[发明专利]事例检测方法和电子设备

说明书

本说明书一个或多个实施例提供了一种事例检测方法和电子设备，包括：获取非结构化文本；利用预先构建的分类敏感学习模型，从所述非结构化文本中检测激发词，并识别所述激发词所属的事例类型；其中，所述分类敏感学习模型属于少样本学习模型；所述分类敏感学习模型是由分类敏感自监督学习框架和分类敏感原型网络通过序列化训练得到的；解决了原型网络在少样本的事例检测中无法迁移学习未知任务和过拟合的问题。

技术领域

本说明书一个或多个实施例涉及自然语言处理技术领域，尤其涉及一种事例检测方法和电子设备。

背景技术

少样本的事例检测通常使用原型网络，通过类质中心点的匹配来对查询集中未标签的实例进行分类，以解决数据样本稀少的问题。然而，原型网络无法在有限的标签实例中迁移学习未知的任务，同时原型网络中的实例编码器在低资源场景中易出现过拟合。

发明内容

有鉴于此，本说明书一个或多个实施例的目的在于提出一种事例检测方法和电子设备，以解决原型网络在少样本的事例检测中无法迁移学习未知任务和过拟合的问题。

基于上述目的，本说明书一个或多个实施例提供了一种事例检测方法，包括：

获取非结构化文本；

利用预先构建的分类敏感学习模型，从所述非结构化文本中检测激发词，并识别所述激发词所属的事例类型；

其中，所述分类敏感学习模型属于少样本学习模型；所述分类敏感学习模型是由分类敏感自监督学习框架和分类敏感原型网络通过序列化训练得到的。

在一些实施方式中，所述分类敏感自监督学习框架包括至少三个孪生距离网络；

所述孪生距离网络包括至少两个第一GCN编码器和至少一个孪生距离函数；

所述孪生距离函数表示如下：

其中，a和b为两个不同的事例实例，σ(·，·)为sigmoid函数，W_d和b_d为训练的变量。

在一些实施方式中，所述分类敏感自监督学习框架的损失函数为：

其中，α、β和γ为超参数，I_a为锚实例，I_sub为同构子事例实例，I_eve为同构事例实例，I_hete为异构事例实例。

在一些实施方式中，所述非结构化文本包括支撑集和查询集；所述激发词位于所述查询集；

所述分类敏感原型网络，被配置为：

使用第二GCN编码器和原型网络根据所述支撑集得到类质中心点嵌入；

将标签分类体系输入到庞加莱嵌入，得到标签层次嵌入；其中所述标签分类体系由所述支撑集推断得到；

将所述标签分类体系输入到BERT编码器，得到标签语义嵌入；

根据所述类质中心点嵌入，所述标签层次嵌入，所述标签语义嵌入和所述标签引用嵌入，使用线性误差零值化方法获得映射矩阵和标签嵌入；

在所述查询集上根据所述映射矩阵和所述标签嵌入获得网络损失，并得到所述激发词所属的事例类型。

在一些实施方式中，所述将标签分类体系输入到庞加莱嵌入，得到标签层次嵌入，包括：

将所述标签分类体系映射到黎曼流形；

根据所述标签分类体系中的标签对在所述黎曼流形中的距离，对所述标签对进行分类，得到正标签对集和负标签对集；