[发明专利]基于知识映射的事件关系抽取、语篇关系分析方法及装置

权利要求书

1.一种基于知识映射的事件关系抽取方法，其步骤包括：

1)基于语言模型，挖掘事件文本中存在相似的词法与句法结构，得到特殊字词[CLS]的嵌入表示h_[CLS]，其中特殊字词[CLS]是事件关系对的开始标记；

2)基于变分自编码的语义表示编码器，获取事件文本中可类推的语义关系表示h_z；其中，所述基于变分自编码的语义表示编码器，获取事件文本中可类推的语义关系表示h_z，包括：

通过独立的关系嵌入表示网络获得输出端的关系嵌入表示h_Y；

通过一个非线性的变换层，将嵌入表示h_[CLS]与关系嵌入表示h_Y映射到一个公共的语义表示空间，得到在同一空间的语义表示h′_z＝tanh(W_z[h_[CLS]；h_Y]+b_z)，其中，W_z为第一可学习的参数矩阵，b_z为第一可学习的偏置项；

通过线性回归方法，分别得到第一高斯语义表示的均值μ＝W_μh′_z+b_μ与第二高斯语义表示的方差平方的对数log(σ²)＝W_σh′_z+b_σ；其中，W_μ为第二可学习的参数矩阵，b_μ为第二可学习的偏置项，W_σ为第三可学习的参数矩阵，b_σ为第三可学习的偏置项，σ表示二高斯语义表示的方差；

通过重参数的方法，获得最终的语义关系表示h_z＝μ+σ⊙∈，其中∈是服从标准高斯分布的噪声；

3)根据嵌入表示h_[CLS]与语义关系表示h_z进行粗粒度关系分类，得到粗粒度分类结果Y^c，并将粗粒度分类结果Y^c输入粗粒度关系嵌入网络，获得粗粒度类别嵌入表示其中，所述粗粒度关系分类结果为时序关系、应变关系、比较关系和阐述关系中的一种，所述粗粒度关系嵌入网络是接受一个具体的关系，并通过一个映射矩阵得到该关系对应的稠密向量表示的网络；

4)利用嵌入表示h_[CLS]、语义关系表示h_z及粗粒度类别嵌入表示对事件文本中事件对的关系类别进行分类，得到事件关系抽取结果。

2.如权利要求1所述的方法，其特征在于，所述语言模型包括：BERT模型。

3.如权利要求1所述的方法，其特征在于，通过以下步骤得到事件对中特殊字词[CLS]的嵌入表示h_[CLS]：

1)对于文本中的事件关系对E¹,E²，序列化地表示为其中特殊字词[SEP]是事件关系对中每一个事件的结束标记，e是事件关系对中出现的自然语言字符；

2)对序列中的每一自然语言字符e，将获取的词向量、分割向量及位置向量拼接在一起，得到各字词的初始字词表示向量；

3)利用各字词的初始字词表示向量，获取序列表示向量；

4)将序列表示向量输入语言模型，得到特殊字词[CLS]的嵌入表示h_[CLS]。

4.如权利要求1所述的方法，其特征在于，利用一分类器，对事件文本中事件对的关系类别进行分类，其中训练分类器的目标函数L(θ)＝α(L(θ；Y)+λKL(P||Q))+(1-α(L(θ；Y^c))，λ与α分别是两个超参数，Y^c为粗粒度关系分类，KL(P||Q)是语义表示编码器中的KL距离，L(θ；Y^c)＝logp(Y^c|h_[CLS],h_z)，p为先验模型,Y表示事件关系。