申请/专利权人：南开大学

申请日：2021-11-04

公开（公告）日：2024-04-19

公开（公告）号：CN113887836B

主分类号：G06F18/25

分类号：G06F18/25;G06N3/0455;G06F40/211

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2022.01.21#实质审查的生效;2022.01.04#公开

摘要：本发明属于人工智能技术领域，特别是一种融合事件环境信息的叙事性事件预测方法。包括：首先通过叙事性事件与非结构文本之间的内在关系，获得与叙事性事件直接相关的环境描述；其次，通过多头注意力机制利用事件的语义信息从环境描述中抽取出局部与全局的事件环境特征；再次，通过事件预测模型编码模块将叙事性事件特征与环境特征互相编码得到融合事件环境的事件演化特征；最后，叙事性事件预测解码模块根据演化特征，从候选项中选择出正确的下一叙事性事件，完成事件预测任务。本发明能够解决叙事性事件预测任务中对事件环境信息利用不充分的问题，事件环境信息能够为叙事性事件提供更加完善的上下文信息，提高事件预测模型对事件演化的理解水平。

主权项：1.一种融合事件环境信息的叙述性事件预测方法，其特征在于，包括以下步骤，步骤1、生成具有事件环境的叙述性事件预测数据集；步骤2、获得叙事性事件特征、事件环境特征以及二者的融合特征；所述事件特征向量，叙述性事件e中的主语、谓语、宾语由字符构成的序列，主语、谓语、宾语的单词向量se＝ArgReprVsubj，pe＝ArgReprVpred，oe＝ArgReprVobj，其中ArgReprV＝[MAXV；AVGV]，整个叙述性的事件的向量特征则由上述三个特征向量共同构成：ee＝gWsse+Wppe+Wooe+b1gx＝Wxtanhx+b2其中{Wi|i∈{s,p,o,x}}，都是模型可学习矩阵，{bi|i∈{1,2}}都是的偏置向量，tanh是双曲正切函数；所述事件环境特征从局部以及全局两个层面提出不同的事件环境特征ce∈{cle,cge}，通过步骤2.1中描述的词嵌入技术以及基于双向LSTM的句子表示学习方法得到融合上下文的句子特征： Sei＝[h1,h2,…,h|senti|]其中|senti|表示句子的长度，对于一个事件特征eei以及句子特征Sei，利用多头注意力机制从句子中得出和事件紧密相关的内容作为当前事件的局部环境信息：clei＝MultiheadAttentioneei,Sei,Sei其中多头注意力机制具体表示为：MultiheadAttentionQ,K,V＝[head1,head1,…,head|head|]WO 其中以及WO都是模型中可学习的参数矩阵，dh代表向量维度，|head|为注意力头个数；基于叙述性事件链中所有事件的局部环境信息，应用多头注意力机制后，得到当前事件的全局环境信息：cgei＝MultiheadAttentioneei,Cl,Cl其中Cl＝[cle1；cle2；…；clen]∈Rn×100，基于多头注意力机制得到的全局环境特征实际上是所有事件链中所有局部事件链的加权平均；所述叙事性事件特征和事件环境特征的融合表示层由一个Transformer编码器构成，编码器的输入由叙述性事件特征与事件环境特征拼接而成，通过编码器后得到叙述性事件链E＝[ee1；ee2；…een]与事件环境特征C＝[ce1；ce2；…cen]的融合表示： Transformer编码器包含多个结构相同但不共享参数的神经网络构成，每层由多头自注意力机制、残差链接、正则化层以及全连接前馈网络构成；步骤3、根据基于叙述性事件特征与事件环境特征的融合表示和候选事件特征，通过解码模块得到候选事件得分。

全文数据：

权利要求：

百度查询： 南开大学 一种融合事件环境信息的叙述性事件预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD