1.一种基于自适应实体路径感知的文档级实体关系抽取方法，其特征在于，所述方法包括：获取待抽取文档和实体在所述待抽取文档中的位置；根据wordpiece算法对所述待抽取文档进行数据预处理，得到预处理后的文档；所述预处理后的文档中包含多个句子；构建深度神经网络模型；所述深度神经网络模型包括预训练语言模型、自适应实体路径感知的图上消息传播算法和前馈神经网络；利用预训练语言模型对所述预处理后的文档进行上下文编码，得到句子的上下文表征序列；根据所述句子的上下文表征序列和实体在所述待抽取文档中的位置构建文档图；所述文档图中包含实体节点的初始表示；利用自适应实体路径感知的图上消息传播算法对所述文档图从广度和深度两方面更新所述实体节点的初始表示，得到文档级语义的实体节点表示；根据前馈神经网络对所述文档级语义的实体节点表示进行预测，得到实体间的关系标签得分值；根据所述实体间的关系标签得分值和实体间真实存在的关系标签计算损失值，利用所述损失值和反向传播算法迭代优化所述深度神经网络模型中的可学习参数，得到实体关系抽取模型；根据所述实体关系抽取模型进行文档级实体关系抽取；利用自适应实体路径感知的图上消息传播算法对所述文档图从广度和深度两方面更新所述实体节点的初始表示，得到文档级语义的实体节点表示，包括：利用自适应实体路径感知的图上消息传播算法聚合所述文档图中目标节点N跳内的邻居信息，建模实体对间的交互，从广度和深度两方面共同控制消息传播算法，通过在所述文档图上自动学习实体相关的自适应路径来筛选和聚合文档级信息，得到文档级语义的实体节点表示；利用自适应实体路径感知的图上消息传播算法聚合所述文档图中目标节点N跳内的邻居信息，建模实体对间的交互，从广度和深度两方面共同控制消息传播算法，通过在所述文档图上自动学习实体相关的自适应路径来筛选和聚合文档级信息，得到文档级语义的实体节点表示，包括：利用自适应实体路径感知的图上消息传播算法聚合所述文档图中目标节点N跳内的邻居信息，建模实体对间的交互，对于广度方面，在每一跳邻居信息聚合过程中，根据广度自适应方式得到节点的广度临时聚合表示；在深度方面根据LSTM的长短记忆网络，利用多个门控机制对所述节点的广度临时聚合表示有选择的保存节点相关的文档级高阶信息，只选择一定跳数内邻居进行传播，得到文档级语义的实体节点表示。
2.根据权利要求1所述的方法，其特征在于，根据所述句子的上下文表征序列和实体在所述待抽取文档中的位置构建文档图，包括：根据所述句子的上下文表征序列和实体在所述待抽取文档中的位置计算提及节点、实体节点和句子节点的初始表示，利用提及节点，实体节点和句子节点的初始表示和提及节点，实体节点和句子节点在待抽取文档中的自然关联连接节点构建文档图。
3.根据权利要求2所述的方法，其特征在于，所述提及节点，实体节点和句子节点在待抽取文档中的自然关联包括提及节点与提及节点之间的相互连接、提及节点和句子节点之间的相互连接、提及节点和实体节点之间的相互连接以及实体节点和句子节点之间的相互连接；所述提及节点，实体节点和句子节点构成文档图的节点集合；所述提及节点，实体节点和句子节点在待抽取文档中的自然关联构成文档图的边集合；所述提及节点为提及在文档中对应的词的上下文表征的平均值；所述实体节点为实体对应的所有提及节点表示的平均值；所述句子节点为句子中所有词的上下文表征的平均值。
4.根据权利要求1所述的方法，其特征在于，根据广度自适应方式得到节点的广度临时聚合，包括：根据广度自适应方式得到节点的广度临时聚合为其中， ， 指节点u和邻居v的权重参数， 是对邻居特征进行线性转换的可学习参数， 表示节点 的表示， 和 指注意力机制中的query和key矩阵， 指一个前馈神经网络， 是节点 的邻居节点集合， 表示节点 的表示， 表示节点 的邻居节点， T 表示转置运算。
5.根据权利要求4所述的方法，其特征在于，在深度方面根据LSTM的长短记忆网络，利用多个门控机制对所述节点的广度临时聚合表示有选择的保存节点相关的文档级高阶信息，只选择一定跳数内邻居进行传播，得到文档级语义的实体节点表示，包括：对于所述节点的广度临时聚合表示，利用更新门将节点的广度临时聚合表示中的有效信息添加到记忆单元中，遗忘门则过滤掉上一层记忆单元中无效的信息，输出门控制记忆单元，输出文档级语义的实体节点表示。
6.根据权利要求1所述的方法，其特征在于，根据前馈神经网络对所述文档级语义的实体节点表示进行预测，得到实体间的关系标签得分值，包括：根据前馈神经网络对所述文档级语义的实体节点表示进行预测，得到实体间的所有关系标签的得分为其中 , , 和 是前馈神经网络中的分类器的可学习参数， 指激活函数，d指前馈神经网络中的隐藏维度，k是标签的数量， 表示不同的实体节点表示 和 拼接得到实体对的特征。
7.根据权利要求6所述的方法，其特征在于，根据所述实体间的关系标签得分值和实体间真实存在的关系标签计算损失值，包括：根据所述实体间的关系标签得分值和实体间真实存在的关系标签计算损失值为其中，TH表示阈值关系标签， 表示实体间真实存在的关系标签集合， 表示负样本关系标签集合， logits 指实体对 中所有关系标签的得分， 指关系标签 的得分值， 表示关系标签， 表示关系标签 的得分值， 表示阈值关系标签 的得分值。
