1.一种英文事件触发词抽取方法,其特征在于,包括:
读取标注文档的实体标注信息和事件标注信息,对标注文档中的每一个事件句调用词形还原工具进行词形还原,分别得到标注语料实体集合、标注语料事件集合和词形还原文档集合;对标注语料事件集合中每个触发词,匹配词形还原文档集合中的词原形,得到触发词表;统计标注语料事件集合中触发词对应的事件类型,事件类型对应的角色,以及角色对应的实体类型,分别得到触发词原形事件类型集合、事件类型角色列表集合和角色实体类型集合;其中,所述标注文档是已经标注了实体信息和事件信息的文档集合;
对标注文档中每一个原始文本调用分句工具和词形还原工具分别得到每个文档的标注句子集合和标注句子词形还原集合;对待抽取文档中每一个原始文本分别调用分句工具,词形还原工具和命名实体识别工具进行分句,词形还原和命名实体识别得到待抽取句子集合,待抽取句子词形还原集合和待抽取句子实体类型集合;其中,所述原始文本是没有任何标注信息的生文本;
分别将标注句子词形还原集合和待抽取句子词形还原集合中每个句子的每个词原形和触发词表中的触发词原形进行比较,如果该词原形出现在触发词表中,则该词为候选触发词,并将对应句子组合后分别加入训练事件句集合和候选事件句集合;
根据触发词原形事件类型集合、事件类型角色列表集合和角色实体类型集合,分别为训练事件句集合和候选事件句集合中的每个触发词赋予比率最大的两种事件类型,并根据论元选择策略,构建得到标注语料特征集合和待抽取语料特征集合;
将标注语料特征集合中每个候选触发词的特征作为输入,训练一个基于注意力机制的循环神经网络模型触发词抽取模型,然后针对待抽取语料特征集合中的每个候选触发词进行触发词类型识别,得到待抽取语料预测集合。
2.根据权利要求1所述的英文事件触发词抽取方法,其特征在于,读取标注文档的实体标注信息和事件标注信息,对标注文档中的每一个事件句调用词形还原工具进行词形还原,分别得到标注语料实体集合、标注语料事件集合和词形还原文档集合;对标注语料事件集合中每个触发词,匹配词形还原文档集合中的词原形,得到触发词表;统计标注语料事件集合中触发词对应的事件类型,事件类型对应的角色,以及角色对应的实体类型,分别得到触发词原形事件类型集合、事件类型角色列表集合和角色实体类型集合;其中,所述标注文档是已经标注了实体信息和事件信息的文档集合;具体包括:根据标记读取标注文档中的实体标注信息,得到标注语料实体集合;
根据标记读取标注文档的事件标注信息,得到标注语料事件集合;
对标注语料事件集合的每个事件句调用词形还原工具,得到词形还原文档集合;
对标注语料事件集合的每个触发词,在词形还原文档集合找到其对应的原形,再将该触发词以及触发词原形作为一项加入触发词表中;再对触发词表中原形一致的项合并为一项,得到触发词表;
对触发词表中每一项,在标注语料事件集合中查找所有触发词在该项中出现的事件及其类型,并统计每个类型的比例,得到触发词原形事件类型集合;
对标注语料事件集合中每一种事件类型对应的角色进行统计,得到事件类型角色列表集合;
对标注语料事件集合中每一种事件角色对应的实体类型进行统计,得到角色实体类型集合。
3.根据权利要求1所述的英文事件触发词抽取方法,其特征在于,对标注文档中每一个原始文本调用分句工具和词形还原工具分别得到每个文档的标注句子集合和标注句子词形还原集合;对待抽取文档中每一个原始文本分别调用分句工具,词形还原工具和命名实体识别工具进行分句,词形还原和命名实体识别得到待抽取句子集合,待抽取句子词形还原集合和待抽取句子实体类型集合;其中,所述原始文本是没有任何标注信息的生文本;具体包括:对标注文档和待抽取文档中的每一个原始文本以“.”,“!”,“?”进行分句,分别得到标注句子集合和待抽取句子集合;
对标注句子集合和待抽取句子集合每一句调用词形还原工具,分别得到标注句子词形还原集合和待抽取句子词形还原集合;
对待抽取句子集合中每一句调用命名实体识别工具,得到待抽取句子实体类型集合。
4.根据权利要求1所述的英文事件触发词抽取方法,其特征在于,分别将标注句子词形还原集合和待抽取句子词形还原集合中每个句子的每个词原形和触发词表中的触发词原形进行比较,如果该词原形出现在触发词表中,则该词为候选触发词,并将对应句子组合后分别加入训练事件句集合和候选事件句集合;具体包括:根据触发词表,从标注句子词形还原集合中抽取出候选触发词,加入训练事件句集合;
具体过程如下:
对标注句子词形还原集合中每个句子,遍历该句子中的每个词;
若当前词的原形出现在触发词表中且当前词在标注语料事件集合中被标记为触发词,记录当前词在句中位置,将当前词作为触发词的事件类型、当前词、当前词所在的句子和当前词的位置这个四元组加入到训练事件句集合,其中,用1‑n表示n种事件类型;
若当前词原形出现在触发词表中且当前词在标注语料事件集合中不被标记为触发词,将“0”、当前词、当前词所在的句子和当前词的位置这个四元组加入到训练事件句集合,其中,“0”表示该触发词不是定义的某种事件类型;
若当前词不出现在触发词表中,不做任何操作;
根据触发词表,从待抽取句子词形还原集合中抽取出候选触发词,加入候选事件句集合;具体过程如下:对待抽取句子词形还原集合中每个句子,遍历该句子中的每个词,若当前词原形出现在触发词表中,将“‑1”、当前词、当前词所在的句子和当前词的位置这个四元组加入到候选事件句集合;否则,不做任何操作。
5.根据权利要求1所述的英文事件触发词抽取方法,其特征在于,根据触发词原形事件类型集合、事件类型角色列表集合和角色实体类型集合,分别为训练事件句集合和候选事件句集合中的每个触发词赋予比率最大的两种事件类型,并根据论元选择策略,构建得到标注语料特征集合和待抽取语料特征集合;具体包括:对训练事件句集合和候选事件句集合中每个候选触发词,从触发词原形事件类型集合中匹配该候选触发词所在的项,将该项中所占比率最高的两个事件类型赋予该触发词,分别得到训练事件句第一特征集合和候选事件句第一特征集合;所述训练事件句第一特征集合和候选事件句第一特征集合中候选触发词实例为:<候选触发词><句子><句中触发词位置><事件类型1,事件类型2>对训练事件句集合和候选事件句集合中每个候选触发词,进行候选论元预测,分别添加到训练事件句第一特征集合和候选事件句第一特征集合中,得到标注语料特征集合和待抽取语料特征集合,所述标注语料特征集合和待抽取语料特征集合中每个候选触发词特征格式如下:<候选触发词><句子><句中触发词位置><事件类型1><预测论元词表1><事件类型2><预测论元词表2>其中,预测论元词表中每项格式为:预测论元词/论元词实体类型。
6.根据权利要求1所述的英文事件触发词抽取方法,其特征在于,将标注语料特征集合中每个候选触发词的特征作为输入,训练一个基于注意力机制的循环神经网络模型触发词抽取模型,然后针对待抽取语料特征集合中的每个候选触发词进行触发词类型识别,得到待抽取语料预测集合;具体包括:将标注语料特征集合中每个候选触发词的特征构造成神经网络能接受的输入形式,按照以下方法得到标注语料特征输入集合:将候选触发词拼接上预测论元词表中的预测论元词和论元词实体类型,形式为其中 是拼接操作符,t是候选触发词,ai是预测论元词,ei是预测论元词的实体类型,作为循环神经网络的输入A;
将句子中每个词和每个词的实体类型也拼接在一起,形式为 其中,wi是
句子的中每个词,eni是每个词对应的实体类型,和句中触发词位置特征一起作为循环神经网络的输入B;
最后对特征进行向量初始化,其中词汇使用Google预训练的词向量,维度是300维,实体类型特征采取随机初始化的策略,维度是50维,触发词位置特征采用实值;
使用深度学习工具搭建一个基于注意力机制的循环神经网络分类器,将标注语料特征输入集合作为输入,训练出触发词抽取模型;其中注意力机制就是对循环神经网络的隐藏层向量进行加权求和输出;循环神经网络事件触发词抽取模型包括标注语料特征集合和训练得到的参数;
将待抽取语料特征集合中的每个候选触发词特征也构造相同格式的输入A和B,得到待抽取语料特征输入集合,调用基于循环神经网络事件触发词抽取模型对每个候选触发词进行触发词类型识别,得到待抽取语料预测集合;所述待抽取语料预测集合中每个候选触发词的预测单元如下:<候选触发词T,预测类别I>;
其中,候选触发词T是被预测的候选触发词,预测类别I是基于循环神经网络事件触发词抽取模型的预测结果,预测类别I是对候选触发词的预测,有0,即不是事件类型,和非0,即33种事件类型中的一种事件类型,共34个值。
7.一种英文事件触发词抽取系统,其特征在于,包括:
事件句子预处理模块,读取标注文档的实体标注信息和事件标注信息,对标注文档中的每一个事件句调用词形还原工具进行词形还原,分别得到标注语料实体集合,标注语料事件集合和词形还原文档集合;对标注语料事件集合中每个触发词,匹配词形还原文档集合中的词原形,得到触发词表,统计标注语料事件集合中触发词对应的事件类型,事件类型对应的角色,以及角色对应的实体类型,分别得到触发词原形事件类型集合、事件类型角色列表集合和角色实体类型集合;其中,所述标注文档是已经标注了实体信息和事件信息的文档集合,是训练模型的基础;
句子处理模块,对标注文档中每一个原始文本调用分句工具和词形还原工具分别得到每个文档的标注句子集合和标注句子词形还原集合;对待抽取文档中每一个原始文本分别调用分句工具,词形还原工具和命名实体识别工具进行分句,词形还原和命名实体识别得到待抽取句子集合,待抽取句子词形还原集合和待抽取句子实体类型集合,其中,所述原始文本是没有任何标注信息的生文本;
候选触发词抽取模块,分别将标注句子词形还原集合和待抽取句子词形还原集合中每个句子的每个词原形和触发词表中的触发词原形进行比较,如果该词原形出现在触发词表中,则该词为候选触发词,和对应句子组合后分别加入训练事件句集合和候选事件句集合;
论元预测模块,根据触发词原形事件类型集合、事件类型角色列表集合和角色实体类型集合,分别为训练事件句集合和候选事件句集合中的每个触发词赋予比率最大的两种事件类型,并根据论元选择策略,构建得到标注语料特征集合和待抽取语料特征集合;
候选触发词类型识别模块,将标注语料特征集合中每个候选触发词的特征作为输入,训练一个基于注意力机制的循环神经网络模型触发词抽取模型,然后针对待抽取语料特征集合中的每个候选触发词进行触发词类型识别,得到待抽取语料预测集合。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1到6任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1到6任一项所述方法的步骤。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1到6任一项所述的方法。