[發明專利]一種面向大壩安全運行的事件圖譜構建方法

有效

• 申請號: 202110702542.3
• 申請日: 2021-06-24
• 公開（公告）號: CN113312500B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 毛鶯池;季佳麗;肖海斌;程永;蘇茂;吳威;王龍寶;陳豪;簡樹明;丁玉江;譚彬;張潤;劉錦;岳宏斌;趙盛杰;熊成龍;沈鳳群;冉龍明;婁毅博;李旭
• 申請（專利權）人: 河海大學;華能瀾滄江水電股份有限公司;華能集團技術創新中心有限公司
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F40/211;G06F40/30;G06N3/04;G06N3/08
• 代理公司: 南京樂羽知行專利代理事務所(普通合伙) 32326
• 代理人: 李玉平

1.一種面向大壩安全運行的事件圖譜構建方法，其特征在于，包括如下步驟：

(1)使用ALBERT嵌入層將包含大壩安全運行事件信息的句子和文檔轉化為特征向量，增強中文的語義信息，并使用BiLSTM處理每個詞轉換成的特征向量；

(2)引入局部注意力模擬事件觸發器，按重要性程度分配每個單詞相應權值，取最高權重值單詞為隱藏事件觸發器，引入全局注意力學習句中關鍵詞和文檔語境信息，獲得觸發器在當前場景下唯一含義，輔助判斷該句子的事件類型；

(3)在模型訓練過程中采用Focal loss作為損失函數，在解決樣本不均衡問題的同時加強正樣本和難分樣本對模型的影響力，輸出預測事件類型；

(4)在特征向量后串聯事件類型編碼向量，組成新的句子編碼，通過BiLSTM處理串聯后的嵌入向量，捕獲上下文信息；

(5)根據依存句法分析生成的句子結構和BiLSTM生成的語義向量，引入注意力模式按權重融合圖轉換網絡層和注意力網絡層提取的特征，生成新的表示向量，通過BIO序列標注方式抽取事件論元；

(6)采用TextCNN判斷關鍵句中的關鍵事件，然后利用相鄰句子中的填充詞來補充缺失的事件角色實現事件的缺失論元提取，補充事件知識圖譜；

(7)加權融合圖轉換注意網絡和注意力網絡用以標注序列，獲取事件之間的因果關系，構建事件圖譜。

2.根據權利要求1所述的面向大壩安全運行的事件圖譜構建方法，其特征在于，所述步驟(1)中使用ALBERT嵌入層將包含大壩安全運行事件信息的句子和文檔轉化為特征向量，增強中文的語義信息，并使用BiLSTM處理每個詞轉換成的特征向量的具體步驟如下：

(1.1)以大壩日常工況與應急工況下的設備運行記錄為微調訓練語料庫，之后在已經完成預訓練的ALBERT模型上進行微調訓練，將句子轉換成數學形式的特征向量W；

(1.2)使用BiLSTM網絡處理句子特征向量W，輸出兩個隱藏狀態和合成為用LSTM輸出向量h來表示句子上下文信息。

3.根據權利要求2所述的面向大壩安全運行的事件圖譜構建方法，其特征在于，所述步驟(2)中引入局部注意力模擬事件觸發器，按重要性程度分配每個單詞相應權值，取最高權重值單詞為隱藏事件觸發器，引入全局注意力學習句中關鍵詞和文檔語境信息，獲得觸發器在該場景下唯一含義，輔助判斷該句子的事件類型的具體步驟如下：

(2.1)引入局部注意力機制，將LSTM輸出向量h，事件類型特征向量t₁作為輸入，使用公式獲得局部注意力向量α_s，其中h_k是輸出向量h中第k個部分，是局部注意力向量α_s中第k個部分；

(2.2)引入全局注意力機制，將輸出向量h、事件類型嵌入向量t₂和文檔級嵌入向量d三部分作為輸入，使用公式計算全局注意力嵌入向量α_d，其中h_k是輸出向量h中第k個部分，是全局注意力向量α_d中第k個部分；

(2.3)對α_s和t₁使用點積操作，生成v_s捕獲局部特征和模擬隱藏的事件觸發器，對α_d和t₂使用點積操作，生成v_d捕獲全局特征和語境信息，之后使用Sigmoid函數o＝σ(λ·v_s+(1-λ)·v_d)處理加權平均后的雙重注意力向量v_s和v_d，λ∈[0,1]是在v_s和v_d之間進行權衡的超參數。