[发明专利]基于事件隐式要素与显式联系的事件预测方法和装置

说明书

本发明提供一种基于事件隐式要素与显式联系的事件预测方法和装置，其中，方法包括：获取事件文本中的多个事件的事件要素；提取跨事件的事件要素之间的第一关系特征，所述第一关系特征用于表征跨事件的事件要素之间的语义联系特征；基于所述第一关系特征进行事件预测。在对事件进行预测时，加入跨事件的事件要素之间的第一关系特征，可以记录跨事件的事件要素之间的隐式联系，并且通过不同事件中的事件要素语义联系特征让不同的事件之间产生了联系，挖掘出了事件元组更深层次且更具有预测性的语义信息，不仅可以提升了事件预测的准确性，而且广泛适用于基于事件要素进行事件预测的方法中，通用性强。

技术领域

本发明是涉及人工智能技术领域，尤其涉及一种基于事件隐式要素与显式联系的事件预测方法和装置。

背景技术

事件是一种非常有价值的常识知识，可以被视为记录现实世界中静态事物进行动态活动的载体。挖掘这种事件知识对我们认识人类行为和社会发展变化规律有着非常重要的意义。事件可以提供非常丰富的客观知识并应用于许多的自然语言处理任务。脚本事件预测则是研究事件发展规律和模式的一个重要任务,可以用于预测诸如通用事件、突发事件等不同类型的事件。该任务需要从事件文本中提取事件要素(如主语、动词、宾语、宾补)并形成事件元组，以便于形式化地记录事件文本中最重要的信息。然后通过给定的一系列的上下文事件，从候选事件集中选取一个最符合逻辑的事件，作为预测在上下文事件之后即将发生的后续事件。

学习事件要素间的交互关系时，现有方法中事件元组表示法大多采用Granroth-Wilding和predicate-GR。该工作将事件表示为四元组，包括主语、动词、宾语及宾语补足语或介词实体，并且在谓语之中包含了与其他要素之间的依赖关系。现有技术中的方法仅关注当前事件内部的事件要素间的依赖关系，然而，由于事件之间可以组合成各式各样的事件结构，如强调两个事件之间相关性的事件对，表征事件发展过程的事件链，如果对于事件的理解和预测仅仅关注当前事件内部的事件要素间的关系导致事件预测准确率低。

发明内容

为了解决现有技术中事件预测的准确率低的问题。

本发明提供一种基于事件隐式要素与显式联系的事件预测方法，包括：获取事件文本中的多个事件的事件要素；基于自注意力机制提取跨事件的事件要素之间的第一关系特征，第一关系特征包括跨事件的事件要素之间的语义联系特征；基于第一关系特征进行事件预测。

可选地，基于自注意力机制提取跨事件的事件要素之间的第一关系特征包括：按照事件时序对事件和/或事件要素进行拼接；基于掩模机制在拼接后的结果中计算当前事件要素相对于前驱事件中的事件要素的注意力权重；根据所述注意力权重确定所述第一关系特征。

可选地，在计算跨事件的事件要素之间的注意力权重之前包括：获取事件要素的多个语义空间；基于事件要素的语义空间计算事件要素在不同语义空间中语义特征。

可选地，事件文本包括上下文事件集合和候选事件集合；基于第一关系特征进行事件预测包括：基于第一关系特征计算上下文事件向量和候选事件向量；计算上下文事件向量和候选事件向量的相关性值；根据相关性值选取候选事件作为事件预测结果。

可选地，基于第一关系特征计算多个事件的事件向量上下文事件向量和候选事件向量包括：整合事件要素得到包含第一关系特征的整合事件向量；基于整合事件向量提取事件图和/或事件链中的事件之间的第二关系特征，事件图和/或事件链由多个事件构建而成，第二关系特征包括事件之间演化关系特征；基于第二关系特征计算上下文事件向量和候选事件向量，上下文事件向量和候选事件向量包含第一关系特征和第二关系特征。

可选地，基于整合事件向量提取事件图和/或事件链中的事件之间的第二关系特征包括：获取事件图的邻接矩阵，事件图包括事件节点和用于表征事件图结构的邻接矩阵；将邻接矩阵和整合事件向量输入训练好的图卷积网络中，得到第二关系特征，整合事件向量用于作为事件图的事件节点的节点特征。