CN110069636A - 融合依存关系与篇章修辞关系的事件时序关系识别方法 - Google Patents

融合依存关系与篇章修辞关系的事件时序关系识别方法 Download PDF

Info

Publication number
CN110069636A
CN110069636A CN201910369095.7A CN201910369095A CN110069636A CN 110069636 A CN110069636 A CN 110069636A CN 201910369095 A CN201910369095 A CN 201910369095A CN 110069636 A CN110069636 A CN 110069636A
Authority
CN
China
Prior art keywords
event
chapter
rhetoric
relationship
interdependent
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.)
Granted
Application number
CN201910369095.7A
Other languages
English (en)
Other versions
CN110069636B (zh
Inventor
孔芳
戴倩雯
周国栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University
Original Assignee
Suzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou University filed Critical Suzhou University
Priority to CN201910369095.7A priority Critical patent/CN110069636B/zh
Publication of CN110069636A publication Critical patent/CN110069636A/zh
Application granted granted Critical
Publication of CN110069636B publication Critical patent/CN110069636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G06F16/316—Indexing structures
    • G06F16/322—Trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开了一种融合依存关系与篇章修辞关系的事件时序关系识别方法。本发明一种融合依存关系与篇章修辞关系的事件时序关系识别方法，其特征在于，包括：给定事件对e1,e2,提取最短依存路径方面；考虑到依存句法树复杂的句法结构，另外增加了一条启发式规则来丰富事件相关信息；把孩子节点加入依存路径中，最后将提取出的词按事件句出现顺序排序；之后将得到的事件对依存路径按照与基准模型相同的处理方法，经过嵌入层，双向LSTM层以及隐藏层得到向量表示Y'。本发明的有益效果：将篇章树的信息编码加入模型中。该方法将事件间关联关系分两部分进行表征，一是事件所在句子的依存路径信息。

Description

融合依存关系与篇章修辞关系的事件时序关系识别方法
技术领域
本发明涉及语言处理领域，具体涉及一种融合依存关系与篇章修辞关系的事件时序关系识别方法。
背景技术
事件时序关系普遍存在于事件之间，它是指文本所描述事件之间发生时间上的先后顺序，是事件信息单元的一种自然联系。事件之间的时序关系识别实际上是一种语义层面的基础性研究，对故事时间线构建、自动问答、文本摘要、信息抽取等任务具有重要意义。比如句子“Finally today,we learned that the space agency has finally taken agiant leap forward.”中，事件“learned”发生在事件“taken”之后，所以它们之间的时序关系是“AFTER”。
在中文时序关系识别方面，国内还未展开大规模的深入研究，只有少数研究者做了尝试，并且缺少专业语料库支持，无法进行统一评测，因此目前的时序关系识别偏重于英文，亦然。
由于缺少成熟的语料库，早期的英文事件时序关系识别模型多是基于规则建立的，常见的有规则推理法，模式匹配法等。而后随着标注体系的发展以及专业语料库的出现，统计机器学习方法开始广泛应用于事件时序关系识别。近年来，随着深度学习技术的兴起和发展，各种各样的神经网络模型被引入到事件时序关系识别任务中来。
目前深度学习技术在事件时序关系识别任务上应用最为广泛。其中典型的工作是Cheng等人[1]于2017年提出的基于依存路径的时序关系识别模型，该模型构成如图1所示。
依存路径提取：事件依存路径是指依存句法树中事件触发词到依存树根的一条通路。最短依存路径在考虑某一事件与句子核心语义间关系的同时还考虑了两个事件间的层次关系。根据两个事件触发词在依存关系树中的位置向根部迭代寻找其最低的公共父结点，再以该结点为根分别提取两个事件的依存路径，并将得到的依存路径称为事件对应的最短依存路径。对于处于不同句子中的事件对，假设两个句子的依存解析树共享同一个“虚拟根节点”，这样跨句的依存路径也可以用同样的方法表示。事件对间的依存关系路径就是两个事件最短依存路径的叠加。
该模型的主要思想是利用嵌入层、上下文表示层与隐藏层对最短依存路径进行表示，最后使用全连接层进行分类。下面对图中的每一层进行简要阐述：
嵌入层：对于给定事件的最短依存路径Ns为最短依存路径S包含的单词数，通过词、词性和依存关系嵌入，得到单词对应的嵌入表示其中ei，pi与di分别表示单词wi的词嵌入向量，词性嵌入向量和依存关系嵌入向量。最终得到两个事件最短依存路径的向量化表示和
非线性网络层：给定使用双向LSTM作为表示层来获得xt对应的上下文表示。
两个LSTM分别在相反的方向对输入进行编码。为了在输入和输出之间保持相同的向量维度，使用按位求和操作来组合两个向量表示：
隐藏层：
L＝concat(L1+L2) (0.8)
Y＝tanh(LWh+bh) (0.9)
其中L1和L2分别对应两个事件最短依存路径经过嵌入层和双向LSTM的输出。concat表示拼接函数，Wh和bh是tanh函数的权重矩阵和偏置。
识别层：最后，采用Softmax层作为输出层来获得关系标签的预测结果。
o＝Softmax(YWo+bo) (0.10)
其中Wo和bo是Softmax函数的权重矩阵和偏置量，o是计算出的关系标签的概率分布。
最终，取概率最高的关系标签作为事件对的时序关系识别结果。
[1]Cheng F,Miyao Y.Classifying Temporal Relations by BidirectionalLSTM over Dependency Paths[C]//Meeting of the Association for ComputationalLinguistics(Short Papers).Association for Computational Linguistics,2017:1-6.
传统技术存在以下技术问题：
事件间的时序关系是一个篇章级的概念，它与篇章关系密切相关，大量的研究表明篇章层面的信息对于时序关系识别任务来说至关重要。但是基准平台只使用了句子级的依存关系，编码了事件对的最短依存路径信息，忽略了事件间篇章视角的关联关系。
句子级的依存信息对于同句的事件对帮助较大，但对于跨句的事件对，基准框架假设它们共享一个“虚拟根节点”。这并没有为跨句的事件对依存路径带来直接的信息，而是暴力的把两个依存路径叠加在一起，存在信息缺失的问题。
发明内容
本发明要解决的技术问题是提供一种融合依存关系与篇章修辞关系的事件时序关系识别方法，将篇章树的信息编码加入模型中。该方法将事件间关联关系分两部分进行表征，一是事件所在句子的依存路径信息，二是事件所在基本篇章单元间的修辞关系信息，丰富了事件对表征，弥补了信息缺失的问题。
为了解决上述技术问题，本发明提供了一种融合依存关系与篇章修辞关系的事件时序关系识别方法，包括：
给定事件对e1,e2,提取最短依存路径方面；考虑到依存句法树复杂的句法结构，另外增加了一条启发式规则来丰富事件相关信息；把孩子节点加入依存路径中，最后将提取出的词按事件句出现顺序排序；之后将得到的事件对依存路径按照与基准模型相同的处理方法，经过嵌入层，双向LSTM层以及隐藏层得到向量表示Y'；
使用篇章分析器对事件对所在篇章构建篇章树。篇章树从篇章的视角构建了各篇章基本单元间的逻辑修辞关系，而事件对e1,e2恰好位于篇章树中的某两个树叶结点(EDU)中；找到对应EDU结点的最低公共父结点，并将该节点对应的修辞关系提取出来；事件间的修辞关系在一定程度上反应了这两个事件之间的语义关联；对于提取出的事件对的篇章修辞关系，将其映射为向量，形成篇章关系的向量表示fm；
此外，依赖于篇章分析器自动生成篇章树；考虑到当前的篇章关系解析器性能还不够完善，提取出的篇章关系存在一定的噪音，引入了门控机制对其进行调整；
g＝σ(fmWg+bg) (0.11)
fg＝g·fm (0.12)
其中σ是sigmoid激活函数，Wg和bg是对应的权重矩阵和偏置量，g是计算出的门控系数，fg是经过门控调整的篇章关系向量。
然后，将依存关系路径向量和篇章修辞关系向量拼接，使得事件对表征包含更多的深层语义信息：
Ynew＝concat(Y'+fg) (0.13)
concat表示拼接函数。
最后将其放入识别层进行softmax分类
o＝Softmax(YnewWo+bo) (0.14)
其中Wo和bo是Softmax函数的权重矩阵和偏置量，o是计算出的关系标签的概率分布。
使用Stanford CoreNLP中的依存句法分析器来自动获取句子对应的依存树。
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，所述处理器执行所述程序时实现任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
本发明的有益效果：
将篇章树的信息编码加入模型中。该方法将事件间关联关系分两部分进行表征，一是事件所在句子的依存路径信息，二是事件所在基本篇章单元间的修辞关系信息，丰富了事件对表征，弥补了信息缺失的问题。
附图说明
图1是本发明融合依存关系与篇章修辞关系的事件时序关系识别方法中的基准模型示意图。
图2是本发明融合依存关系与篇章修辞关系的事件时序关系识别方法中的事件时序关系分类模型。
图3是本发明融合依存关系与篇章修辞关系的事件时序关系识别方法中的事件对依存句法树示例。
图4是本发明融合依存关系与篇章修辞关系的事件时序关系识别方法中的篇章树片段示例。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
图2是提出的融合依存关系和篇章修辞关系的事件时序关系识别的模型图。该模型主要分为两个部分：左边对应于输入层中事件对的依存路径序列；右边的模块对应于输入层中的篇章修辞关系序列，对事件之间的篇章关系进行处理；模型的顶端是用于时序关系分类的全连接层，输入为左右两个部分的输出拼接而成的向量。
依存关系模块给定事件对e1,e2,在提取最短依存路径方面，沿用cheng等人的方法。考虑到依存句法树1复杂的句法结构，另外增加了一条启发式规则来丰富事件相关信息。如果事件触发词在树中的孩子节点是“now”，“then”，“will”，“yesterday”，“subsequent”，“when”，“was”这些修饰词或者事件触发词与孩子节点之间是“mark”，“nmod”，“case”，“aux”，“conj”，“expl”，“cc”，“cop”，“amod”，“advmod”，“punct”，“ref”等依存关系，就把孩子节点加入依存路径中，最后将提取出的词按事件句出现顺序排序。之后将得到的事件对依存路径按照与基准模型相同的处理方法，经过嵌入层，双向LSTM层以及隐藏层得到向量表示Y'。
篇章关系模块篇章修辞结构理论(Rhetorical Structure Theory,RST)是一种代表性的篇章结构相关的语言学理论，它将整篇文本描述为树结构，称为篇章树2。篇章树的每个叶节点对应一个基本篇章单元(Elementary Discourse Unit，EDU)，篇章中的每个句子可能包含多个EDU，整个篇章是由若干个EDU构成的序列，而这些EDU间通过修辞关系，自底向上形成了篇章树。
在篇章修辞关系方面，使用篇章分析器对事件对所在篇章构建篇章树。篇章树从篇章的视角构建了各篇章基本单元间的逻辑修辞关系，而事件对e1,e2恰好位于篇章树中的某两个树叶结点(EDU)中。找到对应EDU结点的最低公共父结点，并将该节点对应的修辞关系提取出来。事件间的修辞关系在一定程度上反应了这两个事件之间的语义关联。对于提取出的事件对的篇章修辞关系，将其映射为向量，形成篇章关系的向量表示fm。
此外，依赖于篇章分析器自动生成篇章树。考虑到当前的篇章关系解析器性能还不够完善，提取出的篇章关系存在一定的噪音，引入了门控机制对其进行调整。
g＝σ(fmWg+bg) (0.15)
fg＝g·fm (0.16)
其中σ是sigmoid激活函数，Wg和bg是对应的权重矩阵和偏置量，g是计算出的门控系数，fg是经过门控调整的篇章关系向量。
然后，将依存关系路径向量和篇章修辞关系向量拼接，使得事件对表征包含更多的深层语义信息：
Ynew＝concat(Y'+fg) (0.17)
concat表示拼接函数。
最后将其放入识别层进行softmax分类
o＝Softmax(YnewWo+bo) (0.18)
其中Wo和bo是Softmax函数的权重矩阵和偏置量，o是计算出的关系标签的概率分布。
使用Stanford CoreNLP中的依存句法分析器来自动获取句子对应的依存树
使用Zhang等人开发的英文篇章分析器自动获取篇章对应的篇章树。
利用基准框架在TimeBank-Dense(TB-D)与Richer Event Description(RED)时序关系识别评测语料上进行了实验。实验结果如下表1所示。表中的S*分别代表不同的实验配置：
S1：启发式规则
S2：使用篇章修辞关系
表1各个实验配置在开发集上的结果(F1值)
TB-D RED
基准系统 54.0 52.3
+S1 55.1 53.8
+S1+S2 56.4 56.3
综合上述方法与策略，在TimeBank-Dense(TB-D)与Richer Event Description(RED)测试集上进行了最终的实验，实验结果如表2所示。
表2的系统在测试集上的结果(CoNLL F1值)
TB-D RED
基准系统 53.1 51.5
的系统 55.6 55.1
下面介绍本发明的一个具体应用场景：
以事件句对“They'll see images of the pope with Fidel Castro.”和“Itwill give the rest of the world the view that Cuba is like any other nation,something the us has,of course,tried to persuade the world that it is not.”为例对上述过程中的关键步骤进行说明。
依存关系部分该事件句对的成分句法树如图3所示，用虚拟根节点“common root”将两棵句法树连接在一起。事件对“images”和“tried”对应的最短依存关系路径分别为[images,see]和[tried,give]。使用启发式规则后，依存路径更新为[see,images,Castrol]和[give,tried]。
按上文所述，通过词嵌入向量，词性嵌入向量和依存关系嵌入向量的拼接得到两个最短依存路径序列的初始表示(其中m为选择的序列固定长度，不足的使用零向量补齐)：
初始表示经由双向LSTM层编码得到对应的上下文表示再经过隐藏层，得到事件对表示Y'∈Ry。
篇章关系部分该事件句的篇章树如图4所示，两个句子从篇章的视角被切割成5个独立的EDU，它们之间逐层迭代，构建形成篇章树。事件对“images”和“tried”的篇章修辞关系“NS-Elaborate”。
将“NS-Elaborate”通过词嵌入映射到低维实值向量空间，并结合门控机制得到向量表示fg。
然后，将两部分拼接，得到事件对的向量表示：
Ynew＝[Y',fg] (0.21)
最终放入softmax层来获得关系标签的预测结果。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (4)

1.一种融合依存关系与篇章修辞关系的事件时序关系识别方法，其特征在于，包括：
给定事件对e1,e2,提取最短依存路径方面；考虑到依存句法树复杂的句法结构，另外增加了一条启发式规则来丰富事件相关信息；把孩子节点加入依存路径中，最后将提取出的词按事件句出现顺序排序；之后将得到的事件对依存路径按照与基准模型相同的处理方法，经过嵌入层，双向LSTM层以及隐藏层得到向量表示Y'；
使用篇章分析器对事件对所在篇章构建篇章树。篇章树从篇章的视角构建了各篇章基本单元间的逻辑修辞关系，而事件对e1,e2恰好位于篇章树中的某两个树叶结点(EDU)中；找到对应EDU结点的最低公共父结点，并将该节点对应的修辞关系提取出来；事件间的修辞关系在一定程度上反应了这两个事件之间的语义关联；对于提取出的事件对的篇章修辞关系，将其映射为向量，形成篇章关系的向量表示fm；
此外，依赖于篇章分析器自动生成篇章树；考虑到当前的篇章关系解析器性能还不够完善，提取出的篇章关系存在一定的噪音，引入了门控机制对其进行调整；
g＝σ(fmWg+bg) (0.1)
fg＝g·fm (0.2)
其中σ是sigmoid激活函数，Wg和bg是对应的权重矩阵和偏置量，g是计算出的门控系数，fg是经过门控调整的篇章关系向量。
然后，将依存关系路径向量和篇章修辞关系向量拼接，使得事件对表征包含更多的深层语义信息：
Ynew＝concat(Y'+fg) (0.3)
concat表示拼接函数。
最后将其放入识别层进行softmax分类
o＝Softmax(YnewWo+bo) (0.4)
其中Wo和bo是Softmax函数的权重矩阵和偏置量，o是计算出的关系标签的概率分布。
使用Stanford CoreNLP中的依存句法分析器来自动获取句子对应的依存树。
2.一种计算机设备，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所述方法的步骤。
3.一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所述方法的步骤。
4.一种处理器，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所述的方法。
CN201910369095.7A 2019-05-05 2019-05-05 融合依存关系与篇章修辞关系的事件时序关系识别方法 Active CN110069636B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910369095.7A CN110069636B (zh) 2019-05-05 2019-05-05 融合依存关系与篇章修辞关系的事件时序关系识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910369095.7A CN110069636B (zh) 2019-05-05 2019-05-05 融合依存关系与篇章修辞关系的事件时序关系识别方法

Publications (2)

Publication Number Publication Date
CN110069636A true CN110069636A (zh) 2019-07-30
CN110069636B CN110069636B (zh) 2021-02-09

Family

ID=67370183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910369095.7A Active CN110069636B (zh) 2019-05-05 2019-05-05 融合依存关系与篇章修辞关系的事件时序关系识别方法

Country Status (1)

Country Link
CN (1) CN110069636B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110737819A (zh) * 2019-10-16 2020-01-31 乐山师范学院 一种基于新闻报道的突发事件线索提取方法
CN111611409A (zh) * 2020-06-17 2020-09-01 中国人民解放军国防科技大学 一种融入场景知识的事例分析方法及相关设备
CN112507077A (zh) * 2020-12-15 2021-03-16 杭州电子科技大学 基于关系图注意力神经网络的事件时序关系识别方法
CN113157907A (zh) * 2021-03-16 2021-07-23 中南大学 一种基于语篇结构的层次文本摘要获取方法、系统、终端设备及可读存储介质
CN114444472A (zh) * 2022-04-02 2022-05-06 北京百度网讯科技有限公司 文本处理方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021308A (zh) * 2016-05-05 2016-10-12 重庆大学 一种面向时序大数据的查询事件识别与检测方法及系统
CN106055536A (zh) * 2016-05-19 2016-10-26 苏州大学 一种中文事件联合推理方法和系统
US20180218285A1 (en) * 2017-01-31 2018-08-02 Splunk Inc. Search input recommendations
CN109145224A (zh) * 2018-08-20 2019-01-04 电子科技大学 社交网络事件时序关系分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021308A (zh) * 2016-05-05 2016-10-12 重庆大学 一种面向时序大数据的查询事件识别与检测方法及系统
CN106055536A (zh) * 2016-05-19 2016-10-26 苏州大学 一种中文事件联合推理方法和系统
US20180218285A1 (en) * 2017-01-31 2018-08-02 Splunk Inc. Search input recommendations
CN109145224A (zh) * 2018-08-20 2019-01-04 电子科技大学 社交网络事件时序关系分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NATHANAEL CHAMBERS等: "Classifying temporal relations between events", 《ACL"07：PROCEEDINGS OF THE 45TH ANNUAL MEETING OF THE ACL ON INTERACTIVE POSTER AND DEMONSTRATION SESSIONS》 *
郑新等: "中文事件时序关系的标注和分类方法", 《计算机科学》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110737819A (zh) * 2019-10-16 2020-01-31 乐山师范学院 一种基于新闻报道的突发事件线索提取方法
CN110737819B (zh) * 2019-10-16 2022-09-16 乐山师范学院 一种基于新闻报道的突发事件线索提取方法
CN111611409A (zh) * 2020-06-17 2020-09-01 中国人民解放军国防科技大学 一种融入场景知识的事例分析方法及相关设备
CN112507077A (zh) * 2020-12-15 2021-03-16 杭州电子科技大学 基于关系图注意力神经网络的事件时序关系识别方法
CN113157907A (zh) * 2021-03-16 2021-07-23 中南大学 一种基于语篇结构的层次文本摘要获取方法、系统、终端设备及可读存储介质
CN113157907B (zh) * 2021-03-16 2022-05-03 中南大学 一种基于语篇结构的层次文本摘要获取方法、系统、终端设备及可读存储介质
CN114444472A (zh) * 2022-04-02 2022-05-06 北京百度网讯科技有限公司 文本处理方法、装置、电子设备和存储介质
CN114444472B (zh) * 2022-04-02 2022-07-12 北京百度网讯科技有限公司 文本处理方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN110069636B (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN110069636A (zh) 融合依存关系与篇章修辞关系的事件时序关系识别方法
CN111241294B (zh) 基于依赖解析和关键词的图卷积网络的关系抽取方法
Fernandes et al. Latent structure perceptron with feature induction for unrestricted coreference resolution
CN106844349B (zh) 基于协同训练的垃圾评论识别方法
CN111177394A (zh) 基于句法注意力神经网络的知识图谱关系数据分类方法
Woodsend et al. Generation with quasi-synchronous grammar
CN106599032A (zh) 一种结合稀疏编码和结构感知机的文本事件抽取方法
CN103530281A (zh) 一种论元抽取方法和系统
CN105955956A (zh) 一种汉语隐式篇章关系识别方法
CN106055536A (zh) 一种中文事件联合推理方法和系统
CN107526834A (zh) 联合词性与词序的相关因子训练的word2vec改进方法
Mihalcea Word sense disambiguation with pattern learning and automatic feature selection
CN107180026B (zh) 一种基于词嵌入语义映射的事件短语学习方法及装置
CN110321563A (zh) 基于混合监督模型的文本情感分析方法
CN113761893B (zh) 一种基于模式预训练的关系抽取方法
CN109189862A (zh) 一种面向科技情报分析的知识库构建方法
CN108665141B (zh) 一种从突发事件预案中自动抽取应急响应流程模型的方法
CN110532328A (zh) 一种文本概念图构造方法
CN114547298A (zh) 基于多头注意力和图卷积网络结合R-Drop机制的生物医学关系抽取方法、装置和介质
Al-Najjar et al. No Time Like the Present: Methods for Generating Colourful and Factual Multilingual News Headlines.
CN114818717A (zh) 融合词汇和句法信息的中文命名实体识别方法及系统
CN112733547A (zh) 一种利用语义依存分析的中文问句语义理解方法
Chang et al. A methodology and interactive environment for iconic language design
Liu et al. An attention-based syntax-tree and tree-LSTM model for sentence summarization
CN115329088A (zh) 图神经网络事件检测模型的鲁棒性分析方法

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