[发明专利]事件共指消解方法、装置、电子设备及存储介质

说明书

本发明提供一种事件共指消解方法、装置、电子设备及存储介质，其中方法包括：获取事件文本；基于所述事件文本对应的事件提示文本，对所述事件文本进行语义编码，得到所述事件文本的事件语义特征，所述事件提示文本用于提示所述事件文本中待关注的参数类型；提取所述事件文本之间的比较提示文本的比较语义特征，所述比较提示文本用于提示所述事件文本之间待比较的参数类型；基于所述事件语义特征和所述比较语义特征，进行事件共指消解。本发明提供的方法、装置、电子设备及存储介质，由此，可以使得后续进行事件共指消解时，模型特别关注事件文本之间待比较的参数类型，能够更好地挖掘文本语义信息，提高事件共指消解的准确性和可靠性。

技术领域

本发明涉及事理图谱技术领域，尤其涉及一种事件共指消解方法、装置、电子设备及存储介质。

背景技术

事件共指关系指的是给定描述事件的文本，如果两个事件指向同一个事件实例，则这两个事件之间存在共指关系。事件共指消解任务(Event Coreference Resolution)就是将互为共指关系的事件聚合到同一个事件链中，过滤文本中的重复冗余信息、便于机器理解文本，同时，事件共指消解任务对信息抽取、事理图谱的构建等任务也有一定的帮助。

现有技术中，事件共指消解方法主要有基于分类的事件共指消解方法、基于相似度的事件共指消解方法和基于深度学习的有监督的事件共指消解方法。然而，基于分类的事件共指消解方法中，由于BERT(Bidirectional Encoder Representation fromTransformers)模型规定，在计算语义相似度时，需要将两个句子同时输入模型，进行信息交互，这造成大量的计算开销。

而基于相似度的事件共指消解方法，BERT模型直接将sentence embedding作为输入进行预训练时的效果不好，即BERT模型没有很好的挖掘句子中的语义信息。而基于深度学习的有监督的事件共指消解方法，大多依赖较多的标注文本，在标注数据较少的情况下，效果并不理想。

发明内容

本发明提供一种事件共指消解方法、装置、电子设备及存储介质，用以解决现有技术中事件共指消解方法大多依赖较多的标注文本，在标注数据较少的情况下，效果并不理想，以及模型预训练的效果不好的缺陷。

本发明提供一种事件共指消解方法，包括：

获取事件文本；

基于所述事件文本对应的事件提示文本，对所述事件文本进行语义编码，得到所述事件文本的事件语义特征，所述事件提示文本用于提示所述事件文本中待关注的参数类型；

提取所述事件文本之间的比较提示文本的比较语义特征，所述比较提示文本用于提示所述事件文本之间待比较的参数类型；

基于所述事件语义特征和所述比较语义特征，进行事件共指消解。

根据本发明提供的一种事件共指消解方法，所述基于所述事件文本对应的事件提示文本，对所述事件文本进行语义编码，得到所述事件文本的事件语义特征，包括：

抽取所述事件文本中的事件参数，并基于所述事件提示文本，对所述事件文本中的事件参数进行语义编码，得到所述事件文本的事件语义特征。

根据本发明提供的一种事件共指消解方法，所述事件提示文本还用于提示所述事件文本中待关注的事件类型；

所述抽取所述事件文本中的事件参数，并基于所述事件提示文本，对所述事件文本中的事件参数进行语义编码，得到所述事件文本的事件语义特征，包括：

抽取所述事件文本中的触发词和事件参数，并基于所述事件提示文本，对所述事件文本中的触发词和事件参数进行语义编码，得到所述事件文本的事件语义特征。

根据本发明提供的一种事件共指消解方法，所述基于所述事件提示文本，对所述事件文本中的触发词和事件参数进行语义编码，得到所述事件文本的事件语义特征，包括：