[发明专利]自然灾害事件的抽取方法、装置、设备以及存储介质

权利要求书

1.一种自然灾害事件的抽取方法，包括：

对新闻文本进行分句处理，得到每个字的词向量；

将所述每个字的词向量输入至预训练模型同时进行训练和预测，所述预训练模型输出每个字的词向量的特征向量；

创建触发词和要素提取模型，以及利用迁移学习的方法将预训练模型作为触发词和要素提取模型的词嵌入层；

利用所述触发词和要素提取模型，基于深度学习的方法从新闻文本中抽取自然灾害事件的触发词和要素。

2.根据权利要求1所述的方法，还包括：

将所述触发词和要素提取模型抽取的自然灾害事件的触发词和要素输入至卷积神经网络模型进行匹配，将与触发词匹配的要素作为自然灾害事件要素；

对所述触发词和自然灾害事件要素进行结构化处理并输出处理结果。

3.根据权利要求1所述的方法，其中，所述触发词和要素提取模型为BiLSTM+Attention+CFR模型，所述BiLSTM用于提取向量特征，Attention用于对向量作注意力变换，CFR用于预测向量的标签。

4.根据权利要求1所述的方法，其中，所述将每个字的词向量输入至预训练模型同时进行训练和预测还包括：

利用word2vec模型对词向量进行训练，得到预训练词向量表；

对于新闻文本中的每一个字，若该字在预训练词向量表中存在，则使用表中的词向量作为该字的词向量；

若新闻文本中的某一个字在预训练词向量表中不存在，则使用正态分布随机初始化向量作为该字的词向量。

5.根据权利要求1所述的方法，其中，所述预训练模型为Bert模型。

6.一种自然灾害事件的抽取装置，其特征在于，所述装置包括：

分句模块，被配置为对新闻文本进行分句处理，得到每个字的词向量；

预训练和预测模块，被配置为将每个字的词向量输入至预训练模型同时进行训练和预测，所述预训练模型输出每个字的词向量的特征向量；

创建模型模块，被配置为创建触发词和要素提取模型，以及利用迁移学习的方法将预训练模型作为触发词和要素提取模型的词嵌入层；

抽取模块，被配置为利用所述触发词和要素提取模型，基于深度学习的方法从新闻文本中抽取自然灾害事件的触发词和要素。

7.根据权利要求6所述的装置，其中，所述装置还包括：

匹配模块，被配置为将所述触发词和要素提取模型抽取的自然灾害事件的触发词和要素输入至卷积神经网络模型进行匹配，将与触发词匹配的要素作为自然灾害事件要素；

输出模块，被配置为对所述触发词和自然灾害事件要素进行结构化处理并输出处理结果。

8.根据权利要求6所述的装置，其中，所述触发词和要素提取模型为BiLSTM+Attention+CFR模型，所述BiLSTM用于提取向量特征，Attention用于对向量作注意力变换，CFR用于预测向量的标签。

9.根据权利要求6所述的装置，其中，所述预训练和预测模块进一步被配置成：

利用word2vec模型对词向量进行训练，得到预训练词向量表；

对于新闻文本中的每一个字，若该字在预训练词向量表中存在，则使用表中的词向量作为该字的词向量；

若新闻文本中的某一个字在预训练词向量表中不存在，则使用正态分布随机初始化向量作为该字的词向量。

10.根据权利要求6所述的装置，其中，所述预训练模型为Bert模型。

11.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。