1.一种中文医学实体关系联合抽取方法，其特征在于：包括如下步骤：步骤一：准备待抽取实体关系的中文医疗文本Text，根据给定的本体约束集合(包括关系名称、头实体类型和尾实体类型)，使用中文BERT模型，将每个关系名称表示成嵌入向量，得到关系的语义信息，即关系嵌入C＝{c1，c2，...，cl}，其中l为关系总数；

步骤二：获取已标注的中文医疗信息抽取数据集Data(包括各个医疗文本的关系名称、头实体和尾实体的名称及类型)，对Data进行预处理，得到每个医疗文本中头实体和尾实体的头尾位置；

步骤三：基于Flat_Lattice结构对Text和Data进行词汇增强，计算它们各个医疗文本中任意两个字(或者词)向量的4个相对距离，得到各个医疗文本字(或者词)向量及其相对距离矩阵，具体过程如下：

3.1)对Text和Data的各个医疗文本分别使用中文的BERT模型得到各自的字向量；

3.2)获取预训练好的中文生物医学词向量，将Text和Data的各个医疗文本分别与中文生物医学词向量的词表进行匹配，识别出与词表有交集的词语进行词汇增强，得到Text和Data的各个医疗文本的词语向量；

3.3)对Text和Data中每个医疗文本的字向量、词语向量进行头尾位置编码，得到字、词的开始及结束位置，使用Flat_Lattice中的相对位置编码技术得到任意两个字(或者词)向量xi和xj之间的4个相对距离 和 放入相对距离矩阵，其中 表示xi的开始位置到xj的开始位置的距离， 表示xi的开始位置到xj的结束位置的距离， 表示xi的结束位置到xj的开始位置的距离， 表示xi的结束位置到xj的结束位置的距离；

步骤四：从Data中取一批训练数据集，将其医疗文本的字(或者词)向量Z和位置编码向量R输入Transformer‑XL编码器得到医疗文本词汇增强后的字向量H＝{h1,h2,…,hn}，n为医疗文本的长度，Transformer‑XL编码器由自注意力层和前馈层2个子层组成，每个子层之后接残差连接和层标准化，任意两个字(或者词)向量xi和xj之间的位置编码Rij由4个相对距离 和 以绝对位置编码形式拼接后经过一个激活函数为ReLU的全连接得到：

其中，Wr是待训练的参数，Pd采用绝对位置编码，d指代 和 基于位置编码向量R的自注意力机制如下：* *

Attention(A，V)＝Softmax(A)V，[Q,K,V]＝Ex[Wq,Wk,Wv],其中Wq,Wk,Z,Wk,R,u,v,Wk,Wv都是待训练的参数；

步骤五：根据关系嵌入C和Transformer‑XL编码器输出的医疗文本字向量H预测关系，得到预测关系列表，具体过程如下：(s)

5.1将H输入两个全连接得到自注意力值A ，其中第一个全连接使用tanh激活函数，第(s) (s)

二个全连接使用softmax激活函数，根据A 计算基于自注意力机制的医疗文本表示M ：(s)

A ＝softmax(W2tanh(W1H))，(s) (s) T

M ＝A H，

其中W1和W2是待训练的参数；

(l) (l)

5.2根据C和H计算关系注意力值A 和基于关系注意力机制的医疗文本表示M ：(l)

A ＝CH，

(l) (l) T

M ＝A H；

(s) (l)

5.3通过注意力融合机制，将M 和M 分别输入一个使用sigmoid激活函数的全连接得到α和β，由α+β＝1对α和β进行约束，融合得到M：(s)

α＝sigmoid(M W3)，(l)

β＝sigmoid(M W4)，(s) (l)

M＝αM +βM ，

其中W3和W4是待训练的参数；

5.4将M输入两个全连接得到关系标签的预测概率 第一个全连接使用ReLU激活函数，第二个全连接使用sigmoid激活函数：其中，W5和W6是待训练的参数，如果 大于阈值0.5，就加入预测关系列表；

步骤六：将Transformer‑XL编码器输出的医疗文本的每两个字向量hi和hj拼接后作一个全连接，得到字符对向量hij：其中激活函数使用的是tanh，Wh和bh是待训练的参数；

步骤七：通过融合特定关系嵌入的TPLinker解码器解码得到主谓宾三元组，用EH‑to‑ET标记实体的头尾字符，用SH‑to‑OH标记关系头尾实体的头字符，用ST‑to‑OT标记关系头尾实体的尾字符，其中，EH‑to‑ET、SH‑to‑OH和ST‑to‑OT解码器由一个相同的全连接实现：其中， 表示字符对hij被标记的预测值，kq表示第q个关系的嵌入，Wt、bt是待训练的参数，激活函数使用的是softmax，具体过程如下：

7.1)解码EH‑to‑ET得到医疗文本中的所有实体及其头字符；

7.2)对于预测关系列表中的每个关系，解码ST‑to‑OT得到头尾实体的尾字符对，将尾字符对和关系存入集合O中，同时解码SH‑to‑OH得到头尾实体的头字符对，将头字符对和所有实体的头字符进行匹配，找到头字符对对应的头尾实体存入集合S中；

7.3)判断S中每对头尾实体的尾字符对是否在O中，如果是，那么确定该三元组为(头实体，关系，尾实体)；

步骤八：计算总的损失函数L，并通过反向传播算法进行联合训练，得到联合抽取模型：L＝Lrel+Ltp，

其中Lrel是关系预测的损失函数，第q个关系的真实值 第q个关系的预测值ltp是加入关系预测后的损失函数，E、H和T分别表示EH‑to‑ET、SH‑to‑OH和ST‑to‑OT， 表示字符对hij被标记的预测值，yijq表示字符对hij被标记的真实值， 表示解码第q个关系时，字符对hij被标记为yijq的概率， 表示预测得到的关系数， 是根据给定的本体约束集合，找到的预测关系对应的头尾实体类型数，即预测得到的实体类型数；

步骤九：从Data中取一批验证数据集，将其医疗文本的字(或者词)向量及其相对距离矩阵输入联合抽取模型，计算联合抽取模型的F1分数：其中precision为精确率，recall为召回率；

步骤十：重复步骤四到九，直到超过预定的F1分数，保存联合抽取模型；

步骤十一：将Text的各个医疗文本词汇增强后的字(或者词)向量及其相对距离矩阵输入联合抽取模型，得到实体关系三元组。

2.实施权利要求1所述的一种中文医学实体关系联合抽取方法的系统，其特征在于包括：医疗关系嵌入表示模块、医疗文本中头实体和尾实体的头尾位置获取模块、医疗文本字词向量及其相对距离计算模块、词汇增强后的字向量输出模块、医疗文本的关系预测模块、医疗文本的字符对向量生成模块、主谓宾三元组输出模块、联合抽取模型训练模块、联合抽取模型的F1分数计算模块、循环训练联合抽取模型模块、医疗文本实体关系获取模块。