[发明专利]一种预警数据危险性计算方法、装置和计算机设备

权利要求书

1.一种预警数据危险性计算方法，其特征在于，包括：

将预警数据输入至BERT预训练模型中进行词向量转换，得到词向量矩阵；其中，所述词向量矩阵中包括所有预警数据对应的连续子串；

根据所述词向量矩阵，构建事件Schema模型，且所述事件Schema模型至少包括：预警数据类型和事件的论元角色；

通过指针网络将预警数据切换成连续的子序列，并提取所述子序列中的事件的论元角色；

根据所述事件的论元角色对向量序列进行打分，得到预警数据的危险程度。

2.根据权利要求1所述的方法，其特征在于，还包括：构建多层并列的指针网络，实现在一个预警数据中抽取多个事件。

3.根据权利要求2所述的方法，其特征在于，还包括：对BERT预训练模型融合噪音处理，具体为：

其中，表示加入噪音之后的BERT预训练模型参数；w_i表示BERT预训练模型参数；u(a，b)表示从a到b的均匀分布噪音，且u(a，b)是与w_i形状相同的矩阵；λ表示控制相对噪音强度的参数，一般取[0.5，1]；std代表标准差。

4.根据权利要求1所述的方法，其特征在于，所述根据所述事件的论元角色对向量序列进行打分，具体为：

设输入的预警数据长度为n，经过BERT预训练模型融合噪音处理，得到token向量序列[h1，h2，h3...hn]；

通过全连接层对所述token向量序列进行矩阵变换，得到两个形状相同的矩阵q，k，具体为：

q_i,s＝w_q,sh_i+b_q,s

k_i,s＝w_k,sh_i+b_k,s

其中，q_1,s、w_q,s、k_i,s和w_k,s表示需要学习的参数矩阵；h表示token的向量序列；b_q,s和b_k,s表示偏置；

矩阵变换后，得到q，k向量序列：

[q_1,s，q_2,s，...，q_n,s],[k_1,s，k_2,s，...，k_n,s]；

q，k向量序列为识别第s类事件，具体识别公式为：

其中，score_s(i,j)表示从i到j的连续子序列span作为预警数据类型s的事件的论元打分，即用q_i,s与k_j,s矩阵的内积作为连续子序列span[i:j]对事件的论元打分；

其中，q，k向量计算方法为：

标记出论元的起始和终止位置，得到论元的span；

根据所述span和qk矩阵对论元进行打分计算。

5.根据权利要求4所述的方法，其特征在于，所述打分值越高，表明预警数据危险程度越大。

6.根据权利要求1所述的方法，其特征在于，所述预警数据类型至少包括：爆炸、火灾、车祸、生产事故、违法事故、举报和贪污；所述事件的论元角色至少包括：时间、地点、触发词、主体、伤亡情况和官方介入。

7.一种预警数据危险性计算装置，其特征在于，包括：

转换模块，用于将预警数据输入至BERT预训练模型中进行词向量转换，得到词向量矩阵；其中，所述词向量矩阵中包括所有预警数据对应的连续子串；

第一构建模块，用于根据所述词向量矩阵，构建事件Schema模型，且所述事件Schema模型至少包括：预警数据类型和事件的论元角色；

提取模块，用于通过指针网络将预警数据切换成连续的子序列，并提取所述子序列中的事件的论元角色；

打分模块，用于根据所述事件的论元角色对向量序列进行打分，得到预警数据的危险程度。