[发明专利]一种基于图模型的篇章级别事件因果关系抽取方法

权利要求书

1.一种基于图模型的篇章级别事件因果关系抽取方法，其特征在于，包括以下步骤：

步骤1：收集篇章文本数据，通过随机抽取算法分别得到多篇文本组成未标注训练数据集合，剩余文本组成预测数据集合；将未标注训练数据集合利用CAT方法进行人工标注，得到包含事件位置下标索引与事件之间对应因果关系的训练数据集合；

步骤2：将训练数据集合中每个文本数据进行数据预处理得到符合BERT语言模型输入规范的规范化后的输入数据；

步骤3：将规范化后的输入数据通过BERT语言模型获得事件与句子的语义向量；

步骤4：将事件与句子的语义向量利用层次注意力机制获取包含篇章信息的事件语义向量；

步骤5：基于包含篇章信息的事件语义向量利用图模型计算事件因果关系；

步骤6：将步骤3、4、5所述模型利用梯度下降算法进行训练得到可用于预测事件因果关系的模型。

2.根据权利要求1所述的基于图模型的篇章级别事件因果关系抽取方法，其特征在于：

步骤1训练数据集合为：

{{Content₁,Event_index₁，Event_relation₁},{Content₂,Event_index₂，Event_relation₂},…,{Content_N,Event_index_N，Event_relation_N}}

其中，Content_n表示训练数据集合中第n个文本数据,n∈[1,N]，N＝100为训练数据集合中文本数据的数量

Evet_index_n表示第n个文本数据对应的事件下标索引列表,其定义如下：

其中，Event_index_start_n，m表示第n个文本数据对应的事件下标索引列表中第m个事件对应的文本起始下标，Event_index_end_n，m表示第n个文本数据对应的事件下标索引列表中第m个事件对应的文本终止下标,m∈[1,M_n]，M_n表示第n个文本数据中事件数量；

Event_relation_n表示第n个文本数据对应的事件因果关系列表，定义如下：

其中，r_n，k表示第n个文本数据对应的事件因果关系列表中第k个事件关系，

k∈[1,M_n*(M_n-1)/2]，M_n*(M_n-1)/2表示第n个文本数据中共可以组成M_n*(M_n-1)/2个事件关系。