[发明专利]事件知识图谱预测群体性事件的方法

权利要求书

1.一种事件知识图谱预测群体性事件的方法，其特征在于：包括预测模型训练和实时预测两个阶段；预测模型训练阶段以历史结构化事件数据为输入数据，构建历史事件图谱，并将历史事件图谱作为事件预测网络模型的输入数据，采用图嵌入网络学习事件图谱的向量化表示训练该预测网络模型，基于深度神经网络建立的分类网络模型来预测事件是否发生；实时预测阶段以实时的结构化事件数据为输入数据构建实时事件图谱，作为已训练完成的事件预测模型的输入数据，将实时事件数据构建的事件图谱输入事件预测模型，事件预测模型以图嵌入网络和深度分类网络构成，图嵌入网络采用图卷积神经网络模型对事件图谱进行表示学习，获取事件图谱的向量化表示，挖掘事件隐藏特征信息；深度分类网络采用卷积神经网络和双向长短时记忆网络挖掘事件数据的深度语义信息；最终转化成一个事件发生和不发生的二分类问题，将概率最大的结果作为事件是否发生的预测结果。

2.如权利要求1所述的事件知识图谱预测群体性事件的方法，其特征在于：事件图谱采用全球知识图谱GKG的GDELT事件库作为数据来源，以日期节点为根节点，与事件相关的节点为子节点的图谱构建方式构建图谱。

3.如权利要求2所述的事件知识图谱预测群体性事件的方法，其特征在于：在图谱的构建过程中，每个事件相关的节点加入事件类型节点、事件提及次数、参与者名称1、参与者名称2、事件地点的节点信息，每个参与者名称包含参与者国家、参与者类型，其中，参与者类型节点是指在一定程度上反映事件重要性事件的两个参与者的身份类型；事件提及次数是指事件被其它媒体的提及次数。

4.如权利要求3所述的事件知识图谱预测群体性事件的方法，其特征在于：图谱中有至少7种边，分别为事件类型-事件边、参与者名称-事件边、事件提及次数-事件边、地点-事件边、参与者类型-参与者边、参与者国家-参与者边、事件-日期边，每种边表示一种消息传递方式。

5.如权利要求1所述的事件知识图谱预测群体性事件的方法，其特征在于：事件预测模型包括图嵌入网络和分类网络两部分，图嵌入网络采用图卷积神经网络，以事件图谱为网络输入，图卷积神经网络通过卷积层中不同尺度的卷积运算挖掘事件图谱的隐藏信息，其中卷积层的输出作为线性整流函数ReLU层的输入，而每个ReLU层经过非线性变换后输出判别能力强的非线性特征，最后一个ReLU层的输出将作为图卷积神经网络的最终输出，也就是所需要的图嵌入向量。

6.如权利要求1所述的事件知识图谱预测群体性事件的方法，其特征在于：图嵌入网络的具体执行过程为：参与者类型与参与者国家两个节点对应一个参与者名称节点，两个参与者名称节点对应一个事件节点，两个节点经消息传递函数处理后取平均；事件节点共收到参与者名称、事件类型、事件提及次数、地点4种类型节点的消息，更新事件节点时累加这些来自不同节点的更新向量；按照与此相同的规则，事件节点向日期节点传递消息，更新日期节点的表示，每个日期节点的表示都是N维向量，日期节点按当天是否发生群体性事件分为两类，通过训练日期节点分类任务获得日期嵌入表示。

7.如权利要求1所述的事件知识图谱预测群体性事件的方法，其特征在于：图卷积神经网络在学习知识图谱的表示时，每个实体都将利用到与其相关的其他实体中的信息，打破彼此之间的孤立性，完整丰富的实体、关系表示。

8.如权利要求1所述的事件知识图谱预测群体性事件的方法，其特征在于：分类网络采用卷积神经网络与双向长短时记忆网络的组合模型，以图卷积神经网络获得的嵌入向量作为输入，通过卷积神经网络和双向长短时记忆网络挖掘图嵌入表示的局部和全局深度语义信息，输出事件发生与不发生的概率。

9.如权利要求1所述的事件知识图谱预测群体性事件的方法，其特征在于：以历史事件数据训练事件预测网络模型，训练完成的预测模型支撑实时群体性事件的发生预测。

10.如权利要求1所述的事件知识图谱预测群体性事件的方法，其特征在于：实时预测阶段，实时事件图谱将实时事件数据构建的事件图谱输入训练阶段得到的事件预测模型，事件预测模型通过图卷积神经网络得到网络节点的向量表示，进而通过CNN+Bi-LSTM网络挖掘事件图谱的深层语义信息，最终得到在当前事件数据情况下的事件是否发生的预测结果。