【技术实现步骤摘要】
基于推荐的事件检测模型的构建方法及利用模型进行事件检测的方法
:
[0001]本专利技术属于自然语言处理领域,具体涉及一种基于推荐的事件检测模型的构建方法及利用模型进行事件检测的方法。
技术介绍
:
[0002]事件检测是自然语言处理领域中一个常见的语义分析任务,其目的在于检测某条语句或某篇文章是否与某类事件相关,常规的事件检测技术是通过设计特有的模型,首先检测事件文本的触发词,然后判断触发词是属于哪一个事件类型,如Liu等人在[Jointly Multiple Events Extraction via Attention
‑
based Graph Information Aggregation]一文中提出的OneIE模型使用基于注意力机制的图卷积网络进行事件检测,但OneIE存在长尾问题,即测试数据中许多触发因素可能不会出现在训练数据中,同时还存在某个触发词可能所属多个事件类型,但OneIE可能出现分类错误的情况,除此之外,数据集中的触发词需要人工标注,需要大量的人工成本,最后在现有技术中,尚未有将推荐的思想应用到事件检测中来的方法。
技术实现思路
:
[0003]针对上述问题,本专利技术提供了一种基于推荐的事件检测模型的构建方法及利用模型进行事件检测的方法,达到了通过对群组的文本推荐来实现事件检测的目的。
[0004]一种基于推荐的事件检测模型的构建方法,该方法包括:
[0005]对包含事件文本、触发词、事件类型的原始数据集进行预处理:将原始数据集中的事件文本、触发词 ...
【技术保护点】
【技术特征摘要】
1.一种基于推荐的事件检测模型的构建方法,其特征在于,所述方法包括:对包含事件文本、触发词、事件类型的原始数据集进行预处理:将原始数据集中的事件文本、触发词、事件类型提取出来保存在JSON文件中,每条数据的事件文本、触发词、事件类型构成一个数据样本;将预处理后的数据集按比例划分为测试集和训练集;对训练集中的每个数据样本分别生成事件文本、触发词、事件类型的映射整数,分别构建事件文本
‑
映射整数字典、触发词
‑
映射整数字典、事件类型
‑
映射整数字典、事件类型
‑
触发词关系字典,通过所述事件文本
‑
映射整数字典、触发词
‑
映射整数字典、事件类型
‑
映射整数字典构建触发词粗粒度辅助张量h_ul_corase、触发词细粒度辅助张量h_ul_fine、事件类型辅助张量train_hgg;构建初始的基于推荐的事件检测模型及初始参数,所述基于推荐的事件检测模型包括:BERT层、触发词超图卷积层、触发词判别器、事件类型超图卷积层、注意力权重层、神经协同过滤层、预测层;其中,触发词超图卷积层由两个自定义层组成,事件类型超图卷积层由一个自定义层组成,将六个随机初始化的可学习参数分别作为三个所述自定义层的权重和偏置;触发词判别器包括一全连接层和一个双线性层;预测层为一个二层感知器;将所述训练集中的所有触发词输入至初始的基于推荐的事件检测模型中,经过BERT层得到触发词词向量,所述触发词词向量分别与h_ul_corase和h_ul_fine输入到触发词超图卷积层分别得到触发词粗粒度超图特征值和触发词细粒度超图特征值;针对训练集中的数据样本构建<正采样触发词,负采样触发词>的数据对,根据数据对中正采样触发词的映射整数和负采样触发词的映射整数在触发词粗粒度超图特征值和触发词细粒度超图特征值中索引得到正采样触发词粗粒度超图特征值、正采样触发词细粒度超图特征值及负采样触发词粗粒度超图特征值;正采样触发词粗粒度超图特征值和正采样触发词细粒度超图特征值经过触发词判别器后输出触发词正对分数;正采样触发词粗粒度超图特征值和负采样触发词粗粒度超图特征值经过判别器输出触发词负对分数;通过触发词正对分数和触发词负对分数计算损失值并更新模型参数;将所述训练集中所有的触发词和事件类型分别输入到更新参数后的基于推荐的事件检测模型中,经过BERT层后得到全部触发词的词向量和全部事件类型的词向量;将所有触发词词向量、触发词粗粒度辅助张量及触发词细粒度辅助张量输入至触发词超图卷积层后得到触发词粗粒度超图特征值和触发词细粒度超图特征值,将触发词粗粒度超图特征值和触发词细粒度超图特征值之和作为触发词双粒度超图特征值;将所有的事件类型词向量和事件类型辅助张量输入事件类型超图卷积层得到事件类型超图特征值;针对每一个事件类型,通过事件类型
‑
触发词的关系字典中索引得到该事件类型中的所有触发词,将该事件类型的所有触发词输入到更新参数后的基于推荐的事件检测模型中,经过BERT层得到该事件类型所有触发词的词向量;根据触发词
‑
映射整数字典获取到该事件类型所有触发词的映射整数,通过所述映射整数在所述触发词的双粒度超图特征值中索引得到该事件类型所有触发词的行向量;将所述行向量与该事件类型所有触发词的词向量相加得到该事件类型所有触发词的嵌入表示;针对训练集中的数据样本构建<事件类型,正采样事件文本,负采样事件文本>的数据对,将所述数据对输入至更新参数后的基于推荐的事件检测模型中,经过BERT层后得到事件文本的词向量,所述事件文本为正采样事件文本和负采样事件文本;将所述事件文本的词向量与所述该事件类型所有触发词的嵌入表示拼接后,输入到注意力权
重层得到该事件类型所有触发词关于事件文本的权重,将该事件类型所有触发词加权后与事件类型的词向量、事件类型超图特征值中该事件类型对应行向量求和得到该事件类型的嵌入表示;将该事件类型的嵌入表示、事件文本的词向量经神经协同过滤层得到该事件类型关于事件文本的交互特征,将所述交互特征、该事件类型的词向量及事件文本的词向量拼接后,输入到预测层,输出得到该事件类型关于事件文本的交互分数;事件类型和正采样事件文本的交互分数为正分数,事件类型和负采样事件事件文本的交互分数为负分数,通...
【专利技术属性】
技术研发人员:闫琰,李天诚,张博文,李文捷,
申请(专利权)人:中国矿业大学北京,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。