[发明专利]用于更新事件集合的方法和装置有效

专利信息
申请号: 202010246962.0 申请日: 2020-03-31
公开(公告)号: CN111459959B 公开(公告)日: 2023-06-30
发明(设计)人: 黄佳艳;陈玉光;韩翠云 申请(专利权)人: 北京百度网讯科技有限公司
主分类号: G06F16/23 分类号: G06F16/23;G06F40/289;G06F40/295;G06F40/30;G06F16/35;G06F16/36;G06N3/0442;G06N3/0455;G06N3/088
代理公司: 北京英赛嘉华知识产权代理有限责任公司 11204 代理人: 王达佐;马晓亚
地址: 100085 北京市*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 用于 更新 事件 集合 方法 装置
【权利要求书】:

1.一种用于更新事件集合的方法,包括:

获取候选事件的信息;

根据所述候选事件的信息确定所述候选事件的特征向量;

将所述候选事件的特征向量与待更新事件集合的特征向量输入预先训练的分类模型;

响应于所述分类模型的输出指示所述候选事件属于所述待更新事件集合,将所述候选事件加入所述待更新事件集合,所述分类模型用于判断所述候选事件与所述待更新事件集合整体的从属关系,而非比较所述候选事件与所述待更新事件集合中单个事件的相似性,以使加入所述待更新事件集合的每个事件均为该事件发展过程中新的关键进展。

2.根据权利要求1所述的方法,其中,所述候选事件的信息包括候选事件的标题;以及

所述根据所述候选事件的信息确定所述候选事件的特征向量,包括:

对所述候选事件的信息进行预处理得到第一词序列;

确定所述第一词序列中各个词的词向量,词性向量和实体向量,其中,所述词性向量表征词的词性,实体向量表征词的是否为实体;

根据所述第一词序列中各个词的词向量,词性向量和实体向量确定所述候选事件的特征向量。

3.根据权利要求2所述的方法,其中,所述根据所述第一词序列中各个词的词向量,词性向量和实体向量确定所述候选事件的特征向量,包括:

级联所述第一词序列中各个词的词向量,词性向量和实体向量;

将级联后的向量输入预先训练的句级编码模型,所述句级编码模型包括注意力机制加权后的长短期记忆网络;

根据所述句级编码模型输出的向量确定所述候选事件的特征向量。

4.根据权利要求3所述的方法,其中,所述根据所述句级编码模型输出的向量确定所述候选事件的特征向量,包括:

确定所述候选事件的主题向量;

级联所述句级编码模型输出的向量与所述候选事件的主题向量得到所述候选事件的特征向量。

5.根据权利要求1所述的方法,其中,所述待更新事件集合的特征向量包括经由以下步骤生成的特征向量:

确定所述待更新事件集合中各个事件的特征向量;

根据所述待更新事件集合中各个事件的时间信息排列所述待更新事件集合中各个事件的特征向量;

基于排列后的特征向量生成所述待更新事件集合的特征向量。

6.根据权利要求5所述的方法,其中,所述确定所述待更新事件集合中各个事件的特征向量,包括:

确定所述待更新事件集合中各个事件的主题向量;

根据所述待更新事件集合中各个事件的主题向量确定所述待更新事件集合中各个事件的特征向量。

7.根据权利要求6所述的方法,其中,所述根据所述待更新事件集合中各个事件的主题向量确定所述待更新事件集合中各个事件的特征向量,包括:

针对所述待更新事件集合中的事件执行如下操作:将事件的标题进行预处理得到该事件的标题的第二词序列;确定所述第二词序列中各个词的词向量,词性向量和实体向量;级联所述第二词序列中各个词的词向量,词性向量和实体向量;将级联后的向量输入预先训练的句级编码模型;将所述句级编码模型输出的向量与该事件的主题向量级联得到该事件的特征向量。

8.根据权利要求5所述的方法,其中,所述基于排列后的特征向量生成所述待更新事件集合的特征向量,包括:

将排列后的特征向量输入预先训练的事件级编码模型,生成所述待更新事件集合的特征向量,所述事件级编码模型包括注意力机制加权后的长短期记忆网络。

9.根据权利要求1-8中任一项所述的方法,其中,所述分类模型的训练样本包括经由以下步骤构建的训练样本:

拆解样本事件集合中的事件构建正样本;和/或

检索正样本中样本候选事件的相似事件,并将正样本中的所述样本候选事件替换为所述相似事件构建负样本。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京百度网讯科技有限公司,未经北京百度网讯科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010246962.0/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top