CN109785968A - 一种事件预测方法、装置、设备及程序产品 - Google Patents

Abstract

本申请公开了一种事件预测方法、装置、设备及程序产品，所述方法包括：在获取到历史知识图谱后，可以按照历史数据中的不同数据的发生时间，将历史知识图谱按照预设的时间间隔进行划分，得到各个历史知识子图谱，接着，可以按照各个历史知识子图谱中的节点数据以及各个历史知识子图谱之间的时间关系，对待预测事件的结果进行预测。可见，本申请将基于与待预测事件相关的历史数据构建的历史知识图谱应用到了对待预测事件的预测过程中，并考虑了各个历史知识子图谱中的具体数据以及各个历史知识子图谱之间的数据在时间上的关联性，使得预测所使用的数据关系更为全面，从而在利用其进行事件预测时，提高了事件预测结果的准确性。

Description

一种事件预测方法、装置、设备及程序产品

技术领域

本申请涉及计算机技术领域，尤其涉及一种事件预测方法、装置、设备及程序产品。

背景技术

在现有的事件预测方法中，比如预测病人接下来可能出现的病症，需要收集与待预测事件相关的历史数据，并由人工整理这些数据之间的关系，以基于这些数据以及这些数据之间的关系，采用深度学习等方式预测接下来可能发生的事件。

但是，现有事件预测方法需要人工整理得到历史数据之间的关系，导致数据整理结果不够全面，进而导致基于这些数据进行事件预测时，预测结果不够准确。

发明内容

本申请实施例的主要目的在于提供一种事件预测方法、装置、设备及程序产品，能够提高事件预测结果的准确性。

本申请实施例提供了一种事件预测方法，包括：

获取历史知识图谱，所述历史知识图谱是基于与待预测事件相关的历史数据构建的知识图谱；

按照所述历史数据中的不同数据的发生时间，将所述历史知识图谱按照预设的时间间隔进行划分，得到各个历史知识子图谱；

根据各个历史知识子图谱中的节点数据以及各个历史知识子图谱之间的时间关系，对所述待预测事件的结果进行预测。

可选的，所述历史知识图谱的各个节点对应于所述历史数据的各个关键词以及每一关键词的发生时间，其中，相同的发生时间对应所述历史知识图谱中的唯一节点。

可选的，所述根据各个历史知识子图谱中的节点数据以及各个历史知识子图谱之间的时间关系，对所述待预测事件的结果进行预测，包括：

生成各个历史知识子图谱分别对应的第一表征结果，所述第一表征结果中携带了对应历史知识子图谱中各个节点数据的语义信息以及各个节点数据之间的相互关系；

根据各个历史知识子图谱分别对应的第一表征结果，生成第二表征结果，所述第二表征结果中携带了各个历史知识子图谱之间的数据关系和时间关系；

根据所述第二表征结果，对所述待预测事件的结果进行预测。

可选的，所述生成各个历史知识子图谱分别对应的第一表征结果，包括：

利用预先构建的事件预测模型中的第一表示层，生成各个历史知识子图谱分别对应的第一表征结果，其中，所述第一表示层是基于神经网络的表示层。

可选的，所述根据各个历史知识子图谱分别对应的第一表征结果，生成第二表征结果，包括：

利用预先构建的事件预测模型中的第二表示层，根据各个历史知识子图谱分别对应的第一表征结果以及各个历史知识子图谱之间的时间顺序，生成第二表征结果，其中，所述第二表示层是基于神经网络的表示层。

可选的，所述根据所述第二表征结果，对所述待预测事件的结果进行预测，包括：

利用预先构建的事件预测模型中的预测层，基于事件注意力机制关注所述第二表征结果中与所述待预测事件相关的数据信息，根据不同的数据关注度，对所述待预测事件的结果进行预测。

可选的，按照下述方式构建所述事件预测模型：

利用大量的样本知识图谱训练得到所述事件预测模型，所述样本知识图谱是基于与样本预测事件相关的历史数据构建的知识图谱；

其中，在当前轮的训练过程中，通过调节所述第一表示层的模型参数，使所述样本知识图谱的各个样本知识子图谱分别对应的表征结果之间的表征差异程度，满足各个样本知识子图谱之间的数据差异程度。

本申请实施例还提供了一种事件预测装置，包括：

知识图谱获取单元，用于获取历史知识图谱，所述历史知识图谱是基于与待预测事件相关的历史数据构建的知识图谱；

知识子图谱获取单元，用于按照所述历史数据中的不同数据的发生时间，将所述历史知识图谱按照预设的时间间隔进行划分，得到各个历史知识子图谱；

事件结果预测单元，用于根据各个历史知识子图谱中的节点数据以及各个历史知识子图谱之间的时间关系，对所述待预测事件的结果进行预测。

可选的，所述历史知识图谱的各个节点对应于所述历史数据的各个关键词以及每一关键词的发生时间，其中，相同的发生时间对应所述历史知识图谱中的唯一节点。

可选的，所述事件结果预测单元包括：

第一表征结果生成子单元，用于生成各个历史知识子图谱分别对应的第一表征结果，所述第一表征结果中携带了对应历史知识子图谱中各个节点数据的语义信息以及各个节点数据之间的相互关系；

第二表征结果生成子单元，用于根据各个历史知识子图谱分别对应的第一表征结果，生成第二表征结果，所述第二表征结果中携带了各个历史知识子图谱之间的数据关系和时间关系；

事件结果预测子单元，用于根据所述第二表征结果，对所述待预测事件的结果进行预测。

可选的，所述第一表征结果生成子单元具体用于：

利用预先构建的事件预测模型中的第一表示层，生成各个历史知识子图谱分别对应的第一表征结果，其中，所述第一表示层是基于神经网络的表示层。

可选的，所述第二表征结果生成子单元具体用于：

利用预先构建的事件预测模型中的第二表示层，根据各个历史知识子图谱分别对应的第一表征结果以及各个历史知识子图谱之间的时间顺序，生成第二表征结果，其中，所述第二表示层是基于神经网络的表示层。

可选的，所述事件结果预测子单元具体用于：

利用预先构建的事件预测模型中的预测层，基于事件注意力机制关注所述第二表征结果中与所述待预测事件相关的数据信息，根据不同的数据关注度，对所述待预测事件的结果进行预测。

可选的，所述事件结果预测单元还包括：

预测模型构建子单元，用于利用大量的样本知识图谱训练得到所述事件预测模型，所述样本知识图谱是基于与样本预测事件相关的历史数据构建的知识图谱；

其中，在当前轮的训练过程中，通过调节所述第一表示层的模型参数，使所述样本知识图谱的各个样本知识子图谱分别对应的表征结果之间的表征差异程度，满足各个样本知识子图谱之间的数据差异程度。

本申请实施例还提供了一种事件预测设备，所述设备包括存储器和处理器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于运行所述程序代码，其中，所述程序代码运行时执行上述任一项所述的方法。

本申请实施例还提供了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任一项所述的方法。

本申请实施例提供的一种事件预测方法、装置、设备及程序产品，在获取到历史知识图谱后，可以按照历史数据中的不同数据的发生时间，将历史知识图谱按照预设的时间间隔进行划分，得到各个历史知识子图谱，其中，历史知识图谱是基于与待预测事件相关的历史数据构建的知识图谱，接着，可以按照各个历史知识子图谱中的节点数据以及各个历史知识子图谱之间的时间关系，对待预测事件的结果进行预测。可见，本申请实施例将基于与待预测事件相关的历史数据构建的历史知识图谱应用到了对待预测事件的预测过程中，并考虑了各个历史知识子图谱中的具体数据以及各个历史知识子图谱之间的数据在时间上的关联性，使得预测所使用的数据关系更为全面，从而在利用其进行事件预测时，提高了事件预测结果的准确性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种事件预测方法的流程示意图；

图2为本申请实施例提供的电子病历结构化时序知识图谱的示意图；

图3为本申请实施例提供的电子病历结构化时序知识图谱中“虚节点”的示意图；

图4为本申请实施例提供的根据各个历史知识子图谱中的节点数据以及各个历史知识子图谱之间的时间关系对待预测事件的结果进行预测的流程示意图；

图5为本申请实施例提供的事件预测模型的结构示意图；

图6为本申请实施例提供的构建事件预测模型的流程示意图；

图7为本申请实施例提供的一种事件预测装置的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

第一实施例

参见图1，为本实施例提供的一种事件预测方法的流程示意图，该方法包括以下步骤：

S101：获取历史知识图谱，其中，该历史知识图谱是基于与待预测事件相关的历史数据构建的知识图谱。

在本实施例中，将采用本实施例进行预测的任一事件定义为待预测事件。并且，本实施例不限制待预测事件的事件类型，比如，待预测事件可以是预测某患者未来可能发生的病症，或者是某地区未来几年内的经济走向等。为了对待预测事件进行更准确的预测，首先，可以构建一个历史知识图谱，其中，该历史知识图谱指的是基于与该待预测事件相关的历史数据构建的知识图谱。

例如，假设“预测患者未来可能发生的病症”为待预测事件，则与该待预测事件相关的历史数据可以为该患者的历史病历数据，则利用该历史病历数据构建的历史知识图谱可以是如图2所示的知识图谱。

在实际应用中，知识图谱本质上是一种语义网络，其包含的结点代表实体(entity)或者概念(concept)，其包含的边代表实体/概念之间的各种语义关系。一般情况下，知识图谱是用于规整数据，将所有相关的数据整理成一个可视化视图供用户查看和使用，与此不同的是，在本实施例中，可以将与待预测事件相关的历史数据构建成一个知识图谱，并利用该知识图谱对待预测事件的结果进行预测，其中，该知识图谱中的各个节点对应于历史数据的各个关键词，这里，将该知识图谱定义为历史知识图谱。

在现有的知识图谱中，图谱中的两个节点之间的边通常用于表示时间，这就可能导致不同条边对应了同一时间。例如，图谱中节点A通过一条边L1与节点B相连，表示的是患者在2018年12月1日上午8点10分时的体温是37℃，而节点C通过一条边L2与节点D相连，表示的是患者在2018年12月1日上午8点10分时血压的收缩压为110mmHg，可见，出现了两条边表示同一时间，但这两条边连接的数据是不同的，从而造成了知识图谱中时间信息的冗余，特别是当知识图谱的节点数较多时，将可能造成时间信息的大量冗余。

由此，为了避免产生上述时间信息冗余的现象，可以基于时间序列分析的方式，将与待预测事件相关的历史数据按其发生的时间先后顺序进行排列，并且，将时间作为图谱中的实体节点进行表示，即，在构建的历史知识图谱中，各个节点不仅可以用于表示历史数据的各个关键词，还可以用于表示每一关键词的发生时间，其中，相同的发生时间对应历史知识图谱中的唯一节点，需要说明的是，每一时间节点记录了详细的时间信息，具体可以精确到某年某月某天某时某分，甚至可以精确到某秒。

可见，相对于现有的以图谱的边来表示时间信息的方式，本实施例能够有效降低时间信息的冗余。此外，由于降低了时间信息的冗余，可以基于不同的时间节点在历史知识图谱中展开其它信息的快速查询。

举例说明：如图2所示，其示出了某患者的电子病历结构化时序知识图谱的示意图，假设该病历为该患者在2013年10月30日出院之前的一段时间内(比如6个月)的病历，可以在历史知识图谱中为该患者在“入院”、“治疗”、“出院”不同阶段的病历数据创建各个不同的时间节点，但相同的时间在历史知识图谱中的节点是唯一的、不重复的，且该节点连接着在这同一时间点产生的各种节点数据。

其中，为了表示历史知识图谱中一些实节点之间的数据关系，可以在两个实节点之间的连接线上创建“虚节点”，以利用不同“虚节点”对应的编码结果表示不同实节点之间的数据关系，并基于这些“虚节点”表示的不同实节点之间的数据关系进行事件预测。例如，如图3所示，在测患者血压值时，可以将不同时间的血压值用“虚节点”对应的编码加以区分，利用这些“虚节点”的编码顺序，代表这些血压值之间在测量时间上的先后顺序。

此外，如图2所示，由于将时间作为实体节点来构建知识图谱，则可以以时间节点作为查询入口，对该患者在各个时间点的病历数据进行快速查询，相比于现有的知识图谱中的边查询来讲，这种通过节点进行查询的方式，查询效率更高且速度更快，即，能够根据构建的该电子病历结构化知识图谱，实现基于时间信息的快速查询。

S102：按照历史数据中的不同数据的发生时间，将历史知识图谱按照预设的时间间隔进行划分，得到各个历史知识子图谱。

在本实施例中，通过步骤S101获取到历史知识图谱后，可以按照历史数据中的不同数据的发生时间，将历史知识图谱按照预设的时间间隔进行划分，得到各个历史知识子图谱，使得每个历史知识子图谱中包含了对应时间段内的与待预测事件相关的部分历史数据。

需要说明的是，在将历史知识图谱按照预设的时间间隔进行划分时，既可以等间隔的划分，比如可以按照月份，逐月进行划分，当然，也可以进行非等间隔的划分，具体划分的时间间隔可根据实际情况进行设定，本申请实施例对此不进行限制。

S103：根据各个历史知识子图谱中的节点数据以及各个历史知识子图谱之间的时间关系，对待预测事件的结果进行预测。

在本实施例中，当通过步骤S102得到各个历史知识子图谱后，由于每个历史知识子图谱中包含了对应时间段内的历史数据，且各个历史知识子图谱是按照预设的时间间隔进行划分的，则各个历史知识子图谱之间具有一定的时间先后关系，因此，可以根据各个历史知识子图谱中的节点数据以及各个历史知识子图谱之间的时间关系，作为预测依据，对待预测事件的结果进行预测。

需要说明的是，在本步骤S103中，可以利用预先构建好的事件预测模型进行事件预测，具体实现方式将在第二实施例中介绍，而事件预测模型的具体构建过程可参见第三实施例。

还需要说明的是，相对于现有的事件预测方法，本实施中采用的方法，可以提高事件预测结果的准确率。例如，在医疗数据分析中，基于海量电子病历记录构建了如图2所示的时序知识图谱后，可以根据图2所示的时序知识图谱中记载的既往病史、现病史、病程发展和诊疗方案等，对患者接下来可能发生的病症进行准确预测，进而可以基于预测结果选择需要采取的检查方式和治疗手段。一组实验数据表明，本实施例提供的预测方案与现有预测方案的预测对比结果，如下表1所示：

预测方法	标识	预测结果1	预测结果2	预测结果3
					本方案	准确率	0.70	0.85	0.83
现有方案	准确率	0.66	0.63	0.55

表1

综上，本实施例提供的事件预测方法，在获取到历史知识图谱后，可以按照历史数据中的不同数据的发生时间，将历史知识图谱按照预设的时间间隔进行划分，得到各个历史知识子图谱，接着，可以按照各个历史知识子图谱中的节点数据以及各个历史知识子图谱之间的时间先后关系，对待预测事件的结果进行预测。可见，本申请实施例将基于与待预测事件相关的历史数据构建的历史知识图谱应用到了对待预测事件的预测过程中，并考虑了各个历史知识子图谱中的具体数据以及各个历史知识子图谱之间的数据在时间上的关联性，使得预测所使用的数据关系更为全面，从而在利用其进行事件预测时，提高了事件预测结果的准确性。

第二实施例

本实施例将对第一实施例中提及的利用预先构建的事件预测模型进行事件预测的具体实施方式进行介绍。

接下来，本实施例将通过下述步骤S401-S403，对第一实施例中的S103“根据各个历史知识子图谱中的节点数据以及各个历史知识子图谱之间的时间关系，对待预测事件的结果进行预测”的具体实施方式进行介绍，需要说明的是，图5为本实施例提供的事件预测模型的结构示意图，下面将结合图5对步骤S401-S403进行具体介绍。

参见图4，其示出了本实施例提供根据各个历史知识子图谱中的节点数据以及各个历史知识子图谱之间的时间关系对待预测事件的结果进行预测的流程示意图，该流程包括以下步骤：

S401：生成各个历史知识子图谱分别对应的第一表征结果，其中，该第一表征结果中携带了对应历史知识子图谱中各个节点数据的语义信息以及各个节点数据之间的相互关系。

在本实施例中，对于通过步骤S101获取的历史知识图谱(比如图2)，可将其作为输入数据，输入至事件预测模型的输入层，如图5所示，然后可以通过步骤S102将其按照预设的时间间隔进行划分，得到各个历史知识子图谱，如图5所示，可以将图2按预设时间间隔划分为T个(比如6个)历史知识子图谱，接着，可以对各个历史知识子图谱进行数据处理，以生成各个历史知识子图谱分别对应的第一表征结果，其中，该第一表征结果中携带了对应历史知识子图谱中各个节点数据的语义信息以及各个节点数据之间的相互关系(包括数据关系和时间关系)。

具体来讲，在本实施例的一种实现方式中，在本步骤S401中，可以利用预先构建的事件预测模型中的第一表示层，生成各个历史知识子图谱分别对应的第一表征结果，其中，该第一表示层可以是基于神经网络的表示层。

在本实现方式中，可以利用预先构建的事件预测模型中基于神经网络的第一表示层，来生成各个历史知识子图谱分别对应的第一表征结果，其中，一种可选的实现方式是，第一表示层可以是基于膨胀卷积网络(Dilated Convolutional Neural Networks，简称ID-CNN)的表示层，该第一表示层可以包括T个ID-CNN网络，可以采用T个ID-CNN网络对T个历史知识子图谱进行并行处理。

由于利用ID-CNN中的卷积层进行特征提取时，可以在不进行去冗余信息的情况下，在特征提取过程中，加大卷积层的卷积范围，使得每次卷积后提取出的特征可以包含较大范围的输入数据信息。因此，可以利用基于ID-CNN的第一表示层分别提取出每一历史知识子图谱的图谱特征，以分别作为各个历史知识子图谱对应的第一表征结果，使得该第一表征结果能够更准确、更大范围的表征对应历史知识子图谱中各个节点数据的语义信息以及各个节点数据之间的相互关系。

S402：根据各个历史知识子图谱分别对应的第一表征结果，生成第二表征结果，其中，第二表征结果中携带了各个历史知识子图谱之间的数据关系和时间关系。

在本实施例中，通过步骤S401生成了各个历史知识子图谱分别对应的第一表征结果后，可以对各个第一表征结果进行数据处理，以生成各个历史知识子图谱即整个历史知识图谱对应的第二表征结果，其中，该第二表征结果中携带了各个历史知识子图谱之间的数据关系和时间关系，具体地，在该第二表征结果中，既携带了每一历史知识子图谱中各个节点数据的语义信息、以及每一历史知识子图谱中各个节点数据之间的相互关系(包括数据关系和时间关系)，也携带了各个历史知识子图谱之间的关联数据关系和时间关系。

具体来讲，在本实施例的一种实现方式中，在本步骤S402中，可以利用预先构建的事件预测模型中的第二表示层，根据各个历史知识子图谱分别对应的第一表征结果以及各个历史知识子图谱之间的时间顺序，生成第二表征结果，其中，该第二表示层可以是基于神经网络的表示层。

在本实现方式中，通过步骤S401，利用事件预测模型的第一表示层生成各个历史知识子图谱分别对应的第一表征结果后，可将其输入至事件预测模型中基于神经网络的第二表示层，来生成各个历史知识子图谱对应的第二表征结果，如图5所示，其中，一种可选的实现方式是，第二表示层可以是基于长短时记忆网络(Long Short-Term Memory，简称LSTM)的表示层，通过该LSTM层可以生成每一第一表征结果对应的前向隐层表征以及后向隐层表征进而可以将二者拼接成一个特征向量，并将各个特征向量进行拼接，作为第二表征结果并输出至后续的预测层。其中，通过LSTM层能够学习时间较长的上下文历史知识信息，进而可以使得提取出的第二表征结果中能够携带各个历史知识子图谱之间的数据关系和时间关系。比如，可以表征某患者在较长一段时间内的血压变换趋势，如在过去10天内该患者的血压值在随时间逐渐降低等。

S403：根据第二表征结果，对待预测事件的结果进行预测。

在本实施例中，当通过步骤S402生成第二表征结果后，可以对该第二表征结果进行数据处理，并根据处理结果，对待预测事件的结果进行预测。

在本实施例的一种实现方式中，本步骤S403具体可以利用预先构建的事件预测模型中的预测层，基于事件注意力机制关注第二表征结果中与待预测事件相关的数据信息，根据不同的数据关注度，对待预测事件的结果进行预测。

在本实现方式中，当通过步骤S402利用事件预测模型的第二表示层生成第二表征结果后，可将其输入至事件预测模型中的预测层，来预测出待预测事件的结果，如图5所示。其中，在利用预测层进行预测的过程中，是基于事件注意力机制(Attention)关注第二表征结果中与待预测事件相关的数据信息，具体来讲，就是利用注意力机制，为第二表征结果中与待预测事件相关的数据信息赋予不同的关注度，即，为与待预测事件相关度高的数据赋予较大的权重值，反之，为与待预测事件相关度低的数据赋予较小的权重值，进而可以基于这些权重值，对第二表征结果的向量数据进行加权计算，从而得到降维处理后的向量表征，进而可以基于该向量表征预测得到该待预测事件的结果。

需要说明的是，利用事件预测模型的预测层进行预测后，可以输出一个表征事件预测结果的一组向量，向量中每一维度的值可以为区间[0,1]中的一个数值，且每一维度的值分别代表了该待预测事件所对应的各个预测结果的概率值，而其中最大概率值对应的预测结果即为预测出的该待预测事件的结果。其中，可以利用一个Softmax多标签分类器来输出表征事件预测结果的这组向量。

举例说明：假设存在“心肌炎复发、冠心病、心肌肥大、心脏病”这4种预设的预测结果，并假设模型的预测输出向量为s＝[0.9,0.1,0.03,0.12]，可见，第一维度的值0.9最高，因此，该维度对应的预测结果即为该待预测事件的结果，即预测出该患者接下来可能发生的心脏病症为“心肌炎复发”。

或者，也可以预先设置预测结果的概率阈值，将输出概率大于该阈值的一个或多个预测结果均作为待预测事件的结果。

举例说明：基于上述举例，假设仍存在“心肌炎复发、冠心病、心肌肥大、心脏病”这4种预设的预测结果，且预先设置预测结果的概率阈值为0.6，通过模型进行预测后，输出向量为s＝[0.9,0.1,0.7,0.15]，可见，第一维度的值0.9和第三维度的值0.7均超过了预先设置的预测结果的概率阈值，因此，可以将这两个维度对应的预测结果均作为该待预测事件的结果，即预测该患者接下来可能发生的心脏病症为既可能出现“心肌炎复发”的情况，又可能出现“心肌肥大”的情况。

综上，本实施例利用预先构建的事件预测模型，在获取到待预测事件对应的各个历史知识子图谱后，先提取出携带有对应历史知识子图谱中各个节点数据的语义信息以及各个节点数据之间的相互关系的各个第一表征结果，再根据各个第一表征结果，提取出携带有各个历史知识子图谱之间的数据关系和时间关系的第二表征结果，进而再利用注意力机制关注第二表征结果中与待预测事件相关的数据信息，以使得预测模型能够基于与待预测事件所有主要相关的数据信息进行预测，从而可以提高事件预测结果的准确性。

需要说明的是，在上述第一实施例和第二实施例中，主要是以“预测患者未来可能发生的病症”为例进行事件预测，实际上，本申请实施例提供的事件预测方法可以对任何类型的待预测事件进行结果预测。例如，以“某地区未来几年内的经济走向”为待预测事件为例，可以先收集与该待预测事件相关的历史数据，比如近10年的经济数据，并基于这些历史数据构建历史知识图谱，该历史知识图像中可以包括各个行业的经济数据及相关时间数据；然后，按照该历史数据中的不同数据的发生时间，将历史知识图谱按照预设的时间间隔(比如以年为间隔)进行划分，得到各个历史知识子图谱；最后，根据各个历史知识子图谱中的节点数据以及各个历史知识子图谱之间的时间关系，对该地区未来几年内的经济走向进行预测，比如可以预测不同行业的经济走向，如房地产、互联网等行业在未来几年处于“经济上升期”、“平稳发展期”、经济下降期”的可能性概率，而概率最大值对应的结果即为事件预测结果。

第三实施例

本实施例将对上述实施例中提及的事件预测模型的构建过程进行介绍。

需要说明的是，在本实施例中，可以利用大量样本知识图谱训练得到事件预测模型，其中，样本知识图谱是基于与样本预测事件相关的历史数据构建的知识图谱。接下来，本实施例将结合图6对事件预测模型的构建过程进行具体介绍。

参见图6，其示出了本实施例提供的构建事件预测模型的流程示意图，该流程包括以下步骤：

S601：收集模型训练数据。

在本实施例中，为了构建事件预测模型，需要预先进行大量的准备工作。首先，需要收集大量的样本预测事件以及与样本预测事件相关的历史数据，比如，某样本预测事件可以是某患者之后可能发生的病症；然后，基于实际事件的发生情况，为每一样本预测事件标记标签，即，标记每一样本预测事件的实际发生结果。

同时，收集与每一样本预测事件相关的历史数据，并基于每一样本预测事件的历史数据构建对应的样本知识图谱。例如，收集某患者在以往住院期间的电子病历数据，并基于该电子病历数据构建相应的样本知识图谱。

此时，将为每一样本预测事件标记的实际发生结果以及该样本预测事件对应的样本知识图谱分别作为一组样本数据，这些大量的样本数据即为用于训练事件预测模型的模型训练数据。

S602：构建事件预测模型。

在本实施例中，可以构建一个初始的事件预测模型，并初始化模型参数，进而可通过后续步骤S603利用预先收集的模型训练数据对该初始构建的事件预测模型进行训练。

需要说明的是，本实施例不限制S601与S602之间的执行顺序。

S603：利用预先收集的模型训练数据，对事件预测模型进行训练。

在本实施例中，依次从预先收集的模型训练数据中提取一组样本数据，进行多轮模型训练，直到满足训练结束条件为止，此时，即训练得到事件预测模型。

具体地，在进行本轮训练时，使用某样本预测事件对应的实际发生结果(预先标记结果)以及该样本预测事件对应的样本知识图谱进行训练，可以将第二实施例中的待检测事件替换为该样本预测事件，并将第二实施例中的历史知识图谱替换为该样本知识图谱，通过当前的事件预测模型，按照第二实施例中的执行过程进行预测，从而得到该样本预测事件的预测发生结果。然后，再将该样本预测事件对应的预测发生结果与预先标记的实际发生结果进行比较，根据二者之间的差异，对当前的事件预测模型的模型参数进行更新，其目的是使预测发生结果逼近实际发生结果，从而完成本轮的模型训练。

并且，需要说明的是，在本轮的训练过程中，当生成样本知识图谱的各个样本知识子图谱分别对应的第一表达结果后，还需要判断各个第一表达结果之间的差异是否满足预设的条件，如果不满足，则需要重新调整第一表示层的模型参数，具体地，可以通过调节第一表示层的模型参数，使样本知识图谱的各个样本知识子图谱分别对应的第一表征结果之间的表征差异程度，满足各个样本知识子图谱之间的数据差异程度，在此基础上进行预测以及模型更新，才能得到预测性能更好的事件预测模型。其中，在对第一表示层的模型参数进行调节时，可以进行多轮调节。

第四实施例

本实施例将对一种事件预测装置进行介绍，相关内容请参见上述方法实施例。

参见图7，为本实施例提供的一种事件预测装置的结构示意图，该装置包括：

知识图谱获取单元701，用于获取历史知识图谱，所述历史知识图谱是基于与待预测事件相关的历史数据构建的知识图谱；

知识子图谱获取单元702，用于按照所述历史数据中的不同数据的发生时间，将所述历史知识图谱按照预设的时间间隔进行划分，得到各个历史知识子图谱；

事件结果预测单元703，用于根据各个历史知识子图谱中的节点数据以及各个历史知识子图谱之间的时间关系，对所述待预测事件的结果进行预测。

在实施例的一种实现方式中，所述历史知识图谱的各个节点对应于所述历史数据的各个关键词以及每一关键词的发生时间，其中，相同的发生时间对应所述历史知识图谱中的唯一节点。

在实施例的一种实现方式中，所述事件结果预测单元703包括：

第一表征结果生成子单元，用于生成各个历史知识子图谱分别对应的第一表征结果，所述第一表征结果中携带了对应历史知识子图谱中各个节点数据的语义信息以及各个节点数据之间的相互关系；

第二表征结果生成子单元，用于根据各个历史知识子图谱分别对应的第一表征结果，生成第二表征结果，所述第二表征结果中携带了各个历史知识子图谱之间的数据关系和时间关系；

事件结果预测子单元，用于根据所述第二表征结果，对所述待预测事件的结果进行预测。

在实施例的一种实现方式中，所述第一表征结果生成子单元具体用于：

利用预先构建的事件预测模型中的第一表示层，生成各个历史知识子图谱分别对应的第一表征结果，其中，所述第一表示层是基于神经网络的表示层。

在实施例的一种实现方式中，所述第二表征结果生成子单元具体用于：

利用预先构建的事件预测模型中的第二表示层，根据各个历史知识子图谱分别对应的第一表征结果以及各个历史知识子图谱之间的时间顺序，生成第二表征结果，其中，所述第二表示层是基于神经网络的表示层。

在实施例的一种实现方式中，所述事件结果预测子单元具体用于：

利用预先构建的事件预测模型中的预测层，基于事件注意力机制关注所述第二表征结果中与所述待预测事件相关的数据信息，根据不同的数据关注度，对所述待预测事件的结果进行预测。

在实施例的一种实现方式中，所述事件结果预测单元703还包括：

预测模型构建子单元，用于利用大量的样本知识图谱训练得到所述事件预测模型，所述样本知识图谱是基于与样本预测事件相关的历史数据构建的知识图谱；

其中，在当前轮的训练过程中，通过调节所述第一表示层的模型参数，使所述样本知识图谱的各个样本知识子图谱分别对应的表征结果之间的表征差异程度，满足各个样本知识子图谱之间的数据差异程度。

综上，本实施例提供的事件预测装置，在获取到历史知识图谱后，可以按照历史数据中的不同数据的发生时间，将历史知识图谱按照预设的时间间隔进行划分，得到各个历史知识子图谱，接着，可以按照各个历史知识子图谱中的节点数据以及各个历史知识子图谱之间的时间先后关系，对待预测事件的结果进行预测。可见，本申请实施例将基于与待预测事件相关的历史数据构建的历史知识图谱应用到了对待预测事件的预测过程中，并考虑了各个历史知识子图谱中的具体数据以及各个历史知识子图谱之间的数据在时间上的关联性，使得预测所使用的数据关系更为全面，从而在利用其进行事件预测时，提高了事件预测结果的准确性。

进一步地，本申请实施例还提供了一种事件预测设备，所述设备包括存储器和处理器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于运行所述程序代码，其中，所述程序代码运行时执行上述事件预测方法的任一种实现方法。

进一步地，本申请实施例还提供了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事件预测方法的任一种实现方法。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。

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。

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。

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 (10)

1.一种事件预测方法，其特征在于，包括：

获取历史知识图谱，所述历史知识图谱是基于与待预测事件相关的历史数据构建的知识图谱；

按照所述历史数据中的不同数据的发生时间，将所述历史知识图谱按照预设的时间间隔进行划分，得到各个历史知识子图谱；

根据各个历史知识子图谱中的节点数据以及各个历史知识子图谱之间的时间关系，对所述待预测事件的结果进行预测。

2.根据权利要求1所述的方法，其特征在于，所述历史知识图谱的各个节点对应于所述历史数据的各个关键词以及每一关键词的发生时间，其中，相同的发生时间对应所述历史知识图谱中的唯一节点。

3.根据权利要求1或2所述的方法，其特征在于，所述根据各个历史知识子图谱中的节点数据以及各个历史知识子图谱之间的时间关系，对所述待预测事件的结果进行预测，包括：

生成各个历史知识子图谱分别对应的第一表征结果，所述第一表征结果中携带了对应历史知识子图谱中各个节点数据的语义信息以及各个节点数据之间的相互关系；

根据各个历史知识子图谱分别对应的第一表征结果，生成第二表征结果，所述第二表征结果中携带了各个历史知识子图谱之间的数据关系和时间关系；

根据所述第二表征结果，对所述待预测事件的结果进行预测。

4.根据权利要求3所述的方法，其特征在于，所述生成各个历史知识子图谱分别对应的第一表征结果，包括：

利用预先构建的事件预测模型中的第一表示层，生成各个历史知识子图谱分别对应的第一表征结果，其中，所述第一表示层是基于神经网络的表示层。

5.根据权利要求3所述的方法，其特征在于，所述根据各个历史知识子图谱分别对应的第一表征结果，生成第二表征结果，包括：

利用预先构建的事件预测模型中的第二表示层，根据各个历史知识子图谱分别对应的第一表征结果以及各个历史知识子图谱之间的时间顺序，生成第二表征结果，其中，所述第二表示层是基于神经网络的表示层。

6.根据权利要求3所述的方法，其特征在于，所述根据所述第二表征结果，对所述待预测事件的结果进行预测，包括：

利用预先构建的事件预测模型中的预测层，基于事件注意力机制关注所述第二表征结果中与所述待预测事件相关的数据信息，根据不同的数据关注度，对所述待预测事件的结果进行预测。

7.根据权利要求4至6任一项所述的方法，其特征在于，按照下述方式构建所述事件预测模型：

利用大量的样本知识图谱训练得到所述事件预测模型，所述样本知识图谱是基于与样本预测事件相关的历史数据构建的知识图谱；

其中，在当前轮的训练过程中，通过调节所述第一表示层的模型参数，使所述样本知识图谱的各个样本知识子图谱分别对应的表征结果之间的表征差异程度，满足各个样本知识子图谱之间的数据差异程度。

8.一种事件预测装置，其特征在于，包括：

知识图谱获取单元，用于获取历史知识图谱，所述历史知识图谱是基于与待预测事件相关的历史数据构建的知识图谱；

知识子图谱获取单元，用于按照所述历史数据中的不同数据的发生时间，将所述历史知识图谱按照预设的时间间隔进行划分，得到各个历史知识子图谱；

事件结果预测单元，用于根据各个历史知识子图谱中的节点数据以及各个历史知识子图谱之间的时间关系，对所述待预测事件的结果进行预测。

9.一种事件预测设备，其特征在于，所述设备包括存储器和处理器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于运行所述程序代码，其中，所述程序代码运行时执行如权利要求1-7中任一项所述的文本检索方法。

10.一种计算机程序产品，其特征在于，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权利要求1-7任一项所述的方法。