1.一种融合BERT网络与位置特征信息的实体关系抽取方法，其特征在于，其步骤为：

1)实体数据采集：获取专业垂直领域公开的数据集，根据BIO标注采集样本；

2)数据处理：将得到实体样本分为训练集、验证集和测试集，最大最小归一化处理；

3)提出模型结构：提出的融合BERT网络与位置特征信息的实体关系抽取模型，由BERT模型、Bi‑LSTM、线性层、Attention层、全连接层组成；首先，BERT层捕获更强的上下文语义信息，其次，通过Bi‑LSTM拼接完整的时间步隐状态序列，映射到线性层得到每个类别标签的得分，然后，通过Attention层分配权重，选择特定信息与位置嵌入矩阵P在全连接层拼接区分相同实体在不同关系间的特征表示，最后通过实体分类矩阵C完成实体分类预测；

对BERT的输出序列中每个词计算其与当前注意力输出序列触发词的距离，然后根据句子最大长度m和位置特征大小n随机初始化位置嵌入矩阵P，通过查询位置嵌入矩阵P得到每个词的关系位置特征Pft，关系位置特征按照公式(5)计算：Pft＝PPr‑Pw(5)

其中，Pr代表关系触发词的位置；Pw代表BERT输出序列词的位置；

将位置嵌入矩阵与注意力机制输出矩阵在全连接层进行拼接，得到实体分类矩阵(6)：C＝f(Attention_rk×1；P)(6)

其中f(·)代表全连接层；Attentiont_rk×1为注意力机制的输出向量矩阵；P为位置嵌入矩阵，C为当前实体分类矩阵；

4)离线训练：利用训练集和正则化策略训练模型和保存实体分类矩阵C最优参数；

5)在线测试：应用测试集验证模型性能或加载预训练参数微调整个模型微调，利用参数共享迁移学习实现模型及时训练。

2.根据权利要求1所述的融合BERT网络与位置特征信息的实体关系抽取方法，其特征在于，所述的步骤3)中，具体方法为：

3.1)数据经过BERT模型与Bi‑LSTM，获得字级别对应的每个类别标签的得分：将BERT作为输入文本序列的编码器，采用BERT获取隐含层状态向量Xt，具体如公式(1)所示：Xt＝Bertbase(wt)(1)

将其记作序列X＝(x1,x2,…,xn)；

将BERT网络得到的序列X作为双向长短时记忆网络Bi‑LSTM各个时间步的输入，得到Bi‑LSTM层的前向隐状态序列 和后向隐状态序列 其中ht在隐藏层引入相应的记忆单元，如公式(2)所示；

其中，ht‑1为上一个长短时记忆网络单元的隐藏层的输出结果；Ct‑1则是上次一个长短时记忆网络单元的状态结果；xt则是本文的字向量输入结果；ft为遗忘门的输出结果，其中σ为sigmoid激活函数；it与 则为输入门的输出结果；tanh为tanh激活函数；Οt为输出门的输出结果；Ct为当前单元的状态值；ht为当前单元的隐藏层的输出；

将前向和后向隐状态序列按照时间步拼接得到完整的隐状态序列,记作H＝(h1,h2,…,hn)；

最后，通过线性层将隐状态序列映射到s维，得到映射后的序列记作L＝(l1,l2,…,ln)；

其中，L代表字Xi对应的每个类别标签的yj的得分；

3.2)提出关系位置特征注意力机制：将每个类别标签的得分输入关系位置特征注意力机制，得到实体分类矩阵C；

采用注意力机制QKV模型计算实体关系分类结果的权重值；通过均匀分布进行随机采样的向量矩阵queryk*1得出Query矩阵，其中k为双向长短时记忆网络隐藏层的输出向量维度；通过句子中的中文分词的词向量所生成的特征矩阵得出Key矩阵；通过双向长短时记忆网络隐藏层输出向量组成的矩阵得出Value矩阵；

实体关系抽取中的注意力机制权重值按照公式(3)计算：

Attention_wn×1＝softmax(key_wn×k*query_wk×1)(3)其中，softmax函数是用来进行向量归一化的操作；key_wn×k为注意力机制的Key向量矩阵；query_wk×1为注意力机制中Query向量矩阵；Attention_wn×1为注意力机制的权重值；

实体关系抽取中注意力机制输出矩阵按照公式(4)计算：

T T

Attention_rk×1＝(Attention_w*value_wn×k) (4)其中，value_wn×k为双向长短时记忆网络隐藏层的输出向量矩阵；Attentiont_rk×1则是注意力机制的输出向量矩阵；

建立注意力输出序列与经过BERT的输出序列的关系，区分相同实体在不同关系间的特征表示，做出最后的关系分类预测。

3.根据权利要求2所述的融合BERT网络与位置特征信息的实体关系抽取方法，其特征在于：将CNMER数据利用融合BERT网络与位置特征信息的实体关系抽取方法进行实体抽取，完成疾病体征、疾病治疗实体分类。

4.根据权利要求2所述的融合BERT网络与位置特征信息的实体关系抽取方法，其特征在于：将AIR FORCE MIL‑HDBK‑310‑1997数据利用融合BERT网络与位置特征信息的实体关系抽取方法进行实体抽取，完成发展军事产品的不同气候实体分类。

5.根据权利要求2所述的融合BERT网络与位置特征信息的实体关系抽取方法，其特征在于：将LendingClub数据利用融合BERT网络与位置特征信息的实体关系抽取方法进行实体抽取，完成贷款客户、贷款业务、贷款违约因素实体分类。

6.根据权利要求2所述的融合BERT网络与位置特征信息的实体关系抽取方法，其特征在于：将CALL2018数据利用融合BERT网络与位置特征信息的实体关系抽取方法进行实体抽取，完成罪名、法条、刑期实体分类，提高刑法实体分类。