1.一种基于空间感知依赖图和无损解码的联合信息抽取方法，其特征在于，包括以下步骤：步骤1，利用预训练的语言模型对输入文本序列进行编码；

步骤2，对编码后的序列使用条件随机场进行开始、内部、外部BIO标注，识别出实体和事件触发器；

步骤3，使用连续动态位置信息编码方法，将位置信息添加到步骤2识别出的实体和事件触发器表示中；

步骤3包括：使用连续动态系统来生成位置编码PE＝{p1,p2,p3,…,pn}，其中pn代表第n个词元的位置编码，连续动态系统的演化函数f(p(i),i|θ)公式为：f(p(i),i|θ)＝σ(Wp(i)+tx)，

其中p(i)表示后续位置点，θ是演化函数的参数，W是一个可学习的权重矩阵，σ(·)代表sigmoid函数；

连续动态模型的位置编码是基于微分方程来建模位置信息，微分方程的公式为：其中d表示微分符号；

学习到的微分方程通过以下公式影响位置编码的演化：

其中Δi是序列位置的变化量，p(i+Δi)代表第i+Δi个序列的位置编码；

依据演化公式逐步更新每一个位置的编码，得到最终的位置编码序列PE＝{p1,p2,p3,…,pn}；

步骤4，将信息抽取任务构造为图预测模型，实体和事件触发器为图的节点，关系和事件论元为图的边；

步骤5，利用评分因子，计算节点和边的联合概率分布；

步骤6，对步骤5中的联合概率分布使用随机梯度变分推断，得到节点和边的标签；

步骤7，利用训练好的模型，输入文本，输出文本所含实体、关系、事件触发器、事件论元类别。

2.根据权利要求1所述的方法，其特征在于，步骤1包括：将长度为n的文本序列W＝{w1,w2,w3,…,wn}，输入到经过预训练的BERT模型中进行编码得到序列H的操作记为BERT(w1,w2,w3,...,wn)：H＝BERT(w1,w2,w3,...,wn)＝{h1,h2,h3,...,hn)，得到含有上下文词义的序列H＝{h1,h2,h3,…,hn}，其中hn表示第n个中间参数，wn表示第n个词元。

3.根据权利要求2所述的方法，其特征在于，步骤2包括：使用了两个线性链条件随机场来为文本序列中的每个单词进行BIO标注，首先将序列H＝{h1,h2,h3,…,hn}分别输入到两个前馈神经网络FFN，两个前馈神经网络FFN结构相同，其中一个前馈神经网络FFN用于提取实体，另一个前馈神经网络FFN用于提取事件触发器，得到提取实体和事件触发器任务的表示：entiiy

H 表示提取实体任务中的隐藏层表示：

entity

H ＝FFN(H)，

ttigger

H 表示提取事件触发器任务中的隐藏层表示：

trigger

H ＝FFN(H)，

entity trigger

将H 和H 输入到条件随机场中进行BIO序列标注，首先对条件随机场的转移矩阵T进行初始化，在初始化的时候对转移矩阵进行约束，设T[u,v]为标签u到v的转移分数，约束表示为：从任何标签都不能转移到终止标签end，表示为：

T(:,end)＝‑100，

T(:,end)表示任意标签到终止标签end的转移分数；

起始标签start不能转移到任何非起始标签，表示为：T(start,:)＝‑100，

T(start,:)表示起始标签start到任意标签的转移分数；

对无效转移，赋予低分，表示为：

T(u,v)＝‑100，

使用前向变量αt(v)表示序列在时间步t上的状态为标签v时的路径得分，令提取实体任务中的隐藏层 和提取事件触发器任务中的隐藏层 为当前时间步t上的线性层输出，为了更新前向变量αt(v)，需要考虑从上一个时间步的所有标签转移到当前时间步标签的得分，计算路径得分的公式为：其中 表示第t+1个时间步上的状态为标签v的实体的路径得分， 表示第t+1个时间步上的状态为标签v的事件触发器的路径得分，exp函数表示以自然常数e为底的指数函数；

当遍历完所有的时间步后，需要考虑最后一个标签到终止标签end的转移得分，将前向变量α中最后一个时间步的得分与终止标签end的转移分数相加：αt(end)＝an(m)+T(u,end)，

其中αt(end)表示第t个时间步上的状态为终止标签end的路径得分，T(u,end)表示标签m到终止标签end的转移分数；

计算所有可能标签序列的得分和，即归一化常数Z(x)：为了预测最优标签序列，使用维特比算法，维特比解码的目标是找到得分最高的路径，即最大化：entity* trigger*

其中y 代表句子y的实体最优预测得分，y 代表句子y的事件触发器最优预测得分，yt表示句子y的第t个词元， 表示句子y的第t个词元在提取实体任务中的隐藏层表示， 表示句子y的第t个词元在提取事件触发器任务中的隐藏层表示，argmax表示最大化；

通过动态规划计算最大得分路径，每步选择最优的前一状态，逐步回溯每个时间步上的最优标签，得到文本序列中的实体和事件触发器。

4.根据权利要求3所述的方法，其特征在于，步骤4包括：给定一个句子，将对句子的信息抽取任务表示为一个依赖因子图，其中节点对应于实体和事件触发词，边表示关系和事件论元；

基于依赖因子图，实现以下三个信息抽取任务：

命名实体识别：从文本中识别实体；

关系抽取：捕获文本中实体对之间的关系，并标记关系类型；

事件抽取：从文本中识别和提取事件及相关信息；

在一个联合信息抽取模型中执行命名实体识别、关系抽取和事件抽取：给定一个输入句子，形式化为一个图G＝(V,E)预测任务，其中V表示节点集，E表示有向边集，每个节点v＝(a,b,l)∈V表示一个实体或事件触发词，a和b分别表示跨度的开始和结束位置，l是跨度的enriry event entity标签，对于实体标签l∈L ，对于事件触发器标签l∈L ，L 表示实体标签集合，eventL 表示事件触发器标签集合；每个边eij表示从第i个图节点到第j个图节点的关系标签，eij＝(i,j,r)∈E。

5.根据权利要求4所述的方法，其特征在于，步骤5包括：通过构造因子图，并设计三种不同的评分因子模拟每个标签局部的分布、同一任务实例之间的相关性，以及不同任务实例之间的相关性，所述三种不同的评分因子具体包括一元因子、二元因子和三元因子：一元因子：将预测跨度内的所有单词的表示取平均，和位置编码相加来获得每个节点的表示z，并将每个图节点的表示同时输入到不同任务的前馈神经网络FFN中来得到每个图节点的独立的标签得分：其中 代表第i个图节点的第n个词片段，avg表示取平均值，ntask代表不同的图节点nrask任务，FFN 表示不同图节点任务的前馈神经网络FFN， 代表第i个图节点在不同的图节点任务下的一元得分；

对于边eij的表示，使用两种不同的前馈神经网络FFN来模拟节点作为主语和宾语对关系的影响，并采取了biaffine函数来建模不同前馈神经网络FFN的交互：etask

其中etask代表不同的边任务，代表元素级别乘积，G 是一个随机初始化的可学习etask‑s的参数矩阵， 代表边eij在不同的边任务下的一元得分，FFN 表示图节点作为头etask‑e结点时不同节点任务的前馈神经网络FFN，FFN 表示图节点作为尾结点时不同节点任务的前馈神经网络FFN；

二元因子：二元因子用于捕获共享了同一节点的边的依赖关系，使用不同的前馈神经网络FFN来为每个节点分别计算作为共享joint节点和独立sole节点的表示：其中 代表第i个图节点作为独立sole节点的表示， 代表第i个图节点作为共享joint节点的表示；

对于共享了第i个图节点的两条边，边的二元因子的表示形式为：其中rm代表了第一条边的标签， 是第一条边标签rm的嵌入，rn代表了第二条边的标签， 是第二条边标签rn的嵌入，为了对称性，令 表示对于共享了第i个图节点的边eij和边eik，以eij为首的二元因子评分 与以eik为首的二元因子评分 相同；

三元因子：三元因子用于建模一条边与边的两个端点的相互依赖关系，使用不同的前馈神经网络FFN来为头节点和尾节点生成表示：其中 代表图节点作为头节点时的表示， 代表图节点作为尾节点时的表示；

三元因子的表示形式为：

其中 代表第i个图节点和第j个图节点以及连接第i个图节点和第j个图节点的边s的三元分数， 代表第i个图节点和第j个图节点之间边标签属于类别m的嵌入，lp∈L代e表头节点vi标签属于类别p，lq∈L 代表头节点vi的标签属于类别q， 是三元因子头结点标签lp的嵌入， 是三元因子尾结点标签lq的嵌入；

聚合三种评分因子以获得所有变量的联合概率分布，每个图节点的联合概率分布计算公式为：其中P(xi＝lp,w)表示模型参数为w时，第i个图节点标签属于类别p的概率，P(xj＝lq,w)表示模型参数为w时，第j个图节点标签属于类别q的概率， 表示一元评分因子的第p个元素， 表示一元评分因子 的第q个元素， 表示一元评分因子 的第m个元素，α1,α2∈[0,1]是用于调节每个因子贡献度的权重参数；

对于每一条边，联合概率分布的计算公式为：

其中P(xij＝rm,w)表示模型参数为w时，第i个图节点和第j个图节点之间边的标签为rm的概率，α3,α4∈[0,1]是用于调节每个因子贡献度的权重参数。

6.根据权利要求5所述的方法，其特征在于，步骤6包括：使用随机梯度变分推断来继续维持隐变量之间复杂依赖关系，并迭代的推断每个变量X近似后验分布Q(X)，令真实后验分布为P(X)，通过减少与P(X)的距离来优化近似后验分布Q(X)：其中 代表迭代后的近似后验分布，KL代表KL散度，证据下界L(Q(X))的计算公式为：L(Q(X))＝log(P(X)‑log(Q(X)))，随后通过计算L(Q(X))的梯度，并利用梯度下降不断地更新后验分布Q(X)的参数，再依据后验分布Q(X)，利用前向传播计算模型损失，经过预定迭代次数的反向传播得到最终的联合信息抽取模型。

7.根据权利要求6所述的方法，其特征在于，步骤7中，利用步骤6得到的联合信息抽取模型，输入数据，输出实体、事件触发器、关系和事件论元；

待信息抽取模型训练完毕后，将文本序列输入模型，模型会根据训练的内容提取包含的信息。

8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的方法的步骤。

9.一种存储介质，其特征在于，存储有计算机程序或指令，当所述计算机程序或指令在计算机上运行时，执行如权利要求1至7中任一项所述的方法的步骤。