CN111460288A - 用于检测新闻事件的方法和装置 - Google Patents

Abstract

本公开的实施例公开了用于检测新闻事件的方法和装置，涉及知识图谱技术领域。该方法的一具体实施方式包括：通过多任务学习框架中的资讯事件判别模型过滤至少一条新闻，得到包含潜在事件的候选新闻；对候选新闻的标题进行事件名抽取，得到当前事件名；从事件库中召回至少一个候选事件名；通过多任务学习框架对当前事件名和至少一个候选事件名进行事件归一判别，得到当前事件名与每个候选事件名是同一事件的概率；对于每个候选事件名，若当前事件名与该候选事件名是同一事件的概率大于预定阈值，则将当前事件名合并到事件库中该候选事件对应的事件簇中，否则，新建一个事件。该实施方式能够提高新闻检测速度和准确率，提升计算资源的利用率。

Description

用于检测新闻事件的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于检测新闻事件的方法和装置。

背景技术

随着互联网的快速普及，网络信息呈爆炸式增长，每个人需要花费大量的精力去对信息进行筛选。当用户想要了解近期发生的事情，或者关注某个人、某个组织时，需要从大量未经过筛选整理的新闻资讯中，挑选出重要的信息。如果能够自动的从资讯中将非事件(比如广告、健康知识等)去掉，仅将包含事件的资讯呈现给用户，就能够大大减少用户信息筛选的成本，能够以最快的速度了解外界发生的变化。

现有的检测新闻事件的方法主要分为两种，一是通过聚类方法、突发检测、事件短句结合的方法。但这些方法主要是依靠聚类方法，从针对某些资源按照某种相似度计算的方法进行聚类，聚类的基本单元是新闻标题或者标题短句这样能反应事件信息的某种资源。聚类方法属于无监督方法的一种，无监督的方法利用语料中存在的大量冗余信息做聚类计算，然而新闻或微博常常语料较长、词语较多，存在同时描述多个事件的问题。因此基于这种方法进行事件检测，容易造成簇不纯，也容易造成超大簇，同时影响事件检测的准确率和召回率，因此这类方法难以获得理想的检测效果。二是通过有监督优化模型核心能力，通过人工标注语料，训练多个二分类模型，这种方法目前取得了较好的效果，但该方法存在问题是1)需要构建多个任务，每个任务需要使用的计算资源是独立的，资源利用率低；2)每个任务单独训练，存在过拟合问题，导致最终的效果低于其中任一模型。

发明内容

本公开的实施例提出了用于检测新闻事件的方法和装置。

第一方面，本公开的实施例提供了一种用于检测新闻事件的方法，包括：响应于接收到待识别的至少一条新闻，通过多任务学习框架中的资讯事件判别模型过滤至少一条新闻，得到包含潜在事件的候选新闻；通过多任务学习框架中的事件名抽取模型对候选新闻的标题进行事件名抽取，得到当前事件名；通过当前事件名从事件库中召回至少一个候选事件名；通过多任务学习框架中的事件归一判别模型对当前事件名和至少一个候选事件名进行事件归一判别，得到当前事件名与每个候选事件名是同一事件的概率；对于每个候选事件名，若当前事件名与该候选事件名是同一事件的概率大于预定阈值，则将当前事件名合并到事件库中该候选事件对应的事件簇中，否则，在事件库中新建一个事件。

在一些实施例中，多任务学习框架包括：输入层、参数共享层、任务参数层和任务输出层。

在一些实施例中，多任务学习框架通过以下步骤训练：获取第一训练样本集，其中，第一训练样本包括新闻和用于表征新闻是否包含事件的第一标注信息；将第一训练样本集中的第一训练样本中的新闻和第一标注信息分别作为多任务学习框架的输入和期望输出，利用机器学习方法训练多任务学习框架的参数共享层的深度学习神经网络和任务参数层的资讯事件判别模型；获取第二训练样本集，其中，第二训练样本包括包含事件的新闻的标题、事件名和用于表征事件名是否是从标题中提取的第二标注信息；将第二训练样本集中的第二训练样本中的标题、事件名作为多任务学习框架的输入，将第二标注信息作为多任务学习框架的期望输出，利用机器学习方法训练多任务学习框架的参数共享层的深度学习神经网络和任务参数层的事件名判别模型；获取第三训练样本集，其中，第三训练样本包括一对事件名和用于表征该对事件名是否是同一事件的第三标注信息；将第三训练样本集中的第三训练样本中的一对事件名和第三标注信息分别作为多任务学习框架的输入和期望输出，利用机器学习方法训练多任务学习框架的参数共享层的深度学习神经网络和任务参数层的事件归一判别模型。

在一些实施例中，事件名抽取模型包括事件名匹配模型和事件名判别模型，事件名匹配模型用于提取事件名，事件名判别模型用于判别提取的事件名是否是合适的表示事件的事件名。

在一些实施例中，参数共享层是深度学习网络，多个任务共享深度学习网络的参数，输出当前输入的模型表示向量。

在一些实施例中，任务参数层包括：资讯事件判别模型、事件名判别模型和事件归一判别模型，任务参数层接收共享参数层输出的当前输入的模型表示向量，与任务参数层的参数做运算得到任务相关的表示向量，不同任务拥有不同的参数。

在一些实施例中，任务输出层将不同任务的表示向量计算，输出不同任务判别出的类别的概率。

第二方面，本公开的实施例提供了一种用于检测新闻事件的装置，包括：过滤单元，被配置成响应于接收到待识别的至少一条新闻，通过多任务学习框架中的资讯事件判别模型过滤至少一条新闻，得到包含潜在事件的候选新闻；抽取单元，被配置成通过多任务学习框架中的事件名抽取模型对候选新闻的标题进行事件名抽取，得到当前事件名；召回单元，被配置成通过当前事件名从事件库中召回至少一个候选事件名；归一单元，被配置成通过多任务学习框架中的事件归一判别模型对当前事件名和至少一个候选事件名进行事件归一判别，得到当前事件名与每个候选事件名是同一事件的概率；入库单元，被配置成对于每个候选事件名，若当前事件名与该候选事件名是同一事件的概率大于预定阈值，则将当前事件名合并到事件库中该候选事件对应的事件簇中，否则，在事件库中新建一个事件。

在一些实施例中，多任务学习框架包括：输入层、参数共享层、任务参数层和任务输出层。

在一些实施例中，该装置还包括训练单元，被配置成：获取第一训练样本集，其中，第一训练样本包括新闻和用于表征新闻是否包含事件的第一标注信息；将第一训练样本集中的第一训练样本中的新闻和第一标注信息分别作为多任务学习框架的输入和期望输出，利用机器学习装置训练多任务学习框架的参数共享层的深度学习神经网络和任务参数层的资讯事件判别模型；获取第二训练样本集，其中，第二训练样本包括包含事件的新闻的标题、事件名和用于表征事件名是否是从标题中提取的第二标注信息；将第二训练样本集中的第二训练样本中的标题、事件名作为多任务学习框架的输入，将第二标注信息作为多任务学习框架的期望输出，利用机器学习装置训练多任务学习框架的参数共享层的深度学习神经网络和任务参数层的事件名判别模型；获取第三训练样本集，其中，第三训练样本包括一对事件名和用于表征该对事件名是否是同一事件的第三标注信息；将第三训练样本集中的第三训练样本中的一对事件名和第三标注信息分别作为多任务学习框架的输入和期望输出，利用机器学习装置训练多任务学习框架的参数共享层的深度学习神经网络和任务参数层的事件归一判别模型。

在一些实施例中，事件名抽取模型包括事件名匹配模型和事件名判别模型，事件名匹配模型用于提取事件名，事件名判别模型用于判别提取的事件名是否是合适的表示事件的事件名。

在一些实施例中，参数共享层是深度学习网络，多个任务共享深度学习网络的参数，输出当前输入的模型表示向量。

在一些实施例中，任务参数层包括：资讯事件判别模型、事件名判别模型和事件归一判别模型，任务参数层接收共享参数层输出的当前输入的模型表示向量，与任务参数层的参数做运算得到任务相关的表示向量，不同任务拥有不同的参数。

在一些实施例中，任务输出层将不同任务的表示向量计算，输出不同任务判别出的类别的概率。

第三方面，本公开的实施例提供了一种用于检测新闻事件的电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。

本公开的实施例提供的用于检测新闻的方法和装置，在有监督学习事件检测基础上进行了优化，目前在事件检测中包含多个核心的模型(资讯事件判别、事件名判别、事件归一判别)，这些模型都是使用不同的训练数据进行训练的，训练数据之间存在较大的差异，之前的方法是单独训练每个模型，每个模型都可以去的不错的效果，但总体的检测效果远低于其中任一模型的效果，因此，单独训练模型存在过拟合现象。为了降低单个模型过拟合问题，提升整体检测效果，本发明将事件检测多个任务加入到同一个模型中训练，共享部分模型参数。同时，多个任务共享模型，提升计算计算资源的利用率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于检测新闻事件的方法的一个实施例的流程图；

图3是根据本公开的用于检测新闻事件的方法的多任务学习框架的结构图；

图4是根据本公开的用于检测新闻事件的方法的一个应用场景的示意图；

图5是根据本公开的用于检测新闻事件的方法的又一个实施例的流程图；

图6是根据本公开的用于检测新闻事件的装置的一个实施例的结构示意图；

图7是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的用于检测新闻事件的方法或用于检测新闻事件的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如新闻类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持新闻浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的新闻提供过滤服务的新闻事件检测服务器。新闻事件检测服务器可以对接收到的新闻搜索结果等数据进行分析等处理，并将处理结果(例如过滤掉非新闻事件的搜索结果)反馈给终端设备。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开的实施例所提供的用于检测新闻事件的方法一般由服务器105执行，相应地，用于检测新闻事件的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本公开的用于检测新闻事件的方法的一个实施例的流程200。该用于检测新闻事件的方法，包括以下步骤：

步骤201，响应于接收到待识别的至少一条新闻，通过多任务学习框架中的资讯事件判别模型过滤至少一条新闻，得到包含潜在事件的候选新闻。

在本实施例中，用于检测新闻事件的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从搜索引擎服务器接收待识别的至少一条新闻，这些待识别的新闻是用户的新闻搜索请求返回的搜索结果。服务器采用多任务学习框架进行新闻事件检测。服务器需要将搜索结果中不是新闻事件的搜索结果过滤掉再返回给用户。保留下来的新闻称为候选新闻，候选新闻中包含事件，但不知道具体什么事件。

多任务学习框架如图3所示。图3中涉及的名词解释如下：

Event(事件):事件也是一个cluster(簇)，事件发现即为通过聚类得到一个描述某个事件的资源簇，本文中“事件”和“事件簇”、“簇”等同。

资讯事件判别模型：给定一篇新闻，判断是否包含事件。

事件名匹配模型：通过规则从标题中抽取全部的事件名(事件名匹配模型)，然后构建事件名特征，判断事件名是否合适，例如语义完整。输出的是事件名是否合适的概率，当超过一定阈值时才认为事件名抽取成功。

事件名判别模型：给定标题和从标题中抽取出的一个事件名(通过事件名匹配模型抽取)，构建特征，判别该事件名是否是合适表示事件的事件名。即，该事件名与标题的匹配度。一个标题可以抽出至少一个事件名，例如，标题“王宝强和马蓉已经离婚”，可抽出事件名“王宝强离婚”、“马蓉离婚”、“王宝强和马蓉离婚”。从中可确定出匹配度最高的是“王宝强和马蓉离婚”。

事件名抽取模型由事件名匹配模型和事件名判别模型组成，其中，只有事件名判别模型参与了多任务学习。而事件名匹配模型是基于规则的匹配实现的，包含在多任务学习框架中，只是不参与训练过程。基于规则的匹配方式可提高事件名提取的准确率。

事件归一判别模型：给定两个事件名，从这两个事件名出发，构建特征，判断这两个事件是否描述同一个事件。如果描述同一事件，则将其合并到一起。共用一个核心事件名。

下面说明具体处理过程：

1、输入层：服务器将待识别的至少一条新闻输入多任务学习框架的输入层。事件检测的多个任务的输入格式不同，存在单个句子和多个句子，因为输入层需要适配了所有情况。可在识别时给输入层任务标签来指示执行哪个任务，例如，只输入新闻时，任务标签为资讯事件判别。如果要进行事件名判别，则需要输入事件名和标题，任务标签为事件名识别。如果要进行事件归一，则需要输入2个事件名，任务标签为事件归一。

2、参数共享层：任一现有的分类算法模型，包括深度学习神经网络，多个任务(资讯事件判别、事件名判别、事件归一)共享这部分参数，任一任务更新模型都会更新这部分参数。执行上述任一种任务时，使用深度学习神经网络时之前训练好的参数，从输入层的句子或句子对提取出表示向量，输入到任务参数层。

3、任务参数层：将参数共享层输入的当前输入的模型表示向量，与任务参数层的参数做运算得到任务相关的表示向量，不同任务拥有不同的参数，根据输入任务数据不同，在前向网络计算和参数更新时，不同任务之间互不影响。执行上述任一种任务时，使用各模型之前训练好的参数与参数共享层的输出做运算。资讯事件判别任务使用预先训练好的资讯事件判别模型的参数。事件名判别任务使用预先训练好的事件名判别模型的参数。事件归一任务使用预先训练好的事件归一模型的参数。

4、各任务输出层：将任务的表示向量计算输出各类别上的概率。例如，资讯事件判别任务输出待识别的新闻是资讯事件的概率。事件名判别任务输出事件符合标题的概率。事件归一任务输出2个事件描述同一个事情的概率。当待识别的新闻是资讯事件的概率大于预定第一阈值时，判定待识别的新闻是资讯事件。

步骤202，通过多任务学习框架中的事件名抽取模型对候选新闻的标题进行事件名抽取，得到当前事件名。

在本实施例中，通过规则方法匹配到事件名后，判别该事件名是否合适，如果合适则再通过事件名判别模型确定提取出的事件名是否与标题匹配。然后执行事件名判别任务，需要经过如下四层处理：

1、输入层：输入事件名和标题。

2、参数共享层：使用预先训练好的深度学习神经网络的参数分别提取事件名和标题的表示向量。

3、任务参数层：使用预先训练好的事件名判别模型的参数与事件名和标题的表示向量做运算。

4、输出层：输出事件名和标题的匹配概率。当事件名和标题的匹配概率大于预定第二阈值时，判定事件名可用。

步骤203，通过当前事件名从事件库中召回至少一个候选事件名。

在本实施例中，可通过elastic search等工具从事件库中召回至少一个候选事件名。事件库中按簇存储事件，每个事件簇仅有一个核心的事件名。每个事件名当作一个事件。

步骤204，通过多任务学习框架中的事件归一判别模型对当前事件名和至少一个候选事件名进行事件归一判别，得到当前事件名与每个候选事件名是同一事件的概率。

在本实施例中，对每个候选事件名执行事件名判别任务，需要经过如下四层处理：

1、输入层：输入当前事件名和候选事件名。

2、参数共享层：使用预先训练好的深度学习神经网络的参数分别提取当前事件名和候选事件名的表示向量。

3、任务参数层：使用预先训练好的事件归一模型的参数与当前事件名和候选事件名的表示向量做运算。

4、输出层：输出当前事件名与每个候选事件名是同一事件的概率。

步骤205，对于每个候选事件名，若当前事件名与该候选事件名是同一事件的概率大于预定阈值，则将当前事件名合并到事件库中该候选事件对应的事件簇中，否则，在事件库中新建一个事件。

在本实施例中，对于每个候选事件，当当前事件名与该个候选事件名是同一事件的概率大于预定第三阈值时，判定当前事件名与该个候选事件名需要合并。否则，当前事件为新事件，需要在事件库中新创建。

继续参见图4，图4是根据本实施例的用于检测新闻事件的方法的应用场景的一个示意图。在图4的应用场景中，执行如下过程：

1、对于来自新闻库的待识别的新闻，经过资讯事件判别模型的过滤，得到仅包含潜在事件的新闻，这里的假设是得到的新闻必然是包含事件的，只是不知道是什么事件。

2、对包含潜在事件的新闻的标题进行事件名抽取，得到事件名，对于一个事件名都未抽取的标题将不进行下面的步骤，对于抽取出的多个事件名，将每个事件名按顺序处理(每个事件名当作一个事件)；

3、使用事件名从事件库中召回候选事件(每个事件簇仅有一个核心的事件名)，对当前事件名和候选事件(名)进行事件归一判别，得到当前事件名与每个候选事件的概率。

4、事件名归一判别概率大于阈值的，将两个事件名视为同一个事件，合并到事件库对应事件中，否则，则新建一个事件。

本公开在海量数据处理、推荐系统中广泛的应用价值；通过本公开的方法对新闻进行事件检测，可以过滤掉新闻中的大量的噪声信息，仅将包含事件的资讯呈现给用户，就能够大大减少用户信息筛选的成本，能够以最快的速度了解外界发生的变化。

进一步参考图5，其示出了用于检测新闻事件的方法的又一个实施例的流程500。该用于检测新闻事件的方法的流程500，包括以下步骤：

步骤501，获取第一训练样本集。

在本实施例中，第一训练样本包括新闻和用于表征新闻是否包含事件的第一标注信息。可将包含事件的新闻作为正样本，不包含事件的新闻作为负样本。

步骤502，将第一训练样本集中的第一训练样本中的新闻和第一标注信息分别作为多任务学习框架的输入和期望输出，利用机器学习方法训练多任务学习框架的参数共享层的深度学习神经网络和任务参数层的资讯事件判别模型。

在本实施例中，对于每个第一训练样本，将该第一训练样本中的新闻输入多任务学习框架中的输入层，然后再经过参数共享层提取出第一训练样本的表示向量。再将表示向量输入资讯事件判别模型，输出第一训练样本包含事件的概率。将该概率与第一标注信息进行比较后，调整深度学习神经网络的参数和资讯事件判别模型的参数。具体训练过程是现有技术，因此不再赘述。

步骤503，获取第二训练样本集。

在本实施例中，其中，第二训练样本包括包含事件的新闻的标题、事件名和用于表征事件名是否是从标题中提取的第二标注信息。可将从标题提取出的事件名的第二训练样本作为正样本，不存在提取关系的标题和事件名作为负样本。

步骤504，将第二训练样本集中的第二训练样本中的标题、事件名作为多任务学习框架的输入，将第二标注信息作为多任务学习框架的期望输出，利用机器学习方法训练多任务学习框架的参数共享层的深度学习神经网络和任务参数层的事件名判别模型。

在本实施例中，对于每个第二训练样本，将该第二训练样本中的标题和事件名输入多任务学习框架中的输入层，然后再经过参数共享层提取出第二训练样本的表示向量。再将表示向量输入事件名判别模型，输出第二训练样本的事件名从标题中提取的概率。将该概率与第二标注信息进行比较后，调整深度学习神经网络的参数和事件名判别模型的参数。具体训练过程是现有技术，因此不再赘述。

步骤505，获取第三训练样本集。

在本实施例中，其中，第三训练样本包括一对事件名和用于表征该对事件名是否是同一事件的第三标注信息。

步骤506，将第三训练样本集中的第三训练样本中的一对事件名和第三标注信息分别作为多任务学习框架的输入和期望输出，利用机器学习方法训练多任务学习框架的参数共享层的深度学习神经网络和任务参数层的事件归一判别模型。

在本实施例中，对于每个第三训练样本，将该第三训练样本中的2个事件名输入多任务学习框架中的输入层，然后再经过参数共享层提取出第三训练样本的表示向量。再将表示向量输入事件归一判别模型，输出第三训练样本的是同一事件的概率。将该概率与第三标注信息进行比较后，调整深度学习神经网络的参数和事件归一判别模型的参数。具体训练过程是现有技术，因此不再赘述。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种用于检测新闻事件的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于检测新闻事件的装置600包括：过滤单元601、抽取单元602、召回单元603、归一单元604和入库单元605。其中，过滤单元601，被配置成响应于接收到待识别的至少一条新闻，通过多任务学习框架中的资讯事件判别模型过滤至少一条新闻，得到包含潜在事件的候选新闻；抽取单元602，被配置成通过多任务学习框架中的事件名抽取模型对候选新闻的标题进行事件名抽取，得到当前事件名；召回单元603，被配置成通过当前事件名从事件库中召回至少一个候选事件名；归一单元604，被配置成通过多任务学习框架中的事件归一判别模型对当前事件名和至少一个候选事件名进行事件归一判别，得到当前事件名与每个候选事件名是同一事件的概率；入库单元605，被配置成对于每个候选事件名，若当前事件名与该候选事件名是同一事件的概率大于预定阈值，则将当前事件名合并到事件库中该候选事件对应的事件簇中，否则，在事件库中新建一个事件。

在本实施例中，用于检测新闻事件的装置600的过滤单元601、抽取单元602、召回单元603、归一单元604和入库单元605的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205。

在本实施例的一些可选的实现方式中，多任务学习框架包括：输入层、参数共享层、任务参数层和任务输出层。

在本实施例的一些可选的实现方式中，装置600还包括训练单元(附图中未示出)，被配置成：获取第一训练样本集，其中，第一训练样本包括新闻和用于表征新闻是否包含事件的第一标注信息；将第一训练样本集中的第一训练样本中的新闻和第一标注信息分别作为多任务学习框架的输入和期望输出，利用机器学习装置训练多任务学习框架的参数共享层的深度学习神经网络和任务参数层的资讯事件判别模型；获取第二训练样本集，其中，第二训练样本包括包含事件的新闻的标题、事件名和用于表征事件名是否是从标题中提取的第二标注信息；将第二训练样本集中的第二训练样本中的标题、事件名作为多任务学习框架的输入，将第二标注信息作为多任务学习框架的期望输出，利用机器学习装置训练多任务学习框架的参数共享层的深度学习神经网络和任务参数层的事件名判别模型；获取第三训练样本集，其中，第三训练样本包括一对事件名和用于表征该对事件名是否是同一事件的第三标注信息；将第三训练样本集中的第三训练样本中的一对事件名和第三标注信息分别作为多任务学习框架的输入和期望输出，利用机器学习装置训练多任务学习框架的参数共享层的深度学习神经网络和任务参数层的事件归一判别模型。

在本实施例的一些可选的实现方式中，事件名抽取模型包括事件名匹配模型和事件名判别模型，事件名匹配模型用于提取事件名，事件名判别模型用于判别提取的事件名是否是合适的表示事件的事件名。

在本实施例的一些可选的实现方式中，参数共享层是深度学习网络，多个任务共享深度学习网络的参数，输出当前输入的模型表示向量。

在本实施例的一些可选的实现方式中，任务参数层包括：资讯事件判别模型、事件名判别模型和事件归一判别模型，任务参数层接收共享参数层输出的当前输入的模型表示向量，与任务参数层的参数做运算得到任务相关的表示向量，不同任务拥有不同的参数。

在本实施例的一些可选的实现方式中，任务输出层将不同任务的表示向量计算，输出不同任务判别出的类别的概率。

下面参考图7，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)700的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的终端设备/服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于接收到待识别的至少一条新闻，通过多任务学习框架中的资讯事件判别模型过滤至少一条新闻，得到包含潜在事件的候选新闻；通过多任务学习框架中的事件名抽取模型对候选新闻的标题进行事件名抽取，得到当前事件名；通过当前事件名从事件库中召回至少一个候选事件名；通过多任务学习框架中的事件归一判别模型对当前事件名和至少一个候选事件名进行事件归一判别，得到当前事件名与每个候选事件名是同一事件的概率；对于每个候选事件名，若当前事件名与该候选事件名是同一事件的概率大于预定阈值，则将当前事件名合并到事件库中该候选事件对应的事件簇中，否则，在事件库中新建一个事件。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括过滤单元、抽取单元、召回单元、归一单元、入库单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，过滤单元还可以被描述为“响应于接收到待识别的至少一条新闻，通过多任务学习框架中的资讯事件判别模型过滤所述至少一条新闻，得到包含潜在事件的候选新闻的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种用于检测新闻事件的方法，包括：

响应于接收到待识别的至少一条新闻，通过多任务学习框架中的资讯事件判别模型过滤所述至少一条新闻，得到包含潜在事件的候选新闻；

通过所述多任务学习框架中的事件名抽取模型对所述候选新闻的标题进行事件名抽取，得到当前事件名；

通过所述当前事件名从事件库中召回至少一个候选事件名；

通过所述多任务学习框架中的事件归一判别模型对所述当前事件名和所述至少一个候选事件名进行事件归一判别，得到当前事件名与每个候选事件名是同一事件的概率；

对于每个候选事件名，若所述当前事件名与该候选事件名是同一事件的概率大于预定阈值，则将所述当前事件名合并到所述事件库中该候选事件对应的事件簇中，否则，在所述事件库中新建一个事件。

2.根据权利要求1所述的方法，其中，所述多任务学习框架包括：输入层、参数共享层、任务参数层和任务输出层。

3.根据权利要求2所述的方法，其中，所述多任务学习框架通过以下步骤训练：

获取第一训练样本集，其中，第一训练样本包括新闻和用于表征新闻是否包含事件的第一标注信息；

将所述第一训练样本集中的第一训练样本中的新闻和第一标注信息分别作为所述多任务学习框架的输入和期望输出，利用机器学习方法训练所述多任务学习框架的参数共享层的深度学习神经网络和任务参数层的资讯事件判别模型；

获取第二训练样本集，其中，第二训练样本包括包含事件的新闻的标题、事件名和用于表征事件名是否是从标题中提取的第二标注信息；

将所述第二训练样本集中的第二训练样本中的标题、事件名作为所述多任务学习框架的输入，将所述第二标注信息作为所述多任务学习框架的期望输出，利用机器学习方法训练所述多任务学习框架的参数共享层的深度学习神经网络和任务参数层的事件名判别模型；

获取第三训练样本集，其中，第三训练样本包括一对事件名和用于表征该对事件名是否是同一事件的第三标注信息；

将所述第三训练样本集中的第三训练样本中的一对事件名和第三标注信息分别作为所述多任务学习框架的输入和期望输出，利用机器学习方法训练所述多任务学习框架的参数共享层的深度学习神经网络和任务参数层的事件归一判别模型。

4.根据权利要求1所述的方法，其中，所述事件名抽取模型包括事件名匹配模型和事件名判别模型，所述事件名匹配模型用于提取事件名，所述事件名判别模型用于判别提取的事件名是否是合适的表示事件的事件名。

5.根据权利要求2所述的方法，其中，所述参数共享层是深度学习网络，多个任务共享所述深度学习网络的参数，输出当前输入的模型表示向量。

6.根据权利要求2所述的方法，其中，所述任务参数层包括：资讯事件判别模型、事件名判别模型和事件归一判别模型，所述任务参数层接收所述共享参数层输出的当前输入的模型表示向量，与任务参数层的参数做运算得到任务相关的表示向量，不同任务拥有不同的参数。

7.根据权利要求2所述的方法，其中，所述任务输出层将不同任务的表示向量计算，输出不同任务判别出的类别的概率。

8.一种用于检测新闻事件的装置，包括：

过滤单元，被配置成响应于接收到待识别的至少一条新闻，通过多任务学习框架中的资讯事件判别模型过滤所述至少一条新闻，得到包含潜在事件的候选新闻；

抽取单元，被配置成通过所述多任务学习框架中的事件名抽取模型对所述候选新闻的标题进行事件名抽取，得到当前事件名；

召回单元，被配置成通过所述当前事件名从事件库中召回至少一个候选事件名；

归一单元，被配置成通过所述多任务学习框架中的事件归一判别模型对所述当前事件名和所述至少一个候选事件名进行事件归一判别，得到当前事件名与每个候选事件名是同一事件的概率；

入库单元，被配置成对于每个候选事件名，若所述当前事件名与该候选事件名是同一事件的概率大于预定阈值，则将所述当前事件名合并到所述事件库中该候选事件对应的事件簇中，否则，在所述事件库中新建一个事件。

9.根据权利要求8所述的装置，其中，所述多任务学习框架包括：输入层、参数共享层、任务参数层和任务输出层。

10.根据权利要求9所述的装置，其中，所述装置还包括训练单元，被配置成：

获取第一训练样本集，其中，第一训练样本包括新闻和用于表征新闻是否包含事件的第一标注信息；

将所述第一训练样本集中的第一训练样本中的新闻和第一标注信息分别作为所述多任务学习框架的输入和期望输出，利用机器学习装置训练所述多任务学习框架的参数共享层的深度学习神经网络和任务参数层的资讯事件判别模型；

获取第二训练样本集，其中，第二训练样本包括包含事件的新闻的标题、事件名和用于表征事件名是否是从标题中提取的第二标注信息；

将所述第二训练样本集中的第二训练样本中的标题、事件名作为所述多任务学习框架的输入，将所述第二标注信息作为所述多任务学习框架的期望输出，利用机器学习装置训练所述多任务学习框架的参数共享层的深度学习神经网络和任务参数层的事件名判别模型；

获取第三训练样本集，其中，第三训练样本包括一对事件名和用于表征该对事件名是否是同一事件的第三标注信息；

将所述第三训练样本集中的第三训练样本中的一对事件名和第三标注信息分别作为所述多任务学习框架的输入和期望输出，利用机器学习装置训练所述多任务学习框架的参数共享层的深度学习神经网络和任务参数层的事件归一判别模型。

11.根据权利要求8所述的装置，其中，所述事件名抽取模型包括事件名匹配模型和事件名判别模型，所述事件名匹配模型用于提取事件名，所述事件名判别模型用于判别提取的事件名是否是合适的表示事件的事件名。

12.根据权利要求9所述的装置，其中，所述参数共享层是深度学习网络，多个任务共享所述深度学习网络的参数，输出当前输入的模型表示向量。

13.根据权利要求9所述的装置，其中，所述任务参数层包括：资讯事件判别模型、事件名判别模型和事件归一判别模型，所述任务参数层接收所述共享参数层输出的当前输入的模型表示向量，与任务参数层的参数做运算得到任务相关的表示向量，不同任务拥有不同的参数。

14.根据权利要求9所述的装置，其中，所述任务输出层将不同任务的表示向量计算，输出不同任务判别出的类别的概率。

15.一种用于检测新闻事件的电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

16.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images