CN115907144A - 一种事件的预测方法、装置、终端设备以及存储介质 - Google Patents
一种事件的预测方法、装置、终端设备以及存储介质 Download PDFInfo
- Publication number
- CN115907144A CN115907144A CN202211452853.XA CN202211452853A CN115907144A CN 115907144 A CN115907144 A CN 115907144A CN 202211452853 A CN202211452853 A CN 202211452853A CN 115907144 A CN115907144 A CN 115907144A
- Authority
- CN
- China
- Prior art keywords
- event
- historical
- quadruple
- events
- future
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000003068 static effect Effects 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 238000011176 pooling Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种事件的预测方法、装置、终端设备以及存储介质，所述方法包括：获取事件执行人第一历史事件信息并建若干第一历史事件四元组，将各第一历史事件四元组输入到预设的事件预测模型，生成未来事件预测结果，在模型训练时，将第二历史时段内每一历史时刻下人物的自身属性信息和人物关系进行平均池化处理，生成各个历史时刻下的人物静态知识图谱，根据多头注意力机制生成历史事件动态信息，生成历史事件动态信息，计算得到各个人物在双曲空间中所对应的坐标点与原点的双曲距离并生成若干未来事件四元组。本发明解决了在预测未来可能发生的事件时，对时间信息处理不充分，无法反映事件间一环扣一环的衔接性技术问题。
Description
技术领域
本发明涉及态势感知领域，尤其涉及一种事件的预测方法、装置、终端设备以及存储介质。
背景技术
在进行事件的预测时，随着时间的推移，人物自身的重要性及他们之间的关系在不断地发生变化，且具有一定的趋势，因此可以利用历史事件对人物未来活动进行分析推理，来预测未来可能发生的事件。为了刻画事件随着时间的变化而变化的趋势，一般使用时序知识图谱外推的方法来分析历史事件的相关时间信息，学习事件随时间演化的变化规律。
在现有的事件的预测方法中，在构建时序知识图谱进行预测时，主要有三种预测方案：第一种方案基于知识图谱，提出一种基于图卷积神经网络的循环演化网络，用演化学习的方法来学习相邻时间戳的演化关系，但是该方案中所嵌入的欧式空间多项式增长与具有层级结构的人物节点指数级增长不匹配，难以适应当下数据海量增长、事件形式变化多端的情况。第二种方案把知识嵌入到了双曲空间，但只考虑了知识图谱的静态属性，并没有引入时间信息，因此，该方案无法刻画人物的变化趋势。第三种方案在第二种方案的基础上加入了时间信息，但是该方案仅仅把时间当作一个属性值，无法学习不同时刻知识图谱所蕴含知识的演化规律，即无法反映事件间一环扣一环的衔接性。因此，亟需一种能够克服上述缺陷的事件的预测方法，使得对未来可能发生的事件的预测结果更科学准确。
发明内容
本发明提供了一种事件的预测方法，以解决现有技术在预测未来可能发生的事件时，对时间信息处理不充分，无法反映事件间一环扣一环的衔接性技术问题。
为了解决上述技术问题，本发明实施例提供了一种事件的预测方法，包括如下步骤：
获取事件执行人在第一历史时段内所执行的事件的第一历史事件信息，并根据所述事件构建若干第一历史事件四元组；其中，所述第一历史事件四元组包括：事件所涉及的人物、各人物之间的人物关系以及事件发生的时间；
将各第一历史事件四元组输入到预设的事件预测模型，以使所述事件预测模型对所述事件执行人在未来时刻所会执行的事件进行预测，生成未来事件预测结果；
所述预设的事件预测模型的生成包括：
获取事件执行人在第二历史时段内所执行的事件的第二历史事件信息，并根据所述第二历史事件信息生成若干第二历史事件四元组；
将所有第二历史事件四元组按照时间先后顺序进行排列，生成历史事件的时序知识图谱，根据历史事件的时序知识图谱搭建初始模型；
以未来事件四元组为输出对初始模型进行模型训练，在训练完成后生成所述事件预测模型；
其中，在模型训练时，将第二历史时段内每一历史时刻下人物的自身属性信息和人物关系进行融合，生成各个历史时刻下的人物静态知识图谱；
将所述所有人物静态知识图谱按照时间先后顺序进行排列，根据多头注意力机制从排列后的所有人物静态知识图谱中选取若干连续时刻的人物静态知识图谱，生成历史事件动态信息；
根据历史事件动态信息，计算得到各个人物在双曲空间中所对应的坐标点与原点的双曲距离；
根据各所述双曲距离，生成若干未来事件四元组；
计算各个未来事件四元组的评估得分，将得分最高的未来事件四元组作为模型最终输出的未来事件四元组。
作为优选方案，所述事件所涉及的人物，包括：人物主体和人物客体；其中，人物主体为事件的执行人，人物客体为除人物主体外事件的其余参与人物；
所述根据所述事件构建若干第一历史事件四元组，包括:
根据所述人物主体、各人物之间的人物关系以及事件发生的时间生成若干第一历史事件正向四元组；
根据所述人物客体、各人物之间的人物关系以及事件发生的时间生成若干第一历史事件逆向四元组；
将所述第一历史事件正向四元组和第一历史事件逆向四元组作为第一历史事件四元组。
作为优选方案，所述根据历史事件的时序知识图谱搭建初始模型，包括：
将历史事件的时序知识图谱进行双曲空间转换，生成初始模型。
作为优选方案，所述将第二历史时段内每一历史时刻下人物的自身属性信息和人物关系进行融合，生成各个历史时刻下的人物静态知识图谱，包括：
根据第二历史时段内每一历史时刻下人物的自身属性信息和人物关系进行平均池化处理，生成每一人物的静态知识图谱；
根据各个人物的静态知识图谱和所述事件发生的时间，生成各个历史时刻下的人物静态知识图谱。
作为优选方案，所述根据多头注意力机制从排列后的所有人物静态知识图谱中选取若干连续时刻的人物静态知识图谱，生成历史事件动态信息，包括：
根据多头注意力机制从排列后的所有人物静态知识图谱中选取若干连续时刻的人物静态知识图谱；
将所有连续时刻的人物静态知识图谱进行融合，生成历史事件动态信息。
在上述实施例的基础上，本发明另一实施例提供了一种事件的预测装置，包括：第一历史事件四元组生成模块、未来事件预测结果生成模块以及模型构建模块；
所述模型构建模块包括：第二历史事件四元组生成子模块、初始模型构建子模块以及模型训练子模块；
所述模型训练子模块包括：人物静态知识图谱生成单元、历史事件动态信息生成单元、双曲距离计算单元、未来事件四元组生成单元以及未来事件四元组输出单元；
所述第一历史事件四元组生成模块，用于获取事件执行人在第一历史时段内所执行的事件的第一历史事件信息，并根据所述事件构建若干第一历史事件四元组；其中，所述第一历史事件四元组包括：事件所涉及的人物、各人物之间的人物关系以及事件发生的时间，并将生成的所有第一历史事件四元组传输至未来事件预测结果生成模块；
所述未来事件预测结果生成模块，用于将各第一历史事件四元组输入到预设的事件预测模型，以使所述事件预测模型对所述事件执行人在未来时刻所会执行的事件进行预测，生成未来事件预测结果；
所述模型构建模块，用于生成事件预测模型；
所述第二历史事件四元组生成子模块，用于获取事件执行人在第二历史时段内所执行的事件的第二历史事件信息，并根据所述第二历史事件信息生成若干第二历史事件四元组，并将生成的所有第二历史事件四元组传输至初始模型构建子模块；
所述初始模型构建子模块，用于将所有第二历史事件四元组按照时间先后顺序进行排列，生成历史事件的时序知识图谱，根据历史事件的时序知识图谱搭建初始模型，并将生成的初始模型传输至模型训练子模块；
所述模型训练子模块，用于以未来事件四元组为输出对初始模型进行模型训练，在训练完成后生成所述事件预测模型；
所述人物静态知识图谱生成单元，用于在模型训练时，将第二历史时段内每一历史时刻下人物的自身属性信息和人物关系进行融合，生成各个历史时刻下的人物静态知识图谱，并将生成的所有人物静态知识图谱传输至历史事件动态信息生成单元；
所述历史事件动态信息生成单元，用于将所述所有人物静态知识图谱按照时间先后顺序进行排列，根据多头注意力机制从排列后的所有人物静态知识图谱中选取若干连续时刻的人物静态知识图谱，生成历史事件动态信息，并将生成的历史事件动态信息传输至双曲距离计算单元；
所述双曲距离计算单元，用于根据历史事件动态信息，计算得到各个人物在双曲空间中所对应的坐标点与原点的双曲距离，并将计算得到的双曲距离传输至未来事件四元组生成单元；
所述未来事件四元组生成单元，用于根据各所述双曲距离，生成若干未来事件四元组，并将生成的所有未来事件四元组传输至未来事件四元组输出单元；
所述未来事件四元组输出单元，用于计算各个未来事件四元组的评估得分，将得分最高的未来事件四元组作为模型最终输出的未来事件四元组。
在上述实施例的基础上，本发明又一实施例提供了一种事件的预测终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例所述的事件的预测方法。
在上述实施例的基础上，本发明又一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述实施例所述的事件的预测方法。
相比于现有技术，本发明实施例具有如下有益效果：
相比于现有技术对事件在双曲空间中时序知识图谱嵌入对时间信息利用不足、无法学习事件随时间演化的变化规律问题，本发明实施例基于历史事件，同样选择双曲空间作为嵌入空间构建事件的预测模型，进一步地，在人物的静态知识图谱中加入人物的自身属性信息，使得模型对人物实体的信息获取更充分，进而将各个人物实体的所有相关信息融合起来，并在生成的人物静态信息的基础上，利用多头自注意力机制在处理序列数据上的优势，循序渐进地将相邻时刻的人物静态知识图谱结合起来进行推理，反映事件间一环扣一环的衔接性，提高了对时序知识图谱组织、管理和理解互联网海量信息的能力，提高系统对事件的态势感知效果，使得对未来可能发生的事件的预测结果更科学准确。
附图说明
图1是本发明一实施例提供的一种事件的预测方法的流程示意图；
图2是本发明一实施例提供的一种事件的预测装置的结构示意图；
图3是本发明一实施例提供的一种事件的预测终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
请参照图1，为本发明实施例提供的一种事件的预测方法的流程示意图，该方法包括如下步骤：
S1、获取事件执行人在第一历史时段内所执行的事件的第一历史事件信息，并根据所述事件构建若干第一历史事件四元组；其中，所述第一历史事件四元组包括：事件所涉及的人物、各人物之间的人物关系以及事件发生的时间。
具体的，所述事件所涉及的人物，包括：人物主体和人物客体；其中，人物主体为事件的执行人，人物客体为除人物主体外事件的其余参与人物；所述根据所述事件构建若干第一历史事件四元组，包括:根据所述人物主体、各人物之间的人物关系以及事件发生的时间生成若干第一历史事件正向四元组；根据所述人物客体、各人物之间的人物关系以及事件发生的时间生成若干第一历史事件逆向四元组；将所述第一历史事件正向四元组和第一历史事件逆向四元组作为第一历史事件四元组。
以政治事件的预测为例，一个政治历史事件可以表示为一个政治历史事件四元组
其中ε是人物实体集合，包括人物主体(subject)和人物客体(object)，
是人物关系集合，
是事件发生的时间集合，
表示一系列的历史事件。用于后续步骤生成时序知识图谱的每一个四元组(s,r,o,t)表示人物主体s在t时刻通过关系r与人物客体联系起来，为了使事件的执行人物主体和事件的被执行人物客体数目一样，通常添加一个历史事件逆向四元组(o,r-1,s,t)，r-1表示关系r的逆转。
S2、将各第一历史事件四元组输入到预设的事件预测模型，以使所述事件预测模型对所述事件执行人在未来时刻所会执行的事件进行预测，生成未来事件预测结果。
具体的，所述事件执行人即为人物主体，所述事件预测模型对所述事件执行人在未来时刻所会执行的事件进行预测，生成未来事件预测结果，未来事件预测结果为未来事件四元组，包括：事件所涉及的人物、各人物之间的人物关系以及事件发生的时间。
所述预设的事件预测模型的生成包括如下具体步骤：
S21、获取事件执行人在第二历史时段内所执行的事件的第二历史事件信息，并根据所述第二历史事件信息生成若干第二历史事件四元组；
S22、将所有第二历史事件四元组按照时间先后顺序进行排列，生成历史事件的时序知识图谱，根据历史事件的时序知识图谱搭建初始模型；
具体的，所述根据历史事件的时序知识图谱搭建初始模型，包括：将历史事件的时序知识图谱进行双曲空间转换，生成初始模型。
S23、以未来事件四元组为输出对初始模型进行模型训练，在训练完成后生成所述事件预测模型；
其中，模型训练的具体步骤如下：
S231、在模型训练时，将第二历史时段内每一历史时刻下人物的自身属性信息和人物关系进行融合，生成各个历史时刻下的人物静态知识图谱；
具体的，所述将第二历史时段内每一历史时刻下人物的自身属性信息和人物关系进行融合，生成各个历史时刻下的人物静态知识图谱，包括：根据第二历史时段内每一历史时刻下人物的自身属性信息和人物关系进行平均池化处理，生成每一人物的静态知识图谱；根据各个人物的静态知识图谱和所述事件发生的时间，生成各个历史时刻下的人物静态知识图谱。其中，所述第二历史事件为模型训练过程选取的某一个历史时间内的历史事件，第二历史事件和第一历史事件可以相同，也可以不同。
以政治事件的预测为例，将所有政治历史事件四元组按照时间顺序进行排列，生成政治历史事件的时序知识图谱，上述
也可以用来表示为一系列知识图谱G的集合
其中
即政治历史事件的时序知识图谱。在获得政治历史事件的时序知识图谱序列{G0，...，Gt}后，选取双曲空间作为嵌入空间，生成政治事件预测模型。
在上述政治事件预测模型中，将人物作为下述所有计算过程的实体，进行以下计算：对于初始时刻的实体o，与o相关的双曲嵌入表示为
其中l表示实体o的邻居跳数，Nt表示一系列与o相关的历史事件，eo为所述事件预测模型的随机初始化结果，GIsA表示实体的自身属性信息，如Bidenisman。在模型训练过程中，为了最大限度保持政治历史事件的时序知识图谱的静态信息，系统对所有实体进行随机初始化，加上实体的自身属性信息作为政治时序知识图谱的全局嵌入。其中，
即为本发明所述的每一人物的静态知识图谱。
将政治事件预测模型初始化后，在训练阶段，把时刻t下与实体o有关联的信息通过平均池化(mean pooling)进行融合：
其中1≤i≤l，l表示实体o的邻居跳数，
表示一个政治历史事件查询，cr为双曲空间的曲率。其中
表示嵌入到双曲空间，
表示从双曲空间投影到正切的欧式空间，
在模型训练过程中，为了最大限度保持政治知识图谱静态信息，系统对所有实体进行随机初始化，加上人物实体的自身属性信息如Bidenisman，作为政治知识图谱的全局嵌入。为了客观反映某一时刻t与实体o相关的历史事件信息，系统通过多跳(multi-hop)来捕捉与实体o相关联的邻居信息，并用平均池化将这一时刻实体o相关信息融合起来。其中，
即为本发明所述的各个历史时刻下的人物静态知识图谱。
S232、将所述所有人物静态知识图谱按照时间先后顺序进行排列，根据多头注意力机制从排列后的所有人物静态知识图谱中选取若干连续时刻的人物静态知识图谱，生成历史事件动态信息。
具体的，所述根据多头注意力机制从排列后的所有人物静态知识图谱中选取若干连续时刻的人物静态知识图谱，生成历史事件动态信息，包括：根据多头注意力机制从排列后的所有人物静态知识图谱中选取若干连续时刻的人物静态知识图谱；将所有连续时刻的人物静态知识图谱进行融合，生成生成历史事件动态信息。
以政治事件的预测为例，上述步骤得到了t+1时刻可用的政治历史事件信息嵌入
即t-m+1到t时刻的政治历史事件嵌入，在本发明中为各个政治历史时刻下的人物静态知识图谱，为了让事件预测模型更加关注到历史时间中影响重大的政治事件，本发明采用多头自注意力机制将连续时刻的政治时序知识图谱结合起来：
最终生成的结果相当于本发明中的历史事件动态信息，对于H(t+1)，(Q,K,V)的计算方法为：
h(i)(t+1)＝Att(q(i)(t+1),K(i)(t+1),V(i)(t+1))
其中
且1≤i≤k，k表示k头注意力。在对h(i)(t+1)完成计算后，需要通过指数运算将其映射到双曲空间中：
其中W0∈R(k·n)×n,W1∈Rn×n,b0,b1∈R。
为了循序渐进地利用政治历史事件信息，系统将连续时间段内的政治历史事件当作序列数据，用多头自注意力机制将一定历史时间m的政治事件结合起来，作为政治时序知识图谱的实时嵌入，让事件预测模型能够自动地关注到历史中具有重大影响力的政治事件，从而更准确地推理未来可能发生的政治事件。
S233、根据历史事件动态信息，计算得到各个人物在双曲空间中所对应的坐标点与原点的双曲距离。
以政治事件的预测为例，上一步得到了实体o在t+1时刻在双曲空间的嵌入表示
对于某一时刻的静态知识图谱，其未来政治事件中的人物实体eh关于关系r距离计算公式为:
其中
则：
因此，在本发明实施例中，通过切空间计算的实体嵌入到原点的双曲距离在曲率下是不变的，可以用L2范数||e||计算实体到原点的双曲距离，进一步简化了计算。
S234、根据各所述双曲距离，生成若干未来事件四元组。
以政治事件的预测为例，为了体现政治时序知识图谱随时间变化而循序渐进的过程，本发明实施例结合政治知识图谱静态信息的同时，更多地利用连续时间段内的动态信息。为此，在t+1时刻，未来事件中的人物实体在双曲空间中所对应的坐标点与原点的双曲距离计算公式为：
其中δ＝max(δs,δo)，δs,δo∈0,1。δs,δo是两个可学习的参数，它们决定了推理过程中动态变化能够在多大程度上对实体造成影响。根据以上计算，得到本发明中的若干未来事件四元组g(s,r,o,t+1)。
S235、计算各个未来事件四元组的评估得分，将得分最高的未来事件四元组作为模型最终输出的未来事件四元组。
以政治事件的预测为例，在系统的预测模型训练中，总共使用两种评估指标。第一种是平均倒数排名(Mean Reciprocal Rank,MRR)，该指标将训练过程中事件预测模型得到的训练结果进行排序得到排序列表，然后与实际值进行匹配，如果与列表中第一个结果相同得分为1，与列表中第二个结果相同得分为0.5，依次类推，与列表中第n个结果相同得分为1/n，最终结果为所有得分的平均数。具体公式如下：
上式中，|Q|表示要预测的政治事件四元组的个数，ranki表示对于第i个政治事件四元组，排序列表中与实际值相同的位置。
第二种评估指标是Hits@n，该指标同样将训练过程中事件预测模型得到的训练结果进行排序得到排序列表，将列表中结果和实际值比较，得到排名小于n的政治事件四元组的平均占比。具体公式如下：
上式中，Q和ranki的含义和MRR公式中相同，χ表示指示函数，在条件为真是返回1，否则返回0，在系统事件预测模型训练中，分别取n为1，3和10。
时序知识图谱外推可以看作是多分类任务，并采用交叉熵损失作为事件预测模型的损失函数。对于预测的未来政治事件中的人物实体的双曲距离g(s,r,o,t)，损失函数计算公式为：
该损失函数作为反向传播时模型更新的依据，逐步优化事件预测模型。事件预测模型最终以MRR是否最大作为是否最优模型的选择标准。
事件预测模型训练完成后得到最终MRR得分最高的事件预测模型，在此步骤中，系统将结合政治时序知识图谱中所有政治人物实体和人物关系对未来政治事件四元组(s,r,？,t+1)或(？,r,o,t+1)进行打分，即通过枚举的方式来对所有未来政治事件四元组进行打分，得到得分最高的未来政治事件四元组或得分较高的一些未来政治事件四元组，来作为系统最终的输出。系统可以进行多步推理，可以对当前政治时序知识图谱中最大时间t+1之外n个时间的事实进行推理，得到未来政治事件预测的最终结果。
由上可见，本发明提供了一种事件的预测方法，基于历史事件，选择双曲空间作为嵌入空间构建事件的预测模型，进一步地，在人物的静态知识图谱中加入人物的自身属性信息，使得模型对人物实体的信息获取更充分；进而对构建的预测模型进行平均池化处理，将各个人物实体的所有相关信息融合起来，并在生成的人物静态信息的基础上，利用多头自注意力机制在处理序列数据上的优势，循序渐进地将相邻时刻的人物静态知识图谱结合起来进行推理，反映事件间一环扣一环的衔接性，提高系统对事件的态势感知效果，使得对未来可能发生的事件的预测结果更科学准确。
实施例二
请参照图2，为本发明实施例提供的一种事件的预测装置的结构示意图，该装置包括：第一历史事件四元组生成模块、未来事件预测结果生成模块以及模型构建模块；
所述模型构建模块包括：第二历史事件四元组生成子模块、初始模型构建子模块以及模型训练子模块；
所述模型训练子模块包括：人物静态知识图谱生成单元、历史事件动态信息生成单元、双曲距离计算单元、未来事件四元组生成单元以及未来事件四元组输出单元；
所述第一历史事件四元组生成模块，用于获取事件执行人在第一历史时段内所执行的事件的第一历史事件信息，并根据所述事件构建若干第一历史事件四元组；其中，所述第一历史事件四元组包括：事件所涉及的人物、各人物之间的人物关系以及事件发生的时间，并将生成的所有第一历史事件四元组传输至未来事件预测结果生成模块；
所述未来事件预测结果生成模块，用于将各第一历史事件四元组输入到预设的事件预测模型，以使所述事件预测模型对所述事件执行人在未来时刻所会执行的事件进行预测，生成未来事件预测结果；
所述模型构建模块，用于生成事件预测模型；
所述第二历史事件四元组生成子模块，用于获取事件执行人在第二历史时段内所执行的事件的第二历史事件信息，并根据所述第二历史事件信息生成若干第二历史事件四元组，并将生成的所有第二历史事件四元组传输至初始模型构建子模块；
所述初始模型构建子模块，用于将所有第二历史事件四元组按照时间先后顺序进行排列，生成历史事件的时序知识图谱，根据历史事件的时序知识图谱搭建初始模型，并将生成的初始模型传输至模型训练子模块；
所述模型训练子模块，用于以未来事件四元组为输出对初始模型进行模型训练，在训练完成后生成所述事件预测模型；
所述人物静态知识图谱生成单元，用于在模型训练时，将第二历史时段内每一历史时刻下人物的自身属性信息和人物关系进行融合，生成各个历史时刻下的人物静态知识图谱，并将生成的所有人物静态知识图谱传输至历史事件动态信息生成单元；
所述历史事件动态信息生成单元，用于将所述所有人物静态知识图谱按照时间先后顺序进行排列，根据多头注意力机制从排列后的所有人物静态知识图谱中选取若干连续时刻的人物静态知识图谱，生成历史事件动态信息，并将生成的历史事件动态信息传输至双曲距离计算单元；
所述双曲距离计算单元，用于根据历史事件动态信息，计算得到各个人物在双曲空间中所对应的坐标点与原点的双曲距离，并将计算得到的双曲距离传输至未来事件四元组生成单元；
所述未来事件四元组生成单元，用于根据各所述双曲距离，生成若干未来事件四元组，并将生成的所有未来事件四元组传输至未来事件四元组输出单元；
所述未来事件四元组输出单元，用于计算各个未来事件四元组的评估得分，将得分最高的未来事件四元组作为模型最终输出的未来事件四元组。
实施例三
请参照图3，为本发明实施例提供的一种事件的预测终端设备的结构示意图，该终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的事件的预测方法。
实施例四
相应地，本发明实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的事件的预测方法。
综上所述，本发明提供了一种事件的预测装置、终端设备以及存储介质，在进行未来事件的预测时，提高系统对事件的态势感知效果，使得对未来可能发生的事件的预测结果更科学准确。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
所述领域的技术人员可以清楚地了解到，为的方便和简洁，上述描述的装置的具体工作过程，可参考前述方法实施例中对应的过程，在此不再赘述。
终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序，所述处理器通过运行或执行存储在所述存储器内的计算机程序，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要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、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述存储介质为计算机可读存储介质，所述计算机程序存储在所述计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种事件的预测方法，其特征在于，包括如下步骤：
获取事件执行人在第一历史时段内所执行的事件的第一历史事件信息，并根据所述事件构建若干第一历史事件四元组；其中，所述第一历史事件四元组包括：事件所涉及的人物、各人物之间的人物关系以及事件发生的时间；
将各第一历史事件四元组输入到预设的事件预测模型，以使所述事件预测模型对所述事件执行人在未来时刻所会执行的事件进行预测，生成未来事件预测结果；
所述预设的事件预测模型的生成包括：
获取事件执行人在第二历史时段内所执行的事件的第二历史事件信息，并根据所述第二历史事件信息生成若干第二历史事件四元组；
将所有第二历史事件四元组按照时间先后顺序进行排列，生成历史事件的时序知识图谱，根据历史事件的时序知识图谱搭建初始模型；
以未来事件四元组为输出对初始模型进行模型训练，在训练完成后生成所述事件预测模型；
其中，在模型训练时，将第二历史时段内每一历史时刻下人物的自身属性信息和人物关系进行融合，生成各个历史时刻下的人物静态知识图谱；
将所述所有人物静态知识图谱按照时间先后顺序进行排列，根据多头注意力机制从排列后的所有人物静态知识图谱中选取若干连续时刻的人物静态知识图谱，生成历史事件动态信息；
根据历史事件动态信息，计算得到各个人物在双曲空间中所对应的坐标点与原点的双曲距离；
根据各所述双曲距离，生成若干未来事件四元组；
计算各个未来事件四元组的评估得分，将得分最高的未来事件四元组作为模型最终输出的未来事件四元组。
2.如权利要求1所述的事件的预测方法，其特征在于，所述事件所涉及的人物，包括：人物主体和人物客体；其中，人物主体为事件的执行人，人物客体为除人物主体外事件的其余参与人物；
所述根据所述事件构建若干第一历史事件四元组，包括:
根据所述人物主体、各人物之间的人物关系以及事件发生的时间生成若干第一历史事件正向四元组；
根据所述人物客体、各人物之间的人物关系以及事件发生的时间生成若干第一历史事件逆向四元组；
将所述第一历史事件正向四元组和第一历史事件逆向四元组作为第一历史事件四元组。
3.如权利要求1所述的事件的预测方法，其特征在于，所述根据历史事件的时序知识图谱搭建初始模型，包括：
将历史事件的时序知识图谱进行双曲空间转换，生成初始模型。
4.如权利要求1所述的事件的预测方法，其特征在于，所述将第二历史时段内每一历史时刻下人物的自身属性信息和人物关系进行融合，生成各个历史时刻下的人物静态知识图谱，包括：
根据第二历史时段内每一历史时刻下人物的自身属性信息和人物关系进行平均池化处理，生成每一人物的静态知识图谱；
根据各个人物的静态知识图谱和所述事件发生的时间，生成各个历史时刻下的人物静态知识图谱。
5.如权利要求1所述的事件的预测方法，其特征在于，所述根据多头注意力机制从排列后的所有人物静态知识图谱中选取若干连续时刻的人物静态知识图谱，生成历史事件动态信息，包括：
根据多头注意力机制从排列后的所有人物静态知识图谱中选取若干连续时刻的人物静态知识图谱；
将所有连续时刻的人物静态知识图谱进行融合，生成历史事件动态信息。
6.一种事件的预测装置，其特征在于，包括：第一历史事件四元组生成模块、未来事件预测结果生成模块以及模型构建模块；
所述模型构建模块包括：第二历史事件四元组生成子模块、初始模型构建子模块以及模型训练子模块；
所述模型训练子模块包括：人物静态知识图谱生成单元、历史事件动态信息生成单元、双曲距离计算单元、未来事件四元组生成单元以及未来事件四元组输出单元；
所述第一历史事件四元组生成模块，用于获取事件执行人在第一历史时段内所执行的事件的第一历史事件信息，并根据所述事件构建若干第一历史事件四元组；其中，所述第一历史事件四元组包括：事件所涉及的人物、各人物之间的人物关系以及事件发生的时间，并将生成的所有第一历史事件四元组传输至未来事件预测结果生成模块；
所述未来事件预测结果生成模块，用于将各第一历史事件四元组输入到预设的事件预测模型，以使所述事件预测模型对所述事件执行人在未来时刻所会执行的事件进行预测，生成未来事件预测结果；
所述模型构建模块，用于构建事件预测模型；
所述第二历史事件四元组生成子模块，用于获取事件执行人在第二历史时段内所执行的事件的第二历史事件信息，并根据所述第二历史事件信息生成若干第二历史事件四元组，并将生成的所有第二历史事件四元组传输至初始模型构建子模块；
所述初始模型构建子模块，用于将所有第二历史事件四元组按照时间先后顺序进行排列，生成历史事件的时序知识图谱，根据历史事件的时序知识图谱搭建初始模型，并将生成的初始模型传输至模型训练子模块；
所述模型训练子模块，用于以未来事件四元组为输出对初始模型进行模型训练，在训练完成后生成所述事件预测模型；
所述人物静态知识图谱生成单元，用于在模型训练时，将第二历史时段内每一历史时刻下人物的自身属性信息和人物关系进行融合，生成各个历史时刻下的人物静态知识图谱，并将生成的所有人物静态知识图谱传输至历史事件动态信息生成单元；
所述历史事件动态信息生成单元，用于将所述所有人物静态知识图谱按照时间先后顺序进行排列，根据多头注意力机制从排列后的所有人物静态知识图谱中选取若干连续时刻的人物静态知识图谱，生成历史事件动态信息，并将生成的历史事件动态信息传输至双曲距离计算单元；
所述双曲距离计算单元，用于根据历史事件动态信息，计算得到各个人物在双曲空间中所对应的坐标点与原点的双曲距离，并将计算得到的双曲距离传输至未来事件四元组生成单元；
所述未来事件四元组生成单元，用于根据各所述双曲距离，生成若干未来事件四元组，并将生成的所有未来事件四元组传输至未来事件四元组输出单元；
所述未来事件四元组输出单元，用于计算各个未来事件四元组的评估得分，将得分最高的未来事件四元组作为模型最终输出的未来事件四元组。
7.一种事件的预测终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的事件的预测方法。
8.一种存储介质，其特征在于，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的事件的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211452853.XA CN115907144A (zh) | 2022-11-21 | 2022-11-21 | 一种事件的预测方法、装置、终端设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211452853.XA CN115907144A (zh) | 2022-11-21 | 2022-11-21 | 一种事件的预测方法、装置、终端设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115907144A true CN115907144A (zh) | 2023-04-04 |
Family
ID=86480984
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211452853.XA Pending CN115907144A (zh) | 2022-11-21 | 2022-11-21 | 一种事件的预测方法、装置、终端设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115907144A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116187094A (zh) * | 2023-04-18 | 2023-05-30 | 中国标准化研究院 | 一种基于工作情况实时分析的质量工作预测系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156809A (zh) * | 2011-03-26 | 2011-08-17 | 朱君 | 气象气候区划论证及成因 |
| US20120278129A1 (en) * | 2011-04-28 | 2012-11-01 | Yahoo! Inc. | Embedding calendar knowledge in event-driven inventory forecasting |
| WO2018036239A1 (zh) * | 2016-08-24 | 2018-03-01 | 慧科讯业有限公司 | 基于行业知识图谱数据库对互联网媒体事件进行监测的方法、装置和系统 |
| CN110956254A (zh) * | 2019-11-12 | 2020-04-03 | 浙江工业大学 | 一种基于动态知识表示学习的案件推理方法 |
| CN111291243A (zh) * | 2019-12-30 | 2020-06-16 | 浙江大学 | 一种人物事件的时空信息不确定性的可视化推理方法 |
| CN112732781A (zh) * | 2020-12-30 | 2021-04-30 | 深圳市网联安瑞网络科技有限公司 | 融合数据质量多维度评估的网情态势动态绘制系统及方法 |
| CN113742489A (zh) * | 2021-08-05 | 2021-12-03 | 昆明理工大学 | 一种基于时序知识图谱的综合影响力补偿方法 |
| WO2022062193A1 (zh) * | 2020-09-28 | 2022-03-31 | 南京博雅区块链研究院有限公司 | 基于时序归因分析的个人信用评估与解释方法、装置、设备及存储介质 |
| CN114707685A (zh) * | 2021-12-17 | 2022-07-05 | 武汉烽火众智智慧之星科技有限公司 | 一种基于大数据建模分析的事件预测方法及装置 |
| CN114896387A (zh) * | 2022-01-18 | 2022-08-12 | 厦门渊亭信息科技有限公司 | 军事情报分析可视化方法、装置以及计算机可读存储介质 |
| CN115062779A (zh) * | 2022-05-24 | 2022-09-16 | 中国科学院自动化研究所 | 基于动态知识图谱的事件预测方法及装置 |
-
2022
- 2022-11-21 CN CN202211452853.XA patent/CN115907144A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156809A (zh) * | 2011-03-26 | 2011-08-17 | 朱君 | 气象气候区划论证及成因 |
| US20120278129A1 (en) * | 2011-04-28 | 2012-11-01 | Yahoo! Inc. | Embedding calendar knowledge in event-driven inventory forecasting |
| WO2018036239A1 (zh) * | 2016-08-24 | 2018-03-01 | 慧科讯业有限公司 | 基于行业知识图谱数据库对互联网媒体事件进行监测的方法、装置和系统 |
| CN110956254A (zh) * | 2019-11-12 | 2020-04-03 | 浙江工业大学 | 一种基于动态知识表示学习的案件推理方法 |
| CN111291243A (zh) * | 2019-12-30 | 2020-06-16 | 浙江大学 | 一种人物事件的时空信息不确定性的可视化推理方法 |
| WO2022062193A1 (zh) * | 2020-09-28 | 2022-03-31 | 南京博雅区块链研究院有限公司 | 基于时序归因分析的个人信用评估与解释方法、装置、设备及存储介质 |
| CN112732781A (zh) * | 2020-12-30 | 2021-04-30 | 深圳市网联安瑞网络科技有限公司 | 融合数据质量多维度评估的网情态势动态绘制系统及方法 |
| CN113742489A (zh) * | 2021-08-05 | 2021-12-03 | 昆明理工大学 | 一种基于时序知识图谱的综合影响力补偿方法 |
| CN114707685A (zh) * | 2021-12-17 | 2022-07-05 | 武汉烽火众智智慧之星科技有限公司 | 一种基于大数据建模分析的事件预测方法及装置 |
| CN114896387A (zh) * | 2022-01-18 | 2022-08-12 | 厦门渊亭信息科技有限公司 | 军事情报分析可视化方法、装置以及计算机可读存储介质 |
| CN115062779A (zh) * | 2022-05-24 | 2022-09-16 | 中国科学院自动化研究所 | 基于动态知识图谱的事件预测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 李璇: "基于作战数据分析的装备评价与运用方案决策研究", 《中国博士学位论文全文数据库社会科学Ⅰ辑》, no. 01, pages 112 - 7 * |
| 项宇豪: "面向金融事件的知识图谱构建与应用", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 08, pages 138 - 185 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116187094A (zh) * | 2023-04-18 | 2023-05-30 | 中国标准化研究院 | 一种基于工作情况实时分析的质量工作预测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guo et al. | A stock market forecasting model combining two-directional two-dimensional principal component analysis and radial basis function neural network | |
| CN110796513A (zh) | 多任务学习方法、装置、电子设备及存储介质 | |
| CN115033662A (zh) | 一种分布式注意的时序知识图谱推理方法 | |
| CN111626827B (zh) | 基于序列推荐模型的物品推荐方法、装置、设备及介质 | |
| CN110889340A (zh) | 一种基于迭代注意力机制的视觉问答模型 | |
| CN115238855A (zh) | 基于图神经网络的时序知识图谱的补全方法及相关设备 | |
| CN116821301A (zh) | 基于知识图谱的问题应答方法、装置、介质及计算机设备 | |
| CN115907144A (zh) | 一种事件的预测方法、装置、终端设备以及存储介质 | |
| CN115034430A (zh) | 碳排放量预测方法、装置、终端及存储介质 | |
| CN112699215A (zh) | 基于胶囊网络与交互注意力机制的评级预测方法及系统 | |
| CN110263973B (zh) | 预测用户行为的方法及装置 | |
| CN116993185B (zh) | 时间序列预测方法、装置、设备及存储介质 | |
| US11983633B2 (en) | Machine learning predictions by generating condition data and determining correct answers | |
| CN117453929A (zh) | 知识图谱补全方法、系统、设备及存储介质 | |
| CN116975290A (zh) | 数据处理方法、装置、电子设备和计算机可读存储介质 | |
| CN109657907B (zh) | 地理国情监测数据的质量控制方法、装置和终端设备 | |
| CN116468043A (zh) | 嵌套实体识别方法、装置、设备及存储介质 | |
| CN116467466A (zh) | 基于知识图谱的编码推荐方法、装置、设备及介质 | |
| CN116230146A (zh) | 数据处理方法、icd编码模型的训练方法及相关设备 | |
| KR20200112495A (ko) | 상권 분석 서비스 제공 서버 및 그 방법 | |
| CN114429384B (zh) | 基于电商平台的产品智能推荐方法及系统 | |
| CN117709497A (zh) | 对象信息预测方法、装置、计算机设备和存储介质 | |
| CN114358186A (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
| CN114429244A (zh) | 一种基于图神经网络的舆情流行度预测方法及系统 | |
| CN114900435A (zh) | 一种连接关系预测方法及相关设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230404 |