[发明专利]融合依存关系与篇章修辞关系的事件时序关系识别方法

摘要

本发明公开了一种融合依存关系与篇章修辞关系的事件时序关系识别方法。本发明一种融合依存关系与篇章修辞关系的事件时序关系识别方法，其特征在于，包括：给定事件对e1,e2,提取最短依存路径方面；考虑到依存句法树复杂的句法结构，另外增加了一条启发式规则来丰富事件相关信息；把孩子节点加入依存路径中，最后将提取出的词按事件句出现顺序排序；之后将得到的事件对依存路径按照与基准模型相同的处理方法，经过嵌入层，双向LSTM层以及隐藏层得到向量表示Y'。本发明的有益效果：将篇章树的信息编码加入模型中。该方法将事件间关联关系分两部分进行表征，一是事件所在句子的依存路径信息。

主权项

1.一种融合依存关系与篇章修辞关系的事件时序关系识别方法，其特征在于，包括：给定事件对e₁,e₂,提取最短依存路径方面；考虑到依存句法树复杂的句法结构，另外增加了一条启发式规则来丰富事件相关信息；把孩子节点加入依存路径中，最后将提取出的词按事件句出现顺序排序；之后将得到的事件对依存路径按照与基准模型相同的处理方法，经过嵌入层，双向LSTM层以及隐藏层得到向量表示Y'；使用篇章分析器对事件对所在篇章构建篇章树。篇章树从篇章的视角构建了各篇章基本单元间的逻辑修辞关系，而事件对e₁,e₂恰好位于篇章树中的某两个树叶结点(EDU)中；找到对应EDU结点的最低公共父结点，并将该节点对应的修辞关系提取出来；事件间的修辞关系在一定程度上反应了这两个事件之间的语义关联；对于提取出的事件对的篇章修辞关系，将其映射为向量，形成篇章关系的向量表示f_m；此外，依赖于篇章分析器自动生成篇章树；考虑到当前的篇章关系解析器性能还不够完善，提取出的篇章关系存在一定的噪音，引入了门控机制对其进行调整；g＝σ(f_mW_g+b_g)   (0.1)f_g＝g·f_m   (0.2)其中σ是sigmoid激活函数，W_g和b_g是对应的权重矩阵和偏置量，g是计算出的门控系数，f_g是经过门控调整的篇章关系向量。然后，将依存关系路径向量和篇章修辞关系向量拼接，使得事件对表征包含更多的深层语义信息：Y_new＝concat(Y'+f_g)   (0.3)concat表示拼接函数。最后将其放入识别层进行softmax分类o＝Softmax(Y_newW_o+b_o)   (0.4)其中W_o和b_o是Softmax函数的权重矩阵和偏置量，o是计算出的关系标签的概率分布。使用Stanford CoreNLP中的依存句法分析器来自动获取句子对应的依存树。