[发明专利]一种基于多任务学习的社交媒体疫情事件抽取技术

权利要求书

1.一种基于多任务学习的社交媒体疫情事件抽取技术，其特征在于，包括以下步骤：

步骤1、提取文本的多个特征向量；

步骤2、将所述多个特征向量进行融合；

步骤3、进行多任务联合训练，所述多任务包括相关预测、实体填槽预测和句子分类预测；

步骤4、对疫情事件进行所述相关预测；

步骤5、对所述疫情事件进行所述实体填槽预测；

步骤6、对所述疫情事件进行所述句子分类预测。

2.根据权利要求1所述的基于多任务学习的社交媒体疫情事件抽取技术，其特征在于，所述步骤1包括：

步骤1.1、给定长度为T的句子X＝{w₁,w₂…,w_T}，w_i表示位置在i的单词；

步骤1.2、将所述句子输入语义信息特征提取器，提取w_i的上下文特征向量E_i；

步骤1.3、使用字符级向量预训练模型，提取w_i的字符级别特征向量C_i；

步骤1.4、使用词性标注工具，标注w_i的词性类型，并赋予w_i与所述词性类型匹配的词性特征向量P_i。

3.根据权利要求2所述的基于多任务学习的社交媒体疫情事件抽取技术，其特征在于，所述步骤2包括：

步骤2.1、将所述上下文特征向量E_i、字符级别特征向量C_i和词性向量P_i进行堆叠处理，得到三层特征向量T_i，表示为：

步骤2.2、将所述三层特征向量T_i与随机初始化矩阵W_α进行矩阵相乘，得到W_H，表示为：

步骤2.3、W_H经过softmax化后即得到权重矩阵W_β，表示为：

其中，b_α为可学习偏移量；

步骤2.4、三层特征向量T_i与权重矩阵W_β点乘后，在堆叠维度上累加，得到融合特征向量A_i，表示为：

其中，b_β为可学习偏移量。

4.根据权利要求3所述的基于多任务学习的社交媒体疫情事件抽取技术，其特征在于，所述步骤3包括：

步骤3.1、将所述相关预测作为主任务，所述实体填槽预测和句子分类预测作为子任务；

步骤3.2、将所述融合特征向量A_i经由Bi-LSTM网络处理，得到两个方向的输出分别为和表示为：

其中，i为单词在句中对应下标，T为句子总长度；

步骤3.3、将所述两个方向的输出相加得到初始输出矩阵f_i，表示为：

步骤3.4、将初始输出矩阵f_i输入到不同任务对应的注意力网络之中。

5.根据权利要求4所述的基于多任务学习的社交媒体疫情事件抽取技术，其特征在于，所述步骤3.2中，将所述融合特征向量A_i经由Bi-LSTM网络处理，还得到两个方向的隐藏层状态和