[发明专利]基于强化学习的事件论元抽取方法及装置

说明书

本发明涉及一种基于强化学习的事件论元抽取方法及装置，包括构建事件检测模型，构建论元检测模型，构建实体选择模型，将实体选择模型选择的待检测实体输入到论元检测模型进行检测，采集预测结果的损失，根据预测结果的损失更新论元检测模型的参数；根据待检测实体更新实体选择模型；通过更新后的论元检测模型和更新后的实体选择模型对句子中的实体进行检测，并将检测结果引入更新后的论元检测模型和更新后的实体选择模型进行更新，循环直至遍历所有实体。本发明能够在检测当前论元的时候，引入已知论元的信息，通过引入已知论元信息和强化学习技术，能够有效利用论元间交互关系，提高论元检测效果。

技术领域

本发明属于自然语言技术领域，具体涉及一种基于强化学习的事件论元抽取方法及装置。

背景技术

信息抽取是通过自然语言处理等方法将人类可读的非结构化文本转化为机器可读的结构化文本，特别是从文本中识别和抽取出用户感兴趣的实体、事件和实体关系等，并将结果以结构化的形式存储，例如关系数据库或者XML，为数据分析、查询等应用提供数据。其中事件抽取是一个重要且难度较高的任务。事件抽取是把含有事件信息的非结构化文本中的事件信息以结构化的形式呈现出来，包括识别事件触发词和事件相关论元。事件抽取在自动文摘、自动问答、信息检索、知识图谱等领域有着广泛的应用。

近年来，事件抽取受到了各国学者的广泛关注，并且产生了大量优秀的研究成果和应用。按照事件抽取技术来区分，可以分为两大类:

1、传统机器学习方式；在2014年及以前，事件抽取以传统机器学习方法为主，主要包括基于特征的方式和基于结构的方式。传统机器学习方式通常依赖于手工设计的特征和语言学知识，通常需要使用外部工具来生成特征，例如词性标注、实体标注、句法依存分析等特征；使用外部工具程序复杂，实现困难；

2、深度学习方式；2015年及以后，深度学习被逐渐引入到事件抽取中，也取得了超越传统机器学习方法的效果。基于深度学习的方式通常采用深度学习算法例如CNN、RNN、DMCNN、JRNN、DBRNN以及各种Attention机制等来对特征进行自动抽取，并进行分类。

但是，现有的事件抽取工作通常将论元抽取建模为针对实体和相关事件的论元角色分类任务，并且针对一个句子中实体集合的每个实体分离地进行训练与测试，忽略了候选论元之间潜在的交互关系，导致论元检测效果不显著。

发明内容

有鉴于此，本发明的目的在于克服现有技术的不足，提供一种基于强化学习的事件论元抽取方法及装置，以解决现有技术中忽略了候选论元之间潜在的交互关系，导致论元检测效果不显著的问题。

为实现以上目的，本发明采用如下技术方案：一种基于强化学习的事件论元抽取方法，包括：

构建事件检测模型，所述事件检测模型检测句子中的触发词并根据所述触发词进行事件类型预测；其中，所述句子包括触发词和实体；

构建论元检测模型，所述论元检测模根据预测的事件类型对事件的每个触发词和每个实体两两之间进行论元检测；

构建实体选择模型，所述实体选择模型从未检测的实体集合中确定待检测实体；

将所述实体选择模型选择的待检测实体输入到所述论元检测模型进行检测，采集预测结果的损失，根据所述预测结果的损失更新所述论元检测模型的参数；根据所述待检测实体更新所述实体选择模型；

通过更新后的论元检测模型和更新后的实体选择模型对所述句子中的实体进行检测，并将检测结果引入更新后的论元检测模型和更新后的实体选择模型进行更新，循环直至遍历所有实体，确定并输出论元集合。

进一步的，所述构建事件检测模型，包括：

采用双向长短期记忆条件随机场模型对文本数据进行标注；

采用已标注文本数据对事件检测模型进行训练，直至收敛，输出事件检测模型。