[发明专利]基于图神经网络的事件消歧方法及其相关设备

权利要求书

1.一种基于图神经网络的事件消歧方法，其特征在于，包括下述步骤：

接收事件语料，对所述事件语料分别进行分词操作、命名实体识别操作和事件抽取操作，分别获得多个词语、多个实体和多个事件元素；

基于所述词语、实体和事件元素计算第一交互系数、第二交互系数、第三交互系数和第四交互系数；

根据所述第一交互系数、第二交互系数、第三交互系数和第四交互系数生成初始向量，并对所述初始向量进行归一化处理，获得目标向量；

基于所述词语、所述实体和所述事件元素构建目标连接图，所有所述目标向量组成所述目标连接图的邻接矩阵，基于所述邻接矩阵生成目标矩阵；

基于所述目标矩阵构建多层卷积神经网络，将所述目标连接图中的节点转化为节点特征矩阵，将所述节点特征矩阵输入至所述多层卷积神经网络中，获得输出的所述目标连接图中每个节点的图特征向量；

计算每条所述事件语料中的事件元素对应的图特征向量的平均值，获得事件特征向量；

将任意两个所述事件特征向量输入至预训练的二分类神经网络中，获得输出的二分类结果。

2.根据权利要求1所述的基于图神经网络的事件消歧方法，其特征在于，所述基于所述词语、实体和事件元素计算第一交互系数、第二交互系数、第三交互系数和第四交互系数的步骤包括：

计算所述事件元素与所述实体之间的交互系数，作为第一交互系数，并计算所述实体之间的交互系数，作为第二交互系数；

调用句法识别工具对所述事件语料进行句法识别，获得依存句法树，根据所述依存句法树确定依存句法交互系数，作为第三交互系数；

确定在预设知识库中每个所述词语的近义词的数量和下位词的数量，根据所述近义词的数量和下位词的数量计算所述词语之间的语义交互系数，作为第四交互系数。

3.根据权利要求2所述的基于图神经网络的事件消歧方法，其特征在于，所述计算所述事件元素与所述实体之间的交互系数，作为第一交互系数的步骤包括：

通过如下公式计算所述第一交互系数：

其中，EE_i为所述事件元素，ET_j为所述实体，为所述第一交互系数，EditDistance(EE_i，ET_j)为预先计算的EE_i与ET_j之间的编辑距离。

4.根据权利要求2所述的基于图神经网络的事件消歧方法，其特征在于，所述计算所述实体之间的交互系数，作为第二交互系数的步骤包括：

将所述实体转换为词向量，根据所述词向量计算所述词语之间的余弦相似度，作为所述第二交互系数。

5.根据权利要求2所述的基于图神经网络的事件消歧方法，其特征在于，根据所述依存句法树确定依存句法交互系数，作为第三交互系数的步骤包括：

在所述依存句法树中，若在同一个句子中的词语之间存在依存关系，则对应的所述第三交互系数为1；

在所述依存句法树中，若在同一个句子中的词语之间不存在依存关系，则对应的所述第三交互系数为0；

若任意两个所述词语不在同一个句子中，则对应的所述第三交互系数为0。

6.根据权利要求1所述的基于图神经网络的事件消歧方法，其特征在于，所述基于所述目标矩阵构建多层卷积神经网络的步骤包括：

所述多层卷积神经网络的计算公式为：

其中，L^(j)表示所述多层卷积神经网络的第j层,W₀为预设权重矩阵，σ为激活函数，为所述目标矩阵。

7.根据权利要求1所述的基于图神经网络的事件消歧方法，其特征在于，所述将所述目标连接图中的节点转化为节点特征矩阵的步骤包括：

将目标连接图中的节点输入至预训练的BERT语言模型中，获得输出的节点特征向量；

根据所有所述节点特征向量生成所述节点特征矩阵。