[發(fā)明專利]一種融合圖譜構建方法及裝置

有效

• 申請?zhí)枺?/td>: 202110075629.2
• 申請日: 2021-01-20
• 公開（公告）號: CN113157931B
• 公開（公告）日: 2022-11-25
• 發(fā)明（設計）人: 汪鐸;葛通;陳維強;孫永良;于濤;王瑋
• 申請（專利權）人: 青島海信網(wǎng)絡科技股份有限公司
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F40/211;G06F40/284;G06F40/30;G06K9/62;G06N20/00;G06Q50/26
• 代理公司: 北京同達信恒知識產(chǎn)權代理有限公司 11291
• 代理人: 張愷寧

1.一種融合圖譜構建方法，其特征在于，包括：

從各信源獲取事件文本；

針對任一事件文本，通過機器學習算法確定所述事件文本中存在因果關系的事件組，并確定事件組中原因事件和結果事件之間的因果強度，所述因果強度用于表示所述原因事件的發(fā)生對所述結果事件發(fā)生的影響程度值；

根據(jù)各事件組及各事件組中原因事件和結果事件之間的因果強度，確定事件圖譜；

通過所述事件圖譜中各事件組與知識圖譜中的實體構建圖譜關系，從而形成融合圖譜；

其中，所述確定事件組中原因事件和結果事件之間的因果強度，包括：

針對存在因果關系的任一事件組，確定在所有事件組中所述事件組中的原因事件作為所述事件組中的結果事件的必要條件的第一概率，及所述事件組中的原因事件作為所述事件組中的結果事件的充分條件的第二概率；

根據(jù)所述第一概率和所述第二概率，確定所述原因事件和所述結果事件之間的因果強度。

2.如權利要求1所述的方法，其特征在于，

所述針對任一事件文本，通過機器學習算法確定所述事件文本中存在因果關系的事件組，包括：

確定所述事件文本的語義特征向量和句法依存圖；

通過所述語義特征向量和所述句法依存圖，確定所述事件文本的注意力特征；

通過所述注意力特征，確定所述事件文本中存在因果關系的事件組。

3.如權利要求2所述的方法，其特征在于，

所述確定所述事件文本的語義特征向量，包括：

通過雙向深度轉(zhuǎn)譯預訓練編碼器Bert模型對所述事件文本中的多個分詞進行向量化表示，得到每個分詞對應的特征向量；

通過雙向長短期記憶模型Bi-LSTM模型對所述多個分詞分別對應的特征向量進行處理，得到每個分詞對應的語義特征向量。

4.如權利要求2所述的方法，其特征在于，

所述確定所述事件文本的句法依存圖，包括：

通過句法分析層確定所述事件文本中的多個分詞之間的依賴關系；

根據(jù)所述多個分詞之間的依賴關系，構建所述多個分詞對應的句法依存圖；所述句法依存圖通過鄰接矩陣的方式進行表示。

5.如權利要求2所述的方法，其特征在于，

所述通過所述語義特征向量和所述句法依存圖，確定所述事件文本的注意力特征，包括：

將所述語義特征向量輸入至圖注意力模型GAT模型中的線性層，得到所述語義特征向量的強化值；

將所述語義特征向量的強化值與所述句法依存圖輸入至所述GAT模型中的融合層，并通過所述GAT模型的多頭注意力機制得到所述事件文本注意力特征。

6.如權利要求1-5任一項所述的方法，其特征在于，

所述方法還包括：

為各事件組中的原因事件或結果事件，確定存在相似性的事件及存在相似性的事件之間的相似度；

所述根據(jù)各事件組及各事件組中原因事件和結果事件之間的因果強度，確定事件圖譜，包括：

將各事件組中的原因事件和結果事件建立關聯(lián)關系，并將原因事件和結果事件之間的因果強度設置為關聯(lián)關系的關聯(lián)強度；

將存在相似性的事件之間建立關聯(lián)關系，并將存在相似性的事件之間的相似度設置為關聯(lián)關系的關聯(lián)強度。

7.如權利要求1-5任一項所述的方法，其特征在于，

所述通過所述事件圖譜中各事件組與知識圖譜中的實體構建圖譜關系，從而形成融合圖譜，包括：

針對任一事件組，通過對所述事件組的事件文本進行實體抽取，確定所述事件組中的實體；

通過各事件組中的實體與知識圖譜中的實體構建圖譜關系，從而形成融合圖譜。

8.一種計算機設備，其特征在于，包括：

存儲器，用于存儲計算機程序；

處理器，用于調(diào)用所述存儲器中存儲的計算機程序，按照獲得的程序執(zhí)行如權利要求1-7任一項所述的方法。

9.一種計算機可讀存儲介質(zhì)，其特征在于，所述存儲介質(zhì)存儲有程序，當所述程序在計算機上運行時，使得計算機實現(xiàn)執(zhí)行如權利要求1-7任一項所述的方法。