一种事件共指消解方法、装置、计算机设备和存储介质

1.一种事件共指消解方法，其特征在于，所述方法包括：获取待进行事件共指消解的训练数据集；将所述训练数据集输入事件共指消解模型；所述事件共指消解模型包括事件抽取组件、提及编码器组件、共指得分器组件和事件共指链重构模块；所述事件抽取组件用于根据所述训练数据集中的文档数据得到多个事件提及；每个所述事件提及中包括事件的触发词、论元和事件子类型；所述论元被划分为施事者、受事者、时间、地点和其他共五种角色；所述提及编码器组件用于根据所述事件提及和对应文档的词元数据得到任一事件提及的触发词表示和论元角色的论元表示；其中所述论元表示中包括论元置信分数；进一步得到任意两个事件提及的触发词对表示和论元对表示，通过门控过滤机制，根据所述触发词对表示对所述论元对表示进行过滤，得到过滤后的论元对表示，进而根据所述触发词对表示和过滤后的论元对表示得到任意两个事件提及的提及对表示；所述共指得分器组件用于根据所述提及对表示得到任意两个事件提及的共指得分；所述事件共指链重构模块用于根据所述共指得分得到所述训练数据集中对应文档的初始事件共指链，通过计算所述初始事件共指链中单链与其他事件链的共指得分对所述单链进行验证，通过计算所述初始事件共指链中长链中的任一事件提及与所述长链中其他事件提及的共指得分，对所述长链进行验证，进而对所述初始事件共指链进行重构，得到预测的最终事件共指链；通过所述训练数据集和所述预测的最终事件共指链对所述事件共指消解模型进行训练，得到训练好的事件共指消解模型；将待进行事件共指消解的文档数据输入所述训练好的事件共指消解模型，得到所述文档数据对应的最终事件共指链。 2.根据权利要求1所述的方法，其特征在于，根据所述事件提及和对应文档的词元数据得到任一事件提及的触发词表示和论元角色的论元表示，包括：获取所述事件抽取组件输出的k个事件提及{m 1 ,m 2 ,…,m k }和对应文档的n个词元数据；通过transformer编码器为每个输入词元形成上下文表示为X＝(X1,X2,…,Xn)；其中， d表示每个词元编码后的向量维度；对于每个事件提及m i ，所述事件提及m i 的触发词表示t i 被定义为其词元嵌入的平均值：其中，s i 和e i 分别表示触发词的开始和结束索引；所述事件提及m i 对应角色r的论元表示为：其中，r∈{agent,patient,time,place,other}，agent,patient,time,place,other分别为施事者、受事者、时间、地点和其他共五种论元角色， 是提及m i 对应角色r的第l个论元的表示， 和 分别表示第l个论元的开始和结束索引，c表示第l个论元的置信分数，u表示m i 对应角色r的论元个数；当m i 对应角色r的论元缺省或不存在，使用d维0向量表示。 3.根据权利要求2所述的方法，其特征在于，进一步得到任意两个事件提及的触发词对表示和论元对表示，包括：给定两个事件提及m i 和m j ，分别定义触发词对表示和对应角色r的论元对表示为：其中，FFNN t 是一个 的标准前馈神经网络， 编码m i 和m j 的元素级相似性。 4.根据权利要求3所述的方法，其特征在于，通过门控过滤机制，根据所述触发词对表示对所述论元对表示进行过滤，得到过滤后的论元对表示，包括：根据所述触发词对表示t ij 对所述论元对表示 进行正交分解，得到所述论元对表示 的正交分量 和平行分量 分别为：定义所述正交分量 和所述平行分量 的权重系数分别为：ω p ＝1-ω o其中，ω o 和ω p 分别是所述正交分量 和所述平行分量 的权重系数，FFNN p 是一个 的前馈神经网络，σ是sigmoid激活函数；通过门控过滤机制，得到过滤后的论元对表示： 。 5.根据权利要求4所述的方法，其特征在于，根据所述触发词对表示和过滤后的论元对表示得到任意两个事件提及的提及对表示，包括：根据所述触发词对表示和过滤后的论元对表示得到任意两个事件提及的提及对表示f ij 为： 6.根据权利要求5所述的方法，其特征在于，根据所述提及对表示得到任意两个事件提及的共指得分，包括：根据所述提及对表示f ij 得到任意两个事件提及的共指得分s(i,j)为：s(i,j)＝FFNN a (f ij )其中，FFNN a 是 的前馈神经网络。 7.根据权利要求6所述的方法，其特征在于，根据所述共指得分得到所述训练数据集中对应文档的初始事件共指链，通过计算所述初始事件共指链中单链与其他事件提及的共指得分对所述单链进行验证，通过计算所述初始事件共指链中长链中的任一事件提及与所述长链中其他事件提及的共指得分，对所述长链进行验证，进而对所述初始事件共指链进行重构，得到预测的最终事件共指链，包括：根据所述共指得分得到所述训练数据集中对应文档的初始事件共指链C 1 ＝{c 1 ,c 2 ,…,c l }；对每个单链c i (c i ∈C＝{c 1 ,c 2 ,…,c l })，计算其与其他事件链c j (c j ∈C-{c i })的共指得分，如果c i 和c j 的得分最高且大于阈值ω 1 ，合并c i 和c j 并更新事件共指链；对于每个长度大于2的长链c，依次计算链中每个事件提及m和c-{m}的得分，如果得分小于阈值ω 2 ，则将m移出c并将m作为一个单链更新事件共指链；完成对所述初始事件共指链的重构，得到预测的最终事件共指链。 8.一种事件共指消解装置，其特征在于，所述装置包括：训练数据集获取模块，用于获取待进行事件共指消解的训练数据集；训练数据输入模块，用于将所述训练数据集输入事件共指消解模型；所述事件共指消解模型包括事件抽取组件、提及编码器组件、共指得分器组件和事件共指链重构模块；所述事件抽取组件用于根据所述训练数据集中的文档数据得到多个事件提及；每个所述事件提及中包括事件的触发词、论元和事件子类型；所述论元被划分为施事者、受事者、时间、地点和其他共五种角色；所述提及编码器组件用于根据所述事件提及和对应文档的词元数据得到任一事件提及的触发词表示和论元角色的论元表示；其中所述论元表示中包括论元置信分数；进一步得到任意两个事件提及的触发词对表示和论元对表示，通过门控过滤机制，根据所述触发词对表示对所述论元对表示进行过滤，得到过滤后的论元对表示，进而根据所述触发词对表示和过滤后的论元对表示得到任意两个事件提及的提及对表示；所述共指得分器组件用于根据所述提及对表示得到任意两个事件提及的共指得分；所述事件共指链重构模块用于根据所述共指得分得到所述训练数据集中对应文档的初始事件共指链，通过计算所述初始事件共指链中单链与其他事件链的共指得分对所述单链进行验证，通过计算所述初始事件共指链中长链中的任一事件提及与所述长链中其他事件提及的共指得分，对所述长链进行验证，进而对所述初始事件共指链进行重构，得到预测的最终事件共指链；模型训练模块，用于通过所述训练数据集和所述预测的最终事件共指链对所述事件共指消解模型进行训练，得到训练好的事件共指消解模型；模型应用模块，用于将待进行事件共指消解的文档数据输入所述训练好的事件共指消解模型，得到所述文档数据对应的最终事件共指链。 9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。 10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。