[发明专利]一种融合图谱构建方法及装置

权利要求书

1.一种融合图谱构建方法，其特征在于，包括：

从各信源获取事件文本；

针对任一事件文本，通过机器学习算法确定所述事件文本中存在因果关系的事件组，并确定事件组中原因事件和结果事件之间的因果强度，所述因果强度用于表示所述原因事件的发生对所述结果事件发生的影响程度值；

根据各事件组及各事件组中原因事件和结果事件之间的因果强度，确定事件图谱；

通过所述事件图谱中各事件组与知识图谱中的实体构建图谱关系，从而形成融合图谱；

其中，所述确定事件组中原因事件和结果事件之间的因果强度，包括：

针对存在因果关系的任一事件组，确定在所有事件组中所述事件组中的原因事件作为所述事件组中的结果事件的必要条件的第一概率，及所述事件组中的原因事件作为所述事件组中的结果事件的充分条件的第二概率；

根据所述第一概率和所述第二概率，确定所述原因事件和所述结果事件之间的因果强度。

2.如权利要求1所述的方法，其特征在于，

所述针对任一事件文本，通过机器学习算法确定所述事件文本中存在因果关系的事件组，包括：

确定所述事件文本的语义特征向量和句法依存图；

通过所述语义特征向量和所述句法依存图，确定所述事件文本的注意力特征；

通过所述注意力特征，确定所述事件文本中存在因果关系的事件组。

3.如权利要求2所述的方法，其特征在于，

所述确定所述事件文本的语义特征向量，包括：

通过双向深度转译预训练编码器Bert模型对所述事件文本中的多个分词进行向量化表示，得到每个分词对应的特征向量；

通过双向长短期记忆模型Bi-LSTM模型对所述多个分词分别对应的特征向量进行处理，得到每个分词对应的语义特征向量。

4.如权利要求2所述的方法，其特征在于，

所述确定所述事件文本的句法依存图，包括：

通过句法分析层确定所述事件文本中的多个分词之间的依赖关系；

根据所述多个分词之间的依赖关系，构建所述多个分词对应的句法依存图；所述句法依存图通过邻接矩阵的方式进行表示。

5.如权利要求2所述的方法，其特征在于，

所述通过所述语义特征向量和所述句法依存图，确定所述事件文本的注意力特征，包括：

将所述语义特征向量输入至图注意力模型GAT模型中的线性层，得到所述语义特征向量的强化值；

将所述语义特征向量的强化值与所述句法依存图输入至所述GAT模型中的融合层，并通过所述GAT模型的多头注意力机制得到所述事件文本注意力特征。

6.如权利要求1-5任一项所述的方法，其特征在于，

所述方法还包括：

为各事件组中的原因事件或结果事件，确定存在相似性的事件及存在相似性的事件之间的相似度；

所述根据各事件组及各事件组中原因事件和结果事件之间的因果强度，确定事件图谱，包括：

将各事件组中的原因事件和结果事件建立关联关系，并将原因事件和结果事件之间的因果强度设置为关联关系的关联强度；

将存在相似性的事件之间建立关联关系，并将存在相似性的事件之间的相似度设置为关联关系的关联强度。

7.如权利要求1-5任一项所述的方法，其特征在于，

所述通过所述事件图谱中各事件组与知识图谱中的实体构建图谱关系，从而形成融合图谱，包括：

针对任一事件组，通过对所述事件组的事件文本进行实体抽取，确定所述事件组中的实体；

通过各事件组中的实体与知识图谱中的实体构建图谱关系，从而形成融合图谱。

8.一种计算机设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于调用所述存储器中存储的计算机程序，按照获得的程序执行如权利要求1-7任一项所述的方法。

9.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，当所述程序在计算机上运行时，使得计算机实现执行如权利要求1-7任一项所述的方法。