关系抽取旨在从非结构化的文本数据中提取出特定实体间的语义关系,是知识图谱构建、智能问答、个性化推荐等领域的核心技术。在封闭域关系抽取中,关系触发词作为能够清晰判断给定关系类型的上下文语境词,一直没有得到充分利用,这主要是由于人工标注成本高和没有切实可行的自动标注方法等原因造成。针对上述问题,提出一种可用于自举法的融合触发词注意力机制的关系抽取模型RETA。首先,在构造输入序列中,为防止实体重叠嵌入,使用ARG标识代替句子中的头、尾实体词项,再将头尾实体拼接至输入序列尾部,以实体感知的方式对句子进行编码,进而构造上下文向量矩阵;然后,使用BERT模型生成文本向量,将其输入MLP全链接神经网络以增强文本表示,借助注意力机制将文本表示通过softmax函数进行归一化计算,得到关系触发词开始和结束位置的概率分布;其次,融合触发词的注意力到关系预测当中,使用触发词头尾的权重向量计算权重总和,得到最终的特征向量表示,实现融合触发词注意力特征的文本内容建模;最后,采用多任务学习的方式优化模型,使用交叉熵损失作为每一个任务的损失函数,并利用触发词的预测概率建模置信度来调节损失函数的权重,从而实现整体的优化。在篇章级DialogRE数据集中F1值较基准模型BERT、BERTs、CNNRE、BiLSTM和LSTM分别有3.5%、1.9%、14.4%、15.0%和13.8%的提升;在句子级数据集SemEval 2010 task 8和Re-TACRED上F1值较基准模型CNNRE、BiLSTM、DepPath和BERT均有不同程度提升,最高达13.4%。在DialogRE数据集上仅通过2个epoch训练,F1值既可超过55%;在Re-TACRED数据集上通过6个epoch训练,F1值既可达到45%。实验表明,融合触发词注意力机制的关系抽取模型RETA有着更好的抽取性能,训练效率高,进而证实关系触发因素在引导模型学习中起着至关重要的作用。论文有图21幅,表16个,参考文献55篇。