[发明专利]基于关系图注意力神经网络的事件时序关系识别方法

权利要求书

1.基于关系图注意力神经网络的事件时序关系识别方法，该方法包含如下步骤：

Step1：时序图构建

首先对事件句对进行语义依存分析，获得两个依存树；针对每个依存树，查找触发词所处位置，并以触发词以起点，递归查找它的相邻节点，直到p跳的相邻节点为止，并保留该阶段内被查找的节点，其中p为递归次数；

使用抽象的关系类型表示分词间的联系，定义的关系类型如下：

Depend-Head类型边：通过依存分析工具获得的边；

Head-Depend类型边：与Depend-Head类型边方向相反；

Self-Loop类型边：该边指向分词本身；

Head-Head类型边：该边两端均为触发词；

由此得到一个时序图G＝(U,E)，其中每个节点u_i∈U，每个边(u_i,u_j)∈E；

Step2：时序图学习

定义每个节点的初始隐藏状态为每个节点的邻居集合为N(u_i)；对于时序图G中的每个节点u_i，计算它的第l层的隐藏状态

利用注意力机制对不同的邻居节点进行差异化处理，以区别不同的邻居节点的权重；

根据注意力机制中的注意力系数计算处于第l层的不同节点间的相关度

Step3：时序分类

首先从隐藏状态集合中提取出触发词的隐藏状态和

然后将事件句s₁和事件句s₂中剩余的隐藏状态信息分别整合为句子表示向量和

最后，利用前馈神经网络FFNN和softmax函数对上述句子表示向量进行计算，预测不同事件间的时序关系；

其中Step2中时序图G中的每个节点u_i的第l层的隐藏状态计算如下：

其中，N_r(u_i)表示节点u_i在关系类型r∈R下的邻居节点，表示第l-1层的节点u_i与节点u_j在关系类型r∈R下的相关度，表示在关系类型r∈R下的第l-1层的邻居节点的权重矩阵，表示第l-1层触发词t的权重矩阵，R表示关系类型的集合，σ表示激活函数。

2.根据权利要求1所述的基于关系图注意力神经网络的事件时序关系识别方法，其特征在于：Step3中句子表示向量和计算如下：