CN114444473A - 基于多通道层次图注意力网络的开放事件抽取方法与系统 - Google Patents
基于多通道层次图注意力网络的开放事件抽取方法与系统 Download PDFInfo
- Publication number
- CN114444473A CN114444473A CN202210375116.8A CN202210375116A CN114444473A CN 114444473 A CN114444473 A CN 114444473A CN 202210375116 A CN202210375116 A CN 202210375116A CN 114444473 A CN114444473 A CN 114444473A
- Authority
- CN
- China
- Prior art keywords
- node
- attention network
- representation
- graph attention
- nodes
- 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
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出一种基于多通道层次图注意力网络的开放事件抽取方法与系统,该方法包括:获取给定文档,根据给定文档建立得到文档句法依存树;基于文档句法依存树,依次按照调整依存结构、关联缺省成分、添加序列顺序以及关联祖先结点与后代结点的步骤,以构建得到双向依存图;基于原始图注意力网络,嵌入结点类型并进行层级调整,以改造原始图注意力网络的特征汇聚过程,进而构建得到层次图注意力网络;构建得到三通道图注意力网络;将给定文档中的词语,输入至三通道图注意力网络更新嵌入表示,并通过全连接网络进行四分类判断,以实现开放事件的抽取。本发明可有效增强图结构的特征编码能力。
Description
技术领域
本发明涉及信息抽取技术领域,特别涉及一种基于多通道层次图注意力网络的开放事件抽取方法与系统。
背景技术
事件抽取作为信息抽取的关键基础任务,旨在从浩瀚的文本数据中抽取有价值的事件信息。毫无疑义的,事件抽取具有较大意义,可以帮助投资决策、风险分析、人们交谈方式的理解、案件推送以及辅助决策等。
目前,现有的针对开放事件抽取的研究工作中,有部分是采用远程监督和对抗技术检测不限定类型的事件;还有一部分是采用模式匹配的方法抽取三元组事件。
然而,上述的研究存在较大的局限性,事件检测只需要识别事件的触发词,不讨论事件论元的抽取;模式匹配的方法通常准确率高,其召回率一般较低,即只能适用于部分语料和场景。基于此,有必要开发出一种普遍适用的开放事件抽取策略,以帮助很多下游应用。
发明内容
鉴于上述状况,本发明的主要目的是为了提出一种基于多通道层次图注意力网络的开放事件抽取方法与系统,以解决上述的技术问题。
本发明实施例提出一种基于多通道层次图注意力网络的开放事件抽取方法,其中,所述方法包括如下步骤:
步骤一、获取给定文档,根据所述给定文档建立得到文档句法依存树;
步骤二、基于所述文档句法依存树,依次按照调整依存结构、关联缺省成分、添加序列顺序以及关联祖先结点与后代结点的步骤,以构建得到双向依存图;
步骤三、基于原始图注意力网络,嵌入结点类型并进行层级调整,以改造所述原始图注意力网络的特征汇聚过程,进而构建得到层次图注意力网络,其中所述结点类型包括自身结点、父结点、兄弟结点、子结点以及孙结点,嵌入结点类型并进行层级调整表示在所述原始图注意力网络中添加结点类型的权重以及添加结点层级的权重;
步骤四、基于所述层次图注意力网络,编码得到词语语义特征、句法依存关系类型特征以及词性特征,并根据所述词语语义特征、所述句法依存关系类型特征以及所述词性特征构建得到三通道图注意力网络,其中所述三通道图注意力网络包括词语语义图注意力网络、句法依存关系图注意力网络以及词语词性图注意力网络;
步骤五、将所述给定文档中的词语,输入至所述三通道图注意力网络更新嵌入表示,并通过全连接网络进行四分类判断,以实现开放事件的抽取,其中四分类包括主语、谓语、宾语及非主谓宾短语。
本发明提出一种基于多通道层次图注意力网络的开放事件抽取方法,基于句法依存树,设计双向依存图,能够有效增强图结构的特征编码能力;针对原始图注意力网络,通过嵌入结点类型并进行层级调整,以构建得到层次图注意力网络,使得结点特征在汇聚时能够捕获具有层级信息和结点类型信息的图结构;本发明单独地编码词语语义、依存关系类型和词性信息,使得每个通道既可以重点关注本身的主要特征,又可及时混入其它通道的特征进行补充。
所述基于多通道层次图注意力网络的开放事件抽取方法,其中,在所述步骤一中,所述文档句法依存树的构建方法包括如下步骤:
采用句法依存分析工具对所述给定文档进行分句以得到多个语句;
依次对所述给定文档中的每个语句进行句法结构解析,以得到语句的句法依存树;
将所有语句对应的句法依存树按照语句顺序进行排列,以建立得到所述文档句法依存树;
所述基于多通道层次图注意力网络的开放事件抽取方法,其中,在所述步骤四中,输出所述词语语义特征的计算公式表示为:
所述基于多通道层次图注意力网络的开放事件抽取方法,其中,在所述步骤四中,输出所述句法依存关系类型特征的计算公式表示为:
其中,为结点i的句法依存关系类型在第l层的嵌入表示,即所述句法依存关系类型特征,M同样为多头注意力的头数,表示结点i和结点j之间依存关系类型在第l-1层的第m头注意力系数,为第l-1层的第m头注意力的变换矩阵,表示结点j在第l-1层的词语语义嵌入表示,为结点i和结点j在第l-1层第m头的边的权重,即标准化之前的值,为结点i和结点d在第l-1层第m头的边的权重,relu(·)为激活函数,为结点i和结点j之间的句法依存关系类型在第l-1层的嵌入表示,和分别为第m头的2个不同的变换矩阵,和分别为第m头2个不同的偏置项。
所述基于多通道层次图注意力网络的开放事件抽取方法,其中,在得到了所述词语语义特征、句法依存关系类型特征以及词性特征之后,所述方法还包括:
将结点i的最后一层的输出特征进行拼接,以得到三通道图注意力网络的最终结点特征;
所述基于多通道层次图注意力网络的开放事件抽取方法,其中,所述方法还包括:
对于三通道图注意力网络输出的每个结点的嵌入表示,将每个结点的嵌入表示输入至全连接网络,采用softmax函数计算结点的嵌入表示在所有事件元素标签上的概率:
所述基于多通道层次图注意力网络的开放事件抽取方法,其中,所述方法还包括:
采用精确率、召回率、Micro-F1值以及Macro-Avg-F1值作为评价指标,以评价开放时间的抽取效果;
其中,Precision表示精确率,Recall表示召回率,F1表示Micro-F1值,Avg-F1表示Macro-Avg-F1值,TP表示被预测为正且真实值为正的样本数,FP表示被预测为正但真实值为负的样本数,FN为被预测为负但真实值为正的样本数,分别表示主语、谓语、宾语和其它的F1值分数。
本发明提出一种基于多通道层次图注意力网络的开放事件抽取系统,其中,所述系统包括:
第一处理模块,用于获取给定文档,根据所述给定文档建立得到文档句法依存树;
第二处理模块,用于基于所述文档句法依存树,依次按照调整依存结构、关联缺省成分、添加序列顺序以及关联祖先结点与后代结点的步骤,以构建得到双向依存图;
第三处理模块,用于基于原始图注意力网络,嵌入结点类型并进行层级调整,以改造所述原始图注意力网络的特征汇聚过程,进而构建得到层次图注意力网络,其中所述结点类型包括自身结点、父结点、兄弟结点、子结点以及孙结点,嵌入结点类型并进行层级调整表示在所述原始图注意力网络中添加结点类型的权重以及添加结点层级的权重;
第四处理模块,用于基于所述层次图注意力网络,编码得到词语语义特征、句法依存关系类型特征以及词性特征,并根据所述词语语义特征、所述句法依存关系类型特征以及所述词性特征构建得到三通道图注意力网络,其中所述三通道图注意力网络包括词语语义图注意力网络、句法依存关系图注意力网络以及词语词性图注意力网络;
事件抽取模块,用于将所述给定文档中的词语,输入至所述三通道图注意力网络更新嵌入表示,并通过全连接网络进行四分类判断,以实现开放事件的抽取,其中四分类包括主语、谓语、宾语及非主谓宾短语。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实施例了解到。
附图说明
图1为本发明提出的基于多通道层次图注意力网络的开放事件抽取方法的流程图;
图2为本发明提出的基于多通道层次图注意力网络的开放事件抽取方法的流程框架图;
图3为本发明提出的基于多通道层次图注意力网络的开放事件抽取系统的结构图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
参照下面的描述和附图,将清楚本发明的实施例的这些和其他方面。在这些描述和附图中,具体公开了本发明的实施例中的一些特定实施方式,来表示实施本发明的实施例的原理的一些方式,但是应当理解,本发明的实施例的范围不受此限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
请参阅图1与图2,本发明提出一种基于多通道层次图注意力网络的开放事件抽取方法,其中,所述方法包括如下步骤:
S101、获取给定文档,根据所述给定文档建立得到文档句法依存树。
在本步骤中,文档句法依存树的构建方法包括如下步骤:
S1011、采用句法依存分析工具对所述给定文档进行分句以得到多个语句。
S1012、依次对所述给定文档中的每个语句进行句法结构解析,以得到语句的句法依存树。
S1013、将所有语句对应的句法依存树按照语句顺序进行排列,以建立得到所述文档句法依存树。
在本发明中,通过Bi-LSTM层对上述的各词语进行编码拼接。具体的,利用一个前向LSTM编码w 1至w i 的上下文信息,然后再采用一个后向LSTM编码至w i 的上下文。最后,将和进行拼接作为词语w i 经过Bi-LSTM后的特征表示,记为。其中,||表示拼接操作。
S102、基于所述文档句法依存树,依次按照调整依存结构、关联缺省成分、添加序列顺序以及关联祖先结点与后代结点的步骤,以构建得到双向依存图。
其中,调整依存结构的过程包括:
扫描文档句法依存树中所有并列关系的依存结构;
针对每个依存结构,获取相应的结点(即父结点pNode以及子结点cNode),并将父结点pNode以及子结点cNode的依存关系调整为兄弟关联关系;
为父结点pNode以及子结点cNode建立依存关联,形成文档句法依存图。
关联缺省成分的方法包括如下步骤:
扫描文档句法依存图,获取结点列表;
针对每个结点Node,利用成分缺省判断和补全策略,建立由缺省的成分结点指向结点Node的连边。
添加序列顺序的方法包括如下步骤:
扫描文档句法依存图;
针对每个结点Node,获取其对应的子结点cNode;
针对每个子结点cNode,根据结点Node和子结点cNode对应词语在原始语句中的顺序,为结点Node和子结点cNode建立前向边或后向边。
其中,子结点cNode出现在结点Node之前,则建立由结点Node指向子结点cNode的前向边,代表前向序列结构,否则建立后向边。
关联祖先结点和后代结点的方法包括如下步骤:
扫描文档句法依存图;
针对每个结点Node,获取其对应的后代结点desNodes;
针对每个后代结点desNode,建立后代结点desNode与Node的双向边。
S103、基于原始图注意力网络,嵌入结点类型并进行层级调整,以改造所述原始图注意力网络的特征汇聚过程,进而构建得到层次图注意力网络。
其中,所述结点类型包括自身结点、父结点、兄弟结点、子结点以及孙结点,嵌入结点类型并进行层级调整表示在所述原始图注意力网络中添加结点类型的权重以及添加结点层级的权重。
S104、基于所述层次图注意力网络,编码得到词语语义特征、句法依存关系类型特征以及词性特征,并根据所述词语语义特征、所述句法依存关系类型特征以及所述词性特征构建得到三通道图注意力网络。
其中,上述的三通道图注意力网络包括词语语义图注意力网络、句法依存关系图注意力网络以及词语词性图注意力网络。
在步骤S104中,输出词语语义特征的计算公式表示为:
输出所述句法依存关系类型特征的计算公式表示为:
其中,为结点i的句法依存关系类型在第l层的嵌入表示,即所述句法依存关系类型特征,M同样为多头注意力的头数,表示结点i和结点j之间依存关系类型在第l-1层的第m头注意力系数,为第l-1层的第m头注意力的变换矩阵,表示结点j在第l-1层的词语语义嵌入表示,为结点i和结点j在第l-1层第m头的边的权重,即标准化之前的值,为结点i和结点d在第l-1层第m头的边的权重,relu(·)为激活函数,为结点i和结点j之间的句法依存关系类型在第l-1层的嵌入表示,和分别为第m头的2个不同的变换矩阵,和分别为第m头2个不同的偏置项。
作为补充说明的,对于上述输出句法依存关系类型特征的计算公式,同样可输出词性特征,只需将上述的角标dep更改为pos,故在此不再重复呈现上述公式。
进一步的,在得到了词语语义特征、句法依存关系类型特征以及词性特征之后,所述方法还包括:
将结点i的最后一层的输出特征进行拼接,以得到三通道图注意力网络的最终结点特征;
S105、将所述给定文档中的词语,输入至所述三通道图注意力网络更新嵌入表示,并通过全连接网络进行四分类判断,以实现开放事件的抽取。
其中,四分类包括主语、谓语、宾语及非主谓宾短语。对于分类判断的操作,在分类层中,对于三通道图注意力网络输出的每个结点的嵌入表示,将每个结点的嵌入表示输入至全连接网络,采用softmax函数计算结点的嵌入表示在所有事件元素标签上的概率:
为了考察事件缺省成分的补全抽取效果,采用精确率、召回率、Micro-F1值以及Macro-Avg-F1值作为评价指标,以评价开放时间的抽取效果;
其中,Precision表示精确率,Recall表示召回率,F1表示Micro-F1值,Avg-F1表示Macro-Avg-F1值,TP表示被预测为正且真实值为正的样本数,FP表示被预测为正但真实值为负的样本数,FN为被预测为负但真实值为正的样本数,分别表示主语、谓语、宾语和其它的F1值分数。
本发明提出一种基于多通道层次图注意力网络的开放事件抽取方法,基于句法依存树,设计双向依存图,能够有效增强图结构的特征编码能力;针对原始图注意力网络,通过嵌入结点类型并进行层级调整,以构建得到层次图注意力网络,使得结点特征在汇聚时能够捕获具有层级信息和结点类型信息的图结构;本发明单独地编码词语语义、依存关系类型和词性信息,使得每个通道既可以重点关注本身的主要特征,又可及时混入其它通道的特征进行补充。
请参阅图3,本发明提出一种基于多通道层次图注意力网络的开放事件抽取系统,其中,所述系统包括:
第一处理模块,用于获取给定文档,根据所述给定文档建立得到文档句法依存树;
第二处理模块,用于基于所述文档句法依存树,依次按照调整依存结构、关联缺省成分、添加序列顺序以及关联祖先结点与后代结点的步骤,以构建得到双向依存图;
第三处理模块,用于基于原始图注意力网络,嵌入结点类型并进行层级调整,以改造所述原始图注意力网络的特征汇聚过程,进而构建得到层次图注意力网络,其中所述结点类型包括自身结点、父结点、兄弟结点、子结点以及孙结点,嵌入结点类型并进行层级调整表示在所述原始图注意力网络中添加结点类型的权重以及添加结点层级的权重;
第四处理模块,用于基于所述层次图注意力网络,编码得到词语语义特征、句法依存关系类型特征以及词性特征,并根据所述词语语义特征、所述句法依存关系类型特征以及所述词性特征构建得到三通道图注意力网络,其中所述三通道图注意力网络包括词语语义图注意力网络、句法依存关系图注意力网络以及词语词性图注意力网络;
事件抽取模块,用于将所述给定文档中的词语,输入至所述三通道图注意力网络更新嵌入表示,并通过全连接网络进行四分类判断,以实现开放事件的抽取,其中四分类包括主语、谓语、宾语及非主谓宾短语。
应当理解的,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于多通道层次图注意力网络的开放事件抽取方法,其特征在于,所述方法包括如下步骤:
步骤一、获取给定文档,根据所述给定文档建立得到文档句法依存树;
步骤二、基于所述文档句法依存树,依次按照调整依存结构、关联缺省成分、添加序列顺序以及关联祖先结点与后代结点的步骤,以构建得到双向依存图;
步骤三、基于原始图注意力网络,嵌入结点类型并进行层级调整,以改造所述原始图注意力网络的特征汇聚过程,进而构建得到层次图注意力网络,其中所述结点类型包括自身结点、父结点、兄弟结点、子结点以及孙结点,嵌入结点类型并进行层级调整表示在所述原始图注意力网络中添加结点类型的权重以及添加结点层级的权重;
步骤四、基于所述层次图注意力网络,编码得到词语语义特征、句法依存关系类型特征以及词性特征,并根据所述词语语义特征、所述句法依存关系类型特征以及所述词性特征构建得到三通道图注意力网络,其中所述三通道图注意力网络包括词语语义图注意力网络、句法依存关系图注意力网络以及词语词性图注意力网络;
步骤五、将所述给定文档中的词语,输入至所述三通道图注意力网络更新嵌入表示,并通过全连接网络进行四分类判断,以实现开放事件的抽取,其中四分类包括主语、谓语、宾语及非主谓宾短语。
6.根据权利要求5所述的基于多通道层次图注意力网络的开放事件抽取方法,其特征在于,在所述步骤四中,输出所述句法依存关系类型特征的计算公式表示为:
8.根据权利要求7所述的基于多通道层次图注意力网络的开放事件抽取方法,其特征在于,所述方法还包括:
对于三通道图注意力网络输出的每个结点的嵌入表示,将每个结点的嵌入表示输入至全连接网络,采用softmax函数计算结点的嵌入表示在所有事件元素标签上的概率:
10.一种基于多通道层次图注意力网络的开放事件抽取系统,其特征在于,所述系统包括:
第一处理模块,用于获取给定文档,根据所述给定文档建立得到文档句法依存树;
第二处理模块,用于基于所述文档句法依存树,依次按照调整依存结构、关联缺省成分、添加序列顺序以及关联祖先结点与后代结点的步骤,以构建得到双向依存图;
第三处理模块,用于基于原始图注意力网络,嵌入结点类型并进行层级调整,以改造所述原始图注意力网络的特征汇聚过程,进而构建得到层次图注意力网络,其中所述结点类型包括自身结点、父结点、兄弟结点、子结点以及孙结点,嵌入结点类型并进行层级调整表示在所述原始图注意力网络中添加结点类型的权重以及添加结点层级的权重;
第四处理模块,用于基于所述层次图注意力网络,编码得到词语语义特征、句法依存关系类型特征以及词性特征,并根据所述词语语义特征、所述句法依存关系类型特征以及所述词性特征构建得到三通道图注意力网络,其中所述三通道图注意力网络包括词语语义图注意力网络、句法依存关系图注意力网络以及词语词性图注意力网络;
事件抽取模块,用于将所述给定文档中的词语,输入至所述三通道图注意力网络更新嵌入表示,并通过全连接网络进行四分类判断,以实现开放事件的抽取,其中四分类包括主语、谓语、宾语及非主谓宾短语。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210375116.8A CN114444473B (zh) | 2022-04-11 | 2022-04-11 | 基于多通道层次图注意力网络的开放事件抽取方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210375116.8A CN114444473B (zh) | 2022-04-11 | 2022-04-11 | 基于多通道层次图注意力网络的开放事件抽取方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114444473A true CN114444473A (zh) | 2022-05-06 |
CN114444473B CN114444473B (zh) | 2022-06-21 |
Family
ID=81360558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210375116.8A Active CN114444473B (zh) | 2022-04-11 | 2022-04-11 | 基于多通道层次图注意力网络的开放事件抽取方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444473B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116303996A (zh) * | 2023-05-25 | 2023-06-23 | 江西财经大学 | 基于多焦点图神经网络的主题事件抽取方法 |
CN116629237A (zh) * | 2023-07-25 | 2023-08-22 | 江西财经大学 | 基于逐步集成多层注意力的事件表示学习方法及系统 |
CN116719974A (zh) * | 2023-08-11 | 2023-09-08 | 江西财经大学 | 基于依存关系结构增强的事件检测方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8762131B1 (en) * | 2009-06-17 | 2014-06-24 | Softwin Srl Romania | Systems and methods for managing a complex lexicon comprising multiword expressions and multiword inflection templates |
US20200326934A1 (en) * | 2020-06-26 | 2020-10-15 | Intel Corporation | System to analyze and enhance software based on graph attention networks |
CN111897908A (zh) * | 2020-05-12 | 2020-11-06 | 中国科学院计算技术研究所 | 融合依存信息和预训练语言模型的事件抽取方法及系统 |
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 |
CN112560432A (zh) * | 2020-12-11 | 2021-03-26 | 中南大学 | 基于图注意力网络的文本情感分析方法 |
CN112580328A (zh) * | 2020-12-11 | 2021-03-30 | 上海明略人工智能(集团)有限公司 | 事件信息的抽取方法及装置、存储介质、电子设备 |
US20210209139A1 (en) * | 2020-01-02 | 2021-07-08 | International Business Machines Corporation | Natural question generation via reinforcement learning based graph-to-sequence model |
CN113157859A (zh) * | 2021-04-06 | 2021-07-23 | 北京理工大学 | 一种基于上位概念信息的事件检测方法 |
CN113255320A (zh) * | 2021-05-13 | 2021-08-13 | 北京熙紫智数科技有限公司 | 基于句法树和图注意力机制的实体关系抽取方法及装置 |
CN113705196A (zh) * | 2021-08-02 | 2021-11-26 | 清华大学 | 基于图神经网络的中文开放信息抽取方法和装置 |
US20220092267A1 (en) * | 2020-09-23 | 2022-03-24 | Jingdong Digits Technology Holding Co., Ltd. | Method and system for aspect-level sentiment classification by graph diffusion transformer |
-
2022
- 2022-04-11 CN CN202210375116.8A patent/CN114444473B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8762131B1 (en) * | 2009-06-17 | 2014-06-24 | Softwin Srl Romania | Systems and methods for managing a complex lexicon comprising multiword expressions and multiword inflection templates |
US20210209139A1 (en) * | 2020-01-02 | 2021-07-08 | International Business Machines Corporation | Natural question generation via reinforcement learning based graph-to-sequence model |
CN111897908A (zh) * | 2020-05-12 | 2020-11-06 | 中国科学院计算技术研究所 | 融合依存信息和预训练语言模型的事件抽取方法及系统 |
US20200326934A1 (en) * | 2020-06-26 | 2020-10-15 | Intel Corporation | System to analyze and enhance software based on graph attention networks |
US20220092267A1 (en) * | 2020-09-23 | 2022-03-24 | Jingdong Digits Technology Holding Co., Ltd. | Method and system for aspect-level sentiment classification by graph diffusion transformer |
CN112560432A (zh) * | 2020-12-11 | 2021-03-26 | 中南大学 | 基于图注意力网络的文本情感分析方法 |
CN112580328A (zh) * | 2020-12-11 | 2021-03-30 | 上海明略人工智能(集团)有限公司 | 事件信息的抽取方法及装置、存储介质、电子设备 |
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 |
CN113157859A (zh) * | 2021-04-06 | 2021-07-23 | 北京理工大学 | 一种基于上位概念信息的事件检测方法 |
CN113255320A (zh) * | 2021-05-13 | 2021-08-13 | 北京熙紫智数科技有限公司 | 基于句法树和图注意力机制的实体关系抽取方法及装置 |
CN113705196A (zh) * | 2021-08-02 | 2021-11-26 | 清华大学 | 基于图神经网络的中文开放信息抽取方法和装置 |
Non-Patent Citations (4)
Title |
---|
GUOQIONG LIAO ET AL.: "Group event recommendation based on graph multi-head attention network combining explicit and implicit information", 《INFORMATION PROCESSING AND MANAGEMENT》 * |
万齐智 等: "基于句法语义依存分析的中文金融事件抽取", 《计算机学报》 * |
苗琳 等: "基于图神经网络的联合实体关系抽取", 《计算机应用研究》 * |
陈启 等: "增强语义表示的中文金融评价要素抽取", 《小型微型计算机系统》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116303996A (zh) * | 2023-05-25 | 2023-06-23 | 江西财经大学 | 基于多焦点图神经网络的主题事件抽取方法 |
CN116303996B (zh) * | 2023-05-25 | 2023-08-04 | 江西财经大学 | 基于多焦点图神经网络的主题事件抽取方法 |
CN116629237A (zh) * | 2023-07-25 | 2023-08-22 | 江西财经大学 | 基于逐步集成多层注意力的事件表示学习方法及系统 |
CN116629237B (zh) * | 2023-07-25 | 2023-10-10 | 江西财经大学 | 基于逐步集成多层注意力的事件表示学习方法及系统 |
CN116719974A (zh) * | 2023-08-11 | 2023-09-08 | 江西财经大学 | 基于依存关系结构增强的事件检测方法及系统 |
CN116719974B (zh) * | 2023-08-11 | 2023-10-31 | 江西财经大学 | 基于依存关系结构增强的事件检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114444473B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114444473B (zh) | 基于多通道层次图注意力网络的开放事件抽取方法与系统 | |
CN111581396B (zh) | 一种基于多维特征融合与依存句法的事件图谱构建系统及方法 | |
CN108519890B (zh) | 一种基于自注意力机制的鲁棒性代码摘要生成方法 | |
CN111737496A (zh) | 一种电力设备故障知识图谱构建方法 | |
CN113065358B (zh) | 面向银行咨询服务基于多粒度对齐的文本对语义匹配方法 | |
CN106372187B (zh) | 一种面向大数据的跨语言检索方法 | |
CN113157859B (zh) | 一种基于上位概念信息的事件检测方法 | |
CN111160035A (zh) | 文本语料的处理方法和装置 | |
CN111274817A (zh) | 一种基于自然语言处理技术的智能化软件成本度量方法 | |
CN113378547B (zh) | 一种基于gcn的汉语复句隐式关系分析方法及装置 | |
CN112446215B (zh) | 一种实体关系联合抽取方法 | |
CN115168541A (zh) | 基于框架语义映射和类型感知的篇章事件抽取方法及系统 | |
CN111435375A (zh) | 一种基于FastText的威胁情报自动化标注方法 | |
CN115359799A (zh) | 语音识别方法、训练方法、装置、电子设备及存储介质 | |
CN116542256A (zh) | 一种融合对话上下文信息的自然语言理解方法与装置 | |
CN115329088A (zh) | 图神经网络事件检测模型的鲁棒性分析方法 | |
Jia et al. | Hybrid neural tagging model for open relation extraction | |
CN114647730A (zh) | 一种融合图注意力和图卷积网络的事件检测方法 | |
Fuchs | Natural language processing for building code interpretation: systematic literature review report | |
CN112764762B (zh) | 一种将规范文本自动转为可计算逻辑规则的方法及系统 | |
CN114492796A (zh) | 一种基于语法树的多任务学习手语翻译方法 | |
CN117390189A (zh) | 基于前置分类器的中立文本生成方法 | |
CN117036833A (zh) | 一种视频分类方法、装置、设备和计算机可读存储介质 | |
Hamdi et al. | Machine learning vs deterministic rule-based system for document stream segmentation | |
CN114781381B (zh) | 基于规则和神经网络模型融合的标准指标抽取方法 |
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 |