1.一种基于句法依赖和融合信息的关系抽取方法，其特征在于包括以下步骤：步骤(1)对句子S进行分词，构建输入序列；将输入序列作为BERT预训练模型的输入，经过BERT模型预处理获得每个词的基本词向量；

步骤(2)对数据集中的句子S利用Spacy依存句法分析工具进行处理，得到句子中词与词之间的依赖关系、边的信息，利用转换函数将依赖关系转换成关系向量；

步骤(3)对于句子中的每个词，利用transformer模型计算位置向量的方法，计算位置向量；之后给每个词添加位置向量，进行基本词向量和位置向量信息融合，得到融合向量；

步骤(4)将融合向量、关系向量以及边的信息输入到键值记忆神经网络网络中，生成每个词的句法信息向量，然后与步骤(3)中融合向量进行拼接；

步骤(5)将拼接后的向量输入到LSTM网络中进行编码，输出编码后的特征向量；

步骤(6)利用LSTM网络解码；在解码的过程中首先对关系类别进行预测，然后对关系类别的两个实体进行预测。

2.根据权利要求1所述的一种基于句法依赖和融合信息的关系抽取方法，其特征在于所述步骤(1)具体实现过程如下：

1‑1首先利用Spacy工具包进行分词构建输入序列S＝{w1,w2,…,wn}，其中n表示序列长度，然后就构建句子向量X，公式表示如下：X＝(w1,w2,…,wn)  (1)

其中，w1,w2,…,wn构成句子向量作为输入向量；

1‑2句子向量在构建完成后，将会被输入到BERT预训练模型中，得到信息更为丰富的基d×n本词向量，记为H∈R ,其中d为输出的基本词向量的维度,n为序列长度，过程表示为下式：H＝BERT(X)＝{h1,h2,…,hn}  (2)其中，h1,h2,…,hn为BERT预训练模型编码之后的向量，X为步骤1‑1中公式(1)输出的句子向量，h1,h2,…,hn合并为基本词向量H。

3.根据权利要求2所述的一种基于句法依赖和融合信息的关系抽取方法，其特征在于所述步骤(2)具体实现过程如下：

2‑1将句子输入到Spacy句法分析工具中：

I＝nlp(sentence)  (3)

公式(3)中sentence为输入的句子，nlp为加载Spacy依存句法分析工具包，I为输出；对输出I进行预处理，包括词下标和依存树的处理，从而获得依存树上的节点的依赖关系Rela和边的信息EdgeInfo，利用pytorch的Embedding函数将依赖关系Rela转换为关系向量relation。

4.根据权利要求3所述的一种基于句法依赖和融合信息的关系抽取方法，其特征在于所述步骤(3)具体实现过程如下：

3‑1对基本词向量H进行位置编码，然后将基本词向量和位置向量进行融合，得到融合后的位置向量Pos：Pos＝PositionEncoding(H)  (4)其中，H为步骤1‑2中式(2)输出的基本词向量，PositionEncoding为编码函数；

然后将位置向量Pos和基本词向量H进行拼接，构成融合向量XP如式(5)；

XP＝Cat(H,Pos)  (5)

其中，Cat为拼接函数，XP为拼接后输出的融合向量。

5.根据权利要求4所述的一种基于句法依赖和融合信息的关系抽取方法，其特征在于所述步骤(4)具体实现过程如下：

4‑1将拼接后输出的融合向量XP、关系向量relation以及边的信息EdgeInfo输入到键值记忆网络中，获得每个词对应的句法向量，公式表示如下：syntax＝KVMN(XP,relation,EdgeInfo)  (6)其中，XP为步骤3‑1中式(5)的融合向量，relation为步骤2‑1中的关系向量，EdgeInfo为步骤2‑1中边的信息，KVMN为键值记忆网络，syntax为句法向量；

4‑2将句法向量syntax与融合向量XP进行拼接获得最终的输入向量InputV。

6.根据权利要求5所述的一种基于句法依赖和融合信息的关系抽取方法，其特征在于所述步骤(5)具体实现过程如下：

5‑1将输入向量InputV输入到LSTM网络中进行编码，输出编码后的特征向量：output,hidden＝LSTM(InputV)  (7)其中，InputV为步骤4‑1中拼接后的输入向量，LSTM为长短期记忆网络，output为LSTM网络最后一层的输出向量，hidden为隐藏层输出向量。

7.根据权利要求6所述的一种基于句法依赖和融合信息的关系抽取方法，其特征在于所述步骤(6)具体实现过程如下：

6‑1将输出向量output通过一个LSTM门控单元映射到另一个向量V；

6‑2.V向量通过全连接层网络映射到所有的关系类别，获得各个关系类别的概率分布，选取概率分布中概率最大的关系类别进行预测；在当前关系类别预测完成后，利用序列标注算法预测当前关系类别对应概率最大的实体下标，从而获得两个实体；

6‑3.将这一步的V向量作为下一步的output向量，重复步骤6‑1、6‑2，直到所有关系预测完成，实现公式如下：V＝lstm_cell(output)  (8)

其中，output为步骤5‑1中(7)式的输出向量，lstm_cell为LSTM门控单元，V为映射得到的另一个向量；

关系类别预测公式如下：

relationType＝do_predict(V)  (9)其中，do_predict为关系预测函数，relationType为预测得到的关系；

实体预测公式如下：

entity＝NER(V)  (10)

其中，NER为命名实体识别模型，entity为得到的实体输出；重复预测实体一次，获得当前关系类别的两个实体；

6‑4在训练时，采用标准的梯度下降算法来更新网络参数，使用交叉熵损失函数和L2正则化，计算式如下：整体损失由两部分组成，如式(11)所示，首先是加权的实体损失，然后是关系损失； 为整体损失， 为实体损失， 为关系损失，λ为标签的损失权重；对于实体损失 计算公式*为式(13)，p(tag |S)为句子S中每个词的每个标签类别tag*的概率分布；将上述概率取负对数即为实体损失；对于关系损失 计算公式为式(12)， 代表句中S预测的每个关系 的概率分布，然后取负对数求和，其中 为预测值，y为真实值，t为预测到第t步。