1.一种数据不均衡条件下的联邦关系抽取方法，其特征在于，包括以下步骤：步骤1，在终端输入层，输入终端本地训练数据；步骤2，在终端编码层，利用预训练语言模型，对关系所涉及的头尾实体进行符号标记，并将标记所对应的隐藏层向量串联作为句子编码向量；终端编码层对于将输入的文本句子在头尾实体前后加入标志符[E 1 ]，[/E 1 ]，[E 2 ]，[/E 2 ]，分别表示头实体的开始与结束和尾实体的开始与结束，句子表示为：s′＝{[CLS],w 1 ,…,w i-2 ,[E 1 ],w i ,…,w j ,[/E 1 ],...,[E 2 ],w k ,...,w l ,[/E 2 ],…,w n ,[SEP]}其中，符号[CLS]和[SEP]表示句子的开始与结束，w i 表示文本的第i个词，将句子输入到预训练语言模型中，得到句子的隐藏层向量序列：将标识符[E 1 ]和[E 2 ]对应的隐藏层向量串联输入到一个全连接层中，h [CLS] ，h [SEP] 表示字符[CLS]和[SEP]所对应的隐藏层状态，h i 表示词w i 所对应的隐藏层状态， 表示头尾实体开始与结束标志符对应的隐藏层状态，获得最终的句子特征向量：其中，W和b是可训练的参数，[:]表示一个拼接操作，设定特征向量s的向量维度为d步骤3，在终端输出层，根据终端编码层输出的特征向量进行关系分类，并通过交叉熵损失进行模型优化；步骤4，在终端可信度计算层，终端首先从服务器下载公用验证集，将步骤3优化训练后的模型参数固定，在验证集上计算各类关系的预测可信度；步骤5，在终端预测层，终端从服务器下载无标注数据集，并对无标注数据进行预测，预测结果与预测可信度相乘，得到最终预测结果并上传服务器；步骤6，服务器收到所有终端的预测结果后，将终端预测结果相加，得到无标注数据集的弱标注结果，将带有弱标签的数据集下发至各终端，进行本地训练。
2.根据权利要求1所述的一种数据不均衡条件下的联邦关系抽取方法，其特征在于，在步骤3中，所述终端输出层根据所述句子特征向量s，通过一个多分类器，确定其所述关系类别：p(r|s,Θ)＝softmax(W o s+b o )其中，W o 和b o 是可训练的参数，Θ为所有训练参数的集合，p(r|s,Θ)表示s属于类别r的概率，r∈R，R为所有关系类别的集合，包含N个关系类别。
3.根据权利要求2所述的一种数据不均衡条件下的联邦关系抽取方法，其特征在于，在输出层定义损失函数为交叉熵损失函数：其中，I(r＝r * )表示一个指示函数，当r为 的真实类别r * 时为1，否则为0，D表示整个本地训练集。
4.根据权利要求2所述的一种数据不均衡条件下的联邦关系抽取方法，其特征在于，在步骤4中，终端在进行本地数据训练后，需要对本地模型的在各关系类别上的表现性能进行评测，获得终端模型在不同关系类别上的可信度，终端首先从服务上下载公用验证集；对于某一个关系r i ，其验证数据表示为 用交叉熵损失表示其可信度，损失越小表示其可信度越高，损失表示为：模型参数在计算过程中固定，根据损失可以获得终端模型在各关系上的置信度分布： 的第i个元素c i 表示终端在关系r i 上的预测可信度。
5.根据权利要求4所述的一种数据不均衡条件下的联邦关系抽取方法，其特征在于，在步骤5中，终端预测层首先从服务器下载无标注数据集U，对于无标注数据集中的每条数据，所述终端模型在固定参数情况下进行预测，预测过程表示为：f(s；Θ)＝softmax(W o s+b o )其中，s为无标注数据集U中的数据经过终端编码层得到的句子特征向量， 为终端模型在所有关系类别集合R上的概率分布，根据所述终端可信度，重新对无标注数据的预测结果进行更新，得到：终端得到预测结果后，将预测结果上传到服务器， 表示经过置信度矫正后预测概率分布，⊙表示元素按位相乘运算。
6.根据权利要求5所述的一种数据不均衡条件下的联邦关系抽取方法，其特征在于，在步骤6中，服务器收到所有终端的预测结果后，对所有终端的预测结果进行汇聚，设定共有M个终端，对于第j个终端，预测结果表示 则汇聚后的预测结果表示为：将全部终端的关系概率分布加和后，选取概率值最大的索引作为其弱标注的关系标签，为无标注数据集打上弱标签后，下发至所有终端，并按照步骤2至步骤4进行本地的模型训练；通过预测结果的汇聚与下发，令终端向其他终端学习。
7.根据权利要求1所述的一种数据不均衡条件下的联邦关系抽取方法，其特征在于，步骤1至步骤6迭代多次，直到所有终端模型收敛至最佳关系抽取性能。
