WO2021004333A1 - 基于知识图谱的事件处理方法、装置、设备和存储介质 - Google Patents

基于知识图谱的事件处理方法、装置、设备和存储介质 Download PDF

Info

Publication number
WO2021004333A1
WO2021004333A1 PCT/CN2020/099279 CN2020099279W WO2021004333A1 WO 2021004333 A1 WO2021004333 A1 WO 2021004333A1 CN 2020099279 W CN2020099279 W CN 2020099279W WO 2021004333 A1 WO2021004333 A1 WO 2021004333A1
Authority
WO
WIPO (PCT)
Prior art keywords
event
information
target domain
knowledge graph
information text
Prior art date
Application number
PCT/CN2020/099279
Other languages
English (en)
French (fr)
Inventor
孙佳兴
吴嘉豪
蒋逸文
黄鸿顺
Original Assignee
平安科技（深圳）有限公司
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 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2021004333A1 publication Critical patent/WO2021004333A1/zh

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
    • 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
    • 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

Definitions

  • This application relates to the field of computer technology, in particular to an event processing method, device, computer equipment and storage medium based on a knowledge graph.
  • Events refer to events that computer equipment can handle.
  • Computer equipment can process and analyze events through event handlers. Events in different fields can be implemented through different event handlers. Computers can digitize various events, and then realize the processing of events. For example, user behavior on Internet products can be transformed into user behavior events, investment behavior in the economic field can be transformed into investment events, and so on.
  • the inventor realizes that the current processing of events in the target field is usually implemented based on preset rules.
  • Event processing is completely limited to the only rules in the business code, resulting in low accuracy in processing events in the target field.
  • a large amount of data on the events in the target domain needs to be queried to obtain the analysis results, and the processing efficiency is extremely low.
  • an event processing method, device, computer device, and storage medium based on a knowledge graph are provided.
  • An event processing method based on a knowledge graph comprising:
  • Inference is performed according to the matched entity and the inference path corresponding to the target domain event in the knowledge graph, and the corresponding event analysis result is obtained.
  • an event processing device based on a knowledge graph comprising:
  • An acquisition module for acquiring information text crawled from the information platform and trigger words in the information text
  • the event type determining module is used to determine the event type corresponding to the content of the information text according to the trigger word;
  • the event meta information extraction module is used to obtain a preset target domain event template when the event type belongs to a target domain event; determine the event meta role corresponding to the event type according to the target domain event template; Extract the event element corresponding to each determined event element role from the information text; generate structured data based on the event element role and the corresponding event element; use the generated structured data as corresponding to the information text Event meta information;
  • the entity matching module is used to match the extracted event meta information with the entities in the knowledge graph.
  • the event reasoning module is used to perform reasoning based on the matched entity and the reasoning path corresponding to the target domain event in the knowledge graph, and obtain the corresponding event analysis result.
  • a computer device including a memory and one or more processors, the memory stores computer readable instructions, when the computer readable instructions are executed by the processor, the one or more processors execute The following steps:
  • Inference is performed according to the matched entity and the inference path corresponding to the target domain event in the knowledge graph, and the corresponding event analysis result is obtained.
  • One or more computer-readable storage media storing computer-readable instructions.
  • the one or more processors execute the following steps:
  • Inference is performed according to the matched entity and the inference path corresponding to the target domain event in the knowledge graph, and the corresponding event analysis result is obtained.
  • the above-mentioned event processing method, device, computer equipment and storage medium based on the knowledge graph can determine the event type corresponding to the content of the information text according to the trigger word in the information text after obtaining the information text.
  • the event type belongs to the target domain event
  • the event meta-role corresponding to the event type can be determined, and then the event meta-role corresponding to each event meta-role is extracted from the information text to obtain structured data including the event meta-role and the event meta, as the target domain
  • the event meta-information corresponding to the event can accurately and comprehensively express the target field event described in the information text, which is the basis for the subsequent accurate processing of the target field event through the knowledge graph.
  • the extracted event meta-information is matched with the entities in the knowledge graph, and inference is performed based on the matched entities and the reasoning path corresponding to the target domain event in the knowledge graph, and the corresponding event analysis results can be directly obtained, compared with the business
  • the event processing method with preset fixed rules is embedded in the code.
  • the event analysis method based on the knowledge graph in this application does not need to query a large amount of data for analysis, which improves the efficiency of event analysis in the target domain.
  • the reasoning path can be updated and expanded, which can improve the accuracy of event analysis.
  • FIG. 1 is an application scenario diagram of an event processing method based on a knowledge graph according to one or more embodiments
  • FIG. 2 is a schematic flowchart of an event processing method based on a knowledge graph according to one or more embodiments
  • Fig. 3 is a schematic diagram of event reasoning on financing events based on a knowledge graph in one or more embodiments
  • FIG. 4 is a schematic flowchart of an event processing method based on a knowledge graph in another embodiment
  • Figure 5 is a block diagram of an event processing device based on a knowledge graph according to one or more embodiments
  • Figure 6 is a block diagram of a computer device according to one or more embodiments.
  • the event processing method based on the knowledge graph provided in this application can be applied to the application environment as shown in FIG. 1.
  • the terminal 102 communicates with the server 104 through the network.
  • the server 104 can obtain the information text crawled from the information platform and the trigger words in the information text, and determine the event type corresponding to the content of the information text according to the trigger word.
  • obtain The preset target domain event template determines the event meta role corresponding to the event type according to the target domain event template, extracts the event meta role corresponding to each determined event meta role from the information text, and generates it based on the event meta role and the corresponding event meta.
  • the server 104 may also push the obtained event analysis result to the terminal 102.
  • the terminal 102 may be, but is not limited to, various personal computers, notebook computers, smart phones, tablet computers, and portable wearable devices.
  • the server 104 may be implemented as an independent server or a server cluster composed of multiple servers.
  • an event processing method based on a knowledge graph is provided. Taking the method applied to the server 104 in FIG. 1 as an example, the method includes the following steps:
  • Step 202 Obtain the information text crawled from the information platform and the trigger words in the information text.
  • the information text is the text corresponding to the information content crawled from the information platform on the Internet, including the text in the news, announcement documents, regulatory documents, margin financing and securities lending and other documents crawled from the designated website.
  • the designated website can be It is a website related to the target field, such as an exchange, a listed company, or a securities company, such as Zhongcai.com.
  • Trigger words are the core words that can indicate the occurrence of events. For example, if the target field event is an investment event in the economic field, the trigger words that indicate the occurrence of the investment event include "loss", "merger”, “fake”, “buy”, “sell” "Export”, “M&A”, “Financing", etc.
  • a large number of information texts can be crawled from a website, and the frequency of occurrence of each word in these information texts is counted, and words with high frequency are used as trigger words in the target field, and these trigger words constitute a trigger word database in the target field.
  • the target field events are events that occurred during the investment process and the facts that occurred.
  • the target field events include financing events, merger and reorganization events, and listing events.
  • obtaining the information text crawled from the information platform and the trigger words in the information text includes: monitoring the information platform; when the information platform is monitored to generate new target field information, obtaining the corresponding information text; The text is segmented to obtain the corresponding word set; the words belonging to the trigger word database in the word set are used as the trigger words corresponding to the information text.
  • the information platform refers to the source of information text, including websites related to the target field, and institutional databases in the target field.
  • the server can monitor the information platform. When it detects that the information platform has released a new information text, it will obtain the newly added information text, segment the information text by sentence to obtain each sentence, and perform word segmentation on each sentence obtained to obtain For the word set corresponding to the information text, each word in the word set is matched with a word in the preset trigger vocabulary, and if it matches, the word is used as the trigger word corresponding to the information text.
  • the above method may further include: determining sentences that include at least one trigger word in the information text according to the determined trigger words, and determining the event subject corresponding to the event according to these sentences.
  • the subject of the event is the object involved in the event, including individuals or companies.
  • Step 204 Determine the event type corresponding to the content of the information text according to the trigger word.
  • event types can be divided into two broad categories, one is an event belonging to the target domain event, and the other is an event not belonging to the target domain event. Since there are many trigger words extracted from the information text, it is necessary to determine the event type corresponding to the acquired information text according to these trigger words.
  • the event trigger vocabulary can be preset, and the event trigger vocabulary stores the trigger words corresponding to each event.
  • the event trigger vocabulary stores the trigger words corresponding to each event.
  • Trigger words include "financing, A round of financing, B round of financing, investment”; the trigger words for "user information leakage incidents" that are not financial events include “leakage, theft, user information theft, theft, authorization” Wait.
  • the corresponding event type is determined according to the degree of coincidence between these trigger words and the trigger words corresponding to each event in the event trigger vocabulary.
  • the coincidence degree can be calculated according to the proportion of the trigger word corresponding to an event in the trigger word corresponding to the information text. For example, the number of occurrences of the trigger word in the information text is M, of which N trigger words belong to the "financing event"
  • the calculation formula for coincidence degree p is:
  • determining the event type corresponding to the content of the information text according to the trigger word includes: inputting each trigger word into a trained event classification model based on deep learning; outputting an event corresponding to the information text through the event classification model Types of.
  • an event classification model based on deep learning can be used to determine the event type corresponding to the information text.
  • each obtained trigger word can be input into a trained event classification model, and the event classification model is used to calculate the event type corresponding to the most likely event based on all trigger words.
  • the event classification model can convert each trigger word into a corresponding word vector, analyze the relationship between each word vector through the hidden layer of the model, and output the event type corresponding to the information text.
  • all trigger words and the extracted event subject can also be used as the input of the event classification model, and the corresponding event type is output through the event classification model.
  • the output result can be a "financing event”.
  • Step 206 When the event type belongs to the target domain event, obtain the preset target domain event template, and obtain the preset target domain event template; determine the event meta-role corresponding to the event type according to the target domain event template; extract from the information text The event element corresponding to the determined event element roles; the structured data generated according to the event element role and the corresponding event element; the generated structured data is used as the event element information corresponding to the information text.
  • the target field information does not necessarily describe the target field event, that is, the event type obtained in step 204 does not necessarily belong to the target field event.
  • the event type When the event does not belong to the target domain, there is no need to further analyze the event through subsequent steps 208-210, thereby ending the entire process.
  • the event type determined according to the trigger word belongs to the target domain event, it is necessary to further extract the event meta information from the information text.
  • the event meta information includes the event meta role and the event meta.
  • the event meta role is all the elements participating in the event, such as the time, location, related people, participants, and reason for the event.
  • the event meta is Specific information corresponding to each event meta-role, such as "December 20, 2018”, “Shenzhen”, “XX Company”, etc.
  • a target domain event template of the target domain can be preset, and the event meta-role corresponding to various target domain events is stored in the target domain event template.
  • Event meta-roles corresponding to events in different target fields are different.
  • the meta-roles of events corresponding to "financing events” include: investor, financing party, financing time, round, financing amount, and events corresponding to "merger and reorganization events"
  • Meta roles include: the merging party, the time of the merger, the share of company A and the share of company B.
  • named entity recognition can be performed on each word in the information text, and the obtained named entity and named entity type can respectively correspond to the event element and the role of the event element in the event meta information. Specifically, if the event type is a certain type of event related to the target field, each word in the information text is identified by named entity to determine whether the named entity type of the word belongs to the event meta-role corresponding to the event. If so, Then extract the word as the event element.
  • the event type determined according to the trigger word is "financing event”
  • the event meta-role corresponding to the financing event is queried according to the preset target field event template, including "investor, financing party, financing time, round, financing amount "
  • the corresponding event elements extracted from the information text are "XX fund, YY bicycle, December 24, 2018, round A, 30 million”
  • the structure of "event element role: event element” is obtained.
  • Chemical data “Investor: XX fund”; “Financier: YY bicycle”; “Financing time: December 24, 2018”; “Round: A round”; “Funding amount: 30 million”, used to indicate The event meta information of the news text.
  • Step 208 Match the extracted event meta information with entities in the knowledge graph.
  • the knowledge graph stores a large amount of knowledge in the target field in the form of graph data, including a large number of entities, attributes, and relationships between entities and entities.
  • the entity in the knowledge graph refers to something that is distinguishable and independent in the target domain knowledge, such as a certain fund manager, a certain city, a certain university, a certain company or a certain investment product.
  • the extracted event meta information is "Beijing University", and similar entities in the knowledge graph include “Peking University” and “ “Beijing University”, “Beijing Institute of Technology”, etc., so it is necessary to match the event meta information with an entity in the knowledge graph.
  • matching the extracted event meta information with entities in the knowledge graph includes: determining candidate entities in the knowledge graph corresponding to the event elements in the event meta information; calculating each candidate entity and the extracted event meta information The similarity between the two; based on the similarity, select the entities that match the event element from the candidate entities.
  • candidate entities related to the extracted event element may be queried in the knowledge graph, entity disambiguation may be performed on all candidate entities, and a unique entity may be determined. For example, if the candidate entities related to the event element "Peking University" are queried, including “Peking University” and "Beijing Institute of Technology", the description information related to each candidate entity can be obtained through the search engine, and the extracted event element "Peking University” and each Based on the similarity between the description information corresponding to the candidate entities, the unique entity "Peking University” is determined based on the level of similarity, so as to match the entity "Peking University” in the knowledge graph.
  • Step 210 Perform inference according to the matched entity and the inference path corresponding to the event in the target domain in the knowledge graph, and obtain the corresponding event analysis result.
  • the reasoning path is a reasoning rule formed by the relationship between the target domain event, the entity involved in the target domain event, and the realization in the knowledge graph.
  • the reasoning path of the target domain knowledge can be defined in advance, the reasoning logic corresponding to the target domain events of different event types can be clarified, and the reasoning paths corresponding to various target domain events can be stored in the database.
  • inference is performed based on the matched entity and the inference path corresponding to the target domain event in the knowledge graph, and the corresponding event analysis result is obtained including: determining the inference path corresponding to the target domain event according to the knowledge graph; obtaining according to the knowledge graph The entity relationship corresponding to the matched entity; the event analysis result is generated according to the inference path, the matched entity and the corresponding entity relationship.
  • the nodes in the knowledge graph include event types.
  • the event type of "YY bicycle received 30 million round A financing" is "financing event”.
  • the inference path corresponding to the event in the target domain can be obtained.
  • the event meta-information corresponding to the event in the target domain is matched with the entity in the knowledge graph, the The event of the target domain is linked with the entities in the knowledge graph, so as to obtain the event analysis result corresponding to the event of the target domain.
  • the reasoning path obtained is: financing event-the company involved is-the company-the competing company is-company, where "the company involved is” is the “financing event” in the knowledge graph
  • the attribute of "", “the company with competitive relationship” is the relationship between the entity "company” and “company” in the knowledge graph.
  • FIG. 3 it is a schematic diagram of event reasoning for financing events based on a knowledge graph in an embodiment.
  • the event element of the event "YY bicycle received 30 million round A financing” includes “YY bicycle”
  • the entity matching the event element in the knowledge map is “YY bicycle company”
  • the entity "YY bicycle company” is recorded in the knowledge map Competitor relationship between "Company” and the entity “M Company”
  • the event type corresponding to the event is a financing event. Therefore, according to the reasoning path corresponding to the financing event: financing event-the company involved is-company-there is a competitive relationship
  • the company of is-company, the reasoning information obtained includes:
  • the analysis results of the event corresponding to the financing event can be obtained based on the above-mentioned reasoning information: YY Bicycle Company received XX Fund Company's A round of financing of 30 million, YY Bicycle Company has upgraded its strategy, and Company M may be constrained.
  • the entity types in the knowledge graph include target domain events, and the target domain events correspond to at least one reasoning path; the method further includes: adding event attributes corresponding to the target domain events in the knowledge graph; updating the target according to the event attributes The reasoning path corresponding to the domain event; store the updated reasoning path corresponding to the target domain event in the database.
  • the new reasoning path added is: financing event-the senior leader corresponding to the invested company is-senior leader Employer-former company-company, where "previous company” is the attribute of the entity "senior leader”.
  • the reasoning rule corresponding to the event type can also be modified according to the attributes of each entity in the knowledge graph. For events whose event type is "financing events", more inference paths can be set, and multi-dimensional analysis results can be obtained based on these inference paths and knowledge graphs. For example, based on prior investment knowledge, the corresponding investment strategy reasoning path can be set for different event types, investment information can be obtained, and investment information can be pushed to users.
  • the above method may also include the following steps: acquiring entities involved in the event in the target field, determining user characteristics based on user browsing records, determining users related to the entities involved based on user characteristics, and pushing the event analysis results to the user corresponding to the user
  • the terminal makes the user who receives the event analysis result pay attention to the corresponding entity.
  • the event type corresponding to the content of the information text can be determined according to the trigger word in the information text.
  • the event template can be Determine the event meta-role corresponding to the event type, and then extract the event meta-role corresponding to each event meta-role from the information text to obtain structured data including the event meta-role and the event element as the event meta-information corresponding to the event in the target domain.
  • the extracted event meta-information is matched with the entities in the knowledge graph, and inference is performed based on the matched entities and the reasoning path corresponding to the target domain event in the knowledge graph, and the corresponding event analysis results can be directly obtained, compared with the business
  • the event processing method with preset fixed rules is embedded in the code.
  • the event analysis method based on the knowledge graph in this application does not need to query a large amount of data for analysis, which improves the efficiency of event analysis in the target domain.
  • the reasoning path can be updated and expanded, which can improve the accuracy of event analysis.
  • the event processing method based on the knowledge graph specifically includes the following steps:
  • Step 402 monitor the information platform
  • Step 404 when it is monitored that the information platform generates new target field information, obtain the corresponding information text
  • Step 406 Perform word segmentation on the information text to obtain a corresponding word set
  • Step 408 Use the words belonging to the trigger word database in the word set as the trigger words corresponding to the information text;
  • Step 410 Input each trigger word into a trained event classification model based on deep learning
  • Step 412 Output the event type corresponding to the information text through the event classification model
  • Step 414 Obtain a preset event template of the target domain
  • Step 416 Determine the event meta role corresponding to the event type according to the event template of the target domain
  • Step 418 Extract event elements corresponding to each determined event element role from the information text
  • Step 420 structured data generated according to the role of the event element and the corresponding event element
  • Step 422 Use the generated structured data as event meta information corresponding to the information text
  • Step 424 Determine the candidate entity corresponding to the event element in the event meta information in the knowledge graph
  • Step 426 Calculate the similarity between each candidate entity and the extracted event meta information
  • Step 428 Screen entities matching the event element from candidate entities based on the similarity.
  • Step 430 Determine a reasoning path corresponding to the event in the target domain according to the knowledge graph
  • Step 432 Obtain the entity relationship corresponding to the matched entity according to the knowledge graph
  • Step 434 Generate an event analysis result according to the inference path, the matched entity and the corresponding entity relationship.
  • an event processing device 500 based on a knowledge graph including: an acquisition module 502, an event type determination module 504, an event meta information extraction module 506, an entity matching module 508, and Event reasoning module 510, where:
  • the obtaining module 502 is used to obtain information text crawled from the information platform and trigger words in the information text;
  • the event type determining module 504 is used to determine the event type corresponding to the content of the information text according to the trigger word;
  • the event meta-information extraction module 506 is used to obtain a preset target domain event template when the event type belongs to the target domain event; determine the event meta-role corresponding to the event type according to the target domain event template; extract and determine information from the information text
  • the event element corresponding to each event element role; the structured data generated according to the event element role and the corresponding event element; the generated structured data is used as the event element information corresponding to the information text;
  • the entity matching module 508 is configured to match the extracted event meta information with entities in the knowledge graph
  • the event reasoning module 510 is used to perform reasoning based on the matching entities and the reasoning path corresponding to the target domain event in the knowledge graph, and obtain the corresponding event analysis result.
  • the acquisition module 502 is also used to monitor the information platform; when it is monitored that the information platform generates new target field information, the corresponding information text is obtained; the information text is segmented to obtain the corresponding word set; The words belonging to the trigger word database in the set are used as trigger words corresponding to the news text.
  • the event type determining module 504 is also used to input each trigger word into a trained event classification model based on deep learning; and output the event type corresponding to the information text through the event classification model.
  • the entity matching module 508 is also used to determine candidate entities in the knowledge graph corresponding to the event element in the event meta information; calculate the similarity between each candidate entity and the extracted event meta information; based on the similarity Filter the entities that match the event meta from the candidate entities.
  • the event reasoning module 510 is also used to determine the reasoning path corresponding to the event in the target domain according to the knowledge graph; obtain the entity relationship corresponding to the matched entity according to the knowledge graph; according to the reasoning path, the matched entity and the corresponding The entity relationship generates event analysis results.
  • the entity type in the knowledge graph includes a target domain event, and the target domain event corresponds to at least one reasoning path; the above-mentioned device 500 further includes: a reasoning path update module for adding the target domain event corresponding to the knowledge graph According to the event attributes, update the inference path corresponding to the target domain event; store the updated inference path corresponding to the target domain event in the database.
  • the above-mentioned event processing device 500 based on the knowledge graph needs to determine the event type corresponding to the content of the information text according to the trigger words in the information text after obtaining the information text.
  • the event type belongs to the target domain event
  • the information text is extracted
  • the event meta-information corresponding to the event in the target domain is matched with the entity in the knowledge graph, and inference is performed according to the matched entity and the reasoning path corresponding to the target domain event in the knowledge graph, and the corresponding event analysis result is directly obtained.
  • the method based on the knowledge graph improves the efficiency of event analysis in the target field.
  • Each module in the event processing device 500 based on the knowledge graph can be implemented in whole or in part by software, hardware, and a combination thereof.
  • the foregoing modules may be embedded in the form of hardware or independent of the processor in the computer device, or may be stored in the memory of the computer device in the form of software, so that the processor can call and execute the operations corresponding to the foregoing modules.
  • a computer device is provided.
  • the computer device may be a server, and its internal structure diagram may be as shown in FIG. 6.
  • the computer equipment includes a processor, a memory, a network interface and a database connected through a system bus. Among them, the processor of the computer device is used to provide calculation and control capabilities.
  • the memory of the computer device includes a non-volatile storage medium and an internal memory.
  • the non-volatile storage medium stores an operating system, computer readable instructions, and a database.
  • the internal memory provides an environment for the operation of the operating system and computer-readable instructions in the non-volatile storage medium.
  • the database of the computer equipment is used to store various entities and entity attribute data in the knowledge graph.
  • the network interface of the computer device is used to communicate with an external terminal through a network connection.
  • the computer-readable instructions are executed by the processor to realize an event processing method based on the knowledge graph.
  • FIG. 6 is only a block diagram of part of the structure related to the solution of the present application, and does not constitute a limitation on the computer device to which the solution of the present application is applied.
  • the specific computer device may Including more or fewer parts than shown in the figure, or combining some parts, or having a different arrangement of parts.
  • the event processing apparatus 500 based on the knowledge graph provided in the present application may be implemented in a form of computer-readable instructions, and the computer-readable instructions may run on the computer device as shown in FIG. 6.
  • the memory of the computer device can store various program modules that make up the knowledge graph-based event processing apparatus 500, for example, the acquisition module 502, the event type determination module 504, the event meta information extraction module 506, and the entity matching module 508 shown in FIG. 5 And event reasoning module 510.
  • the computer-readable instructions formed by each program module cause the processor to execute the steps in the knowledge graph-based event processing method of each embodiment of the present application described in this specification.
  • the computer device shown in FIG. 6 may execute step 202 through the acquisition module 502 in the event processing apparatus 500 based on the knowledge graph shown in FIG. 5.
  • the computer device can execute step 204 through the event type determination module 504.
  • the computer device can perform step 206 through the event meta information extraction module 506.
  • the computer device can perform step 208 through the entity matching module 508.
  • the computer device can perform step 210 through the event inference module 510.
  • a computer device includes a memory and one or more processors.
  • the memory stores computer readable instructions.
  • the one or more processors execute the following steps:
  • Inference is performed according to the matched entity and the inference path corresponding to the target domain event in the knowledge graph, and the corresponding event analysis result is obtained.
  • the processor further implements the following steps when executing the computer-readable instructions:
  • the words belonging to the trigger word database in the word set are used as trigger words corresponding to the information text.
  • the processor further implements the following steps when executing the computer-readable instructions:
  • the event type corresponding to the information text is output through the event classification model.
  • the processor further implements the following steps when executing the computer-readable instructions:
  • entities that match the event element are selected from the candidate entities.
  • the processor further implements the following steps when executing the computer-readable instructions:
  • An event analysis result is generated according to the reasoning path, the matched entity and the corresponding entity relationship.
  • the processor further implements the following steps when executing the computer-readable instructions:
  • the updated reasoning path and the target domain event are correspondingly stored in a database.
  • One or more computer-readable storage media storing computer-readable instructions.
  • the one or more processors execute the following steps:
  • Inference is performed according to the matched entity and the inference path corresponding to the target domain event in the knowledge graph, and the corresponding event analysis result is obtained.
  • the computer-readable storage medium may be non-volatile or volatile.
  • the processor further implements the following steps when executing the computer-readable instructions:
  • the words belonging to the trigger vocabulary in the word set are used as the trigger words corresponding to the information text.
  • the processor further implements the following steps when executing the computer-readable instructions:
  • the event type corresponding to the information text is output through the event classification model.
  • the processor further implements the following steps when executing the computer-readable instructions:
  • entities that match the event element are selected from the candidate entities.
  • the processor further implements the following steps when executing the computer-readable instructions:
  • An event analysis result is generated according to the reasoning path, the matched entity and the corresponding entity relationship.
  • the processor further implements the following steps when executing the computer-readable instructions:
  • the updated reasoning path and the target domain event are correspondingly stored in a database.
  • Non-volatile memory may include read only memory (ROM), programmable ROM (PROM), electrically programmable ROM (EPROM), electrically erasable programmable ROM (EEPROM), or flash memory.
  • ROM read only memory
  • PROM programmable ROM
  • EPROM electrically programmable ROM
  • EEPROM electrically erasable programmable ROM
  • Volatile memory may include random access memory (RAM) or external cache memory.
  • RAM is available in many forms, such as static RAM (SRAM), dynamic RAM (DRAM), synchronous DRAM (SDRAM), double data rate SDRAM (DDRSDRAM), enhanced SDRAM (ESDRAM), synchronous chain Channel (Synchlink) DRAM (SLDRAM), memory bus (Rambus) direct RAM (RDRAM), direct memory bus dynamic RAM (DRDRAM), and memory bus dynamic RAM (RDRAM), etc.

Abstract

一种基于知识图谱的事件处理方法，该方法涉及基于知识图谱的事件处理，该方法包括：获取从资讯平台爬取的资讯文本及资讯文本中的触发词(202)，根据触发词确定资讯文本所对应的事件类型（204），属于目标领域事件时，获取预设的目标领域事件模板，根据目标领域事件模板确定与事件类型对应的事件元角色，从资讯文本中提取与各事件元角色对应的事件元，将根据事件元角色和相应的事件元生成的结构化数据作为与资讯文本对应的事件元信息（206）；将事件元信息与知识图谱中的实体进行匹配（208）；根据匹配的实体以及知识图谱中目标领域事件对应的推理路径进行推理，得到相应的事件分析结果（210）。

Description

基于知识图谱的事件处理方法、装置、设备和存储介质
本申请要求于2019年07月08日提交中国专利局，申请号为201910609478.7，申请名称为“基于知识图谱的事件处理方法、装置、设备和存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及计算机技术领域，特别是涉及一种基于知识图谱的事件处理方法、装置、计算机设备和存储介质。
背景技术
事件是指计算机设备能够处理的事件，计算机设备可以通过事件处理程序来对事件进行处理与分析，不同领域的事件可以通过不同的事件处理程序来实现。计算机可以将各种事件数据化，继而实现对事件进行处理，比如，用户在互联网产品上的行为可以转化为用户行为事件、经济领域发生的投资行为可以转化为投资事件，等等。
然而，发明人意识到，目前针对目标领域事件的处理，通常都是基于预设规则实现的，通过为目标领域事件设置固定的分析规则，然后将固定的分析规则嵌入至业务代码中，使得对事件的处理完全局限于业务代码中仅有的规则，导致对目标领域事件进行处理的准确性较低。并且，通过上述业务代码对目标领域事件进行分析时，需要查询与目标领域事件大量的数据才能得到分析结果，处理的效率极低。
发明内容
根据本申请公开的各种实施例，提供一种基于知识图谱的事件处理方法、装置、计算机设备和存储介质。
一种基于知识图谱的事件处理方法，所述方法包括：
获取从资讯平台爬取的资讯文本及所述资讯文本中的触发词；
根据所述触发词确定所述资讯文本的内容所对应的事件类型；
当所述事件类型属于目标领域事件时，获取预设的目标领域事件模板；
根据所述目标领域事件模板确定与所述事件类型对应的事件元角色；
从所述资讯文本中提取与确定的各所述事件元角色对应的事件元；
根据所述事件元角色和相应的事件元生成的结构化数据；
将生成的所述结构化数据作为与所述资讯文本对应的事件元信息；
将提取的事件元信息与知识图谱中的实体进行匹配；及
根据匹配的实体以及所述知识图谱中所述目标领域事件对应的推理路径进行推理，得到相应的事件分析结果。
在其中一个实施例中在其中一个实施例中在其中一个实施例中在其中一个实施例中在其中一个实施例中一种基于知识图谱的事件处理装置，所述装置包括：
获取模块，用于获取从资讯平台爬取的资讯文本及所述资讯文本中的触发词；
事件类型确定模块，用于根据所述触发词确定所述资讯文本的内容所对应的事件类型；
事件元信息提取模块，用于当所述事件类型属于目标领域事件时，获取预设的目标领域事件模板；根据所述目标领域事件模板确定与所述事件类型对应的事件元角色；从所述资讯文本中提取与确定的各所述事件元角色对应的事件元；根据所述事件元角色和相应的事件元生成的结构化数据；将生成的所述结构化数据作为与所述资讯文本对应的事件元信息；
实体匹配模块，用于将提取的事件元信息与知识图谱中的实体进行匹配；及
事件推理模块，用于根据匹配的实体以及所述知识图谱中所述目标领域事件对应的推理路径进行推理，得到相应的事件分析结果。
一种计算机设备，包括存储器和一个或多个处理器，所述存储器中储存有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述一个或多个处理器执行以下步骤：
获取从资讯平台爬取的资讯文本及所述资讯文本中的触发词；
根据所述触发词确定所述资讯文本的内容所对应的事件类型；
当所述事件类型属于目标领域事件时，获取预设的目标领域事件模板；
根据所述目标领域事件模板确定与所述事件类型对应的事件元角色；
从所述资讯文本中提取与确定的各所述事件元角色对应的事件元；
根据所述事件元角色和相应的事件元生成的结构化数据；
将生成的所述结构化数据作为与所述资讯文本对应的事件元信息；
将提取的事件元信息与知识图谱中的实体进行匹配；及
根据匹配的实体以及所述知识图谱中所述目标领域事件对应的推理路径进行推理，得到相应的事件分析结果。
一个或多个存储有计算机可读指令的计算机可读存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：
获取从资讯平台爬取的资讯文本及所述资讯文本中的触发词；
根据所述触发词确定所述资讯文本的内容所对应的事件类型；
当所述事件类型属于目标领域事件时，获取预设的目标领域事件模板；
根据所述目标领域事件模板确定与所述事件类型对应的事件元角色；
从所述资讯文本中提取与确定的各所述事件元角色对应的事件元；
根据所述事件元角色和相应的事件元生成的结构化数据；
将生成的所述结构化数据作为与所述资讯文本对应的事件元信息；
将提取的事件元信息与知识图谱中的实体进行匹配；及
根据匹配的实体以及所述知识图谱中所述目标领域事件对应的推理路径进行推理，得到相应的事件分析结果。
上述基于知识图谱的事件处理方法、装置、计算机设备和存储介质，在获取资讯文本之后，可以根据资讯文本中的触发词确定资讯文本的内容所对应的事件类型，当事件类型属于目标领域事件时，根据目标领域事件模板可以确定该事件类型所对应的事件元角色，然后从资讯文本中提取与各事件元角色对应的事件元，得到包括事件元角色和事件元的结构化数据，作为目标领域事件对应的事件元信息，能够准确全面地表达资讯文本所描述的目标领域事件，是后续通过知识图谱准确处理目标领域事件的基础。
进一步地，将提取的事件元信息与知识图谱中的实体进行匹配，根据匹配的实体以及知识图谱中目标领域事件对应的推理路径进行推理，可以直接得到相应的事件分析结果，相比于在业务代码中嵌入预设固定规则的事件处理方式，本申请基于知识图谱的事件分析方式无需查询大量数据进行分析，提高了对目标领域事件分析的效率，并且，由于知识图谱中与目标领域事件对应的推理路径可以更新与拓展，从而可以提高对事件分析的准确性。
本申请的一个或多个实施例的细节在下面的附图和描述中提出。本申请的其它特征和优点将从说明书、附图以及权利要求书变得明显。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1为根据一个或多个实施例中基于知识图谱的事件处理方法的应用场景图；
图2为根据一个或多个实施例中基于知识图谱的事件处理方法的流程示意图；
图3为根据一个或多个实施例中基于知识图谱对融资事件进行事件推理的示意图；
图4为另一个实施例中基于知识图谱的事件处理方法的流程示意图；
图5为根据一个或多个实施例中基于知识图谱的事件处理装置的框图；
图6为根据一个或多个实施例中计算机设备的框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于知识图谱的事件处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104可以获取从资讯平台爬取的资讯文本及资讯文本中的触发词，根据触发词确定资讯文本的内容所对应的事件类型，当事件类型属于目标领域事件时，属于目标领域事件时，获取预设的目标领域事件模板，根据目标领域事件模板确定与事件类型对应的事件元角色，从资讯文本中提取与确定的各事件元角色对应的事件元，根据事件元角色和相应的事件元生成的结构化数据，将生成的结构化数据作为与资讯文本对应的事件元信息，将提取的事件元信息与知识图谱中的实体进行匹配，根据匹配的实体以及知识图谱中目标领域事件对应的推理路径进行推理，得到相应的事件分析结果。服务器104还可以将得到的事件分析结果推送至终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在其中一个实施例中，如图2所示，提供了一种基于知识图谱的事件处理方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤202，获取从资讯平台爬取的资讯文本及资讯文本中的触发词。
其中，资讯文本是从网络上的资讯平台爬取的资讯内容所对应的文本，包括从指定网站上爬取的新闻、公告文件、监管文件、融资融券等文件中的文本，指定网站比如可以是交易所、上市公司或证券公司等与目标领域相关的网站，比如中财网。触发词是能够表示事件发生的核心词，比如目标领域事件为经济领域的投资事件，则表示投资事件发生的触发词包括“亏损”、“合并”、“作假”、“买入”、“卖出”、“并购”、“融资”等。
具体地，可以从网站上爬取的大量资讯文本，统计这些资讯文本中各个词出现的频次，将频次高的词语作为目标领域的触发词，这些触发词构成目标领域的触发词库。比如，当目标领域为金融领域时，则目标领域事件是投资过程中发生的事件以及发生的事件组成的事实，目标领域事件包括融资事件、合并重组事件和上市事件等。
在其中一个实施例中，获取从资讯平台爬取的资讯文本及资讯文本中的触发词包括：监测资讯平台；当监测到资讯平台生成新的目标领域资讯时，获取对应的资讯文本；对资讯文本进行分词，得到对应的词集合；将词集合中属于触发词库的词作为与资讯文本对应的触发词。
其中，资讯平台是指资讯文本的来源，包括目标领域相关的网站、目标领域的机构数据库等。服务器可以监测资讯平台，当监测到资讯平台发布了新的资讯文本时，则获取新 增的资讯文本，对资讯文本按句进行分割，得到每个句子，对得到的每个句子进行分词，得到该资讯文本所对应的词集合，将词集合中的每个词与预设的触发词库中的单词进行匹配，若匹配到，则将该单词作为该资讯文本所对应的触发词。
在其中一个实施例中，上述方法还可以包括：根据确定的各个触发词，确定资讯文本中包括至少一个触发词的句子，根据这些句子确定事件所对应的事件主体。事件主体是事件涉及的对象，包括个人或企业。
步骤204，根据触发词确定资讯文本的内容所对应的事件类型。
在本实施例中，事件类型可以分成两个大类，一个是属于目标领域事件的事件，一个是不属于目标领域事件的事件。由于从资讯文本中提取出的触发词较多，需要根据这些触发词确定获取的资讯文本所对应的事件类型。
在其中一个实施例中，可以预先设置事件触发词表，事件触发词表中存储了各个事件对应的触发词，比如，查询事件触发词表，可以得到属于金融领域事件的“融资事件”对应的触发词包括“融资、A轮融资、B轮融资、投资”；而不属于金融领域事件的“用户信息泄露事件”对应的触发词包括“泄露、盗取、用户信息被盗、窃取、授权”等。在得到资讯文本对应的触发词后，根据这些触发词与事件触发词表中各个事件对应的触发词之间的重合度，确定对应的事件类型。重合度可以根据与某个事件对应的触发词在资讯文本对应的触发词中出现的比例计算得到，比如，资讯文本中触发词出现的次数为M，其中有N个触发词属于“融资事件”对应的触发词，则重合度p的计算公式为：.
在其中一个实施例中，根据触发词确定资讯文本的内容所对应的事件类型包括：将各触发词输入至已训练的基于深度学习的事件分类模型；通过事件分类模型输出与资讯文本对应的事件类型。
在本实施例中，可以通过基于深度学习的事件分类模型来判断资讯文本对应的事件类型。具体地，可以将得到的各个触发词输入至已训练的事件分类模型中，通过事件分类模型基于所有的触发词计算出最有可能出现的事件所对应的事件类型。事件分类模型可以将各个触发词转换为对应的词向量，通过模型的隐藏层对各个词向量之间的关系进行分析，输出得到资讯文本对应的事件类型。
在其中一个实施例中，还可以将所有的触发词以及提取的事件主体共同作为事件分类模型的输入，通过事件分类模型输出相应的事件类型。比如输出结果可以是“融资事件”。
步骤206，当事件类型属于目标领域事件时，获取预设的目标领域事件模板，获取预设的目标领域事件模板；根据目标领域事件模板确定与事件类型对应的事件元角色；从资讯文本中提取与确定的各事件元角色对应的事件元；根据事件元角色和相应的事件元生成的结构化数据；将生成的结构化数据作为与资讯文本对应的事件元信息。
虽然步骤202中得到的触发词是根据资讯文本获取的，但是该目标领域资讯描述的而不一定是目标领域事件，也就是通过步骤204得到的事件类型并不一定属于目标领域事件，当事件类型不属于目标领域事件时，则无需进一步对该事件通过后续的步骤208-210进行分析，从而结束整个流程。当根据触发词确定的事件类型属于目标领域事件时，则需进一步从资讯文本中提取事件元信息。
其中，事件元信息包括事件元角色和事件元，事件元角色是参与该事件的所有元素，比如该事件发生的时间、地点、相关的人物、参与方、发生的原因等等，而事件元是与各个事件元角色对应的具体的信息，比如“2018年12月20日”、“深圳”、“XX公司”等。
具体地，可以预先设置目标领域的目标领域事件模板，在目标领域事件模板存储了各种目标领域事件对应的事件元角色。不同的目标领域事件对应的事件元角色存在差异，比如，“融资事件”对应的事件元角色包括：投资方，融资方，融资时间，轮次，融资额，而“合并重组事件”对应的事件元角色包括：合并方，合并时间，A公司占股，B公司占股。
在其中一个实施例中，可以对资讯文本中的每个词进行命名实体识别，得到的命名实体和命名实体类型可以分别对应事件元信息中的事件元和事件元角色。具体地，若事件类型是与目标领域相关的某类事件，则对该资讯文本中的每个词进行命名实体识别，判断该词的命名实体类型是否属于该事件对应的事件元角色，若是，则提取该词作为事件元。
比如，根据触发词确定的事件类型为“融资事件”，根据预设的目标领域事件模板，查询到与融资事件对应的事件元角色包括“投资方、融资方、融资时间、轮次、融资额”，从资讯文本中提取出的相应的事件元分别为“XX基金、YY单车、2018年12月24日、A轮、3000万”，就得到了以“事件元角色：事件元”的结构化数据：“投资方：XX基金”；“融资方：YY单车”；“融资时间：2018年12月24日”；“轮次：A轮”；“融资额：3000万”，用于表示该资讯文本的事件元信息。
步骤208，将提取的事件元信息与知识图谱中的实体进行匹配。
其中，知识图谱将目标领域的大量知识以图数据的形式进行存储，包括大量的实体、属性和实体与实体之间的关系。知识图谱中的实体指的目标领域知识中具有可区别性独立存在的某种事物，比如某个基金经理、某个城市、某个大学、某个公司或某个投资产品等。
由于提取的事件元信息中的事件元与知识图谱中的实体并不是完全一致的，比如提取出的事件元信息为“北大”，而知识图谱中与之相似的实体包括“北京大学”、“北平大学”、“北京理工大学”等，因此需要将事件元信息与知识图谱中的某个实体匹配。
在其中一个实施例中，将提取的事件元信息与知识图谱中的实体进行匹配包括：确定知识图谱中与事件元信息中的事件元对应的候选实体；计算各候选实体与提取的事件元信息之间的相似度；基于相似度从候选实体中筛选与事件元匹配的实体。
在其中一个实施例中，可以在知识图谱中查询与提取出的事件元相关的候选实体，对所有的候选实体进行实体消歧，确定唯一的实体。比如，查询到与事件元“北大”相关的候选实体包括“北京大学”、“北京理工大学”，可以通过搜索引擎获取与各个候选实体相关的描述信息，计算提取的事件元“北大”与各个候选实体对应的描述信息之间的相似性，基于相似性的高低确定唯一的实体“北京大学”，从而匹配上知识图谱中的实体“北京大学”。
步骤210，根据匹配的实体以及知识图谱中目标领域事件对应的推理路径进行推理，得到相应的事件分析结果。
其中，推理路径是知识图谱中目标领域事件、目标领域事件所涉及的实体以及实现之间的关系构成的推理规则。可以预先定义目标领域知识的推理路径，明确不同事件类型的目标领域事件对应的推理逻辑，并将各类目标领域事件对应的推理路径存储在数据库中。
在其中一个实施例中，根据匹配的实体以及知识图谱中目标领域事件对应的推理路径进行推理，得到相应的事件分析结果包括：根据知识图谱确定与目标领域事件对应的推理路径；根据知识图谱获取与匹配的实体对应的实体关系；根据推理路径、匹配的实体和对应的实体关系生成事件分析结果。
具体地，知识图谱中的节点包括事件类型，比如“YY单车获A轮融资3000万”的事件类型是“融资事件”。在确定了目标领域事件对应的事件类型后就可以获取与该目标领域事件对应的推理路径，将该目标领域事件对应的事件元信息与知识图谱中的实体匹配后，就可以根据实体关系将该目标领域事件与知识图谱中的实体联系起来，从而得到该目标领域事件对应的事件分析结果。
比如，对于“融资事件”，获取的推理路径为：融资事件-所涉及的公司为-公司-存在竞争关系的公司为-公司，其中，“所涉及的公司为”是知识图谱中“融资事件”的属性，“存在竞争关系的公司为”是知识图谱中实体“公司”与“公司”之间的关系。
如图3所示，为一个实施例中基于知识图谱对融资事件进行事件推理的示意图。参照图3，事件“YY单车获A轮融资3000万”的事件元包括“YY单车”，知识图谱中与该 事件元匹配的实体为“YY单车公司”，知识图谱中记录了实体“YY单车公司”与实体“M公司”之间的竞争对手关系，并且该事件对应的事件类型为融资事件，因此，根据融资事件对应的推理路径：融资事件-所涉及的公司为-公司-存在竞争关系的公司为-公司，得到的推理信息包括：
“YY单车获A轮融资3000万”所涉及的公司为“YY单车公司”，“YY单车公司”竞争对手为M公司。
可以基于上述推理信息得到该融资事件对应的事件分析结果：YY单车公司获XX基金公司A轮融资3000万，YY单车公司战略升级，M公司恐受掣肘。
在其中一个实施例中，知识图谱中的实体类型包括目标领域事件，目标领域事件对应了至少一条推理路径；方法还包括：在知识图谱中添加目标领域事件对应的事件属性；根据事件属性更新目标领域事件对应的推理路径；将更新后的推理路径与目标领域事件对应存储在数据库中。
比如，对于“融资事件”，添加新的事件属性：“被投资公司对应的高层领导者为”，对应添加的新的推理路径为：融资事件-被投资公司对应的高层领导者为-高层领导者-曾任职的公司-公司，其中“曾任职的公司”是实体“高层领导者”的属性。
在其中一个实施例中，还可以根据知识图谱中各个实体的属性修改事件类型对应的推理规则。对于事件类型为“融资事件”的事件，还可以设置更多的推理路径，可以根据这些推理路径和知识图谱得到多维的分析结果。比如，可以根据先验投资知识，对不同的事件类型设置相应的投资策略的推理路径，可以得到投资信息，并推送投资信息给用户。
上述方法还可以包括以下步骤：获取目标领域事件所涉及的实体，根据用户浏览记录确定用户特征，根据用户特征确定与所涉及的实体相关的用户，将事件分析结果推送至与该用户对应的用户终端，使得接收到事件分析结果的用户关注到相应的实体。
上述基于知识图谱的事件处理方法中，在获取资讯文本之后，可以根据资讯文本中的触发词确定资讯文本的内容所对应的事件类型，当事件类型属于目标领域事件时，根据目标领域事件模板可以确定该事件类型所对应的事件元角色，然后从资讯文本中提取与各事件元角色对应的事件元，得到包括事件元角色和事件元的结构化数据，作为目标领域事件对应的事件元信息，能够准确全面地表达资讯文本所描述的目标领域事件，是后续通过知识图谱准确处理目标领域事件的基础。
进一步地，将提取的事件元信息与知识图谱中的实体进行匹配，根据匹配的实体以及知识图谱中目标领域事件对应的推理路径进行推理，可以直接得到相应的事件分析结果，相比于在业务代码中嵌入预设固定规则的事件处理方式，本申请基于知识图谱的事件分析方式无需查询大量数据进行分析，提高了对目标领域事件分析的效率，并且，由于知识图谱中与目标领域事件对应的推理路径可以更新与拓展，从而可以提高对事件分析的准确性。
如图4所示，在一个具体的实施例中，基于知识图谱的事件处理方法具体包括以下步骤：
步骤402，监测资讯平台；
步骤404，当监测到资讯平台生成新的目标领域资讯时，获取对应的资讯文本；
步骤406，对资讯文本进行分词，得到对应的词集合；
步骤408，将词集合中属于触发词库的词作为与资讯文本对应的触发词；
步骤410，将各触发词输入至已训练的基于深度学习的事件分类模型；
步骤412，通过事件分类模型输出与资讯文本对应的事件类型；
步骤414，获取预设的目标领域事件模板；
步骤416，根据目标领域事件模板确定与事件类型对应的事件元角色；
步骤418，从资讯文本中提取与确定的各事件元角色对应的事件元；
步骤420，根据事件元角色和相应的事件元生成的结构化数据；
步骤422，将生成的结构化数据作为与资讯文本对应的事件元信息；
步骤424，确定知识图谱中与事件元信息中的事件元对应的候选实体；
步骤426，计算各候选实体与提取的事件元信息之间的相似度；
步骤428，基于相似度从候选实体中筛选与事件元匹配的实体；
步骤430，根据知识图谱确定与目标领域事件对应的推理路径；
步骤432，根据知识图谱获取与匹配的实体对应的实体关系；
步骤434，根据推理路径、匹配的实体和对应的实体关系生成事件分析结果。
应该理解的是，虽然图2、图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在其中一个实施例中，如图5所示，提供了一种基于知识图谱的事件处理装置500，包括：获取模块502、事件类型确定模块504、事件元信息提取模块506、实体匹配模块508和事件推理模块510，其中：
获取模块502，用于获取从资讯平台爬取的资讯文本及资讯文本中的触发词；
事件类型确定模块504，用于根据触发词确定资讯文本的内容所对应的事件类型；
事件元信息提取模块506，用于当事件类型属于目标领域事件时，获取预设的目标领域事件模板；根据目标领域事件模板确定与事件类型对应的事件元角色；从资讯文本中提取与确定的各事件元角色对应的事件元；根据事件元角色和相应的事件元生成的结构化数据；将生成的结构化数据作为与资讯文本对应的事件元信息；
实体匹配模块508，用于将提取的事件元信息与知识图谱中的实体进行匹配；
事件推理模块510，用于根据匹配的实体以及知识图谱中目标领域事件对应的推理路径进行推理，得到相应的事件分析结果。
在其中一个实施例中，获取模块502还用于监测资讯平台；当监测到资讯平台生成新的目标领域资讯时，获取对应的资讯文本；对资讯文本进行分词，得到对应的词集合；将词集合中属于触发词库的词作为与资讯文本对应的触发词。
在其中一个实施例中，事件类型确定模块504还用于将各触发词输入至已训练的基于深度学习的事件分类模型；通过事件分类模型输出与资讯文本对应的事件类型。
在其中一个实施例中，实体匹配模块508还用于确定知识图谱中与事件元信息中的事件元对应的候选实体；计算各候选实体与提取的事件元信息之间的相似度；基于相似度从候选实体中筛选与事件元匹配的实体。
在其中一个实施例中，事件推理模块510还用于根据知识图谱确定与目标领域事件对应的推理路径；根据知识图谱获取与匹配的实体对应的实体关系；根据推理路径、匹配的实体和对应的实体关系生成事件分析结果。
在其中一个实施例中，知识图谱中的实体类型包括目标领域事件，目标领域事件对应了至少一条推理路径；上述装置500还包括：推理路径更新模块，用于在知识图谱中添加目标领域事件对应的事件属性；根据事件属性更新目标领域事件对应的推理路径；将更新后的推理路径与目标领域事件对应存储在数据库中。
上述基于知识图谱的事件处理装置500，在获取资讯文本之后，需要根据资讯文本中 的触发词确定资讯文本的内容所对应的事件类型，当事件类型属于目标领域事件时，从资讯文本中提取该目标领域事件对应的事件元信息，将提取的事件元信息与知识图谱中的实体进行匹配，根据匹配的实体以及知识图谱中目标领域事件对应的推理路径进行推理，直接得到相应的事件分析结果，相比于现有技术中基于预设规则的事件分析方式，基于知识图谱的方式提高了目标领域事件分析的效率。
关于基于知识图谱的事件处理装置500的具体限定可以参见上文中对于基于知识图谱的目标领域事件分析方法的限定，在此不再赘述。上述基于知识图谱的事件处理装置500中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在其中一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储知识图谱中各个实体以及实体属性数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现一种基于知识图谱的事件处理方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在其中一个实施例中，本申请提供的基于知识图谱的事件处理装置500可以实现为一种计算机可读指令的形式，计算机可读指令可在如图6所示的计算机设备上运行。计算机设备的存储器中可存储组成该基于知识图谱的事件处理装置500的各个程序模块，比如，图5所示的获取模块502、事件类型确定模块504、事件元信息提取模块506、实体匹配模块508和事件推理模块510。各个程序模块构成的计算机可读指令使得处理器执行本说明书中描述的本申请各个实施例的基于知识图谱的事件处理方法中的步骤。
例如，图6所示的计算机设备可以通过如图5所示的基于知识图谱的事件处理装置500中的获取模块502执行步骤202。计算机设备可通过事件类型确定模块504执行步骤204。计算机设备可通过事件元信息提取模块506执行步骤206。计算机设备可通过实体匹配模块508执行步骤208。计算机设备可通过事件推理模块510执行步骤210。
一种计算机设备，包括存储器和一个或多个处理器，存储器中储存有计算机可读指令，计算机可读指令被处理器执行时，使得一个或多个处理器执行以下步骤：
获取从资讯平台爬取的资讯文本及所述资讯文本中的触发词；
根据所述触发词确定所述资讯文本的内容所对应的事件类型；
当所述事件类型属于目标领域事件时，获取预设的目标领域事件模板；
根据所述目标领域事件模板确定与所述事件类型对应的事件元角色；
从所述资讯文本中提取与确定的各所述事件元角色对应的事件元；
根据所述事件元角色和相应的事件元生成的结构化数据；
将生成的所述结构化数据作为与所述资讯文本对应的事件元信息；
将提取的事件元信息与知识图谱中的实体进行匹配；及
根据匹配的实体以及所述知识图谱中所述目标领域事件对应的推理路径进行推理，得到相应的事件分析结果。
在一个实施例中，处理器执行计算机可读指令时还实现以下步骤：
监测各资讯平台；
当监测到所述资讯平台生成新的目标领域资讯时，获取对应的资讯文本；
对所述资讯文本进行分词，得到对应的词集合；及
将词集合中属于触发词库的词作为与所述资讯文本对应的触发词。
在一个实施例中，处理器执行计算机可读指令时还实现以下步骤：
将各所述触发词输入至已训练的基于深度学习的事件分类模型；及
通过所述事件分类模型输出与所述资讯文本对应的事件类型。
在一个实施例中，处理器执行计算机可读指令时还实现以下步骤：
确定知识图谱中与事件元信息中的事件元对应的候选实体；
计算各所述候选实体与提取的所述事件元信息之间的相似度；及
基于所述相似度从所述候选实体中筛选与所述事件元匹配的实体。
在一个实施例中，处理器执行计算机可读指令时还实现以下步骤：
根据所述知识图谱确定与所述目标领域事件对应的推理路径；
根据所述知识图谱获取与所述匹配的实体对应的实体关系；及
根据所述推理路径、所述匹配的实体和对应的实体关系生成事件分析结果。
在一个实施例中，处理器执行计算机可读指令时还实现以下步骤：
在所述知识图谱中添加所述目标领域事件对应的事件属性；
根据所述事件属性更新所述目标领域事件对应的推理路径；及
将更新后的所述推理路径与所述目标领域事件对应存储在数据库中。
一个或多个存储有计算机可读指令的计算机可读存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：
获取从资讯平台爬取的资讯文本及所述资讯文本中的触发词；
根据所述触发词确定所述资讯文本的内容所对应的事件类型；
当所述事件类型属于目标领域事件时，获取预设的目标领域事件模板；
根据所述目标领域事件模板确定与所述事件类型对应的事件元角色；
从所述资讯文本中提取与确定的各所述事件元角色对应的事件元；
根据所述事件元角色和相应的事件元生成的结构化数据；
将生成的所述结构化数据作为与所述资讯文本对应的事件元信息；
将提取的事件元信息与知识图谱中的实体进行匹配；及
根据匹配的实体以及所述知识图谱中所述目标领域事件对应的推理路径进行推理，得到相应的事件分析结果。
其中，该计算机可读存储介质可以是非易失性，也可以是易失性的。
在一个实施例中，处理器执行计算机可读指令时还实现以下步骤：
监测各资讯平台；
当监测到所述资讯平台生成新的目标领域资讯时，获取对应的资讯文本；
对所述资讯文本进行分词，得到对应的词集合；及
将词集合中属于触发词库的词作为与所述资讯文本对应的触发词。
在一个实施例中，处理器执行计算机可读指令时还实现以下步骤：
将各所述触发词输入至已训练的基于深度学习的事件分类模型；及
通过所述事件分类模型输出与所述资讯文本对应的事件类型。
在一个实施例中，处理器执行计算机可读指令时还实现以下步骤：
确定知识图谱中与事件元信息中的事件元对应的候选实体；
计算各所述候选实体与提取的所述事件元信息之间的相似度；及
基于所述相似度从所述候选实体中筛选与所述事件元匹配的实体。
在一个实施例中，处理器执行计算机可读指令时还实现以下步骤：
根据所述知识图谱确定与所述目标领域事件对应的推理路径；
根据所述知识图谱获取与所述匹配的实体对应的实体关系；及
根据所述推理路径、所述匹配的实体和对应的实体关系生成事件分析结果。
在一个实施例中，处理器执行计算机可读指令时还实现以下步骤：
在所述知识图谱中添加所述目标领域事件对应的事件属性；
根据所述事件属性更新所述目标领域事件对应的推理路径；及
将更新后的所述推理路径与所述目标领域事件对应存储在数据库中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (20)

  1. 一种基于知识图谱的事件处理方法，所述方法包括：
    获取从资讯平台爬取的资讯文本及所述资讯文本中的触发词；
    根据所述触发词确定所述资讯文本的内容所对应的事件类型；
    当所述事件类型属于目标领域事件时，获取预设的目标领域事件模板；
    根据所述目标领域事件模板确定与所述事件类型对应的事件元角色；
    从所述资讯文本中提取与确定的各所述事件元角色对应的事件元；
    根据所述事件元角色和相应的事件元生成的结构化数据；
    将生成的所述结构化数据作为与所述资讯文本对应的事件元信息；
    将提取的事件元信息与知识图谱中的实体进行匹配；及
    根据匹配的实体以及所述知识图谱中所述目标领域事件对应的推理路径进行推理，得到相应的事件分析结果。
  2. 根据权利要求1所述的方法，其中，所述获取从资讯平台爬取的资讯文本及所述资讯文本中的触发词，包括：
    监测各资讯平台；
    当监测到所述资讯平台生成新的目标领域资讯时，获取对应的资讯文本；
    对所述资讯文本进行分词，得到对应的词集合；及
    将词集合中属于触发词库的词作为与所述资讯文本对应的触发词。
  3. 根据权利要求1所述的方法，其中，所述根据所述触发词确定所述资讯文本的内容所对应的事件类型，包括：
    将各所述触发词输入至已训练的基于深度学习的事件分类模型；及
    通过所述事件分类模型输出与所述资讯文本对应的事件类型。
  4. 根据权利要求1所述的方法，其中，所述将提取的事件元信息与知识图谱中的实体进行匹配，包括：
    确定知识图谱中与事件元信息中的事件元对应的候选实体；
    计算各所述候选实体与提取的所述事件元信息之间的相似度；及
    基于所述相似度从所述候选实体中筛选与所述事件元匹配的实体。
  5. 根据权利要求1所述的方法，其中，所述根据匹配的实体以及所述知识图谱中所述目标领域事件对应的推理路径进行推理，得到相应的事件分析结果，包括：
    根据所述知识图谱确定与所述目标领域事件对应的推理路径；
    根据所述知识图谱获取与所述匹配的实体对应的实体关系；及
    根据所述推理路径、所述匹配的实体和对应的实体关系生成事件分析结果。
  6. 根据权利要求1至5任一项所述的方法，其中，所述知识图谱中的实体类型包括目标领域事件，所述目标领域事件对应了至少一条推理路径；
    所述方法还包括：
    在所述知识图谱中添加所述目标领域事件对应的事件属性；
    根据所述事件属性更新所述目标领域事件对应的推理路径；及
    将更新后的所述推理路径与所述目标领域事件对应存储在数据库中。
  7. 一种基于知识图谱的事件处理装置，，所述装置包括：
    获取模块，用于获取从资讯平台爬取的资讯文本及所述资讯文本中的触发词；
    事件类型确定模块，用于根据所述触发词确定所述资讯文本的内容所对应的事件类型；
    事件元信息提取模块，用于当所述事件类型属于目标领域事件时，获取预设的目标领域事件模板；根据所述目标领域事件模板确定与所述事件类型对应的事件元角色；从所述资讯文本中提取与确定的各所述事件元角色对应的事件元；根据所述事件元角色和相应的 事件元生成的结构化数据；将生成的所述结构化数据作为与所述资讯文本对应的事件元信息；
    实体匹配模块，用于将提取的事件元信息与知识图谱中的实体进行匹配；
    事件推理模块，用于根据匹配的实体以及所述知识图谱中所述目标领域事件对应的推理路径进行推理，得到相应的事件分析结果。
  8. 根据权利要求7所述的装置，其中，所述事件推理模块具体用于根据所述知识图谱确定与所述目标领域事件对应的推理路径；根据所述知识图谱获取与所述匹配的实体对应的实体关系；根据所述推理路径、所述匹配的实体和对应的实体关系生成事件分析结果。
  9. 一种计算机设备，包括存储器及一个或多个处理器，所述存储器中储存有计算机可读指令，所述计算机可读指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行以下步骤：
    获取从资讯平台爬取的资讯文本及所述资讯文本中的触发词；
    根据所述触发词确定所述资讯文本的内容所对应的事件类型；
    当所述事件类型属于目标领域事件时，获取预设的目标领域事件模板；
    根据所述目标领域事件模板确定与所述事件类型对应的事件元角色；
    从所述资讯文本中提取与确定的各所述事件元角色对应的事件元；
    根据所述事件元角色和相应的事件元生成的结构化数据；
    将生成的所述结构化数据作为与所述资讯文本对应的事件元信息；
    将提取的事件元信息与知识图谱中的实体进行匹配；及
    根据匹配的实体以及所述知识图谱中所述目标领域事件对应的推理路径进行推理，得到相应的事件分析结果。
  10. 根据权利要求9所述的计算机设备，其中，所述处理器执行所述计算机可读指令时还执行以下步骤：
    监测各资讯平台；
    当监测到所述资讯平台生成新的目标领域资讯时，获取对应的资讯文本；
    对所述资讯文本进行分词，得到对应的词集合；及
    将词集合中属于触发词库的词作为与所述资讯文本对应的触发词。
  11. 根据权利要求9所述的计算机设备，其中，所述处理器执行所述计算机可读指令时还执行以下步骤：
    将各所述触发词输入至已训练的基于深度学习的事件分类模型；及
    通过所述事件分类模型输出与所述资讯文本对应的事件类型。
  12. 根据权利要求9所述的计算机设备，其中，所述处理器执行所述计算机可读指令时还执行以下步骤：
    确定知识图谱中与事件元信息中的事件元对应的候选实体；
    计算各所述候选实体与提取的所述事件元信息之间的相似度；及
    基于所述相似度从所述候选实体中筛选与所述事件元匹配的实体。
  13. 根据权利要求9所述的计算机设备，其中，所述处理器执行所述计算机可读指令时还执行以下步骤：
    根据所述知识图谱确定与所述目标领域事件对应的推理路径；
    根据所述知识图谱获取与所述匹配的实体对应的实体关系；及
    根据所述推理路径、所述匹配的实体和对应的实体关系生成事件分析结果。
  14. 根据权利要求9至13任一项所述的计算机设备，其中，所述处理器执行所述计算机可读指令时还执行以下步骤：
    在所述知识图谱中添加所述目标领域事件对应的事件属性；
    根据所述事件属性更新所述目标领域事件对应的推理路径；及
    将更新后的所述推理路径与所述目标领域事件对应存储在数据库中。
  15. 一个或多个存储有计算机可读指令的计算机可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行以下步骤：
    获取从资讯平台爬取的资讯文本及所述资讯文本中的触发词；
    根据所述触发词确定所述资讯文本的内容所对应的事件类型；
    当所述事件类型属于目标领域事件时，获取预设的目标领域事件模板；
    根据所述目标领域事件模板确定与所述事件类型对应的事件元角色；
    从所述资讯文本中提取与确定的各所述事件元角色对应的事件元；
    根据所述事件元角色和相应的事件元生成的结构化数据；
    将生成的所述结构化数据作为与所述资讯文本对应的事件元信息；
    将提取的事件元信息与知识图谱中的实体进行匹配；及
    根据匹配的实体以及所述知识图谱中所述目标领域事件对应的推理路径进行推理，得到相应的事件分析结果。
  16. 根据权利要求15所述的存储介质，其中，所述处理器执行所述计算机可读指令时还执行以下步骤：
    监测各资讯平台；
    当监测到所述资讯平台生成新的目标领域资讯时，获取对应的资讯文本；
    对所述资讯文本进行分词，得到对应的词集合；及
    将词集合中属于触发词库的词作为与所述资讯文本对应的触发词。
  17. 根据权利要求15所述的存储介质，其中，所述处理器执行所述计算机可读指令时还执行以下步骤：
    将各所述触发词输入至已训练的基于深度学习的事件分类模型；及
    通过所述事件分类模型输出与所述资讯文本对应的事件类型。
  18. 根据权利要求15所述的存储介质，其中，所述处理器执行所述计算机可读指令时还执行以下步骤：
    确定知识图谱中与事件元信息中的事件元对应的候选实体；
    计算各所述候选实体与提取的所述事件元信息之间的相似度；及
    基于所述相似度从所述候选实体中筛选与所述事件元匹配的实体。
  19. 根据权利要求15所述的存储介质，其中，所述处理器执行所述计算机可读指令时还执行以下步骤：
    根据所述知识图谱确定与所述目标领域事件对应的推理路径；
    根据所述知识图谱获取与所述匹配的实体对应的实体关系；及
    根据所述推理路径、所述匹配的实体和对应的实体关系生成事件分析结果。
  20. 根据权利要求15至19任一项所述的存储介质，其中，所述处理器执行所述计算机可读指令时还执行以下步骤：
    在所述知识图谱中添加所述目标领域事件对应的事件属性；
    根据所述事件属性更新所述目标领域事件对应的推理路径；及
    将更新后的所述推理路径与所述目标领域事件对应存储在数据库中。
PCT/CN2020/099279 2019-07-08 2020-06-30 基于知识图谱的事件处理方法、装置、设备和存储介质 WO2021004333A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910609478.7 2019-07-08
CN201910609478.7A CN110489520B (zh) 2019-07-08 2019-07-08 基于知识图谱的事件处理方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
WO2021004333A1 true WO2021004333A1 (zh) 2021-01-14

Family

ID=68546733

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/099279 WO2021004333A1 (zh) 2019-07-08 2020-06-30 基于知识图谱的事件处理方法、装置、设备和存储介质

Country Status (2)

Country Link
CN (1) CN110489520B (zh)
WO (1) WO2021004333A1 (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112784591A (zh) * 2021-02-01 2021-05-11 北京百度网讯科技有限公司 数据的处理方法、装置、电子设备和存储介质
CN112906391A (zh) * 2021-03-16 2021-06-04 合肥讯飞数码科技有限公司 元事件抽取方法、装置、电子设备和存储介质
CN113158189A (zh) * 2021-04-28 2021-07-23 绿盟科技集团股份有限公司 一种恶意软件分析报告生成方法、装置、设备和介质
CN113343108A (zh) * 2021-06-30 2021-09-03 中国平安人寿保险股份有限公司 推荐信息处理方法、装置、设备及存储介质
CN113407678A (zh) * 2021-06-30 2021-09-17 竹间智能科技（上海）有限公司 知识图谱构建方法、装置和设备
CN113569931A (zh) * 2021-07-16 2021-10-29 中国铁道科学研究院集团有限公司 动态数据融合方法、装置、设备和介质
CN113590774A (zh) * 2021-06-22 2021-11-02 北京百度网讯科技有限公司 事件查询方法、装置以及存储介质
CN113722461A (zh) * 2021-09-02 2021-11-30 中科雨辰科技有限公司 目标事件抽取数据处理系统
CN113763712A (zh) * 2021-10-19 2021-12-07 西南交通大学 基于出行事件知识图谱的区域交通拥堵溯因方法
CN113779261A (zh) * 2021-08-19 2021-12-10 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 知识图谱的质量评价方法、装置、计算机设备及存储介质
CN113779263A (zh) * 2021-08-24 2021-12-10 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 决策引擎的检测方法、装置及设备
CN113806549A (zh) * 2021-02-09 2021-12-17 京东科技控股股份有限公司 人员关系图谱的构建方法、装置及电子设备
CN113836446A (zh) * 2021-09-23 2021-12-24 北京百度网讯科技有限公司 出行信息的向量化表示方法及装置
CN114065069A (zh) * 2021-09-27 2022-02-18 杭州摸象大数据科技有限公司 金融事件图谱构建方法、装置、计算机设备及存储介质
CN115238045A (zh) * 2022-09-21 2022-10-25 北京澜舟科技有限公司 一种生成式事件论元抽取方法、系统及存储介质
CN115510196A (zh) * 2021-06-07 2022-12-23 马上消费金融股份有限公司 知识图谱的构建方法、问答方法、装置和存储介质
CN116662577A (zh) * 2023-08-02 2023-08-29 北京网智天元大数据科技有限公司 基于知识图谱的大型语言模型训练方法及装置
CN117171364A (zh) * 2023-10-30 2023-12-05 北京华控智加科技有限公司 运维知识图谱更新方法及装置
CN113836446B (zh) * 2021-09-23 2024-04-30 北京百度网讯科技有限公司 出行信息的向量化表示方法及装置

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110489520B (zh) * 2019-07-08 2023-05-16 平安科技（深圳）有限公司 基于知识图谱的事件处理方法、装置、设备和存储介质
CN110955801B (zh) * 2019-12-06 2022-10-21 中国建设银行股份有限公司 一种cognos报表指标的知识图谱分析方法及系统
CN110688495B (zh) * 2019-12-09 2020-04-24 武汉中科通达高新技术股份有限公司 一种事件信息的知识图谱模型构建方法、装置、存储介质
CN111222305B (zh) * 2019-12-17 2024-03-22 共道网络科技有限公司 一种信息结构化方法和装置
CN111209400B (zh) * 2020-01-03 2023-06-16 北京明略软件系统有限公司 一种数据分析的方法及装置
CN111400456B (zh) * 2020-03-20 2023-09-26 北京百度网讯科技有限公司 资讯推荐方法及装置
CN111428049B (zh) * 2020-03-20 2023-07-21 北京百度网讯科技有限公司 一种事件专题的生成方法、装置、设备和存储介质
CN111522915A (zh) * 2020-04-20 2020-08-11 北大方正集团有限公司 中文事件的抽取方法、装置、设备及存储介质
CN111967268B (zh) * 2020-06-30 2024-03-19 北京百度网讯科技有限公司 文本中的事件抽取方法、装置、电子设备和存储介质
CN112426726A (zh) * 2020-12-09 2021-03-02 网易（杭州）网络有限公司 游戏事件抽取方法、装置、存储介质及服务器
CN112559747A (zh) * 2020-12-15 2021-03-26 北京百度网讯科技有限公司 事件分类处理方法、装置、电子设备和存储介质
CN112596929B (zh) * 2020-12-28 2022-02-11 恒生电子股份有限公司 基于命令事件转换的微服务注册、调用方法及相关装置
CN113822430A (zh) * 2020-12-28 2021-12-21 京东科技控股股份有限公司 事件的推理方法、装置、计算机设备和存储介质
CN113177055A (zh) * 2021-05-28 2021-07-27 北京字节跳动网络技术有限公司 一种信息更新的方法、装置及计算机存储介质
CN113344405A (zh) * 2021-06-18 2021-09-03 北京百度网讯科技有限公司 基于知识图谱生成信息的方法、装置、设备、介质和产品
CN114357197B (zh) * 2022-03-08 2022-07-26 支付宝(杭州)信息技术有限公司 事件推理方法和装置
CN116341531B (zh) * 2023-02-28 2023-10-10 人民网股份有限公司 基于知识驱动的人物信息抽取和检查方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106776523A (zh) * 2017-01-22 2017-05-31 百度在线网络技术（北京）有限公司 基于人工智能的新闻速报生成方法及装置
US20180196814A1 (en) * 2017-01-12 2018-07-12 International Business Machines Corporation Qualitative and quantitative analysis of data artifacts using a cognitive approach
CN109299221A (zh) * 2018-09-04 2019-02-01 广州神马移动信息科技有限公司 实体抽取和排序方法与装置
CN109408821A (zh) * 2018-10-22 2019-03-01 腾讯科技（深圳）有限公司 一种语料生成方法、装置、计算设备及存储介质
CN110489520A (zh) * 2019-07-08 2019-11-22 平安科技（深圳）有限公司 基于知识图谱的事件处理方法、装置、设备和存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150066985A1 (en) * 2013-08-27 2015-03-05 Antony Raja T Retrieving information from social media sites based upon events in an enterprise
CN105871628B (zh) * 2016-05-27 2019-05-17 内蒙古自治区民航机场集团有限责任公司 一种航班信息发送方法及系统
CN107480137A (zh) * 2017-08-10 2017-12-15 北京亚鸿世纪科技发展有限公司 用语义迭代提取网络突发事件并识别外延事件关系的方法
CN108153901B (zh) * 2018-01-16 2022-04-19 北京百度网讯科技有限公司 基于知识图谱的信息推送方法和装置
CN108596439A (zh) * 2018-03-29 2018-09-28 北京中兴通网络科技股份有限公司 一种基于知识图谱的企业风险预测方法及系统
CN108763333B (zh) * 2018-05-11 2022-05-17 北京航空航天大学 一种基于社会媒体的事件图谱构建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180196814A1 (en) * 2017-01-12 2018-07-12 International Business Machines Corporation Qualitative and quantitative analysis of data artifacts using a cognitive approach
CN106776523A (zh) * 2017-01-22 2017-05-31 百度在线网络技术（北京）有限公司 基于人工智能的新闻速报生成方法及装置
CN109299221A (zh) * 2018-09-04 2019-02-01 广州神马移动信息科技有限公司 实体抽取和排序方法与装置
CN109408821A (zh) * 2018-10-22 2019-03-01 腾讯科技（深圳）有限公司 一种语料生成方法、装置、计算设备及存储介质
CN110489520A (zh) * 2019-07-08 2019-11-22 平安科技（深圳）有限公司 基于知识图谱的事件处理方法、装置、设备和存储介质

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112784591A (zh) * 2021-02-01 2021-05-11 北京百度网讯科技有限公司 数据的处理方法、装置、电子设备和存储介质
CN113806549A (zh) * 2021-02-09 2021-12-17 京东科技控股股份有限公司 人员关系图谱的构建方法、装置及电子设备
CN112906391A (zh) * 2021-03-16 2021-06-04 合肥讯飞数码科技有限公司 元事件抽取方法、装置、电子设备和存储介质
CN113158189A (zh) * 2021-04-28 2021-07-23 绿盟科技集团股份有限公司 一种恶意软件分析报告生成方法、装置、设备和介质
CN113158189B (zh) * 2021-04-28 2023-12-26 绿盟科技集团股份有限公司 一种恶意软件分析报告生成方法、装置、设备和介质
CN115510196A (zh) * 2021-06-07 2022-12-23 马上消费金融股份有限公司 知识图谱的构建方法、问答方法、装置和存储介质
CN113590774A (zh) * 2021-06-22 2021-11-02 北京百度网讯科技有限公司 事件查询方法、装置以及存储介质
CN113590774B (zh) * 2021-06-22 2023-09-29 北京百度网讯科技有限公司 事件查询方法、装置以及存储介质
CN113343108A (zh) * 2021-06-30 2021-09-03 中国平安人寿保险股份有限公司 推荐信息处理方法、装置、设备及存储介质
CN113407678A (zh) * 2021-06-30 2021-09-17 竹间智能科技（上海）有限公司 知识图谱构建方法、装置和设备
CN113343108B (zh) * 2021-06-30 2023-05-26 中国平安人寿保险股份有限公司 推荐信息处理方法、装置、设备及存储介质
CN113569931B (zh) * 2021-07-16 2024-04-05 中国铁道科学研究院集团有限公司 动态数据融合方法、装置、设备和介质
CN113569931A (zh) * 2021-07-16 2021-10-29 中国铁道科学研究院集团有限公司 动态数据融合方法、装置、设备和介质
CN113779261B (zh) * 2021-08-19 2024-01-30 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 知识图谱的质量评价方法、装置、计算机设备及存储介质
CN113779261A (zh) * 2021-08-19 2021-12-10 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 知识图谱的质量评价方法、装置、计算机设备及存储介质
CN113779263B (zh) * 2021-08-24 2024-01-05 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 决策引擎的检测方法、装置及设备
CN113779263A (zh) * 2021-08-24 2021-12-10 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 决策引擎的检测方法、装置及设备
CN113722461A (zh) * 2021-09-02 2021-11-30 中科雨辰科技有限公司 目标事件抽取数据处理系统
CN113722461B (zh) * 2021-09-02 2022-05-06 中科雨辰科技有限公司 目标事件抽取数据处理系统
CN113836446A (zh) * 2021-09-23 2021-12-24 北京百度网讯科技有限公司 出行信息的向量化表示方法及装置
CN113836446B (zh) * 2021-09-23 2024-04-30 北京百度网讯科技有限公司 出行信息的向量化表示方法及装置
CN114065069A (zh) * 2021-09-27 2022-02-18 杭州摸象大数据科技有限公司 金融事件图谱构建方法、装置、计算机设备及存储介质
CN113763712B (zh) * 2021-10-19 2022-05-10 西南交通大学 基于出行事件知识图谱的区域交通拥堵溯因方法
CN113763712A (zh) * 2021-10-19 2021-12-07 西南交通大学 基于出行事件知识图谱的区域交通拥堵溯因方法
CN115238045B (zh) * 2022-09-21 2023-01-24 北京澜舟科技有限公司 一种生成式事件论元抽取方法、系统及存储介质
CN115238045A (zh) * 2022-09-21 2022-10-25 北京澜舟科技有限公司 一种生成式事件论元抽取方法、系统及存储介质
CN116662577A (zh) * 2023-08-02 2023-08-29 北京网智天元大数据科技有限公司 基于知识图谱的大型语言模型训练方法及装置
CN116662577B (zh) * 2023-08-02 2023-11-03 北京网智天元大数据科技有限公司 基于知识图谱的大型语言模型训练方法及装置
CN117171364A (zh) * 2023-10-30 2023-12-05 北京华控智加科技有限公司 运维知识图谱更新方法及装置
CN117171364B (zh) * 2023-10-30 2024-02-02 北京华控智加科技有限公司 运维知识图谱更新方法及装置

Also Published As

Publication number Publication date
CN110489520B (zh) 2023-05-16
CN110489520A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
WO2021004333A1 (zh) 基于知识图谱的事件处理方法、装置、设备和存储介质
WO2019136993A1 (zh) 文本相似度计算方法、装置、计算机设备和存储介质
US9158773B2 (en) Partial and parallel pipeline processing in a deep question answering system
WO2020077896A1 (zh) 提问数据生成方法、装置、计算机设备和存储介质
US9141662B2 (en) Intelligent evidence classification and notification in a deep question answering system
WO2020057022A1 (zh) 关联推荐方法、装置、计算机设备和存储介质
US9911082B2 (en) Question classification and feature mapping in a deep question answering system
US20180239752A1 (en) Correlating distinct events using linguistic analysis
US10180969B2 (en) Entity resolution and identity management in big, noisy, and/or unstructured data
CN111061859A (zh) 基于知识图谱的数据处理方法、装置和计算机设备
US10002187B2 (en) Method and system for performing topic creation for social data
US11860955B2 (en) Method and system for providing alternative result for an online search previously with no result
Kaladevi et al. An improved ensemble classification-based secure two stage bagging pruning technique for guaranteeing privacy preservation of DNA sequences in electronic health records
CN112651236A (zh) 提取文本信息的方法、装置、计算机设备和存储介质
WO2021012483A1 (zh) 信息识别方法、装置、计算机设备和存储介质
Jagdish et al. Identification of end-user economical relationship graph using lightweight blockchain-based BERT model
WO2022068160A1 (zh) 基于人工智能的重症问诊数据识别方法、装置、设备及介质
WO2022125096A1 (en) Method and system for resume data extraction
Melgarejo Galvan et al. Big data architecture for predicting churn risk in mobile phone companies
US11321615B1 (en) Method and system for domain agnostic knowledge extraction
CN117216803B (zh) 一种面向智慧金融的用户信息保护方法及系统
Zhu et al. Core-based Trend Detection in Blockchain Networks
US20150340026A1 (en) Extracting candidate answers for a knowledge base from conversational sources
Zhao et al. LB-KBQA: Large-language-model and BERT based Knowledge-Based Question and Answering System
Dias Towards fake news detection in Portuguese: New dataset and a claim-based approach for automated detection

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20836777

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 20836777

Country of ref document: EP

Kind code of ref document: A1