1.一种基于自注意力的三元组抽取方法，其特征在于，所述方法包括以下步骤：

1)获取已登记在数据库中案件的描述文本，预先设定好需要标注的实体和三元组的schema，所述实体包括人名、地名、时间、罪名和作案方式，所述三元组包括犯案时间、犯案地点、犯案方式，犯案罪名和犯案人同被害人的社会关系；

2)根据上述的标注schema，在web端的标注平台上人工标注出描述文本中的三元组关系，并生成确定格式的标注文本作为训练数据和验证数据；

3)将描述文本和标注文本一一对应后，再根据标注的结果分别生成两个子文件；

4)三元组抽取方法的训练使用的是管道式的策略，先利用Transformer网络模型作为编码器，指针网络作为解码器，来对BIEO标注的文本作实体抽取的训练；同时，用另一个transformer网络模型作为编码器，全连接网络作为解码器对标注出实体的文本进行关系分类的训练；

5)训练完成后，将实体模型和关系模型分别保存；

6)预测时将一段文本先输入实体模型中，预测出其中所有潜在的实体，并将其两两配对，以marker的形式标注在文本后，将marker标注后的文本再输入至关系模型，得到每个实体对的关系；

7)整理两个模型的输出，得到最终的三元组抽取结果；

所述步骤4)的过程为：

4.1)给定token化的文本X＝[x1,x2……xn]，其中xn为在文本n位置的token，将X输入Transformer模型后，得到文本的隐藏表示H＝[h1,h2……hn]，其过程表示为：H＝Transformer(X)    (1)

4.2)根据BIEO的标注文本，构造出实体识别的gold标签G＝[g1,g2……gn]，再将4.1)当中得到的隐藏表示H输入至指针网络中，得到文本在每个token上的标注分类概率P＝[p1,p2……pn]，然后使用交叉熵损失函数对实体识别任务进行训练：

4.3)关系分类的模型需要构造额外的文本向量，给定token化的文本X＝[x1,x2……xn]，其中xt为在文本t位置的token，并在文本X之后加入实体的marker标记，记为M＝[ms1,me1,ms2,me2……msk‑1,mek‑1,msk,mek]，每对marker与实体的起始位置和结束位置共享位置编码，用于标注含有关系的实体对，此外，利用Transformer自带的自注意力层，我们提取出每个实体对中头实体和尾实体起始位置marker的注意力矩阵As和Ao，并作以下的计算来得到每个实体对用于分类的关系特征向量Ci：A＝As·Ao    (3)

T

C＝Ha    (6)

其中，h为多头注意力头数，H为经过transformer得到的隐藏表述；

4.4)再通过交叉熵损失函数，将本地标注的关系同预测出的关系计算损失：其中，N为关系的数量，i为一个批量数据中句子的位置，R为关系类别的总数量，c为关系的类别。

2.根据权利要求1所述的基于自注意力的三元组抽取方法，其特征在于，所述步骤3)的过程为：子文件之一是以BIEO标注法标注出所有实体的命名实体识别标注文本；另一个子文件是通过marker标记法在实体span级别上标注出实体关系的关系分类标注文本。