1.一种知识图谱构建方法，其特征在于，包括以下步骤：

对待处理的句子进行分词，得到多个单独词；所述待处理的句子为具有一定长度的文本，包括：新闻文本、用户输入文本或由语音输入识别的转换的文本；

识别所述多个单独词中的实体，将所述实体两个一组组成实体对；所述实体是在文本中具有特定含义或者具有很强指代性的名词，包括人名、地名、机构名称、时间或专用名称；

对于每个所述实体对，获取所述句子的句向量，所述句向量包括多个所述单独词的词‑位置向量，所述单独词的词‑位置向量包括所述单独词的词向量，以及所述单独词与所述实体对的相对位置向量；

根据所述句向量提取所述句子多个方面的表示特征；

根据所述多个方面的表示特征得到一个融合特征，所述融合特征包括不少于一个特征向量；

对所述融合特征进行特征筛选，屏蔽其中的噪声特征；

根据所述融合特征预测所述实体对的实体关系；

根据所述实体对和对应的实体关系构建知识图谱；

所述实体对包括第一实体和第二实体，获取所述单独词与所述实体对的相对位置向量的步骤包括：分别计算所述单独词相对于所述第一实体以及所述单独词相对于第二实体的相对距离；根据预设的位置向量矩阵将所述相对距离转换为向量表示；

所述分别计算所述单独词相对于所述第一实体以及所述单独词相对于第二实体的相对距离之后，所述根据预设的位置向量矩阵将所述相对距离转换为向量表示之前，还包括步骤：判断所述相对距离是否在预设的最小距离与最大距离的范围之内，若所述相对距离小于所述最小距离，则以所述最小距离替换所述相对距离；若所述相对距离大于所述最大距离，则以所述最大距离替换所述相对距离；

所述根据所述句向量提取所述句子多个方面的表示特征包括：

根据 所述 句向量 ，按 照下 述公式 计算 预设次 数的 所述 表示 特征 ，其中，hi为第i个方面的所述表示特征，i的取值范围为[1，l]，l为所述预设次数，v为所述句向量，dv为构成所述句向量的所述单独词的数目， 和 分别表示第i次计算时的不同的参数矩阵且分别通过神经网络训练获得，所述预设次数的取值范围在5～12之间；

所述根据所述多个方面的表示特征得到一个融合特征包括：将每个方面的所述表示特征分别放入卷积神经网络的一个单独通道；对于每一所述单独通道，通过下述公式计算所述融合特征中的特征向量，cj＝f(wf·h(i：i+n‑1)+bf)

其中，j的取值范围为[1，m]，cj表示融合特征中的第j项特征向量，m为卷积核的个数，f为非线性函数，wf为参数矩阵，bf为偏置参数，h(i：i+n‑1)由hi、hi+1、…、hi+n‑1依次连接组成，n为卷积窗口的长度，hi表示第i个方面的所述表示特征；

根据计算得到的所述m个特征向量生成所述融合特征；

所述对所述融合特征进行特征筛选，屏蔽其中的噪声特征包括：对所述融合特征中包括的所述特征向量进行全局平均池化，得到所述特征向量分别对应的聚合信息；利用两个全连接网络对所述聚合信息进行筛选，得到所述特征向量对应的筛选参数；根据所述筛选参数判断所述特征向量是否为噪声特征，若是，则将所述噪声特征屏蔽，更新所述特征向量；根据所述更新后的特征向量，更新所述融合特征；

所述根据所述筛选参数判断所述特征向量是否为噪声特征，若是，则将所述噪声特征屏蔽，更新所述特征向量包括：根据下述公式进行所述筛选参数的判断与屏蔽，

其中，所述cj表示融合特征中的第j项所述特征向量，所述xj为所述cj对应的更新后的特征向量，所述sj为所述cj对应的所述筛选参数。

2.如权利要求1所述的知识图谱构建方法，其特征在于，所述根据所述融合特征预测所述实体对的实体关系包括：获取所述融合特征包括的每一所述特征向量的突出特征，所述突出特征包括所述特征向量中元素的最大值和平均值；

根据所述突出特征，获取高层特征集合；

根据所述高层特征集合，利用全连接网络预测所述实体对的关系概率向量；

将所述关系概率向量中最大的元素对应的关系作为所述实体对的实体关系输出。

3.如权利要求2所述的知识图谱构建方法，其特征在于，所述根据所述高层特征集合，利用全连接网络得到所述实体对的关系概率向量包括：根据下述公式计算所述关系概率向量，

其中，y为所述关系概率向量，wp为所述全连接网络的参数矩阵，r为符合伯努利分布的遮蔽向量，q为所述高层特征集合，bp为偏置参数。

4.一种知识图谱构建装置，其特征在于，包括：

句子分词模块，所述句子分词模块用于对待处理的句子进行分词，得到多个单独词；所述待处理的句子为具有一定长度的文本，包括：新闻文本、用户输入文本或由语音输入识别的转换的文本；

实体识别模块，所述实体识别模块用于识别所述多个单独词中的实体，将所述实体两个一组组成实体对；所述实体是在文本中具有特定含义或者具有很强指代性的名词，包括人名、地名、机构名称、时间或专用名称；

向量表示模块，所述向量表示模块用于获取所述句子的句向量，所述句向量包括所述多个单独词的词‑位置向量，所述单独词的词‑位置向量包括所述单独词的词向量，以及所述单独词对于所述实体对的相对位置向量；

特征提取模块，所述特征提取模块用于根据所述句向量提取所述句子多个方面的表示特征；

特征融合模块，所述特征融合模块用于根据所述多个方面的表示特征得到一个融合特征，所述融合特征包括不少于一个特征向量；

特征筛选模块，所述特征筛选模块用于对所述融合特征进行特征筛选，屏蔽其中的噪声特征；

关系预测模块，所述关系预测模块用于根据所述融合特征预测所述实体对的实体关系；

图谱构建模块，所述图谱构建模块用于根据所述实体对和对应的实体关系构建知识图谱；

所述实体对包括第一实体和第二实体，所述向量表示模块分别计算所述单独词相对于所述第一实体以及所述单独词相对于第二实体的相对距离；根据预设的位置向量矩阵将所述相对距离转换为向量表示；

所述分别计算所述单独词相对于所述第一实体以及所述单独词相对于第二实体的相对距离之后，所述根据预设的位置向量矩阵将所述相对距离转换为向量表示之前，还包括步骤：判断所述相对距离是否在预设的最小距离与最大距离的范围之内，若所述相对距离小于所述最小距离，则以所述最小距离替换所述相对距离；若所述相对距离大于所述最大距离，则以所述最大距离替换所述相对距离；

所述根据所述句向量提取所述句子多个方面的表示特征包括：

根据 所述 句向量 ，按 照下 述公式 计算 预设次 数的 所述 表示 特征 ，其中，hi为第i个方面的所述表示特征，i的取值范围为[1，l]，l为所述预设次数，v为所述句向量，dv为构成所述句向量的所述单独词的数目， 和 分别表示第i次计算时的不同的参数矩阵且分别通过神经网络训练获得，所述预设次数的取值范围在5～12之间；

所述特征融合模块包括通道分配单元、卷积计算单元、特征融合单元，其中：所述通道分配单元用于将每个方面的所述表示特征分别放入卷积神经网络的一个单独通道；

所述卷积计算单元用于对于每一所述单独通道，通过下述公式计算所述融合特征中的特征向量，cj＝f(wf·h(i：i+n‑1)+bf)

其中，j的取值范围为[1，m]，cj表示融合特征中的第j项特征向量，m为卷积核的个数，f为非线性函数，wf为参数矩阵，bf为偏置参数，h(i：i+n‑1)由hi、hi+1、…、hi+n‑1依次连接组成，n为卷积窗口的长度，hi表示第i个方面的所述表示特征；

所述特征融合单元用于根据计算得到的所述m个特征向量生成所述融合特征；

所述对所述融合特征进行特征筛选，屏蔽其中的噪声特征包括：对所述融合特征中包括的所述特征向量进行全局平均池化，得到所述特征向量分别对应的聚合信息；利用两个全连接网络对所述聚合信息进行筛选，得到所述特征向量对应的筛选参数；根据所述筛选参数判断所述特征向量是否为噪声特征，若是，则将所述噪声特征屏蔽，更新所述特征向量；根据所述更新后的特征向量，更新所述融合特征；

所述根据所述筛选参数判断所述特征向量是否为噪声特征，若是，则将所述噪声特征屏蔽，更新所述特征向量包括：根据下述公式进行所述筛选参数的判断与屏蔽，

其中，所述cj表示融合特征中的第j项所述特征向量，所述xj为所述cj对应的更新后的特征向量，所述sj为所述cj对应的所述筛选参数。

5.一种存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至3任一项所述方法的步骤。

6.一种电子设备，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至3任一项所述方法的步骤。