[發明專利]基于圖神經網絡的事件消歧方法及其相關設備

在審

• 申請號: 202210442385.1
• 申請日: 2022-04-25
• 公開（公告）號: CN115062136A
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 王偉;張黔;陳煥坤;鄭毅
• 申請（專利權）人: 潤聯軟件系統（深圳）有限公司
• 主分類號: G06F16/335
• 分類號: G06F16/335;G06F16/31;G06F40/211;G06F40/216;G06F40/253;G06F40/284;G06F40/295;G06F40/30;G06N3/04;G06F16/35
• 代理公司: 深圳市世聯合知識產權代理有限公司 44385
• 代理人: 楊暉瓊

1.一種基于圖神經網絡的事件消歧方法，其特征在于，包括下述步驟：

接收事件語料，對所述事件語料分別進行分詞操作、命名實體識別操作和事件抽取操作，分別獲得多個詞語、多個實體和多個事件元素；

基于所述詞語、實體和事件元素計算第一交互系數、第二交互系數、第三交互系數和第四交互系數；

根據所述第一交互系數、第二交互系數、第三交互系數和第四交互系數生成初始向量，并對所述初始向量進行歸一化處理，獲得目標向量；

基于所述詞語、所述實體和所述事件元素構建目標連接圖，所有所述目標向量組成所述目標連接圖的鄰接矩陣，基于所述鄰接矩陣生成目標矩陣；

基于所述目標矩陣構建多層卷積神經網絡，將所述目標連接圖中的節點轉化為節點特征矩陣，將所述節點特征矩陣輸入至所述多層卷積神經網絡中，獲得輸出的所述目標連接圖中每個節點的圖特征向量；

計算每條所述事件語料中的事件元素對應的圖特征向量的平均值，獲得事件特征向量；

將任意兩個所述事件特征向量輸入至預訓練的二分類神經網絡中，獲得輸出的二分類結果。

2.根據權利要求1所述的基于圖神經網絡的事件消歧方法，其特征在于，所述基于所述詞語、實體和事件元素計算第一交互系數、第二交互系數、第三交互系數和第四交互系數的步驟包括：

計算所述事件元素與所述實體之間的交互系數，作為第一交互系數，并計算所述實體之間的交互系數，作為第二交互系數；

調用句法識別工具對所述事件語料進行句法識別，獲得依存句法樹，根據所述依存句法樹確定依存句法交互系數，作為第三交互系數；

確定在預設知識庫中每個所述詞語的近義詞的數量和下位詞的數量，根據所述近義詞的數量和下位詞的數量計算所述詞語之間的語義交互系數，作為第四交互系數。

3.根據權利要求2所述的基于圖神經網絡的事件消歧方法，其特征在于，所述計算所述事件元素與所述實體之間的交互系數，作為第一交互系數的步驟包括：

通過如下公式計算所述第一交互系數：

其中，EE_i為所述事件元素，ET_j為所述實體，為所述第一交互系數，EditDistance(EE_i，ET_j)為預先計算的EE_i與ET_j之間的編輯距離。

4.根據權利要求2所述的基于圖神經網絡的事件消歧方法，其特征在于，所述計算所述實體之間的交互系數，作為第二交互系數的步驟包括：

將所述實體轉換為詞向量，根據所述詞向量計算所述詞語之間的余弦相似度，作為所述第二交互系數。

5.根據權利要求2所述的基于圖神經網絡的事件消歧方法，其特征在于，根據所述依存句法樹確定依存句法交互系數，作為第三交互系數的步驟包括：

在所述依存句法樹中，若在同一個句子中的詞語之間存在依存關系，則對應的所述第三交互系數為1；

在所述依存句法樹中，若在同一個句子中的詞語之間不存在依存關系，則對應的所述第三交互系數為0；

若任意兩個所述詞語不在同一個句子中，則對應的所述第三交互系數為0。

6.根據權利要求1所述的基于圖神經網絡的事件消歧方法，其特征在于，所述基于所述目標矩陣構建多層卷積神經網絡的步驟包括：

所述多層卷積神經網絡的計算公式為：

其中，L^(j)表示所述多層卷積神經網絡的第j層,W₀為預設權重矩陣，σ為激活函數，為所述目標矩陣。

7.根據權利要求1所述的基于圖神經網絡的事件消歧方法，其特征在于，所述將所述目標連接圖中的節點轉化為節點特征矩陣的步驟包括：

將目標連接圖中的節點輸入至預訓練的BERT語言模型中，獲得輸出的節點特征向量；

根據所有所述節點特征向量生成所述節點特征矩陣。