[发明专利]潜在事件预测方法、装置、设备及存储介质

说明书

本公开提供了一种潜在事件预测方法、装置、设备及存储介质，涉及机器学习认知计算技术领域。该方法包括：获取目标事件场景的事理图谱，其中，事理图谱中包含：多个事件节点及各个事件节点之间的节点连接关系，每个事件节点对应目标事件场景中一个事件；使用图神经网络模型确定事理图谱的特征向量；将事理图谱的特征向量，输入到预先训练好的神经网络模型，预测事理图谱中缺失的事件节点及相应的节点连接关系；根据事理图谱中缺失的事件节点及相应的节点连接关系，确定目标事件场景中的潜在事件。本公开能够提高基于事件文本对事件进行预测的准确度。

技术领域

本公开涉及机器学习认知计算技术领域，尤其涉及一种潜在事件预测方法、装置、设备及存储介质。

背景技术

在信息时代的背景下，已经发生的事件会被记录为文档进行保存，用于消息发布或事件分析等场景。然而在将事件汇总为文本的过程中，难免会出现关键信息丢失、遗漏或模糊不清的情况，严重影响文本中信息的有效性。

相关技术中使用基于自然语言处理的算法对缺失事件进行预测。通过将描述事件的文本本身作为输入，依靠模型的复杂度对文本中各事件的关系进行建模，但是其预测结果完全依赖于输入的规范性，导致输出结果的可靠性不够稳定。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供一种潜在事件预测方法、装置、电子设备及存储介质，至少在一定程度上克服相关技术中提供的对缺失事件进行预测的方法输出结果不可靠的问题。相关技术中基于事件文本对事件进行预测的方法存在预测结果不准确的技术问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种潜在事件预测方法，包括：获取目标事件场景的事理图谱，其中，所述事理图谱中包含：多个事件节点及各个事件节点之间的节点连接关系，每个事件节点对应所述目标事件场景中一个事件；使用图神经网络模型确定所述事理图谱的特征向量；将所述事理图谱的特征向量，输入到预先训练好的神经网络模型，预测所述事理图谱中缺失的事件节点及相应的节点连接关系；根据所述事理图谱中缺失的事件节点及相应的节点连接关系，确定所述目标事件场景中的潜在事件。

在本公开的一个实施例中，使用图神经网络模型确定所述事理图谱的特征向量，包括：使用图神经网络模型确定所述事理图谱中各个事件节点的特征向量；根据所述事理图谱中各个事件节点的特征向量，确定所述事理图谱的特征向量。

在本公开的一个实施例中，在将所述事理图谱的特征向量，输入到预先训练好的神经网络模型，预测所述事理图谱中缺失的事件节点及相应的节点连接关系之前，所述方法还包括：获取多个完整事理图谱，其中，每个完整事理图谱对应一种事件场景；对每个完整事理图谱中的事件节点及事件节点之间的节点连接关系按比例删除，得到每个完整事理图谱的缺失事理图谱；将所述多个完整事理图谱及对应的缺失事理图谱作为训练数据，对神经网络模型进行训练，得到训练好的神经网络模型。

在本公开的一个实施例中，获取多个完整事理图谱，包括：获取每种事件场景下的多个事件；将每种事件场景下的多个事件进行泛化处理，得到每种事件场景下的多个事件节点；将每种事件场景下的多个事件输入自然语言处理模型，输出每种事件场景下多个事件节点之间的节点连接关系；根据每种事件场景下的多个事件节点及对应的节点连接关系，生成每种事件场景下的完整事理图谱。

在本公开的一个实施例中，将所述事理图谱的特征向量，输入到预先训练好的神经网络模型，预测所述事理图谱中缺失的事件节点及相应的节点连接关系，包括：基于预先训练好的神经网络模型，采用多层注意力机制，逐层预测所述事理图谱中缺失的事件节点及相应的节点连接关系。