一种面向事件检测数据长尾问题的模型损失优化方法及系统

1.一种面向事件检测数据长尾问题的模型损失优化方法，其特征在于，所述方法包括：获取基础模型，所述基础模型为BERT-BiLSTM-CRF模型；构建所述基础模型的优化损失函数；将所述优化损失函数作为所述基础模型的训练参数，对所述基础模型进行训练，获得训练后的模型；利用训练后的模型对输入的数据进行事件检测；其中，所述基础模型的优化损失函数为：其中， 表示基础模型的优化损失函数， 表示BERT-BiLSTM-CRF模型的原有损失函数， 表示用于缓解事件类别长尾分布的损失函数，其计算式为：其中， 表示总事件类别数， 表示真实标签序列中的第i个值， ， 表示响应值序列中的第j个值的归一化计算， 表示响应值序列中的第k个值的归一化计算， 表示事件类别 k 的权重； 表示用于缓解有类别标注数据稀疏的损失函数，其计算式为：其中， 表示权重因子， 表示调节因子， 表示概率预测分布中第j个值。 2.根据权利要求1所述的面向事件检测数据长尾问题的模型损失优化方法，其特征在于，所述BERT-BiLSTM-CRF模型的原有损失函数为：其中， 表示由输入序列经模型编码计算得到输出序列的期望分数， 表示输入的词序列， 表示该输入对应的标签序列， 表示对应与该输入序列的概率预测序列。 3.根据权利要求1所述的面向事件检测数据长尾问题的模型损失优化方法，其特征在于，事件类别 k 的权重的计算式为：其中， 表示调节因子， 表示数据集中事件类别 k 的频率， 是一个阈值函数，当 时输出为1，否则为0， 用于从数据集类别中区分尾部类别和非尾部类别； 表示真实标签序列中的第k个值。 4.根据权利要求3所述的面向事件检测数据长尾问题的模型损失优化方法，其特征在于，数据集中事件类别 k 的频率的计算式为：其中， 表示类别i的频数， 表示类别i的频数。 5.根据权利要求3所述的面向事件检测数据长尾问题的模型损失优化方法，其特征在于，所述BERT-BiLSTM-CRF模型包括BERT模型、BiLSTM模型和CRF模型：所述BERT模型为嵌入层，用于获取文本对应的向量；所述BiLSTM模型为序列标注层，用于保存长距离的语义信息；所述CRF模型为分类层，用于考虑前一个字符和后一个字符对当前字符的影响。 6.根据权利要求5所述的面向事件检测数据长尾问题的模型损失优化方法，其特征在于，所述BERT模型通过如下计算式获取词嵌入表示向量：其中， 表示词嵌入表示向量， ，表示输入的词序列，即单个句子。 7.根据权利要求5所述的面向事件检测数据长尾问题的模型损失优化方法，其特征在于，所述BiLSTM模型通过如下计算式获取过去和未来的特征信息：其中， 为BiLSTM模型中的前向LSTM表示， 为BiLSTM模型中的后向LSTM表示；其中， 表示 的词嵌入表示向量。 8.一种面向事件检测数据长尾问题的模型损失优化系统，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，执行权利要求1至7任一项所述方法的步骤。