欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022105701515
申请人: 昆明理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于知识图信息引导的篇章级事件角色识别方法,其特征在于:所述基于知识图信息引导的篇章级事件角色识别方法的具体步骤如下:Step1、抽取文本句子中的三元组信息,并基于实体、高频词、关键词信息对三元组元素进行聚类,以此构建三元组元素之间的关联关系,形成文档的知识图信息;

Step2、将文本通过预训练Bert和预训练词向量两种不同的方式进行向量化表示作为编码器的输入;

Step3、通过Transformer编码端对文档进行编码;

Step4、通过Bi‑LSTM网络对文本句子级进行编码;

Step5、使用图卷积模块将文本的向量表示与知识图信息进行联合学习,得到融合知识图信息的向量表示;

Step6、最后通过融合推理模块中的选通融合机制实现不同粒度文本信息的融合,然后利用CRF层进行事件角色信息识别推理,以完成事件的角色信息的识别。

2.根据权利要求1所述基于知识图信息引导的篇章级事件角色识别方法,其特征在于:所述Step1的具体步骤为:

Step1.1、使用斯坦福工具对文本的句子抽取其三元组信息,将每个三元组中的元素,构建相互依赖关系;

Step1.2、抽取文本的高频词、关键词和实体词,并判断不同句子三元组元素是否属于某一类型下,以此对三元组元素进行聚类,构建跨句三元组之间的关联关系,以此形成文本知识图。

3.根据权利要求1所述基于知识图信息引导的篇章级事件角色识别方法,其特征在于:所述Step2的具体步骤为:

Step2.1、首先使用预训练词向量和预训练Bert模型分别对文本向量化表示;

Step2.2、然后通过交叉注意力网络将获得的预训练词向量表示和预训练Bert模型的向量表示进行联合会学习,得到融合预训练Bert模型的文本向量表示。

4.根据权利要求1所述基于知识图信息引导的篇章级事件角色识别方法,其特征在于:在所述Step3中,使用Transformer编码端对文本向量进行特征编码,得到文本的特征表示。

5.根据权利要求1所述基于知识图信息引导的篇章级事件角色识别方法,其特征在于:在所述Step4中,使用BI‑LSTM编码器对文本中每个句子进行特征编码,得到文本的句子级特征表示。

6.根据权利要求1所述基于知识图信息引导的篇章级事件角色识别方法,其特征在于:所述Step5包括:

通过图卷积网络对文本知识图信息进行特征提取;

通过交叉注意力网络实现知识图信息的特征与文本特征的深层次融合。

7.根据权利要求1所述基于知识图信息引导的篇章级事件角色识别方法,其特征在于:所述Step5的具体步骤如下:

Step5.1、在构建的知识图的基础上,以三元组中的元素的字符创建节点;对于三元组内部元素的字符之间都添加了边,对于通过聚类构建在一起的跨句子三元组元素字符之间添加了边,这样就形成了图ζ=(γ,ε),其中γ=v1,v2,v3……vn(|γ|=n)和ε分别是节点集和边集;每个vi是表示三元组中字符vi的节点,每个边(vi,vj)∈ε是字符vi和字符vj的关系;为了使节点之间信息能够流动,将节点之间的关系等价为节点之间信息的正向流动、反向流动和自循环流动,所以最终得到类型标签为K(vi,vj):Step5.2、文本特征表示Ht作为图卷积网络的输入,来初始化网络第一层的节点表示在句法图卷积网络模块的第k层,通过以下方法计算节点v∈γ的图卷积向量其中k(u,v)表示边(u,v)的类型标签构建的邻接矩阵; 和 分别是某个指向类型标签k(u,v)的权值矩阵和偏差;N(v)是v的邻域集,包括v;f是非线性激活函数;

Step5.3、由Transform编码端得到文本隐状态向量 再通过交叉注意力网络,将图卷积模块所得的知识图特征表示融入文本表示中,以此得到文本新的表示文档级表示H′={h′1,h′2…h′n}。

8.根据权利要求1所述基于知识图信息引导的篇章级事件角色识别方法,其特征在于:所述Step6的具体步骤为:

Step6.1、通过选通融合网络,将文本句子级特征信息与文本特征信息进行选通融合,通过不同粒度的文本信息,使模型对文本语义理解更加全面;

Step6.2、通过CRF网络对文本进行识别标注,实现对事件角色信息的有效识别。