1.一种基于神经网络的实体关系抽取方法，其特征在于，通过构建神经网络模型抽取实体，再用分类算法对模型抽取的实体进行分类，完成实体关系的抽取，具体包括如下步骤：

1）对训练集预处理：

1‑1）将训练集的文本以及文字进行分割，达到字与字之间分开的效果；

1‑2）将分开的字转换成字典，每个字都有对应的数字ID；

1‑3）将训练集的句子每个字都转换成相应的字典ID，形成句子向量；

1‑4）经过上述步骤处理后得到的数据输入模型的编码层；

2）训练实体抽取模型：

2‑1）将步骤1）得到的句子向量送入神经网络的Embedding层进行编码；

2‑2）接收来自步骤1‑3）的处理数据，将其置入bilstm层完成双向长短记忆特征训练，经过反复timestep后的训练得到一组数据权重；

2‑3）将步骤2‑2）得到的数据，转送到CRF层对数据进行约束，提高分类精度；

2‑4）重复进行上述步骤将模型训练到精确度最高的情况，得到实体抽取模型；

2‑5）将文本输入实体抽取模型中，抽取实体；

3）关系分类：

3‑1）将步骤2‑5）抽取到的实体进行向量转化操作，将其变成可以被计算机识别的特征向量；

3‑2）接收步骤3‑1）后处理的特征向量，对接收到的特征向量进行PCA降维，转化成空间坐标（a，b）的形式；

3‑3）对空间坐标做KNN分类，找到最近的关系点；

经过上述步骤，完成实体关系的抽取。

2.根据权利要求1所述的一种基于神经网络的实体关系抽取方法，其特征在于，步骤1‑

1）中，所述分割，是将文本转化为相应的标签文本：B‑PER I‑PER B‑ORG I‑ORG B‑LOC I‑LOC；其中B‑PER表示人名开始符号，I‑PER表示人名后缀符号，B‑ORG表示组织名开始符号，I‑ORG表示组织名后缀符号，B‑LOC表示位置开始符号，I‑LOC表示位置后缀符号。

3.根据权利要求1所述的一种基于神经网络的实体关系抽取方法，其特征在于，步骤2‑

1）中，所述的神经网络为循环神经网络。

4.根据权利要求1所述的一种基于神经网络的实体关系抽取方法，其特征在于，所述步骤2），需要满足以下环境：

a、python环境python>=3.5，b、keras神经网络模块>=2.14，c、tensorflow>=1.40，d、numpy以及py5d模块组件。

5.根据权利要求1所述的一种基于神经网络的实体关系抽取方法，其特征在于，步骤2‑

4中，所述的实体抽取模型，输入的为中文txt样本，输出的为标签块。