1.一种基于BERT的医疗文本关系抽取的方法，其特征在于，所述方法包括以下步骤：步骤1：收集医疗文本，构建文本数据集；

步骤2：对数据集进行预处理；

步骤3：构建医疗文本关系抽取模型；

步骤4：将抽取结果进行结构化存储。

2.如权利要求1所述的一种基于BERT的医疗文本关系抽取的方法，其特征在于：所述步骤1中，收集医疗文本，所述行为数据每一条须包括两个实体，实体之间须有相应的关系，即构成三元组，每条数据至少要包含1个三元组。

3.如权利要求1或2所述的一种基于BERT的医疗文本关系抽取的方法，其特征在于：所述步骤2中，根据步骤1中的收集的医疗文本数据集，进行实体抽取，抽取出实体后将其按照实体之间的关系进行整合，按照句号进行分句操作，送入医疗文本关系抽取模型中。

4.如权利要求3所述的一种基于BERT的医疗文本关系抽取的方法，其特征在于：所述步骤3中，构建医疗文本关系抽取模型包括以下过程：

3.1)对训练集中每句话按照字进行划分，假设句子为x，则划分后得到序列表示x＝[x0…xn],其中令x0＝[CLS],xn＝[SEP],x0,xn为字向量表征，用token表示；a1＝(i,j)，a2＝(k,l)为两个实体的token范围，其中0

3.2)将两个实体前后添加标识符，则x的序列表示如下所示：

x＝[x0…[E1start]xi…xj-1[E1end]…[E2start]xk…xl-1[E2end]]    (1)其中[E1start]、[E2start]分别为两个实体的开始标识符，[E1end]、[E2end]为结束标识符；

3.3)将上一步的tokens送入BERT模型，分别输出句子中各个汉字的字向量，其中xi所对应的生成向量为Vi，xj-1所对应的生成向量为Vj-1，则第一个实体所对应的向量为Vi到Vj-1；相应的，第二个实体所对应的向量为Vk到Vl-1，将BERT的[CLS]表征(V0)及两个实体(V1、V2)所对应的输出向量分别设为V′0,V′1,V′2，则V′0,V′1,V′2所对应的生成公式如下所示：V′0＝W0[tanh V0]+b0                   (2)其中W0、W1、W2为权重系数，拥有着相同的维度，b0、b1、b2为偏置项，也拥有着相同的维度；

3.4)将所求V′0、V′1、V′2进行拼接并送入全连接层中，最后进行分类，输出最终结果，全连接层及分类公式如下：c＝W3[concat(V′0,V′1,V′2)]+b3             (5)q＝softmax(c)                    (6)其中W3为权重系数，与W0、W1、W2拥有着相同的维度；b3为偏置项，与b0、b1、b2拥有着相同的维度；concat表示拼接操作，softmax为softmax函数。

5.如权利要求4所述的一种基于BERT模型的医疗文本关系抽取的方法，其特征在于：所述步骤4中，将抽取结果进行结构化存储包括以下过程：

4.1)训练好模型后将经过预处理的医疗文本送入模型中；

4.2)将模型输出结果按照对应关系送入MySQL数据库中，进行结构化存储。