1.一种基于模板桥接的机器阅读理解事件抽取方法，其特征在于，步骤包括：步骤S01.触发词问题生成：获取输入文本以及触发词问题提示模板并进行组合，形成带有触发词问题提示模板的输入实例；步骤S02.事件检测：对带有触发词提示问题的输入实例进行语法分析，形成用于描述输入实例中单词之间关系的邻接图,根据邻接图将输入文本与触发词问题提示模板进行连接操作得到链接图，以将问题与上下文进行桥接，重新构建形成问题和文本之间的关系，再根据链接图从输入实例中提取出全局特征；将所述全局特征以及输入实例的语义特征进行融合后，识别出触发词以及触发词类型；步骤S03.论元问题生成：根据识别出的触发词以及触发词类型生成论元问题提示模板，将所述论元问题提示模板与输入文本进行组合形成带有论元问题提示模板的输入实例；步骤S04.论元提取：对所述带有论元问题提示模板的输入实例进行论元提取，得到论元以及论元类型输出。
2.根据权利要求1所述的模板桥接的机器阅读理解事件抽取方法，其特征在于，步骤S02中将输入文本以及所述触发词问题提示模板进行连接操作时，将输入文本的各单词与所述触发词提示问题的单词嵌入之间的关系转换为邻接矩阵A n×n ，其中，n是输入实例QA中的单词数，邻接矩阵A n×n 中的矩阵元素为 其中，v i 、 vj 分别是输入实例QA中第i个单词i、第j个单词,E包括poss、nsubj、dobj、prompt和其他关系，poss表示占有修饰词是所有格限定词，nsubj表示名词性主语，dobj表示直接宾语，prompt表示对事件抽取任务的提示问题模板。
3.根据权利要求1所述的模板桥接的机器阅读理解事件抽取方法，其特征在于，步骤S02中，采用GCN从输入实例中提取出全局特征，其中在进行节点信息更新时采用如下公式：其中， 表示第l+1层节点v的表征， 表示优化后第l+1层节点v的表征，l表示图神经网络的层数，v表示节点，即单词，V表示节点的集合， I为单位矩阵， 是A的度矩阵,A为输入实例中单词与触发词提示问题的单词嵌入之间的关系转换得到的邻接矩阵，D ii ＝∑ j A ij ，d表示提示问题模板的长度,W (l) 表示第l层的权重矩阵， 表示第l+1层包含关于提示问题模板的总体信息，ReLU表示激活函数，[CLS]表示所述信息汇集节点，g()表示特征变换函数。
4.根据权利要求3所述的模板桥接的机器阅读理解事件抽取方法，其特征在于，所述采用GCN从输入实例中提取出全局特征时还包括使用门控机制按照下式过滤掉干扰项：其中，g(h v )表示门控函数， 表示节点v的归一化表示，n代表输入实例的长度，α和∈分别为可训练的参数， 表示v的所有邻居节点表示的平方根，h u 表示v的邻居节点的表示，u表示v的邻居节点，N(v)表示v的所有邻居节点的集合。
5.根据权利要求1所述的模板桥接的机器阅读理解事件抽取方法，其特征在于，步骤S02中，通过注意力机制将所述全局特征以及输入实例的语义特征进行融合，计算表达式为：CrossAttention(S,G)＝γAttention S +λAttention G其中， 表示经过线性变换的语义特征， 表示全局特征，M是句子中的单词数，d k 表示词嵌入的维度,CrossAttention(S,G)表示特征Q S 和K G 的融合特征，γ、λ表示权重系数；触发词识别过程中按照如下公式预测识别出触发词：output trigger ＝max(a p1 ,a p2 ,…,a pn )其中，a pi 表示第i个单词w i 是触发词的概率，n代表输入实例的长度， 是可训练参数，H是a i 的维度，N是触发词的类型数,output trigger 表示预测识别出的触发词。
6.根据权利要求1～5中任意一项所述的模板桥接的机器阅读理解事件抽取方法，其特征在于，步骤S04包括：步骤S401.EAE表示：获取输入实例的语义特征E A 以及输入实例中每个单词的POE特征，所述POE特征用于表示单词是否为触发词；步骤S402.特征融合：将输入实例的语义特征E A 与所述每个单词的POE特征进行融合，得到关键词特征E C ，分别使用所述语义特征E A 、POE特征以及关键词特征E C 得到事件论元提取的表示；步骤S403.论元预测识别：根据所述事件论元提取的表示预测识别出论文以及论元类型。
7.根据权利要求6所述的模板桥接的机器阅读理解事件抽取方法，其特征在于，步骤S402中，按照下式得到所述关键词特征E C ：E C ＝α⊙Relu(multiply(E A ,T A ))+β⊙E A其中，α、β表示可学习参数，multiply表示乘法运算；所述事件论元提取的表示为：其中， 表示不同类型数据的拼接，nor表示归一化操作，n表示输入实例的长度。
8.根据权利要求6所述的模板桥接的机器阅读理解事件抽取方法，其特征在于，步骤S403中，按照下式进行论元预测识别：P S (w i )＝softmax(f i W s )P E (w i )＝sofmtax(f i W e )其中，P S (w i )和P E (w i )表示第i个单词w i 作为论元开始和结束的概率， 和 是可训练参数；论元a的跨度包括起始偏移量S a 和结束偏移量E a ，所述起始偏移量S a 和结束偏移量E a 满足以下规则：0≤S a ≤n和0≤E a ≤n；E a -S a ≥0；P S (S a )≥threshold≥max(P S ([CLS]),P S ([SEP]))P E (E a )≥threshold≥max(P E ([CLS]),P E ([SEP]))；以及E a 和S a 属于论元a，并且不能属于其他论元。
9.一种基于模板桥接的机器阅读理解事件抽取装置，其特征在于，包括：触发词问题生成模块，用于获取输入文本以及触发词问题提示模板并进行组合，形成带有触发词问题提示模板的输入实例；事件检测模块，用于对带有触发词提示问题的输入实例进行语法分析，形成用于描述输入实例中单词之间关系的邻接图,根据邻接图将输入文本与触发词问题提示模板进行连接操作得到链接图，以将问题与上下文进行桥接，重新构建形成问题和文本之间的关系，再根据链接图从输入实例中提取出全局特征；将所述全局特征以及输入实例的语义特征进行融合后，识别出触发词以及触发词类型；论元问题生成模块，用于根据识别出的触发词以及触发词类型生成论元问题提示模板，将所述论元问题提示模板与输入文本进行组合形成带有论元问题提示模板的输入实例；论元提取模块，用于对所述带有论元问题提示模板的输入实例进行论元提取，得到论元以及论元类型输出。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～8中任意一项所述的方法。
