KR20220002050A - 이벤트 관계의 생성 방법, 장치, 전자 기기 및 저장 매체 - Google Patents
이벤트 관계의 생성 방법, 장치, 전자 기기 및 저장 매체 Download PDFInfo
- Publication number
- KR20220002050A KR20220002050A KR1020200182992A KR20200182992A KR20220002050A KR 20220002050 A KR20220002050 A KR 20220002050A KR 1020200182992 A KR1020200182992 A KR 1020200182992A KR 20200182992 A KR20200182992 A KR 20200182992A KR 20220002050 A KR20220002050 A KR 20220002050A
- Authority
- KR
- South Korea
- Prior art keywords
- event
- vector
- word sequence
- phrase
- granularity word
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
본원발명은 이벤트 관계의 생성 방법, 장치, 전자 기기 및 저장 매체를 개시하는바, 지식 그래프, 자연 언어 처리와 딥 러닝 기술분야에 관한 것이다. 구체적인 실시 형태는, 제1 이벤트 문구와 제2 이벤트 문구를 획득하고 제1 이벤트 문구에 근거하여 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터를 생성하며 제2 이벤트 문구에 근거하여 제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터를 생성하고 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터에 근거하여 제1 퓨전 벡터를 생성하며 제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터에 근거하여 제2 퓨전 벡터를 생성하고 제1 퓨전 벡터와 제2 퓨전 벡터에 근거하여 제1 이벤트와 제2 이벤트 사이의 이벤트 관계를 결정하는 것이다. 본원발명에서 상이한 입도의 워드 시퀀스 벡터에 기반하여 이벤트 문구를 결정하는 퓨전 벡터는 비교적 일반화한 이벤트의 특징을 포함하여 이벤트 사이의 이벤트 관계가 결정한 정확성과 일반화를 향상시킨다.
Description
본원발명은 컴퓨터 기술분야에 관한 것으로, 주요하게는 지식 그래프, 자연 언어 처리와 딥 러닝 기술분야에 관한 것이며, 구체적으로는 이벤트 관계의 생성 방법, 장치, 전자 기기 및 저장 매체에 관한 것이다.
이벤트는 특정된 시공간에서 하나 또는 다수의 캐릭터(이벤트 주체)가 참여하고 어느 한 주제를 둘러싸고 진행한 일련의 활동을 말한다. 이벤트와 이벤트 사이에는 인과 관계와 같은 관계가 존재한다. 이벤트 사이의 인과 관계는 논리성 또는 연관성에서 이벤트의 변화 규율을 묘사할 수 있다. 이벤트 사이의 인과 관계는 이치의 변화 규율을 귀납할 수 있는데 이치의 변화 규율에 기반하여 관련 추리를 진행할 수 있으며 이는 금융, 위기 관리 등 예측 시나리오에서 중요한 응용 가치를 발휘할 수 있다.
따라서, 어떻게 이벤트 사이의 관계를 정확히 결정할 것인가 하는 것은 해결이 필요한 기술적 과제이다.
본원발명은 이벤트 관계의 생성 방법, 장치, 전자 기기 및 저장 매체를 제공하여 이벤트 사이의 이벤트 관계가 결정한 정확성과 일반화를 향상시킨다.
본원발명의 일 양태에 따르면 이벤트 관계의 생성 방법을 제공하는데 이 방법은,
제1 이벤트 문구와 제2 이벤트 문구를 포함하는 이벤트 쌍을 획득하는 단계;
상기 제1 이벤트 문구에 근거하여 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터를 생성하고 상기 제2 이벤트 문구에 근거하여 제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터를 생성하는 단계;
상기 제1 입도 워드 시퀀스 벡터와 상기 제2 입도 워드 시퀀스 벡터에 근거하여 제1 퓨전 벡터를 생성하고 상기 제3 입도 워드 시퀀스 벡터와 상기 제4 입도 워드 시퀀스 벡터에 근거하여 제2 퓨전 벡터를 생성하는 단계; 및
상기 제1 퓨전 벡터와 상기 제2 퓨전 벡터에 근거하여 상기 제1 이벤트와 상기 제2 이벤트 사이의 이벤트 관계를 생성하는 단계를 포함한다.
본원발명의 다른 양태에 따르면 이벤트 관계의 생성 장치를 제공하는데 이는,
제1 이벤트 문구와 제2 이벤트 문구를 포함하는 이벤트 쌍을 획득하기 위한 획득 모듈;
상기 제1 이벤트 문구에 근거하여 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터를 생성하고 상기 제2 이벤트 문구에 근거하여 제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터를 생성하기 위한 제1 생성 모듈;
상기 제1 입도 워드 시퀀스 벡터와 상기 제2 입도 워드 시퀀스 벡터에 근거하여 제1 퓨전 벡터를 생성하고 상기 제3 입도 워드 시퀀스 벡터와 상기 제4 입도 워드 시퀀스 벡터에 근거하여 제2 퓨전 벡터를 생성하기 위한 제2 생성 모듈; 및
상기 제1 퓨전 벡터와 상기 제2 퓨전 벡터에 근거하여 상기 제1 이벤트와 상기 제2 이벤트 사이의 이벤트 관계를 결정하기 위한 결정 모듈을 포함한다.
본원발명의 다른 양태에 따르면 전자 기기를 제공하는데, 이는 적어도 하나의 프로세서; 및 상기 적어도 하나의 프로세서와 통신 연결하는 메모리를 포함하고, 여기서 상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되어 있고 상기 명령이 상기 적어도 하나의 프로세서에 의해 실행되어 상기 적어도 하나의 프로세서로 하여금 제1 양태의 이벤트 관계의 생성 방법을 수행하도록 할 수 있다.
본원발명의 다른 양태에 따르면, 상기 컴퓨터 명령은 상기 컴퓨터로 하여금 제1 양태의 이벤트 관계의 생성 방법을 수행하도록 하기 위한 컴퓨터 명령이 저장되는 비일시적 컴퓨터 판독 가능 저장 매체를 제공한다. 본원발명의 다른 양태에 따르면, 컴퓨터 판독 가능 매체에 저장되어 있는 컴퓨터 프로그램을 더 제공하는바, 상기 컴퓨터 프로그램 중의 명령이 실행될 경우, 제1 양태의 이벤트 관계의 생성 방법이 실행된다.
본원발명의 실시예에서 제공하는 기술적 해결 수단은 아래와 같은 유리한 효과를 포함할 수 있다.
제1 이벤트 문구와 제2 이벤트 문구를 포함하는 이벤트 쌍을 획득하고 제1 이벤트 문구에 근거하여 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터를 생성하며 제2 이벤트 문구에 근거하여 제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터를 생성하고 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터에 근거하여 제1 퓨전 벡터를 생성하며 제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터에 근거하여 제2 퓨전 벡터를 생성하고 및 제1 퓨전 벡터와 제2 퓨전 벡터에 근거하여 제1 이벤트와 제2 이벤트 사이의 이벤트 관계를 결정하는데, 본원발명에서는 이벤트 문구에 대해 상이한 입도의 워드 시퀀스 벡터에 기반하여 이벤트 문구와 대응되는 퓨전 벡터를 결정함으로써 퓨전 벡터에 비교적 일반화한 이벤트의 특징이 포함되어 이벤트 사이의 이벤트 관계가 결정한 정확성과 일반화를 향상시키도록 한다.
본원발명에서 설명한 일부 내용은 본원발명의 실시예의 관건적인 특징 또는 중요한 특징을 표시하기 위한 것이 아니고, 본원발명의 범위를 한정하기 위한 것도 아님을 이해해야 한다. 본원발명의 기타 특징은 아래의 명세서에 의해 더 쉽게 이해할 수 있을 것이다.
도면은 단지 본 방안을 더 잘 이해하기 위한 것으로 본원발명을 한정하지 않는다. 여기서,
도 1은 본원발명의 실시예에서 제공하는 이벤트 관계의 생성 방법의 과정 모식도;
도 2는 본원발명의 실시예에서 제공하는 다른 한 이벤트 관계의 생성 방법의 과정 모식도;
도 3은 본원발명의 실시예에서 제공하는 또 다른 이벤트 관계의 생성 방법의 과정 모식도;
도 4는 본원발명의 실시예에 따른 이벤트 관계도의 모식도;
도 5는 본원발명의 실시예에서 제공하는 이벤트 관계의 생성 장치의 구조 모식도; 및
도 6은 본원발명의 실시예에 따른 이벤트 관계의 생성 방법의 전자 기기의 블록도이다.
도 1은 본원발명의 실시예에서 제공하는 이벤트 관계의 생성 방법의 과정 모식도;
도 2는 본원발명의 실시예에서 제공하는 다른 한 이벤트 관계의 생성 방법의 과정 모식도;
도 3은 본원발명의 실시예에서 제공하는 또 다른 이벤트 관계의 생성 방법의 과정 모식도;
도 4는 본원발명의 실시예에 따른 이벤트 관계도의 모식도;
도 5는 본원발명의 실시예에서 제공하는 이벤트 관계의 생성 장치의 구조 모식도; 및
도 6은 본원발명의 실시예에 따른 이벤트 관계의 생성 방법의 전자 기기의 블록도이다.
이하, 도면과 결부하여 본원발명의 예시적인 실시예를 설명하는데, 여기에는 이해를 돕기 위해 본원발명의 실시예에 따른 여러 가지 세부 절차가 포함되고, 이들은 단지 예시적인 것으로 이해해야 한다. 따라서, 본 기술분야에서 통상의 지식을 가진 자들은 여기서 설명한 실시예에 대해 여러 가지 변화와 수정을 진행할 수 있으며, 본원발명의 범위와 정신을 벗어나지 않는다는 것을 이해할 수 있다. 같은 원리로 뚜렷함과 간결함을 위하여 아래의 설명에서는 공지 기능과 구조에 대한 설명을 생략한다.
이하, 도면을 참조하여 본원발명의 실시예에 따른 이벤트 관계의 생성 방법, 장치, 전자 기기 및 저장 매체를 설명한다.
도 1은 본원발명의 실시예에서 제공하는 이벤트 관계의 생성 방법의 과정 모식도이다.
도 1에 도시된 바와 같이 이 방법은 아래와 같은 단계를 포함한다.
단계 101: 제1 이벤트 문구와 제2 이벤트 문구를 포함하는 이벤트 쌍을 획득한다.
여기서, 이벤트 쌍이란 이벤트 사이의 이벤트 관계를 결정해야 하는 이벤트 쌍을 말한다. 구별이 편리하도록 하기 위하여 제1 이벤트 문구와 제2 이벤트 문구라고 한다.
예를 들면, 제1 이벤트 문구가 "오늘 어느 대통령이 이라크에 대한 제재를 시작"이고 제2 이벤트 문구가 "중동의 원유 가격이 급등"이거나 또는 제1 이벤트 문구가 "오늘 어느 대통령이 이라크에 대한 제재를 시작"이고 제2 이벤트 문구가 "이라크 혼혈 미녀, 미스 유니버스 우승"이다.
단계 102: 제1 이벤트 문구에 근거하여 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터를 생성하며 제2 이벤트 문구에 근거하여 제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터를 생성한다.
여기서, 제1 입도와 제2 입도는 상이하고 제1 입도 워드 시퀀스 벡터에는 문자 부호의 벡터가 포함되며 매 하나의 문자 부호의 의미가 포함되고 제2 입도 워드 시퀀스 벡터에는 완전한 이벤트의 의미의 표현이 포함된다.
하나의 가능한 실시 형태에서 제1 입도가 제1 이벤트 문구를 잘라 다수의 워드의 워드 입도를 얻고 다수의 워드에 근거하여 제1 이벤트 문구의 제1 입도 워드 시퀀스를 얻으며 제2 입도는 제1 이벤트 문구에 대해 이벤트 논항에 따라 이벤트 추출을 진행하여 얻은 논항 입도로서 논항 입도에 기반하여 제1 이벤트 문구의 제2 입도 워드 시퀀스를 생성한다.
예를 들면, 제1 이벤트 문구는: 최근에 어느 대통령이 이라크에 대한 제재를 시작.
제1 입도 워드 시퀀스: 최근, 어느 대통령, 시작, 제재, 이라크;
제2 입도 워드 시퀀스: 이벤트 주체: 어느 대통령, 트리거 워드: 제재.
더 나아가, 제1 이벤트 문구의 제1 입도 워드 시퀀스와 제2 입도 워드 시퀀스를 대응되는 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터로 변환시켜 제1 입도 워드 시퀀스 벡터를 예로 들어 설명한다. 본원발명의 하나의 실시예에서는 워드 벡터 모델 Word Embedding을 사용할 수 있는데 예를 들면 word2vec 모델을 통해 제1 입도 워드 시퀀스에서의 매 하나의 워드를 기설정 차원의 단어 벡터로 변환시켜 매 한 워드의 워드 벡터에 근거하여 제1 입도 워드 시퀀스 벡터를 누적하여 생성, 즉 제1 입도 워드 시퀀스 벡터에는 매 한 워드의 워드 벡터가 포함된다.
다른 하나의 가능한 실시 형태로서, 트레이닝된 심층 신경망 모델을 사용하여 각 워드의 워드 벡터, 예를 들면 의미 표시 모델(Enhanced Representation from Knowledge Integration)을 생성할 수도 있는데, 의미 표시 모델에 근거하여 생성한 워드 벡터에는 워드의 의미 정보와 컨텍스트 정보가 포함될 수 있어 후속적으로 이벤트 관계를 결정할 때의 정확성을 향상시킬 수 있다. 더 나아가 매 한 워드의 워드 벡터에 근거하여 제1 입도 워드 시퀀스 벡터를 누적하여 생성한다.
같은 원리로 제2 입도 워드 시퀀스 벡터를 생성할 수 있으며 원리는 동일한바, 여기서 더 이상 설명하지 않는다.
제3 입도와 제4 입도도 상이한 것으로서 본원발명의 하나의 실시예에서 제3 입도와 제4 입도는 제1 입도 및 제2 입도와 서로 대응되는 두 가지 입도로서, 구체적으로 제1 입도와 제2 입도의 설명을 참조하여 대응되는 제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터를 생성할 수 있으며 원리는 동일한바, 여기서 더 이상 설명하지 않는다.
단계 103: 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터에 근거하여 제1 퓨전 벡터를 생성하며 제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터에 근거하여 제2 퓨전 벡터를 생성한다.
본 실시예에서는, 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터에 근거하여 제1 퓨전 벡터를 생성함으로써 제1 이벤트 문구에 대해 상이한 입도의 워드 시퀀스 벡터에 기반하여 제1 이벤트 문구와 대응되는 제1 퓨전 벡터를 결정하여 제1 퓨전 벡터에 더 많은 정보가 휴대되도록 하는 동시에 비교적 일반화한 이벤트의 특징을 포함하도록 한다. 같은 원리로 제2 이벤트 문구도 상이한 입도의 워드 시퀀스 벡터에 기반하여 제2 이벤트 문구와 대응되는 제2 퓨전 벡터를 결정하여 제2 퓨전 벡터에 더 많은 정보가 휴대되도록 하는 동시에 비교적 일반화한 이벤트의 특징을 포함하여 이벤트 사이의 이벤트 관계가 결정한 정확성과 일반화를 향상시킬 수 있다.
단계 104: 제1 퓨전 벡터와 제2 퓨전 벡터에 근거하여 제1 이벤트와 제2 이벤트 사이의 이벤트 관계를 결정한다.
여기서, 이벤트 관계에는 인과 관계, 점진적 관계와 전환 관계 등이 포함되고 본 실시예는 이에 대해 한정하지 않는다.
본원발명의 하나의 실시예에서는 트레이닝된 인식 모델을 통할 수 있는데 인식 모델은 이벤트 관계와 서로 대응되는 인식 모델, 예를 들면 이벤트 사이에 인과 관계가 존재하는지 여부를 인식하거나 또는 이벤트 사이에 전환 관계가 존재하는지 여부를 인식하는 등의 인식 모델일 수 있는바, 즉 인식 모델은 인식하고자 하는 이벤트 관계에 기반하여 이미 이벤트의 퓨전 벡터와 이벤트 관계의 대응관계를 학습하고 이 인식모듈에 기반하여 제1 이벤트와 제2 이벤트 사이의 이벤트 관계를 결정할 수 있다.
본원발명의 이벤트 사이의 이벤트 관계의 생성 방법에서는, 제1 이벤트 문구와 제2 이벤트 문구를 획득하고 제1 이벤트 문구에 근거하여 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터를 생성하며 제2 이벤트 문구에 근거하여 제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터를 생성하고 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터에 근거하여 제1 퓨전 벡터를 생성하며 제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터에 근거하여 제2 퓨전 벡터를 생성하고 제1 퓨전 벡터와 제2 퓨전 벡터에 근거하여 제1 이벤트와 제2 이벤트 사이의 이벤트 관계를 결정한다. 본원발명에서 상이한 입도의 워드 시퀀스 벡터에 기반하여 이벤트 문구를 결정하는 퓨전 벡터는 비교적 일반화한 이벤트의 특징을 포함하여 이벤트 사이의 이벤트 관계가 결정한 정확성과 일반화를 향상시킨다.
상기 실시예에서는 제1 이벤트 문구에 근거하여 두 가지 입도의 워드 시퀀스 벡터를 생성한 것을 설명하였고 본원발명에서는 두 가지 입도의 워드 시퀀스 벡터가 어떻게 생성되었는지를 구체적으로 설명하였다. 상기 실시예에 기반하면 도 2는 본원발명의 실시예에서 제공하는 다른 한 이벤트 관계의 생성 방법의 과정 모식도이다.
도 2에 도시된 바와 같이, 상기 단계 102는 아래와 같은 단계를 포함한다.
단계 201: 제1 이벤트 문구에 대해 문법 순서에 따라 이벤트 추출을 진행하여 제1 입도 워드 시퀀스를 생성하고 제1 입도 워드 시퀀스에 대해 벡터 변환을 진행하여 제1 입도 워드 시퀀스 벡터를 생성한다.
본원발명의 하나의 실시예에서는 제1 이벤트 문구에 대해 문법 순서에 따라 워드 분할 처리를 진행하고,
이 문장에 포함된 다수의 워드를 얻으며 다수의 워드가 문장에서의 문법 순서와 위치에 따라 다수의 워드를 포함하는 제1 입도 워드 시퀀스를 얻는다.
더 나아가, 제1 이벤트 문구의 제1 입도 워드 시퀀스와 제2 입도 워드 시퀀스를 대응되는 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터로 변환시켜 제1 입도 워드 시퀀스 벡터를 예로 들어 설명한다. 본원발명의 하나의 실시예에서는 워드 벡터 모델 Word Embedding을 사용할 수 있는데 예를 들면 word2vec 모델을 통해 제1 입도 워드 시퀀스에서의 매 하나의 워드를 기설정 차원의 단어 벡터로 변환시켜 매 한 워드의 워드 벡터에 근거하여 제1 입도 워드 시퀀스 벡터를 누적하여 생성, 즉 제1 입도 워드 시퀀스 벡터에는 매 한 워드의 워드 벡터가 포함된다.
다른 하나의 가능한 실시 형태로서 트레이닝된 심층 신경망 모델을 사용하여 각 워드의 워드 벡터, 예를 들면 의미 표시 모델(Enhanced Representation from Knowledge Integration)을 생성할 수도 있는데 의미 표시 모델에 근거하여 생성한 워드 벡터에는 워드의 의미 정보와 컨텍스트 정보가 포함될 수 있어 후속적으로 이벤트 관계를 결정할 때의 정확성을 향상시킬 수 있다.
더 나아가, 제1 입도 워드 시퀀스에서의 매 한 워드의 워드 벡터에 근거하여 제1 입도 워드 시퀀스 벡터를 누적하여 생성한다.
예를 들면, 제1 이벤트 문구는: 최근에 어느 대통령이 이라크에 대한 제재를 시작.
제1 입도 워드 시퀀스: 최근에, 어느 대통령, 시작, 제재, 이라크.
상술한 방법에 따라 제1 입도 워드 시퀀스에 대해 벡터 변환을 진행하여 제1 입도 워드 시퀀스 벡터를 생성하는 것은 아래와 같다.
제1 입도 워드 시퀀스 벡터는: v(어느 대통령)+v(제재)+v(이라크).
여기서, v(워드)는 상응하는 워드가 대응되는 워드 벡터를 나타내는바, 각 워드의 워드 벡터를 더하여 대응되는 제1 입도 워드 시퀀스 벡터를 얻는다.
단계 202: 제1 이벤트 문구에 대해 이벤트 논항에 따라 이벤트 추출을 진행하여 제2 입도 워드 시퀀스를 생성하고 제2 입도 워드 시퀀스에 대해 벡터 변환을 진행하여 제2 입도 워드 시퀀스 벡터를 생성한다.
여기서, 이벤트 논항(event argument) 추출 기술에 따라 제1 이벤트 문구를 추출하여 이벤트 논항 정보를 획득하되, 여기서 이벤트 논항 정보에는 이벤트 주체, 이벤트 트리거 워드, 이벤트 속성 등이 포함되고, 이벤트 주체는 또 에이전트 주체와 페이션트 주체로 구획되며, 에이전트 주체는 동사가 지시하는 동작, 행위 또는 활동의 발송자이고, 페이션트 주체는 동작, 행위 또는 활동의 수신자이며, 에이전트 속성은 에이전트 주체가 사람 또는 사물임을 가리키고, 에이전트 수량은 에이전트 주체의 수량을 가리키며, 페이션트 수량은 페이션트 주체의 수량을 가리키고, 트리거 워드는 이벤트를 발생시키는 워드를 말한다.
예를 들면, 제1 이벤트 문구가 "최근에 어느 대통령이 이라크에 대한 제재를 시작"이면 이벤트 논항에 따라 이벤트 추출을 진행하여 생성된 제2 입도 워드 시퀀스는 이벤트 주체: 어느 대통령, 트리거 워드: 제재이다.
상술한 방법에 따라 제2 입도 워드 시퀀스에 대해 벡터 변환을 진행하여 제2 입도 워드 시퀀스 벡터를 생성하는 것은 다음과 같다.
제2 입도 워드 시퀀스 벡터: v(이벤트 주체)+v(어느 대통령)+v(트리거 워드)+v(제재), 여기서 v(워드)는 상응한 워드와 대응되는 워드 벡터를 나타내고 각 워드의 워드 벡터를 더하여 대응되는 제2 입도 워드 시퀀스 벡터를 얻는다.
본 실시예에서, 이벤트 논항 입도의 제2 입도 워드 시퀀스 벡터는 이벤트 의미에서 제1 이벤트 문구를 표현할 수 있고 이벤트 관계를 정확히 결정할 수 있으며 기존의 주어-술어-목적어의 이벤트 관계 표시 기술 방법과 비교하면 논항 입도의 제2 입도 워드 시퀀스 벡터에서 표현하는 의미가 더욱 완전한바, 예를 들어 "황금 가격 인상"에서 주어-술어-목적어에 기반하여 추출 가능한 시퀀스는 "가격 인상"이고 이벤트 논항에 따라 이벤트 추출을 진행하여 얻을 수 있는 시퀀스는 "주체=황금, 속성=가격, 트리거 워드=인상"이다.
본 실시예의 이벤트 관계의 생성 방법에서 제1 이벤트 문구에 대해 상이한 입도를 이용하여 이벤트 추출과 벡터 변환을 진행한 후 각각 워드 입도의 제1 입도 워드 시퀀스 벡터 및 이벤트 논항 정보 입도의 제2 입도 워드 시퀀스 벡터를 얻는데 제2 입도 워드 시퀀스 벡터에 더 완전하고 더 일반화된 제1 이벤트 문구의 의미 표시가 포함되므로 후보 이벤트 관계가 결정하는 정확성을 향상시킬 수 있다.
상기 실시예에 기반하여 상기 단계 102에서는 제2 이벤트 문구에 근거하여 제3 입도 워드 시퀀스와 제4 입도 워드 시퀀스를 생성하되, 아래 단계를 통해 실현할 수 있다.
제2 이벤트 문구에 대해 문법 순서에 따라 이벤트 추출을 진행하여 제3 입도 워드 시퀀스를 생성하고 제3 입도 워드 시퀀스에 대해 벡터 변환을 진행하여 제3 입도 워드 시퀀스 벡터를 생성하는 단계; 및
제2 이벤트 문구에 대해 이벤트 논항에 따라 이벤트 추출을 진행하여 제4 입도 워드 시퀀스를 생성하고 제4 입도 워드 시퀀스에 대해 벡터 변환을 진행하여 제4 입도 워드 시퀀스 벡터를 생성하는 단계이다.
구체적으로, 이상의 실시예에서의 단계 201 내지 단계 202의 설명을 참조할 수 있는데, 원리가 동일하므로 여기서 더 이상 설명하지 않는다.
본 실시예의 이벤트 관계의 생성 방법에서 제2 이벤트 문구에 대해 상이한 입도를 이용하여 이벤트 추출과 벡터 변환을 진행한 후 각각 워드 입도의 제3 입도 워드 시퀀스 벡터 및 이벤트 논항 정보 입도의 제4 입도 워드 시퀀스 벡터를 얻는데 제3 입도 워드 시퀀스 벡터에 더 완전하고 더 일반화된 제2 이벤트 문구의 의미 표시가 포함되므로 후보 이벤트 관계가 결정하는 정확성을 향상시킬 수 있다.
상기 실시예에 기반하면 도 3은 본원발명의 실시예에서 제공하는 또 다른 이벤트 관계의 생성 방법의 과정 모식도이다.
도 3에 도시된 바와 같이 상기 단계 103은 아래 단계를 포함한다.
단계 301: 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터에 근거하여 제1 이벤트 문구의 특징 벡터를 생성한다.
본원발명의 하나의 실시예에서는 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터를 접합시켜 제1 이벤트 문구의 특징 벡터를 얻는다.
예를 들면, 제1 입도 워드 시퀀스 벡터가 [1,2,3,4]이고 제2 입도 워드 시퀀스 벡터가 [5,6,7,8,9]이면 접합한 후 얻은 제1 이벤트 문구의 특징 벡터는 [1,2,3,4,5,6,7,8,9]이다.
단계 302: 각 이벤트 문구 및 상이한 이벤트 문구를 연결하는 가장자리를 포함하는 이벤트 관계도를 획득하되, 상이한 이벤트 문구를 연결하는 가장자리는 연결된 상이한 이벤트 문구 사이에 이벤트 관계가 존재하도록 지시하기 위한 것이다.
여기서, 이벤트 관계도는 미리 셋업한 것으로서 이벤트 관계도는 하나의 상이한 이벤트 문구 사이의 관계의 지식 그래프를 구성하고, 여기서 가장자리를 통해 상이한 이벤트 문구를 연결, 즉 가장자리의 방식으로 상이한 이벤트 문구 사이에 이벤트 관계가 존재하는 것을 지시하여 후속적으로 이 이벤트 관계에 기반하는 지식 그래프를 실현하며 하나의 이벤트의 특징 벡터에서 이웃하는 기타 이벤트의 특징 벡터를 집합시켜 이벤트의 특징 벡터마다 포함하는 정보를 향상시킨다. 본 실시예에서는 이벤트 관계가 인과 관계인 것을 예로 들어 설명한다.
예를 들어 만약 이벤트 문구 e1과 이벤트 문구 e2에 "최근에 어느 대통령이 이라크에 대한 제재를 시작"하여 "중동의 원유 가격이 급등"과 같은 인과 관계가 존재하고 이벤트 문구 e2와 이벤트 문구 e3에 "중동의 원유 가격이 급등"하여 "금융시장의 위험 기피 정서가 상승"과 같은 인과 관계가 존재하면 하나의 이벤트 인과도인 e1->e2->e3을 추출할 수 있는데, 도 4에 도시된 바와 같이 이벤트 인과도에서의 노드 1은 이벤트 문구 e1을 대표하고 노드 2는 이벤트 문구 e2를 대표하며 노드 3은 이벤트 문구 e3을 대표하고 노드 4는 이벤트 문구 e4를 대표하며 이벤트 인과도에서 두 개의 노드의 가장자리를 연결하는 것은 두 개의 이벤트 문구 사이에 인과 관계가 존재하는 것을 나타내고 하나의 노드와 가장자리를 통해 연결된 다수의 기타 노드는 이 노드의 이웃 노드이다.
단계 303: 이벤트 관계도에 근거하여 제1 이벤트 문구와 가장자리를 통해 연결된 타겟 이벤트 문구를 결정한다.
도 4에 도시된 바와 같이 만약 노드 1이 제1 이벤트 문구를 대표하고 노드 1과 가장자리를 통해 연결된 노드는 노드 2와 노드 3이면 노드 2와 대응되는 이벤트 문구 및 노드 3과 대응되는 이벤트 문구는 제1 이벤트 문구와 이벤트 관계를 가지는 타겟 이벤트 문구이다.
단계 304: 제1 이벤트 문구의 특징 벡터와 타겟 이벤트 문구의 특징 벡터를 그래프 학습 모델에 입력하여 제1 이벤트 문구의 제1 퓨전 벡터를 얻는다.
본 실시예에서, 타겟 이벤트 문구의 특징 벡터의 생성 방법과 제1 이벤트 문구의 특징 벡터의 생성 방법은 원리가 동일하므로 여기서 더 이상 설명하지 않는다.
여기서, 그래프 학습 모델은 그래프 컨볼루션 네트워크(Graph Convolution Network, GCN), GraphSage 알고리즘과 그래프 주의 네트워크(Graph Attention Network, GAN)이다. 계산 효율과 미지의 노드에 대한 일반화 능력을 고려하여 본원발명은 GraphSage 모델을 그래프 학습 모델로 선택한다.
본 실시예에서는 제1 이벤트 문구의 특징 벡터와 타겟 이벤트 문구의 특징 벡터를 그래프 학습 모델에 입력하여 그래프 학습 모델로 하여금 제1 이벤트 문구의 특징 벡터 및 제1 이벤트 문구와 이벤트 관계가 있는 적어도 하나의 타겟 이벤트 문구의 특징을 한데 융합하여 제1 이벤트 문구의 제1 퓨전 벡터를 출력하는데, 이벤트 관계가 있는 문구 사이의 특징이 이러한 이벤트 관계를 지시할 수 있고 제1 이벤트 문구 자체의 특징 벡터에 이벤트 관계가 있는 다수의 기타 이벤트 문구의 특성 벡터를 융합시킴으로써 제1 이벤트 문구의 제1 퓨전 벡터에 이벤트 관계를 결정하는 더 많고 더 일반화된 특징 정보가 포함되도록 한다.
같은 원리로, 제2 이벤트 문구의 제2 퓨전 벡터를 결정할 경우 아래 단계를 통해 결정할 수 있다.
제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터에 근거하여 제2 이벤트 문구의 특징 벡터를 결정하는 단계;
각 이벤트 문구 및 상이한 이벤트 문구를 연결하는 가장자리를 포함하는 이벤트 관계도를 획득하되, 상이한 이벤트 문구를 연결하는 가장자리는 연결된 상이한 이벤트 문구 사이에 이벤트 관계가 존재하도록 지시하기 위한 것인 단계;
이벤트 관계도에 근거하여 제2 이벤트 문구와 가장자리를 통해 연결된 타겟 이벤트 문구를 결정하는 단계;
제2 이벤트 문구의 특징 벡터와 타겟 이벤트 문구의 특징 벡터를 그래프 학습 모델에 입력하여 제2 이벤트 문구의 제2 퓨전 벡터를 얻는 단계이다.
구체적으로, 제2 이벤트 문구의 제2 퓨전 벡터의 생성 방법은 상기 제1 이벤트 문구의 제1 퓨전 벡터의 생성 방법을 참조할 수 있고 원리가 동일하므로 여기서 더 이상 설명하지 않는다.
본 실시예의 이벤트 관계의 생성 방법에서는, 매 하나의 이벤트 문구에 대해 두 가지 상이한 입도의 워드 시퀀스 벡터를 접합시켜 상응한 이벤트 문구의 특징 벡터를 얻고 이벤트 관계도에 기반하여 상응한 이벤트 문구와 이벤트 관계를 가지는 기타 타겟 이벤트 문구의 특징 벡터를 집합시켜 상응한 이벤트 문구의 퓨전 벡터를 얻으며 퓨전 벡터에는 자신의 특징 정보 및 유사한 이벤트 사이의 이벤트 관계의 특징이 융합되어 상응한 이벤트 문구의 퓨전 벡터에 더 많고 더 일반화된, 이벤트 관계를 결정하기 위한 특징 정보가 포함되도록 하여 이벤트 사이의 이벤트 관계를 결정하는 정확성을 향상시킨다.
상기 실시예에 기반하면 본 실시예의 하나의 실시예에서는, 제1 이벤트 문구의 제1 퓨전 벡터와 제2 이벤트 문구의 제2 퓨전 벡터를 결정한 후 제1 퓨전 벡터와 제2 퓨전 벡터를 접합하여 제3 퓨전 벡터를 생성하고 제3 퓨전 벡터에 근거하여 이벤트 관계를 결정한다. 선택적으로는 제1 이벤트 문구의 제1 퓨전 벡터와 제2 이벤트 문구의 제2 퓨전 벡터를 풀연결에 입력하고 풀연결층에서 결정된 가중치에 기반하여 가중 접합을 진행함으로써 제3 퓨전 벡터를 얻으며 제3 퓨전 벡터를 하나의 분류층을 통해 하나의 이차원 벡터로 출력하여 제1 이벤트 문구와 제2 이벤트 문구 사이에 이벤트 관계가 존재하는 확률을 지시하고 확률에 근거하여 제1 이벤트 문구와 제2 이벤트 문구 사이에 이벤트 관계가 존재하는지 여부를 결정함으로써 비교적 많은 일반화한 의미 특징을 포함하는 제1 퓨전 벡터와 제2 퓨전 벡터를 융합시켜 이벤트 관계를 결정함으로써 일반화 효과와 정확성을 향상시킨다.
상기 실시예를 실현하기 위하여 본원발명은 이벤트 관계의 생성 장치를 더 제공한다.
도 5는 본원발명의 실시예에서 제공하는 이벤트 사이의 이벤트 관계의 생성 장치의 구조 모식도이다.
도 5에 도시된 바와 같이 이 장치는 획득 모듈(41), 제1 생성 모듈(42), 제2 생성 모듈(43)과 결정 모듈(44)을 포함한다.
획득 모듈(41)은 제1 이벤트 문구와 제2 이벤트 문구를 포함하는 이벤트 쌍을 획득한다.
제1 생성 모듈(42)은 상기 제1 이벤트 문구에 근거하여 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터를 생성하고 상기 제2 이벤트 문구에 근거하여 제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터를 생성한다.
제2 생성 모듈(43)은 상기 제1 입도 워드 시퀀스 벡터와 상기 제2 입도 워드 시퀀스 벡터에 근거하여 제1 퓨전 벡터를 생성하고 상기 제3 입도 워드 시퀀스 벡터와 상기 제4 입도 워드 시퀀스 벡터에 근거하여 제2 퓨전 벡터를 생성한다.
결정 모듈(44)은 상기 제1 퓨전 벡터와 상기 제2 퓨전 벡터에 근거하여 상기 제1 이벤트와 상기 제2 이벤트 사이의 이벤트 관계를 결정한다.
본원발명의 실시예에 따른 한 가지 가능한 실시 형태에서 상기 제1 생성 모듈(42)은 구체적으로,
상기 제1 이벤트 문구에 대해 문법 순서에 따라 이벤트 추출을 진행하여 상기 제1 입도 워드 시퀀스를 생성하고 상기 제1 입도 워드 시퀀스에 대해 벡터 변환을 진행하여 상기 제1 입도 워드 시퀀스 벡터를 생성하며; 및 상기 제1 이벤트 문구에 대해 이벤트 논항에 따라 이벤트 추출을 진행하여 상기 제2 입도 워드 시퀀스를 생성하고 상기 제2 입도 워드 시퀀스에 대해 벡터 변환을 진행하여 상기 제2 입도 워드 시퀀스 벡터를 생성한다.
본원발명의 실시예에 따른 한 가지 가능한 실시 형태에서 상기 제1 생성 모듈(42)은 더 구체적으로,
상기 제2 이벤트 문구에 대해 문법 순서에 따라 이벤트 추출을 진행하여 상기 제3 입도 워드 시퀀스를 생성하고 상기 제3 입도 워드 시퀀스에 대해 벡터 변환을 진행하여 상기 제3 입도 워드 시퀀스 벡터를 생성하며; 및 상기 제2 이벤트 문구에 대해 이벤트 논항에 따라 이벤트 추출을 진행하여 상기 제4 입도 워드 시퀀스를 생성하고 상기 제4 입도 워드 시퀀스에 대해 벡터 변환을 진행하여 상기 제4 입도 워드 시퀀스 벡터를 생성한다.
본원발명의 실시예에 따른 한 가지 가능한 실시 형태에서 상기 제2 생성 모듈(43)은 구체적으로,
상기 제1 입도 워드 시퀀스 벡터와 상기 제2 입도 워드 시퀀스 벡터에 근거하여 상기 제1 이벤트 문구의 특징 벡터를 생성하고; 각 이벤트 문구 및 상이한 이벤트 문구를 연결하는 가장자리가 포함되는 이벤트 관계도를 획득하되, 상기 상이한 이벤트 문구를 연결하는 가장자리는 연결된 상이한 이벤트 문구 사이에 이벤트 관계가 존재하도록 지시하기 위한 것이며; 상기 이벤트 관계도에 근거하여 상기 제1 이벤트 문구와 가장자리를 통해 연결된 타겟 이벤트 문구를 결정하고; 상기 제1 이벤트 문구의 특징 벡터와 상기 타겟 이벤트 문구의 특징 벡터를 그래프 학습 모델에 입력하여 상기 제1 이벤트 문구의 제1 퓨전 벡터를 획득한다.
본원발명의 실시예에 따른 한 가지 가능한 실시 형태에서 상기 제2 생성 모듈(43)은 더 구체적으로,
상기 제3 입도 워드 시퀀스 벡터와 상기 제4 입도 워드 시퀀스 벡터에 근거하여 상기 제2 이벤트 문구의 특징 벡터를 생성하고; 각 이벤트 문구 및 상이한 이벤트 문구를 연결하는 가장자리가 포함되는 이벤트 관계도를 획득하되, 상기 상이한 이벤트 문구를 연결하는 가장자리는 연결된 상이한 이벤트 문구 사이에 이벤트 관계가 존재하도록 지시하기 위한 것이며; 상기 이벤트 관계도에 근거하여 상기 제2 이벤트 문구와 가장자리를 통해 연결된 타겟 이벤트 문구를 결정하고; 상기 제2 이벤트 문구의 특징 벡터와 상기 타겟 이벤트 문구의 특징 벡터를 그래프 학습 모델에 입력하여 상기 제2 이벤트 문구의 제2 퓨전 벡터를 획득한다.
본원발명의 실시예에 따른 한 가지 가능한 실시 형태에서 상기 결정 모듈(44)은 구체적으로, 상기 제1 퓨전 벡터와 상기 제2 퓨전 벡터를 접합하여 제3 퓨전 벡터를 생성하고; 및 상기 제3 퓨전 벡터에 근거하여 상기 이벤트 관계를 결정한다.
설명해야 할 것은, 상술한 이벤트 관계의 생성 방법에 대한 실시예의 해석 설명은 본 실시예의 이벤트 관계의 생성 장치에도 적용되고 원리가 동일하므로 여기서 더 이상 설명하지 않는다.
본원발명의 이벤트 관계의 생성 장치에서는, 제1 이벤트 문구와 제2 이벤트 문구를 획득하고 제1 이벤트 문구에 근거하여 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터를 생성하며 제2 이벤트 문구에 근거하여 제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터를 생성하고 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터에 근거하여 제1 퓨전 벡터를 생성하며 제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터에 근거하여 제2 퓨전 벡터를 생성하고 제1 퓨전 벡터와 제2 퓨전 벡터에 근거하여 제1 이벤트와 제2 이벤트 사이의 이벤트 관계를 결정한다. 본원발명에서 상이한 입도의 워드 시퀀스 벡터에 기반하여 이벤트 문구를 결정하는 퓨전 벡터는 비교적 일반화한 이벤트의 특징을 포함하여 이벤트 사이의 이벤트 관계가 결정한 정확성과 일반화를 향상시킨다.
상기 실시예를 실현하기 위하여 본원발명의 실시예는, 적어도 하나의 프로세서; 및 상기 적어도 하나의 프로세서와 통신 연결하는 메모리를 포함하되, 여기서 상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되어 있고 상기 명령이 상기 적어도 하나의 프로세서에 의해 실행되어 상기 적어도 하나의 프로세서로 하여금 상술한 방법 실시예에서 설명하는 이벤트 관계의 생성 방법을 수행할 수 있도록 하는 전자 기기를 제공한다.
상기 실시예를 실현하기 위하여 본원발명의 실시예는 상기 컴퓨터 명령은 상기 컴퓨터로 하여금 상술한 방법 실시예에서 설명하는 이벤트 관계의 생성 방법을 수행할 수 있도록 하기 위한 컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 저장 매체를 제공한다.
본원발명의 실시예에 근거하면 본원발명은 전자 기기 및 판독 가능 저장 매체를 더 제공한다. 본원발명의 실시예에 따르면, 컴퓨터 판독 가능 매체에 저장되어 있는 컴퓨터 프로그램을 더 제공한다. 당해 컴퓨터 프로그램 중의 명령이 실행될 경우, 상기 이벤트 관계의 생성 방법이 실행된다.
도 6에 도시된 바와 같이 이는 본원발명의 실시예에 따른 이벤트 관계의 생성 방법의 전자 기기의 블록도이다. 전자 기기란 랩톱 컴퓨터, 데스크톱 컴퓨터, 워크 스테이션, 개인 정보 단말기, 서버, 블레이드 서버, 메인 프레임 컴퓨터 및 기타 적합한 컴퓨터와 같은 여러 가지 형태의 디지털 컴퓨터를 말한다. 전자 기기는 개인용 디지털 처리, 휴대폰, 스마트 폰, 웨어러블 장치 및 기타 유사한 컴퓨팅 장치와 같은 여러 가지 형태의 이동 장치를 더 나타낼 수도 있다. 본 명세서에서 설명한 부분, 이들의 연결, 관계 및 이들의 기능은 단지 예시적인 것일 뿐 본 명세서에서 설명하는 및/또는 요구하는 본원발명의 실현을 한정하기 위한 것이 아니다.
도 6에 도시된 바와 같이 이 전자 기기는 하나 또는 다수의 프로세서(601), 메모리(602) 및 각 부품을 연결하기 위한 인터페이스를 포함하고 고속 인터페이스와 저속 인터페이스를 포함한다. 각 부품은 상이한 버스를 이용하여 서로 연결되고 공동 메인보드에 장착되거나 수요에 따라 기타 방식으로 장착될 수 있다. 프로세서는 전자 기기 내에서 수행되는 명령을 처리할 수 있는데 메모리에 저장되거나 메모리에서 외부 입력/출력 장치(예를 들어 인터페이스의 디스플레이 기기에 커플링됨)에 저장되어 GUI의 그래프 정보를 표시하는 명령을 포함한다. 기타 실시 형태에서 만약 필요하면 다수의 프로세서 및/또는 다수의 버스를 다수의 메모리 및 다수의 프로세서와 함께 사용할 수 있다. 마찬가지로 다수의 전자 기기를 연결할 수 있고 각 기기는 일부 필요한 조작(예를 들면 서버 어레이, 한 그룹의 블레이드 서버 또는 멀티 프로세서 시스템)을 제공할 수 있다. 도 6에서는 하나의 프로세서(601)를 예로 들었다.
메모리(602)는 본원발명에서 제공하는 비일시적 컴퓨터 판독 가능 저장 매체이다. 여기서 상기 메모리에는 적어도 하나의 프로세서에 의해 수행 가능한 명령이 저장되어 상기 적어도 하나의 프로세서로 하여금 본원발명에서 제공하는 이벤트 관계의 생성 방법을 수행하도록 한다. 본원발명의 비일시적 컴퓨터 판독 가능 저장 매체는 컴퓨터 명령을 저장하는데 이 컴퓨터 명령은 컴퓨터로 하여금 본원발명에서 제공하는 이벤트 관계의 생성 방법을 수행하도록 한다.
메모리(602)는 비일시적 컴퓨터 판독 가능 저장 매체로서 비일시적 소프트웨어 프로그램, 비일시적 컴퓨터가 실행 가능한 프로그램 및 모듈, 예를 들면 본원발명의 실시예에서의 이벤트 관계의 생성 방법과 대응되는 프로그램 명령/모듈(예를 들면, 도 5에 도시된 바와 같은 획득 모듈(41), 제1 생성 모듈(42), 제2 생성 모듈(43) 및 결정 모듈(44))을 저장할 수 있다. 프로세서(601)는 메모리(602)에 저장되어 있는 비일시적 소프트웨어 프로그램, 명령 및 모듈을 운행시킴으로써 서버의 여러 가지 기능 애플리케이션 및 데이터 처리를 수행, 즉 상기 방법 실시예에서의 이벤트 관계의 생성 방법을 실현한다.
메모리(602)는 저장 프로그램 영역과 저장 데이터 영역을 포함할 수 있는데, 여기서 저장 프로그램 영역은 운영체제, 적어도 하나의 기능에 필요한 애플리케이션 프로그램을 저장할 수 있고; 저장 데이터 영역은 이벤트 관계의 생성 방법의 전자 기기의 사용에 따라 셋업한 데이터 등을 저장할 수 있다. 이 외에 메모리(602)는 고속 랜덤 액세스 메모리를 포함할 수 있고 비일시적 메모리, 예를 들면 적어도 하나의 디스크 저장 장치, 플래시 메모리 장치 또는 기타 비일시적인 솔리드 스테이트 메모리를 더 포함할 수 있다. 일부 실시예에서 메모리(602)는 프로세서(601)에 대해 원격 설치된 메모리를 선택적으로 포함하고 이러한 원격 메모리는 네트워크를 통해 이벤트 관계의 생성 방법의 전자 기기와 연결될 수 있다. 상기 네트워크의 구현예는 인터넷, 기업 인트라넷, 근거리 통신망, 이동 통신망 및 이들의 조합을 포함하나 이에 한정되지 않는다.
이벤트 관계의 생성 방법의 전자 기기는 입력 장치(603)와 출력 장치(604)를 더 포함할 수 있다. 프로세서(601), 메모리(602), 입력 장치(603)와 출력 장치(604)는 버스 또는 기타 방식으로 연결될 수 있는데, 도 6은 버스를 통해 연결되는 것을 예로 들었다.
입력 장치(603)는 입력된 숫자 또는 문자 부호 정보를 수신하고 이벤트 관계의 생성 방법의 전자 기기의 사용자 설치 및 기능 제어와 관련된 키 신호 입력, 예를 들면 터치 스크린, 키보드, 마우스, 트랙 패드, 터치 패드, 지시 스틱, 하나 또는 다수의 마우스 버튼, 트랙볼, 조이스틱 등 입력 장치를 발생할 수 있다. 출력 장치(604)는 디스플레이 기기, 보조 조명 장치(예를 들면 LED) 및 촉각 피드백 장치(예를 들면 진동 모터) 등을 포함할 수 있다. 이 디스플레이 기기는 액정 디스플레이(LCD), 발광 다이오드(LED), 디스플레이 및 플라즈마 디스플레이를 포함하나 이에 한정되지 않는다. 일부 실시 형태에서 디스플레이 기기는 터치 스크린일 수 있다.
여기서 설명한 시스템과 기술의 여러 가지 실시 형태는 디지털 전자회로 시스템, 집적회로 시스템, 전용 ASIC(주문형 집적회로), 컴퓨터 하드웨어, 펌웨어, 소프트웨어 및/또는 이들의 조합에서 실현될 수 있다. 이러한 여러 가지 실시 형태는, 하나 또는 다수의 컴퓨터 프로그램에서 실시될 수 있고 이 하나 또는 다수의 컴퓨터 프로그램은 적어도 하나의 프로그램 가능 프로세서의 프로그램 가능 시스템에서 실행 및/또는 해석될 수 있으며 이 프로그램 가능 프로세서는 전용 또는 범용 프로그램 가능 프로세서일 수 있고 저장 시스템, 적어도 하나의 입력 장치 및 적어도 하나의 출력 장치로부터 데이터와 명령을 수신할 수 있으며 데이터와 명령을 상기 저장 시스템, 상기 적어도 하나의 입력 장치 및 상기 적어도 하나의 출력 장치에 전송할 수 있다.
이러한 컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 애플리케이션 또는 코드라고도 한다)은 프로그램 가능 프로세서의 기계 명령을 포함하고 고급 프로세서 및/또는 오브젝트를 향한 프로그램 언어 및/또는 어셈블리/기계 언어를 이용하여 이러한 컴퓨터 프로그램을 실시할 수 있다. 본 명세서에서 사용한 용어 "기계 판독 가능 매체"와 "컴퓨터 판독 가능 매체"는 기계 명령 및/또는 데이터를 프로그램 가능 프로세서에 제공하는 임의의 컴퓨터 프로그램 제품, 기기 및/또는 장치(예를 들면 자기 디스크, 시디롬, 메모리 프로그램 가능 로직 장치(PLD))를 가리키고, 기계 판독 가능 신호로서의 기계 명령을 수신하는 기계 판독 가능 매체를 포함한다. 용어 "기계 판독 가능 신호"는 기계 명령 및/또는 데이터를 프로그램 가능 프로세서에 제공하는 임의의 신호를 가리킨다.
사용자와 교류하고 컴퓨터에서 여기서 설명하는 시스템과 기술을 실시할 수 있도록 하기 위하여 이 컴퓨터는, 사용자에게 정보를 디스플레이하는 디스플레이 장치(예를 들면 CRT(음극선관) 또는 LCD(액정 디스플레이) 모니터); 및 키보드와 지향 장치(예를 들면, 마우스 또는 트랙볼)를 구비하고 사용자는 이 키보드와 이 지향 장치를 통해 컴퓨터에 입력을 제공할 수 있다. 기타 유형의 장치는 사용자와의 교류에 사용될 수도 있는바, 예를 들면 사용자에게 제공된 피드백은 임의의 형식의 감각 피드백(예를 들면 시각적 피드백, 청각적 피드백 또는 촉각적 피드백)일 수 있고 임의의 형식(소리 입력, 음성 입력 또는 촉감 입력을 포함)에 의해 사용자로부터의 입력을 수신할 수 있다.
여기서 설명한 시스템과 기술을 백그라운드 부품을 포함하는 컴퓨팅 시스템(예를 들면 데이터 서버) 또는 미들웨어 부품을 포함하는 컴퓨팅 시스템(예를 들면 애플리케이션 서버) 또는 전단 부품을 포함하는 컴퓨팅 시스템(예를 들면 그래프 사용자 인터페이스 또는 네트워크 브라우저를 구비한 사용자 컴퓨터, 사용자는 이 그래프 사용자 인터페이스 또는 이 네트워크 브라우저를 통해 여기서 설명한 시스템과 기술의 실시 형태와 교류할 수 있다) 또는 이러한 백그라운드 부품, 미들웨어 부품 또는 전단 부품을 포함하는 임의의 조합의 컴퓨팅 시스템에서 실시될 수 있다. 임의의 형태 또는 매체의 디지털 데이터 통신(예를 들면 통신 네트워크)를 통해 시스템의 부품을 서로 연결할 수 있다. 통신 네트워크의 예시는 근거리 통신망(LAN), 광역 통신망(WAN) 및 인터넷을 포함한다.
컴퓨터 시스템은 클라이언트단과 서버를 포함할 수 있다. 클라이언트단과 서버는 일반적으로 서로 멀리 하여 통상적으로 통신 네트워크를 통해 교류한다. 상응한 컴퓨터에서 운행되고 서로 클라이언트단-서버와 관련된 컴퓨터 프로그램을 통해 클라이언트단과 서버의 관계를 발생한다.
본원발명의 실시예에 따른 기술적 해결 수단에 따르면 제1 이벤트 문구와 제2 이벤트 문구를 획득하고 제1 이벤트 문구에 근거하여 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터를 생성하며 제2 이벤트 문구에 근거하여 제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터를 생성하고 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터에 근거하여 제1 퓨전 벡터를 생성하며 제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터에 근거하여 제2 퓨전 벡터를 생성하고 제1 퓨전 벡터와 제2 퓨전 벡터에 근거하여 제1 이벤트와 제2 이벤트 사이의 이벤트 관계를 결정한다. 본원발명에서 상이한 입도의 워드 시퀀스 벡터에 기반하여 이벤트 문구를 결정하는 퓨전 벡터는 비교적 일반화한 이벤트의 특징을 포함하여 이벤트 관계가 결정한 정확성과 일반화를 향상시킨다.
이해해야 할 것은, 이상에서 설명한 여러 가지 형태의 과정을 다시 정렬시키고 증가 또는 삭제하는 단계를 사용할 수 있다. 예를 들면 본원발명에서 기재한 각 단계는 동시에 수행될 수도 있고 순차적으로 수행될 수도 있으며 상이한 순서로 수행될 수도 있는바, 본원발명에서 개시한 기술적 해결 수단에서 기대하는 결과를 실현할 수만 있다면 본 내용은 이에 대해 한정하지 않는다.
상기 구체적인 실시 형태는 본원발명의 보호범위를 한정하지 않는다. 본 기술분야에서 통상의 지식을 가진 자들은 설계 요구와 기타 요소에 근거하여 여러 가지 수정, 조합, 하위 조합 및 대체를 진행할 수 있다는 것을 이해할 수 있다. 본원발명의 정신과 원칙 내에서 진행한 그 어떤 수정, 균등한 대체와 개선은 모두 본원발명의 보호범위 내에 포함된다.
Claims (15)
- 이벤트 관계의 생성 방법에 있어서,
제1 이벤트 문구와 제2 이벤트 문구를 포함하는 이벤트 쌍을 획득하는 단계;
상기 제1 이벤트 문구에 근거하여 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터를 생성하고 상기 제2 이벤트 문구에 근거하여 제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터를 생성하는 단계;
상기 제1 입도 워드 시퀀스 벡터와 상기 제2 입도 워드 시퀀스 벡터에 근거하여 제1 퓨전 벡터를 생성하고 상기 제3 입도 워드 시퀀스 벡터와 상기 제4 입도 워드 시퀀스 벡터에 근거하여 제2 퓨전 벡터를 생성하는 단계; 및
상기 제1 퓨전 벡터와 상기 제2 퓨전 벡터에 근거하여 상기 제1 이벤트와 상기 제2 이벤트 사이의 이벤트 관계를 결정하는 단계
를 포함하는 것을 특징으로 하는 이벤트 관계의 생성 방법. - 제1항에 있어서,
상기 제1 이벤트 문구에 근거하여 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터를 생성하는 단계는,
상기 제1 이벤트 문구에 대해 문법 순서에 따라 이벤트 추출을 진행하여 상기 제1 입도 워드 시퀀스를 생성하고 상기 제1 입도 워드 시퀀스에 대해 벡터 변환을 진행하여 상기 제1 입도 워드 시퀀스 벡터를 생성하는 단계; 및
상기 제1 이벤트 문구에 대해 이벤트 논항에 따라 이벤트 추출을 진행하여 상기 제2 입도 워드 시퀀스를 생성하고 상기 제2 입도 워드 시퀀스에 대해 벡터 변환을 진행하여 상기 제2 입도 워드 시퀀스 벡터를 생성하는 단계
를 포함하는 것을 특징으로 하는 이벤트 관계의 생성 방법. - 제1항에 있어서,
상기 제2 이벤트 문구에 근거하여 제3 입도 워드 시퀀스와 제4 입도 워드 시퀀스를 생성하는 단계는,
상기 제2 이벤트 문구에 대해 문법 순서에 따라 이벤트 추출을 진행하여 상기 제3 입도 워드 시퀀스를 생성하고 상기 제3 입도 워드 시퀀스에 대해 벡터 변환을 진행하여 상기 제3 입도 워드 시퀀스 벡터를 생성하는 단계; 및
상기 제2 이벤트 문구에 대해 이벤트 논항에 따라 이벤트 추출을 진행하여 상기 제4 입도 워드 시퀀스를 생성하고 상기 제4 입도 워드 시퀀스에 대해 벡터 변환을 진행하여 상기 제4 입도 워드 시퀀스 벡터를 생성하는 단계
를 포함하는 것을 특징으로 하는 이벤트 관계의 생성 방법. - 제1항에 있어서,
상기 제1 입도 워드 시퀀스 벡터와 상기 제2 입도 워드 시퀀스 벡터에 근거하여 제1 퓨전 벡터를 생성하는 단계는,
상기 제1 입도 워드 시퀀스 벡터와 상기 제2 입도 워드 시퀀스 벡터에 근거하여 상기 제1 이벤트 문구의 특징 벡터를 생성하는 단계;
각 이벤트 문구 및 상이한 이벤트 문구를 연결하는 가장자리가 포함되는 이벤트 관계도를 획득하는 단계 - 상기 상이한 이벤트 문구를 연결하는 가장자리는 연결된 상이한 이벤트 문구 사이에 이벤트 관계가 존재하도록 지시하기 위한 것임 - ;
상기 이벤트 관계도에 근거하여 상기 제1 이벤트 문구와 가장자리를 통해 연결된 타겟 이벤트 문구를 결정하는 단계; 및
상기 제1 이벤트 문구의 특징 벡터와 상기 타겟 이벤트 문구의 특징 벡터를 그래프 학습 모델에 입력하여 상기 제1 이벤트 문구의 제1 퓨전 벡터를 획득하는 단계
를 포함하는 것을 특징으로 하는 이벤트 관계의 생성 방법. - 제1항에 있어서,
상기 제3 입도 워드 시퀀스 벡터와 상기 제4 입도 워드 시퀀스 벡터에 근거하여 제2 퓨전 벡터를 생성하는 단계는,
상기 제3 입도 워드 시퀀스 벡터와 상기 제4 입도 워드 시퀀스 벡터에 근거하여 상기 제2 이벤트 문구의 특징 벡터를 생성하는 단계;
각 이벤트 문구 및 상이한 이벤트 문구를 연결하는 가장자리가 포함되는 이벤트 관계도를 획득하는 단계 - 상기 상이한 이벤트 문구를 연결하는 가장자리는 연결된 상이한 이벤트 문구 사이에 이벤트 관계가 존재하도록 지시하기 위한 것임 - ;
상기 이벤트 관계도에 근거하여 상기 제2 이벤트 문구와 가장자리를 통해 연결된 타겟 이벤트 문구를 결정하는 단계; 및
상기 제2 이벤트 문구의 특징 벡터와 상기 타겟 이벤트 문구의 특징 벡터를 그래프 학습 모델에 입력하여 상기 제2 이벤트 문구의 제2 퓨전 벡터를 획득하는 단계
를 포함하는 것을 특징으로 하는 이벤트 관계의 생성 방법. - 제1항에 있어서,
상기 제1 퓨전 벡터와 상기 제2 퓨전 벡터에 근거하여 상기 제1 이벤트와 상기 제2 이벤트 사이의 이벤트 관계를 결정하는 단계는,
상기 제1 퓨전 벡터와 상기 제2 퓨전 벡터를 접합하여 제3 퓨전 벡터를 생성하는 단계; 및
상기 제3 퓨전 벡터에 근거하여 상기 이벤트 관계를 결정하는 단계
를 포함하는 것을 특징으로 하는 이벤트 관계의 생성 방법. - 이벤트 관계의 생성 장치에 있어서
제1 이벤트 문구와 제2 이벤트 문구를 포함하는 이벤트 쌍을 획득하기 위한 획득 모듈;
상기 제1 이벤트 문구에 근거하여 제1 입도 워드 시퀀스 벡터와 제2 입도 워드 시퀀스 벡터를 생성하고 상기 제2 이벤트 문구에 근거하여 제3 입도 워드 시퀀스 벡터와 제4 입도 워드 시퀀스 벡터를 생성하기 위한 제1 생성 모듈;
상기 제1 입도 워드 시퀀스 벡터와 상기 제2 입도 워드 시퀀스 벡터에 근거하여 제1 퓨전 벡터를 생성하고 상기 제3 입도 워드 시퀀스 벡터와 상기 제4 입도 워드 시퀀스 벡터에 근거하여 제2 퓨전 벡터를 생성하기 위한 제2 생성 모듈; 및
상기 제1 퓨전 벡터와 상기 제2 퓨전 벡터에 근거하여 상기 제1 이벤트와 상기 제2 이벤트 사이의 이벤트 관계를 결정하기 위한 결정 모듈
을 포함하는 것을 특징으로 하는 이벤트 관계의 생성 장치. - 제7항에 있어서,
상기 제1 생성 모듈은 구체적으로,
상기 제1 이벤트 문구에 대해 문법 순서에 따라 이벤트 추출을 진행하여 상기 제1 입도 워드 시퀀스를 생성하고 상기 제1 입도 워드 시퀀스에 대해 벡터 변환을 진행하여 상기 제1 입도 워드 시퀀스 벡터를 생성하며; 및
상기 제1 이벤트 문구에 대해 이벤트 논항에 따라 이벤트 추출을 진행하여 상기 제2 입도 워드 시퀀스를 생성하고 상기 제2 입도 워드 시퀀스에 대해 벡터 변환을 진행하여 상기 제2 입도 워드 시퀀스 벡터를 생성하기 위한 것임
을 특징으로 하는 이벤트 관계의 생성 장치. - 제7항에 있어서,
상기 제1 생성 모듈은 또한,
상기 제2 이벤트 문구에 대해 문법 순서에 따라 이벤트 추출을 진행하여 상기 제3 입도 워드 시퀀스를 생성하고 상기 제3 입도 워드 시퀀스에 대해 벡터 변환을 진행하여 상기 제3 입도 워드 시퀀스 벡터를 생성하며; 및
상기 제2 이벤트 문구에 대해 이벤트 논항에 따라 이벤트 추출을 진행하여 상기 제4 입도 워드 시퀀스를 생성하고 상기 제4 입도 워드 시퀀스에 대해 벡터 변환을 진행하여 상기 제4 입도 워드 시퀀스 벡터를 생성하기 위한 것임
을 특징으로 하는 이벤트 관계의 생성 장치. - 제7항에 있어서,
상기 제2 생성 모듈은 구체적으로,
상기 제1 입도 워드 시퀀스 벡터와 상기 제2 입도 워드 시퀀스 벡터에 근거하여 상기 제1 이벤트 문구의 특징 벡터를 생성하고;
각 이벤트 문구 및 상이한 이벤트 문구를 연결하는 가장자리가 포함되는 이벤트 관계도를 획득하되, 상기 상이한 이벤트 문구를 연결하는 가장자리는 연결된 상이한 이벤트 문구 사이에 이벤트 관계가 존재하도록 지시하기 위한 것이며;
상기 이벤트 관계도에 근거하여 상기 제1 이벤트 문구와 가장자리를 통해 연결된 타겟 이벤트 문구를 결정하고; 및
상기 제1 이벤트 문구의 특징 벡터와 상기 타겟 이벤트 문구의 특징 벡터를 그래프 학습 모델에 입력하여 상기 제1 이벤트 문구의 제1 퓨전 벡터를 획득하기 위한 것임
을 특징으로 하는 이벤트 관계의 생성 장치. - 제7항에 있어서,
상기 제2 생성 모듈은 구체적으로 또한,
상기 제3 입도 워드 시퀀스 벡터와 상기 제4 입도 워드 시퀀스 벡터에 근거하여 상기 제2 이벤트 문구의 특징 벡터를 생성하고;
각 이벤트 문구 및 상이한 이벤트 문구를 연결하는 가장자리가 포함되는 이벤트 관계도를 획득하되, 상기 상이한 이벤트 문구를 연결하는 가장자리는 연결된 상이한 이벤트 문구 사이에 이벤트 관계가 존재하도록 지시하기 위한 것이며;
상기 이벤트 관계도에 근거하여 상기 제2 이벤트 문구와 가장자리를 통해 연결된 타겟 이벤트 문구를 결정하고; 및
상기 제2 이벤트 문구의 특징 벡터와 상기 타겟 이벤트 문구의 특징 벡터를 그래프 학습 모델에 입력하여 상기 제2 이벤트 문구의 제2 퓨전 벡터를 획득하기 위한 것임
을 특징으로 하는 이벤트 관계의 생성 장치. - 제7항에 있어서,
상기 결정 모듈은,
상기 제1 퓨전 벡터와 상기 제2 퓨전 벡터를 접합하여 제3 퓨전 벡터를 생성하고; 및
상기 제3 퓨전 벡터에 근거하여 상기 이벤트 관계를 결정하기 위한 것임
을 특징으로 하는 이벤트 관계의 생성 장치. - 적어도 하나의 프로세서; 및
상기 적어도 하나의 프로세서와 통신 연결하는 메모리
를 포함하는 전자 기기에 있어서,
상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되어 있고, 상기 명령이 상기 적어도 하나의 프로세서에 의해 실행되어 상기 적어도 하나의 프로세서로 하여금 제1항 내지 제6항 중 어느 한 항의 이벤트 관계의 생성 방법을 실행하도록 하는 것을 특징으로 하는 전자 기기. - 컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 저장 매체에 있어서,
상기 컴퓨터 명령은 상기 컴퓨터로 하여금 제1항 내지 제6항 중 어느 한 항의 이벤트 관계의 생성 방법을 실행하도록 하는 것을 특징으로 하는 컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 저장 매체. - 컴퓨터 판독 가능 저장 매체에 저장되어 있는 컴퓨터 프로그램에 있어서,
상기 컴퓨터 프로그램 중의 명령이 실행될 경우, 제1항 내지 제6항 중 어느 한 항의 이벤트 관계의 생성 방법이 실행되는 것을 특징으로 하는 컴퓨터 판독 가능 저장 매체에 저장되어 있는 컴퓨터 프로그램.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010616899.5A CN111967256B (zh) | 2020-06-30 | 2020-06-30 | 事件关系的生成方法、装置、电子设备和存储介质 |
CN202010616899.5 | 2020-06-30 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20220002050A true KR20220002050A (ko) | 2022-01-06 |
Family
ID=73361113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200182992A KR20220002050A (ko) | 2020-06-30 | 2020-12-24 | 이벤트 관계의 생성 방법, 장치, 전자 기기 및 저장 매체 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11573992B2 (ko) |
EP (1) | EP3933659A1 (ko) |
JP (1) | JP7264866B2 (ko) |
KR (1) | KR20220002050A (ko) |
CN (1) | CN111967256B (ko) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112562808B (zh) * | 2020-12-11 | 2024-01-19 | 北京百度网讯科技有限公司 | 患者画像的生成方法、装置、电子设备及存储介质 |
US11544122B2 (en) * | 2020-12-29 | 2023-01-03 | Atlassian Pty Ltd. | Systems and methods for identifying similar electronic content items |
CN113761337B (zh) * | 2020-12-31 | 2023-10-27 | 国家计算机网络与信息安全管理中心 | 基于事件隐式要素与显式联系的事件预测方法和装置 |
CN112819164B (zh) * | 2021-02-02 | 2024-05-24 | 京东科技信息技术有限公司 | 事理图谱的推理方法、装置及计算机设备 |
CN113312490B (zh) * | 2021-04-28 | 2023-04-18 | 乐山师范学院 | 一种针对突发事件的事件知识图谱构建方法 |
CN113254628A (zh) * | 2021-05-18 | 2021-08-13 | 北京中科智加科技有限公司 | 事件关系的确定方法和装置 |
CN114936559B (zh) * | 2022-01-05 | 2023-04-07 | 华能贵诚信托有限公司 | 一种基于多模型融合的多级事件抽取方法和抽取*** |
CN114860886B (zh) * | 2022-05-25 | 2023-07-18 | 北京百度网讯科技有限公司 | 生成关系图的方法和确定匹配关系的方法、装置 |
CN117094397B (zh) * | 2023-10-19 | 2024-02-06 | 北京大数据先进技术研究院 | 一种基于短论元的细粒度事件信息抽取方法、装置和产品 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6291443B2 (ja) | 2015-03-12 | 2018-03-14 | 日本電信電話株式会社 | 接続関係推定装置、方法、及びプログラム |
WO2017149559A1 (en) * | 2016-02-29 | 2017-09-08 | Nec Corporation | An information processing system, an information processing method and a computer readable storage medium |
US11042796B2 (en) * | 2016-11-03 | 2021-06-22 | Salesforce.Com, Inc. | Training a joint many-task neural network model using successive regularization |
CN107783960B (zh) * | 2017-10-23 | 2021-07-23 | 百度在线网络技术(北京)有限公司 | 用于抽取信息的方法、装置和设备 |
CN110209807A (zh) * | 2018-07-03 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 一种事件识别的方法、模型训练的方法、设备及存储介质 |
CN109726293B (zh) * | 2018-11-14 | 2020-12-01 | 数据地平线(广州)科技有限公司 | 一种因果事件图谱构建方法、***、装置及存储介质 |
CN110597994A (zh) * | 2019-09-17 | 2019-12-20 | 北京百度网讯科技有限公司 | 事件元素识别方法和装置 |
CN111143576A (zh) * | 2019-12-18 | 2020-05-12 | 中科院计算技术研究所大数据研究院 | 一种面向事件的动态知识图谱构建方法和装置 |
CN111160027A (zh) | 2019-12-23 | 2020-05-15 | 杭州电子科技大学 | 基于语义注意力的循环神经网络事件时序关系识别方法 |
-
2020
- 2020-06-30 CN CN202010616899.5A patent/CN111967256B/zh active Active
- 2020-11-27 US US17/105,707 patent/US11573992B2/en active Active
- 2020-12-03 EP EP20211583.8A patent/EP3933659A1/en not_active Withdrawn
- 2020-12-24 KR KR1020200182992A patent/KR20220002050A/ko not_active Application Discontinuation
- 2020-12-25 JP JP2020217633A patent/JP7264866B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
US11573992B2 (en) | 2023-02-07 |
EP3933659A1 (en) | 2022-01-05 |
CN111967256A (zh) | 2020-11-20 |
JP7264866B2 (ja) | 2023-04-25 |
US20210406295A1 (en) | 2021-12-30 |
JP2022013600A (ja) | 2022-01-18 |
CN111967256B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102577512B1 (ko) | 텍스트 내의 이벤트 추출 방법, 장치, 전자 기기, 및 저장 매체 | |
KR20220002050A (ko) | 이벤트 관계의 생성 방법, 장치, 전자 기기 및 저장 매체 | |
EP3923160A1 (en) | Method, apparatus, device and storage medium for training model | |
US11663258B2 (en) | Method and apparatus for processing dataset | |
US11847164B2 (en) | Method, electronic device and storage medium for generating information | |
KR20210038449A (ko) | 문답 처리, 언어 모델 훈련 방법, 장치, 기기 및 저장 매체 | |
US20210334669A1 (en) | Method, apparatus, device and storage medium for constructing knowledge graph | |
CN111259671B (zh) | 文本实体的语义描述处理方法、装置及设备 | |
JP2022018095A (ja) | マルチモーダル事前訓練モデル取得方法、装置、電子デバイス及び記憶媒体 | |
EP3822842A2 (en) | Method and apparatus for generating semantic representation model, electronic device, and storage medium | |
US20210200813A1 (en) | Human-machine interaction method, electronic device, and storage medium | |
KR102521765B1 (ko) | 인과 관계의 판별 방법, 장치, 전자 기기 및 저장 매체 | |
KR20210092142A (ko) | 텍스트 주제 생성 방법, 장치 및 전자기기 | |
CN111507355B (zh) | 一种字符识别方法、装置、设备和存储介质 | |
US20220092252A1 (en) | Method for generating summary, electronic device and storage medium thereof | |
US11216615B2 (en) | Method, device and storage medium for predicting punctuation in text | |
KR20210157342A (ko) | 언어 모델의 훈련 방법, 장치, 전자 기기 및 판독 가능 기록 매체 | |
CN111241819A (zh) | 词向量生成方法、装置及电子设备 | |
US20210209482A1 (en) | Method and apparatus for verifying accuracy of judgment result, electronic device and medium | |
EP3822815A1 (en) | Method and apparatus for mining entity relationship, electronic device, storage medium, and computer program product | |
US20220300763A1 (en) | Method, apparatus, electronic device and storage medium for training semantic similarity model | |
US20220215180A1 (en) | Method for generating dialogue, electronic device, and storage medium | |
CN112329429B (zh) | 文本相似度学习方法、装置、设备以及存储介质 | |
CN111858880B (zh) | 获取查询结果的方法、装置、电子设备和可读存储介质 | |
CN112487815B (zh) | 核心实体抽取方法、装置以及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E90F | Notification of reason for final refusal | ||
E601 | Decision to refuse application |