[发明专利]一种事件抽取方法和装置

权利要求书

1.一种事件抽取方法，其特征在于，所述方法包括：

预先将触发词类型划分为x种，将实体类型划分为y种，将事件论元类型划分为z种，将所述触发词类型、所述实体类型以及所述事件论元类型以外的类型作为其他类型other；其中，x、y、z均为正整数；

在获得语句的向量化语义表示W1之前，进行以下任意一种或多种操作：

在语句中设置一个或多个token；每一个token用于标记当前词语是否为所述触发词类型；每个token表示x种类型中的任意一种；

根据设定的span宽度，对语句进行span划分，以将语句划分为多个span，并对每个span进行标记，以确定当前span是否属于实体类型；每个标记表示y种类型中的任意一种；

对标记的每一个token和span进行两两结合，并标记结合后的token和span是否为(触发词-论元)对；

获得语句的向量化语义表示W1；

根据所述向量化语义表示W1中设置的token进行触发词识别；

根据所述向量化语义表示W1进行span的划分获得的相应的span语义表示进行实体识别，包括：对所述向量化语义表示W1进行span划分，得到多个语义片段；对多个语义片段进行平均池化，得到每个span的表示W3；将每个span的表示W3作为输入，使用两层全连接神经网络和softmax层对每个span进行分类，输出维度为[N,y+1]的向量W4，向量W4表示每个span属于每一类型实体的概率；

其中，所述对所述向量化语义表示W1进行span划分，得到多个语义片段；对多个语义片段进行平均池化，得到每个span的表示W3，包括：获取设定的span的最大宽度max_span_width；根据span的宽度从1到max_span_width依次在所述向量化语义表示W1上进行选取，获得N个span的语义表示span_embedding；对N个span的语义表示span_embedding进行平均池化，得到每个span的表示W3；

对每一个token和span进行两两结合，并标记结合后的token和span是否为(触发词-论元)对。

2.根据权利要求1所述的事件抽取方法，其特征在于，所述获得语句的向量化语义表示W1包括：通过双向LSTM网络模型或BERT模型获得语句的向量化语义表示W1。

3.根据权利要求2所述的事件抽取方法，其特征在于，在通过双向LSTM网络获得语句的向量化语义表示W1之前，所述方法还包括：将语句中的a个字符随机初始化为一个维度为[a，b]的b维向量D，其中，对于从0到a-1的索引id，每个id对应一个不同的字符；对于长度为S的语句，该语句中每一个字符能够在向量D中找到对应的id，从而获得维度为[S，D]的向量；

通过双向LSTM网络获得语句的向量化语义表示W1包括：将维度为[S，D]的向量输入预设的双向LSTM神经网络，将所述双向LSTM神经网络的输出作为语句的向量化语义表示W1；

其中，所述向量化语义表示W1的维度为[S，D1]；D1为2*LSTM隐层节点数。

4.根据权利要求2所述的事件抽取方法，其特征在于，通过BERT模型获得语句的向量化语义表示W1包括：将语句直接输入所述BERT模型，将所述BERT模型的输出作为语句的向量化语义表示W1；

其中，所述向量化语义表示W1的维度为[S，D1]；D1＝768。

5.根据权利要求1所述的事件抽取方法，其特征在于，所述根据所述向量化语义表示W1中设置的token进行触发词识别包括：

通过两层全连接神经网络和softmax层对每个token进行分类，获得维度为[S,x+1]的向量W2，向量W2表示每个token属于每一类型触发词的概率。