1.一种持续少样本关系抽取与未见关系检测方法，其特征在于，所述方法包括：获取样本任务；所述样本任务包括数据集和数据集对应的关系集合；所述关系集合包括多个数据间的关系；每个关系在每个样本任务中包括多个实例；构建关系抽取和关系检测模型；所述关系抽取和关系检测模型包括关系抽取模块、动态原型模块和关系推理模块；所述数据集包括多个关系；每个关系包括文本；在所述关系抽取模块利用编码器根据实体标记对所述实例进行编码，得到实例级表示；利用分类器计算所述实例级表示的关系概率；根据所述关系概率设计所述关系抽取模块的损失函数，利用训练好的关系抽取模块输出样本任务的更新后的实例表示集合；在所述动态原型模块对所述样本任务的更新后的实例表示集合进行动态聚类，得到关系原型；根据预先设置的原型对比学习函数对所述关系原型进行对比学习，得到更新后的关系原型；在所述关系推理模块将当前输入的实例级表示与所述更新后的关系原型进行评分计算，得到关系的评分；将评分最高关系作为未见关系的预测标签；对所述样本任务的更新后的实例表示集合进行动态聚类，得到关系原型，包括：获取样本任务的更新后的实例表示集合 设置聚类簇的中心集合C r 初始为空集，初始化聚类簇数m为0，遍历样本任务更新后的实例表示集合中的每个样本，如果是第一个样本，直接作为第一个聚类中心；对每个已有聚类中心，计算当前样本到中心的距离，如果距离小于预定义的簇半径ρ，更新当前聚类中心 b是当前簇中的嵌入数量；如果距离在ρ和ρ+δ之间，δ是半径的可选扩展项，更新ρ值但保持中心不变；如果距离大于ρ+δ，创建一个新的聚类中心，聚类簇数m加1，直至输出所有聚类中心的集合C r ＝{c 1 ,…,c m }，表示关系原型。
2.根据权利要求1所述的方法，其特征在于，利用编码器根据实体标记对所述实例进行编码，得到实例级表示，包括：利用编码器根据实体标记对所述实例进行编码，得到实例级表示为h＝LayerNorm(W 1 [h 1 ；h 2 ]+b 1 ),其中， 表示原始权重矩阵， 是可学习的参数，[；]是拼接的操作，h 1 和h 2 表示[E1]和[E2]的隐藏向量，[E1]和[E2]表示实体标记。
3.根据权利要求1所述的方法，其特征在于，利用分类器计算所述实例级表示的关系概率，包括：利用分类器计算所述实例级表示的关系概率为p(y|x)＝softmax(W 2 h+b 2 ),其中， 表示不同于W 1 的原始权重矩阵， 是可学习的参数，N是当前任务中的关系数量，h是实例级表示，p(y|x)表示实例与真实标签的关系概率。
4.根据权利要求1至3任意一项所述的方法，其特征在于，根据所述关系概率设计所述关系抽取模块的损失函数，包括：根据所述关系概率设计所述关系抽取模块的损失函数为其中，x i 是任务 中的第i个实例， 是x i 的真实标签，p(y i |x i )表示第i个实例x i 与真实标签y i 的关系概率，N×K表示任务 的实例总数， 表示样本任务 的关系集合。
5.根据权利要求1所述的方法，其特征在于，所述预先设置的原型对比学习函数为其中，σ(·)表示Sigmoid函数，sim pos 表示同类对之间的原型余弦相似度，sim neg 表示不同类对之间的原型余弦相似度。
6.根据权利要求1所述的方法，其特征在于，将当前输入的实例级表示与所述更新后的关系原型进行评分计算，得到关系的评分，包括：将当前输入的实例级表示与所述更新后的关系原型进行评分计算，得到关系的评分为其中，w 1 和w 2 是用于平衡余弦相似度和距离相似度的权重，q k 表示当前输入的实例级表示，c i 表示第i个实例的更新后的关系原型。
7.根据权利要求1所述的方法，其特征在于，将评分最高关系作为未见关系的预测标签，包括：将评分最高关系作为未见关系的预测标签为其中， 表示关系的评分， 表示样本任务 的关系集合。
8.一种持续少样本关系抽取与未见关系检测装置，其特征在于，所述装置包括：构建关系抽取和关系检测模型模块，用于获取样本任务；所述样本任务包括数据集和数据集对应的关系集合；所述关系集合包括多个数据间的关系；每个关系在每个样本任务中包括多个实例；构建关系抽取和关系检测模型；所述关系抽取和关系检测模型包括关系抽取模块、动态原型模块和关系推理模块；所述数据集包括多个关系；每个关系包括文本；实例表示更新模块，用于在所述关系抽取模块利用编码器根据实体标记对所述实例进行编码，得到实例级表示；利用分类器计算所述实例级表示的关系概率；根据所述关系概率设计所述关系抽取模块的损失函数，利用训练好的关系抽取模块输出样本任务的更新后的实例表示集合；关系抽取模块，用于在所述动态原型模块对所述样本任务的更新后的实例表示集合进行动态聚类，得到关系原型，包括：获取样本任务的更新后的实例表示集合 设置聚类簇的中心集合C r 初始为空集，初始化聚类簇数m为0，遍历样本任务更新后的实例表示集合中的每个样本，如果是第一个样本，直接作为第一个聚类中心；对每个已有聚类中心，计算当前样本到中心的距离，如果距离小于预定义的簇半径ρ，更新当前聚类中心 b是当前簇中的嵌入数量；如果距离在ρ和ρ+δ之间，δ是半径的可选扩展项，更新ρ值但保持中心不变；如果距离大于ρ+δ，创建一个新的聚类中心，聚类簇数m加1，直至输出所有聚类中心的集合C r ＝{c 1 ,…,c m }，表示关系原型；根据预先设置的原型对比学习函数对所述关系原型进行对比学习，得到更新后的关系原型；未见关系检测模块，用于在所述关系推理模块将当前输入的实例级表示与所述更新后的关系原型进行评分计算，得到关系的评分；将评分最高关系作为未见关系的预测标签。
