对实体进行判断分类的方法为：将通过预训练网络模型嵌入编码的候选跨度{t i ,t i+1 ,...,t i+k }，输入到实体分类器中，经过一次最大池化，得到实体的向量表示f(t i ,t i+1 ,...,t i+k )，并与BERT模型编码得到的特殊分类向量t cls 、对跨度宽度进行编码的向量t width 进行拼接，得到最终实体的向量表示：其中，i、k均表示序号，然后将拼接后的结果 输入到一层全连接层中并通过softmax激活得到实体类型的概率分布：其中，e i 表示实体类型，W i 表示权重，b i 表示偏置，s i 表示第i个跨度，通过该概率分布对实体类型进行判断分类；所述利用基于图的模型将关系分类转化为图分类，引入句法依存关系，从而辅助关系判断分类的方法为：利用HanLP自然语言处理工具获得句子的依存分析树，并将依存分析树转化为邻接矩阵，得到基于图模型的输入图G i ；然后将输入图G i 输入到由CogDL实现的图卷积神经网络模型GIN中，通过多次迭代学习邻居节点的特征得到整个图的向量表示 将图的向量表示 输入一个全连接层中并利用softmax激活获得图分类的概率分布：其中， 表示权重， 表示偏置，并利用图分类的概率分布，对实体关系进行判断分类；所述对基于跨度的模型的输出结果和基于图的模型的输出结果进行联合训练，识别数据中包含的实体以及实体间的关系的方法为：利用交叉熵损失函数得到基于跨度的模型的实体识别损失γ e ：其中，M e 为实体类型数量； 为指示变量，值为0或1，如果该类别和样本类别相同为1，否则为0； 为观测实体跨度属于实体类别c e 的预测概率；N表示数据集中样本的总数，e为实体的标识；利用BCEWithLogits损失函数得到基于跨度的模型的关系分类损失γ r ：其中，y r 为指示变量，表示预测关系类别是否与样本类别相同，r为关系的标识；r i,j 表示第i个实体和第j个实体之间的关系，i、j表示序号；利用交叉熵损失函数得到基于图的模型的图分类损失γ g ：其中，M g 为关系类型数量； 为指示变量； 为观测图属于类别c g 的预测概率，g为图分类中关系标识；利用如下公式进行联合训练，得到联合损失γ：γ＝γ e +γ r +f(·)γ g其中，f(·)为线性函数，且线性函数f(·)取 其中x表示输入的样本数，N表示数据集中样本总和。
2.根据权利要求1所述的一种基于跨度和知识增强的军事领域实体关系联合抽取方法，其特征在于，步骤S2中，对数据进行人工标注时，标注出数据的实体位置信息、实体类型和实体间的关系。
3.根据权利要求1所述的一种基于跨度和知识增强的军事领域实体关系联合抽取方法，其特征在于，步骤S2中，利用正则模板对数据进行自动标注时，预设实体类型与实体间的关系，根据数据集所属领域，利用领域专家撰写的知识编写正则模板，通过模板匹配的方式标注出数据中预设的实体类型及实体间的关系。
4.根据权利要求1所述的一种基于跨度和知识增强的军事领域实体关系联合抽取方法，其特征在于，步骤S3中，预训练语言模型采用BERT模型，通过有效的编码上下文信息获得词的向量表示。
5.根据权利要求1所述的一种基于跨度和知识增强的军事领域实体关系联合抽取方法，其特征在于，利用跨度过滤器对跨度进行过滤的方法为：基于实体分类器所得到的实体类型的概率分布中，若“none”类型的概率值最高，则将该跨度识别为“none”类型，判断该跨度不是实体，将该跨度过滤。
6.根据权利要求5所述的一种基于跨度和知识增强的军事领域实体关系联合抽取方法，其特征在于，利用关系分类器对关系类型进行判断的方法为：将通过实体分类器得到的跨度编码向量表示 和 与两个跨度之间的上下文通过嵌入编码得到的编码向量表示 进行拼接得到关系表示，由于实体对之间的关系是相反的，所有一组实体对之间有两个相反的关系表示，分别为：其中，r i,j 和r j,i 分别表示第i个实体和第j个实体之间的关系，i、j表示序号；将上述的关系表示输入到一个全连接层中，并通过一个sigmoid函数进行激活，得到关系类型的概率分布：其中，W i,j 和W j,i 表示权重，b i,j 和b j,i 表示偏置，通过得到的关系类型的概率分布对实体对间的关系类型进行判断分类，σ(·)表示函数。
