[发明专利]一种融合实体关系和事件要素的事件检测方法

说明书

本发明公开了一种融合实体关系和事件要素的事件检测方法，包括：预定义实体关系类型和事件要素类型并进行预编码；构造实体关系图，运用预编码的实体关系类型向量修改对应的邻接矩阵，融合实体关系信息；将融合实体关系信息的图输入图卷积神经网络加强句子的特征表示，将融合实体关系的句子表示输入二分类器提取事件触发词；根据抽取的事件触发词构造触发词‑事件要素关系图，以相同的方式融入事件要素信息；将触发词‑事件要素关系图输入图卷积神经网络进行特征学习，将融合事件要素的句子表示输入多分类器识别事件类型；合并抽取的触发词和事件类型，得到最终的事件检测结果。本发明有效解决了事件检测过程中存在的一词多义等歧义性问题。

技术领域

本发明涉及深度学习及自然语言处理技术领域，具体而言涉及一种融合实体关系和事件要素的事件检测方法。

背景技术

事件作为一种信息的表现方式，涵盖了特定时间、特定场合下的一个或多个角色进行一系列动作的信息，而事件抽取作为自然语言处理中的一项基本任务，在信息提取领域中发挥了重要作用。事件抽取旨在在非结构化的自然语言文本中挖掘文本所要表达的主要事件并以结构化的形式呈现，ACE会议定义的事件抽取任务包括了事件检测和事件成员识别两个任务，事件检测又进一步划分为触发词抽取和事件类型识别两个子任务，而触发词又是句子中表示事件发生的核心词。因此，事件检测的性能在一定程度上直接影响着事件抽取的效果。

目前的事件检测任务主要被当作序列标注问题来解决，对输入文本进行分句、分词操作并辅以BIO序列标注的方法对数据进行预处理，接着运用长短期记忆网络等循环神经网络融合上下文的语义特征，最后接入CRF进行序列标签的预测来识别触发词和事件类型，例如，专利号为CN113157859A的发明中提及的一种基于上位概念信息的事件检测方法。这一方法在事件检测任务上取得了一定的效果，但仍然存在着一些问题，简单的融合上下文语义信息并不能有效地解决一词多义等歧义性问题。

例如对于句子“Mohamad fired Anwar,his former protégé,in 1998.”,句中的“fire”一词同时有着解雇和开火的多义性，事件检测系统可能会将该事件识别为“Attack”，而不是正确的“End-position”。针对这一问题，已有的一些研究通过融合依存句法特征来强化特征表示，从而在一定程度上缓解了歧义性问题。专利号为CN113111184A的发明中提及了基于显式事件结构知识增强的事件检测方法及终端设备，根据包括事件类型、事件触发词、事件论元角色和事件中的核心元素的事件结构构建事件背景知识图，实现对事件结构显式地构建事件检测模型；将事件背景知识图中的事件结构的知识与输入句子进行动态知识匹配，构建属于所述输入句子的包含高度相关的事件背景知识的子图；对所述子图进行过滤和编码，并通过图卷积计算得到包含事件结构的知识的信息的图表示；将所述包含事件结构的知识的信息的图表示输入事件检测分类器中，确定事件触发词的类别，从而确定所述输入句子对应的事件类型。该发明提升了歧义触发词和生僻触发词的检测准确率和召回率，从而提升事件触发词的检测效果。但是简单的依存句法特征无法捕获长距离的依赖关系，而且依存句法树的构造融入了一些对事件检测无关的依存关系，弱化了重要依存关系的比重。另外，除了依存句法信息外，在自然语言处理这一大框架任务中还会产生各种其他语义信息，包括实体关系、事件要素信息等等，目前的一些方法很少能够挖掘这些语义信息和事件检测之间的关联性。除此之外，融合语义信息的方式也很重要，目前大多数模型都通过简单的向量拼接进行语义信息的融合，未能充分利用不同神经网络模型的特点选择更恰当的特征融合方式。

发明内容

本发明针对现有技术中的不足，提供一种融合实体关系和事件要素的事件检测方法，在事件检测任务中融入了实体关系和事件要素信息，将事件检测任务与其他自然语言处理子任务联系起来，充分利用了其他子任务的有效成果，有效解决了事件检测过程中存在的一词多义等歧义性问题。

为实现上述目的，本发明采用以下技术方案：

本发明实施例提出了一种融合实体关系和事件要素的事件检测方法，所述事件检测方法包括以下步骤：