突发公共事件基于本体的元事件模型研究

突发公共事件时有发生,如何应用历史突发公共事件,快速获取应对当前突发事件的解决思路,以应对突发的公共事件,是急需解决的关键问题.通过对突发公共事件实体层级体系的研究,将其公共属性进行描述和抽取,采用OWL语言对突发公共事件的本体进行了描述,并给出了突发公共事件的元事件的定义,讨论了元事件之间的相互关系.结合CBR的相关理念,提出了基于元事件的突发公共事件的推理机制,使得决策者依据元事件库可以快速地获得应急处置方案;最后实例验证和说明该模型具有良好的应用效果.

元事件抽取研究综述

事件抽取是信息抽取领域的一个重要研究方向,在情报收集、知识提取、文档摘要、知识问答等领域有着广泛应用。对当前事件抽取领域研究得较多的元事件抽取进行了综述。首先,简要介绍了元事件和元事件抽取的基本概念,以及元事件抽取的主要实现方法。然后,重点阐述了元事件抽取的主要任务,详细介绍了元事件检测过程,并对其他相关任务进行了概述。最后,总结了元事件抽取面临的问题,在此基础上展望了元事件抽取的发展趋势。

基于DS与模糊集理论的知识元事件Bayes概率修正方法

计算事件发生概率是预防安全事故的常用方法,但基于贝叶斯网络方法构建的Bayes概率对预测知识元事件的精确度较低,为此,文章引入DS理论和模糊集理论分别对先验概率予以修正,比较研究结果显示:DS理论克服了专家评判的主观因素影响,提高了概率估计精度,且能计算出事件蔓延发展的后续概率;模糊集理论除提高概率精度外,还可分解计算每个单独事件的贡献度。DS理论与模糊集理论修正知识元事件Bayes先验概率之方法,具有较强的稳定性与适用性。

基于事件时间论元抽取的文档级时序抽取方法研究

事件时序关系识别任务属于关系抽取领域的一个分支,近年来受到越来越多的关注。目前,关于章级事件时序关系抽取的研究在现有神经网络方法中尚未得到充分深入探讨。因此,本文提出一种基于篇章事件时序关系矩阵的方法,利用语言学中的时间论元理论来指导模型抽取效果;通过修改预训练阶段的词嵌入,将句子的时态、体态和时间副词作为额外信息融入事件触发词的词嵌入表达中;同时,模型还利用了事件时间论元抽取任务进行辅助训练,从而构建了具有增强时间特征的文本表达。研究发现通过将事件时间论元抽取任务融入模型训练过程,该模型在事件时序关系抽取任务上获得了比基线更好的效果。

基于BERT和图注意力网络的篇章级事件论元识别

事件论元识别是事件抽取的子任务之一,其目的在于识别文本中与事件相关的论元及论元对应的论元角色。研究表明,句子的依存句法关系有助于事件论元任务识别,然而,在构造篇章的依存句法关系时容易引入不相关的论元产生噪声问题,现有方法对噪声问题处理不佳。针对该问题,提出了一个基于BERT和图注意力网络的篇章级事件论元识别模型。该模型从两个角度去解决噪声问题,一方面,通过获取充分的篇章语义特征作为辅助,去构建更有效的篇章依存句法特征;另一方面,采用图注意力网络对不同的论元节点分配不同的权重,从而去除掉无效的论元。在RAMS语料库上的实验结果表明,该方法有效解决了篇章依存句法关系中存在的噪声问题,取得了较好的篇章级事件论元识别结果。

增强依存结构表达的零样本跨语言事件论元角色分类

事件论元角色分类是事件抽取中的子任务,旨在为事件中的候选论元分配相应的角色。事件语料标注规则复杂、人力耗费大,在很多语言中缺少相关标注文本。零样本跨语言事件论元角色分类可以利用源语言的丰富语料建立模型,然后直接应用于标注语料匮乏的目标语言端。围绕不同语言的事件文本在依存结构上的表达共性,提出了使用BiGRU网络模块对触发词到候选论元的依存路径信息进行额外编码的方法。本文设计的编码模块能灵活地与当前主流的基于深度学习框架的事件论元角色分类模型相联合。实验结果表明,本文提出的方法能更有效地完成跨语言迁移,提高多个基准模型的分类性能。

基于角色信息引导的多轮事件论元抽取

针对通用领域的事件论元抽取研究中角色信息利用不足和论元间缺少交互两个问题,提出角色信息引导的多轮事件论元抽取模型,用于增强文本的语义信息和论元之间的交互能力,提升事件论元抽取的性能。首先,为了更好地利用角色知识来引导论元的抽取,该模型根据角色定义构造角色知识,对角色信息和文本独立编码,并采用基于注意力机制的方法获取标签知识增强的文本表示,进而采用增强嵌入来预测各角色论元的起始和结束位置。同时,为了在抽取过程中充分利用事件论元之间的交互,受多轮对话模型的启发,设计一种多轮事件论元抽取算法。该算法参照“先易后难”的自然逻辑,每次选择预测概率最大,也是最容易确定的角色进行抽取。在论元抽取过程中,为了对论元之间的交互进行建模,模型引入历史嵌入,并在每一次预测结束后更新历史嵌入,帮助下一轮事件论元的抽取。实验结果表明,角色信息的引导和多轮抽取算法均有效地提升了论元抽取的性能,使得该模型的表现优于其他基线模型。

篇章级文本的事件图谱构建与事件抽取方法

针对篇章级事件抽取任务主要存在的以下3个挑战:模型复杂、事件论元分散以及多事件抽取,提出一种基于异质交互图和有序树的篇章级事件抽取方法DTHIGN。支持以解耦实体抽取部分的方式精简模型的参数;构建面向触发词的篇章级异质交互图,更全面地对语义进行建模;支持使用基于统一事件模板的树形事件论元抽取方式获得事件论元结果。实验结果表明,该方法能够获得较好的效果并显著降低模型的训练难度。

基于卷积树核的事件论元角色抽取方法

事件论元角色抽取是事件抽取的关键环节,句法分析信息对事件论元角色抽取具有重要作用.传统基于机器学习的方法通常将句法分析信息转化为平面特征,并不能全面利用句法分析信息.为此,提出基于卷积树核的事件论元角色抽取方法.首先,构造基本树结构,将句法分析信息转化为结构特征;其次,针对句法结构树包含较多冗余信息的问题,设计相应裁剪算法,优化树结构、减少卷积树核计算的时间复杂度;最后,构造复合核将平面特征与结构特征相结合,并训练支持向量机分类器完成事件论元角色抽取.实验证明,本文方法使事件论元角色抽取效果有了明显提升.

基于时空信息的军事事件图谱构建方法研究

面向解决军事领域海量异构、多模态数据的统一组织管理和深度关联挖掘核心问题,围绕各类军事行动,提出一种基于时空信息的军事事件图谱构建方法,探索形成以事件为中心的数据体系,可实现军事事件查询、统计、分析等功能,为掌握战场态势提供辅助支撑。

英汉语小句的句法结构及其事件论元的实现

英汉语中的小句结构统一表现为嵌套时态短语的话题短语投射。英语小句中的时态成分在不同小句类型中具有实现事件论元的可选性特征,其句法结果为英语名词小句和形容词小句中的主语移位至话题短语指定语位置,而英语动词小句中话题短语指定语的位置由小代语pro占据。话题短语指定语位置上成分的不同造成了英语不同小句中主语被动化提取的差别。汉语中的时态成分同样在实现事件论元方面具有可选性特征。汉语补足语小句中的时态成分选择不实现事件论元,因此汉语名词小句和形容词小句中话题短语指定语位置上的成分为小代语pro。汉语独立小句中的时态则选择实现事件论元,其主语实现为话题。

基于门控图卷积与动态依存池化的事件论元抽取

事件论元抽取是事件抽取任务中一个极具挑战性的子任务。该任务旨在抽取事件中的论元及论元扮演的角色。研究发现,句子的语义特征和依存句法特征对事件论元抽取都有着非常重要的作用,现有的方法往往未考虑如何将两种特征有效地融合起来。因此,提出一种基于门控图卷积与动态依存池化的事件论元抽取模型。该方法使用BERT抽取出句子的语义特征;然后通过依存句法树设计两个相同的图卷积网络,抽取句子的依存句法特征,其中一个图卷积的输出会通过激活函数作为门控单元;接着,语义特征和依存句法特征通过门控单元后相加融合。此外,还设计了一个动态依存池化层对融合后的特征进行池化。在ACE2005数据集上的实验结果表明,该模型可以有效地提升事件论元抽取效果。

基于阅读理解框架的中文事件论元抽取

传统的事件论元抽取方法把任务当作句子中实体提及的多分类或序列标注任务,论元角色的类别在这些方法中只能作为向量表示,而忽略了论元角色的先验信息。实际上,论元角色的语义和论元本身有很大关系。对此,该文提议将其当作机器阅读理解任务,把论元角色转换为自然语言描述的问题,通过在上下文中回答这些问题来抽取论元。该方法更好地利用了论元角色类别的先验信息,在ACE2005中文语料上的实验证明了该方法的有效性。

基于知识蒸馏与模型集成的事件论元抽取方法

目前先进的事件论元抽取方法通常使用BERT模型作为编码器,但BERT巨大的参数量会降低效率,使模型无法在计算资源有限的设备中运行。提出一种新的事件论元抽取方法,将事件论元抽取教师模型蒸馏到2个不同的学生模型中,再对2个学生模型进行集成。构造使用BERT模型和图卷积神经网络的事件论元抽取教师模型,以及2个分别使用单层卷积神经网络和单层长短期记忆网络的学生模型。先通过均方误差损失函数对学生模型和教师模型的中间层向量进行知识蒸馏,再对分类层进行知识蒸馏,使用均方误差损失函数和交叉熵损失函数让学生模型学习教师模型分类层的知识和真实标签的知识。在此基础上,利用加权平均的方法对2个学生模型进行集成,从而提升事件论元抽取性能。使用ACE2005英文数据集进行实验,结果表明,与学生模型相比,该方法可使事件论元抽取F1值平均提升5.05个百分点,推理时间和参数量较教师模型减少90.85%和99.25%。

中文突发事件论元识别方法研究

事件抽取是从非结构化的文本中抽取用户感兴趣的事件信息,并以结构化的形式展现。当前社交媒体快速发展,互联网上突发事件信息数量也剧增。如何准确地从大量无结构事件信息中识别并抽取出突发事件信息,分析突发事件舆情趋势对社会安全极为重要。本文利用双向长短期记忆神经网络(BiLSTM)与图注意力机制(GAT)获取事件句子中的句法信息和获得事件论元之间的内在关联,进一步提升事件论元识别的准确率。通过在真实数据集中多次实验证明,本文中的方法在公开的数据集上进行验证,与以往的事件论元识别方法相比获得较大的性能提升。

基于依存感知建模的事件论元抽取方法研究

事件论元抽取任务的目标是识别事件中的论元和论元角色。中文由于其独特的表达习惯,存在句法结构较为松散的问题,导致事件的隐层语义关系不易被捕捉,而这些隐层语义关系对事件论元抽取有关键作用。文章提出一种基于依存感知建模的事件论元抽取方法。首先,通过依存感知建模捕获依存感知特征;然后,构建上下文语义增强向量经过序列编码后得到上下文语义增强特征;最后,采用多头注意力机制融合特征,并通过softmax函数进行分类。在CEC2.0中文语料库上的实验结果表明,该方法较好地提高了事件论元抽取性能。

基于相似义原和依存句法的政外领域事件抽取方法

以政外领域新闻数据为研究基础,针对基于传统模式匹配事件抽取存在的提取困难、召回率和准确率低,基于深度学习方法在特定领域事件抽取中抽取准确率不高等问题,提出基于相似义原和依存句法的政外领域事件抽取方法。通过计算义原描述式的相似性,扩展事件触发词表,为精准识别事件类型奠定基础;进一步基于模式的指导,结合文本依存句法分析实现对于政外领域事件元素的识别和抽取,从而达到对事件的结构化描述。抽取结果准确率明显优于基于深度神经网络的端到端事件抽取模型抽取结果,并对其他特定领域事件抽取具有可借鉴性和实施性。最后对事件抽取面临的主要困难和应用前景进行了探讨和总结。

科技风险事件库构建及事件发现关键技术研究

本文提出一种科技风险事件资源库和事件发现模型的构建方法,通过分析网络新闻源数据的文本特征,利用爬取的科技媒体新闻构建元事件资源库和主题事件再生资源库模型,并提出综合评价模型进行事件发现。针对事件发现,本文提出了一种two-branch Transformer的科技领域风险事件语言模型,从风险事件中提取与风险度相关的词汇特征,并弱化文本自身的领域特征等对风险事件分类任务造成的干扰,以此来发现风险事件。研究结果验证了本文所提出的风险事件发现模型及对元事件风险倾向进行判断的指标的有效性。本文能够为科技领域风险事件资源库的构建提供参考,提出的科技领域风险事件语言模型能够为风险发现研究提供方法和技术上的参考。

事件抽取综述

将用户感兴趣的事件从非结构化信息中提取出来,然后以结构化的方式展示给用户,这就是事件抽取。事件抽取在信息收集、信息检索、文档合成、信息问答等方面有着广泛应用。从全局出发,事件抽取算法可以分为基于模式匹配的算法、触发词法、基于本体的算法以及前沿联合模型方法这四类。在研究过程中根据相关需求可使用不同评价方法和数据集,而不同的事件表示方法也与事件抽取研究有一定联系;以任务类型区分,元事件抽取和主题事件抽取是事件抽取的两大基本任务。其中,元事件抽取有基于模式匹配、基于机器学习和基于神经网络这三种方式,而主题事件抽取有基于事件框架和基于本体两种方式。事件抽取研究在中英等单语言上均已取得了优秀成果,而跨语言事件抽取依然面临着许多问题。最后,总结了事件抽取的相关工作并提出未来研究方向,以期为后续研究提供参考。

事件提取方法在军事领域的应用趋势

事件提取可以帮助用户从海量、无序的非结构化信息中快速、准确地获取感兴趣的事件,在自然语言处理领域有广泛应用。在梳理事件的概念、知识表示以及事件提取发展历程的基础上,对元事件和主题事件的提取方法分别进行了归纳和分析,并总结了事件提取方法在军事上的研究现状,探讨了其在军事领域未来的应用趋势。