[發(fā)明專利]事件確認方法、裝置及電子設(shè)備

有效

• 申請?zhí)枺?/td>: 201811282309.9
• 申請日: 2018-10-29
• 公開（公告）號: CN111104477B
• 公開（公告）日: 2023-04-14
• 發(fā)明（設(shè)計）人: 劉英箎;李泉志;劉曉鐘;司羅
• 申請（專利權(quán)）人: 阿里巴巴集團控股有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F40/263;G06F40/205;G06N3/08
• 代理公司: 北京君以信知識產(chǎn)權(quán)代理有限公司 11789
• 代理人: 譚鎮(zhèn)

1.一種事件確認方法，其特征在于，包括：

獲取文章中的待檢測詞；以及，獲取與所述待檢測詞對應(yīng)的句子片段；

對所述文章執(zhí)行詞向量嵌入，得到所述文章相關(guān)的詞向量，作為第一詞向量；以及，對所述句子片段執(zhí)行詞向量嵌入，得到所述句子片段相關(guān)的詞向量，作為第二詞向量；以及，對所述句子片段中的詞對應(yīng)的詞位置信息執(zhí)行詞位置向量嵌入，得到所述句子片段中的詞對應(yīng)的詞位置向量；

將所述第一詞向量、所述第二詞向量和所述詞位置向量作為事件類型預(yù)測模型的輸入數(shù)據(jù)，所述事件類型預(yù)測模型包括文章級事件特征抽取子網(wǎng)絡(luò)、上下文級事件特征抽取子網(wǎng)絡(luò)和事件類型預(yù)測子網(wǎng)絡(luò)；

通過所述文章級事件特征抽取子網(wǎng)絡(luò)，根據(jù)所述第一詞向量抽取文章級事件特征，并通過所述上下文級事件特征抽取子網(wǎng)絡(luò)，根據(jù)所述第二詞向量和所述詞位置向量抽取上下文級事件特征；

通過所述事件類型預(yù)測子網(wǎng)絡(luò)，至少根據(jù)所述文章級事件特征和所述上下文級事件特征，獲取與所述待檢測詞對應(yīng)的事件類型的預(yù)測值，作為所述文章包括的事件類型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括：

獲取在所述待檢測詞之前或之后出現(xiàn)的至少一個詞分別對應(yīng)的事件類型，作為相鄰詞的事件類型；

對所述相鄰詞的事件類型執(zhí)行事件類型向量嵌入，得到事件類型向量；

所述通過所述事件類型預(yù)測子網(wǎng)絡(luò)，并至少根據(jù)所述文章級事件特征和所述上下文級事件特征，并獲取所述待檢測詞對應(yīng)的事件類型的預(yù)測值，包括：

通過所述事件類型預(yù)測子網(wǎng)絡(luò)，根據(jù)所述文章級事件特征、所述上下文級事件特征和所述事件類型向量，獲取所述預(yù)測值。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，

所述文章級事件特征抽取子網(wǎng)絡(luò)包括：句子級事件特征確定子網(wǎng)絡(luò)，段落級事件類型特征確定子網(wǎng)絡(luò)，文章級事件特征確定子網(wǎng)絡(luò)；

所述通過所述文章級事件特征抽取子網(wǎng)絡(luò)，并根據(jù)所述第一詞向量抽取文章級事件特征，包括：

通過所述句子級事件特征確定子網(wǎng)絡(luò)，根據(jù)所述第一詞向量，獲取所述文章包括的句子對應(yīng)的句子級事件特征；

通過所述段落級事件類型特征確定子網(wǎng)絡(luò)，根據(jù)所述文章包括的句子對應(yīng)的句子級事件特征，獲取所述文章包括的段落對應(yīng)的段落級事件類型特征；

通過所述文章級事件特征確定子網(wǎng)絡(luò)，根據(jù)所述段落級事件類型特征，獲取所述文章級事件特征。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，

所述句子級事件特征確定子網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括雙向長短期記憶網(wǎng)絡(luò)結(jié)構(gòu)Bi-LSTM；

所述通過所述句子級事件特征確定子網(wǎng)絡(luò)，根據(jù)所述第一詞向量，獲取所述文章包括的句子對應(yīng)的句子級事件特征，包括：

將所述句子相關(guān)的第一詞向量的正向序列作為第一LSTM的輸入數(shù)據(jù)，通過所述第一LSTM獲取所述句子的正向句子級事件特征；以及，將所述句子相關(guān)的第一詞向量的反向序列作為第二LSTM的輸入數(shù)據(jù)，通過所述第二LSTM獲取所述句子的反向句子級事件特征；

根據(jù)所述正向句子級事件特征和所述反向句子級事件特征，獲取所述文章包括的句子對應(yīng)的句子級事件特征。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，

所述句子級事件特征確定子網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)還包括注意力層；

所述根據(jù)所述正向句子級事件特征和所述反向句子級事件特征，獲取所述文章包括的句子對應(yīng)的句子級事件特征，包括：

通過所述注意力層，根據(jù)所述正向句子級事件特征和所述反向句子級事件特征，獲取所述文章包括的句子對應(yīng)的句子級事件特征。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述上下文級事件特征抽取子網(wǎng)絡(luò)基于卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括：

從訓練樣本集中學習得到所述事件類型預(yù)測模型；

其中，所述訓練樣本包括訓練用待檢測詞對應(yīng)的文章、句子片段、所述句子片段中的詞對應(yīng)的詞位置信息與事件類型之間的對應(yīng)關(guān)系。