CN111414482A - 一种事件论元抽取方法、装置以及电子设备 - Google Patents

一种事件论元抽取方法、装置以及电子设备 Download PDF

Info

Publication number
CN111414482A
CN111414482A CN202010202897.1A CN202010202897A CN111414482A CN 111414482 A CN111414482 A CN 111414482A CN 202010202897 A CN202010202897 A CN 202010202897A CN 111414482 A CN111414482 A CN 111414482A
Authority
CN
China
Prior art keywords
event
argument
extracted
trained
news
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
CN202010202897.1A
Other languages
English (en)
Other versions
CN111414482B (zh
Inventor
李法远
陈玉光
潘禄
刘远圳
韩翠云
施茜
黄佳艳
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010202897.1A priority Critical patent/CN111414482B/zh
Publication of CN111414482A publication Critical patent/CN111414482A/zh
Priority to US17/036,833 priority patent/US11880397B2/en
Priority to EP20202326.3A priority patent/EP3882783A1/en
Priority to KR1020210034632A priority patent/KR102677454B1/ko
Priority to JP2021044663A priority patent/JP7292321B2/ja
Application granted granted Critical
Publication of CN111414482B publication Critical patent/CN111414482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/43—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of news video content
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Molecular Biology (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)

Abstract

本申请公开了一种事件论元抽取方法、装置以及电子设备，涉及知识图谱技术领域。具体实现方案为：获取待抽取事件内容；基于已训练的事件论元抽取模型对所述待抽取事件内容进行论元抽取，得到所述待抽取事件内容的目标论元；其中，所述已训练的事件论元抽取模型通过事件新闻标注数据以及所述事件新闻标注数据中标注的每个论元的权重对预训练模型训练得到。

Description

一种事件论元抽取方法、装置以及电子设备
技术领域
本申请涉及计算机技术中的知识图谱技术领域，尤其涉及一种事件论元抽取方法、装置以及电子设备。
背景技术
事件论元抽取是指从事件描述中抽取事件的各个组成要素(时间、地点、参与者、事件适配的相关内容等)，要素即为论元，每个论元对应一种论元角色，最终以结构化知识的形式展示给用户。
目前，常采用的事件论元抽取模型是基于分类思路的，然而，不同事件类型的事件论元角色不同，通过目前简单分类模型进行论元抽取时，效果较差。
发明内容
本申请提供一种事件论元抽取方法、装置和电子设备，以解决事件论元抽取效果较差的问题。
第一方面，本申请一个实施例提供一种事件论元抽取方法，包括：
获取待抽取事件内容；
基于已训练的事件论元抽取模型对所述待抽取事件内容进行论元抽取，得到所述待抽取事件内容的目标论元；
其中，所述已训练的事件论元抽取模型通过事件新闻标注数据以及所述事件新闻标注数据中标注的每个论元的权重对预训练模型训练得到。
本申请的实施例的事件论元抽取方法中，用于对待抽取事件内容进行论元抽取的已训练的事件论元抽取模型，是事件新闻标注数据以及所述事件新闻标注数据中标注的每个论元的权重对预训练模型训练，即在训练过程中，考虑了用于训练的事件新闻标注数据中标注的每个论元的权重，可使已训练的事件论元抽取模型的性能提高，从而可提高论元抽取效果。
可选的，通过以下至少方式得到所述已训练的事件论元抽取模型：
根据所述事件新闻标注数据以及损失函数对所述预训练模型进行训练，得到所述已训练的事件论元抽取模型，其中，所述损失函数与所述预训练模型对所述事件新闻标注数据中标注的每个论元的预测概率值以及所述每个论元的权重相关。
通过事件新闻标注数据以及损失函数对预训练模型进行训练对预训练模型进行训练，损失函数不但考虑了预训练模型对事件新闻标注数据中标注的每个论元的预测概率值，而且还考虑了每个论元的权重，如此，可提高已训练的事件论元抽取模型的性能，从而提高对论元抽取的效果。
可选的，所述损失函数为所述预训练模型对所述事件新闻标注数据中标注的每个论元的预测概率值的负对数似然的加权和。
即损失函数通过事件新闻标注数据中标注的每个论元的权重，对预训练模型对事件新闻标注数据中标注的每个论元的预测概率值的负对数似然进行加权求和得到，利用加权求和得到的损失函数进行训练，提高已训练的事件论元抽取模型的性能，从而提高对论元抽取的效果。
可选的，所述基于已训练的事件论元抽取模型对所述待抽取事件内容进行论元抽取，得到所述待抽取事件内容的目标论元，包括：
基于已训练的事件论元抽取模型对所述待抽取事件内容进行论元抽取，得到所述待抽取事件内容中至少一个论元的预测概率值；
将所述至少一个论元中预测概率值最大的论元以及预测概率值大于概率阈值的论元作为所述目标论元；
其中，所述概率阈值为所述至少一个论元的预测概率值中最大的预测概率值乘以预设系数的值，预设系数为小于或等于1的正数。
如此，通过最大预测概率值以及预设系数从至少一个论元中确定目标论元，提高目标论元的准确性。
可选的，所述根据所述事件新闻标注数据以及损失函数对所述预训练模型进行训练，得到所述已训练的事件论元抽取模型，包括：
根据预设问答格式，对所述事件新闻标注数据进行格式转换，得到新闻问答数据；
根据所述新闻问答数据以及所述损失函数对所述预训练模型进行训练，得到所述已训练的事件论元抽取模型。
在本实施例中，根据新闻问答数据以及所述损失函数对预训练模型进行训练，得到所述已训练的事件论元抽取模型，如此，可提高已训练的事件论元抽取模型的性能，从而提高论元抽取效果。
可选的，所述基于已训练的事件论元抽取模型对所述待抽取事件内容进行论元抽取，得到所述待抽取事件内容的目标论元，包括：
通过已训练的事件类型分类模型预测所述待抽取事件内容的事件类型；
通过已训练的事件句判别模型预测所述待抽取事件内容的事件描述句；
基于所述事件类型、所述事件描述句、所述事件类型对应的论元角色以及预设问答格式，构建所述待抽取事件内容对应的待抽问答数据，其中，所述待抽问答数据的格式与所述预设问答格式匹配，所述待抽问答数据包括所述待抽取事件内容的事件描述句、所述待抽取事件内容的事件类型以及所述事件类型对应的论元角色；
将所述待抽问答数据输入所述已训练的论元抽取模型，通过所述已训练的事件论元抽取模型进行论元抽取，获得所述目标论元。
本实施例中，输入至事件论元抽取模型的待抽问答数据包括所述待抽取事件内容的事件描述句、所述待抽取事件内容的事件类型以及所述事件类型对应的论元角色，且采用格式与阅读理解数据的格式匹配的待抽问答数据输入已训练的论元抽取模型进行事件论元抽取，而事件论元抽取模型是在预训练模型基础上，通过引入事件新闻样本和阅读理解数据进行训练得到，从而提高事件论元抽取效果。
第二方面，本申请一个实施例提供一种事件论元抽取装置，所述装置包括：
第一获取模块，用于获取待抽取事件内容；
抽取模块，用于基于已训练的事件论元抽取模型对所述待抽取事件内容进行论元抽取，得到所述待抽取事件内容的目标论元；
其中，所述已训练的事件论元抽取模型通过事件新闻标注数据以及所述事件新闻标注数据中标注的每个论元的权重对预训练模型训练得到。
可选的，通过以下至少方式得到所述已训练的事件论元抽取模型：
根据所述事件新闻标注数据以及损失函数对所述预训练模型进行训练，得到所述已训练的事件论元抽取模型，其中，所述损失函数与所述预训练模型对所述事件新闻标注数据中标注的每个论元的预测概率值以及所述每个论元的权重相关。
可选的，所述损失函数为所述预训练模型对所述事件新闻标注数据中标注的每个论元的预测概率值的负对数似然的加权和。
可选的，所述抽取模块，包括：
概率预测模块，用于基于已训练的事件论元抽取模型对所述待抽取事件内容进行论元抽取，得到所述待抽取事件内容中至少一个论元的预测概率值；
论元确定模块，用于将所述至少一个论元中预测概率值最大的论元以及预测概率值大于概率阈值的论元作为所述目标论元；
其中，所述概率阈值为所述至少一个论元的预测概率值中最大的预测概率值乘以预设系数的值，预设系数为小于或等于1的正数。
可选的，所述根据所述事件新闻标注数据以及损失函数对所述预训练模型进行训练，得到所述已训练的事件论元抽取模型，包括：
根据预设问答格式，对所述事件新闻标注数据进行格式转换，得到新闻问答数据；
根据所述新闻问答数据以及所述损失函数对所述预训练模型进行训练，得到所述已训练的事件论元抽取模型。
可选的，所述抽取模块，包括：
第一预测模块，用于通过已训练的事件类型分类模型预测所述待抽取事件内容的事件类型；
第二预测模块，用于通过已训练的事件句判别模型预测所述待抽取事件内容的事件描述句；
构建模块，用于基于所述事件类型、所述事件描述句、所述事件类型对应的论元角色以及预设问答格式，构建所述待抽取事件内容对应的待抽问答数据，其中，所述待抽问答数据的格式与所述预设问答格式匹配，所述待抽问答数据包括所述待抽取事件内容的事件描述句、所述待抽取事件内容的事件类型以及所述事件类型对应的论元角色；
论元抽取模块，用于将所述待抽问答数据输入所述已训练的论元抽取模型，通过所述已训练的事件论元抽取模型进行论元抽取，获得所述目标论元。
第三方面，本申请一个实施例还提供一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请各实施例提供的方法。
第四方面，本申请一个实施例还提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请各实施例提供的方法。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请提供的一个实施例的事件论元抽取方法的流程示意图；
图2是本申请提供的一个实施例的事件论元抽取方法的原理图；
图3是本申请提供的一个实施例的事件论元抽取装置的结构图；
图4是用来实现本申请实施例的事件论元抽取方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
如图1所示，根据本申请的实施例，本申请提供一种事件论元抽取方法，可应用于电子设备，包括：
步骤S101：获取待抽取事件内容。
事件内容可以理解包括事件新闻(例如，新闻标题、新闻正文等)等，待抽取事件内容即包括待抽取事件新闻，后续对待抽取事件内容进行论元抽泣。该待抽取事件内容可从实际应用领域的事件中获取的。比如，对于金融领域，对金融领域的待抽取事件内容进行获取，后续进行论元抽取。又比如，对于互联网技术领域，从互联网技术领域的事件新闻中获取待抽取事件新闻，后续进行论元抽取。
步骤S102：基于已训练的事件论元抽取模型对待抽取事件内容进行论元抽取，得到待抽取事件内容的目标论元；
其中，已训练的事件论元抽取模型通过事件新闻标注数据以及事件新闻标注数据中标注的每个论元的权重对预训练模型训练得到。
预先已通过训练得到已训练的事件论元抽取模型，在获得待抽取事件内容后，即可利用已训练的事件论元抽取模型抽取待抽取事件内容的论元，确定目标论元。在一个示例中，目标论元的数量至少一个，即可利用已训练的事件论元抽取模型抽取待抽取事件内容的论元，确定至少一个目标论元。
在本实施例中，已训练的事件论元抽取模型是基于事件新闻标注数据以及事件新闻标注数据中标注的每个论元的权重训练得到，其中，事件新闻标注数据可以理解为事件论元标注数据，即不但包括事件新闻，而且事件新闻中论元已标注，还包括论元标注数据，事件新闻样本可以理解为新闻正文等，可以是实际应用领域中的事件新闻样本，例如，可以是实际应用领域中的实时新闻。在一个示例中，权重的计算方式有多种，例如，可通过词重要性计算模型计算得到归一化的权重。
本申请的实施例的事件论元抽取方法中，用于对待抽取事件内容进行论元抽取的已训练的事件论元抽取模型，是事件新闻标注数据以及事件新闻标注数据中标注的每个论元的权重对预训练模型训练，即在训练过程中，考虑了用于训练的事件新闻标注数据中标注的每个论元的权重，可使已训练的事件论元抽取模型的性能提高，从而可提高论元抽取效果。与此同时，本实施例通过事件新闻标注数据以及引入事件新闻标注数据中标注的每个论元的权重对模型进行训练，可解决一个论元角色多个论元的问题，提高已训练的事件论元抽取模型抽取多个论元的能力，从而提高对多个论元抽取的效果。
在一个实施例中，通过以下至少方式得到已训练的事件论元抽取模型：
根据事件新闻标注数据以及损失函数对预训练模型进行训练，得到已训练的事件论元抽取模型，其中，损失函数与预训练模型对事件新闻标注数据中标注的每个论元的预测概率值以及每个论元的权重相关。
可以理解，预训练模型训练过程中，可涉及有损失函数，不同的预训练模型，对应的损失函数可不同。在本实施例中，通过事件新闻标注数据、事件新闻标注数据中标注的每个论元的权重以及损失函数对预训练模型进行训练，得到已训练的事件论元抽取模型。
通过事件新闻标注数据以及损失函数对预训练模型进行训练对预训练模型进行训练，损失函数不但考虑了预训练模型对事件新闻标注数据中标注的每个论元的预测概率值，而且还考虑了每个论元的权重，如此，可提高已训练的事件论元抽取模型的性能，从而提高对论元抽取的效果。
在一个实施例中，损失函数为预训练模型对事件新闻标注数据中标注的每个论元的预测概率值的负对数似然的加权和。
即损失函数通过事件新闻标注数据中标注的每个论元的权重，对预训练模型对事件新闻标注数据中标注的每个论元的预测概率值的负对数似然进行加权求和得到，利用加权求和得到的损失函数进行训练，提高已训练的事件论元抽取模型的性能，从而提高对论元抽取的效果。
在一个实施例中，基于已训练的事件论元抽取模型对待抽取事件内容进行论元抽取，得到待抽取事件内容的目标论元，包括：
基于已训练的事件论元抽取模型对待抽取事件内容进行论元抽取，得到待抽取事件内容中至少一个论元的预测概率值；
将至少一个论元中预测概率值最大的论元以及预测概率值大于概率阈值的论元作为目标论元；
其中，概率阈值为至少一个论元的预测概率值中最大的预测概率值乘以预设系数的值，预设系数为小于或等于1的正数。
在本实施例中，利用已训练的时间论元抽取模型对待抽取事件内容进行论元抽取的过程中，首先得到待抽取事件内容中至少一个论元的预测概率值，将至少一个论元中预测概率值最大的论元以及预测概率值大于概率阈值的论元作为目标论元，实现论元抽取。如此，通过最大预测概率值以及预设系数从至少一个论元中确定目标论元，提高目标论元的准确性。
在一个实施例中，所述根据所述事件新闻标注数据以及损失函数对所述预训练模型进行训练，得到所述已训练的事件论元抽取模型，包括：根据预设问答格式，对所述事件新闻标注数据进行格式转换，得到新闻问答数据；根据所述新闻问答数据以及所述损失函数对所述预训练模型进行训练，得到所述已训练的事件论元抽取模型。
预设问答格式由描述句、问题以及问题对应的答案(即论元)三种元素组成，即具有该预设问答格式的数据包括了上述三种元素的内容。可对事件新闻标注数据根据预设问答格式进行格式转换得到新闻问答数据，即将事件新闻标注数据转换为预设问答格式的新闻问答数据，新闻问答数据中包括预设问答格式中三个元素的内容，而且新闻问答数据中三个元素的内容根据事件新闻标注数据得到，新闻问答数据中答案元素的内容为事件新闻标注数据中标注的论元，新闻问答数据中描述句元素的内容为事件新闻标注数据中事件新闻，而且是根据事件新闻标注数据中事件类型以及事件类型的每个论元角色去构建问题，新闻问答数据中问题元素的内容，则是根据事件新闻标注数据中事件类型以及事件类型的每个论元角色得到，具体是包括事件新闻标注数据中事件类型以及事件类型的每个论元角色。其中，每个事件类型对应的论元角色是预先确定的，而确定事件新闻标注数据的事件类型可通过多种方式确定，在本实施例中不作限定，例如，可通过已有的事件类型分类模型对事件新闻标注数据进行预测得到事件类型等。
在本实施例中，根据新闻问答数据以及所述损失函数对预训练模型进行训练，得到所述已训练的事件论元抽取模型，如此，可提高已训练的事件论元抽取模型的性能，从而提高论元抽取效果。
在一个实施例中，所述基于已训练的事件论元抽取模型对所述待抽取事件内容进行论元抽取，得到所述待抽取事件内容的目标论元，包括：通过已训练的事件类型分类模型预测所述待抽取事件内容的事件类型；通过已训练的事件句判别模型预测所述待抽取事件内容的事件描述句；基于所述事件类型、所述事件描述句、所述事件类型对应的论元角色以及预设问答格式，构建所述待抽取事件内容对应的待抽问答数据，其中，所述待抽问答数据的格式与所述预设问答格式匹配，所述待抽问答数据包括所述待抽取事件内容的事件描述句、所述待抽取事件内容的事件类型以及所述事件类型对应的论元角色；将所述待抽问答数据输入所述已训练的论元抽取模型，通过所述已训练的事件论元抽取模型进行论元抽取，获得所述目标论元。
在获取待抽取事件内容之后，可通过已训练的事件类型分类模型预测得到事件类型，以及通过已训练的事件句判别模型得到待抽取事件新闻的事件描述句，使用待抽取事件新闻的事件描述句、事件类型及该事件类型对应的论元角色，并根据预设问答格式(如上所示，预设问答格式由描述句、问题以及问题对应的答案(即论元)三种元素组成)，构建该待抽取事件新闻的待抽问答数据，待抽问答数据的格式与预设问答格式匹配。然后将该待抽问答数据输入已训练的论元抽取模型，通过事件论元抽取模型进行论元抽取得到待抽取事件内容的目标论元。需要说明的是，基于已训练的事件论元抽取模型对所述待抽取事件内容进行论元抽取，得到所述待抽取事件内容中至少一个论元的预测概率值的过程中，可基于已训练的事件论元抽取模型对待抽取事件内容的待抽问答数据进行论元抽取，得到待抽取事件内容中至少一个论元的预测概率值，即将待抽取事件内容的待抽问答数据输入事件论元抽取模型进行论元概率预测。
本实施例中，输入至事件论元抽取模型的待抽问答数据包括所述待抽取事件内容的事件描述句、所述待抽取事件内容的事件类型以及所述事件类型对应的论元角色，且采用格式与预设问答格式匹配的待抽问答数据输入已训练的论元抽取模型进行事件论元抽取，而事件论元抽取模型是在预训练模型基础上，通过引入事件新闻样本和阅读理解数据进行训练得到，从而提高事件论元抽取效果。
在一个示例中，待抽问答数据的格式包括上述预设问答格式中三个元素中的两个元素，即描述句和问题元素，如此，可认为抽问答数据的格式与阅读理解数据的格式匹配。其中，待抽取事件新闻中的事件描述句对应描述句元素的内容，即待抽问答数据包括待抽取事件新闻中的事件描述句以及问题元素的内容(待抽问答数据中问题元素的内容即包括预测得到的待抽取事件新闻的事件类型及待抽取事件新闻的事件类型对应的论元角色)。
下面以一个具体实施例对上述事件论元抽取方法的过程加以具体说明。
如图2所示，为实现上述事件论元抽取方法的系统原理图，该系统包括数据准备模块、事件论元抽取模型离线训练模块和事件论元抽取服务模块。
首先，数据准备模块，可进行事件新闻标注数据的收集。根据预设问答格式(即包括三个元素，即描述句元素(可以理解理解为正文元素)、问题元素以及答案元素)对事件新闻论元标注数据进行格式转换，得到新闻问答数据(即包括事件新闻论元标注数据中的事件新闻、问题以及根据问题从事件新闻论元标注数据中的事件新闻确定的该问题的答案)。以事件描述句(即新闻论元标注数据的事件新闻)为context(正文)，即该事件新闻可以理解为事件新闻正文，以事件类型与每个论元角色分别去构建问题，该论元角色对应的论元为答案，形成问答格式的新闻问答数据。举例说明：context为“7月7日，由邱礼涛导演，刘德华、古天乐、苗侨伟等主演的电影《扫毒2天地对决》上映”，问题为“上映作品演员”，答案为“刘德华、古天乐、苗侨伟”。其中“上映”为事件类型，“作品演员”为该事件类型的一个论元角色，“刘德华，古天乐，苗侨伟”为该论元角色的多个论元。事件类型对应的论元角色是预先确定的，确定事件类型后，即可确定对应的论元角色，可以理解，问题的内容包括事件类型以事件类型对应的论元角色。
而且在本实施例中，是根据事件新闻标注数据中事件类型以及事件类型的每个论元角色去构建问题，其中，每个事件类型对应的论元角色是预先确定的，而确定事件新闻标注数据的事件类型可通过多种方式确定，在本实施例中不作限定，例如，可通过已有的件类型分类模型对事件新闻标注数据进行预测得到事件类型等。
另外，可计算每个论元的权重，可通过已有的词重要性计算模型计算得到归一化的权重。权重用于模型训练中的损失函数计算。
然后，事件论元抽取模型离线模型训练模块。这里以预训练模型为深度预训练模型为例。在深度预训练模型的基础上，使用事件新闻标注数据输入深度预训练模型进行微调，模型训练过程中，模型根据问题从事件新闻正文中寻找答案即论元，通过拟合与事件新闻标注数据中标注的每个论元的权重以及预测概率值有关的损失函数进行训练。利用损失值，通过梯度下降和反向传播，不断迭代更新模型参数，得到收敛的训练模型即已训练的时间论元抽取模型，从而提高模型事件论元抽取能力。
其次，事件论元抽取服务模块。
获取待抽取事件新闻(例如，新闻标题、新闻正文)，即上述带抽取事件内容，通过已有的事件类型分类模型(即已训练的事件类型分类模型)预测得到事件类型，以及通过已有的事件句判别模型(即已训练的事件句判别模型)得到待抽取事件新闻的事件描述句，使用待抽取事件新闻的事件描述句、事件类型及该事件类型对应的论元角色，并根据阅读理解数据的格式，构建该待抽取事件新闻的待抽问答数据，待抽问答数据的格式与阅读理解数据的格式匹配，可以理解，待抽问答数据的格式包括上述问答格式中三个元素中的两个元素，即描述句和问题元素，如此，可认为抽问答数据的格式与问答格式匹配。其中，待抽取事件新闻中的事件描述句对应描述句元素的内容，即待抽问答数据包括待抽取事件新闻中的事件描述句以及问题元素的内容(待抽问答数据中问题元素的内容即包括预测得到的待抽取事件新闻的事件类型及待抽取事件新闻的事件类型对应的论元角色)。然后将该待抽问答数据输入已训练的事件论元抽取模型，事件论元抽取模型从事件描述句中预测出该待抽问答数据中问题的所有答案的预测概率，将所有答案中预测概率值最大的答案以及预测概率值大于概率阈值的答案，作为待抽取事件新闻的目标论元。
本申请采用待抽取事件新闻的问答格式的待抽问答数据输入已训练的论元抽取模型进行事件论元抽取，且在深度预训练模型基础上，通过引入事件新闻标注数据以及事件新闻标注数据中标注的每个论元的权重，从而提高事件论元抽取效果，在现实场景中取得较好的抽取效果。
事件论元抽取在事件图谱项目中有着重要应用：通过事件论元抽取，以结构化的形式展现和表示事件，在大搜和Feed事件脉络中展示事件，方便用户用快速理解事件。另外事件论元抽取可应用于各领域，例如金融领域，通过对公司的事件进行抽取，进行有效地风险控制等。
如图3所示，本申请一个实施例还提供一种事件论元抽取装置300，可应用于电子设备，该装置300包括：
第一获取模块301，用于获取待抽取事件内容；
抽取模块302，用于基于已训练的事件论元抽取模型对待抽取事件内容进行论元抽取，得到待抽取事件内容的目标论元；
其中，已训练的事件论元抽取模型通过事件新闻标注数据以及事件新闻标注数据中标注的每个论元的权重对预训练模型训练得到。
在一个实施例中，通过以下至少方式得到已训练的事件论元抽取模型：
根据事件新闻标注数据以及损失函数对预训练模型进行训练，得到已训练的事件论元抽取模型，其中，损失函数与预训练模型对事件新闻标注数据中标注的每个论元的预测概率值以及每个论元的权重相关。
在一个实施例中，损失函数为预训练模型对事件新闻标注数据中标注的每个论元的预测概率值的负对数似然的加权和。
在一个实施例中，抽取模块，包括：
概率预测模块，用于基于已训练的事件论元抽取模型对待抽取事件内容进行论元抽取，得到待抽取事件内容中至少一个论元的预测概率值；
论元确定模块，用于将至少一个论元中预测概率值最大的论元以及预测概率值大于概率阈值的论元作为目标论元；
其中，概率阈值为至少一个论元的预测概率值中最大的预测概率值乘以预设系数的值，预设系数为小于或等于1的正数。
在一个实施例中，根据事件新闻标注数据以及损失函数对预训练模型进行训练，得到已训练的事件论元抽取模型，包括：根据预设问答格式，对事件新闻标注数据进行格式转换，得到新闻问答数据；根据新闻问答数据以及损失函数对预训练模型进行训练，得到已训练的事件论元抽取模型。
在一个实施例中，抽取模块，包括：
第一预测模块，用于通过已训练的事件类型分类模型预测待抽取事件内容的事件类型；
第二预测模块，用于通过已训练的事件句判别模型预测待抽取事件内容的事件描述句；
构建模块，用于基于事件类型、事件描述句、事件类型对应的论元角色以及预设问答格式，构建待抽取事件内容对应的待抽问答数据，其中，待抽问答数据的格式与预设问答格式匹配，待抽问答数据包括待抽取事件内容的事件描述句、待抽取事件内容的事件类型以及事件类型对应的论元角色；
论元抽取模块，用于将待抽问答数据输入已训练的论元抽取模型，通过已训练的事件论元抽取模型进行论元抽取，获得目标论元。
需要说明的是，可将待抽取事件内容的待抽问答数据输入已训练的论元抽取模型，概率预测模块可用于基于已训练的事件论元抽取模型对待抽取事件内容的待抽问答数据进行论元抽取，得到待抽取事件内容中至少一个论元的预测概率值。
上述各实施例的事件论元抽取装置为实现上述各实施例的事件论元抽取方法的装置，技术特征对应，技术效果对应，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图4所示，是根据本申请实施例的事件论元抽取方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示，该电子设备包括：一个或多个处理器401、存储器402，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUM的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器401为例。
存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的事件论元抽取方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的事件论元抽取方法。
存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的事件论元抽取方法对应的程序指令/模块(例如，附图3所示的第一获取模块301、抽取模块302)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的事件论元抽取方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据键盘显示的电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至键盘显示的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
事件论元抽取方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置403可接收输入的数字或字符信息，以及产生与键盘显示的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASMC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，用于对待抽取事件内容进行论元抽取的已训练的事件论元抽取模型，是事件新闻标注数据以及所述事件新闻标注数据中标注的每个论元的权重对预训练模型训练，即在训练过程中，考虑了用于训练的事件新闻标注数据中标注的每个论元的权重，可使已训练的事件论元抽取模型的性能提高，从而可提高论元抽取效果。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (14)

1.一种事件论元抽取方法，其特征在于，所述方法包括：
获取待抽取事件内容；
基于已训练的事件论元抽取模型对所述待抽取事件内容进行论元抽取，得到所述待抽取事件内容的目标论元；
其中，所述已训练的事件论元抽取模型通过事件新闻标注数据以及所述事件新闻标注数据中标注的每个论元的权重对预训练模型训练得到。
2.根据权利要求1所述的方法，其特征在于，通过以下至少方式得到所述已训练的事件论元抽取模型：
根据所述事件新闻标注数据以及损失函数对所述预训练模型进行训练，得到所述已训练的事件论元抽取模型，其中，所述损失函数与所述预训练模型对所述事件新闻标注数据中标注的每个论元的预测概率值以及所述每个论元的权重相关。
3.根据权利要求2所述的方法，其特征在于，所述损失函数为所述预训练模型对所述事件新闻标注数据中标注的每个论元的预测概率值的负对数似然的加权和。
4.根据权利要求1所述的方法，其特征在于，所述基于已训练的事件论元抽取模型对所述待抽取事件内容进行论元抽取，得到所述待抽取事件内容的目标论元，包括：
基于已训练的事件论元抽取模型对所述待抽取事件内容进行论元抽取，得到所述待抽取事件内容中至少一个论元的预测概率值；
将所述至少一个论元中预测概率值最大的论元以及预测概率值大于概率阈值的论元作为所述目标论元；
其中，所述概率阈值为所述至少一个论元的预测概率值中最大的预测概率值乘以预设系数的值，预设系数为小于或等于1的正数。
5.根据权利要求2所述的方法，其特征在于，所述根据所述事件新闻标注数据以及损失函数对所述预训练模型进行训练，得到所述已训练的事件论元抽取模型，包括：
根据预设问答格式，对所述事件新闻标注数据进行格式转换，得到新闻问答数据；
根据所述新闻问答数据以及所述损失函数对所述预训练模型进行训练，得到所述已训练的事件论元抽取模型。
6.根据权利要求1所述的方法，其特征在于，所述基于已训练的事件论元抽取模型对所述待抽取事件内容进行论元抽取，得到所述待抽取事件内容的目标论元，包括：
通过已训练的事件类型分类模型预测所述待抽取事件内容的事件类型；
通过已训练的事件句判别模型预测所述待抽取事件内容的事件描述句；
基于所述事件类型、所述事件描述句、所述事件类型对应的论元角色以及预设问答格式，构建所述待抽取事件内容对应的待抽问答数据，其中，所述待抽问答数据的格式与所述预设问答格式匹配，所述待抽问答数据包括所述待抽取事件内容的事件描述句、所述待抽取事件内容的事件类型以及所述事件类型对应的论元角色；
将所述待抽问答数据输入所述已训练的论元抽取模型，通过所述已训练的事件论元抽取模型进行论元抽取，获得所述目标论元。
7.一种事件论元抽取装置，其特征在于，所述装置包括：
第一获取模块，用于获取待抽取事件内容；
抽取模块，用于基于已训练的事件论元抽取模型对所述待抽取事件内容进行论元抽取，得到所述待抽取事件内容的目标论元；
其中，所述已训练的事件论元抽取模型通过事件新闻标注数据以及所述事件新闻标注数据中标注的每个论元的权重对预训练模型训练得到。
8.根据权利要求7所述的装置，其特征在于，通过以下至少方式得到所述已训练的事件论元抽取模型：
根据所述事件新闻标注数据以及损失函数对所述预训练模型进行训练，得到所述已训练的事件论元抽取模型，其中，所述损失函数与所述预训练模型对所述事件新闻标注数据中标注的每个论元的预测概率值以及所述每个论元的权重相关。
9.根据权利要求8所述的装置，其特征在于，所述损失函数为所述预训练模型对所述事件新闻标注数据中标注的每个论元的预测概率值的负对数似然的加权和。
10.根据权利要求7所述的装置，其特征在于，所述抽取模块，包括：
概率预测模块，用于基于已训练的事件论元抽取模型对所述待抽取事件内容进行论元抽取，得到所述待抽取事件内容中至少一个论元的预测概率值；
论元确定模块，用于将所述至少一个论元中预测概率值最大的论元以及预测概率值大于概率阈值的论元作为所述目标论元；
其中，所述概率阈值为所述至少一个论元的预测概率值中最大的预测概率值乘以预设系数的值，预设系数为小于或等于1的正数。
11.根据权利要求8所述的装置，其特征在于，所述根据所述事件新闻标注数据以及损失函数对所述预训练模型进行训练，得到所述已训练的事件论元抽取模型，包括：
根据预设问答格式，对所述事件新闻标注数据进行格式转换，得到新闻问答数据；
根据所述新闻问答数据以及所述损失函数对所述预训练模型进行训练，得到所述已训练的事件论元抽取模型。
12.根据权利要求7所述的装置，其特征在于，所述抽取模块，包括：
第一预测模块，用于通过已训练的事件类型分类模型预测所述待抽取事件内容的事件类型；
第二预测模块，用于通过已训练的事件句判别模型预测所述待抽取事件内容的事件描述句；
构建模块，用于基于所述事件类型、所述事件描述句、所述事件类型对应的论元角色以及预设问答格式，构建所述待抽取事件内容对应的待抽问答数据，其中，所述待抽问答数据的格式与所述预设问答格式匹配，所述待抽问答数据包括所述待抽取事件内容的事件描述句、所述待抽取事件内容的事件类型以及所述事件类型对应的论元角色；
论元抽取模块，用于将所述待抽问答数据输入所述已训练的论元抽取模型，通过所述已训练的事件论元抽取模型进行论元抽取，获得所述目标论元。
13.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-6任一项提供的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行如权利要求1-6任一项提供的方法。
CN202010202897.1A 2020-03-20 2020-03-20 一种事件论元抽取方法、装置以及电子设备 Active CN111414482B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010202897.1A CN111414482B (zh) 2020-03-20 2020-03-20 一种事件论元抽取方法、装置以及电子设备
US17/036,833 US11880397B2 (en) 2020-03-20 2020-09-29 Event argument extraction method, event argument extraction apparatus and electronic device
EP20202326.3A EP3882783A1 (en) 2020-03-20 2020-10-16 Event argument extraction method, event argument extraction apparatus and electronic device
KR1020210034632A KR102677454B1 (ko) 2020-03-20 2021-03-17 이벤트 아규먼트 추출 방법, 장치, 및 전자 기기
JP2021044663A JP7292321B2 (ja) 2020-03-20 2021-03-18 イベント引数抽出方法、イベント引数抽出装置、電子デバイス、記憶媒体及びコンピュータプログラム製品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010202897.1A CN111414482B (zh) 2020-03-20 2020-03-20 一种事件论元抽取方法、装置以及电子设备

Publications (2)

Publication Number Publication Date
CN111414482A true CN111414482A (zh) 2020-07-14
CN111414482B CN111414482B (zh) 2024-02-20

Family

ID=71491368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010202897.1A Active CN111414482B (zh) 2020-03-20 2020-03-20 一种事件论元抽取方法、装置以及电子设备

Country Status (5)

Country Link
US (1) US11880397B2 (zh)
EP (1) EP3882783A1 (zh)
JP (1) JP7292321B2 (zh)
KR (1) KR102677454B1 (zh)
CN (1) CN111414482B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001265A (zh) * 2020-07-29 2020-11-27 北京百度网讯科技有限公司 视频事件识别方法、装置、电子设备及存储介质
CN112231447A (zh) * 2020-11-21 2021-01-15 杭州投知信息技术有限公司 一种中文文档事件抽取的方法和系统
CN112507700A (zh) * 2020-11-26 2021-03-16 北京百度网讯科技有限公司 事件抽取方法、装置、电子设备及存储介质
CN112560462A (zh) * 2020-12-11 2021-03-26 北京百度网讯科技有限公司 事件抽取服务的生成方法、装置、服务器以及介质
CN112765980A (zh) * 2021-02-01 2021-05-07 广州市刑事科学技术研究所 一种面向警情笔录的事件论元角色抽取方法和装置
CN112967144A (zh) * 2021-03-09 2021-06-15 华泰证券股份有限公司 一种金融信用风险事件抽取方法、可读存储介质及设备
CN113032520A (zh) * 2021-02-26 2021-06-25 北京金堤征信服务有限公司 信息分析方法及装置、电子设备和计算机可读存储介质
CN113220768A (zh) * 2021-06-04 2021-08-06 杭州投知信息技术有限公司 基于深度学习的简历信息结构化方法及系统
CN113704476A (zh) * 2021-09-02 2021-11-26 中科雨辰科技有限公司 目标事件抽取数据处理系统
CN115982339A (zh) * 2023-03-15 2023-04-18 上海蜜度信息技术有限公司 突发事件抽取方法、系统、介质、电子设备

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114741516A (zh) * 2021-12-08 2022-07-12 商汤国际私人有限公司 一种事件抽取方法和装置、电子设备及存储介质
CN114490953B (zh) * 2022-04-18 2022-08-19 北京北大软件工程股份有限公司 训练事件抽取模型的方法、事件抽取的方法、装置及介质
CN117093728B (zh) * 2023-10-19 2024-02-02 杭州同花顺数据开发有限公司 一种金融领域事理图谱构建方法、装置、设备及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598535A (zh) * 2014-12-29 2015-05-06 中国科学院计算机网络信息中心 一种基于最大熵的事件抽取方法
US20150170030A1 (en) * 2013-03-14 2015-06-18 Google Inc. Determining geo-locations of users from user activities
CN105956197A (zh) * 2016-06-15 2016-09-21 杭州量知数据科技有限公司 基于社交媒体图表示模型的社会风险事件抽取方法
CN106445990A (zh) * 2016-06-25 2017-02-22 上海大学 事件本体构建方法
CN109635280A (zh) * 2018-11-22 2019-04-16 园宝科技(武汉)有限公司 一种基于标注的事件抽取方法
CN109978060A (zh) * 2019-03-28 2019-07-05 科大讯飞华南人工智能研究院（广州）有限公司 一种自然语言要素抽取模型的训练方法及装置
CN110032641A (zh) * 2019-02-14 2019-07-19 阿里巴巴集团控股有限公司 计算机执行的、利用神经网络进行事件抽取的方法及装置
CN110134757A (zh) * 2019-04-19 2019-08-16 杭州电子科技大学 一种基于多头注意力机制的事件论元角色抽取方法
CN110597976A (zh) * 2019-09-16 2019-12-20 北京金山数字娱乐科技有限公司 一种关键句提取方法及装置
CN110619053A (zh) * 2019-09-18 2019-12-27 北京百度网讯科技有限公司 实体关系抽取模型的训练方法和抽取实体关系的方法
WO2020001373A1 (zh) * 2018-06-26 2020-01-02 杭州海康威视数字技术股份有限公司 一种本体构建方法及装置
WO2020024319A1 (zh) * 2018-08-01 2020-02-06 苏州大学张家港工业技术研究院 用于交通流量预测的卷积神经网络多点回归预测模型

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110295612A1 (en) * 2010-05-28 2011-12-01 Thierry Donneau-Golencer Method and apparatus for user modelization
JP6059598B2 (ja) 2013-05-21 2017-01-11 日本電信電話株式会社 情報抽出方法、情報抽出装置及び情報抽出プログラム
CN103530281B (zh) 2013-10-15 2016-06-22 苏州大学 一种论元抽取方法和系统
JP6411800B2 (ja) 2014-07-17 2018-10-24 株式会社Ｎｔｔドコモ 情報管理装置、情報管理システム、及び情報管理プログラム
CN104834718A (zh) 2015-05-11 2015-08-12 苏州大学 基于最大熵模型的事件论元识别方法及系统
US9866646B2 (en) * 2015-08-07 2018-01-09 Bento Labs Inc. Systems and methods for anticipatory push search for a homescreen browser
CN107220352B (zh) * 2017-05-31 2020-12-08 北京百度网讯科技有限公司 基于人工智能构建评论图谱的方法和装置
EP3692470A4 (en) * 2017-10-02 2021-08-11 Sensen Networks Group Pty Ltd SYSTEM AND METHOD OF OBJECT DETECTION GUIDED BY AUTOMATIC LEARNING
US10789755B2 (en) * 2018-04-03 2020-09-29 Sri International Artificial intelligence in interactive storytelling
US11983183B2 (en) * 2018-08-07 2024-05-14 Disney Enterprises, Inc. Techniques for training machine learning models using actor data

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150170030A1 (en) * 2013-03-14 2015-06-18 Google Inc. Determining geo-locations of users from user activities
CN104598535A (zh) * 2014-12-29 2015-05-06 中国科学院计算机网络信息中心 一种基于最大熵的事件抽取方法
CN105956197A (zh) * 2016-06-15 2016-09-21 杭州量知数据科技有限公司 基于社交媒体图表示模型的社会风险事件抽取方法
CN106445990A (zh) * 2016-06-25 2017-02-22 上海大学 事件本体构建方法
WO2020001373A1 (zh) * 2018-06-26 2020-01-02 杭州海康威视数字技术股份有限公司 一种本体构建方法及装置
WO2020024319A1 (zh) * 2018-08-01 2020-02-06 苏州大学张家港工业技术研究院 用于交通流量预测的卷积神经网络多点回归预测模型
CN109635280A (zh) * 2018-11-22 2019-04-16 园宝科技(武汉)有限公司 一种基于标注的事件抽取方法
CN110032641A (zh) * 2019-02-14 2019-07-19 阿里巴巴集团控股有限公司 计算机执行的、利用神经网络进行事件抽取的方法及装置
CN109978060A (zh) * 2019-03-28 2019-07-05 科大讯飞华南人工智能研究院（广州）有限公司 一种自然语言要素抽取模型的训练方法及装置
CN110134757A (zh) * 2019-04-19 2019-08-16 杭州电子科技大学 一种基于多头注意力机制的事件论元角色抽取方法
CN110597976A (zh) * 2019-09-16 2019-12-20 北京金山数字娱乐科技有限公司 一种关键句提取方法及装置
CN110619053A (zh) * 2019-09-18 2019-12-27 北京百度网讯科技有限公司 实体关系抽取模型的训练方法和抽取实体关系的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张秀华;云红艳;贺英;胡欢;: "基于卷积神经网络和K-means的中文新闻事件检测与主题提取", 科学技术与工程, no. 03 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001265A (zh) * 2020-07-29 2020-11-27 北京百度网讯科技有限公司 视频事件识别方法、装置、电子设备及存储介质
CN112001265B (zh) * 2020-07-29 2024-01-23 北京百度网讯科技有限公司 视频事件识别方法、装置、电子设备及存储介质
CN112231447A (zh) * 2020-11-21 2021-01-15 杭州投知信息技术有限公司 一种中文文档事件抽取的方法和系统
JP7228662B2 (ja) 2020-11-26 2023-02-24 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド イベント抽出方法、装置、電子機器及び記憶媒体
KR20210124938A (ko) * 2020-11-26 2021-10-15 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 이벤트 추출 방법, 장치, 전자 기기 및 저장 매체
KR102694765B1 (ko) 2020-11-26 2024-08-13 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 이벤트 추출 방법, 장치, 전자 기기 및 저장 매체
JP2022031804A (ja) * 2020-11-26 2022-02-22 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド イベント抽出方法、装置、電子機器及び記憶媒体
CN112507700A (zh) * 2020-11-26 2021-03-16 北京百度网讯科技有限公司 事件抽取方法、装置、电子设备及存储介质
CN112560462B (zh) * 2020-12-11 2023-08-01 北京百度网讯科技有限公司 事件抽取服务的生成方法、装置、服务器以及介质
CN112560462A (zh) * 2020-12-11 2021-03-26 北京百度网讯科技有限公司 事件抽取服务的生成方法、装置、服务器以及介质
CN112765980A (zh) * 2021-02-01 2021-05-07 广州市刑事科学技术研究所 一种面向警情笔录的事件论元角色抽取方法和装置
CN112765980B (zh) * 2021-02-01 2023-05-12 广州市刑事科学技术研究所 一种面向警情笔录的事件论元角色抽取方法和装置
CN113032520A (zh) * 2021-02-26 2021-06-25 北京金堤征信服务有限公司 信息分析方法及装置、电子设备和计算机可读存储介质
CN112967144A (zh) * 2021-03-09 2021-06-15 华泰证券股份有限公司 一种金融信用风险事件抽取方法、可读存储介质及设备
CN112967144B (zh) * 2021-03-09 2024-01-23 华泰证券股份有限公司 一种金融信用风险事件抽取方法、可读存储介质及设备
CN113220768A (zh) * 2021-06-04 2021-08-06 杭州投知信息技术有限公司 基于深度学习的简历信息结构化方法及系统
CN113704476B (zh) * 2021-09-02 2022-03-04 中科雨辰科技有限公司 目标事件抽取数据处理系统
CN113704476A (zh) * 2021-09-02 2021-11-26 中科雨辰科技有限公司 目标事件抽取数据处理系统
CN115982339A (zh) * 2023-03-15 2023-04-18 上海蜜度信息技术有限公司 突发事件抽取方法、系统、介质、电子设备

Also Published As

Publication number Publication date
EP3882783A1 (en) 2021-09-22
CN111414482B (zh) 2024-02-20
KR20210037634A (ko) 2021-04-06
JP2021099884A (ja) 2021-07-01
US11880397B2 (en) 2024-01-23
KR102677454B1 (ko) 2024-06-21
JP7292321B2 (ja) 2023-06-16
US20210295098A1 (en) 2021-09-23

Similar Documents

Publication Publication Date Title
CN111414482A (zh) 一种事件论元抽取方法、装置以及电子设备
CN111325020B (zh) 一种事件论元抽取方法、装置以及电子设备
JP7127106B2 (ja) 質問応答処理、言語モデルの訓練方法、装置、機器および記憶媒体
CN111221984A (zh) 多模态内容处理方法、装置、设备及存储介质
CN111428008A (zh) 用于训练模型的方法、装置、设备以及存储介质
CN111831814B (zh) 摘要生成模型的预训练方法、装置、电子设备和存储介质
JP2021111420A (ja) テキストエンティティの語義記述処理方法、装置及び機器
CN111507104A (zh) 建立标签标注模型的方法、装置、电子设备和可读存储介质
CN111488740A (zh) 一种因果关系的判别方法、装置、电子设备及存储介质
CN111401033A (zh) 事件抽取方法、事件抽取装置和电子设备
WO2020182123A1 (zh) 用于推送语句的方法和装置
US20220027575A1 (en) Method of predicting emotional style of dialogue, electronic device, and storage medium
CN111127191A (zh) 风险评估方法及装置
CN112507101A (zh) 一种建立预训练语言模型的方法和装置
CN111078878A (zh) 文本处理方法、装置、设备及计算机可读存储介质
CN111522944A (zh) 用于输出信息的方法、装置、设备以及存储介质
CN112507090A (zh) 用于输出信息的方法、装置、设备和存储介质
CN112182292A (zh) 视频检索模型的训练方法、装置、电子设备及存储介质
CN112149741A (zh) 图像识别模型的训练方法、装置、电子设备及存储介质
CN112380847A (zh) 兴趣点处理方法、装置、电子设备及存储介质
CN111640103A (zh) 图像检测方法、装置、设备以及存储介质
CN111563198A (zh) 一种物料召回方法、装置、设备及存储介质
CN111666771A (zh) 文书的语义标签抽取、装置、电子设备及可读存储介质
CN114970540A (zh) 训练文本审核模型的方法和装置
CN111460791A (zh) 文本分类方法、装置、设备以及存储介质

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