基于多模板提示调优和知识增强的事件因果关系识别方法

事件因果关系识别(Event Causality Identification,ECI)是自然语言处理领域的一项重要研究任务,旨在识别文本中事件之间的因果关系。现有方法大都基于微调范式,不能较好发挥预训练语言模型的作用,难以有效捕获隐式因果关系识别的线索。为此,该文提出了一种基于多模板提示调优和知识增强的事件因果关系识别方法。针对ECI任务设计独特的总提示模板,对显式和隐式事件因果关系分别设计不同的种子提示模板,集成训练所有提示模板,形成适应于ECI任务的提示调优方式。通过引入ConceptNet、Oxford Dictionaries等外部知识库,丰富事件的解释性知识和事件之间的关系性知识,将不同的知识融入提示模板,强化隐式因果关系线索。在EventStoryLine和Causal-TimeBank两个广泛使用的数据集上的实验结果表明,该文方法性能优于现有方法。

基于对抗训练的事件要素识别方法

针对目前大多数事件要素识别模型未考虑词级别的语义信息,及模型鲁棒性不高的问题,提出一种融合词信息和对抗训练的事件要素识别方法。将Bert(bidirectional encode representations from transformers)预训练语言模型生成的字向量与分词信息进行融合,在得到的融合向量中添加扰动因子产生对抗样本,将对抗样本与融合向量表示作为编码层的输入;采用BiGRU(bidirectional gating recurrent unit)网络对输入的文本进行编码,丰富文本的上下文语义信息;采用CRF(conditional random field)函数计算完成事件要素的识别任务。在CEC(Chinese emergency corpus)中文突发事件语料库上的实验结果表明,该方法能够取得较好的效果。

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。

基于文本-图像增强的突发事件识别及分类方法研究

[目的/意义]丰富的互联网数据为洞悉真实事件提供了多维视角,快速识别突发事件并准确判断其所属类别,有助于各级政府及应急管理部门高效地管理应急情报资源。[方法/过程]文章构建了基于文本—图像增强的突发事件识别及分类的理论模型;通过文本卷积神经网络、视觉几何群网络搭建深度神经网络共同组成Multi-DNN模型;最后以真实的自然灾害类突发事件数据进行实例验证。[结果/结论]通过文本、图像相互增强,多模态特征融合能够提升突发事件识别及分类的准确率,同时在小样本数据的任务处理中仍有良好效果,证明不同模态的数据能够相互补充、相互印证,对其融合处理能够提供比单一模态更为准确和全面的信息分析。

基于生成对抗网络的越南语新闻事件共指关系识别方法

事件共指关系识别旨在分析事件描述之间是否从不同的角度对同一件真实事件展开论述。但是,在同一篇新闻报道中往往存在不同事件句之间具有相似上下文但不具有共指关系的噪声情况,其会对共指关系识别模型造成干扰。为解决以上问题,该文提出了基于生成对抗网络的越南语新闻事件共指关系识别方法,采用触发词的上下文信息作为事件句的最小特征表示,在生成对抗网络的基础上构建噪声数据过滤机制进行信息实例与噪声实例的区分。在越南语事件数据集和公开数据集上的实验表明,该神经网络模型能有效进行噪声数据过滤,相对于传统的事件共指关系识别方法有明显的优势。

基于深度学习的构音障碍人群语音事件识别模型

构音障碍是许多患有特殊疾病的患者所要面对的问题,会造成说话人发音不清晰。为更好地理解构音障碍患者所表达的语音事件,文章提出了一个新的基于深度学习的语音事件识别模型。模型以语音片段作为输入,运用格拉姆角场保留了时间序列的原始特征,利用Conformer对序列的局部特征和全局特征进行提取,最后用Res Net作为分类模型。在EasyCall corpus数据集上的实验结果表明,文章提出的模型具有良好的识别效果。

基于Φ-OTDR的振动事件识别分类器研究进展

相位敏感光时域反射计(Φ-OTDR)凭借着传感距离长、铺设简单、耐腐蚀和抗电磁干扰等特点被广泛应用于分布式振动监测领域。随着传感任务多样化及人工智能的广泛应用,对振动事件的类型识别成为研究的热点方向。为了使读者能更好理解识别分类器研究进展和发展趋势,先后介绍了传统识别分类器和基于深度学习的神经网络识别分类器,对不同分类器性能指标、优缺点和应用场合进行了比较,最后对Φ-OTDR振动事件识别研究方向进行了展望。

基于VMD与MFE的光纤周界安防入侵事件识别

为了提高周界入侵事件的识别率,本文提出一种基于超弱光纤光栅(UWFBG)阵列的光纤周界入侵事件识别方法。该方法通过变分模态分解(VMD)将入侵信号进行分解,然后选择最佳分量并提取其多尺度模糊熵(MFE),与信号过零率(ZCR)相结合构造特征向量,将其输入到Sigmoid函数拟合的支持向量机(SVM),实现对晃动、剪切、刮风、下雨和无入侵5种不同的事件的识别。实验表明,该方法可以准确识别5种常见的事件信号,平均识别率达到98%。此外,该方法可以在输出各入侵事件类别的同时输出各类事件发生的概率值。

丰富语义信息的BERT-CRNN突发事件要素识别

利用事件要素识别检测突发事件具有现实意义。针对目前突发事件要素识别任务中存在词向量特征单一和未能充分利用局部特征信息的问题,提出一种丰富语义信息的BERT-CRNN(Bidirectional Encoder Representation from Transformers Convolution Recurrent Neural Network)突发事件要素识别方法。首先,将突发事件文本送入BERT预训练模型进行语义提取,获取动态词向量;其次,将动态词向量连接词性、组块等特征,丰富词向量的语义信息;然后,将卷积神经网络和双向门控循环单元组合成CRNN模型,利用CRNN模型进行特征提取,能充分考虑局部特征信息和上下文语义信息;最后,将结果输入到条件随机场自动学习约束条件,得到最终标记序列。实验结果表明,提出的方法在CEC2.0中文突发事件语料库上取得良好的识别效果。

融入依存句法信息的事件时序关系识别

事件时序关系识别有助于读者理清文章脉络,把握全局发展趋势,是重要的自然语言理解任务之一。现有的事件时序关系识别方法专注于提取事件触发词前后的局部信息,然而事件句中的事件信息分布较为分散,导致模型在编码过程中丢失部分事件信息。针对上述问题,针对文本特征提出一种双路依存注意力机制来聚合事件句信息,通过单词的父子节点信息构建出双路依存矩阵,将句法信息融入到词嵌入中。将该机制与双向长短期记忆网络(bidirectional long short term memory,Bi-LSTM)结合,可以使事件时序关系模型的性能得到显著提高。该文在越南语数据集与英语数据集上进行对比实验,结果表明所提方法优于主流的神经网络方法。

结合眼动信息和序列指纹的亚暴事件识别方法

极光亚暴的发生过程、效应和模型的研究一直是近30年来日地物理学中最受重视的核心前沿课题之一。Polar卫星携带的紫外成像仪(UVI)每年采集到的紫外极光图像数量非常庞大,自动且精确地从海量的紫外极光图像中识别亚暴事件是该领域亟需解决的问题。目前已经有针对极光亚暴事件检测、识别等方面的研究,这些方法均有效利用了亚暴事件的物理特性,但都没有利用专家视觉认知信息作为先验。因此,以眼动信息作为专家知识的一种视觉直观表示,结合亚暴序列本身的物理特性,提出了结合眼动信息和序列指纹的亚暴事件识别方法。首先,利用眼动仪获取空间物理专家对极光亚暴序列认知的眼动信息;其次,根据亚暴事件的物理特征对其进行标记得到每个极光亚暴事件的序列指纹;最后,利用专家的眼动信息与序列指纹识别策略实现对亚暴事件的自动识别。同时,实验也表明了所提出的方法的有效性。

基于两级SVM的Φ-OTDR系统振动事件识别算法

相位敏感光时域反射计(Φ-OTDR)对于振动信号能够实现高灵敏度的连续分布式测量,目前的振动事件识别算法常从一个或者两个维度来提取特征,如时域或频域等,未能实现多维度大样本特征参量的融合分析;现有的算法一般采用简单的单级识别算法,结构比较简单,导致最终的模型识别准确率不高、泛化能力较差。针对上述问题,对实验采集的振动信号从时域、频域和空间域的多参量特征进行提取和融合,针对具体的振动信号识别问题,构建了一种两级支持向量机(SVM)识别算法,对振动事件进行两级分类,能够实现对相似振动事件的精确识别,识别准确率达90%以上。

目标依赖的新闻事件识别

海量新闻文本中往往涉及多个实体,并蕴含复杂多样的事件.为了挖掘这些实体、事件信息,先前的以事件为中心的事件抽取方法大多先检测事件,再抽取事件论元.受限于触发词和事件识别,该方法无法应用于真实工业场景下的新闻事件抽取.考虑到命名实体识别(named entity recognition, NER)的性能达到90%以上,提出了以目标实体为视角的事件抽取任务—目标依赖的事件识别(target-dependent event detection, TDED),旨在抽取出实体并识别其对应的事件.基于该任务,提出了先抽取实体再识别目标级事件类型的两阶段模型框架.该模型融合了事件关键词和句法依存距离特征,能够学习目标依赖的上下文信息.在构建好的真实中文金融数据集上的实验结果表明,该模型抽取性能较佳,即使在句中存在多个实体或事件的复杂情形下也能取得很好的性能表现.

基于融合决策的负荷事件识别方法

负荷事件识别是基于事件的非侵入式负荷监测方法中的关键步骤之一。文中提出了一种融合决策的负荷事件识别方法,通过将三种不同原理的负荷事件识别算法的识别结果进行投票,得出最终的识别结果。相较于单独的识别算法,该方法可以有效地提高负荷事件识别的准确率。此外,该方法可以根据三种算法的不同结果判断出异常的负荷事件。

融合多变量序列时空信息的事件早期识别方法

针对事件早期识别算法对多维变量序列时空依赖关系挖掘不足的问题,提出了一种时空融合的事件早期识别算法。将多变量时间序列规整为矩阵化数据输入时间卷积网络,通过学习时间序列的时域特征,对时间序列进行预测。将包含已知值和预测值在内的多变量时间序列送入融合时空信息的深度神经网络进行识别。在动作识别、手写字符识别、口语数字识别等多个任务上的实验结果表明,所提算法的性能优于主流的算法。当事件仅发生2/3时,能以平均93.2%的准确率识别多类别事件,在手写字符识别数据集上的早期识别准确率甚至与完整事件被观测到时的识别准确率相当。

基于联合模型的端到端事件可信度识别

事件可信度是对文本中事件真实情况的一种描述,是自然语言处理领域许多相关应用的基本任务。目前,大多数关于事件可信度的相关研究都是使用标注的事件进行事件可信度识别,不方便实际应用,并且忽略了不同事件源对事件可信度的影响。针对现有问题,提出了一个端到端的事件可信度识别的联合模型JESF。该模型可以同时进行事件识别、事件源识别、事件可信度识别3个任务;使用BERT(Bidirectional Encoder Representations from Transformers)和语言学特征加强单词的语义表示;使用注意力机制(Attention)和依存句法树构建图卷积神经网络(Graph Convolutional Network,GCN),以有效地提取语义和句法特征。特别地,该模型也可以应用于只考虑默认源(文本作者)的事件可信度任务。在FactBank,Meantime,UW,UDS-IH2等语料上的实验结果显示,所提模型优于基准模型。

基于图神经网络和句法结构的因果事件检测

事件因果关系识别(ECI)旨在识别非结构化文本中事件之间的因果关系。这是一项非常具有挑战性的任务,因为因果关系通常通过事件之间的隐性关联来表达。现有的方法通常是直接使用预训练语言模型对文本建模来捕获这种关联,而这种方法难以捕获文本中长间隔事件对的语义关系。随着文本中事件对间隔的增加,模型对于事件对的语义关系捕捉能力下降。通过对文本的语义结构建模来研究事件之间的隐式因果关联。利用基于图神经网络的事件聚合器集成事件对的结构信息,以及利用文本的句法结构信息对模型提取的事件对表征进行语义增强。在两个广泛使用的数据集上的实验结果表明,模型性能比基线方法有显著的提升。

基于依存分析的事件识别

事件抽取是信息抽取的重要组成部分,事件识别是事件抽取的基础,事件识别的效果直接影响了事件抽取的结果。基于机器学习的方法识别事件需要从词汇中发掘更多的特征。针对当前事件识别方法中存在的不足,提出了一种基于依存分析的事件识别方法。用依存分析发掘触发词与其它词之间的句法关系,以此为特征在SVM分类器上对事件进行分类,最终实现事件识别。实验表明,基于依存分析的事件识别优于传统的事件识别方法,而融合多特征的事件识别F值可提高到69.3%。

中国大陆古地震研究的关键技术与案例解析(1)——走滑活动断裂的探槽地点、布设与事件识别标志

古地震研究的主要目标是识别或揭露地质地貌记录的大地震变形遗迹,确定大地震发生的时间、复发特征、同震位移量等参数。要实现这样的目标,探槽开挖地点能否完整记录晚第四纪发生的古地震事件、能否获取大量的测年样品以控制事件发生的年代、能否正确地识别这些事件等是关键,并直接关系到未来大地震危险性评价的可靠性。由于走滑断裂位移发生的特殊性,好的探槽研究地点并不普遍。文中在综合分析走滑断裂同震地表变形特征、影响因素的基础上,通过案例分析,总结出可能成为走滑断裂古地震研究和探槽开挖的候选地点,如洼地、盆地、槽谷、断塞塘、被同步位移连续错开的冲沟床、连续的坎前堆积地层和多级地貌面连续变形等。组合探槽或三维探槽应该是走滑断裂探槽布设的首选。跨断层微地貌位错、断错地层以及上覆更新地层、局部坎前堆积和裂缝充填堆积、不同地层单元沿断层面位移量的突然增加或降低、不同程度的弯曲变形、不同期次的古断塞塘(坑)堆积等,可以作为重要的事件识别依据。要降低古地震识别的不确定性,需要理顺研究程序,明确技术方案,逐一精心实施。认识和结论的得出需要反复推敲,并广泛讨论,同时需要注意细节以及各种信息的相互补充和印证。

基于综合特征的光纤周界安防系统高效入侵事件识别

在光纤周界安防系统中,急需对入侵事件实现准确而高效的识别,对事件特征做简练而恰当的描述是其关键所在.本文提出一种基于综合特征的入侵事件识别方法,该方法引入全相位滤波器组将输入信号并行分解为多个频率通道,以提取这些通道的归一化功率值;进而与信号过零率相结合,构成包含时域信息、频域信息的综合特征向量;最后将该特征向量馈入径向基函数神经网络即可准确识别出攀爬、敲击、晃动、剪切四种常见的入侵动作.实验证明,本文方法相比于现有的经验模态分解方法,不仅提高了精度,而且显著加快了识别速度.