CN112836502A - 一种金融领域事件隐式因果关系抽取方法 - Google Patents

Abstract

本发明公开了一种金融领域事件隐式因果关系抽取方法。该方法包括：选取混合文本语料；从混合文本语料中提取事件对，对每个事件对进行标注，生成由事件对及其标签组成的事件三元组，并将事件对所在的文本及其标签映射为各自的向量矩阵，划分为训练集、测试集和验证集；将生成的事件对向量矩阵输入到卷积神经网络和时间序列网络模型中，分别提取文本局部特征和文本整体特征，进而融合为特征融合向量；将训练集和验证集事件对的特征融合向量和对应的标签向量输入模型进行训练，获得满足设定优化目标的模型，以抽取隐式因果关系事件构建金融领域因果关系事件库。本发明使得金融领域事件隐式因果关系推导更加合理、可靠。

Description

一种金融领域事件隐式因果关系抽取方法

技术领域

本发明涉及信息处理技术领域，更具体地，涉及一种金融领域事件隐式因果关系抽取方法。

背景技术

社会活动以事件为驱动，事件是社会活动的载体。在自然语言处理中，事件作为一种信息表现形式显得十分重要，受到了越来越多的重视。事件中包含了大量的内部组成结构(如参与者、时间、地点等)和外部关联(如因果、时序等语义关系)。对包含大量事件的文本进行因果关系抽取可以实现对文本更深层次的理解。

因果关系一般可以组织为事理图谱。事理图谱是表示事件之间顺承、因果关系的有向图。图中每个节点表示事件，边用来表示事件之间的因果关系，事理图谱找出了事件的演化逻辑，从而形成大型的常识事理知识库用来直接刻画各种行为活动。因此，在金融领域中构建事理图谱对金融领域中的风险预警、风险控制等活动显得尤为重要。

通常，因果关系抽取分为显式因果关系抽取和隐式因果关系抽取，显式因果关系抽取以模式识别为基础，而隐式因果关系抽取以机器学习算法为基础。深度学习是机器学习领域如今最热门的研究方向之一，能够很好地解决模式识别难以解决的问题，在隐式因果关系抽取方面取得了很大的进步。

目前，Bert+Self-Att_Bilstm+PI模型是应用在隐式因果关系抽取中最前沿的深度学习方法之一。但在对金融领域文本进行因果关系抽取过程中存在以下问题：1)从领域角度出发，该模型仅仅考虑了金融领域文本的因果关系，没有考虑其他领域(或称背景领域)文本给金融领域带来的影响；2)从技术角度出发，该模型仅仅通过BiLSTM(Bidirectional Long Short-Term Memory Network，双向长短时记忆网络)提取出了文本全局的特征，没有考虑到文本局部特征所带来的影响，并且由于向量矩阵的稀疏性导致提取的特征不明显。这些问题都影响到最终构建的金融领域事理图谱的普适性。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种金融领域事件隐式因果关系抽取方法。该方法包括：选取混合文本语料，该混合文本语料包括金融领域文本和背景领域文本；从混合文本语料中提取事件对，对每个事件对进行标注，生成由事件对及其标签组成的事件三元组，并将事件对所在的文本及其标签映射为各自的向量矩阵，划分为训练集、测试集和验证集；将生成的事件对向量矩阵输入到卷积神经网络和时间序列网络模型中，分别提取出文本局部特征和文本整体特征，并将文本局部特征和文本整体特征进行融合，获得事件对的特征融合向量；将训练集和验证集事件对的特征融合向量和对应的标签向量输入模型进行训练，获得满足设定优化目标的模型，以用于抽取隐式因果关系事件构建金融领域因果关系事件库。

与现有技术相比，本发明的优点在于，将目标领域文本语料和背景文本语料结合到一起，充分考虑了背景知识对于目标领域事件因果演化的作用；在特征提取部分，并行提取文本局部特征和文本整体特征，将两者融合到一起以更好地映射文本特征。本发明提出的方法能够更好地映射出文本的真实特征，对模型的训练效果更好。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是根据本发明一个实施例的金融领域事件隐式因果关系抽取方法的过程示意图；

图2是根据本发明一个实施例的金融领域事件隐式因果关系抽取方法的流程图；

图3是根据本发明一个实施例的数据预处理流程图；

图4是根据本发明一个实施例的特征提取流程图；

图5是根据本发明一个实施例的通道注意力模块示意图；

图6是根据本发明一个实施例的模型训练流程图；

附图中，maxPool-最大池化；AvgPool-平均池化；MLP-多层感知机。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

简言之，在本发明提出的金融领域事件隐式因果关系抽取方法中，首先，选取文本语料，包括金融领域文本和背景领域文本进行事件提取，生成事件对并且进行标注；然后，将事件对所在的文本表示为向量矩阵，同时运用卷积神经网络和时间序列网络模型进行特征提取；进而，输出一个结合局部特征和全局特征的特征融合向量矩阵；最后，将特征融合向量作为新的输入来训练模型以进行事件因果关系抽取。

为清楚起见，在下文中，卷积神经网络以RACNN(Recurrent AttentionConvolutional Neural Network，循环注意力卷积神经网络)为例，时间序列网络模型以BiLSTM为例进行说明。但应理解是，也可采用其他类型的网络模型，例如，用GRU(门控循环单元)或双向GRU代替BiLSTM。

具体地，参见图1所示，其中输入为混合文本语料，包括金融领域文本和背景领域文本。首先，从混合文本语料中提取出事件对，用Bert模型将事件对映射成词向量矩阵，并对事件对进行标注，形成事件三元组，将生成的事件对标签列表进行独热(One-Hot)编码映射为向量形式，接着进行数据集划分；其次，将生成的事件对向量矩阵分别输入到RACNN和BiLSTM模型中，RACNN模型包括卷积层和通道注意力(Channel Attention Module)层，BiLSTM模型包括两层LSTM，分别进行特征提取，最终融合输出的特征向量作为自注意力(self-Attention)层的输入，输出事件对的特征向量矩阵；最后，将训练集和验证集事件对的特征向量矩阵和对应的标签One-Hot向量矩阵输入到模型进行训练，对测试集进行测试，提取出因果关系事件进而构建一个更能刻画实际场景的金融领域因果关系事件库。

结合图1和图2所示，本发明提出的金融领域事件隐式因果关系抽取方法具体步骤如下。

步骤S210，结合目标领域文本语料和背景领域文本语料，构建数据集，该数据集表征事件对词向量和事件对标签向量之间的对应关系。

在此步骤中，对混合文本语料进行数据预处理，其中混合文本语料包含目标领域(即金融领域)文本语料和背景领域(如政治、文化领域等)文本语料。

如图3所示，对混合文本语料进行数据预处理的具体步骤如下：

步骤S311，起始状态，输入金融文本语料C₁和背景文本语料C₂，组合成混合文本语料，表示为

步骤S312，从混合文本语料C中提取出事件e_i，组合成事件集E₁＝{e₁，e₂，...e_n}；

步骤S313，从事件集E₁中提取出事件对<e_i，e_j>，记为e_ij，组合成事件对集合E₂＝{...，e_ij，...}，其中，i、j是整数，表示索引；

步骤S314，对事件对集合E₂中的事件对e_ij进行标注l_ij，生成事件三元组<e_i，e_j，l_ij>，记为E_ij，组合成事件三元组集合E₃＝{...，E_ij，...}；

步骤S315，遍历事件三元组集合E₃，统计其中的事件对包含单词个数的最大值，记为n；

步骤S316，运用Bert模型将事件三元组集合E₃中的事件对e_ij所有的词w表示成词向量s＝[v₁，v₂，...，v_k]，k为词向量维度，组合成矩阵Em_ij，所有Em_ij集合记为Em＝{...，Em_ij，...}，其中：

步骤S317，将事件三元组集合E₃中事件对对应的标签l_ij进行One-Hot编码，表示成向量LEm_ij，所有LEm_ij构成向量矩阵LEm，表示为：

步骤S318，根据混合文本语料C中C₁的相对位置，从事件三元组集合E₃中抽取属于金融文本语料C₁的部分事件三元组作为测试集TestSet，剩下的划分为训练集TrainSet和验证集DevSet；

步骤S319，输出事件对词向量矩阵集合Em，事件对标签向量矩阵LEm，测试集TestSet，训练集TrainSet和验证集DevSet。

步骤S220，针对事件对词向量，分别提取文本局部特征和文本整体特征并进行融合，获得事件对的特征融合向量。

具体地，如图4所示，对事件对词向量矩阵进行特征提取的步骤如下：

步骤S411，起始状态，输入事件集Set(训练集TrainSet或验证集DevSet)和事件对词向量矩阵集Em；

步骤S412，根据事件集Set与事件对词向量矩阵集Em中的索引匹配，提取出该事件集Set对应的词向量矩阵集Em′；

步骤S413，将词向量矩阵集Em′输入到RACNN模型进行特征提取；

在一个实施例中，卷积层设计了三种卷积核：Conv5-100、Conv10-100和Conv15-100(其中的数字分别表示卷积核的大小和数量)，首先用Conv5-100对Em′进行卷积，生成特征图featuremap，然后将featuremap输入到Channel Attention Module(通道注意力模块)中，如图5所示，输出特征向量e₁。将e₁输入到设计的G(x)(G(x)表示一个可由全连接层搭建的反馈函数层)中，输出一个矩阵Mask＝G(e₁)(Mask的含义是将e₁输入反馈函数层后输出的一个由0和1组成的裁剪矩阵)，对Em′进行裁剪生成新的词向量矩阵集Em″＝Mask*Em′作为第二次卷积的输入，迭代两次过后，将三层卷积输出的特征向量进行合并处理生成新的特征向量e_c＝[e₁，e₂，e₃]。

步骤S414，将Em′输入到BiLSTM模型进行特征提取，输出特征向量e_r；步骤S415，将e_c和e_r合并形成特征向量

步骤S416，利用自注意力机制(self-Attention)，输入e，输出新的特征向量E；

步骤S417，输出事件对特征向量E，即事件对的特征融合向量。

步骤S230，将训练集和验证集事件对的特征融合向量和对应的标签向量输入模型进行训练，获得满足设定优化目标的模型，以用于提取隐式因果关系事件构建金融领域因果关系事件库。

具体地，如图6所示，对数据集进行模型训练预测的步骤如下：

步骤S611，起始状态，输入训练集TrainSet，验证集DevSet和测试集TestSet；

步骤S612，根据步骤S210的数据预处理和步骤S220的特征提取阶段获取TrainSet和DevSet的特征向量E₁、E₂以及标签向量Lem₁、Lem₂；

步骤S613，输入E₁、E₂、Lem₁和Lem₂进行模型训练，通过迭代计算损失函数值不断更新模型中的参数W＝[...，w_i，...]和偏差B＝[...，b_i，...]；

步骤S614：保存训练过程中较好的模型M；

步骤S615，根据数据预处理和特征提取阶段获取TestSet的特征向量E₃和标签向量Lem₃；

步骤S616，输入E₃和Lem₃测试最优模型，判断因果关系，将模型表现性能保存为Result；

步骤S617，输出M，Result。

需说明的是，在不违背本发明精神和范围的前提下，本领域技术人员可对上述实施例进行适当的改变或变型，例如，采用其他的语言模型将事件三元组集合中的事件对中所有的词表示成词向量；又如，采用除独热编码之外的其他方式编码标签向量。综上所述，相对于现有技术，本发明的优势主要体现在以下方面：

1)现有技术方案应用在特定领域时仅仅考虑了局限于该领域的文本语料训练模型，由于领域之间存在知识交叉，仅把金融领域语料当作研究对象进行因果关系抽取会忽略其他领域语料(背景知识)对其产生的影响，对于目标领域涉及的其他领域文本所蕴含的因果关系不能很好地挖掘并识别，导致对目标领域整体的事件因果演化过程预测不准确。而本发明将目标领域文本语料和背景文本语料结合到一起，挖掘出背景知识在金融领域中的贡献，对金融领域的事件因果关系推导有着明显的解释意义，充分考虑了背景知识对于目标领域事件因果演化的作用，使得事件因果关系更加合理、可靠。

2)文本特征可以划分为整体特征和局部特征，仅通过RNN来提取文本的整体特征显然不能很好地映射文本特征。本发明在模型的特征提取部分，采用RACNN与BiLSTM并行提取并融合的方式，RACNN采用多种卷积核+Channel Attention Module的模型用于文本局部特征提取，BiLSTM采用双层LSTM模型用于文本整体特征提取，将两者融合到一起能更好地映射文本特征；

3)为了能够使得提取的局部特征具有更强的表现能力，本发明在RACNN特征提取部分，提出了一种迭代反馈(G(x)→Mask)的卷积方法，每次卷积都能够提取出更加明显的局部特征，实现对文本局部特征的深度提取。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++、Python等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (9)

1.一种金融领域事件隐式因果关系抽取方法，包括以下步骤：

选取混合文本语料，该混合文本语料包括金融领域文本和背景领域文本；

从所述混合文本语料中提取事件对，对每个事件对进行标注，生成由事件对及其标签组成的事件三元组，并将事件对所在的文本及其标签映射为各自的向量矩阵，划分为训练集、测试集和验证集；

将生成的事件对向量矩阵分别输入到卷积神经网络和时间序列网络模型中，分别提取出文本局部特征和文本整体特征，并将所述文本局部特征和所述文本整体特征进行融合，获得事件对的特征融合向量；

将所述训练集和所述验证集事件对的特征融合向量和对应的标签向量输入模型进行训练，获得满足设定优化目标的模型，以用于提取隐式因果关系事件构建金融领域因果关系事件库。

2.根据权利要求1所述的方法，其特征在于，运用Bert模型将所述事件对所在的文本映射为向量矩阵。

3.根据权利要求1所述的方法，其特征在于，所述卷积神经网络是循环注意力卷积神经网络，包括多层卷积层和通道注意力模块层，所述时间序列网络模型是双向长短时记忆网络。

4.根据权利要求1所述的方法，其特征在于，根据以下步骤构建所述数据集：

将金融文本语料C₁和背景文本语料C₂，组合成混合文本语料，表示为

从混合文本语料C中提取出事件e_i，组合成事件集E₁＝{e₁，e₂，...e_n}；

从事件集E₁中提取出事件对<e_i，e_j>，记为e_ij，组合成事件对集合E₂＝{...，e_ij，...}；

对事件对集合E₂中的事件对e_ij进行标注l_ij，生成事件三元组<e_i，e_j，l_ij>，记为E_ij，组合成事件三元组集合E₃＝{...，E_ij，...}；

遍历事件三元组集合E₃，统计其中的事件对包含单词个数的最大值，记为n；

将事件三元组集合E₃中的事件对e_ij所有的词w表示成词向量s＝[v₁，v₂，...，v_k]，k为词向量维度，组合成矩阵Em_ij，所有Em_ij集合记为Em＝{...，Em_ij，...}；

将事件三元组集合E₃中事件对对应的标签l_ij进行编码，表示成向量LEm_ij，所有LEm_ij构成向量矩阵LEm；

根据混合文本语料C中C₁的相对位置，从事件三元组集合E₃中抽取属于金融文本语料C₁的部分事件三元组作为测试集，剩下的划分为训练集和验证集。

5.根据权利要求4所述的方法，其特征在于，根据以下步骤获得所述事件对的特征融合向量：

根据事件集与事件对词向量矩阵集Em中的索引匹配，提取出该事件集对应的词向量矩阵集Em′，其中所述事件集是训练集或验证集；

将词向量矩阵集Em′输入到卷积神经网络进行文本局部特征提取，输出特征向量e_c；

将词向量矩阵集Em′输入到时间序列网络模型进行文本整体特征提取，输出特征向量e_r；

将e_c和e_r合并形成特征向量

利用自注意力机制，输入e，获得所述事件对的特征融合向量E。

6.根据权利要求5所述的方法，其中，所述卷积神经网络是循环注意力卷积神经网络，包含具有不同卷积核的三层卷积层，首先第一卷积层对词向量矩阵集Em′进行卷积，生成特征图featuremap，然后将featuremap输入到通道注意力模块层，输出特征向量e₁；将e₁输入到设计的反馈函数G(x)中，输出一个矩阵Mask＝G(e₁)，对Em′进行裁剪生成词向量矩阵集Em″＝Mask*Em′作为第二卷积层的输入，迭代两次之后，将第三卷积层输出的特征向量进行合并处理生成新的特征向量e_c＝[e₁，e₂，e₃]。

7.根据权利要求4所述的方法，其中，对标签l_ij进行编码采用的是独热编码。

8.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至7中任一项所述方法的步骤。

9.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够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至7中任一项所述的方法的步骤。

Images