[发明专利]一种基于多层图注意力网络的事件检测方法及装置

说明书

本申请提供了一种基于多层图注意力网络的事件检测方法及装置，包括获取事件文本信息中的上下文单词，并确定与所述上下文单词对应的句法信息邻接矩阵和拼接向量；将所述邻接矩阵和所述拼接向量作为人工神经网络的输入，获取输出向量；依据所述拼接向量与所述输出向量聚合生成聚合信息；依据所述聚合信息确定所述上下文单词的触发词类别。本申请通过同时结合上下文单词的句法信息和上下文信息，有效解决使用句法分析工具容易出现信息丢失和错误传播的问题；并且通过在图注意力网络层中结合跳跃连接模块，避免因为一些短距离的句法信息过度传播从而导致最终触发词的分类不理想的情况出现，有效提高触发词分类的精度、召回率以及F1值。

技术领域

本申请涉及自然语言处理领域，特别是一种基于多层图注意力网络的事件检测方法及装置。

背景技术

知识图谱(Knowledge Graph)以结构化的形式描述客观世界中概念、实体及其关系，将互联网的信息表达成更接近人类认知世界的形式，提供了一种更好地组织、管理和理解互联网海量信息的能力。知识图谱于2012年由谷歌提出并成功应用于搜索引擎，知识图谱属于人工智能重要研究领域——知识工程的研究范畴，是利用知识工程建立大规模知识资源的一个杀手锏应用。典型的例子是谷歌收购Freebase(一个免费的知识数据库)后在2012年推出的知识图谱，Facebook(社交网络服务网站)的图谱搜索，Microsoft Satori(微软)以及商业、金融、生命科学等领域特定的知识库。

知识图谱中的事件知识隐含在互联网资源中，包括已有的结构化的语义知识、数据库的结构化信息、半结构化的信息资源以及非结构化资源，不同性质的资源有不同的知识获取方法。事件的识别和抽取研究的是如何从描述事件信息的文本中识别并抽取出事件信息并以结构化的形式呈现出来，包括其发生的时间、地点、参与角色以及与之相关的动作或者状态的改变。

传统的事件检测方法忽略了句子中词与词之间包含的句法特征，仅利用了句子级别的特征，事件检测容易因为单词存在歧义从而导致触发词的识别效率和分类精度低。而近年来，利用句法信息来改善事件检测的方法被证明十分有效。例如，论文《融合句法信息的无触发词事件检测方法》提出了利用句法信息，同时结合注意力机制(ATTENTION)，实现了连接句子中的分散的事件信息来提高事件检测的准确性；论文《融合依存信息和卷积神经网络的越南语新闻事件检测》利用融合依存句法信息的卷积编码非连续词之间的特征，再融合两部分特征作为事件编码，进而实现事件检测。

发明内容

鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种基于多层图注意力网络的事件检测方法，包括步骤：

一种基于多层图注意力网络的事件检测方法，包括步骤：

获取事件文本信息中的上下文单词，并确定与所述上下文单词对应的句法信息邻接矩阵和拼接向量；

将所述邻接矩阵和所述拼接向量作为人工神经网络的输入，获取输出向量；

依据所述拼接向量与所述输出向量聚合生成聚合信息；

依据所述聚合信息确定所述上下文单词的触发词类别。

进一步地，所述获取事件文本信息中的上下文单词，并确定与所述上下文单词对应的句法信息邻接矩阵和拼接向量的步骤，包括：

依据所述上下文单词确定与所述上下文单词对应的句法信息；

依据所述句法信息生成所述句法信息邻接矩阵；

依据所述上下文单词的词嵌入向量生成所述拼接向量。

进一步地，所述依据所述上下文单词确定与所述上下文单词对应的句法信息的步骤，包括：

通过句法依存对所述事件文本信息进行分析，并依据所述事件文本信息的分析结果生成所述上下文单词对应的句法信息。