事例检测方法和电子设备

1.一种事例检测方法，其特征在于，包括：获取非结构化文本；利用预先构建的分类敏感学习模型，从所述非结构化文本中检测激发词，并识别所述激发词所属的事例类型；其中，所述分类敏感学习模型属于少样本学习模型；所述分类敏感学习模型是由分类敏感自监督学习框架和分类敏感原型网络通过序列化训练得到的；所述分类敏感自监督学习框架包括至少三个孪生距离网络；所述孪生距离网络包括至少两个第一GCN编码器和至少一个孪生距离函数；所述孪生距离函数表示如下： ,其中，a和b为两个不同的事例实例， 为sigmoid函数， 和 为训练的变量, 为GCN编码器；所述非结构化文本包括支撑集和查询集；所述激发词位于所述查询集；所述分类敏感原型网络，被配置为：使用第二GCN编码器和原型网络根据所述支撑集得到类质中心点嵌入；将标签分类体系输入到庞加莱嵌入，得到标签层次嵌入；其中所述标签分类体系由所述支撑集推断得到；将所述标签分类体系输入到BERT编码器，得到标签语义嵌入；根据所述类质中心点嵌入，所述标签层次嵌入，所述标签语义嵌入和所述标签引用嵌入，使用线性误差零值化方法获得映射矩阵和标签嵌入；在所述查询集上根据所述映射矩阵和所述标签嵌入获得网络损失，并得到所述激发词所属的事例类型；所述分类敏感学习模型是由分类敏感自监督学习框架和分类敏感原型网络通过序列化训练得到的，包括：使用所述支撑集训练所述分类敏感自监督学习框架，通过反向传播算法获得更新后的所述第一GCN编码器的参数；根据所述更新后的所述第一GCN编码器的参数初始化所述第二GCN编码器的参数，在所述查询集上通过反向传播算法训练所述分类敏感原型网络，更新所述第二GCN编码器的参数。 2.根据权利要求1所述的事例检测方法，其特征在于，所述分类敏感自监督学习框架的损失函数为：其中， 、 和 为超参数， 为锚实例， 为同构子事例实例， 为同构事例实例， 为异构事例实例。 3.根据权利要求1所述的事例检测方法，其特征在于，所述将标签分类体系输入到庞加莱嵌入，得到标签层次嵌入，包括：将所述标签分类体系映射到黎曼流形；根据所述标签分类体系中的标签对在所述黎曼流形中的距离，对所述标签对进行分类，得到正标签对集和负标签对集；根据所述正标签对集和所述负标签对集得到所述标签层次嵌入。 4.根据权利要求3所述的事例检测方法，其特征在于，所述根据所述正标签对集和所述负标签对集得到所述标签层次嵌入，计算公式为： ，其中， 为在黎曼流形 中的两个标签点 v 和 u 的黎曼距离， 为在黎曼流形 中的两个标签点 和 的黎曼距离， 为所述正标签对集， ， 为所述负标签对集， ， 为所述标签层次嵌入， ， 为子事例标签， 为父母事例标签， root 为根节点。 5.根据权利要求1所述的事例检测方法，其特征在于，所述根据所述类质中心点嵌入，所述标签层次嵌入，所述标签语义嵌入和所述标签引用嵌入，使用线性误差零值化方法获得映射矩阵和标签嵌入，包括：将所述标签层次嵌入，所述标签语义嵌入和所述标签引用嵌入分别加权后结合，得到强化引用嵌入：使用所述线性误差零值化方法对齐所述强化引用嵌入和所述类质中心点嵌入，得到映射矩阵；结合所述类质中心点嵌入和所述强化引用嵌入，得到标签嵌入。 6.根据权利要求5所述的事例检测方法，其特征在于，所述分类敏感原型网络的网络损失计算公式为： ，其中， 是所述查询集中实例的数目，所述查询集为由句子 、激发词 和事例标签 组成的三元组 ， 为所述事例标签 对应的标签嵌入， 为负嵌入集。 7.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现根据权利要求1至6中任意一项所述的方法。