[发明专利]一种结合文档关键信息的句子级中文事件检测的方法

说明书

本发明公开了一种结合文档关键信息的句子级中文事件检测的方法，属于自然语言处理中文本信息抽取技术领域，包括：对数据进行BIO序列标注；获取句子所在文档中关键句子；获取文档关键句子向量表示和待检测的句子中字符向量表示；将待检测句子中字符向量表示和文档关键句子向量结合；建立事件触发词抽取模型。首先，使用BIO标注方法对中文句子中每个字符进行标注。其次，使用TextRank算法获取文档中关键句子。然后，使用BERT中文预训练模型对关键句产生文档向量表示，以及对句子中每个字符产生向量表示。最后，使用神经网络模型对句子中触发词进行抽取。本发明通过结合文档中关键信息来获取文档主题，弥补句子内信息缺乏，以此提高对触发词识别准确率。

技术领域

本发明属于自然语言处理中文本信息抽取技术领域，具体涉及一种结合文档关键信息的句子级中文事件检测的方法。

背景技术

事件抽取任务是从非结构化的自然语言文本中自动抽取用户感兴趣的事件信息并以结构化的形式表示。事件抽取是自然语言处理重要的研究任务之一，事件抽取技术的发展推动自然语言处理向前发展。在实际应用方面，事件抽取在自动问答、文本摘要、知识图谱等领域都有着广泛的应用。

ACE会议将事件抽取任务分为两个任务：1)事件检测，也称事件触发词抽取，即从文本信息中找到触发事件的词语并将其分类为特定事件类型；2)事件元素抽取，即根据检测出的事件，从文本中找出事件相应的事件元素并判断事件元素角色。

在事件检测中，主要问题是由于存在中文的一词多意，从而造成无法识别事件类型。例如，句子“小明离开公司。”这个简单句中含有“公司”这一实体词，但无法确定“离开”触发的是离职事件还是移动事件。因为“离开”一词表示从公司离职和离开公司前往其它地方在现实中都存在。但是如果该句子所在的文档中主要在讲述和离职相关事件，那么通过获取文档关键信息加入到句子向量中，将会帮助“离开”识别为离职事件；若文档中主要讲述和运输相关事件，那么“离开”则大概率表示移动事件。

因此，对于触发词一词多义以及句子内部无法提供有用的信息问题，目前单从句子中获取信息的方法无法正确去提取和识别触发词。因此，结合句子所在的文档信息进行事件检测，将可以提高事件检测的准确度。

发明内容

发明目的：本发明的目的在于提供一种结合文档关键信息的句子级中文事件检测的方法，弥补句子内信息缺乏，以此提高对触发词识别准确率。

技术方案：为了实现上述目的，本发明是通过如下的技术方案来实现：

一种结合文档关键信息的句子级中文事件检测的方法，包括如下步骤：

1)使用BIO标注方法对中文句子中每个字符进行标注；

2)使用TextRank算法获取文档中关键句子；

3)利用BERT中文预训练模型获取待检测句子和所在文档的向量表示；拼接句子向量和文档向量生成检测模型输入向量；利用模型实例进行预测得到句子中的事件触发词类型。

进一步地，所述的步骤1)中，具体包括如下步骤：

1.1)对语料集以文档为单位进行分词断句预处理；将每篇文档的内容以句号、感叹号、问号三个标点符号为分割符进行句子切分；

1.2)使用BIO标注方法对分割后的句子的触发词进行标注；BIO标注方法用B-X、I-X或O这三种方式对每个中文字进行标注；其中，B-X表示当前字符是触发词的开始，X表示当前触发词类型；I-X表示当前字符是触发词的中间或结尾；O表示当前不属于任何类型。

进一步地，所述的步骤2)中，具体包括如下步骤：