[发明专利]事件信息的抽取方法及装置、存储介质、电子设备

权利要求书

1.一种事件信息的抽取方法，其特征在于，包括：

获取非结构化文本中事件元素的文本特征，以及获取多个事件元素之间的句法依赖关系，其中，所述事件元素包括事件触发词和事件论元；

以所述文本特征和句法依赖关系为输入信息，采用图注意力网络GAT编码所述非结构化文本的图结构特征；

将所述图结构特征输入全连接层映射到样本空间，并采用Softmax将所述图结构特征映射到所述事件元素的类别标签。

2.根据权利要求1所述的方法，其特征在于，获取非结构化文本中事件元素的文本特征包括：

采用BERT模型的中间M个连续隐藏层提取所述事件元素的特征向量，其中，M为大于1的整数；

采用多尺度卷积神经网络CNN提取所述特征向量的局部特征。

3.根据权利要求2所述的方法，其特征在于，采用多尺度CNN提取所述特征向量的局部特征包括：

采用尺度为1*1,3*3,5*5的CNN卷积核从所述特征向量中提取不同尺度下文本的n-gram特征，其中，所述多尺度CNN的激活函数为线性整流函数ReLU。

4.根据权利要求1所述的方法，其特征在于，获取多个事件元素之间的句法依赖关系特征包括：

采用StandFordNLP进行依存句法分析，解析所述非结构化文本中词语与词语之间的句法依赖关系，其中，所述句法依赖关系用于表征两个事件元素之间的有向依赖关系；

采用有向图的邻接矩阵存储所述两个事件元素之间的句法依赖关系。

5.根据权利要求1所述的方法，其特征在于，采用图注意力网络GAT编码所述非结构化文本的图结构特征包括：

对于句法依存树中每个顶点词，计算与其句法依存关系相邻顶点的注意力因子，其中，所述非结构化文本中句法依赖关系表示为句法依存树；

对注意力因子进行归一化处理，得到注意力系数，采用所述注意力系数对文本特征进行加权求和，得到每个顶点词的注意力向量。

6.根据权利要求1所述的方法，其特征在于，采用图注意力网络GAT编码所述非结构化文本的图结构特征包括：

依据所述非结构化文本的复杂度，将GAT网络堆叠为n层，其中，每层对应一个子GAT网络，层数与所述复杂度呈正相关；

采用前n-1层GAT网络计算所述非结构化文本的中间注意力特征，将n-1个子GAT网络的中间注意力特征的平均值输入最后一层GAT网络，输出所述非结构化文本的图结构特征。

7.根据权利要求1所述的方法，其特征在于，将所述图结构特征映射为所述事件元素的类别标签包括：

将所述图结构特征输入全连接层将其映射到样本空间，并采用softmax将所述图结构特征映射到相应事件元素的类别标签，其中，所述全连接层所在的网络模型采用交叉熵损失函数进行损失计算，并采用L2正则防止过拟合。

8.一种事件信息的抽取装置，其特征在于，包括：

获取模块，用于获取非结构化文本中事件元素的文本特征，以及获取多个事件元素之间的句法依赖关系，其中，所述事件元素包括事件触发词和事件论元；

处理模块，用于以所述文本特征和句法依赖关系为输入信息，采用图注意力网络GAT编码所述非结构化文本的图结构特征；

映射模块，用于将所述图结构特征输入全连接层映射到样本空间，并采用Softmax将所述图结构特征映射到所述事件元素的类别标签。

9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至7中任一项所述的方法步骤。

10.一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；其中：

存储器，用于存放计算机程序；

处理器，用于通过运行存储器上所存放的程序来执行权利要求1至7中任一项所述的方法步骤。