CN112818679A - 事件类别确定方法、装置及电子设备 - Google Patents
事件类别确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112818679A CN112818679A CN201911122660.6A CN201911122660A CN112818679A CN 112818679 A CN112818679 A CN 112818679A CN 201911122660 A CN201911122660 A CN 201911122660A CN 112818679 A CN112818679 A CN 112818679A
- Authority
- CN
- China
- Prior art keywords
- event
- information
- determining
- text
- word
- 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 385
- 239000013598 vector Substances 0.000 claims abstract description 344
- 238000013145 classification model Methods 0.000 claims abstract description 73
- 206010039203 Road traffic accident Diseases 0.000 claims description 317
- 238000012549 training Methods 0.000 claims description 170
- 238000000605 extraction Methods 0.000 claims description 104
- 238000010276 construction Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 abstract description 33
- 238000010586 diagram Methods 0.000 description 43
- 239000011159 matrix material Substances 0.000 description 19
- 230000011218 segmentation Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 9
- 239000000284 extract Substances 0.000 description 6
- 230000003449 preventive effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06F16/35—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请公开了事件类别确定方法和装置,交通信息播报***、方法和装置,以及电子设备。其中,事件类别确定方法包括:确定待分类事件文本包括的词、及词的事件要素类型;通过事件分类模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件分类模型包括的事件类别预测子网络,根据所述事件特征,确定所述事件文本的事件类别。采用这种处理方式,使得结合事件文本的语义信息和事件文本的事件要素类型信息进行事件类别识别;因此,可以有效提升事件类别识别的准确度。
Description
技术领域
本申请涉及自然语言处理技术领域,具体涉及事件类别确定方法和装置,事件要素类型预测模型构建方法和装置,事件分类模型构建方法和装置,交通信息播报***、方法和装置,设备故障发生模式确定方法和装置,事件发生模式确定方法和装置,企业收购事件发生模式确定方法和装置,交通事故发生模式确定方法和装置,事件发生模式确定***、方法和装置,事件要素确定***、方法和装置,以及电子设备。
背景技术
事件文本分类技术是自然语言领域的一个研究热点,通过该项技术可实现自动对文本进行事件分类处理。
一种典型的事件文本分类方法的处理过程如下所述。首先,获取多个已标注事件类别的文本数据,形成训练数据集;然后,通过机器学习算法从训练数据集中学习得到事件类别预测模型;最后,将待检测文本作为事件类别预测模型的输入数据,通过该模型自动识别出该文本的事件类别。
然而,在实现本发明过程中,发明人发现现有技术方案至少存在如下问题:由于只是简单地将事件文本中每个词做词嵌入,单纯地基于语义层面上的信息确定文本所属事件类别,而忽略了事件文本的事件要素信息,因此导致事件类别识别的准确度较低。
发明内容
本申请提供事件类别确定方法,以解决现有技术存在的事件类别识别的准确度较低的问题。本申请另外提供事件类别确定装置,事件要素类型预测模型构建方法和装置,事件分类模型构建方法和装置,交通信息播报***、方法和装置,设备故障发生模式确定方法和装置,事件发生模式确定方法和装置,企业收购事件发生模式确定方法和装置,交通事故发生模式确定方法和装置,事件发生模式确定***、方法和装置,事件要素确定***、方法和装置,以及电子设备。
本申请提供一种设备故障发生模式确定方法,包括:
获取设备故障相关文本;
确定所述文本包括的词、及词的设备故障要素类型;
通过故障要素确定模型包括的设备故障特征抽取子网络,根据词的词向量和所述设备故障要素类型的要素类型向量,抽取包括文本语义信息和设备故障要素类型信息的设备故障特征;
通过故障要素确定模型包括的故障要素预测子网络,根据所述设备故障特征,确定设备故障要素信息;
根据设备故障要素信息,确定设备故障发生模式信息。
可选的,所述设备故障要素类型采用如下步骤确定:
针对各个词,将词作为目标词,并确定包括目标词及其相邻词的文本片段;
获取目标词和相邻词的词向量;以及,根据相邻词在所述文本片段中的词位置信息,确定目标词和相邻词的词位置向量;
针对各个目标词,通过设备故障要素类型预测模型,根据所述目标词及其相邻词的词向量和所述词位置向量,确定所述目标词的设备故障要素类型。
可选的,还包括:
从训练用设备故障文本、训练用设备故障文本包括的词的设备故障要素类型标注信息之间的对应关系中,学习得到所述设备故障要素类型预测模型。
可选的,所述通过故障要素确定模型包括的设备故障特征抽取子网络,根据词的词向量和所述设备故障要素类型的要素类型向量,抽取包括文本语义信息和设备故障要素类型信息的设备故障特征,包括:
根据词的词向量和所述要素类型向量,确定词的包括设备故障要素类型信息的词向量;
通过所述设备故障特征抽取子网络,根据所述包括设备故障要素类型信息的词向量,抽取所述设备故障特征。
可选的,还包括:
从训练用设备故障文本、与设备故障要素标注信息之间的对应关系中,学习得到所述故障要素确定模型。
可选的,还包括:
根据所述设备故障发生模式信息,确定设备运行的相关参数。
本申请还提供一种设备故障发生模式确定装置,包括:
故障文本获取单元,用于获取设备故障相关文本;
要素类型确定单元,用于确定所述文本包括的词、及词的设备故障要素类型;
故障特征抽取单元,用于通过故障要素确定模型包括的设备故障特征抽取子网络,根据词的词向量和所述设备故障要素类型的要素类型向量,抽取包括文本语义信息和设备故障要素类型信息的设备故障特征;
故障要素确定单元,用于通过故障要素确定模型包括的故障要素预测子网络,根据所述设备故障特征,确定设备故障要素信息;
故障模式确定单元,用于根据设备故障要素信息,确定设备故障发生模式信息。
本申请提供一种电子设备,包括:
处理器;以及
存储器,用于存储实现设备故障发生模式确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取设备故障相关文本;确定所述文本包括的词、及词的设备故障要素类型;通过故障要素确定模型包括的设备故障特征抽取子网络,根据词的词向量和所述设备故障要素类型的要素类型向量,抽取包括文本语义信息和设备故障要素类型信息的设备故障特征;通过故障要素确定模型包括的故障要素预测子网络,根据所述设备故障特征,确定设备故障要素信息;根据设备故障要素信息,确定设备故障发生模式信息。
本申请提供一种事件发生模式确定方法,包括:
获取事件相关文本;
确定所述文本包括的词、及词的事件要素类型;
通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;
通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定事件要素信息;
根据所述事件要素信息,确定事件发生模式信息。
可选的,所述事件发生模式信息包括:与公共交通设施有关的事件发生模式;所述方法还包括:
根据所述事件发生模式信息,确定公交人员调度信息。
本申请提供一种事件发生模式确定装置,包括:
事件文本获取单元,用于获取事件相关文本;
要素类型确定单元,用于确定所述文本包括的词、及词的事件要素类型;
事件特征抽取单元,用于通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;
事件要素确定单元,用于通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定事件要素信息;
事件发生模式确定单元,用于根据所述事件要素信息,确定事件发生模式信息。
本申请提供一种电子设备,包括:
处理器;以及
存储器,用于存储实现事件发生模式确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取事件相关文本;确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定事件要素信息;根据所述事件要素信息,确定事件发生模式信息。
本申请提供一种企业收购事件发生模式确定方法,包括:
获取企业收购事件相关文本;
确定所述文本包括的词、及词的企业收购事件要素类型;
通过企业收购事件要素确定模型包括的企业收购事件特征抽取子网络,根据词的词向量和所述企业收购事件要素类型的要素类型向量,抽取包括文本语义信息和企业收购事件要素类型信息的企业收购事件特征;
通过企业收购事件要素确定模型包括的企业收购事件要素预测子网络,根据所述企业收购事件特征,确定企业收购事件要素信息;
根据所述企业收购事件要素信息,确定企业收购事件发生模式信息。
本申请提供一种企业收购事件发生模式确定装置,包括:
事件文本获取单元,用于获取企业收购事件相关文本;
要素类型确定单元,用于确定所述文本包括的词、及词的企业收购事件要素类型;
事件特征抽取单元,用于通过企业收购事件要素确定模型包括的企业收购事件特征抽取子网络,根据词的词向量和所述企业收购事件要素类型的要素类型向量,抽取包括文本语义信息和企业收购事件要素类型信息的企业收购事件特征;
事件要素确定单元,用于通过企业收购事件要素确定模型包括的企业收购事件要素预测子网络,根据所述企业收购事件特征,确定企业收购事件要素信息;
事件发生模式确定单元,用于根据所述企业收购事件要素信息,确定企业收购事件发生模式信息。
本申请提供一种电子设备,包括:
处理器;以及
存储器,用于存储实现企业收购事件发生模式确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取企业收购事件相关文本;确定所述文本包括的词、及词的企业收购事件要素类型;通过企业收购事件要素确定模型包括的企业收购事件特征抽取子网络,根据词的词向量和所述企业收购事件要素类型的要素类型向量,抽取包括文本语义信息和企业收购事件要素类型信息的企业收购事件特征;通过企业收购事件要素确定模型包括的企业收购事件要素预测子网络,根据所述企业收购事件特征,确定企业收购事件要素信息;根据所述企业收购事件要素信息,确定企业收购事件发生模式信息。
本申请还提供一种事件类别确定方法,包括:
确定待分类事件文本包括的词、及词的事件要素类型;
通过事件分类模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素向量,抽取包括文本语义信息和事件要素类型信息的事件特征;
通过事件分类模型包括的事件类别预测子网络,根据所述事件特征,确定所述事件文本的事件类别。
可选的,所述事件要素类型采用如下步骤确定:
针对各个词,将词作为目标词,并确定包括目标词及其相邻词的文本片段;
获取目标词和相邻词的词向量;以及,根据相邻词在所述文本片段中的词位置信息,确定目标词和相邻词的词位置向量;
针对各个目标词,通过事件要素类型预测模型,根据所述目标词及其相邻词的词向量和所述词位置向量,确定所述目标词的事件要素类型。
可选的,所述通过事件分类模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素向量,抽取包括文本语义信息和事件要素类型信息的事件特征,包括:
根据词的词向量和所述事件要素类型的要素向量,确定词的包括要素类型信息的词向量;
通过所述事件特征抽取子网络,根据所述包括要素类型信息的词向量,抽取所述事件特征。
本申请还提供一种事件类别确定装置,包括:
要素类型确定单元,用于确定待分类事件文本包括的词、及词的事件要素类型;
事件特征抽取单元,用于通过事件分类模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素向量,抽取包括文本语义信息和事件要素类型信息的事件特征;
事件类别确定单元,用于通过事件分类模型包括的事件类别预测子网络,根据所述事件特征,确定所述事件文本的事件类别。
本申请还提供一种电子设备,包括:
处理器;以及
存储器,用于存储实现事件类别确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:确定待分类事件文本包括的词、及词的事件要素类型;通过事件分类模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件分类模型包括的事件类别预测子网络,根据所述事件特征,确定所述事件文本的事件类别。
本申请还提供一种事件要素类型预测模型构建方法,包括:
获取训练样本集;其中,所述训练样本包括训练用事件文本、训练用事件文本包括的词、词的事件要素类型标注信息之间的对应关系;
构建所述模型的网络结构;其中,所述网络结构包括特征抽取子网络和事件要素类型预测子网络;所述特征抽取子网络,用于根据事件文本的词的词向量,抽取用于预测事件要素类型的事件特征;所述事件要素类型预测子网络,用于根据所述事件特征,获取词的事件要素类型的预测值;
根据所述训练样本集对所述模型的网络参数进行训练,得到事件要素类型预测模型。
可选的,所述特征抽取子网络,具体用于根据事件文本的词及其相邻词的词向量、和词位置向量,抽取所述事件特征,所述事件特征包括词的上下文语义信息。
本申请还提供一种事件要素类型预测模型构建装置,包括:
数据获取单元,用于获取训练样本集;其中,所述训练样本包括训练用事件文本、训练用事件文本包括的词、词的事件要素类型标注信息之间的对应关系;
网络构建单元,用于构建所述模型的网络结构;其中,所述网络结构包括特征抽取子网络和事件要素类型预测子网络;所述特征抽取子网络,用于根据事件文本的词的词向量,抽取用于预测事件要素类型的事件特征;所述事件要素类型预测子网络,用于根据所述事件特征,获取词的事件要素类型的预测值;
网络训练单元,用于根据所述训练样本集对所述模型的网络参数进行训练,得到事件要素类型预测模型。
本申请还提供一种电子设备,包括:
处理器;以及
存储器,用于存储实现事件要素类型预测模型构建方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取训练样本集;中,所述训练样本包括训练用事件文本、训练用事件文本包括的词、词的事件要素类型标注信息之间的对应关系;构建所述模型的网络结构;其中,所述网络结构包括特征抽取子网络和事件要素类型预测子网络;所述特征抽取子网络,用于根据事件文本的词的词向量,抽取用于预测事件要素类型的事件特征;所述事件要素类型预测子网络,用于根据所述事件特征,获取词的事件要素类型的预测值;根据所述训练样本集对所述模型的网络参数进行训练,得到事件要素类型预测模型。
本申请还提供一种事件分类模型构建方法,包括:
获取训练样本集;其中,所述训练样本包括训练用事件文本、事件类别标注信息之间的对应关系;
构建所述模型的网络结构;其中,所述网络结构包括事件特征抽取子网络和事件类别预测子网络;所述特征抽取子网络,用于根据事件文本的各个词的词向量,以及以该词作为目标词的事件要素类型的要素向量,抽取事件特征,该特征包括文本语义信息和事件要素类型信息;所述事件类别预测子网络,用于根据所述事件特征,获取事件文本的事件类别的预测值;
根据所述训练样本集对所述模型的网络参数进行训练,得到事件分类模型。
本申请还提供一种事件分类模型构建装置,包括:
数据获取单元,用于获取训练样本集;其中,所述训练样本包括训练用事件文本、事件类别标注信息之间的对应关系;
网络构建单元,用于构建所述模型的网络结构;其中,所述网络结构包括事件特征抽取子网络和事件类别预测子网络;所述特征抽取子网络,用于根据事件文本的各个词的词向量,以及以该词作为目标词的事件要素类型的要素向量,抽取事件特征,该特征包括文本语义信息和事件要素类型信息;所述事件类别预测子网络,用于根据所述事件特征,获取事件文本的事件类别的预测值;
网络训练单元,用于根据所述训练样本集对所述模型的网络参数进行训练,得到事件分类模型。
本申请还提供一种电子设备,包括:
处理器;以及
存储器,用于存储实现事件分类模型构建方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取训练样本集;其中,所述训练样本包括训练用事件文本、事件类别标注信息之间的对应关系;构建所述模型的网络结构;其中,所述网络结构包括事件特征抽取子网络和事件类别预测子网络;所述特征抽取子网络,用于根据事件文本的各个词的词向量,以及以该词作为目标词的事件要素类型的要素向量,抽取事件特征,该特征包括文本语义信息和事件要素类型信息;所述事件类别预测子网络,用于根据所述事件特征,获取事件文本的事件类别的预测值;根据所述训练样本集对所述模型的网络参数进行训练,得到事件分类模型。
本申请还提供一种交通事故发生模式确定方法,包括:
获取交通事故相关文本;
确定所述文本包括的词、及词的交通事故要素类型;
通过交通事故要素确定模型包括的交通事故特征抽取子网络,根据词的词向量和所述交通事故要素类型的要素类型向量,抽取包括文本语义信息和交通事故要素类型信息的交通事故特征;
通过交通事故要素确定模型包括的交通事故要素预测子网络,根据所述交通事故特征,确定交通事故要素信息;
根据所述交通事故要素信息,确定交通事故发生模式信息。
可选的,所述要素信息包括:交通事故等级信息;所述方法还包括:
根据所述交通事故等级信息,确定各个交通事故等级的交通事故数量。
本申请还提供一种交通事故发生模式确定装置,包括:
事故文件获取单元,用于获取交通事故相关文本;
要素类型确定单元,用于确定所述文本包括的词、及词的交通事故要素类型;
事故特征确定单元,用于通过交通事故要素确定模型包括的交通事故特征抽取子网络,根据词的词向量和所述交通事故要素类型的要素类型向量,抽取包括文本语义信息和交通事故要素类型信息的交通事故特征;
事故要素确定单元,用于通过交通事故要素确定模型包括的交通事故要素预测子网络,根据所述交通事故特征,确定交通事故要素信息;
事故模式确定单元,用于根据所述交通事故要素信息,确定交通事故发生模式信息。
本申请还提供一种电子设备,包括:
处理器;以及
存储器,用于存储实现交通事故发生模式确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取交通事故相关文本;确定所述文本包括的词、及词的交通事故要素类型;通过交通事故要素确定模型包括的交通事故特征抽取子网络,根据词的词向量和所述交通事故要素类型的要素类型向量,抽取包括文本语义信息和交通事故要素类型信息的交通事故特征;通过交通事故要素确定模型包括的交通事故要素预测子网络,根据所述交通事故特征,确定交通事故要素信息;根据所述交通事故要素信息,确定交通事故发生模式信息。
本申请还提供一种交通信息播报***,包括:
第一服务端,用于获取交通事故相关文本;确定所述文本包括的词、及词的交通事故要素类型;通过交通事故要素确定模型包括的交通事故特征抽取子网络,根据词的词向量和所述交通事故要素类型的要素类型向量,抽取包括文本语义信息和交通事故要素类型信息的交通事故特征;通过交通事故要素确定模型包括的交通事故要素预测子网络,根据所述交通事故特征,确定交通事故要素信息;根据所述交通事故要素信息,确定交通事故发生模式信息;
第二服务端,用于根据所述交通事故发生模式信息,确定事故多发地段信息和事故发生条件信息;确定待预警车辆的位置信息;若车辆位置与事故多发地段间距离小于距离阈值、且事故发生条件成立,则确定交通事故预警信息,向与所述待预警车辆关联的客户端发送所述预警信息;
客户端,用于接收所述预警信息,以便于根据所述预警信息调整车辆行驶方式。
本申请还提供一种交通信息播报方法,包括:
根据交通事故发生模式信息,确定事故多发地段信息和事故发生条件信息;
确定待预警车辆的位置信息;
若车辆位置与事故多发地段间距离小于距离阈值、且事故发生条件成立,则确定交通事故预警信息;
向与所述待预警车辆关联的客户端发送所述预警信息。
本申请还提供一种交通信息播报方法,包括:
接收服务端发送的交通事故预警信息,以便于根据所述预警信息调整车辆行驶方式。
本申请还提供一种交通信息播报装置,包括:
事故相关信息确定单元,用于根据交通事故发生模式信息,确定事故多发地段信息和事故发生条件信息;
车辆位置确定单元,用于确定待预警车辆的位置信息;
预警信息确定单元,用于若车辆位置与事故多发地段间距离小于距离阈值、且事故发生条件成立,则确定交通事故预警信息;
预警信息发送单元,用于向与所述待预警车辆关联的客户端发送所述预警信息。
本申请还提供一种交通信息播报装置,包括:
信息接收单元,用于接收服务端发送的交通事故预警信息,以便于根据所述预警信息调整车辆行驶方式。
本申请还提供一种电子设备,包括:
处理器;以及
存储器,用于存储实现交通信息播报方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:根据交通事故发生模式信息,确定事故多发地段信息和事故发生条件信息;确定待预警车辆的位置信息;若车辆位置与事故多发地段间距离小于距离阈值、且事故发生条件成立,则确定交通事故预警信息;向与所述待预警车辆关联的客户端发送所述预警信息。
本申请还提供一种电子设备,包括:
处理器;以及
存储器,用于存储实现交通信息播报方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:接收服务端发送的交通事故预警信息,以便于根据所述预警信息调整车辆行驶方式。
本申请还提供一种事件发生模式确定***,包括:
服务端,用于获取至少一个事件文本;针对各个事件文本,确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;根据所述事件要素信息,确定事件发生模式信息;以及,接收客户端发送的针对目标事件要素的事件发生模式信息获取请求;确定包括所述目标事件要素的事件发生模式信息;向所述客户端回送包括所述目标事件要素的事件发生模式信息;
客户端,用于向所述服务端发送所述请求,接收包括所述目标事件要素的事件发生模式信息。
本申请还提供一种事件发生模式确定方法,包括:
获取至少一个事件文本;针对各个事件文本,确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;根据所述事件要素信息,确定事件发生模式信息;
接收客户端发送的针对目标事件要素的事件发生模式信息获取请求;
确定包括所述目标事件要素的事件发生模式信息;
向所述客户端回送包括所述目标事件要素的事件发生模式信息。
本申请还提供一种事件发生模式确定方法,包括:
向服务端发送针对目标事件要素的事件发生模式信息获取请求;
接收所述服务端回送的包括所述目标事件要素的事件发生模式信息。
本申请还提供一种事件发生模式确定装置,包括:
事件发生模式生成单元,用于获取至少一个事件文本;针对各个事件文本,确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;根据所述事件要素信息,确定事件发生模式信息;
请求接收单元,用于接收客户端发送的针对目标事件要素的事件发生模式信息获取请求;
事件发生模式查询单元,用于确定包括所述目标事件要素的事件发生模式信息;
模式信息回送单元,用于向所述客户端回送包括所述目标事件要素的事件发生模式信息。
本申请还提供一种事件发生模式确定装置,包括:
请求发送单元,用于向服务端发送针对目标事件要素的事件发生模式信息获取请求;
信息接收单元,用于接收所述服务端回送的包括所述目标事件要素的事件发生模式信息。
本申请还提供一种电子设备,包括:
处理器;以及
存储器,用于存储实现事件发生模式确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:预先获取至少一个事件文本;针对各个事件文本,确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;根据所述事件要素信息,确定事件发生模式信息;接收客户端发送的针对目标事件要素的事件发生模式信息获取请求;确定包括所述目标事件要素的事件发生模式信息;向所述客户端回送包括所述目标事件要素的事件发生模式信息。
本申请还提供一种电子设备,包括:
处理器;以及
存储器,用于存储实现事件发生模式确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:向服务端发送针对目标事件要素的事件发生模式信息获取请求;接收所述服务端回送的包括所述目标事件要素的事件发生模式信息。
本申请还提供一种事件要素确定***,包括:
服务端,用于接收客户端发送的针对目标事件文本的事件要素信息确定请求;确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;向所述客户端回送事件要素信息;
客户端,用于向所述服务端发送所述请求,接收所述事件要素信息。
本申请还提供一种事件要素确定方法,包括:
接收客户端发送的针对目标事件文本的事件要素信息确定请求;
确定所述文本包括的词、及词的事件要素类型;
通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;
通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;
向所述客户端回送事件要素信息。
本申请还提供一种事件要素确定方法,包括:
向服务端发送针对目标事件文本的事件要素信息确定请求;
接收所述服务端回送的事件要素信息。
本申请还提供一种事件要素确定装置,包括:
请求接收单元,用于接收客户端发送的针对目标事件文本的事件要素信息确定请求;
要素类型确定单元,用于确定所述文本包括的词、及词的事件要素类型;
事件特征确定单元,用于通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;
事件要素确定单元,用于通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;
信息回送单元,用于向所述客户端回送事件要素信息。
本申请还提供一种事件要素确定装置,包括:
请求发送单元,用于向服务端发送针对目标事件文本的事件要素信息确定请求;
信息接收单元,用于接收所述服务端回送的事件要素信息。
本申请还提供一种电子设备,包括:
处理器;以及
存储器,用于存储实现事件要素确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:接收客户端发送的针对目标事件文本的事件要素信息确定请求;确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;向所述客户端回送事件要素信息。
本申请还提供一种电子设备,包括:
处理器;以及
存储器,用于存储实现事件要素确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:向服务端发送针对目标事件文本的事件要素信息确定请求;接收所述服务端回送的事件要素信息。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各种方法。
本申请还提供一种包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各种方法。
与现有技术相比,本申请具有以下优点:
本申请实施例提供的事件类别确定方法,通过确定待分类事件文本包括的词、及词的事件要素类型;通过事件分类模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件分类模型包括的事件类别预测子网络,根据所述事件特征,确定所述事件文本的事件类别;这种处理方式,使得结合事件文本的语义信息和事件文本的事件要素类型信息进行事件类别识别;因此,可以有效提升事件类别识别的准确度。
本申请实施例提供的事件要素类型预测模型构建方法,通过获取训练样本集;其中,所述训练样本包括训练用事件文本、训练用事件文本包括的词、词的事件要素类型标注信息之间的对应关系;构建所述模型的网络结构;其中,所述网络结构包括特征抽取子网络和事件要素类型预测子网络;所述特征抽取子网络,用于根据事件文本的词的词向量,抽取用于预测事件要素类型的事件特征;所述事件要素类型预测子网络,用于根据所述事件特征,获取词的事件要素类型的预测值;根据所述训练样本集对所述模型的网络参数进行训练,得到事件要素类型预测模型;这种处理方式,使得可结合事件文本词的词本体语义信息和周边文本的信息,构建事件要素类型预测模型;因此,可以有效提升事件要素类型预测模型的预测准确度。
本申请实施例提供的事件分类模型构建方法,通过获取训练样本集;其中,所述训练样本包括训练用事件文本、事件类别标注信息之间的对应关系;构建所述模型的网络结构;其中,所述网络结构包括事件特征抽取子网络和事件类别预测子网络;所述特征抽取子网络,用于根据事件文本的各个词的词向量,以及以该词作为目标词的事件要素类型的要素向量,抽取事件特征,该特征包括文本语义信息和事件要素类型信息;所述事件类别预测子网络,用于根据所述事件特征,获取事件文本的事件类别的预测值;根据所述训练样本集对所述模型的网络参数进行训练,得到事件分类模型;这种处理方式,使得可结合事件文本词的词本体语义信息和事件要素类型信息,构建事件分类预测模型;因此,可以有效提升事件分类模型的预测准确度。
本申请实施例提供的设备故障发生模式确定方法,通过获取设备故障相关文本;确定所述文本包括的词、及词的设备故障要素类型;通过故障要素确定模型包括的设备故障特征抽取子网络,根据词的词向量和所述设备故障要素类型的要素类型向量,抽取包括文本语义信息和设备故障要素类型信息的设备故障特征;通过故障要素确定模型包括的故障要素预测子网络,根据所述设备故障特征,确定设备故障要素信息;根据设备故障要素信息,确定设备故障发生模式信息;这种处理方式,使得自动确定设备故障发生模式,帮助寻找设备故障多发的情景,以便采取预防措施;因此,可以有效提升设备故障发生模式的确定效率。
本申请实施例提供的事件发生模式确定方法,通过获取事件相关文本;确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定事件要素信息;根据所述事件要素信息,确定事件发生模式信息;这种处理方式,使得对于事件文本自动进行要素抽取,和对案件的模式情况的分类,自动确定事件发生模式,帮助确定事件多发的情景,以便采取预防措施;因此,可以有效提升事件发生模式的确定效率。
本申请实施例提供的设备故障发生模式确定方法,通过获取企业收购事件相关文本;确定所述文本包括的词、及词的企业收购事件要素类型;通过企业收购事件要素确定模型包括的企业收购事件特征抽取子网络,根据词的词向量和所述企业收购事件要素类型的要素类型向量,抽取包括文本语义信息和企业收购事件要素类型信息的企业收购事件特征;通过企业收购事件要素确定模型包括的企业收购事件要素预测子网络,根据所述企业收购事件特征,确定企业收购事件要素信息;根据所述企业收购事件要素信息,确定企业收购事件发生模式信息;这种处理方式,使得对于企业并购事件自动进行要素抽取,和对并购事件的模式情况的分类,自动确定并购事件发生模式,帮助确定并购事件多发的情景,以便进行企业并购计划的指定;因此,可以有效提升企业并购事件发生模式的确定效率。
本申请实施例提供的交通事故发生模式确定方法,通过获取交通事故相关文本;确定所述文本包括的词、及词的交通事故要素类型;通过交通事故要素确定模型包括的交通事故特征抽取子网络,根据词的词向量和所述交通事故要素类型的要素类型向量,抽取包括文本语义信息和交通事故要素类型信息的交通事故特征;通过交通事故要素确定模型包括的交通事故要素预测子网络,根据所述交通事故特征,确定交通事故要素信息;根据所述交通事故要素信息,确定交通事故发生模式信息;这种处理方式,使得对于交通管理部门的交通事故案卷自动进行要素抽取,和对事故的模式情况的分类,自动确定交通事故发生模式,帮助确定交通事故多发的情景,以便采取预防措施;因此,可以有效提升交通事故发生模式的确定效率和准确率。
本申请实施例提供的交通信息播报***,通过第一服务端获取交通事故相关文本;确定所述文本包括的词、及词的交通事故要素类型;通过交通事故要素确定模型包括的交通事故特征抽取子网络,根据词的词向量和所述交通事故要素类型的要素类型向量,抽取包括文本语义信息和交通事故要素类型信息的交通事故特征;通过交通事故要素确定模型包括的交通事故要素预测子网络,根据所述交通事故特征,确定交通事故要素信息;根据所述交通事故要素信息,确定交通事故发生模式信息;通过第二服务端根据所述交通事故发生模式信息,确定事故多发地段信息和事故发生条件信息;确定待预警车辆的位置信息;若车辆位置与事故多发地段间距离小于距离阈值、且事故发生条件成立,则确定交通事故预警信息,向与所述待预警车辆关联的客户端发送所述预警信息;客户端接收所述预警信息,以便于根据所述预警信息调整车辆行驶方式;这种处理方式,使得可及时提醒驾驶者注意安全驾驶;因此,可以有效提升驾驶安全性。
本申请实施例提供的事件发生模式确定***,通过服务端获取至少一个事件文本;针对各个事件文本,确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;根据所述事件要素信息,确定事件发生模式信息;以及,接收客户端发送的针对目标事件要素的事件发生模式信息获取请求;确定包括所述目标事件要素的事件发生模式信息;向所述客户端回送包括所述目标事件要素的事件发生模式信息;这种处理方式,使得可确定包括目标事件要素的事件发生模式信息;因此,可以有效提升事件发生模式确定效率及准确度。
本申请实施例提供的事件要素确定***,通过服务端接收客户端发送的针对目标事件文本的事件要素信息确定请求;确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;向所述客户端回送事件要素信息;这种处理方式,使得可确定目标事件文本的事件要素信息;因此,可以有效提升事件要素确定效率及准确度。
附图说明
图1是本申请提供的一种事件类别确定方法的实施例的流程图;
图2是本申请提供的一种事件类别确定方法的实施例的具体流程图;
图3是本申请提供的一种事件类别确定方法的实施例的模型结构示意图;
图4a是本申请提供的一种事件类别确定方法的实施例的词向量嵌入的示意图;
图4b是本申请提供的一种事件类别确定方法的实施例的词位置向量嵌入的示意图;
图5是本申请提供的一种事件类别确定方法的实施例的事件要素类型向量嵌入的示意图;
图6是本申请提供的一种事件类别确定方法的实施例的具体流程图;
图7是本申请提供的一种事件类别确定装置的实施例的示意图;
图8是本申请提供的电子设备的实施例的示意图;
图9是本申请提供的设备故障发生模式确定方法的实施例的流程图;
图10是本申请提供的设备故障发生模式确定装置的实施例的示意图;
图11是本申请提供的电子设备的实施例的示意图;
图12是本申请提供的事件发生模式确定方法的实施例的具体流程图;
图13是本申请提供的事件发生模式确定装置的实施例的具体示意图;
图14是本申请提供的电子设备的实施例的示意图;
图15是本申请提供的企业收购事件发生模式确定方法的实施例的具体流程图;
图16是本申请提供的企业收购事件发生模式确定装置的实施例的具体示意图;
图17是本申请提供的电子设备的实施例的示意图;
图18是本申请提供的一种事件要素类型预测模型构建方法的实施例的流程图;
图19是本申请提供的一种事件要素类型预测模型构建装置的实施例的示意图;
图20是本申请提供的电子设备的实施例的示意图;
图21是本申请提供的一种事件分类模型构建方法的实施例的流程图;
图22是本申请提供的一种事件分类装置的实施例的示意图;
图23是本申请提供的电子设备的实施例的示意图;
图24是本申请提供的一种交通事故发生模式确定方法的实施例的流程图;
图25是本申请提供的一种交通事故发生模式确定装置的实施例的示意图;
图26是本申请提供的电子设备的实施例的示意图;
图27是本申请提供的一种交通信息播报***的实施例的示意图;
图28是本申请提供的交通信息播报***的实施例的设备交互示意图;
图29是本申请提供的一种事件发生模式确定***的实施例的示意图;
图30是本申请提供的事件发生模式确定***的实施例的设备交互示意图;
图31是本申请提供的一种事件要素确定***的实施例的示意图;
图32是本申请提供的事件要素确定***的实施例的设备交互示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
在本申请中,提供了事件类别确定方法和装置,事件要素类型预测模型构建方法和装置,事件分类模型构建方法和装置,交通信息播报***、方法和装置,设备故障发生模式确定方法和装置,事件发生模式确定方法和装置,企业收购事件发生模式确定方法和装置,交通事故发生模式确定方法和装置,事件发生模式确定***、方法和装置,事件要素确定***、方法和装置,以及电子设备。在下面的实施例中逐一对各种方案进行详细说明。
第一实施例
请参考图1,其为本申请提供的一种事件类别确定方法实施例的流程图,该方法的执行主体包括事件类别确定装置。本申请提供的一种事件类别确定方法包括:
步骤S101:确定待分类事件文本包括的词、及词的事件要素类型。
所述待分类事件文本描述了一个事件,是与事件相关的文本。例如,事件文本可以是违法案件的案卷,汽车企业并购的公告,电力公司设备故障报告等等。
例如,待分类事件文本为起诉书,起诉书的描述文字为“1.我与朋友合作300万的项目,口头约定项目结束后,双方平均分配项目利润的各50%,但我们之间没有签订书面合作协议。2.我负责项目前期工作,包括(商务、投标、技术、产品初期选型、送货、配合施工单位、签订合同等)合伙人负责项目工作,包括(前期垫资、中标后***分、产品采购、请款)3.因她的原因导致项目多付出30万的成本。”
在本实施例中,用户通过客户端指定待分类的事件文本,客户端向服务端发送针对该事件文本的事件分类请求;所述服务端接收该请求,并通过部署的事件类别确定装置解析该请求,从中得到待分类事件文本。
所述待分类事件文本由多个词构成,可以是各种语言的文本,如中文或英文等等。当所述事件文本为中文文本时,可通过中文分词算法,确定待分类事件文本包括的各个词,例如,文本为“...口头约定项目结束后,双方平均分配项目利润的...”,分词结果包括如下词:口头,约定,项目,结束,后等等。当所述事件文本为英文文本时,分词结果包括文本中出现的英文单词。
具体实施时,可采用现有的分词算法对所述事件文本进行分词处理。现有的分词算法,可分为三大类:基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法。按照是否与词性标注过程相结合,又可以分为单纯分词方法和分词与标注相结合的一体化方法。分词算法属于较为成熟的现有技术,此处不再赘述,可根据实际需求选取任意一种现有分词算法。
在进行分词处理后,可针对各个事件文本中的各个词,确定词所属的事件要素类型。所述事件要素,是指构成一个事件的要素,尽管事件文本的内容、篇幅千差万别,但每一篇事件文本都不能缺少任何一个要素。所述事件要素类型,也可称为事件要素维度,或者称为事件要素名,相应的,所述事件要素可称为事件要素值。如果将事件文本视为非结构化的信息,则事件要素就是事件文本结构化的信息,这些结构化的信息可以是用户感兴趣的信息。
例如,案件文本的要素类型包括:时间,地点,受害人,违法事件等等,其中具体的时间段、案发地点类型,受害人性别、年龄段,违法事件类型(如抢劫、偷盗、人身伤害、诈骗)等等,就是该事件的要素信息。根据事件要素信息,可确定事件发生模式,如“公交车白天发生盗窃的概率比较高”,“电力公司的设备A在干旱时可能发生某类故障”,等等。
请参考图2,其为本申请提供的一种事件类别确定方法实施例的具体流程图。在本实施例中,所述事件要素类型可采用如下步骤确定:
步骤S201:针对各个词,将词作为目标词,并确定包括目标词及其相邻词的文本片段。
采用这种实施方式,可将事件文本包括的每个词,利用上下文扩展为一个文字序列。具体实施时,可将事件文本包括的每个词作为目标词,以目标词为中心,向前向后(左右两边)分别选取预设数量n个相邻词。例如,将目标词w_0扩展成如下文字序列:[w_-n,w_-n+1,…w_-1,w_0,w_1,…,w_n]。其中,w_0为目标词,w_-n、w_-n+1、…w_-1为目标词左侧相邻的n个词,w_1、…、w_n为目标词右侧相邻的n个词。从词数量角度而言,所述文本片段可以是词数量定长(1+2n)的文本串。
例如,案件情况的文本为“…下午女孩在公交车上被***…”,其中目标词“公交车”的文字片段可以是[下午,女孩,在,公交车,上,被摸,胸],假设n是2,“公交车”是W0,则“女孩”是W-2,“在”是w-1,“上”是w1,“被摸”是w2。
需要说明的是,在以目标词为中心,并向左右两边扩展,以形成一个具有预设词数量的文本串(即文本片段)时,可以向左右两边分别扩展相同数量的词,如向左右两边各扩展5个词;也可以是向左右两边分别扩展不同数量的词,如向左边扩展3个词,向右边扩展5个词。
具体实施时,如果目标词为事件文本的起始词,无法得到向左扩展的n个词,则可用n个“空词”表示以目标词为中心,并向左扩展得到的词。
步骤S203:获取目标词和相邻词的词向量;以及,根据相邻词在所述文本片段中的词位置信息,确定目标词和相邻词的词位置向量。
通过步骤S201获得目标词及相邻词后,就可以进入本步骤,分别对目标词、相邻词、相邻词在文本片段中的位置信息,执行向量嵌入(embbeding)处理,以得到各种信息的向量表达形式。对于目标词和相邻词,通过词嵌入的方式,将文本片段按照词向量来组织,获取能够表达语义的词向量,以便于根据词向量挖掘词的用于确定要素类型的特征。
在一个示例中,本申请实施例提供的方法,还包括如下步骤:构建词典,其中,词典可包括事件文本中出现的所有词。具体实施时,可通过扫描全部训练文章,构建词典。在构建词典后,还可对词典中的词进行索引编号,使得每个词对应唯一的一个数字标识符。此外,在构建词典后,还可对词典中的词进行训练词向量的处理,利用所有训练数据,可通过词向量训练算法(word2vec,如fastText),训练得到词典中的词对应的词向量(wordembeddings)。具体实施时,也可以直接使用已经训练好的词向量。
本实施例可通过查询词典,对目标词和相邻词执行词向量嵌入,得到目标词和相邻词的词向量。如图4a所示,具体实施时,可根据各个词的唯一标识符,通过查询词向量矩阵(word embeddings matrix),获取各个词对应的词向量(word embeddings)。以词典包括10000个词为例,词向量矩阵为一个10000*词向量维度(自定义)的矩阵。矩阵的每一行即对应一个词向量。这个矩阵可以是随机初始化的矩阵,可通过训练词向量更新矩阵。
为了使得事件要素类型预测模型(特别是CNN网络中)更好的知道是要对文本片段中的哪个词做要素类型的判断,同时区分原文中相邻两个单词所产生的文本序列,本实施例将文本片段中的每个词按顺序编号,称之为词位置。每个词都对应一个词位置,所述词位置信息包括所述文本片段中的词在所述文本片段中的位置信息。这些位置可以通过位置嵌入(position embedding)方法输入到事件要素类型预测模型中。
其中,各种词位置(如0,-1,1等等)的向量表征,可在事件要素类型预测模型的训练过程中训练得到。
为了便于描述,本申请实施例将所述文本片段对应的词位置信息表达为:P={...pt-1,pt,pt+1...},其中,pt为目标词wt在文本片段S中的词位置,pt-1为目标词左侧相邻的第1个词wt-1在文本片段S中的词位置,pt+1为目标词右侧相邻的第1个词wt+1在文本片段S中的词位置。
所述词位置信息,可以根据所述文本片段中的词相对目标词的位置确定,例如,文本片段S的词长度固定为11,则P={-5,-4,…0…,4,5};也可以直接根据各个词在所述文本片段中的位置确定,如用p={0,…10}表示。
如图4b所示,在本实施例中,可根据各个词的词位置编号,通过查询位置向量矩阵(position embeddings matrix),获取各个词对应的词位置向量(position embeddings)。以文本片段的词数量为11为例,则位置向量矩阵为一个11*词位置向量维度(自定义)的矩阵。矩阵的每一行即对应一个词位置。这个矩阵可以是随机初始化的矩阵,可通过训练词位置向量更新矩阵。
例如,文本片段S={“空词”,“空词”,“空词”,“空词”,“空词”,“刚刚”,“宣誓”,“就任”,“的”,“经管学院”,“院长”},P={-5,-4,…0…,4,5},则可得到如下词与词位置向量之间的对应关系:第1个“空词”对应位置编号-5对应的词位置向量,第2个“空词”对应位置编号-4对应的词位置向量,第3个“空词”对应位置编号-3对应的词位置向量,第4个“空词”对应位置编号-2对应的词位置向量,第5个“空词”对应位置编号-1对应的词位置向量,“刚刚”对应位置编号0对应的词位置向量,“宣誓”对应位置编号1对应的词位置向量,“就任”对应位置编号2对应的词位置向量,“的”对应位置编号3对应的词位置向量,“经管学院”对应位置编号4对应的词位置向量,“院长”对应位置编号5对应的词位置向量。
在得到目标词及其相邻词的词向量和词位置向量之后,就可以进入下一步骤。
步骤S205:针对各个目标词,通过事件要素类型预测模型,根据所述目标词及其相邻词的词向量和所述词位置向量,确定所述目标词的事件要素类型。
请参见图3,其中包括本实施例的事件要素类型预测模型的网络结构示意图。在本实施例中,针对各个目标词,将与目标词对应的文本片段中的各个词对应的词向量(wordembedding,WE)和词位置向量(position embedding,PE)相连接组成的向量序列,输入到事件要素类型预测模型。该模型包括特征抽取子网络和事件要素类型预测子网络。通过特征抽取子网络,可从目标词周围有限的文本范围内提取得到对目标词的要素类型产生影响的特征。将该表征输入到事件要素类型预测子网络,通过全连接层得到目标词在每一个要素类型上的分数,并通过softmax function,对这些分数进行归一化,可将分数最高的类型即为该目标词的要素类型。
其中,特征抽取子网络,可采用多种深度神经网络结构,包括但不限于:卷积神经网络(convolutional neural networks,CNN)或者双向长短期记忆网络(bi-directionallong short-term memory,BiLSTM)等等。事件要素类型预测子网络可包括一个全连接层(Fully connected layer)和归一化层(softmax function)。
本申请实施例提供的方法,通过采用基于Bi-LSTM的所述特征抽取子网络,使得可以建模词与词之间远距离的依赖关系,且可以从两个方向来建模,由于词之间的远距离依赖关系可以决定所述对目标词的要素类型产生影响的特征;因此,可以有效提升所述对目标词的要素类型产生影响的特征的准确度。
需要注意的是,同一个目标词在不同的事件文本语境下,其事件要素类型可能并不相同。例如,事件文本“在家里被人袭击”中词“家”的事件要素类型是“地点要素”,事件文本“在坐公交车回家的路上被人袭击”中词“家”的事件要素类型可能是“未知”。本实施例通过上述步骤1至3的处理,可识别出同一个词在不同文本语境下的不同事件要素类型,其主要原理是:利用上下文将词扩展为一个文字序列,这样就可以根据词的上下文语义进行事件要素类型的识别。采用这种处理方式,可以有效提升事件要素类型的识别准确度,从而提升事件分类的准确度。
具体实施时,也可以采用上述实施方式以外的其它方式确定每个词的事件要素类型。例如,不将词扩展为文本序列,直接根据词本体语义确定词的事件要素类型;或者,虽然将词扩展为文本序列,但不考虑词位置因素,只根据词本体语义和词的上下文语义确定词的事件要素类型,等等。
步骤S103:通过事件分类模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素向量,抽取包括文本语义信息和事件要素类型信息的事件特征。
本发明的发明人发现事件要素类型对于判断事件类别,会起到辅助作用,因此,本申请实施例提供的方法将事件文本中每个词的词向量和事件要素类型结合,以扩充事件类型预测的信息量,这样可以有效提升对事件类型产生影响的事件特征的准确度,从而提升事件分类的准确度。
图3中还包括本实施例的事件分类模型的网络结构示意图,该模型包括事件特征抽取子网络和事件类别预测子网络。其中,事件特征抽取子网络,可用于根据事件文本的各个词的词向量,以及以该词作为目标词的事件要素类型的要素向量,抽取用于预测事件类别的事件特征,该特征包括文本语义信息和事件要素类型信息。
具体实施时,可将事件文本中的每个词的词向量WE和事件要素类型的向量(keyelement embedding,KE)相衔接,组成一个长度为WE和KE长度之和的向量,事件文本则转化成一个该向量组成的序列(如图2中W0至W5),将该向量序列输入到事件特征抽取子网络,通过该子网络,抽取得到包括文本语义信息和事件要素类型信息的事件特征。
其中,各种事件要素类型(如地点、时间、受害人等等)的向量表征,可在事件分类模型的训练过程中。在本实施例中,事件要素类型的要素向量是一个10维的向量。在训练事件分类模型时,可首先初始化事件要素类型的向量表征,在训练过程中,该向量表征随着损失值的逐渐减小,逐渐趋于稳定,当模型训练结束时,最终的向量表征可作为模型参数进行存储,以便预测阶段据此数据进行要素类型的嵌入处理。
如图5所示,在本实施例中,可根据各个要素类型的编号,通过查询要素类型向量矩阵,获取各个要素类型对应的要素类型向量。以要素类型数量为5为例,则要素类型向量矩阵为一个5*要素类型向量维度(自定义)的矩阵。矩阵的每一行即对应一个要素类型。这个矩阵可以是随机初始化的矩阵,可通过训练事件分类模型更新矩阵。
步骤S105:通过事件分类模型包括的事件类别预测子网络,根据所述事件特征,确定所述事件文本的事件类别。
将上一步骤抽取得到的事件特征输入至事件类别预测子网络,通过该子网络确定所述事件文本的事件类别。由于所述事件特征根据事件文本中各个词的本体语义信息、和词的事件要素类型信息得到,而且这些事件要素类型信息,正与要分类的事件维度是相关的,因此会提高事件分类的效果。
其中,事件分类模型包括的特征抽取子网络的网络结构可以是卷积神经网络或者双向长短期记忆网络等等。事件类别预测子网络可包括全连接层和归一化层。事件分类模型包括的特征抽取子网络和事件类别预测子网络,与事件要素类型预测模型中的相应子网络结构可以相同,不同之处包括输入数据不同、特征性质不同、输出数据不同。
需要说明的是,要实施本申请实施例提供的方法,首先要构建事件要素类型预测模型和事件分类模型。所述事件要素类型预测模型,可从第一训练数据中学习获得。所述事件分类模型,可从第二训练数据中学习获得。
请参考图6,其为本申请提供的一种事件类别确定方法实施例的又一具体流程图。在本实施例中,所述方法还包括如下步骤:
步骤S601:从第一训练样本集中学习得到所述事件要素类型预测模型。
所述第一训练样本集,包括多个第一训练样本。所述第一训练样本包括训练用事件文本、训练用事件文本包括的词、词的事件要素类型标注信息之间的对应关系。表1示出了本实施例的第一训练样本集。
表1、第一训练样本集
在获取到第一训练样本集后,就可以通过深度学习算法,从所述第一训练样本集中学习得到所述事件要素类型预测模型。由于深度学习算法属于较为成熟的现有技术,因此此处不再赘述。
在训练所述事件要素类型预测模型时,所述事件要素类型预测子网络的损失函数可采用二值交叉熵函数,也可以采用普通的交叉熵函数。
步骤S603:从第二训练样本集中学习得到所述事件分类模型。
所述第二训练样本集,包括多个第二训练样本。所述第二训练样本包括与训练用事件文本、事件类别标注信息之间的对应关系。表2示出了本实施例的第二训练样本集。
表2、第二训练样本集
在本实施例中,针对各个要素类型,分别训练与要素类型对应的事件分类模型。根据所述事件特征,通过不同要素维度的事件分类模型,确定多个要素维度的事件类别。
具体实施时,也可以采用多分类的事件分类模型,通过一个事件分类模型,即可依次预测得到事件文件的多个要素维度的事件类别。
从上述实施例可见,本申请实施例提供的事件类别确定方法,通过确定待分类事件文本包括的词、及词的事件要素类型;通过事件分类模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件分类模型包括的事件类别预测子网络,根据所述事件特征,确定所述事件文本的事件类别;这种处理方式,使得结合事件文本的语义信息和事件文本的事件要素类型信息进行事件类别识别;因此,可以有效提升事件类别识别的准确度。
在上述的实施例中,提供了一种事件类别确定方法,与之相对应的,本申请还提供一种事件类别确定装置。该装置是与上述方法的实施例相对应。
第二实施例
请参看图7,其为本申请的事件类别确定装置的实施例的示意图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种事件类别确定装置,包括:
要素类型确定单元701,用于确定待分类事件文本包括的词、及词的事件要素类型;
事件特征抽取单元702,用于通过事件分类模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素向量,抽取包括文本语义信息和事件要素类型信息的事件特征;
事件类别确定单元703,用于通过事件分类模型包括的事件类别预测子网络,根据所述事件特征,确定所述事件文本的事件类别。
可选的,所述要素类型确定单元701,具体用于针对各个词,将词作为目标词,并确定包括目标词及其相邻词的文本片段;获取目标词和相邻词的词向量;以及,根据相邻词在所述文本片段中的词位置信息,确定目标词和相邻词的词位置向量;针对各个目标词,通过事件要素类型预测模型,根据所述目标词及其相邻词的词向量和所述词位置向量,确定所述目标词的事件要素类型。
可选的,所述事件特征抽取单元702,具体用于根据词的词向量和所述事件要素类型的要素向量,确定词的包括要素类型信息的词向量;通过所述事件特征抽取子网络,根据所述包括要素类型信息的词向量,抽取所述事件特征。
可选的,所述事件要素类型包括:时间,地点,人物,事件。
可选的,所述事件类别包括:地点类型,时间段,人物性别,事件类型。
第三实施例
请参考图8,其为本申请的电子设备实施例的示意图。由于设备实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本实施例的一种电子设备,该电子设备包括:处理器801和存储器802;所述存储器,用于存储实现事件类别确定方法的程序,该设备通电并通过所述处理器运行该事件确认方法的程序后,执行下述步骤:确定待分类事件文本包括的词、及词的事件要素类型;通过事件分类模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件分类模型包括的事件类别预测子网络,根据所述事件特征,确定所述事件文本的事件类别。
在上述的实施例一中,提供了一种事件类别确定方法,与之相对应的,本申请还提供一种设备故障发生模式确定方法。
第四实施例
请参考图9,其为本申请提供的一种设备故障发生模式确定方法实施例的流程图,该方法的执行主体包括设备故障发生模式确定装置。由于该方法实施例与实施例一的方法实施例相对应,所以描述得比较简单,相关之处参见实施例一的部分说明即可。下述描述的方法实施例仅仅是示意性的。
本申请提供的一种设备故障发生模式确定方法包括:
步骤S1201:获取设备故障相关文本。
例如,设备故障报告包括某个企业(如电力企业)的某个设备(如某型号的阀控式密封铅酸蓄电池组)事故前工况、事故发生经过和处理情况、事故原因、事故损失情况等等信息。
步骤S1203:确定所述文本包括的词、及词的设备故障要素类型。
所述设备故障要素类型,可以是气候,时间,地点,故障现象等等。
在一个示例中,所述设备故障要素类型可采用如下步骤确定:1)针对各个词,将词作为目标词,并确定包括目标词及其相邻词的文本片段;2)获取目标词和相邻词的词向量;以及,根据相邻词在所述文本片段中的词位置信息,确定目标词和相邻词的词位置向量;3)针对各个目标词,通过设备故障要素类型预测模型,根据所述目标词及其相邻词的词向量和所述词位置向量,确定所述目标词的设备故障要素类型。
在这种情况下,所述方法还可包括如下步骤:从训练用设备故障文本、训练用设备故障文本包括的词的设备故障要素类型标注信息之间的对应关系中,学习得到所述设备故障要素类型预测模型。
步骤S1205:通过故障要素确定模型包括的设备故障特征抽取子网络,根据词的词向量和所述设备故障要素类型的要素类型向量,抽取包括文本语义信息和设备故障要素类型信息的设备故障特征。
在一个示例中,步骤S1205可包括如下子步骤:1)根据词的词向量和所述要素类型向量,确定词的包括设备故障要素类型信息的词向量;2)通过所述设备故障特征抽取子网络,根据所述包括设备故障要素类型信息的词向量,抽取所述设备故障特征。
在这种情况下,所述方法还可包括如下步骤:从训练用设备故障文本、与设备故障要素标注信息之间的对应关系中,学习得到所述故障要素确定模型。
步骤S1207:通过故障要素确定模型包括的故障要素预测子网络,根据所述设备故障特征,确定设备故障要素信息。
所述设备故障要素信息,可以包括气候类型,地点类型,时间段,故障类型等等的至少一个。具体的,所述气候类型可以是干旱,暴雨,或者寒冷;所述地点类型包括:北部地区,南部地区;所述时间段包括:早上,中午,晚上;所述故障类型包括:漏电,耗电量大。
步骤S1209:根据设备故障要素信息,确定设备故障发生模式信息。
在确定设备故障事件的要素信息后,根据这些信息可确定设备故障发生模式信息。例如,电力企业某个设备的多发模式为:气候干旱时耗电量大等等。再例如,所述设备为服务器,服务器故障的多发模式为:访问量超过x次时容易宕机等等。
在一个示例中,所述方法还可包括如下步骤:根据所述设备故障发生模式信息,确定服务器运行的相关参数。例如,将服务器的访问量限制为最大y次等等。
从上述实施例可见,本申请实施例提供的设备故障发生模式确定方法,通过获取设备故障相关文本;确定所述文本包括的词、及词的设备故障要素类型;通过故障要素确定模型包括的设备故障特征抽取子网络,根据词的词向量和所述设备故障要素类型的要素类型向量,抽取包括文本语义信息和设备故障要素类型信息的设备故障特征;通过故障要素确定模型包括的故障要素预测子网络,根据所述设备故障特征,确定设备故障要素信息;根据设备故障要素信息,确定设备故障发生模式信息;这种处理方式,使得自动确定设备故障发生模式,帮助寻找设备故障多发的情景,以便采取预防措施;因此,可以有效提升设备故障发生模式的确定效率。
在上述的实施例中,提供了一种设备故障发生模式确定方法,与之相对应的,本申请还提供一种设备故障发生模式确定装置。该装置是与上述方法的实施例相对应。
第五实施例
请参看图10,其为本申请的设备故障发生模式确定装置的实施例的示意图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种设备故障发生模式确定装置,包括:
故障文本获取单元1001,用于获取设备故障相关文本;
要素类型确定单元1002,用于确定所述文本包括的词、及词的设备故障要素类型;
故障特征抽取单元1003,用于通过故障要素确定模型包括的设备故障特征抽取子网络,根据词的词向量和所述设备故障要素类型的要素类型向量,抽取包括文本语义信息和设备故障要素类型信息的设备故障特征;
故障要素确定单元1004,用于通过故障要素确定模型包括的故障要素预测子网络,根据所述设备故障特征,确定设备故障要素信息;
故障模式确定单元1005,用于根据设备故障要素信息,确定设备故障发生模式信息。
可选的,所述设备故障要素类型包括:气候,时间,地点,故障。
可选的,所述设备故障要素信息包括:气候类型,地点类型,时间段,故障类型。
可选的,所述气候类型包括:干旱,暴雨,寒冷;所述地点类型包括:北部地区,南部地区;所述时间段包括:早上,中午,晚上;所述故障类型包括:漏电,耗电量大。
可选的,所述要素类型确定单元1002,具体用于针对各个词,将词作为目标词,并确定包括目标词及其相邻词的文本片段;获取目标词和相邻词的词向量;以及,根据相邻词在所述文本片段中的词位置信息,确定目标词和相邻词的词位置向量;针对各个目标词,通过设备故障要素类型预测模型,根据所述目标词及其相邻词的词向量和所述词位置向量,确定所述目标词的设备故障要素类型。
可选的,所述装置还包括:
第一模型构建单元,用于从训练用设备故障文本、训练用设备故障文本包括的词的设备故障要素类型标注信息之间的对应关系中,学习得到所述设备故障要素类型预测模型。
可选的,所述故障特征抽取单元1003,具体用于根据词的词向量和所述要素类型向量,确定词的包括设备故障要素类型信息的词向量;通过所述设备故障特征抽取子网络,根据所述包括设备故障要素类型信息的词向量,抽取所述设备故障特征。
可选的,所述装置还包括:
第二模型构建单元,用于从训练用设备故障文本、训练用设备故障文本包从训练用设备故障文本、与设备故障要素标注信息之间的对应关系中,学习得到所述故障要素确定模型。
可选的,所述装置还包括:
设备运行参数确定单元,用于根据所述设备故障发生模式信息,确定设备运行的相关参数。
可选的,所述设备包括服务器或电力设备。
第六实施例
请参考图11,其为本申请的电子设备实施例的示意图。由于设备实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本实施例的一种电子设备,该电子设备包括:处理器1101和存储器1102;所述存储器,用于存储实现设备故障发生模式确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取设备故障相关文本;确定所述文本包括的词、及词的设备故障要素类型;通过故障要素确定模型包括的设备故障特征抽取子网络,根据词的词向量和所述设备故障要素类型的要素类型向量,抽取包括文本语义信息和设备故障要素类型信息的设备故障特征;通过故障要素确定模型包括的故障要素预测子网络,根据所述设备故障特征,确定设备故障要素信息;根据设备故障要素信息,确定设备故障发生模式信息。
在上述的实施例一中,提供了一种事件类别确定方法,与之相对应的,本申请还提供一种事件发生模式确定方法。
第七实施例
请参考图12,其为本申请提供的一种事件发生模式确定方法实施例的流程图,该方法的执行主体包括事件发生模式确定装置。由于该方法实施例与实施例一的方法实施例相对应,所以描述得比较简单,相关之处参见实施例一的部分说明即可。下述描述的方法实施例仅仅是示意性的。
本申请提供的一种事件发生模式确定方法包括:
步骤S1201:获取事件相关文本。
步骤S1203:确定所述文本包括的词、及词的事件要素类型。
所述事件要素类型,包括但不限于:时间,地点,受害人,嫌疑人,动作等等。
步骤S1205:通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征。
步骤S1207:通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定事件要素信息。
步骤S1209:根据所述事件要素信息,确定事件发生模式信息。
所述事件要素信息,包括但不限于:案发地点类型,案发时间段,受害人性别,事件类型等等。所述地点类型,可以是公共交通设施,餐馆,学校,家等等;所述时间段,可以是早上,中午,晚上;所述受害人,可以是男性或女性;所述事件类型,可以是盗窃,人身伤害,诈骗等等。
在一个示例中,所述事件发生模式信息包括:与公共交通设施有关的事件发生模式,如公交车上下班高峰时段容易发生盗窃案件;相应的,所述方法还可包括如下步骤:根据所述事件发生模式信息,确定公交人员调度信息。例如,在上下班高峰时段,增加公交车的保安人员。
从上述实施例可见,本申请实施例提供的事件发生模式确定方法,通过获取事件相关文本;确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定事件要素信息;根据所述事件要素信息,确定事件发生模式信息;这种处理方式,使得对于事件文本自动进行要素抽取,和对案件的模式情况的分类,自动确定事件发生模式,帮助确定事件多发的情景,以便采取预防措施;因此,可以有效提升事件发生模式的确定效率。
在上述的实施例中,提供了一种事件发生模式确定方法,与之相对应的,本申请还提供一种事件发生模式确定装置。该装置是与上述方法的实施例相对应。
第八实施例
请参看图13,其为本申请的事件发生模式确定装置的实施例的示意图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种事件发生模式确定装置,包括:
事件文本获取单元1301,用于获取事件相关文本;
要素类型确定单元1302,用于确定所述文本包括的词、及词的事件要素类型;
事件特征抽取单元1303,用于通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;
事件要素确定单元1304,用于通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定事件要素信息;
事件发生模式确定单元1305,用于根据所述事件要素信息,确定事件发生模式信息。
可选的,所述事件要素类型包括:时间,地点,受害人,事件。
可选的,所述事件要素信息包括:地点类型,时间段,受害人性别,事件类型。
可选的,所述地点类型包括:公共交通设施,餐馆,家;所述时间段包括:早上,中午,晚上;所述受害人包括:男性,女性;所述事件类型包括:盗窃,人身伤害,诈骗。
可选的,所述事件发生模式信息包括:与公共交通设施有关的事件发生模式;相应的,所述装置还可包括如下单元:
调度信息确定单元,用于根据所述事件发生模式信息,确定公交人员调度信息。
第九实施例
请参考图14,其为本申请的电子设备实施例的示意图。由于设备实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本实施例的一种电子设备,该电子设备包括:处理器1401和存储器1402;所述存储器,用于存储实现事件发生模式确定方法的程序,该设备通电并通过所述处理器运行该事件发生模式确定方法的程序后,执行下述步骤:获取事件相关文本;确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定事件要素信息;根据所述事件要素信息,确定事件发生模式信息。
在上述的实施例一中,提供了一种事件类别确定方法,与之相对应的,本申请还提供一种企业收购事件发生模式确定方法。
第十实施例
请参考图15,其为本申请提供的一种企业收购事件发生模式确定方法实施例的流程图,该方法的执行主体包括企业收购事件发生模式确定装置。由于该方法实施例与实施例一的方法实施例相对应,所以描述得比较简单,相关之处参见实施例一的部分说明即可。下述描述的方法实施例仅仅是示意性的。
本申请提供的一种企业收购事件发生模式确定方法包括:
步骤S1501:获取企业收购事件相关文本;
步骤S1503:确定所述文本包括的词、及词的企业收购事件要素类型;
所述企业收购事件要素类型,可以是收购金额,收购原因,供应商的事故原因,供应商的事故时间等等。
步骤S1505:通过企业收购事件要素确定模型包括的企业收购事件特征抽取子网络,根据词的词向量和所述企业收购事件要素类型的要素类型向量,抽取包括文本语义信息和企业收购事件要素类型信息的企业收购事件特征;
步骤S1507:通过企业收购事件要素确定模型包括的企业收购事件要素预测子网络,根据所述企业收购事件特征,确定企业收购事件要素信息;
步骤S1509:根据所述企业收购事件要素信息,确定企业收购事件发生模式信息。
所述企业收购事件要素信息,包括但不限于:收购金额等级,收购原因类型,事故原因类型,事故时间类型等等。
例如,汽车等类似企业所关心的企业并购事件的要素抽取,收购事件涉及金额,收购原因,供应商的事故的时间,原因等要素,以及对收购事件的分类,比如按金额大小分类或者按照原因分类等等。
从上述实施例可见,本申请实施例提供的设备故障发生模式确定方法,通过获取企业收购事件相关文本;确定所述文本包括的词、及词的企业收购事件要素类型;通过企业收购事件要素确定模型包括的企业收购事件特征抽取子网络,根据词的词向量和所述企业收购事件要素类型的要素类型向量,抽取包括文本语义信息和企业收购事件要素类型信息的企业收购事件特征;通过企业收购事件要素确定模型包括的企业收购事件要素预测子网络,根据所述企业收购事件特征,确定企业收购事件要素信息;根据所述企业收购事件要素信息,确定企业收购事件发生模式信息;这种处理方式,使得对于企业并购事件自动进行要素抽取,和对并购事件的模式情况的分类,自动确定并购事件发生模式,帮助确定并购事件多发的情景,以便进行企业并购计划的指定;因此,可以有效提升企业并购事件发生模式的确定效率。
在上述的实施例中,提供了一种企业收购事件发生模式确定方法,与之相对应的,本申请还提供一种企业收购事件发生模式确定装置。该装置是与上述方法的实施例相对应。
第十一实施例
请参看图16,其为本申请的企业收购事件发生模式确定装置的实施例的示意图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种企业收购事件发生模式确定装置,包括:
事件文本获取单元1601,用于获取企业收购事件相关文本;
要素类型确定单元1602,用于确定所述文本包括的词、及词的企业收购事件要素类型;
事件特征抽取单元1603,用于通过企业收购事件要素确定模型包括的企业收购事件特征抽取子网络,根据词的词向量和所述企业收购事件要素类型的要素类型向量,抽取包括文本语义信息和企业收购事件要素类型信息的企业收购事件特征;
事件要素确定单元1604,用于通过企业收购事件要素确定模型包括的企业收购事件要素预测子网络,根据所述企业收购事件特征,确定企业收购事件要素信息;
事件发生模式确定单元1605,用于根据所述企业收购事件要素信息,确定企业收购事件发生模式信息。
可选的,所述企业收购事件要素类型包括:收购金额,收购原因,供应商的事故原因,供应商的事故时间。
可选的,所述企业收购事件要素信息包括:收购金额等级,收购原因类型,事故原因类型,事故时间类型。
第十二实施例
请参考图17,其为本申请的电子设备实施例的示意图。由于设备实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本实施例的一种电子设备,该电子设备包括:处理器1701和存储器1702;所述存储器,用于存储实现企业收购事件发生模式确定方法的程序,该设备通电并通过所述处理器运行该企业收购事件发生模式确定方法的程序后,执行下述步骤:获取企业收购事件相关文本;确定所述文本包括的词、及词的企业收购事件要素类型;通过企业收购事件要素确定模型包括的企业收购事件特征抽取子网络,根据词的词向量和所述企业收购事件要素类型的要素类型向量,抽取包括文本语义信息和企业收购事件要素类型信息的企业收购事件特征;通过企业收购事件要素确定模型包括的企业收购事件要素预测子网络,根据所述企业收购事件特征,确定企业收购事件要素信息;根据所述企业收购事件要素信息,确定企业收购事件发生模式信息。
在上述的实施例一中,提供了一种事件类别确定方法,与之相对应的,本申请还提供一种事件要素类型预测模型构建方法。该方法是与上述方法的实施例相对应。
第十三实施例
请参考图18,其为本申请提供的一种事件要素类型预测模型构建方法实施例的流程图,该方法的执行主体包括事件要素类型预测模型构建装置。由于该方法实施例是实施例一的方法实施例的一部分,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的方法实施例仅仅是示意性的。
本申请提供的一种事件要素类型预测模型构建方法包括:
步骤S1801:获取训练样本集。
其中,所述训练样本包括训练用事件文本、训练用事件文本包括的词、词的事件要素类型标注信息之间的对应关系。
步骤S1803:构建所述模型的网络结构。
其中,所述网络结构包括特征抽取子网络和事件要素类型预测子网络;所述特征抽取子网络,用于根据事件文本的词的词向量,抽取用于预测事件要素类型的事件特征;所述事件要素类型预测子网络,用于根据所述事件特征,获取词的事件要素类型的预测值。
步骤S1805:根据所述训练样本集对所述模型的网络参数进行训练,得到事件要素类型预测模型。
在一个示例中,所述特征抽取子网络,具体用于根据事件文本的词及其相邻词的词向量、和词位置向量,抽取所述事件特征,所述事件特征包括词的上下文语义信息。
从上述实施例可见,本申请实施例提供的事件要素类型预测模型构建方法,通过获取训练样本集;其中,所述训练样本包括训练用事件文本、训练用事件文本包括的词、词的事件要素类型标注信息之间的对应关系;构建所述模型的网络结构;其中,所述网络结构包括特征抽取子网络和事件要素类型预测子网络;所述特征抽取子网络,用于根据事件文本的词的词向量,抽取用于预测事件要素类型的事件特征;所述事件要素类型预测子网络,用于根据所述事件特征,获取词的事件要素类型的预测值;根据所述训练样本集对所述模型的网络参数进行训练,得到事件要素类型预测模型;这种处理方式,使得可结合事件文本词的词本体语义信息和周边文本的信息,构建事件要素类型预测模型;因此,可以有效提升事件要素类型预测模型的预测准确度。
在上述的实施例中,提供了一种事件要素类型预测模型构建方法,与之相对应的,本申请还提供一种事件要素类型预测模型构建装置。该装置是与上述方法的实施例相对应。
第十四实施例
请参看图19,其为本申请的事件要素类型预测模型构建装置的实施例的示意图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种事件要素类型预测模型构建装置,包括:
数据获取单元1901,用于获取训练样本集;其中,所述训练样本包括训练用事件文本、训练用事件文本包括的词、词的事件要素类型标注信息之间的对应关系;
网络构建单元1902,用于构建所述模型的网络结构;其中,所述网络结构包括特征抽取子网络和事件要素类型预测子网络;所述特征抽取子网络,用于根据事件文本的词的词向量,抽取用于预测事件要素类型的事件特征;所述事件要素类型预测子网络,用于根据所述事件特征,获取词的事件要素类型的预测值;
网络训练单元1903,用于根据所述训练样本集对所述模型的网络参数进行训练,得到事件要素类型预测模型。
可选的,所述特征抽取子网络,具体用于根据事件文本的词及其相邻词的词向量、和词位置向量,抽取所述事件特征,所述事件特征包括词的上下文语义信息。
第十五实施例
请参考图20,其为本申请的电子设备实施例的示意图。由于设备实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本实施例的一种电子设备,该电子设备包括:处理器2001和存储器2002;所述存储器,用于存储实现事件类型预测模型构建方法的程序,该设备通电并通过所述处理器运行该事件类型预测模型构建方法的程序后,执行下述步骤:获取训练样本集;中,所述训练样本包括训练用事件文本、训练用事件文本包括的词、词的事件要素类型标注信息之间的对应关系;构建所述模型的网络结构;其中,所述网络结构包括特征抽取子网络和事件要素类型预测子网络;所述特征抽取子网络,用于根据事件文本的词的词向量,抽取用于预测事件要素类型的事件特征;所述事件要素类型预测子网络,用于根据所述事件特征,获取词的事件要素类型的预测值;根据所述训练样本集对所述模型的网络参数进行训练,得到事件要素类型预测模型。
在上述的实施例一中,提供了一种事件类别确定方法,与之相对应的,本申请还提供一种事件分类模型构建方法。该方法是与上述方法的实施例相对应。
第十六实施例
请参考图21,其为本申请提供的一种事件分类模型构建方法实施例的流程图,该方法的执行主体包括事件分类模型构建装置。由于该方法实施例是实施例一的方法实施例的一部分,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的方法实施例仅仅是示意性的。
本申请提供的一种事件分类模型构建方法包括:
步骤S2101:获取训练样本集。
其中,所述训练样本包括训练用事件文本、事件类别标注信息之间的对应关系。
在一个示例中,所述训练样本包括还可以事件文本词的事件要素类型标注信息。采用这种方式,可以有效提升模型准确度。
步骤S2103:构建所述模型的网络结构;其中,所述网络结构包括事件特征抽取子网络和事件类别预测子网络;所述特征抽取子网络,用于根据事件文本的各个词的词向量,以及以该词作为目标词的事件要素类型的要素向量,抽取事件特征,该特征包括文本语义信息和事件要素类型信息;所述事件类别预测子网络,用于根据所述事件特征,获取事件文本的事件类别的预测值。
步骤S2104:根据所述训练样本集对所述模型的网络参数进行训练,得到事件分类模型。
从上述实施例可见,本申请实施例提供的事件分类模型构建方法,通过获取训练样本集;其中,所述训练样本包括训练用事件文本、事件类别标注信息之间的对应关系;构建所述模型的网络结构;其中,所述网络结构包括事件特征抽取子网络和事件类别预测子网络;所述特征抽取子网络,用于根据事件文本的各个词的词向量,以及以该词作为目标词的事件要素类型的要素向量,抽取事件特征,该特征包括文本语义信息和事件要素类型信息;所述事件类别预测子网络,用于根据所述事件特征,获取事件文本的事件类别的预测值;根据所述训练样本集对所述模型的网络参数进行训练,得到事件分类模型;这种处理方式,使得可结合事件文本词的词本体语义信息和事件要素类型信息,构建事件分类预测模型;因此,可以有效提升事件分类模型的预测准确度。
在上述的实施例中,提供了一种事件分类模型构建方法,与之相对应的,本申请还提供一种事件分类模型构建装置。该装置是与上述方法的实施例相对应。
第十七实施例
请参看图22,其为本申请的事件分类模型构建装置的实施例的示意图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种事件分类模型构建装置,包括:
数据获取单元2201,用于获取训练样本集;其中,所述训练样本包括训练用事件文本、事件类别标注信息之间的对应关系;
网络构建单元2202,用于构建所述模型的网络结构;其中,所述网络结构包括事件特征抽取子网络和事件类别预测子网络;所述特征抽取子网络,用于根据事件文本的各个词的词向量,以及以该词作为目标词的事件要素类型的要素向量,抽取事件特征,该特征包括文本语义信息和事件要素类型信息;所述事件类别预测子网络,用于根据所述事件特征,获取事件文本的事件类别的预测值;
网络训练单元2203,用于根据所述训练样本集对所述模型的网络参数进行训练,得到事件分类模型。
第十八实施例
请参考图23,其为本申请的电子设备实施例的示意图。由于设备实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本实施例的一种电子设备,该电子设备包括:处理器2301和存储器2302;所述存储器,用于存储实现事件分类模型构建方法的程序,该设备通电并通过所述处理器运行该事件分类模型构建方法的程序后,执行下述步骤:获取训练样本集;其中,所述训练样本包括训练用事件文本、事件类别标注信息之间的对应关系;构建所述模型的网络结构;其中,所述网络结构包括事件特征抽取子网络和事件类别预测子网络;所述特征抽取子网络,用于根据事件文本的各个词的词向量,以及以该词作为目标词的事件要素类型的要素向量,抽取事件特征,该特征包括文本语义信息和事件要素类型信息;所述事件类别预测子网络,用于根据所述事件特征,获取事件文本的事件类别的预测值;根据所述训练样本集对所述模型的网络参数进行训练,得到事件分类模型。
在上述的实施例一中,提供了一种事件类别确定方法,与之相对应的,本申请还提供一种交通事故发生模式确定方法。
第十九实施例
请参考图24,其为本申请提供的一种交通事故发生模式确定方法实施例的流程图,该方法的执行主体包括交通事故发生模式确定装置。由于该方法实施例与实施例一的方法实施例相对应,所以描述得比较简单,相关之处参见实施例一的部分说明即可。下述描述的方法实施例仅仅是示意性的。
本申请提供的一种交通事故发生模式确定方法包括:
步骤S2401:获取交通事故相关文本;
步骤S2403:确定所述文本包括的词、及词的交通事故要素类型;
所述交通事故要素类型,可以是事故发生时间,事故发生地点,事故发生时的气候,事故发生方式等等。
步骤S2405:通过交通事故要素确定模型包括的交通事故特征抽取子网络,根据词的词向量和所述交通事故要素类型的要素类型向量,抽取包括文本语义信息和交通事故要素类型信息的交通事故特征;
步骤S2407:通过交通事故要素确定模型包括的交通事故要素预测子网络,根据所述交通事故特征,确定交通事故要素信息;
步骤S2409:根据所述交通事故要素信息,确定交通事故发生模式信息。
所述交通事故要素信息,包括但不限于:事故发生时间段,事故发生地点类型,事故发生气候类型,事故发生方式类型等等。所述事故地点类型,可以是山路急转弯,上/下坡道,学校附近,商贸市场附近,没有交通信号灯的路口等等;所述时间段,可以是凌晨,上/下班时段,中午,晚上;所述事故发生方式类型,可以是追尾事故,直行事故,超车事故,左/右转弯事故,弯道事故,坡道事故,窄道事故,会车事故,超车事故,停车事故,行人剐蹭等等。
例如,所述交通事故发生模式信息,可以为:没有安装红绿灯的路口在上下班高峰时段容易发生直行事故,可以为:先上坡后下坡处的路口在雨雾天气容易发生刹车不及导致的追尾事故。
在一个示例中,所述要素信息包括:交通事故等级信息;所述事故等级,可以是轻微事故,一般事故,重大事故。相应的,所述方法还可包括如下步骤:确定多个交通事故相关文本的交通事故等级信息;根据所述交通事故等级信息,确定各个交通事故等级的交通事故数量。
从上述实施例可见,本申请实施例提供的交通事故发生模式确定方法,通过获取交通事故相关文本;确定所述文本包括的词、及词的交通事故要素类型;通过交通事故要素确定模型包括的交通事故特征抽取子网络,根据词的词向量和所述交通事故要素类型的要素类型向量,抽取包括文本语义信息和交通事故要素类型信息的交通事故特征;通过交通事故要素确定模型包括的交通事故要素预测子网络,根据所述交通事故特征,确定交通事故要素信息;根据所述交通事故要素信息,确定交通事故发生模式信息;这种处理方式,使得对于交通管理部门的交通事故案卷自动进行要素抽取,和对事故的模式情况的分类,自动确定交通事故发生模式,帮助确定交通事故多发的情景,以便采取预防措施;因此,可以有效提升交通事故发生模式的确定效率和准确率。
在上述的实施例中,提供了一种交通事故发生模式确定方法,与之相对应的,本申请还提供一种交通事故发生模式确定装置。该装置是与上述方法的实施例相对应。
第二十实施例
请参看图25,其为本申请的交通事故发生模式确定装置的实施例的示意图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种交通事故发生模式确定装置,包括:
事故文件获取单元2501,用于获取交通事故相关文本;
要素类型确定单元2502,用于确定所述文本包括的词、及词的交通事故要素类型;
事故特征确定单元2503,用于通过交通事故要素确定模型包括的交通事故特征抽取子网络,根据词的词向量和所述交通事故要素类型的要素类型向量,抽取包括文本语义信息和交通事故要素类型信息的交通事故特征;
事故要素确定单元2504,用于通过交通事故要素确定模型包括的交通事故要素预测子网络,根据所述交通事故特征,确定交通事故要素信息;
事故模式确定单元2506,用于根据所述交通事故要素信息,确定交通事故发生模式信息。
可选的,所述要素信息包括:交通事故等级信息;相应的,所述装置还可包括如下单元:
交通事故数量确定单元,用于根据所述交通事故等级信息,确定各个交通事故等级的交通事故数量。
第二十一实施例
请参考图26,其为本申请的电子设备实施例的示意图。由于设备实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本实施例的一种电子设备,该电子设备包括:处理器2501和存储器2502;所述存储器,用于存储实现交通事故发生模式确定方法的程序,该设备通电并通过所述处理器运行该交通事故发生模式确定方法的程序后,执行下述步骤:获取交通事故相关文本;确定所述文本包括的词、及词的交通事故要素类型;通过交通事故要素确定模型包括的交通事故特征抽取子网络,根据词的词向量和所述交通事故要素类型的要素类型向量,抽取包括文本语义信息和交通事故要素类型信息的交通事故特征;通过交通事故要素确定模型包括的交通事故要素预测子网络,根据所述交通事故特征,确定交通事故要素信息;根据所述交通事故要素信息,确定交通事故发生模式信息。
在上述的实施例十九中,提供了一种交通事故发生模式确定方法,与之相对应的,本申请还提供一种交通信息播报***。
第二十二实施例
请参考图27,其为本申请提供的一种交通信息播报***实施例的示意图。由于该***实施例与实施例十九的方法实施例相对应,所以描述得比较简单,相关之处参见实施例十九的部分说明即可。下述描述的***实施例仅仅是示意性的。
本申请提供的一种交通信息播报***包括:第一服务端2701,第二服务端2702,客户端2703。
请参考图28,其为本申请提供的一种交通信息播报***实施例的设备交互示意图。其中,第一服务端用于获取交通事故相关文本;确定所述文本包括的词、及词的交通事故要素类型;通过交通事故要素确定模型包括的交通事故特征抽取子网络,根据词的词向量和所述交通事故要素类型的要素类型向量,抽取包括文本语义信息和交通事故要素类型信息的交通事故特征;通过交通事故要素确定模型包括的交通事故要素预测子网络,根据所述交通事故特征,确定交通事故要素信息;根据所述交通事故要素信息,确定交通事故发生模式信息。第一服务端可将确定出的交通事故发生模式信息发送至第二服务端。
第二服务端,可部署在地图服务器(如高德地图)中,用于搜集各种交通事故发生模式信息,并可根据所述交通事故发生模式信息,确定事故多发地段信息和事故发生条件信息。此外,还可根据所述交通事故发生模式信息,确定事故类型信息。表1示出了本实施例的事故多发地段信息、事故发生条件信息、及事故类型信息之间的对应关系。
表1、对应关系集
由表1可见,如果第一服务端确定出所述交通事故发生模式信息为:没有安装红绿灯的路口在上下班高峰时段容易发生直行事故,则第二服务端可根据地图数据确定事故多发地段包括:路口023、路口452等等没有安装红绿灯的路口;事故发生条件包括:上下班高峰时段;交通事故类型为:直行事故。此外,第二服务端还可根据其它模式信息,确定出这些地段还可对应其它事故发生条件和交通事故类型,如事故发生条件为:夜间,交通事故类型为:超车事故,等等。
再例如,第一服务端确定出所述交通事故发生模式信息为:先上坡后下坡处的路口在雨雾天气(或上下班高峰时段)容易发生刹车不及导致的追尾事故,则第二服务端可根据地图数据确定事故多发地段包括:路口045、路口231等等先上坡后下坡处的路口;事故发生条件包括:雨雾天气(或上下班高峰时段);交通事故类型为:追尾事故,等等。
再例如,第一服务端确定出所述交通事故发生模式信息为:无建筑物遮挡的路段在夏天晴天且8-18点间容易发生因看不清信号灯导致的闯红灯事故,则第二服务端可根据地图数据确定事故多发地段包括:路段002,路段565等等;事故发生条件包括:夏天晴天且8-18点;交通事故类型为:因看不清信号灯导致闯红灯,等等。
第二服务端,还用于确定车辆的当前行驶位置,若车辆位置与事故多发地段间距离小于距离阈值、且事故发生条件成立,则确定交通事故预警信息,向客户端发送所述预警信息;相应的,客户端可用于展示所述预警信息,以提醒驾驶员注意交通安全,或者是无人驾驶车辆可根据该预警信息自动降低车速等等。
所述距离阈值,可根据业务需求或经验确定,如设置为500米等等。
客户端,可部署在车辆自动驾驶***中,也可以部署在移动通讯设备中。
在一个示例中,客户端是部署在移动通讯设备上的移动APP,如高德地图APP,驾驶员在开车时打开该APP,通过该APP可确定车辆当前行驶位置;第二服务端获取该位置信息,根据该位置信息判断车辆当前行驶位置是否与事故多发地段间距离小于距离阈值,此外还可根据与该事故多发地段相关的交通事故发生模式信息,确定事故发生条件,如事故发生条件为“雨雾天气”;相应的,第二服务端获取该事故多发地段的当前气候信息,根据该气候信息判断事故发生条件是否成立,若成立则确定交通事故预警信息,如“前方500米处路口在下雨天容易发生直行事故(或频发事故),请减速慢行”,并向客户端发送所述预警信息。在另一个示例中,客户端为自动驾驶车辆中的自动驾驶***,该***用于接收所述预警信息,并根据所述预警信息自动调整车辆行驶方式。
从上述实施例可见,本申请实施例提供的交通信息播报***,通过第一服务端获取交通事故相关文本;确定所述文本包括的词、及词的交通事故要素类型;通过交通事故要素确定模型包括的交通事故特征抽取子网络,根据词的词向量和所述交通事故要素类型的要素类型向量,抽取包括文本语义信息和交通事故要素类型信息的交通事故特征;通过交通事故要素确定模型包括的交通事故要素预测子网络,根据所述交通事故特征,确定交通事故要素信息;根据所述交通事故要素信息,确定交通事故发生模式信息;通过第二服务端根据所述交通事故发生模式信息,确定事故多发地段信息和事故发生条件信息;确定待预警车辆的位置信息;若车辆位置与事故多发地段间距离小于距离阈值、且事故发生条件成立,则确定交通事故预警信息,向与所述待预警车辆关联的客户端发送所述预警信息;客户端接收所述预警信息,以便于根据所述预警信息调整车辆行驶方式;这种处理方式,使得可及时提醒驾驶者注意安全驾驶;因此,可以有效提升驾驶安全性。
第二十三实施例
本申请还提供一种交通信息播报方法,该方法的执行主体包括交通信息播报装置。由于该方法实施例与实施例二十二的方法实施例相对应,所以描述得比较简单,相关之处参见实施例二十二的部分说明即可。下述描述的方法实施例仅仅是示意性的。
本申请提供的一种交通信息播报方法包括:
步骤1:根据交通事故发生模式信息,确定事故多发地段信息和事故发生条件信息。
步骤2:确定待预警车辆的位置信息。
步骤3:若车辆位置与事故多发地段间距离小于距离阈值、且事故发生条件成立,则确定交通事故预警信息,向与所述待预警车辆关联的客户端发送所述预警信息。从上述实施例可见,本申请实施例提供的交通信息播报方法,通过根据交通事故发生模式信息,确定事故多发地段信息和事故发生条件信息;确定待预警车辆的位置信息;若车辆位置与事故多发地段间距离小于距离阈值、且事故发生条件成立,则确定交通事故预警信息;向与所述待预警车辆关联的客户端发送所述预警信息,以便于根据所述预警信息调整车辆行驶方式;这种处理方式,使得可及时提醒驾驶者注意安全驾驶;因此,可以有效提升驾驶安全性。
在上述的实施例中,提供了一种交通信息播报方法,与之相对应的,本申请还提供一种交通信息播报装置。该装置是与上述方法的实施例相对应。
第二十四实施例
本申请还提供一种交通信息播报装置。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种交通信息播报装置,包括:
事故相关信息确定单元,用于根据交通事故发生模式信息,确定事故多发地段信息和事故发生条件信息;
车辆位置确定单元,用于确定待预警车辆的位置信息;
预警信息确定单元,用于若车辆位置与事故多发地段间距离小于距离阈值、且事故发生条件成立,则确定交通事故预警信息;
预警信息发送单元,用于向与所述待预警车辆关联的客户端发送所述预警信息。
第二十五实施例
本申请还提供一种电子设备。由于设备实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本实施例的一种电子设备,该电子设备包括:处理器和存储器;所述存储器,用于存储实现交通信息播报方法的程序,该设备通电并通过所述处理器运行该交通信息播报方法的程序后,执行下述步骤:根据交通事故发生模式信息,确定事故多发地段信息和事故发生条件信息;确定待预警车辆的位置信息;若车辆位置与事故多发地段间距离小于距离阈值、且事故发生条件成立,则确定交通事故预警信息;向与所述待预警车辆关联的客户端发送所述预警信息。
第二十六实施例
本申请还提供一种交通信息播报方法的实施例,该方法的执行主体包括交通信息播报装置。由于该方法实施例与实施例二十二的方法实施例相对应,所以描述得比较简单,相关之处参见实施例二十二的部分说明即可。下述描述的方法实施例仅仅是示意性的。
本申请提供的一种交通信息播报方法包括:
步骤1:接收服务端发送的交通事故预警信息,以便于根据所述预警信息调整车辆行驶方式。
在一个示例中,所述方法还可包括如下步骤:展示所述交通事故预警信息,以便于驾驶员根据所述预警信息调整车辆行驶方式。
在另一个示例中,所述交通信息播报装置部署在自动驾驶车辆中,所述方法还可包括如下步骤:根据所述交通事故预警信息,自动调节车辆行驶方式。
从上述实施例可见,本申请实施例提供的交通信息播报方法,通过接收服务端发送的交通事故预警信息,以便于根据所述交通事故预警信息,调节车辆行驶方式;这种处理方式,使得可及时调节车辆行驶方式;因此,可以有效提升驾驶安全性。
在上述的实施例中,提供了一种交通信息播报方法,与之相对应的,本申请还提供一种交通信息播报装置。该装置是与上述方法的实施例相对应。
第二十七实施例
本申请还提供一种交通信息播报装置的实施例。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种交通信息播报装置,包括:
信息接收单元,用于接收服务端发送的交通事故预警信息,以便于根据所述预警信息调整车辆行驶方式。
第二十八实施例
本申请还提供一种电子设备的实施例。由于设备实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本实施例的一种电子设备,该电子设备包括:处理器和存储器;所述存储器,用于存储实现交通信息播报方法的程序,该设备通电并通过所述处理器运行该交通信息播报方法的程序后,执行下述步骤:接收服务端发送的交通事故预警信息,以便于根据所述预警信息调整车辆行驶方式。
在上述的实施例一中,提供了一种事件类别确定方法,与之相对应的,本申请还提供一种事件发生模式确定***。
第二十九实施例
请参考图29,其为本申请提供的一种事件发生模式确定***实施例的示意图。由于该***实施例与实施例一的方法实施例相对应,所以描述得比较简单,相关之处参见实施例一的部分说明即可。下述描述的***实施例仅仅是示意性的。
本申请提供的一种事件发生模式确定***包括:服务端2901,客户端2902。本申请所述的客户端包括但不限于移动通讯设备,即:通常所说的手机或者智能手机,还包括个人电脑、PAD、iPad等终端设备。
请参考图30,其为本申请提供的一种事件发生模式确定***实施例的设备交互示意图。其中,服务端用于获取至少一个事件文本;针对各个事件文本,确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;根据所述事件要素信息,确定事件发生模式信息。表1示出了本实施例的事件发生模式信息及其要素信息。
表1、事件发生模式信息及其要素信息由表1可见,如果服务端确定出所述交通事故发生模式信息为:没有安装红绿灯的路口在上下班高峰时段容易发生直行事故,则事件发生地点类型为:没有安装红绿灯的路口;事件发生时间为:上下班高峰时段;事件类型为:直行事故。如果服务端确定出所述交通事故发生模式信息为:先上坡后下坡处的路口在雨雾天气容易发生刹车不及导致的追尾事故,则事件发生地点类型为:下坡路口;事件发生气候为:雨雾天气;事件类型为:追尾事故,等等。
客户端,用于确定目标事件要素,向所述服务端发送针对目标事件要素的事件发生模式信息获取请求,如目标事件要素为“气候:雨雾天气”;相应的,服务端还用于接收所述请求;根据预先确定的事件发生模式信息,确定包括所述目标事件要素的事件发生模式信息,如在雨雾天气容易发生的事件发生模型包括:“车辆在下坡处路口易发生由刹车不及时引起的直行事故”,“电力企业设备A容易发生漏电事故”等等;向所述客户端回送包括所述目标事件要素的事件发生模式信息;接收包括所述目标事件要素的事件发生模式信息,以便于客户端用户可根据该模式信息进行决策控制等等。
在一个示例中,所述目标事件要素为具体的地点信息,如具体地点为:路口056,客户端向服务端发送针对该路口的事件发生模式信息获取请求;相应的,服务端首先确定该路口的地点类型为“下坡路口”,然后根据预先确定的事件发生模式信息,确定与“下坡路口”有关的事件发生模式信息,如“在雨雾天气,车辆在下坡处路口易发生由刹车不及时引起的追尾事故”,客户端用户可根据该模式信息控制车辆行驶速度;“在上下班高峰时段,车辆在下坡处路口易发生拥堵事件”,客户端用户可根据该模式信息调整车辆行驶道路等等。
从上述实施例可见,本申请实施例提供的事件发生模式确定***,通过服务端获取至少一个事件文本;针对各个事件文本,确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;根据所述事件要素信息,确定事件发生模式信息;以及,接收客户端发送的针对目标事件要素的事件发生模式信息获取请求;确定包括所述目标事件要素的事件发生模式信息;向所述客户端回送包括所述目标事件要素的事件发生模式信息;这种处理方式,使得可确定包括目标事件要素的事件发生模式信息;因此,可以有效提升事件发生模式确定效率及准确度。
第三十实施例
本申请还提供一种事件发生模式确定方法,该方法的执行主体包括事件发生模式确定装置。由于该方法实施例与实施例二十九的方法实施例相对应,所以描述得比较简单,相关之处参见实施例二十九的部分说明即可。下述描述的方法实施例仅仅是示意性的。
本申请提供的一种事件发生模式确定方法包括:
步骤1:获取至少一个事件文本;针对各个事件文本,确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;根据所述事件要素信息,确定事件发生模式信息。
步骤2:接收客户端发送的针对目标事件要素的事件发生模式信息获取请求。
步骤3:确定包括所述目标事件要素的事件发生模式信息。步骤4:向所述客户端回送包括所述目标事件要素的事件发生模式信息。
从上述实施例可见,本申请实施例提供的事件发生模式确定方法,通过服务端获取至少一个事件文本;针对各个事件文本,确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;根据所述事件要素信息,确定事件发生模式信息;以及,接收客户端发送的针对目标事件要素的事件发生模式信息获取请求;确定包括所述目标事件要素的事件发生模式信息;向所述客户端回送包括所述目标事件要素的事件发生模式信息;这种处理方式,使得可确定包括目标事件要素的事件发生模式信息;因此,可以有效提升事件发生模式确定效率及准确度。
在上述的实施例中,提供了一种事件发生模式确定方法,与之相对应的,本申请还提供一种事件发生模式确定装置。该装置是与上述方法的实施例相对应。
第三十一实施例
本申请还提供一种事件发生模式确定装置。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种事件发生模式确定装置,包括:
事件发生模式生成单元,用于获取至少一个事件文本;针对各个事件文本,确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;根据所述事件要素信息,确定事件发生模式信息;
请求接收单元,用于接收客户端发送的针对目标事件要素的事件发生模式信息获取请求;
事件发生模式查询单元,用于确定包括所述目标事件要素的事件发生模式信息;
模式信息回送单元,用于向所述客户端回送包括所述目标事件要素的事件发生模式信息。
第三十二实施例
本申请还提供一种电子设备。由于设备实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本实施例的一种电子设备,该电子设备包括:处理器和存储器;所述存储器,用于存储实现事件发生模式确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:预先获取至少一个事件文本;针对各个事件文本,确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;根据所述事件要素信息,确定事件发生模式信息;接收客户端发送的针对目标事件要素的事件发生模式信息获取请求;确定包括所述目标事件要素的事件发生模式信息;向所述客户端回送包括所述目标事件要素的事件发生模式信息。
第三十三实施例
本申请还提供一种事件发生模式确定方法的实施例,该方法的执行主体包括事件发生模式确定装置。由于该方法实施例与实施例三十的方法实施例相对应,所以描述得比较简单,相关之处参见实施例三十的部分说明即可。下述描述的方法实施例仅仅是示意性的。
本申请提供的一种事件发生模式确定方法包括:
步骤S1:向服务端发送针对目标事件要素的事件发生模式信息获取请求;
步骤S2:接收所述服务端回送的包括所述目标事件要素的事件发生模式信息。
从上述实施例可见,本申请实施例提供的事件发生模式确定方法,通过客户端向服务端发送针对目标事件要素的事件发生模式信息获取请求,服务端预先获取至少一个事件文本;针对各个事件文本,确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;根据所述事件要素信息,确定事件发生模式信息;以及,接收客户端发送的针对目标事件要素的事件发生模式信息获取请求;确定包括所述目标事件要素的事件发生模式信息;向所述客户端回送包括所述目标事件要素的事件发生模式信息;这种处理方式,使得可确定包括目标事件要素的事件发生模式信息;因此,可以有效提升事件发生模式确定效率及准确度。
在上述的实施例中,提供了一种事件发生模式确定方法,与之相对应的,本申请还提供一种事件发生模式确定装置。该装置是与上述方法的实施例相对应。
第三十四实施例
本申请还提供一种事件发生模式确定装置的实施例。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种事件发生模式确定装置,包括:
请求发送单元,用于向服务端发送针对目标事件要素的事件发生模式信息获取请求;
信息接收单元,用于接收所述服务端回送的包括所述目标事件要素的事件发生模式信息。
第三十五实施例
本申请还提供一种电子设备的实施例。由于设备实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本实施例的一种电子设备,该电子设备包括:处理器和存储器;所述存储器,用于存储实现事件发生模式确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:向服务端发送针对目标事件要素的事件发生模式信息获取请求;接收所述服务端回送的包括所述目标事件要素的事件发生模式信息。
在上述的实施例一中,提供了一种事件类别确定方法,与之相对应的,本申请还提供一种事件要素确定***。
第三十六实施例
请参考图31,其为本申请提供的一种事件要素确定***实施例的示意图。由于该***实施例与实施例一的方法实施例相对应,所以描述得比较简单,相关之处参见实施例一的部分说明即可。下述描述的***实施例仅仅是示意性的。
本申请提供的一种事件要素确定***包括:服务端3101,客户端3202。本申请所述的客户端包括但不限于移动通讯设备,即:通常所说的手机或者智能手机,还包括个人电脑、PAD、iPad等终端设备。
请参考图32,其为本申请提供的一种事件要素确定***实施例的设备交互示意图。其中,服务端用于接收客户端发送的针对目标事件文本的事件要素信息确定请求;确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;向所述客户端回送事件要素信息。
客户端,用于向所述服务端发送所述请求,接收所述事件要素信息,以便于客户端用户可根据该要素信息进行决策控制等等。
从上述实施例可见,本申请实施例提供的事件要素确定***,通过服务端接收客户端发送的针对目标事件文本的事件要素信息确定请求;确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;向所述客户端回送事件要素信息;这种处理方式,使得可确定目标事件文本的事件要素信息;因此,可以有效提升事件要素确定效率及准确度。
第三十七实施例
本申请还提供一种事件要素确定方法,该方法的执行主体包括事件要素确定装置。由于该方法实施例与上述***实施例相对应,所以描述得比较简单,相关之处参见上述***实施例的部分说明即可。下述描述的方法实施例仅仅是示意性的。
本申请提供的一种事件要素确定方法包括:
步骤1:接收客户端发送的针对目标事件文本的事件要素信息确定请求。
步骤2:确定所述文本包括的词、及词的事件要素类型。
步骤3:通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征。
步骤4:通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息。
步骤5:向所述客户端回送事件要素信息。从上述实施例可见,本申请实施例提供的事件要素确定方法,通过服务端接收客户端发送的针对目标事件文本的事件要素信息确定请求;确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;向所述客户端回送事件要素信息;这种处理方式,使得可确定目标事件文本的事件要素信息;因此,可以有效提升事件要素确定效率及准确度。
在上述的实施例中,提供了一种事件要素确定方法,与之相对应的,本申请还提供一种事件要素确定装置。该装置是与上述方法的实施例相对应。
第三十八实施例
本申请还提供一种事件要素确定装置。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种事件要素确定装置,包括:
请求接收单元,用于接收客户端发送的针对目标事件文本的事件要素信息确定请求;
要素类型确定单元,用于确定所述文本包括的词、及词的事件要素类型;
事件特征确定单元,用于通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;
事件要素确定单元,用于通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;
信息回送单元,用于向所述客户端回送事件要素信息。
第三十九实施例
本申请还提供一种电子设备。由于设备实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本实施例的一种电子设备,该电子设备包括:处理器和存储器;所述存储器,用于存储实现事件要素确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:接收客户端发送的针对目标事件文本的事件要素信息确定请求;确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;向所述客户端回送事件要素信息。
第四十实施例
本申请还提供一种事件要素确定方法的实施例,该方法的执行主体包括事件要素确定装置。由于该方法实施例与上述***实施例相对应,所以描述得比较简单,相关之处参见上述***实施例的部分说明即可。下述描述的方法实施例仅仅是示意性的。
本申请提供的一种事件要素确定方法包括:
步骤S1:向服务端发送针对目标事件文本的事件要素信息确定请求;
步骤S2:接收所述服务端回送的事件要素信息。
从上述实施例可见,本申请实施例提供的事件要素确定方法,通过客户端向服务端发送针对目标事件文本的事件要素信息确定请求;接收所述服务端回送的事件要素信息;这种处理方式,使得可确定目标事件文本的事件要素信息;因此,可以有效提升事件要素确定效率及准确度。
在上述的实施例中,提供了一种事件要素确定方法,与之相对应的,本申请还提供一种事件要素确定装置。该装置是与上述方法的实施例相对应。
第四十一实施例
本申请还提供一种事件要素确定装置的实施例。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种事件要素确定装置,包括:
请求发送单元,用于向服务端发送针对目标事件文本的事件要素信息确定请求;
信息接收单元,用于接收所述服务端回送的事件要素信息。
第四十二实施例
本申请还提供一种电子设备的实施例。由于设备实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本实施例的一种电子设备,该电子设备包括:处理器和存储器;所述存储器,用于存储实现事件要素确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:向服务端发送针对目标事件文本的事件要素信息确定请求;接收所述服务端回送的事件要素信息。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
2、本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (45)
1.一种设备故障发生模式确定方法,其特征在于,包括:
获取设备故障相关文本;
确定所述文本包括的词、及词的设备故障要素类型;
通过故障要素确定模型包括的设备故障特征抽取子网络,根据词的词向量和所述设备故障要素类型的要素类型向量,抽取包括文本语义信息和设备故障要素类型信息的设备故障特征;
通过故障要素确定模型包括的故障要素预测子网络,根据所述设备故障特征,确定设备故障要素信息;
根据设备故障要素信息,确定设备故障发生模式信息。
2.根据权利要求1所述的方法,其特征在于,所述设备故障要素类型采用如下步骤确定:
针对各个词,将词作为目标词,并确定包括目标词及其相邻词的文本片段;
获取目标词和相邻词的词向量;以及,根据相邻词在所述文本片段中的词位置信息,确定目标词和相邻词的词位置向量;
针对各个目标词,通过设备故障要素类型预测模型,根据所述目标词及其相邻词的词向量和所述词位置向量,确定所述目标词的设备故障要素类型。
3.根据权利要求1所述的方法,其特征在于,所述通过故障要素确定模型包括的设备故障特征抽取子网络,根据词的词向量和所述设备故障要素类型的要素类型向量,抽取包括文本语义信息和设备故障要素类型信息的设备故障特征,包括:
根据词的词向量和所述要素类型向量,确定词的包括设备故障要素类型信息的词向量;
通过所述设备故障特征抽取子网络,根据所述包括设备故障要素类型信息的词向量,抽取所述设备故障特征。
4.一种设备故障发生模式确定装置,其特征在于,包括:
故障文本获取单元,用于获取设备故障相关文本;
要素类型确定单元,用于确定所述文本包括的词、及词的设备故障要素类型;
故障特征抽取单元,用于通过故障要素确定模型包括的设备故障特征抽取子网络,根据词的词向量和所述设备故障要素类型的要素类型向量,抽取包括文本语义信息和设备故障要素类型信息的设备故障特征;
故障要素确定单元,用于通过故障要素确定模型包括的故障要素预测子网络,根据所述设备故障特征,确定设备故障要素信息;
故障模式确定单元,用于根据设备故障要素信息,确定设备故障发生模式信息。
5.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储实现设备故障发生模式确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取设备故障相关文本;确定所述文本包括的词、及词的设备故障要素类型;通过故障要素确定模型包括的设备故障特征抽取子网络,根据词的词向量和所述设备故障要素类型的要素类型向量,抽取包括文本语义信息和设备故障要素类型信息的设备故障特征;通过故障要素确定模型包括的故障要素预测子网络,根据所述设备故障特征,确定设备故障要素信息;根据设备故障要素信息,确定设备故障发生模式信息。
6.一种事件发生模式确定方法,其特征在于,包括:
获取事件相关文本;
确定所述文本包括的词、及词的事件要素类型;
通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;
通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定事件要素信息;
根据所述事件要素信息,确定事件发生模式信息。
7.根据权利要求6所述的方法,其特征在于,
所述事件发生模式信息包括:与公共交通设施有关的事件发生模式;
所述方法还包括:
根据所述事件发生模式信息,确定公交人员调度信息。
8.一种事件发生模式确定装置,其特征在于,包括:
事件文本获取单元,用于获取事件相关文本;
要素类型确定单元,用于确定所述文本包括的词、及词的事件要素类型;
事件特征抽取单元,用于通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;
事件要素确定单元,用于通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定事件要素信息;
事件发生模式确定单元,用于根据所述事件要素信息,确定事件发生模式信息。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储实现事件发生模式确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取事件相关文本;确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定事件要素信息;根据所述事件要素信息,确定事件发生模式信息。
10.一种企业收购事件发生模式确定方法,其特征在于,包括:
获取企业收购事件相关文本;
确定所述文本包括的词、及词的企业收购事件要素类型;
通过企业收购事件要素确定模型包括的企业收购事件特征抽取子网络,根据词的词向量和所述企业收购事件要素类型的要素类型向量,抽取包括文本语义信息和企业收购事件要素类型信息的企业收购事件特征;
通过企业收购事件要素确定模型包括的企业收购事件要素预测子网络,根据所述企业收购事件特征,确定企业收购事件要素信息;
根据所述企业收购事件要素信息,确定企业收购事件发生模式信息。
11.一种企业收购事件发生模式确定装置,其特征在于,包括:
事件文本获取单元,用于获取企业收购事件相关文本;
要素类型确定单元,用于确定所述文本包括的词、及词的企业收购事件要素类型;
事件特征抽取单元,用于通过企业收购事件要素确定模型包括的企业收购事件特征抽取子网络,根据词的词向量和所述企业收购事件要素类型的要素类型向量,抽取包括文本语义信息和企业收购事件要素类型信息的企业收购事件特征;
事件要素确定单元,用于通过企业收购事件要素确定模型包括的企业收购事件要素预测子网络,根据所述企业收购事件特征,确定企业收购事件要素信息;
事件发生模式确定单元,用于根据所述企业收购事件要素信息,确定企业收购事件发生模式信息。
12.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储实现企业收购事件发生模式确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取企业收购事件相关文本;确定所述文本包括的词、及词的企业收购事件要素类型;通过企业收购事件要素确定模型包括的企业收购事件特征抽取子网络,根据词的词向量和所述企业收购事件要素类型的要素类型向量,抽取包括文本语义信息和企业收购事件要素类型信息的企业收购事件特征;通过企业收购事件要素确定模型包括的企业收购事件要素预测子网络,根据所述企业收购事件特征,确定企业收购事件要素信息;根据所述企业收购事件要素信息,确定企业收购事件发生模式信息。
13.一种事件类别确定方法,其特征在于,包括:
确定待分类事件文本包括的词、及词的事件要素类型;
通过事件分类模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素向量,抽取包括文本语义信息和事件要素类型信息的事件特征;
通过事件分类模型包括的事件类别预测子网络,根据所述事件特征,确定所述事件文本的事件类别。
14.一种事件类别确定装置,其特征在于,包括:
要素类型确定单元,用于确定待分类事件文本包括的词、及词的事件要素类型;
事件特征抽取单元,用于通过事件分类模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素向量,抽取包括文本语义信息和事件要素类型信息的事件特征;
事件类别确定单元,用于通过事件分类模型包括的事件类别预测子网络,根据所述事件特征,确定所述事件文本的事件类别。
15.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储实现事件类别确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:确定待分类事件文本包括的词、及词的事件要素类型;通过事件分类模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件分类模型包括的事件类别预测子网络,根据所述事件特征,确定所述事件文本的事件类别。
16.一种事件要素类型预测模型构建方法,其特征在于,包括:
获取训练样本集;其中,所述训练样本包括训练用事件文本、训练用事件文本包括的词、词的事件要素类型标注信息之间的对应关系;
构建所述模型的网络结构;其中,所述网络结构包括特征抽取子网络和事件要素类型预测子网络;所述特征抽取子网络,用于根据事件文本的词的词向量,抽取用于预测事件要素类型的事件特征;所述事件要素类型预测子网络,用于根据所述事件特征,获取词的事件要素类型的预测值;
根据所述训练样本集对所述模型的网络参数进行训练,得到事件要素类型预测模型。
17.一种事件要素类型预测模型构建装置,其特征在于,包括:
数据获取单元,用于获取训练样本集;其中,所述训练样本包括训练用事件文本、训练用事件文本包括的词、词的事件要素类型标注信息之间的对应关系;
网络构建单元,用于构建所述模型的网络结构;其中,所述网络结构包括特征抽取子网络和事件要素类型预测子网络;所述特征抽取子网络,用于根据事件文本的词的词向量,抽取用于预测事件要素类型的事件特征;所述事件要素类型预测子网络,用于根据所述事件特征,获取词的事件要素类型的预测值;
网络训练单元,用于根据所述训练样本集对所述模型的网络参数进行训练,得到事件要素类型预测模型。
18.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储实现事件要素类型预测模型构建方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取训练样本集;中,所述训练样本包括训练用事件文本、训练用事件文本包括的词、词的事件要素类型标注信息之间的对应关系;构建所述模型的网络结构;其中,所述网络结构包括特征抽取子网络和事件要素类型预测子网络;所述特征抽取子网络,用于根据事件文本的词的词向量,抽取用于预测事件要素类型的事件特征;所述事件要素类型预测子网络,用于根据所述事件特征,获取词的事件要素类型的预测值;根据所述训练样本集对所述模型的网络参数进行训练,得到事件要素类型预测模型。
19.一种事件分类模型构建方法,其特征在于,包括:
获取训练样本集;其中,所述训练样本包括训练用事件文本、事件类别标注信息之间的对应关系;
构建所述模型的网络结构;其中,所述网络结构包括事件特征抽取子网络和事件类别预测子网络;所述特征抽取子网络,用于根据事件文本的各个词的词向量,以及以该词作为目标词的事件要素类型的要素向量,抽取事件特征,该特征包括文本语义信息和事件要素类型信息;所述事件类别预测子网络,用于根据所述事件特征,获取事件文本的事件类别的预测值;
根据所述训练样本集对所述模型的网络参数进行训练,得到事件分类模型。
20.一种事件分类模型构建装置,其特征在于,包括:
数据获取单元,用于获取训练样本集;其中,所述训练样本包括训练用事件文本、事件类别标注信息之间的对应关系;
网络构建单元,用于构建所述模型的网络结构;其中,所述网络结构包括事件特征抽取子网络和事件类别预测子网络;所述特征抽取子网络,用于根据事件文本的各个词的词向量,以及以该词作为目标词的事件要素类型的要素向量,抽取事件特征,该特征包括文本语义信息和事件要素类型信息;所述事件类别预测子网络,用于根据所述事件特征,获取事件文本的事件类别的预测值;
网络训练单元,用于根据所述训练样本集对所述模型的网络参数进行训练,得到事件分类模型。
21.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储实现事件分类模型构建方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取训练样本集;其中,所述训练样本包括训练用事件文本、事件类别标注信息之间的对应关系;构建所述模型的网络结构;其中,所述网络结构包括事件特征抽取子网络和事件类别预测子网络;所述特征抽取子网络,用于根据事件文本的各个词的词向量,以及以该词作为目标词的事件要素类型的要素向量,抽取事件特征,该特征包括文本语义信息和事件要素类型信息;所述事件类别预测子网络,用于根据所述事件特征,获取事件文本的事件类别的预测值;根据所述训练样本集对所述模型的网络参数进行训练,得到事件分类模型。
22.一种交通事故发生模式确定方法,其特征在于,包括:
获取交通事故相关文本;
确定所述文本包括的词、及词的交通事故要素类型;
通过交通事故要素确定模型包括的交通事故特征抽取子网络,根据词的词向量和所述交通事故要素类型的要素类型向量,抽取包括文本语义信息和交通事故要素类型信息的交通事故特征;
通过交通事故要素确定模型包括的交通事故要素预测子网络,根据所述交通事故特征,确定交通事故要素信息;
根据所述交通事故要素信息,确定交通事故发生模式信息。
23.一种交通事故发生模式确定装置,其特征在于,包括:
事故文件获取单元,用于获取交通事故相关文本;
要素类型确定单元,用于确定所述文本包括的词、及词的交通事故要素类型;
事故特征确定单元,用于通过交通事故要素确定模型包括的交通事故特征抽取子网络,根据词的词向量和所述交通事故要素类型的要素类型向量,抽取包括文本语义信息和交通事故要素类型信息的交通事故特征;
事故要素确定单元,用于通过交通事故要素确定模型包括的交通事故要素预测子网络,根据所述交通事故特征,确定交通事故要素信息;
事故模式确定单元,用于根据所述交通事故要素信息,确定交通事故发生模式信息。
24.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储实现交通事故发生模式确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:获取交通事故相关文本;确定所述文本包括的词、及词的交通事故要素类型;通过交通事故要素确定模型包括的交通事故特征抽取子网络,根据词的词向量和所述交通事故要素类型的要素类型向量,抽取包括文本语义信息和交通事故要素类型信息的交通事故特征;通过交通事故要素确定模型包括的交通事故要素预测子网络,根据所述交通事故特征,确定交通事故要素信息;根据所述交通事故要素信息,确定交通事故发生模式信息。
25.一种交通信息播报***,其特征在于,包括:
第一服务端,用于获取交通事故相关文本;确定所述文本包括的词、及词的交通事故要素类型;通过交通事故要素确定模型包括的交通事故特征抽取子网络,根据词的词向量和所述交通事故要素类型的要素类型向量,抽取包括文本语义信息和交通事故要素类型信息的交通事故特征;通过交通事故要素确定模型包括的交通事故要素预测子网络,根据所述交通事故特征,确定交通事故要素信息;根据所述交通事故要素信息,确定交通事故发生模式信息;
第二服务端,用于根据所述交通事故发生模式信息,确定事故多发地段信息和事故发生条件信息;确定待预警车辆的位置信息;若车辆位置与事故多发地段间距离小于距离阈值、且事故发生条件成立,则确定交通事故预警信息,向与所述待预警车辆关联的客户端发送所述预警信息;
客户端,用于接收所述预警信息,以便于根据所述预警信息调整车辆行驶方式。
26.一种交通信息播报方法,其特征在于,包括:
根据交通事故发生模式信息,确定事故多发地段信息和事故发生条件信息;
确定待预警车辆的位置信息;
若车辆位置与事故多发地段间距离小于距离阈值、且事故发生条件成立,则确定交通事故预警信息;
向与所述待预警车辆关联的客户端发送所述预警信息。
27.一种交通信息播报方法,其特征在于,包括:
接收服务端发送的交通事故预警信息,以便于根据所述预警信息调整车辆行驶方式。
28.一种交通信息播报装置,其特征在于,包括:
事故相关信息确定单元,用于根据交通事故发生模式信息,确定事故多发地段信息和事故发生条件信息;
车辆位置确定单元,用于确定待预警车辆的位置信息;
预警信息确定单元,用于若车辆位置与事故多发地段间距离小于距离阈值、且事故发生条件成立,则确定交通事故预警信息;
预警信息发送单元,用于向与所述待预警车辆关联的客户端发送所述预警信息。
29.一种交通信息播报装置,其特征在于,包括:
信息接收单元,用于接收服务端发送的交通事故预警信息,以便于根据所述预警信息调整车辆行驶方式。
30.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储实现交通信息播报方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:根据交通事故发生模式信息,确定事故多发地段信息和事故发生条件信息;确定待预警车辆的位置信息;若车辆位置与事故多发地段间距离小于距离阈值、且事故发生条件成立,则确定交通事故预警信息;向与所述待预警车辆关联的客户端发送所述预警信息。
31.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储实现交通信息播报方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:接收服务端发送的交通事故预警信息,以便于根据所述预警信息调整车辆行驶方式。
32.一种事件发生模式确定***,其特征在于,包括:
服务端,用于获取至少一个事件文本;针对各个事件文本,确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;根据所述事件要素信息,确定事件发生模式信息;以及,接收客户端发送的针对目标事件要素的事件发生模式信息获取请求;确定包括所述目标事件要素的事件发生模式信息;向所述客户端回送包括所述目标事件要素的事件发生模式信息;
客户端,用于向所述服务端发送所述请求,接收包括所述目标事件要素的事件发生模式信息。
33.一种事件发生模式确定方法,其特征在于,包括:
获取至少一个事件文本;针对各个事件文本,确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;根据所述事件要素信息,确定事件发生模式信息;
接收客户端发送的针对目标事件要素的事件发生模式信息获取请求;
确定包括所述目标事件要素的事件发生模式信息;
向所述客户端回送包括所述目标事件要素的事件发生模式信息。
34.一种事件发生模式确定方法,其特征在于,包括:
向服务端发送针对目标事件要素的事件发生模式信息获取请求;
接收所述服务端回送的包括所述目标事件要素的事件发生模式信息。
35.一种事件发生模式确定装置,其特征在于,包括:
事件发生模式生成单元,用于获取至少一个事件文本;针对各个事件文本,确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;根据所述事件要素信息,确定事件发生模式信息;
请求接收单元,用于接收客户端发送的针对目标事件要素的事件发生模式信息获取请求;
事件发生模式查询单元,用于确定包括所述目标事件要素的事件发生模式信息;
模式信息回送单元,用于向所述客户端回送包括所述目标事件要素的事件发生模式信息。
36.一种事件发生模式确定装置,其特征在于,包括:
请求发送单元,用于向服务端发送针对目标事件要素的事件发生模式信息获取请求;
信息接收单元,用于接收所述服务端回送的包括所述目标事件要素的事件发生模式信息。
37.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储实现事件发生模式确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:预先获取至少一个事件文本;针对各个事件文本,确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;根据所述事件要素信息,确定事件发生模式信息;接收客户端发送的针对目标事件要素的事件发生模式信息获取请求;确定包括所述目标事件要素的事件发生模式信息;向所述客户端回送包括所述目标事件要素的事件发生模式信息。
38.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储实现事件发生模式确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:向服务端发送针对目标事件要素的事件发生模式信息获取请求;接收所述服务端回送的包括所述目标事件要素的事件发生模式信息。
39.一种事件要素确定***,其特征在于,包括:
服务端,用于接收客户端发送的针对目标事件文本的事件要素信息确定请求;确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;向所述客户端回送事件要素信息;
客户端,用于向所述服务端发送所述请求,接收所述事件要素信息。
40.一种事件要素确定方法,其特征在于,包括:
接收客户端发送的针对目标事件文本的事件要素信息确定请求;
确定所述文本包括的词、及词的事件要素类型;
通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;
通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;
向所述客户端回送事件要素信息。
41.一种事件要素确定方法,其特征在于,包括:
向服务端发送针对目标事件文本的事件要素信息确定请求;
接收所述服务端回送的事件要素信息。
42.一种事件要素确定装置,其特征在于,包括:
请求接收单元,用于接收客户端发送的针对目标事件文本的事件要素信息确定请求;
要素类型确定单元,用于确定所述文本包括的词、及词的事件要素类型;
事件特征确定单元,用于通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;
事件要素确定单元,用于通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;
信息回送单元,用于向所述客户端回送事件要素信息。
43.一种事件要素确定装置,其特征在于,包括:
请求发送单元,用于向服务端发送针对目标事件文本的事件要素信息确定请求;
信息接收单元,用于接收所述服务端回送的事件要素信息。
44.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储实现事件要素确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:接收客户端发送的针对目标事件文本的事件要素信息确定请求;确定所述文本包括的词、及词的事件要素类型;通过事件要素确定模型包括的事件特征抽取子网络,根据词的词向量和所述事件要素类型的要素类型向量,抽取包括文本语义信息和事件要素类型信息的事件特征;通过事件要素确定模型包括的事件要素预测子网络,根据所述事件特征,确定所述事件文本的事件要素信息;向所述客户端回送事件要素信息。
45.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储实现事件要素确定方法的程序,该设备通电并通过所述处理器运行该方法的程序后,执行下述步骤:向服务端发送针对目标事件文本的事件要素信息确定请求;接收所述服务端回送的事件要素信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911122660.6A CN112818679A (zh) | 2019-11-15 | 2019-11-15 | 事件类别确定方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911122660.6A CN112818679A (zh) | 2019-11-15 | 2019-11-15 | 事件类别确定方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112818679A true CN112818679A (zh) | 2021-05-18 |
Family
ID=75851929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911122660.6A Pending CN112818679A (zh) | 2019-11-15 | 2019-11-15 | 事件类别确定方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818679A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114265930A (zh) * | 2021-11-19 | 2022-04-01 | 国电南京自动化股份有限公司 | 一种基于事件抽取的低压用户故障报修合并处理方法 |
CN114595997A (zh) * | 2022-03-21 | 2022-06-07 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957403A (zh) * | 2016-07-14 | 2016-09-21 | 乐视控股(北京)有限公司 | 车辆预警方法及装置 |
CN107093331A (zh) * | 2016-02-17 | 2017-08-25 | 上海博泰悦臻网络技术服务有限公司 | 一种事故多发地段预警方法、***以及一种智能车载*** |
CN109582949A (zh) * | 2018-09-14 | 2019-04-05 | 阿里巴巴集团控股有限公司 | 事件元素抽取方法、装置、计算设备及存储介质 |
US20190156915A1 (en) * | 2017-08-31 | 2019-05-23 | Shenzhen University | Method, apparatus, device and storage medium for predicting protein binding site |
CN109933670A (zh) * | 2019-03-19 | 2019-06-25 | 中南大学 | 一种基于组合矩阵计算语义距离的文本分类方法 |
CN110210019A (zh) * | 2019-05-21 | 2019-09-06 | 四川大学 | 一种基于递归神经网络的事件要素抽取方法 |
CN110209816A (zh) * | 2019-05-24 | 2019-09-06 | 中国科学院自动化研究所 | 基于对抗模仿学习的事件识别及分类方法、***、装置 |
CN110320892A (zh) * | 2019-07-15 | 2019-10-11 | 重庆邮电大学 | 基于Lasso回归的污水处理设备故障诊断***及方法 |
-
2019
- 2019-11-15 CN CN201911122660.6A patent/CN112818679A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107093331A (zh) * | 2016-02-17 | 2017-08-25 | 上海博泰悦臻网络技术服务有限公司 | 一种事故多发地段预警方法、***以及一种智能车载*** |
CN105957403A (zh) * | 2016-07-14 | 2016-09-21 | 乐视控股(北京)有限公司 | 车辆预警方法及装置 |
US20190156915A1 (en) * | 2017-08-31 | 2019-05-23 | Shenzhen University | Method, apparatus, device and storage medium for predicting protein binding site |
CN109582949A (zh) * | 2018-09-14 | 2019-04-05 | 阿里巴巴集团控股有限公司 | 事件元素抽取方法、装置、计算设备及存储介质 |
CN109933670A (zh) * | 2019-03-19 | 2019-06-25 | 中南大学 | 一种基于组合矩阵计算语义距离的文本分类方法 |
CN110210019A (zh) * | 2019-05-21 | 2019-09-06 | 四川大学 | 一种基于递归神经网络的事件要素抽取方法 |
CN110209816A (zh) * | 2019-05-24 | 2019-09-06 | 中国科学院自动化研究所 | 基于对抗模仿学习的事件识别及分类方法、***、装置 |
CN110320892A (zh) * | 2019-07-15 | 2019-10-11 | 重庆邮电大学 | 基于Lasso回归的污水处理设备故障诊断***及方法 |
Non-Patent Citations (3)
Title |
---|
YINGCHI LIU,QUANZHI LI,MARIKA CIFOR,XIAOZHONG LIU,QIONG ZHANG,LUO SI: "Uncover Sexual Harassment Patterns from Personal Stories by Joint Key Element Extraction and Categorization", ARXIV, 1 November 2019 (2019-11-01), pages 3 - 6 * |
刘凯;符海东;邹玉薇;顾进广;: "基于卷积神经网络的中文医疗弱监督关系抽取", 计算机科学, no. 10, 15 October 2017 (2017-10-15) * |
陆震寰;孔芳;周国栋;: "面向多语料库的通用事件指代消解", 中文信息学报, no. 01, 15 January 2018 (2018-01-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114265930A (zh) * | 2021-11-19 | 2022-04-01 | 国电南京自动化股份有限公司 | 一种基于事件抽取的低压用户故障报修合并处理方法 |
CN114595997A (zh) * | 2022-03-21 | 2022-06-07 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wilson et al. | Argoverse 2: Next generation datasets for self-driving perception and forecasting | |
Ye et al. | Lane detection method based on lane structural analysis and CNNs | |
CN102880692B (zh) | 一种面向检索的监控视频语义描述和检测建模方法 | |
CN111311918B (zh) | 一种基于视觉分析的交通管理方法及装置 | |
CN110428091A (zh) | 基于数据分析的风险识别方法及相关设备 | |
Jin et al. | Gauss mixture hidden Markov model to characterise and model discretionary lane‐change behaviours for autonomous vehicles | |
CN110046218B (zh) | 一种用户出行模式的挖掘方法、装置、***和处理器 | |
CN112818679A (zh) | 事件类别确定方法、装置及电子设备 | |
Castro et al. | Spatial analysis of geometric design consistency and road sight distance | |
CN112101187B (zh) | 道路识别方法、装置及电子设备 | |
CN111190982A (zh) | 一种基于大数据的共享单车管理方法及*** | |
CN109859505A (zh) | 高速站点的预警处理方法、装置、服务器和介质 | |
CN117455237A (zh) | 一种基于多源数据的道路交通事故风险预测方法 | |
CN113918718B (zh) | 基于人工智能的车险用户分类方法、装置、设备及介质 | |
Zheng et al. | A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images | |
CN110175218B (zh) | 生成导航播报内容的方法、装置、设备和计算机存储介质 | |
Wu et al. | Automatic ground points identification method for roadside LiDAR data | |
Alsheikhy et al. | An intelligent smart parking system using convolutional neural network | |
CN116824868B (zh) | 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质 | |
CN111696347B (zh) | 一种自动化分析交通事件信息的方法和装置 | |
Alam et al. | Faster RCNN based robust vehicle detection algorithm for identifying and classifying vehicles | |
CN115512315B (zh) | 一种非机动车儿童搭乘检测方法、电子设备及存储介质 | |
CN107507413A (zh) | 车辆位置预测方法及装置 | |
CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
Bi et al. | Mining Taxi Pick‐Up Hotspots Based on Grid Information Entropy Clustering Algorithm |
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 |