[发明专利]基于新闻文本的商业事件检测方法、检测器及设备

权利要求书

1.一种基于新闻文本的商业事件检测方法，其特征在于，包括：

从新闻文本中获取目标句子的分词序列；

利用商业事件检测器的句子编码层，将所述分词序列编码为含有词性信息的BERT词向量；

利用所述商业事件检测器的句法图卷积层，从所述BERT词向量中根据句法关系捕捉所述目标句子的长距离依赖特征，获得第二词向量；

利用所述商业事件检测器的双向长短期记忆层，从所述第二词向量中根据时序关系捕捉所述目标句子的长距离依赖特征，获得第三词向量；

利用所述商业事件检测器的全连接层，从所述第三词向量中识别所述目标句子的事件触发词及其所属的事件类型。

2.如权利要求1所述的基于新闻文本的商业事件检测方法，其特征在于，所述从新闻文本中获取目标句子的分词序列，包括：

对新闻文本中的目标句子进行分词处理，获得所述目标句子的分词序列。

3.如权利要求1所述的基于新闻文本的商业事件检测方法，其特征在于，将所述分词序列编码为含有词性信息的BERT词向量，包括：

根据所述分词序列生成词嵌入、位置嵌入和句子嵌入，并对所述词嵌入进行词性标注；

将所述位置嵌入、所述句子嵌入及标注有词性的词嵌入输入BERT模块，获得含有词性信息的BERT词向量。

4.如权利要求1所述的基于新闻文本的商业事件检测方法，其特征在于，从所述BERT词向量中根据句法关系捕捉所述目标句子的长距离依赖特征，包括：

基于所述BERT词向量构建句法分析树；所述句法分析树中包含正向句法弧、反向句法弧和自循环句法弧；

根据所述正向句法弧、所述反向句法弧和所述自循环句法弧，计算所述句法分析树中各个节点的图卷积向量，以作为第二词向量。

5.如权利要求1所述的基于新闻文本的商业事件检测方法，其特征在于，所述利用所述商业事件检测器的双向长短期记忆层，从所述第二词向量中根据时序关系捕捉所述目标句子的长距离依赖特征，包括：

根据所述第二词向量的正向时序关系生成正向隐向量，并根据所述第二词向量的反向时序关系生成反向隐向量；

将所述正向隐向量和所述反向隐向量组合为第三词向量。

6.如权利要求1所述的基于新闻文本的商业事件检测方法，其特征在于，所述事件类型为基于扩展ACE事件类型形成的商业事件类型词典中的元素之一。

7.如权利要求1所述的基于新闻文本的商业事件检测方法，其特征在于，所述商业事件检测器预先基于生成对抗网络和Q学习的奖励机制训练得到；所述商业事件检测器对应的训练模型为所述生成对抗网络的生成器。

8.如权利要求7所述的基于新闻文本的商业事件检测方法，其特征在于，所述训练的损失函数，包括：

其中，J为最大化奖励总和的损失，N是训练语料库中的句子总数；n_p是被标记事件类型标签的词的个数，Q'(x_t,p_t)为附加奖励值的Q值，Q(x_t,p_t)为当前Q值，x_t为生成器在当前t时刻的特征信息，p_t为生成器在当前t时刻的状态。

9.一种商业事件检测器，其特征在于，包括：

文本输入层，用于从新闻文本中获取目标句子的分词序列；

句子编码层，用于将所述分词序列编码为含有词性信息的BERT词向量；

句法图卷积层，用于从所述BERT词向量中根据句法关系捕捉所述目标句子的长距离依赖特征，获得第二词向量；

双向长短期记忆层，用于从所述第二词向量中根据时序关系捕捉所述目标句子的长距离依赖特征，获得第三词向量；

全连接层，用于从所述第三词向量中识别所述目标句子的事件触发词及其所属的事件类型。