[发明专利]一种基于时间关系对文本包含的因果关系进行抽取的方法

说明书

本发明公开了一种基于时间关系对文本包含的因果关系进行抽取的方法，包括：构建基于时间关系的Bi‑LSTM+GCN网络模型；将待输入的文本中的单词输入到Bi‑LSTM网络获得文本中单词的特征；将文本中单词的时间关系转化成时间关系特征矩阵输入到GCN网络，由GCN网络输出特征向量；将GCN网络输出特征向量输入分类器，获得因果关系的抽取结果：原因、结果和非因非果。与现有技术相比，本发明利用时间关系与因果关系的联系,本文通过将时间关系转化成特征矩阵的方式结合了Bi‑LST+GCN网络模型，并且通过实验能准确获得因果关系标注，时间关系有利于因果关系的抽取，本发明提出的基于时间关系的Bi‑LSTM+GCN模型能有效的获取因果关系。

技术领域

本发明涉及领域，特别是一种基于时间关系对文本包含的因果关系进行抽取的方法。

背景技术

近些年伴随着互联网的飞速发展,产生了大量的文本数据，文本中的关系抽取对于理解和得到有价值的信息变得越来越重要。因果关系的抽取在文本关系中占重要的位置，当获得了文本中的因果关系，很容易就可以判断文本的主干，因果关系的信息可能会有益于许多自然语言处理任务，例如问答系统、文本摘要、决策支持等。因果关系是一个已经从哲学、心理和逻辑的角度进行了广泛研究的概念。如何在以NLP为中心的应用程序中对它的识别和表示进行建模成为一个热门的话题。

理解事件是自然语言处理的重要组成部分。此过程中的重要步骤是确定事件之间的关系，在事件之间可能存在的许多关系类型中，时间关系对因果关系的提取的作用有很大影响。

在时间关系中包含事件发生的顺序，这有助于对于因果关系的判断。ParamitaMirza等人，从文本中获取指定事件上下文关系、词性、时间标签等特征，使用分类器对指定的事件进行判断，并提出利用时间TimeML标注对因果事件进行标注。之后提出CATENA模型，设定了基于时间关系的过滤规则，证实对时间和因果进行联合抽取相互促进。NasrinMostafazadeh等人提出事件结构的语义注释的因果和时间关系方案(CaTeRS)通过大量的故事型事件，获得时间关系对因果关系的判断。Qiang Ning等人提出连接结构TCR根据指定的规则去推理事件的因果关系。然而这些方法都没有利用深度学习的优势，对文本包含的因果关系进行抽取效果不理想。

发明内容

本发明的目的是要提供一种基于时间关系对文本包含的因果关系进行抽取的方法。

为达到上述目的，本发明是按照以下技术方案实施的：

一种基于时间关系对文本包含的因果关系进行抽取的方法，包括以下步骤：

S1、构建基于时间关系的Bi-LSTM+GCN网络模型，所述Bi-LSTM+GCN模型由输入端到输出端包括Bi-LSTM网络、GCN网络和分类器；

S2、将待输入的文本中的单词输入到Bi-LSTM网络获得文本中单词的特征；

S3、将文本中单词的时间关系转化成时间关系特征矩阵输入到GCN网络，由GCN网络输出特征向量；

S4、将GCN网络输出特征向量输入分类器，获得因果关系的抽取结果：原因、结果和非因非果。

进一步地，所述S2中，在将待输入的文本中的单词输入到Bi-LSTM网络模型之前，首先将待输入的文本中的单词通过Word Embedding转换成300维度的词向量并添加词性POS特征。

进一步地，所述S3中GCN网络输出的特征向量为：

其中N(v)是和v有关系的单词的集合，每一个L(u,v)代表从u到v的时间关系，W_L(u,v)表示u到v的时间关系的参数矩阵，h_u是来自上一层输出的u的特征向量。