CN117744786B

CN117744786B - 一种超事理图网络构建与事件演化分析方法

Info

Publication number: CN117744786B
Application number: CN202410182025.1A
Authority: CN
Inventors: 刘鑫; 陈俞舟; 冯收; 戴礼灿
Original assignee: CETC 10 Research Institute
Current assignee: CETC 10 Research Institute
Priority date: 2024-02-19
Filing date: 2024-02-19
Publication date: 2024-05-07
Anticipated expiration: 2044-02-19
Also published as: CN117744786A

Abstract

本发明提供一种超事理图网络构建与事件演化分析方法，包括：构建事件机理层、事件实例层和实体知识层；以事件实例层为中心，建立层与层之间不同的映射关系，从而形成超事理图网络；定义超事理图网络中基于可扩展最小邻接超边的跨层自适应包络，获取局部超网络结构；基于局部超网络结构定义一种矢量能量态及其计算方法；通过计算得到局部超网络结构的矢量能量态，从而反推出未来时刻的局部超网络结构变化过程，由此反向计算各层内部以及跨层之间的节点和边的波动变化，从而预测出详细的事件演化结果。本发明能够解决当前事件分析挖掘技术无法深入揭示事件间多种逻辑关系以及相互作用，不能有效获得事件演化分析结果的问题。

Description

一种超事理图网络构建与事件演化分析方法

技术领域

本发明涉及人工智能领域，具体而言，涉及一种超事理图网络构建与事件演化分析方法。

背景技术

事件演化是事件分析技术中的一个子领域，该领域研究的主要任务是分析话题内事件间的关系，描述事件演化的来龙去脉。对于人们关注的事件相关信息，目前主流的方法是通过信息检索工具，例如谷歌、百度、必应等，及时获取不同网站、不同来源关于同一话题的各种相关报道，从而了解事件的内容，但对于所关注事件的演化过程，往往只能通过人工结合事件背景知识来管理、整合、分析这些搜索出来的事件相关文本流，才能得到话题内不同事件演化、发展的脉络。就算是近年来部分新闻网站或门户网站提供的关于事件报道的“事件脉络”功能，也只能简单按照时序关系将各种事件罗列出来，人们依旧无法知道事件是如何演化的，以及为什么这样演化。因此很多学者开始研究如何使用技术手段揭示事件演化过程。

Makkonen等研究者对于事件演化分析，首先建立事件的地点、人名(组织)、时间、内容向量，然后计算事件间的相似性，使用图论方式来表示事件间的关系。Nallapati等研究者提出事件线索的概念，将事件关系表示成树形结构而非图结构，分析事件之间的关系。另外，有研究者也提出主题演化的概念，根据文本流的时间戳，发现文本主题演化的时序模式。另一些研究者提出事件片段的概念，将相关于同一事件的所有新闻报道根据时间分成多个片段，根据事件片段间的时序关系分析事件内部各片段间的演化关系。Yang等研究者对同一话题下的相关事件演化进行研究，提出了事件演化的概念，利用事件内容相似性、事件时间接近度、事件报道分布接近度来共同识别事件间的演化关系。邱江涛等提出了事件时序分析的概念，并提出以事件演化图的形式来描述事件的演化关系。邓镭等提出了原子事件的概念，通过分析原子事件间的关系来对事件演化进行研究。Li等研究者提出构建时序事件图来对事件演化进行研究，分析不同事件间的关系。

然而我们可以看出，当前研究成果还主要集中在揭示事件间时序关系，技术手段也大多为时序分析技术与事件语义特征分析技术的结合，及其变种。因此得到的演化分析结果比较浅显（如一对一演化、一对多演化、多对一演化等），无法获得事件演化趋势、演化作用机理等核心信息，同时依赖语义特征分析技术的结果也容易遗漏事件间的隐藏关联关系。

鉴于上述原因，亟需发展一种全新的事件演化分析方法，能够结合事件实例、事件概念、及事理知识等不同粒度不同层次的要素，对事件演变、事件发展、事件相互作用进行深入揭示，以支撑事件机理知识挖掘、事件演化逻辑生成、多概率性事件预测等任务。

发明内容

本发明旨在提供一种超事理图网络构建与事件演化分析方法，以解决当前事件分析挖掘技术无法深入揭示事件间多种逻辑关系以及相互作用，不能有效获得事件演化分析结果的问题。

本发明提供的包括：

步骤1，构建事件机理层、事件实例层和实体知识层；以事件实例层为中心，建立层与层之间不同的映射关系，从而形成超事理图网络；

步骤2，定义超事理图网络中基于可扩展最小邻接超边的跨层自适应包络，获取跨层自适应包络中的所有节点和边组成的局部超网络结构；

步骤3，基于局部超网络结构定义一种矢量能量态及其计算方法；

步骤4，通过计算得到局部超网络结构的矢量能量态，从而反推出未来时刻的局部超网络结构变化过程；

步骤5，根据未来时刻的局部超网络结构变化过程，反向计算各层内部以及跨层之间的节点和边的波动变化，从而预测出详细的事件演化结果。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明提出了一种全新的超事理图网络，该超事理图网络充分利用了除事件数据之外的事件机理和实体知识，克服了传统的仅基于事件图谱等单纯数据驱动方法无法获得事件间隐藏关联关系的缺陷，同时使得事件演化分析结果可信度极大提升。

2、本发明新定义了一种可扩展的最小邻接超边，可以自适应地对事件机理层、事件实例层和实体知识层中的节点进行跨层自适应包络操作，克服了人为选取节点时容易受人员自身知识水平以及偏好局限的缺陷，也能够有效提升事件演化分析的效率。

3、本发明提出了一种矢量能量态及其计算公式，从超事理图网络及其能量分布的全新视角进行事件演化分析，能够从一定程度上对事件发展脉络和事件相互作用进行挖掘与解释。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。

图1是本发明实施例中的超事理图网络构建与事件演化分析方法的流程图。

图2是本发明实施例中超事理图网络结构的示意图。

图3是本发明实施例中跨层自适应包络的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

如图1所示，本实施例提出一种超事理图网络构建与事件演化分析方法，包括如下步骤：

步骤1，构建事件机理层、事件实例层和实体知识层；以事件实例层为中心，建立层与层之间不同的映射关系，从而形成超事理图网络；如图2所示，具体包括如下子步骤：

步骤1.1，构造事件实例层：

该事件实例层将事件作为节点，事件间关系作为软连接边，形成事件实例的网络。在本发明中，软连接边表示事件间关系是动态非固定的，其会随着时间变迁以及人们对于事件的认知变化而动态变化，这与目前的事件分析技术中对于事件关系的定义有所不同。在此，定义事件实例层的元子结构为，表示为：

其中，和/>表示事件实例层中的任意两个事件；/>表示/>时刻/>和/>之间的关系，若/>时刻/>和/>之间不存在连接，则/>、/>；/>表示事件实例层的事件关系集合；/>表示/>时刻/>和/>之间的连接强度。

步骤1.2，构造实体知识层：

该实体知识层将实体作为节点，实体之间的关系作为边，形成实体知识的网络。由于知识本身固有的相悖性和迭代性，因此在本发明中，实体知识层中的边也是时变的。定义实体知识层的元子结构为，表示为：

其中，和/>表示实体知识层中的任意两个实体；/>表示/>时刻/>和/>之间的关系，若/>时刻/>和/>之间不存在连接关系，则/>；/>表示实体知识层中的关系集合。

步骤1.3，构造事件机理层：

该事件机理层将事件概念（或泛化型事件）作为节点，事件概念之间的条件性关系作为边，形成事件机理的网络。事件机理是指不同类型的事件概念间所遵循的内在变化逻辑与规律，并且这种逻辑与规律是带有条件限制性的，因此该事件机理层的边可定义为条件性关系。定义事件机理层的元子结构为，表示为：

其中，和/>表示事件机理层中的任意两个事件概念；/>表示/>向/>演变时的条件集合；/>表示在条件/>下，/>向/>演变的概率。

步骤1.4，跨层关联映射：

以事件实例层的节点为中心，对每个节点的事件e进行核心实体抽取，将抽取出的核心实体与实体知识层的节点n进行语义相似度计算，将事件实例层的节点与核心实体语义相似度大于阈值的实体知识层节点进行关联。

另外，对事件实例层的事件节点进行聚类，在每个类中进行主题提取与概念泛化，得到每个类所代表的事件概念，将主题提取与概念泛化所得的事件概念与事件机理层的节点c进行相似度对比，将事件机理层中的节点与所得的事件概念相似度大于阈值的类中所有事件节点进行关联。

通过上述步骤，最终形成实体知识层、事件实例层和事件机理层之间相互关联映射的超事理图网络。

步骤2，定义超事理图网络中基于可扩展最小邻接超边的跨层自适应包络，获取跨层自适应包络中的所有节点和边组成的局部超网络结构；如图3所示，具体包括如下子步骤：

步骤2.1，初始化近邻事件域：

针对特定时刻待分析的事件/>，定义最大近邻指数/>，最大近邻路径/>，以事件为中心计算事件实例层中其他事件节点相对其的近邻关系/>，在不超过路径/>范围内，且近邻关系不超过最大近邻指数/>时，则将其他事件节点的集合选择为近邻事件域。事件/>被选入近邻事件域/>的计算公式为：

其中，表示/>与/>之间的路径集合，/>；/>表示路径集合/>内任意一条路径上相邻两个节点之间的连接强度。

步骤2.2，循环嗅探扩展：

定义事件演化分析时序步长为，实体知识层中最大扩展阶数为/>，事件机理层中最大扩展阶数为/>。

首先，基于时刻的近邻事件域/>中的每个事件节点，将步骤1.4中与之关联映射的实体知识层节点和事件机理层节点选中，通过超边将三层中的这些节点进行连接。其次，以实体知识层中被选中节点的最***节点为基础，依次向外扩展1阶，得到候选节点集合/>。对于候选节点集合/>中的每个节点，沿着跨层关联映射边嗅探找到事件实例层中与之关联的候选节点集合/>，对于候选节点集合/>中的每个节点，计算其与初始的近邻事件域/>的语义相似度，保留语义相似度小于阈值的节点，删除大于阈值的节点（同时删除与之对应的/>中的节点）。然后，基于近邻事件域/>中保留下来的最外层节点，沿着跨层关联映射边嗅探找到事件机理层中与之关联的候选节点集合/>，对于候选节点集合中的每个节点，判断其与被超边初始圈定的最外层节点之间的距离，若距离小于等于，则保留该节点，若距离大于/>，则删去该节点（同时删除与之对应的/>和/>中的节点），得到超边的1次扩展结果。重复嗅探扩展步骤，直至实体知识层扩展阶数大于/>结束，至此获得/>时刻最小邻接超边，及其中连接起来的局部超网络结构/>。

以为步长，向前推若干个历史时刻，按照上述步骤得到前向若干时刻的局部超网络结构/>。

步骤3，基于局部超网络结构定义一种矢量能量态及其计算方法，具体包括：

对于步骤2得到的局部超网络结构，其中包含了较为完整的与事件演化相关的实例、事件元素、实体知识、事件概念、演变条件等信息，这些信息分布在局部超网络结构中，影响着局部超网络结构的结构稳定性。

定义一种矢量能量态，其以带方向性的能量来度量局部超网络结构中节点和边对局部超网络结构稳定性的影响，进而通过局部超网络结构整体性变化来实现全新视角下对事件演化的分析。矢量能量态/>的计算公式如下：

其中，表示局部超网络结构中实体知识层部分的能量及其分布，/>表示局部超网络结构中事件实例层部分的能量及其分布，/>表示局部超网络结构中事件机理层部分的能量及其分布，/>和/>均表示局部超网络结构中跨层关联映射部分的能量及其分布，计算公式分别如下：

其中，表示节点的能量态，其与该节点语义、情感、出度、入度等因素相关，表示实体知识层内部的自交互矩阵。

其中，表示事件的能量态，其与该节点语义、情感、出度、入度等因素相关，表示事件实例层内部的自交互矩阵。

其中，表示事件概念的能量态，其与该节点语义、情感、出度、入度等因素相关，/>表示事件机理层内部的自交互矩阵。

其中，表示实体知识层与事件实例层之间的交互矩阵。

其中，表示事件机理层与事件实例层之间的交互矩阵。

步骤4，通过计算得到局部超网络结构的矢量能量态，从而反推出未来时刻的局部超网络结构变化过程，具体包括：

对于步骤2得到的局部超网络结构，使用步骤3中的矢量能量态的计算方法，得到一系列局部超网络结构的能量态。

建立针对矢量能量态的预测模型如下：

其中，为待学习的模型系数，使用最小化均方根误差损失函数进行计算，/>为白噪声误差。

通过上述计算，可以获得未来若干步长的矢量能量态估计值，从而反推出未来时刻的局部超网络结构变化过程。

步骤5，根据未来时刻的局部超网络结构变化过程，反向计算各层内部以及跨层之间的节点和边的波动变化，从而预测出详细的事件演化结果；具体包括事件要素、事件关系、事件概念、事件相互作用等，并将上述结果在超事理图网络中进行更新，得到最新的超事理图网络，以便进行未来的事件分析。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种超事理图网络构建与事件演化分析方法，其特征在于，包括如下步骤：

步骤5，根据未来时刻的局部超网络结构变化过程，反向计算各层内部以及跨层之间的节点和边的波动变化，从而预测出详细的事件演化结果；

步骤1包括如下子步骤：

步骤1.1，构造事件实例层：该事件实例层将事件作为节点，事件间关系作为软连接边，形成事件实例的网络；

步骤1.2，构造实体知识层：该实体知识层将实体作为节点，实体之间的关系作为边，形成实体知识的网络；

步骤1.3，构造事件机理层：该事件机理层将事件概念作为节点，事件概念之间的条件性关系作为边，形成事件机理的网络；

步骤1.4，跨层关联映射：

以事件实例层的节点为中心，对每个节点的事件e进行核心实体抽取，将抽取出的核心实体与实体知识层的节点n进行语义相似度计算，将事件实例层的节点与核心实体语义相似度大于阈值的实体知识层节点进行关联；

对事件实例层的事件节点进行聚类，在每个类中进行主题提取与概念泛化，得到每个类所代表的事件概念，将主题提取与概念泛化所得的事件概念与事件机理层的节点c进行相似度对比，将事件机理层中的节点与所得的事件概念相似度大于阈值的类中所有事件节点进行关联；

最终形成实体知识层、事件实例层和事件机理层之间相互关联映射的超事理图网络。

2.根据权利要求1所述的超事理图网络构建与事件演化分析方法，其特征在于，步骤1.1中所述软连接边表示事件间关系是动态非固定的，其会随着时间变迁以及人们对于事件的认知变化而动态变化；定义事件实例层的元子结构为，表示为：

3.根据权利要求2所述的超事理图网络构建与事件演化分析方法，其特征在于，步骤1.2中，实体知识层中的边是时变的；定义实体知识层的元子结构为，表示为：

4.根据权利要求3所述的超事理图网络构建与事件演化分析方法，其特征在于，步骤1.3中，事件机理层的边定义为条件性关系，定义事件机理层的元子结构为，表示为：

5.根据权利要求4所述的超事理图网络构建与事件演化分析方法，其特征在于，步骤2包括如下子步骤：

步骤2.1，初始化近邻事件域：

针对特定时刻待分析的事件/>，定义最大近邻指数/>，最大近邻路径/>，以事件/>为中心计算事件实例层中其他事件节点相对其的近邻关系/>，在不超过路径/>范围内，且近邻关系不超过最大近邻指数/>时，则将其他事件节点的集合选择为近邻事件域；

步骤2.2，循环嗅探扩展：

首先，基于时刻的近邻事件域/>中的每个事件节点，将步骤1.4中与之关联映射的实体知识层节点和事件机理层节点选中，通过超边将三层中的这些节点进行连接；

其次，以实体知识层中被选中节点的最***节点为基础，依次向外扩展1阶，得到候选节点集合；对于/>中的每个节点，沿着跨层关联映射边嗅探找到事件实例层中与之关联的候选节点集合/>，对于/>中的每个节点，计算其与初始的近邻事件域/>的语义相似度，保留语义相似度小于阈值的节点，删除大于阈值的节点，同时删除与之对应的/>中的节点；

然后，基于近邻事件域中保留下来的最外层节点，沿着跨层关联映射边嗅探找到事件机理层中与之关联的候选节点集合/>，对于/>中的每个节点，判断其与被超边初始圈定的最外层节点之间的距离，若距离小于等于事件机理层中最大扩展阶数/>，则保留该节点，若距离大于事件机理层中最大扩展阶数/>，则删去该节点，同时删除与之对应的/>和中的节点，得到超边的1次扩展结果；

重复嗅探扩展步骤，直至实体知识层扩展阶数大于实体知识层中最大扩展阶数结束，至此获得/>时刻最小邻接超边，及其中连接起来的局部超网络结构/>；以/>为步长，向前推若干个历史时刻，按照上述步骤得到前向若干时刻的局部超网络结构。

6.根据权利要求5所述的超事理图网络构建与事件演化分析方法，其特征在于，步骤2.1中，事件被选入近邻事件域/>的计算公式为：

7.根据权利要求6所述的超事理图网络构建与事件演化分析方法，其特征在于，步骤3中定义的矢量能量态的计算公式如下：

其中，表示节点的能量态，/>表示实体知识层内部的自交互矩阵；

其中，表示事件的能量态，/>表示事件实例层内部的自交互矩阵；

其中，表示事件概念的能量态，/>表示事件机理层内部的自交互矩阵；

其中，表示实体知识层与事件实例层之间的交互矩阵；

其中，表示事件机理层与事件实例层之间的交互矩阵。

8.根据权利要求7所述的超事理图网络构建与事件演化分析方法，其特征在于，步骤4具体包括：

对于步骤2得到的局部超网络结构，使用步骤3中的矢量能量态的计算方法，得到一系列局部超网络结构的能量态；

建立针对矢量能量态的预测模型如下：

其中，为待学习的模型系数，使用最小化均方根误差损失函数进行计算，为白噪声误差；

通过计算，获得未来若干步长的矢量能量态估计值，从而反推出未来时刻的局部超网络结构变化过程。

9.根据权利要求8所述的超事理图网络构建与事件演化分析方法，其特征在于，步骤5中得到的事件演化结果在超事理图网络中进行更新，得到最新的超事理图网络，以便进行未来的事件分析。