1.一种无触发词的事件检测方法,其特征在于,所述方法包括:将样本语句输入事件检测模型进行上下文信息编码,得到词的第一语义向量表示,并对各词的第一语义向量表示进行类别信息编码,得到词的第二语义向量表示;
根据上一时刻的解码状态和各词的第二语义向量表示计算权重向量并归一化,得到归一化权重向量,并根据所述归一化权重向量确定当前时刻的解码上下文信息;
根据上一时刻的解码状态和预测的事件类别的概率分布、当前时刻的解码上下文信息,计算当前时刻的解码状态和预测的事件类别的概率分布;
根据各解码时刻对应的归一化权重向量确定第一模型损失,并根据各解码时刻预测的事件类别的概率分布确定第二模型损失;
根据所述第一模型损失和所述第二模型损失确定模型总损失,并根据所述模型总损失对所述事件检测模型进行训练,直至收敛;
将待检测语句输入训练后的所述事件检测模型进行事件检测,得到事件检测结果。
2.如权利要求1所述的无触发词的事件检测方法,其特征在于,所述将样本语句输入事件检测模型进行上下文信息编码,得到词的第一语义向量表示,包括:将所述样本语句输入所述事件检测模型中的第一编码网络,并根据所述第一编码网络对所述样本语句中的各样本词进行向量映射,得到各样本词的初始语义向量表示;
根据所述第一编码网络中的Transformer层对各初始语义向量表示进行特征融合,得到所述词的第一语义向量表示。
3.如权利要求1所述的无触发词的事件检测方法,其特征在于,对各词的第一语义向量表示进行类别信息编码采用的公式包括:;
其中, 是各事件类别的语义向量表示, 是非事件类别的语义向量表示, 是由 和 构成的矩阵, 为事件类别的总数量, 为所述事件检测模型中的类别注意力机制层, 为所述样本语句中第 个样本词对应的词的第一语义向量表示, 用作类别注意力机制层中的查询, 和 分别为类别注意力机制层中的键和值, 和 为类别注意力机制层中需要学习的参数, 为与样本语句中第 个样本词相关的类别信息的表示, 表示向量拼接操作, 为 和拼接后得到的临时向量, 分别为所述样本语句中各样本词对应的词的第二语义向量表示,BiLSTM为双向长短时记忆网络,N是所述样本语句中样本词的数量。
4.如权利要求3所述的无触发词的事件检测方法,其特征在于,根据上一时刻的解码状态和各词的第二语义向量表示计算权重向量并归一化采用的公式包括:;
其中,sim为计算两个向量间相似度的函数, 为未归一化的权重向量,softmax为归一化函数, 为归一化权重向量, 为所述上一时刻的解码状态;
根据所述归一化权重向量确定当前时刻的解码上下文信息采用的公式包括:;
其中, 为当前时刻 的解码上下文信息, 为归一化权重向量 中第 个值。
5.如权利要求4所述的无触发词的事件检测方法,其特征在于,根据上一时刻的解码状态和预测的事件类别的概率分布、当前时刻的解码上下文信息,计算当前时刻的解码状态和预测的事件类别的概率分布采用的公式包括:;
其中, 为上一时刻预测的事件类别的概率分布, 为第 个事件类别的语义向量表示, 为上一时刻类别预测结果的语义向量表示, 为概率分布 中的第 个概率值, 表示向量拼接操作,LSTM为从左至右的单向长短时记忆网络, 为当前时刻 的解码状态, 和 为所述事件检测模型中线性变换层的参数, 为当前时刻 预测的事件类别的概率分布。
6.如权利要求5所述的无触发词的事件检测方法,其特征在于,根据各解码时刻对应的归一化权重向量确定第一模型损失采用的公式包括:;
其中, 为所述第一模型损失, 为第一子模型损失, 为第二子模型损失,为所述样本语句中包含事件的数量, 分别为不同解码时刻对应的归一化权重向量,为不同解码时刻对应的归一化权重向量组成的矩阵, 为矩阵转置操作,为单位矩阵, 为矩阵的二范数,Entropy为信息熵计算函数。
7.如权利要求6所述的无触发词的事件检测方法,其特征在于,根据各解码时刻预测的事件类别的概率分布确定第二模型损失采用的公式包括:;
其中, 为所述第二模型损失, 和 分别为 和 中的第 个概率值, 为当前时刻 对应的真实事件类别的独热编码表示;
根据所述第一模型损失和所述第二模型损失确定模型总损失采用的公式包括:;
其中, 为所述模型总损失, 为权重系数。
8.一种无触发词的事件检测系统,其特征在于,所述系统包括:融合上下文信息的第一编码模块,用于将样本语句输入事件检测模型进行上下文信息编码,得到样本语句中词的词的第一语义向量表示;
融合类别信息的第二编码模块,用于对各词的第一语义向量表示进行类别信息编码,得到词的第二语义向量表示;
基于注意力机制的选择模块,用于根据上一时刻的解码状态和各词的第二语义向量表示计算权重向量并归一化,得到归一化权重向量,并根据所述归一化权重向量确定当前时刻的解码上下文信息;
类别序列解码模块,用于根据上一时刻的解码状态和预测的事件类别的概率分布、当前时刻的解码上下文信息,计算当前时刻的解码状态和预测的事件类别的概率分布;
模型训练模块,用于根据各解码时刻对应的归一化权重向量确定第一模型损失,并根据各解码时刻预测的事件类别的概率分布确定第二模型损失;
根据所述第一模型损失和所述第二模型损失确定模型总损失,并根据所述模型总损失对所述事件检测模型进行训练,直至收敛;
事件检测模块,用于将待检测语句输入训练后的所述事件检测模型进行事件检测,得到事件检测结果。