1.一种基于知识图谱的关系链接方法，其特征在于，包括以下步骤：

S1、对知识图谱以及非结构化文本数据集进行采集及数据预处理，利用知识图谱进行标注，获取非结构化文本中的关系文本，作为训练集：S2、采用LSWMD位置敏感的词语移动距离算法,得到基于关系文本两两间的相似度矩阵,基于相似度矩阵进行聚类，得到关系文本类簇：S3、利用贝塔分布对关系文本类簇中词语的位置进行拟合，得到词语分布模式：

S4、利用词语分布模式，将训练集转化为向量，其中利用知识图谱标注过的关系文本是训练集，利用GBDT梯度提升树进行训练得到分类器：S5、对于没有通过知识图谱标注，或者无法通过知识图谱标注的非结构化文本，利用关系文本类簇进行匹配，并利用分类器进行判别，如果判别为真，则链接到知识图谱对应的关系。

2.根据权利要求1所述的基于知识图谱的关系链接方法，其特征在于，所述获取关系文本后还包括对关系文本进行规则降噪的步骤。

3.根据权利要求2所述的基于知识图谱的关系链接方法，其特征在于，所述关系文本进行规则降噪的步骤包括：筛选长度大于3小于11的关系文本。

4.根据权利要求1-3之一所述的基于知识图谱的关系链接方法，其特征在于，所述步骤S1对知识图谱数据集进行采集及数据预处理，获取关系文本，具体包括步骤：使用SparQL从知识图谱得到实体对，并建立实体对列表；根据主语得到相应的维基百科文章；利用nltk工具进行分句；若句子中包含主语、主语的别名、主语的主体部分，标记为subj；若句子中包含宾语、宾语的别名、宾语的主体部分，标记为obj；对句子截取subj与obj之间的文字部分，作为关系文本。

5.根据权利要求4所述的基于知识图谱的关系链接方法，其特征在于，所述步骤S2的LSWMD算法对关系文本进行聚类，得到关系文本类簇的步骤包括：利用word2vec将词语转化为向量；利用词语向量计算关系文本之间的语义距离矩阵；利用词语的位置计算关系文本之间的句法距离矩阵；将参数α乘以语义距离矩阵与(1-α)乘以句法距离矩阵之和作为EMD的输入，得到基于关系文本两两间的相似度，并构建为相似度矩阵，将相似度矩阵作为输入，使用密度峰值算法聚类，得到关系文本类簇。

6.根据权利要求5所述的基于知识图谱的关系链接方法，其特征在于，所述步骤S3获得词语分布模式步骤包括：统计词语在关系文本中的位置；利用贝塔分布对词语的位置信息进行拟合，得到参数α，β，然后统计出该词语在该类簇中出现的概率γ，将词语表示为(α，β，γ)的三元组；类簇中所有词语的三元组构成该类簇的词语分布模式。

7.根据权利要求6所述的基于知识图谱的关系链接方法，其特征在于，分类器的训练步骤包括：根据类簇大小初始化向量；训练集的句子利用4到10的滑动窗口找到频率最大的词语序列；利用α，β参数，以及该词语在词语序列的位置，计算出词语的匹配度填写到向量对应位置；将该词语序列在每个类簇的向量拼接起来，利用GBDT训练该向量得到一个分类器。

8.根据权利要求6所述的基于知识图谱的关系链接方法，其特征在于，所述步骤S5非结构化文本关系利用分类器进行判别，并链接到知识图谱对应的属性页面具体包括步骤：利用词语分布模式将非结构化文本转化为向量，利用分类器识别该文本是否包含该关系，若包含，将该文本的关系文本链接到知识图谱对应的属性页面。