跨域小样本关系抽取方法、装置及电子设备

1.一种跨域小样本关系抽取方法，其特征是，所述跨域小样本关系抽取方法包括：对多个源域进行域采样，分别划分出一个伪可见域和一个伪不可见域；应用全局参数更新策略更新所述伪可见域的元知识，包括：对所述伪可见域和所述伪不可见域进行标签级元任务采样，构建标签级元任务，所述标签级元任务包括伪可见元任务和伪不可见元任务；根据所述伪可见元任务应用关系抽取模型对所述伪可见域的元知识进行更新；所述伪可见元任务包括支持集和查询集，所述根据所述伪可见元任务应用关系抽取模型对所述伪不可见域的元知识进行更新，包括：应用所述关系抽取模型中的编码器将所述伪可见元任务中的支持集实例和查询集实例映射到低维向量空间；应用所述关系抽取模型中的度量函数获取所述伪可见元任务中的支持集实例和查询集实例在低维向量空间的表示，预测所述伪可见元任务中的查询集实例的关系标签；根据预测的所述查询集实例的关系标签计算所述关系抽取模型的交叉熵损失函数；根据所述交叉熵损失函数对所述元知识进行更新；根据所述伪不可见域和更新后的所述元知识进行迁移学习操作，获取更新的可迁移知识；根据所述元知识和所述更新的可迁移知识预测目标域的关系标签。 2.如权利要求1所述的跨域小样本关系抽取方法，其特征是，所述对多个源域进行域采样，分别划分出一个伪可见域和一个伪不可见域，包括：对多个源域进行域采样，并从中随机选择两个候选域；对两个所述候选域进行域采样，分别划分出一个伪可见域和一个伪不可见域。 3.如权利要求1所述的跨域小样本关系抽取方法，其特征是，所述伪不可见元任务包括支持集和查询集，所述根据所述伪不可见域和更新后的所述元知识进行迁移学习操作，获取更新的可迁移知识，包括：根据更新后的所述元知识分为权重参数和偏差参数；基于前馈神经网络对所述权重参数和所述偏差参数进行迁移学习操作，获取伪不可见域的可迁移知识；根据更新后的所述元知识以及所述伪不可见域的可迁移知识计算关系抽取模型在伪不可见元任务上的泛化能力；根据所述泛化能力对所述可迁移知识进行更新。 4.如权利要求3所述的跨域小样本关系抽取方法，其特征是，所述基于前馈神经网络对所述权重参数和所述偏差参数进行迁移学习操作，获取伪不可见域的可迁移知识，包括：根据所述权重参数 和所述偏差参数 应用以下关系式计算伪不可见域的可迁移知识 ；其中， 表示迁移元学习操作， 表示向量乘法， 表示缩放参数， 表示迁移参数。 5.如权利要求1所述的跨域小样本关系抽取方法，其特征是，所述根据所述元知识和所述更新的可迁移知识预测目标域的关系标签，包括：根据所述元知识和所述更新的可迁移知识预测目标域的查询集实例对应的关系标签，满足以下关系式：其中， 是编码器， 是度量函数， 是预测的关系标签， 和 分别表示测试元任务的支持实例和查询实例， 表示 对应的关系标签。 6.一种跨域小样本关系抽取装置，其特征是，所述跨域小样本关系抽取装置包括：域采样单元，用于对多个源域进行域采样，分别划分出一个伪可见域和一个伪不可见域；伪可见域更新单元，用于应用全局参数更新策略更新所述伪可见域的元知识，包括：对所述伪可见域和所述伪不可见域进行标签级元任务采样，构建标签级元任务，所述标签级元任务包括伪可见元任务和伪不可见元任务；根据所述伪可见元任务应用关系抽取模型对所述伪可见域的元知识进行更新；所述伪可见元任务包括支持集和查询集，所述根据所述伪可见元任务应用关系抽取模型对所述伪不可见域的元知识进行更新，包括：应用所述关系抽取模型中的编码器将所述伪可见元任务中的支持集实例和查询集实例映射到低维向量空间；应用所述关系抽取模型中的度量函数获取所述伪可见元任务中的支持集实例和查询集实例在低维向量空间的表示，预测所述伪可见元任务中的查询集实例的关系标签；根据预测的所述查询集实例的关系标签计算所述关系抽取模型的交叉熵损失函数；根据所述交叉熵损失函数对所述元知识进行更新；伪不可见域更新单元，用于根据所述伪不可见域和更新后的所述元知识进行迁移学习操作，获取更新的可迁移知识；标签预测单元，用于根据所述元知识和所述更新的可迁移知识预测目标域的关系标签。 7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。 8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法。