[發明專利]一種基于地震新聞事件的地震數據結構化自動方法

在審

• 申請號: 202010799527.0
• 申請日: 2020-08-11
• 公開（公告）號: CN111950199A
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 俞一奇;邱彥林;陳尚武
• 申請（專利權）人: 杭州敘簡科技股份有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F16/951;G06K9/62;G06N3/04
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 湯東鳳

1.一種基于地震新聞事件的地震數據結構化自動方法，其特征在于，包括如下步驟：

步驟(1)：利用網絡爬蟲爬取地震網站的相關新聞；預先選取地震新聞源網站并設置對應的XPath路徑，爬蟲會自動下載新聞列表中的所有新聞；

步驟(2)：通過BIO標注方式，對采集到的新聞數據標注其中的觸發詞和事件要素；

步驟(3)：將標注完的新聞數據集隨機劃分為訓練數據集和測試數據集，其中測試數據集占20％；

步驟(4)：構建地震事件抽取模型，地震事件抽取模型采用Bi-LSTM和CRF組合的方式實現；

步驟(5)：訓練步驟(4)構建的地震事件抽取模型；

步驟(6)：將訓練好的地震事件抽取模型部署到實際應用中。

2.根據權利要求1中所述的一種基于地震新聞事件的地震數據結構化自動方法，其特征在于，步驟(1)中的觸發詞是先決條件，只有檢測到觸發詞，認為是地震事件，才會進一步提取事件要素；

觸發詞用于判斷是否為地震事件，包含‘地震’關鍵詞，若檢測到觸發詞，則認為是地震事件；事件要素包含發生時間、震中位置、震源深度、震級、受傷人數、死亡人數、直接經濟損失這7類內容；其中，“B-事件要素”代表某一要素的開頭，“I-事件要素”代表某一要素的中間，“O”代表非事件要素。

3.根據權利要求1中所述的一種基于地震新聞事件的地震數據結構化自動方法，其特征在于，步驟(4)的具體流程如下：

(4.1)、地震事件抽取模型輸入為新聞內容的字符，內容長度任意，記為n；首先通過word2vec模塊將每一個字符轉化為對應的向量x_i；word2vec模塊是一個已經訓練完成的開源字符向量庫，其中收錄了中文字符、英文字母、標點符號等常用字符，且每一個字符對應的向量x_i維度大小均為100；查找新聞內容每一個字符對應的向量，該word2vec模塊最后輸出為n×100(x₁,x₂,…,x_n)，其中Λ代表長度為100的向量，此步驟目的是使新聞內容數字化；

(4.2)、將上一步驟(4.1)中每一個字符對應的向量x_i，依次作為Bi-LSTM模塊的輸入，經過循環計算，得到每一個LSTM單元的輸出向量y_i，向量y_i的維度大小為17，向量y_i的含義為17種標簽對應的概率值，該Bi-LSTM模塊最后輸出為n×17(y₁,y₂,…,y_n)，其中Λ代表長度為17的向量；

(4.3)、將上一步驟(4.2)中每一個單元輸出的概率值通過CRF層得到最終結果路徑；CRF層加入一些約束來保證最終預測結果是有效的，這些約束可以在訓練數據時被CRF層自動學習得到；CRF通過計算所有可能路徑的得分進行訓練和預測，設每種可能的路徑的分數為P_i，共有N條路徑，則路徑的總分是

其中，表示第i個LSTM單元輸出的對應標簽的概率；表示第i個標簽到第i+1個標簽的跳轉概率，此跳轉概率屬于CRF層的參數，在訓練時會自動學習；

訓練時，損失函數定義如下:

其中P_RealPath代表真實路徑得分；

實際預測時，取得分最高的路徑作為最終結果，即

P_predict＝max(P₁,P₂,…,P_N)。