[發明專利]因果關系的生成方法、裝置和電子設備

在審

• 申請號: 202110237073.2
• 申請日: 2021-03-03
• 公開（公告）號: CN113821643A
• 公開（公告）日: 2021-12-21
• 發明（設計）人: 肖楠;顧松庠
• 申請（專利權）人: 京東科技控股股份有限公司
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F17/16;G06F40/211;G06F40/289;G06N3/04;G06N3/08
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 韓海花

1.一種因果關系的生成方法，其特征在于，包括：

獲取待處理句子對應的句子信息矩陣；

根據所述句子信息矩陣獲取所述待處理句子中的因果連詞；

根據所述因果連詞在所述待處理句子中的位置生成所述因果連詞對應的位置矩陣；

將所述因果連詞對應的位置矩陣和所述句子信息矩陣輸入至訓練好的因果關系抽取模型中，得到所述因果連詞對應的原因主體詞和結果主體詞。

2.根據權利要求1所述的生成方法，其特征在于，所述獲取待處理句子對應的句子信息矩陣，包括：

獲取所述待處理句子對應的以字為單位的句子矩陣；

將所述句子矩陣輸入至圖神經網絡中，得到所述句子信息矩陣。

3.根據權利要求2所述的生成方法，其特征在于，所述獲取所述待處理句子對應的以字為單位的句子矩陣，包括：

根據因果句型的多個第一樣本句子對Roberta網絡中的最后三層網絡參數進行訓練，得到訓練好的網絡參數；

將所述訓練好的網絡參數確定為待訓練的預訓練模型的參數，得到訓練好的預訓練模型；

將所述待處理句子輸入至所述訓練好的預訓練模型中，得到所述句子矩陣。

4.根據權利要求2所述的生成方法，其特征在于，還包括：

獲取以字為單位的句法依存樹；

將所述句法依存樹轉化為拉普拉斯矩陣，得到所述圖神經網絡。

5.根據權利要求1所述的生成方法，其特征在于，所述根據所述句子信息矩陣獲取所述待處理句子中的因果連詞，包括：

將所述句子信息矩陣輸入至注意力機制網絡矩陣中，得到所述因果連詞。

6.根據權利要求1所述的生成方法，其特征在于，所述因果關系抽取模型為多頭注意力機制模型。

7.根據權利要求1所述的生成方法，其特征在于，還包括：

獲取第二樣本句子中人工標注的樣本原因主體詞和對應的樣本結果主體詞；

獲取所述第二樣本句子對應的樣本句子信息矩陣；

根據所述樣本句子信息矩陣獲取所述第二樣本句子中的樣本因果連詞；

根據所述樣本因果連詞在所述第二樣本句子中的位置生成所述樣本因果連詞對應的位置矩陣；

根據所述樣本因果連詞對應的位置矩陣、所述樣本句子信息矩陣、所述樣本原因主體詞和所述樣本結果主體詞，對待訓練的因果關系抽取模型進行訓練，得到所述訓練好的因果關系抽取模型。

8.一種因果關系的生成裝置，其特征在于，包括：

第一獲取模塊，用于獲取待處理句子對應的句子信息矩陣；

第二獲取模塊，用于根據所述句子信息矩陣獲取所述待處理句子中的因果連詞；

生成模塊，用于根據所述因果連詞在所述待處理句子中的位置生成所述因果連詞對應的位置矩陣；

輸入模塊，用于將所述因果連詞對應的位置矩陣和所述句子信息矩陣輸入至訓練好的因果關系抽取模型中，得到所述因果連詞對應的原因主體詞和結果主體詞。

9.根據權利要求8所述的生成裝置，其特征在于，所述第一獲取模塊，具體用于：

獲取所述待處理句子對應的以字為單位的句子矩陣；

將所述句子矩陣輸入至圖神經網絡中，得到所述句子信息矩陣。

10.根據權利要求9所述的生成裝置，其特征在于，所述第一獲取模塊，具體用于：

根據因果句型的多個第一樣本句子對Roberta網絡中的最后三層網絡參數進行訓練，得到訓練好的網絡參數；

將所述訓練好的網絡參數確定為待訓練的預訓練模型的參數，得到訓練好的預訓練模型；

將所述待處理句子輸入至所述訓練好的預訓練模型中，得到所述句子矩陣。