(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210927689.7 (22)申请日 2022.08.03 (71)申请人 北京信息科技大 学 地址 100192 北京市海淀区清河小营东路 12号 (72)发明人 安彪　王兴芬　赵刚　 (74)专利代理 机构 北京天方智力知识产权代理 事务所(普通 合伙) 11719 专利代理师 路远 (51)Int.Cl. G06F 16/33(2019.01) G06F 16/36(2019.01) G06F 40/194(2020.01) G06F 40/247(2020.01) G06N 5/04(2006.01) (54)发明名称 一种基于语句相似度的事件图谱构造推理 方法及装置 (57)摘要 本发明提供一种基于语句相似度的事件图 谱构造推理方法及装置。 所述方法包括： 从原始 文本中抽取因果关系和事件描述， 构造初始事件 图谱； 计算初始事件图谱中节 点即事件描述之间 的相似度， 将相似度大于设定阈值的有因果关系 的事件合并为一个事件簇， 得到事件簇图谱； 将 事件描述输入事件簇图谱， 确定与所述事件描述 相似度最大的事件所在的事件簇， 返回与所述事 件簇有直接因果关系的部分事件簇图谱， 并计算 相关的因果事件概率。 本发明基于相似度计算将 事件合并为事件簇代替事件作为网络结构中的 节点， 简化了网络结构， 提升了查找原因与结果 的效率。 权利要求书3页 说明书8页 附图1页 CN 115269780 A 2022.11.01 CN 115269780 A 1.一种基于语句 相似度的事 件图谱构造推理方法， 其特 征在于， 包括以下步骤： 从原始文本 中抽取因果关系和事件描述， 构造以事件描述为节点以事件 间对应的因果 关系为边的初始事 件图谱； 计算初始事件图谱中节点即事件描述之间的相似度， 将相似度 大于设定阈值的有因果 关系的事 件合并为 一个事件簇， 计算事 件簇的概 率， 得到事 件簇图谱； 将事件描述输入事件簇 图谱， 确定与所述事件描述相似度最大的事件所在的事件簇， 返回与所述事 件簇有直接因果关系的部分事 件簇图谱， 并计算相关的因果事 件概率。 2.根据权利要求1所述的基于语句相似度的事件图谱构造推理方法， 其特征在于， 因果 关系和事 件描述的抽取 方法包括： 基于原始文本中包含集合C中的因果提示词的句子， 构造初始句子集合S， 集合C为中文 中表示因果含义的因果 提示词的集 合； 将集合S中包含1个因果提示词的句子记为S1， 将S1中因果提示词在句首、 句中和句尾的 句子分别记为S1F、 S1M和S1L； 按照提示词的常用方法， 将S1F中因果提示词所属的句子部分作为原因事件描述， 将S1L 中因果提示词所属的句子部分作为结果事件描述， 将S1M中因果提示词前、 后的两部分句子 分别作为原因事件描述和结果事件描述； 构建由所有原因事件组成的集合SC和由所有结果 事件组成的集 合SR， 并记录SC和SR之间句子的因果关系。 3.根据权利要求1所述的基于语句相似度的事件图谱构造推理方法， 其特征在于， 句子 相似度的计算法包括： 将句子S1、 S2表示为向量V1、 V2； 计算V1、 V2的余弦相似度Simcos； 提取S1、 S2中的名词N1、 N2， 统计N1、 N2中相同词语的数量nsame， 按(1)式计算S1、 S2的名词 相同度Same： Same＝nsame/(n1+n2‑nsame)                       (1) 式中， n1、 n2分别为N1、 N2中包含词语的数量； 统计N1、 N2中同义词的对数nsim， 按(2)式计算S1、 S2的名词同义度Simnoun： Simnoun＝nsim/(n1×n2)                          (2) 按(3)式计算S1、 S2的相似度Sim： Sim＝α×Simcos+β×Same+γ×Simnoun                (3) 式中， α、 β、 γ为加权系数， 且α +β +γ＝1； Sim的取值在0～1之间， Sim＝0表示两句 话完 全不同， Sim＝1表示完全相同。 4.根据权利要求1所述的基于语句相似度的事件图谱构造推理方法， 其特征在于， 如果 返回的部分事件簇图谱中包含环状结构， 删除环状结构中因果关系发生次数最少的因果关 系； 当第1、 2、 …、 N、 1个事 件簇依次具有因果关系时， 所述 N个事件簇构成环状结构， N≥3 。 5.根据权利要求1所述的基于语句相似度的事件图谱构造推理方法， 其特征在于， 所述 计算相关的因果事 件概率， 包括： 若事件簇k和事件簇j之间存在因果关系， 且k为原因、 j为结果， 按(4)式计算事件簇k发 生的前提下事 件簇j发生的后验概 率P(j|k)： P(j|k)＝P(k|j)P(j)/P(k)                        (4)权　利　要　求　书 1/3 页 2 CN 115269780 A 2式中， P(k)＝Ek/EA， P(j)＝Ej/EA， P(k|j)＝Ekj/Ej， Ek、 Ej分别为事件簇k、 j发生的次数， EA 为总事件数， Ekj为事件簇k、 j同时发生的次数； 在利用事件簇图谱进行推理时， 默认输入事件t必定发生， 即P(t)＝1， 根据(4)式计算 结果事件r发生的概 率P(r|t)； 根据(5)、 (6)式计算原因事 件c发生的概 率P(c|t)： 式中， LSc‑t为事件c对事件t的充分性度量， 表示c不发生。 6.一种基于语句 相似度的事 件图谱构造推理装置， 其特 征在于， 包括： 第一图谱构造模块， 用于从原始文本中抽取因果关系和事件描述， 构造以事件描述为 节点以事 件间对应的因果关系为 边的初始事 件图谱； 第二图谱构造模块， 用于计算初始事件图谱中节点即事件描述之间的相似度， 将相似 度大于设定阈值的有因果关系的事件合并为一个事件簇， 计算事件簇的概率， 得到事件簇 图谱； 图谱推理模块， 用于将事件描述输入事件簇 图谱， 确定与所述事件描述相似度最大的 事件所在的事件簇， 返回与所述事件簇有直接因果关系的部分事件簇图谱， 并计算相关的 因果事件概率。 7.根据权利要求6所述的基于语句相似度的事件图谱构造推理装置， 其特征在于， 因果 关系和事 件描述的抽取 方法包括： 基于原始文本中包含集合C中的因果提示词的句子， 构造初始句子集合S， 集合C为中文 中表示因果含义的因果 提示词的集 合； 将集合S中包含1个因果提示词的句子记为S1， 将S1中因果提示词在句首、 句中和句尾的 句子分别记为S1F、 S1M和S1L； 按照提示词的常用方法， 将S1F中因果提示词所属的句子部分作为原因事件描述， 将S1L 中因果提示词所属的句子部分作为结果事件描述， 将S1M中因果提示词前、 后的两部分句子 分别作为原因事件描述和结果事件描述； 构建由所有原因事件组成的集合SC和由所有结果 事件组成的集 合SR， 并记录SC和SR之间句子的因果关系。 8.根据权利要求6所述的基于语句相似度的事件 图谱构造推理装置， 句子相似度的计 算法包括： 将句子S1、 S2表示为向量V1、 V2； 计算V1、 V2的余弦相似度Simcos； 提取S1、 S2中的名词N1、 N2， 统计N1、 N2中相同词语的数量nsame， 按(1)式计算S1、 S2的名词 相同度Same： Same＝nsame/(n1+n2‑nsame)                       (1) 式中， n1、 n2分别为N1、 N2中包含词语的数量； 统计N1、 N2中同义词的对数nsim， 按(2)式计算S1、 S2的名词同义度Simnoun：权　利　要　求　书 2/3 页 3 CN 115269780 A 3