CN109726819B - 一种实现事件推理的方法及装置 - Google Patents
一种实现事件推理的方法及装置 Download PDFInfo
- Publication number
- CN109726819B CN109726819B CN201811639841.1A CN201811639841A CN109726819B CN 109726819 B CN109726819 B CN 109726819B CN 201811639841 A CN201811639841 A CN 201811639841A CN 109726819 B CN109726819 B CN 109726819B
- Authority
- CN
- China
- Prior art keywords
- event
- inferred
- trained
- knowledge graph
- matching
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种实现事件推理的方法及装置，首先获取待推理事件以及该待推理事件所属事件类型的事件元素节点图谱，并根据该事件元素节点图谱构建待推理事件的知识图谱。然后，计算该知识图谱的谱密度序列，并将其作为待推理事件的特征。再根据待推理事件的特征在事件特征模型中查找与该待推理事件相似的匹配事件，将该匹配事件的后续事件确定为待推理事件的后续预测事件。即，通过将待推理事件划分为细粒度事件元素节点以构建知识图谱，计算待推理事件的谱密度序列，以根据该谱密度序列查找与待推理事件相似的匹配事件，并将匹配事件的后续事件作为待推理事件的后续预测事件，不仅提高查找近似匹配事件的效率，还提高推理的准确率。
Description
技术领域
本申请涉及人工智能技术领域，具体涉及一种实现事件推理的方法及装置。
背景技术
知识图谱是目前有效的对人类知识进行表示和计算的知识服务技术。在人工智能应用领域用于支撑通用知识，常识知识和抽象知识的表示，并以知识图谱为约束进行各种智能计算，支撑各种知识服务。知识图谱是当今人工智能技术能够在落地应用的关键基础。知识图谱不仅仅可以用于进行概念和实体的描述与表示，也可以承载更复杂的知识和事实。事理知识图谱就是知识图谱的一个关键方向。
事理图谱主要用于描述事理逻辑(事件之间的演化规律与模式)，是一种非常有价值的常识知识，挖掘这种知识对我们提供面向现实应用的智能服务非常有意义。例如在医疗领域，问诊、检查、诊断、治疗、随访就是一条清晰的事理路线，根据问诊的具体信息来决定检查是一种典型的事理推理。事理图谱并不是以名词为核心节点的知识库，而是以事件而且是抽象类事件为核心的事理逻辑知识库。事理图谱可以用来支撑事件预测，常识推理，用户信息挖掘，人机对话生成等等。
目前对事理知识图谱的通用做法是用短语或者句子来描述一个事件，用边来表示事件的相互关系，比如因果，顺序，相关等。但是，应用这种事理知识图谱对事件进行推理实现复杂，计算效率较低。
发明内容
有鉴于此，本申请实施例提供一种实现事件推理的方法及装置，以解决现有技术中事件推理实现复杂，计算效率较低的技术问题。
为解决上述问题，本申请实施例提供的技术方案如下：
一种实现事件推理的方法，所述方法包括：
获取待推理事件以及所述待推理事件所属事件类型的事件元素节点图谱；
根据所述待推理事件所属事件类型的事件元素节点图谱，构建所述待推理事件的知识图谱；
计算所述待推理事件的知识图谱的谱密度序列作为所述待推理事件的特征；
根据所述待推理事件的特征在事件特征模型中进行查找，获得与所述待推理事件的特征近似度符合预设条件的事件作为所述待推理事件的匹配事件；
将所述匹配事件的后续事件确定为所述待推理事件的后续预测事件。
在一种可能的实现方式中，所述根据所述待推理事件所属事件类型的事件元素节点图谱，构建所述待推理事件的知识图谱，包括：
根据提取到的所述待推理事件中的实体值，确定所述待推理事件中包括的事件元素节点；
根据所述待推理事件中包括的事件元素节点以及所述待推理事件所属事件类型的事件元素节点图谱结构，构建所述待推理事件的知识图谱。
在一种可能的实现方式中，所述计算所述待推理事件的知识图谱的谱密度序列作为所述待推理事件的特征，包括
根据所述待推理事件的知识图谱生成所述待推理事件的知识图谱的第一邻接矩阵；
计算所述第一邻接矩阵的谱密度序列作为所述待推理事件的特征。
在一种可能的实现方式中，所述计算所述第一邻接矩阵的谱密度序列作为所述待推理事件的特征，包括：
根据所述事件元素节点图谱中的事件元素节点数量以及所述第一邻接矩阵的特征值计算所述第一邻接矩阵在复平面各点的谱密度值；
利用所述第一邻接矩阵在复平面各点的谱密度值构建所述第一邻接矩阵的谱密度序列，将所述第一邻接矩阵的谱密度序列作为所述待推理事件的特征。
在一种可能的实现方式中，所述将所述匹配事件的后续事件确定为所述待推理事件的后续预测事件，包括：
将所述待推理事件的匹配事件以及所述待推理事件之前的历史待推理事件的匹配事件确定为匹配事件集合；
将所述匹配事件集合中的各个事件在事件顺序图谱中顺序命中最多的路径确定为推导路径；
将所述推导路径上所述待推理事件的匹配事件的后续事件确定为所述待推理事件的后续预测事件。
在一种可能的实现方式中，所述事件特征模型的训练过程包括：
获取待训练事件以及所述待训练事件所属事件类型的事件元素节点图谱；
根据所述待训练事件所属事件类型的事件元素节点图谱，构建所述待训练事件的知识图谱；
计算所述待训练事件的知识图谱的谱密度序列作为所述待训练事件的特征；
将所述待训练事件的特征加入事件特征模型。
在一种可能的实现方式中，所述根据所述待训练事件所属事件类型的事件元素节点图谱，构建所述待训练事件的知识图谱，包括：
根据提取到的所述待训练事件中的实体值，确定所述待训练事件中包括的事件元素节点；
根据所述待训练事件中包括的事件元素节点以及所述待训练事件所属事件类型的事件元素节点图谱结构，构建所述待训练事件的知识图谱。
在一种可能的实现方式中，所述计算所述待训练事件的知识图谱的谱密度序列作为所述待训练事件的特征，包括
根据所述待训练事件的知识图谱生成所述待训练事件的知识图谱的第二邻接矩阵；
计算所述第二邻接矩阵的谱密度序列作为所述待训练事件的特征。
一种实现事件推理的装置，所述装置包括：
获取单元，用于获取待推理事件以及所述待推理事件所属事件类型的事件元素节点图谱；
构建单元，用于根据所述待推理事件所属事件类型的事件元素节点图谱，构建所述待推理事件的知识图谱；
计算单元，用于计算所述待推理事件的知识图谱的谱密度序列作为所述待推理事件的特征；
查找单元，用于根据所述待推理事件的特征在事件特征模型中进行查找，获得与所述待推理事件的特征近似度符合预设条件的事件作为所述待推理事件的匹配事件；
确定单元，用于将所述匹配事件的后续事件确定为所述待推理事件的后续预测事件。
在一种可能的实现方式中，所述构建单元，包括：
确定子单元，用于根据提取到的所述待推理事件中的实体值，确定所述待推理事件中包括的事件元素节点；
构建子单元，用于根据所述待推理事件中包括的事件元素节点以及所述待推理事件所属事件类型的事件元素节点图谱结构，构建所述待推理事件的知识图谱。
在一种可能的实现方式中，所述计算单元，包括：
生成子单元，用于根据所述待推理事件的知识图谱生成所述待推理事件的知识图谱的第一邻接矩阵；
计算子单元，用于计算所述第一邻接矩阵的谱密度序列作为所述待推理事件的特征。
在一种可能的实现方式中，所述计算子单元，包括：
第一计算子单元，用于根据所述事件元素节点图谱中的事件元素节点数量以及所述第一邻接矩阵的特征值计算所述第一邻接矩阵在复平面各点的谱密度值；
构建子单元，用于利用所述第一邻接矩阵在复平面各点的谱密度值构建所述第一邻接矩阵的谱密度序列，将所述第一邻接矩阵的谱密度序列作为所述待推理事件的特征。
在一种可能的实现方式中，所述确定单元，包括：
第一确定子单元，用于将所述待推理事件的匹配事件以及所述待推理事件之前的历史待推理事件的匹配事件确定为匹配事件集合；
第二确定子单元，用于将所述匹配事件集合中的各个事件在事件顺序图谱中顺序命中最多的路径确定为推导路径；
第三确定子单元，用于将所述推导路径上所述待推理事件的匹配事件的后续事件确定为所述待推理事件的后续预测事件。
在一种可能的实现方式中，所述事件特征模型的训练过程包括：
获取待训练事件以及所述待训练事件所属事件类型的事件元素节点图谱；
根据所述待训练事件所属事件类型的事件元素节点图谱，构建所述待训练事件的知识图谱；
计算所述待训练事件的知识图谱的谱密度序列作为所述待训练事件的特征；
将所述待训练事件的特征加入事件特征模型。
在一种可能的实现方式中，所述根据所述待训练事件所属事件类型的事件元素节点图谱，构建所述待训练事件的知识图谱，包括：
根据提取到的所述待训练事件中的实体值，确定所述待训练事件中包括的事件元素节点；
根据所述待训练事件中包括的事件元素节点以及所述待训练事件所属事件类型的事件元素节点图谱结构，构建所述待训练事件的知识图谱。
在一种可能的实现方式中，所述计算所述待训练事件的知识图谱的谱密度序列作为所述待训练事件的特征，包括：
根据所述待训练事件的知识图谱生成所述待训练事件的知识图谱的第二邻接矩阵；
计算所述第二邻接矩阵的谱密度序列作为所述待训练事件的特征。
一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述的实现事件推理的方法。
一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述的实现事件推理的方法。
由此可见，本申请实施例具有如下有益效果：
本申请实施例首先获取待推理事件以及该待推理事件所属事件类型的事件元素节点图谱，并根据该事件元素节点图谱构建待推理事件的知识图谱。然后，计算该待推理事件的知识图谱的谱密度序列，并将其作为待推理事件的特征。再根据待推理事件的特征在事件特征模型中查找与该待推理事件相似的匹配事件，将该匹配事件的后续事件确定为待推理事件的后续预测事件。即，本申请通过将待推理事件划分为细粒度事件元素节点以构建知识图谱，计算得到的待推理事件的谱密度序列可以表征待推理事件中各个细粒度事件元素节点之间的关系，以根据该谱密度序列查找与待推理事件相似的匹配事件，并将匹配事件的后续事件作为待推理事件的后续预测事件，根据谱密度序列查找匹配事件是一维数据之间的匹配且体现了待推理事件细粒度的特征，不仅提高了查找近似匹配事件的效率，还提高了推理的准确率。
附图说明
图1为本申请实施例提供的一种实现事件推理方法的流程图；
图2为本申请实施例提供的一种事件元素节点图谱示例图；
图3为本申请实施例提供的一种知识图谱示例图；
图4为本申请实施例提供的第一邻接矩阵示意图；
图5为本申请实施例提供的一种图谱序列示例图；
图6为本申请实施例提供的一种确定后续预测事件的方法的流程图；
图7为本申请实施例提供的一种事件顺序图谱示例图；
图8为本申请实施例提供的一种训练事件特征模型的方法的流程图；
图9为本申请实施例提供的一种实现事件推理的框架图；
图10为本申请实施例提供的一种实现事件推理装置结构图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
为便于理解本申请提供的技术方案，下面将先对本申请的背景技术进行说明。
发明人在对传统的事件推理研究中发现，传统的事件推理通常采用事理知识图谱进行推理，由于事理知识图谱是用短语或句子来描述一个事件，而用句子描述事件粒度较大，在应用事理知识图谱对事件进行推理时，会造成推理误差较大，无法有效查找事件的近似事件。
基于此，本申请实施例提供了一种时间推理方法及装置，当获取待推理事件时，首先根据待推理事件所属事件类型的事件元素节点图谱对待推理事件进行划分，以构建更细粒度的知识图谱。然后，计算获得待推理事件的特征，即知识图谱的谱密度序列。再根据待推理事件的特征在预先训练生成的事件特征模型中进行查找，以获得匹配事件，即近似事件。并将匹配事件的后续事件作为待推理事件的后续预测事件，从而完成事件的推理。通过将待推理事件拆分成更加细粒度的事件元素节点，提高推理的准确性以及效率。
为便于理解本申请提供的事件推理方法，下面将结合附图对该方法进行说明。
参见图1，该图为本申请实施例提供的一种实现事件推理方法的流程图，如图1所示，该方法可以包括：
S101：获取待推理事件以及待推理事件所属事件类型的事件元素节点图谱。
本实施例中，首先获取待推理事件以及该待推理事件所属事件类型的事件元素节点图谱，以便根据该事件元素节点图谱构建待推理事件的知识图谱。
在实际应用中，可以按照应用领域预先设定该专业领域内所包括事件类型以及每个事件类型对应的事件元素节点图谱。事件元素节点图谱中包括有某一事件类型的事件中可能包括的事件元素。事件元素可以理解为组成事件的某一部分内容。例如，在医疗领域，可以将手术过程划分为多个事件类型，如切开事件类型、止血事件类型以及缝合事件类型等等。其中，切开事件类型对应的事件元素节点图谱可以如图2所示，该事件元素节点图谱中共包括16个事件元素节点，该事件元素节点图谱用于表示进行切开事件时可能涉及的事件元素。事件元素节点例如切口位置、切口长度等，是组成切开事件的一部分内容。又例如，在司法领域，事件类型可以包括立案事件、审判事件等等。本申请实施例对事件推理的应用领域并不进行限定。
S102：根据待推理事件所属事件类型的事件元素节点图谱，构建待推理事件的知识图谱。
在本实施例中，当获取待推理事件所属事件类型的事件元素节点图谱后，根据该事件元素节点图谱，构建该待推理事件的知识图谱。
在具体实现时，可以首先提取待推理事件中的实体值，并根据该实体值确定待推理事件中包括的事件元素节点；根据待推理事件中包括的事件元素节点以及待推理事件所属事件类型的事件元素节点图谱结构，构建待推理事件的知识图谱。也就是，提取待推理事件中所包括的所有实体值，根据每个实体值确定该实体值在事件元素节点图谱对应的事件元素节点，从而确定待推理事件包括的事件元素节点。然后根据待推理事件包括的事件元素节点以及各个事件元素节点在事件元素节点图谱中的关系，构建待推理事件的知识图谱。
例如，待推理事件为“以3.0穿刺刀于颞上方做长约3mm角膜缘切口”，该待推理事件属于切开事件类型，该切开事件类型对应的事件元素节点图谱如图2所示。该待推理事件包括的实体值为：3.0穿刺刀、颞上方、3mm、角膜缘以及切口。其中，3.0穿刺刀在事件元素节点图谱中对应器械、颞上方在事件元素节点图谱中对应位置、3mm在事件元素节点图谱对应切口长度、角膜缘在事件元素节点图谱中对应位置。即，该待推理事件包括的事件元素节点为切开、切口、位置、长度以及器械五个事件元素节点。根据该五个事件元素节点在事件元素节点图谱中的结构关系，可以建立该待推理事件的知识图谱，如图3所示。
S103：计算待推理事件的知识图谱的谱密度序列作为待推理事件的特征。
本实施例中，当构建出待推理事件的知识图谱后，计算该知识图谱的谱密度序列，将计算获得的谱密度序列作为待推理事件的特征。
在一种可能的实现方式，本实施例提供了一种计算待推理事件的知识图谱的谱密度序列的方法。具体为，首先根据待推理事件的知识图谱生成待推理事件的知识图谱的第一邻接矩阵，再计算该第一邻接矩阵的谱密度序列作为待推理事件的特征。
在具体实现时，可以将待推理事件的知识图谱看作一个网络结构，以矩阵方式表示该知识图谱中各个事件元素节点之间的关系。如果事件元素节点i与事件元素节点j之间存在有向边，则ai、j＝1，否则ai、j＝0。例如图2所示事件元素节点图谱和图3所示知识图谱，则a8、9＝1表示事件元素节点8、事件元素节点9之间存在有向边，a8、13＝1表示事件元素节点8、事件元素节点13之间存在有向边，a13、15＝1表示事件元素节点13、事件元素节点15之间存在有向边，a13、16＝1表示事件元素节点13、事件元素节点16之间存在有向边，其他元素节点之间均无有向边，则生成的第一邻接矩阵如图4所示。
需要说明的是，待推理事件的知识图谱的第一邻接矩阵中aij具体取值由该知识图谱中所包括的事件元素节点之间的关系决定，而与待推理事件的实体值无关。
当获取第一邻接矩阵后，计算该第一邻接矩阵的谱密度序列，将其作为待推理事件的特征。在具体实现时，本实施例提供了一种计算第一邻接矩阵谱密度序列的方法，具体可以通过以下步骤实现：
1)根据事件元素节点图谱中的事件元素节点数量以及第一邻接矩阵的特征值计算第一邻接矩阵在复平面各点的谱密度值。
本实施例中，对于复平面上的一个点，利用事件元素节点图谱中的事件元素节点数量以及第一邻接矩阵的特征值计算第一邻接矩阵在该点的谱密度值。
在实际应用中，知识图谱的邻接矩阵为实非对称矩阵，而一个实值的非对称邻接矩阵具有共轭的负特征值。在具体实现时，可以利用公式(1)计算获得第一邻接矩阵在复平面各个点的谱密度值。
其中，δ()为狄克拉函数，可以用于表示密度分布，N为事件元素节点图谱的事件元素节点数量，λi为第一邻接矩阵的特征值，Reλi表示实部特征值、Imλi表示虚部特征值，x，y可以表示复平面中的点，通常复平面中的点可以表示为z＝x+iy。复平面上的点可以按照预设间隔和范围进行选择。
当确定复平面上的点后，可以根据公式(1)计算第一邻接矩阵在各个节点的谱密度值。
2)利用第一邻接矩阵在复平面各点的谱密度值构建第一邻接矩阵的谱密度序列，将第一邻接矩阵的谱密度序列作为所述待推理事件的特征。
本实施例中，当通过上述公式计算获得第一邻接矩阵在复平面各点的谱密度值后，利用计算获得的所有谱密度值可以组成第一邻接矩阵的谱密度序列，并将该谱密度序列作为待推理事件的特征。
可以理解的是，不同的知识图谱可以对应不同的谱密度序列，如图5所示，从图5可以看出，谱密度序列可以反映知识图谱的特点，因此可以使用该知识图谱的谱密度序列作为该待推理事件的特征。
S104：根据待推理事件的特征在事件特征模型中进行查找，获得与待推理事件的特征近似度符合预设条件的事件作为待推理事件的匹配事件。
本实施例中，当获得待推理事件的特征后，可以根据该待推理事件的特征在事件特征模型中进行查找，以获得与待推理事件的特征近似度符合预设条件的事件为推理事件的匹配事件。
在具体实现时，可以计算待推理事件的特征与事件特征模型中已存在的特征的相似度，将相似度大于预设阈值的已存在特征对应的事件作为该待推理事件的匹配事件。其中，预设条件可以根据实际需求进行设置，本实施例在此不做限定。
其中，事件特征模型可以预先训练生成，该事件特征模型可以包括多个事件以及每个事件对应的特征。其中，关于事件特征模型的训练将在后续实施例中进行说明。
S105：将匹配事件的后续事件确定为待推理事件的后续预测事件。
本实施例中，当确定匹配事件后，将匹配事件的后续事件确定为待推理事件的后续预测事件。
可以理解的是，待推理事件与匹配事件为相似事件，该匹配事件的后续事件为待推理事件的后续事件的概率较大，因此，可以将带匹配事件的后续事件确定为待推理事件的后续预测事件。
另外，当获取待推理事件的后续预测事件，可以将该后续预测事件提示给用户，以使得用户可以提前获知即将需执行的后续事件。例如，在医疗领域，待推理事件为切开事件，则后续预测事件可以为止血事件，则将该止血事件提示给医护人员，以使得医护人员可以及时做好止血准备。
其中，将匹配事件的后续事件确定为待推理事件的后续预测事件的具体实现，将在后续实施例进行说明。
通过上述实施例可知，首先获取待推理事件以及该待推理事件所属事件类型的事件元素节点图谱，并根据该事件元素节点图谱构建待推理事件的知识图谱。然后，计算该待推理事件的知识图谱的谱密度序列，并将其作为待推理事件的特征。再根据待推理事件的特征在事件特征模型中查找与该待推理事件相似的匹配事件，将该匹配事件的后续事件确定为待推理事件的后续预测事件。即，本申请通过将待推理事件划分为细粒度事件元素节点以构建知识图谱，计算得到的待推理事件的谱密度序列可以表征待推理事件中各个细粒度事件元素节点之间的关系，以根据该谱密度序列查找与待推理事件相似的匹配事件，并将匹配事件的后续事件作为待推理事件的后续预测事件，根据谱密度序列查找匹配事件是一维数据之间的匹配且体现了待推理事件细粒度的特征，不仅提高了查找近似匹配事件的效率，还提高了推理的准确率。
在本申请实施例一种可能的实现方式中，提供了一种确定推理事件的后续预测事件的方案，为便于理解，下面将结合附图对该方案进行说明。
参见图6，该图为本申请实施例提供的一种确定后续预测事件的方法流程图，如图6所示，该方法可以包括：
S601：将待推理事件的匹配事件以及待推理事件之前的历史待推理事件的匹配事件确定为匹配事件集合。
在本实施例中，获取待推理事件之前的历史推理事件对应的匹配事件，将待推理事件的匹配事件以及之前的历史推理事件的匹配事件构建匹配事件集合。
其中，待推理事件之前的历史待推理事件是指在执行待推理事件之前所执行的事件。例如，待推理事件缝合事件，则之前的历史推理事件可以为会诊事件、止血事件以及切开事件等。
S602：将匹配事件集合中的各个事件在事件顺序图谱中顺序命中最多的路径确定为推导路径。
本实施例中，当确定匹配事件集合后，由于匹配事件集合中的各个事件是有顺序的，则将匹配事件集合中各个事件在事件顺序图谱中顺序命中最多的路径确定为推导路径。其中，事件顺序图谱用于表示执行各个事件的先后顺序。
为便于理解，参见图7所示事件顺序图谱，其中该图谱中各个节点表示一个事件，图中箭头表示执行顺序。例如，该事件顺序图谱为医疗领域中整个手术过程，在一次手术中按照①②③④⑤的顺序执行；在另一个手术中按照⑥⑦②⑤③⑧的顺序执行。则一共有①②⑤、①②③④⑤、①②③⑧、⑥⑦②③④⑤、⑥⑦②③⑧几种路径。
当待推理事件的匹配事件③，在待推理事件之前的历史推理事件的匹配事件为②，再之前的历史推理事件的匹配事件为⑦。则匹配事件集合中各个事件⑦②③，在路径①②⑤上命中了事件②，在路径①②③④⑤、①②③⑧上，顺序命中了两个事件②③，在路径⑥⑦②③④⑤、⑥⑦②③⑧上，顺序命中了三个事件⑦②③，则在事件顺序图谱中顺序命中最多的路径为⑥⑦②③④⑤和⑥⑦②③⑧。
再例如，待推理事件的匹配事件④，在待推理事件之前的历史推理事件的匹配事件为③，再之前的历史推理事件的匹配事件为⑥。则匹配事件集合中各个事件⑥③④在路径①②⑤上没有命中事件，在路径①②③④⑤上顺序命中了两个事件③④，在路径①②③⑧上命中了事件③、在路径⑥⑦②③④⑤上顺序命中了三个事件⑥③④、在⑥⑦②③⑧顺序命中了两个事件⑥③，则事件顺序图谱中顺序命中最多的路径为⑥⑦②③④⑤。
S603：将推导路径上待推理事件的匹配事件的后续事件确定为待推理事件的后续预测事件。
本实施例中，当获得推导路径后，将推导路径上待推理事件的匹配事件的后续事件确定为待推理事件的后续预测事件。
例如，待推理事件的匹配事件为③，推导路径上⑥⑦②③④⑤和⑥⑦②③⑧中匹配事件的后续事件分别为④和⑧，则将④和⑧作为待推理事件的后续预测事件。再例如，待推理事件的匹配事件④，则推导路径上⑥⑦②③④⑤中匹配事件的后续事件为⑤，则将⑤作为待推理事件的后续预测事件。
通过上述描述，当确定了待推理事件的匹配事件后，可以根据该匹配事件以及该待推理事件之前的历史推理事件的匹配时间来确定待推理事件的后续预测事件，从而完成事件推理。
在本申请实施例的一种可能的实现方式中，提供了一种训练事件特征模型的方案，为便于理解，下面将结合附图对该训练过程进行说明。
参见图8，该图为本申请实施例提供的一种训练事件特征模型方法的流程图，如图8所示，该方法可以包括：
S801：获取待训练事件以及待训练事件所属事件类型的事件元素节点图谱。
S802：根据待训练事件所属事件类型的事件元素节点图谱，构建待训练事件的知识图谱。
本实施例中，首先获取待训练事件以及该待训练事件所属事件类型对应的事件元素节点图谱，以便根据该事件元素节点图谱构建待训练事件的知识图谱。
在具体实现时，可以根据提取到的待训练事件中的实体值，确定待训练事件中包括的事件元素节点。再根据待训练事件中包括的事件元素节点以及待训练事件所属事件类型的事件元素节点图谱结构，构建待训练事件的知识图谱。其中，构建待训练事件的知识图谱的具体实现与构建待推理事件的知识图谱的具体实现类似，实现方式可以参见上述方法实施例，本实施例在此不再赘述。
可以理解的是，为使得训练的事件特征类型可以包括多种事件特征，则在训练时，可以获取大量属于不同事件类型的待训练事件以及该待训练事件对应的事件元素节点图谱，以便获得大量待训练事件的知识图谱。
S803：计算待训练事件的知识图谱的谱密度序列作为待训练事件的特征。
S804：将待训练事件的特征加入事件特征模型。
本实施例中，当获得待训练事件的知识图谱后，计算每个待训练事件对应的知识图谱的谱密度序列，并将谱密度序列作为该待训练事件的特征，并将该特征加入事件特征模型，从而可以利用该事件特征模型可以查找与待推理事件相似的匹配事件。
在具体实现时，根据待训练事件的知识图谱生成待训练事件的知识图谱的第二邻接矩阵，再计算第二邻接矩阵的谱密度序列作为待训练事件的特征。在具体计算时，根据待训练事件所属事件类型的事件元素节点图谱中的事件元素节点数量以及第二邻接矩阵的特征值计算第二邻接矩阵在复平面各点的谱密度值。利用第二邻接矩阵在复平面各点的谱密度值构建第二邻接矩阵的谱密度序列，将第二邻接矩阵的谱密度序列作为待训练事件的特征。
其中，计算待训练事件的知识图谱的谱密度序列的实现与计算待推理事件的知识图谱的谱密度序列类似，同样可以利用公式(1)，本实施例在此不再赘述。
需要说明的是，计算第一邻接矩阵在复平面各点的谱密度值，与第二邻接矩阵在各复平面各点的谱密度值，二者所对应的复平面各点需一致，以保证后续推理可以顺利执行。
通过上述实施例可知，通过训练获得的事件特征模型可以为待推理事件查找近似的匹配事件，然后将该匹配事件的后续事件作为待推理事件的后续预测事件，完成事件推理。
为便于理解本申请实施例的实现过程，参见图9所示应用场景实施例。首先进行事件特征模型的训练：获取待训练事件以及待训练事件所属事件类型的事件元素节点图谱，根据待训练事件所属事件类型的事件元素节点图谱构建待训练事件的知识图谱。然后，计算待训练事件的知识图谱的谱密度序列，将该谱密度序列作为待训练事件的特征，再加入事件特征模型，从而完成训练过程。
当需要对事件进行推理时，获取待推理事件以及待推理事件所属事件类型的事件元素节点图谱，根据待推理事件所述事件类型的事件元素节点图谱构建待推理事件的知识图谱。计算待推理事件的知识图谱的谱密度序列作为待推理事件的特征，利用该特征与事件特征模型中的特征进行相似度计算，获得特征相似度。再根据特征相似度获取匹配事件以及该匹配事件的后续事件，将该匹配事件的后续事件作为待推理事件的后续预测事件，完成事件推理。
基于上述方法实施例，本申请实施例还提供了一种实现事件推理的装置，下面将结合附图对该装置进行说明。
参见图10，该图为本申请实施例提供的一种实现事件推理的装置结构图，如图10所示，该装置可以包括：
获取单元1001，用于获取待推理事件以及所述待推理事件所属事件类型的事件元素节点图谱；
构建单元1002，用于根据所述待推理事件所属事件类型的事件元素节点图谱，构建所述待推理事件的知识图谱；
计算单元1003，用于计算所述待推理事件的知识图谱的谱密度序列作为所述待推理事件的特征；
查找单元1004，用于根据所述待推理事件的特征在事件特征模型中进行查找，获得与所述待推理事件的特征近似度符合预设条件的事件作为所述待推理事件的匹配事件；
确定单元1005，用于将所述匹配事件的后续事件确定为所述待推理事件的后续预测事件。
在一种可能的实现方式中，所述构建单元，包括：
确定子单元，用于根据提取到的所述待推理事件中的实体值，确定所述待推理事件中包括的事件元素节点；
构建子单元，用于根据所述待推理事件中包括的事件元素节点以及所述待推理事件所属事件类型的事件元素节点图谱结构，构建所述待推理事件的知识图谱。
在一种可能的实现方式中，所述计算单元，包括：
生成子单元，用于根据所述待推理事件的知识图谱生成所述待推理事件的知识图谱的第一邻接矩阵；
计算子单元，用于计算所述第一邻接矩阵的谱密度序列作为所述待推理事件的特征。
在一种可能的实现方式中，所述计算子单元，包括：
第一计算子单元，用于根据所述事件元素节点图谱中的事件元素节点数量以及所述第一邻接矩阵的特征值计算所述第一邻接矩阵在复平面各点的谱密度值；
构建子单元，用于利用所述第一邻接矩阵在复平面各点的谱密度值构建所述第一邻接矩阵的谱密度序列，将所述第一邻接矩阵的谱密度序列作为所述待推理事件的特征。
在一种可能的实现方式中，所述确定单元，包括：
第一确定子单元，用于将所述待推理事件的匹配事件以及所述待推理事件之前的历史待推理事件的匹配事件确定为匹配事件集合；
第二确定子单元，用于将所述匹配事件集合中的各个事件在事件顺序图谱中顺序命中最多的路径确定为推导路径；
第三确定子单元，用于将所述推导路径上所述待推理事件的匹配事件的后续事件确定为所述待推理事件的后续预测事件。
在一种可能的实现方式中，所述事件特征模型的训练过程包括：
获取待训练事件以及所述待训练事件所属事件类型的事件元素节点图谱；
根据所述待训练事件所属事件类型的事件元素节点图谱，构建所述待训练事件的知识图谱；
计算所述待训练事件的知识图谱的谱密度序列作为所述待训练事件的特征；
将所述待训练事件的特征加入事件特征模型。
在一种可能的实现方式中，所述根据所述待训练事件所属事件类型的事件元素节点图谱，构建所述待训练事件的知识图谱，包括：
根据提取到的所述待训练事件中的实体值，确定所述待训练事件中包括的事件元素节点；
根据所述待训练事件中包括的事件元素节点以及所述待训练事件所属事件类型的事件元素节点图谱结构，构建所述待训练事件的知识图谱。
在一种可能的实现方式中，所述计算所述待训练事件的知识图谱的谱密度序列作为所述待训练事件的特征，包括：
根据所述待训练事件的知识图谱生成所述待训练事件的知识图谱的第二邻接矩阵；
计算所述第二邻接矩阵的谱密度序列作为所述待训练事件的特征。
需要说明的是，本实施例中各模块的具体实现已在上述方法实施例中进行说明，本实施例在此不再赘述。
另外，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行所述的实现事件推理的方法。
本申请实施例提供一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行所述的实现事件推理的方法。
通过上述实施例可知，当需要进行事件推理时，首先获取待推理事件以及该待推理事件所属事件类型的事件元素节点图谱，并根据该事件元素节点图谱构建待推理事件的知识图谱。然后，计算该待推理事件的知识图谱的谱密度序列，并将其作为待推理事件的特征。再根据待推理事件的特征在事件特征模型中查找与该待推理事件相似的匹配事件，将该匹配事件的后续事件确定为待推理事件的后续预测事件。即，本申请通过将待推理事件划分为细粒度事件元素节点以构建知识图谱，计算得到的待推理事件的谱密度序列可以表征待推理事件中各个细粒度事件元素节点之间的关系，以根据该谱密度序列查找与待推理事件相似的匹配事件，并将匹配事件的后续事件作为待推理事件的后续预测事件，根据谱密度序列查找匹配事件是一维数据之间的匹配且体现了待推理事件细粒度的特征，不仅提高了查找近似匹配事件的效率，还提高了推理的准确率。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种实现事件推理的方法，其特征在于，所述方法包括：
获取待推理事件以及所述待推理事件所属事件类型的事件元素节点图谱；所述待推理事件由文本表示；
根据所述待推理事件所属事件类型的事件元素节点图谱，构建所述待推理事件的知识图谱；
计算所述待推理事件的知识图谱的谱密度序列作为所述待推理事件的特征；
根据所述待推理事件的特征在事件特征模型中进行查找，获得与所述待推理事件的特征近似度符合预设条件的事件作为所述待推理事件的匹配事件；
将所述匹配事件的后续事件确定为所述待推理事件的后续预测事件；
所述根据所述待推理事件所属事件类型的事件元素节点图谱，构建所述待推理事件的知识图谱，包括：
根据提取到的所述待推理事件中的实体值，确定所述待推理事件中包括的事件元素节点；
根据所述待推理事件中包括的事件元素节点以及所述待推理事件所属事件类型的事件元素节点图谱结构，构建所述待推理事件的知识图谱。
2.根据权利要求1所述的方法，其特征在于，所述计算所述待推理事件的知识图谱的谱密度序列作为所述待推理事件的特征，包括：
根据所述待推理事件的知识图谱生成所述待推理事件的知识图谱的第一邻接矩阵；
计算所述第一邻接矩阵的谱密度序列作为所述待推理事件的特征。
3.根据权利要求2所述的方法，其特征在于，所述计算所述第一邻接矩阵的谱密度序列作为所述待推理事件的特征，包括：
根据所述事件元素节点图谱中的事件元素节点数量以及所述第一邻接矩阵的特征值计算所述第一邻接矩阵在复平面各点的谱密度值；
利用所述第一邻接矩阵在复平面各点的谱密度值构建所述第一邻接矩阵的谱密度序列，将所述第一邻接矩阵的谱密度序列作为所述待推理事件的特征。
4.根据权利要求1所述的方法，其特征在于，所述将所述匹配事件的后续事件确定为所述待推理事件的后续预测事件，包括：
将所述待推理事件的匹配事件以及所述待推理事件之前的历史待推理事件的匹配事件确定为匹配事件集合；
将所述匹配事件集合中的各个事件在事件顺序图谱中顺序命中最多的路径确定为推导路径；
将所述推导路径上所述待推理事件的匹配事件的后续事件确定为所述待推理事件的后续预测事件。
5.根据权利要求1所述的方法，其特征在于，所述事件特征模型的训练过程包括：
获取待训练事件以及所述待训练事件所属事件类型的事件元素节点图谱；
根据所述待训练事件所属事件类型的事件元素节点图谱，构建所述待训练事件的知识图谱；
计算所述待训练事件的知识图谱的谱密度序列作为所述待训练事件的特征；
将所述待训练事件的特征加入事件特征模型。
6.根据权利要求5所述的方法，其特征在于，所述根据所述待训练事件所属事件类型的事件元素节点图谱，构建所述待训练事件的知识图谱，包括：
根据提取到的所述待训练事件中的实体值，确定所述待训练事件中包括的事件元素节点；
根据所述待训练事件中包括的事件元素节点以及所述待训练事件所属事件类型的事件元素节点图谱结构，构建所述待训练事件的知识图谱。
7.一种实现事件推理的装置，其特征在于，所述装置包括：
获取单元，用于获取待推理事件以及所述待推理事件所属事件类型的事件元素节点图谱；所述待推理事件由文本表示；
构建单元，用于根据所述待推理事件所属事件类型的事件元素节点图谱，构建所述待推理事件的知识图谱；
计算单元，用于计算所述待推理事件的知识图谱的谱密度序列作为所述待推理事件的特征；
查找单元，用于根据所述待推理事件的特征在事件特征模型中进行查找，获得与所述待推理事件的特征近似度符合预设条件的事件作为所述待推理事件的匹配事件；
确定单元，用于将所述匹配事件的后续事件确定为所述待推理事件的后续预测事件；
所述构建单元，包括：
确定子单元，用于根据提取到的所述待推理事件中的实体值，确定所述待推理事件中包括的事件元素节点；
构建子单元，用于根据所述待推理事件中包括的事件元素节点以及所述待推理事件所属事件类型的事件元素节点图谱结构，构建所述待推理事件的知识图谱。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行权利要求1-6任一项所述的实现事件推理的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811639841.1A CN109726819B (zh) | 2018-12-29 | 2018-12-29 | 一种实现事件推理的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811639841.1A CN109726819B (zh) | 2018-12-29 | 2018-12-29 | 一种实现事件推理的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109726819A CN109726819A (zh) | 2019-05-07 |
| CN109726819B true CN109726819B (zh) | 2021-09-14 |
Family
ID=66297966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811639841.1A Active CN109726819B (zh) | 2018-12-29 | 2018-12-29 | 一种实现事件推理的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109726819B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110610598B (zh) * | 2019-08-08 | 2021-02-26 | 善泊科技(珠海)有限公司 | 一种基于事件机制的无人化停车场中控管理系统及其方法 |
| CN110781317B (zh) * | 2019-10-29 | 2022-03-01 | 北京明略软件系统有限公司 | 事件图谱的构建方法、装置及电子设备 |
| CN110968702B (zh) * | 2019-11-29 | 2023-05-09 | 北京明略软件系统有限公司 | 一种事理关系提取方法及装置 |
| CN111383102B (zh) * | 2020-03-27 | 2023-10-24 | 北京明略软件系统有限公司 | 金融信贷风险识别方法、模型构建方法和装置 |
| CN113822430B (zh) * | 2020-12-28 | 2024-05-21 | 京东科技控股股份有限公司 | 事件的推理方法、装置、计算机设备和存储介质 |
| US20240169214A1 (en) * | 2021-07-28 | 2024-05-23 | Beijing Boe Technology Development Co., Ltd. | Knowledge graph updating method, apparatus, electronic device, storage medium and program thereof |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107783973A (zh) * | 2016-08-24 | 2018-03-09 | 慧科讯业有限公司 | 基于行业知识图谱数据库对互联网媒体事件进行监测的方法、装置和系统 |
| CN108052576A (zh) * | 2017-12-08 | 2018-05-18 | 国家计算机网络与信息安全管理中心 | 一种事理知识图谱构建方法及系统 |
| CN108763333A (zh) * | 2018-05-11 | 2018-11-06 | 北京航空航天大学 | 一种基于社会媒体的事件图谱构建方法 |
| CN109033433A (zh) * | 2018-08-13 | 2018-12-18 | 中国地质大学（武汉） | 一种基于卷积神经网络的评论数据情感分类方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140108321A1 (en) * | 2012-10-12 | 2014-04-17 | International Business Machines Corporation | Text-based inference chaining |
-
2018
- 2018-12-29 CN CN201811639841.1A patent/CN109726819B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107783973A (zh) * | 2016-08-24 | 2018-03-09 | 慧科讯业有限公司 | 基于行业知识图谱数据库对互联网媒体事件进行监测的方法、装置和系统 |
| CN108052576A (zh) * | 2017-12-08 | 2018-05-18 | 国家计算机网络与信息安全管理中心 | 一种事理知识图谱构建方法及系统 |
| CN108763333A (zh) * | 2018-05-11 | 2018-11-06 | 北京航空航天大学 | 一种基于社会媒体的事件图谱构建方法 |
| CN109033433A (zh) * | 2018-08-13 | 2018-12-18 | 中国地质大学（武汉） | 一种基于卷积神经网络的评论数据情感分类方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109726819A (zh) | 2019-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109726819B (zh) | 一种实现事件推理的方法及装置 | |
| CN109783817B (zh) | 一种基于深度强化学习的文本语义相似计算模型 | |
| Lee | Structured discriminative model for dialog state tracking | |
| Mihalcea | Unsupervised large-vocabulary word sense disambiguation with graph-based algorithms for sequence data labeling | |
| CN109344240B (zh) | 一种数据处理方法、服务器及电子设备 | |
| WO2016050066A1 (zh) | 知识库中问句解析的方法及设备 | |
| CN111524557A (zh) | 基于人工智能的逆合成预测方法、装置、设备及存储介质 | |
| Lao et al. | Learning relational features with backward random walks | |
| CN110046262A (zh) | 一种基于法律专家知识库的上下文推理方法 | |
| CN110838359B (zh) | 基于对话机器人的分诊方法、装置、存储介质及机器人 | |
| Wang et al. | Learning domain-independent dialogue policies via ontology parameterisation | |
| CN106294618A (zh) | 搜索方法及装置 | |
| Lee et al. | POMDP-based Let's Go system for spoken dialog challenge | |
| CN110136839B (zh) | 一种症状信息处理方法、装置和电子设备 | |
| CN114881124B (zh) | 因果关系图的构建方法、装置、电子设备和介质 | |
| CN115146022A (zh) | 用于知识图中的关键词搜索的计算机实现方法 | |
| CN112801271B (zh) | 生成神经网络的方法、数据处理方法、智能行驶控制方法 | |
| Sevastjanov et al. | Direct interval extension of TOPSIS method | |
| Li et al. | A new bayesian network structure learning algorithm mechanism based on the decomposability of scoring functions | |
| CN113297854A (zh) | 文本到知识图谱实体的映射方法、装置、设备及存储介质 | |
| Lorensuhewa et al. | Inferencing design styles using Bayesian Networks | |
| Guo et al. | Bayesian network learning based on relationship prediction PSO and its application in agricultural expert system | |
| Mittal et al. | A review of some Bayesian Belief Network structure learning algorithms | |
| Bohoran et al. | Embracing uncertainty flexibility: harnessing a supervised tree kernel to empower ensemble modelling for 2D echocardiography-based prediction of right ventricular volume | |
| Mimi et al. | Text Prediction Zero Probability Problem Handling with N-gram Model and Laplace Smoothing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |