[发明专利]一种基于时序知识图谱的事件检测方法和装置

说明书

本发明公开了一种基于时序知识图谱的事件检测方法和装置，其中，该方法包括：获取待检测事件，待检测事件包括多个文本数据以及每个文本数据对应的时间戳；以及，根据补全后的时序知识图谱训练预测模型，得到训练好的预测模型；将待检测事件输入训练好的预测模型，以得到待检测事件的检测结果。本发明能够对时序知识图谱直接进行补全，减小了搜索空间，提升了事件检测的性能。

技术领域

本发明涉及信息技术及数据业务领域，尤其涉及一种基于时序知识图谱的事件检测方 法和装置。

背景技术

时序知识图谱是带有时间属性的事实的集合，如图1所示。时序知识图谱可表示为四 元组的集合G＝{(s,r,o,t)}，其中s代表头实体，o代表尾实体，r代表关系，t代表时间，如(梅西，获奖，世界足球先生，2009年)。通常，时序知识图谱具有不完整性的特点， 即每个时间戳下可能缺失了部分事实。此外，它还具有不断更新的特点，即新的事实会不 断出现。因此，时序知识图谱主要有2个任务：补全和预测。补全任务即补全每个时间戳 下缺失的事实，而预测任务即预测未来会发生什么事实。

目前主流的时序知识图谱补全方法包括Hyte，DE-SimplE，TComplEx。这一类方法是 基于模型参数和数值向量，通过得分函数学会判断真四元组和假四元组。但这一类模型都 是判别式模型，不是生成式模型，由于搜索空间巨大(所有可能的四元组的搜索空间大小 为O(实体数×关系数×实体数×时间戳数))，因此无法直接补全缺失的事实。

目前主流的时序知识图谱预测方法包括RE-NET，CyGNet。这一类方法是基于已发生 的历史事实，预测未来的事实。但它们都没有考虑到图谱不完整性对预测的影响。理论上， 由于图谱的不完整性，用于预测的线索可能缺失，因此可能导致预测的性能下降。因此， 产生了先对图谱补全，再做预测的需求。但由于现有补全模型都是判别式模型，因此无法 直接进行补全。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于改进现有判别式的知识图谱补全模型，解决无法直接补全缺 失事实的问题，从而补充了用于事件真实性评估的线索，解决了事件真实性评估性能存在 缺陷的问题，提出了一种基于时序知识图谱的事件检测方法。

本发明的另一个目的在于提出一种基于时序知识图谱的事件检测装置。

为达上述目的，本发明一方面提出了基于时序知识图谱的事件检测方法，包括以下步 骤：

获取待检测事件，所述待检测事件包括多个文本数据以及每个文本数据对应的时间戳； 以及，

根据补全后的时序知识图谱训练预测模型，得到训练好的预测模型；

将所述待检测事件输入所述训练好的预测模型，以得到所述待检测事件的检测结果。

本发明实施例的基于时序知识图谱的事件检测方法，通过获取待检测事件，待检测事 件包括多个文本数据以及每个文本数据对应的时间戳；以及，根据补全后的时序知识图谱 训练预测模型，得到训练好的预测模型；将待检测事件输入训练好的预测模型，以得到待 检测事件的检测结果。本发明能够对时序知识图谱直接进行补全，减小了搜索空间，提升 了事件检测的性能。

另外，根据本发明上述实施例的基于时序知识图谱的事件检测方法还可以具有以下附 加的技术特征：

进一步地，所述根据补全后的时序知识图谱训练预测模型之前，还包括：

根据时序知识图谱补全模型训练得到所述补全后的时序知识图谱。

进一步地，所述根据时序知识图谱补全模型训练得到所述补全后的时序知识图谱，包 括：

利用所述时序知识图谱进行补全模型训练，学习训练集的所有事实，得到第一得分函 数模型，以计算已发生时间戳每个四元组成立的概率；