(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 202210442385.1 (22)申请日 2022.04.25 (71)申请人 润联软件系统 （深圳） 有限公司 地址 518000 广东省深圳市福田区梅林街 道梅都社区中康路136号深圳新一代 产业园2栋801 (72)发明人 王伟　张黔　陈焕坤　郑毅　 (74)专利代理 机构 深圳市世联合知识产权代理 有限公司 4 4385 专利代理师 杨晖琼 (51)Int.Cl. G06F 16/335(2019.01) G06F 16/31(2019.01) G06F 40/211(2020.01) G06F 40/216(2020.01)G06F 40/253(2020.01) G06F 40/284(2020.01) G06F 40/295(2020.01) G06F 40/30(2020.01) G06N 3/04(2006.01) G06F 16/35(2019.01) (54)发明名称 基于图神经网络的事件消歧方法及其相关 设备 (57)摘要 本申请实施例属于计算机领域， 涉及一种基 于图神经网络的事件消歧方法及其相关设备， 包 括： 对事件语料进行分词操作、 命名实体识别操 作和事件抽取操作， 获得词语、 实体和事件元素； 计算第一交互系数、 第二交互系数、 第三交互系 数和第四交互系数， 以生成初始向量， 对初始向 量归一化， 获得目标向量； 目标向量组成目标连 接图的邻接矩阵， 基于邻接矩阵生成目标矩阵； 基于目标矩阵构建多层卷积神经网络， 将目标连 接图中的节 点转化为节点特征矩阵， 将节点特征 矩阵输入至多层卷积神经网络中， 获得图特征向 量； 计算图特征向量的平均值， 获得事件特征向 量； 将事件特征向量输入至二分类神经网络， 获 得二分类结果。 本申请提高了消歧的准确率。 权利要求书2页 说明书12页 附图4页 CN 115062136 A 2022.09.16 CN 115062136 A 1.一种基于图神经网络的事 件消歧方法， 其特 征在于， 包括下述 步骤： 接收事件语料， 对所述事件语料分别进行分词操作、 命名实体识别操作和事件抽取操 作， 分别获得多个词语、 多个实体和多个事 件元素； 基于所述词语、 实体和事件元素计算第一交互系数、 第 二交互系数、 第 三交互系数和第 四交互系数； 根据所述第一交互系数、 第 二交互系数、 第三交互系数和第四交互系数生成初始向量， 并对所述初始向量进行归一 化处理， 获得目标向量； 基于所述词语、 所述实体和所述事件元素构建目标连接 图， 所有所述目标向量组成所 述目标连接图的邻接矩阵， 基于所述邻接矩阵生成目标矩阵； 基于所述目标矩阵构建多层卷积神经网络， 将所述目标连接图中的节点转化为节点特 征矩阵， 将所述节点特征矩阵输入至所述多层卷积神经网络中， 获得输出 的所述目标连接 图中每个节点的图特 征向量； 计算每条所述事件语料中的事件元素对应的图特征向量的平均值， 获得事件特征向 量； 将任意两个所述事件特征向量输入至预训练 的二分类神经网络中， 获得输出的二分类 结果。 2.根据权利要求1所述的基于图神经网络的事件消歧方法， 其特征在于， 所述基于所述 词语、 实体和事件元素计算第一交互系数、 第二交互系数、 第三交互系数和第四交互系数的 步骤包括： 计算所述事件元素与所述实体之间的交互系数， 作为第一交互系数， 并计算所述实体 之间的交 互系数， 作为第二交 互系数； 调用句法识别工具对所述事件语料进行句法识别， 获得依存句法树， 根据所述依存句 法树确定依存句法交 互系数， 作为第三交 互系数； 确定在预设知识库中每个所述词语的近义词的数量和下位词的数量， 根据所述近义词 的数量和下位词的数量计算所述词语之间的语义交 互系数， 作为第四交 互系数。 3.根据权利要求2所述的基于图神经网络的事件消歧方法， 其特征在于， 所述计算所述 事件元素与所述实体之间的交 互系数， 作为第一交 互系数的步骤 包括： 通过如下公式计算所述第一交 互系数： 其中， EEi为所述事件元素， ETj为所述实体， 为所述第一交互系数， EditDistance(E Ei， ETj)为预先计算的E Ei与ETj之间的编辑距离 。 4.根据权利要求2所述的基于图神经网络的事件消歧方法， 其特征在于， 所述计算所述 实体之间的交 互系数， 作为第二交 互系数的步骤 包括： 将所述实体转换为词向量， 根据所述词向量计算所述词语之间的余弦相似度， 作为所 述第二交 互系数。 5.根据权利要求2所述的基于图神经网络的事件消歧方法， 其特征在于， 根据 所述依存权　利　要　求　书 1/2 页 2 CN 115062136 A 2句法树确定依存句法交 互系数， 作为第三交 互系数的步骤 包括： 在所述依存句法树中， 若在同一个句子中的词语之间存在依存关系， 则对应的所述第 三交互系数为1； 在所述依存句法树中， 若在同一个句子中的词语之间不存在依存关系， 则对应的所述 第三交互系数为0； 若任意两个所述词语不在同一个句子中， 则对应的所述第三交 互系数为0 。 6.根据权利要求1所述的基于图神经网络的事件消歧方法， 其特征在于， 所述基于所述 目标矩阵构建多层卷积神经网络的步骤 包括： 所述多层卷积神经网络的计算公式为： 其中， L(j)表示所述多层卷积神经网络的第j层,W0为预设权 重矩阵， σ 为激活函数， 为所述目标矩阵。 7.根据权利要求1所述的基于图神经网络的事件消歧方法， 其特征在于， 所述将所述目 标连接图中的节点 转化为节点特 征矩阵的步骤 包括： 将目标连接图中的节点输入至预训练的BERT语言模型中， 获得输出的节点特 征向量； 根据所有所述节点特 征向量生成所述节点特 征矩阵。 8.一种基于图神经网络的事 件消歧装置， 其特 征在于， 包括： 接收模块， 用于接收事件语料， 对所述事件语料分别进行分词操作、 命名实体识别操作 和事件抽取操作， 分别获得多个词语、 多个实体和多个事 件元素； 第一计算模块， 用于基于所述词语、 实体和事件元素计算第一交互系数、 第二交互系 数、 第三交 互系数和第四交 互系数； 生成模块， 用于根据 所述第一交互系数、 第二交互系数、 第 三交互系数和第四交互系数 生成初始向量， 并对所述初始向量进行归一 化处理， 获得目标向量； 构建模块， 用于基于所述词语、 所述实体和所述事件元素构建目标连接图， 所有所述目 标向量组成所述目标 连接图的邻接矩阵， 基于所述邻接矩阵生成目标矩阵； 输入模块， 用于基于所述目标矩阵构建多层卷积神经网络， 将所述目标连接 图中的节 点转化为节点特征矩阵， 将所述节点特征矩阵输入至所述多层卷积神经网络中， 获得输出 的所述目标 连接图中每 个节点的图特 征向量； 第二计算模块， 用于计算每条所述事件语料中的事件元素对应的图特征向量的平均 值， 获得事 件特征向量； 获得模块， 用于将任意两个所述事件特征向量输入至预训练的二分类神经网络中， 获 得输出的二分类结果。 9.一种计算机设备， 其特征在于， 包括存储器和处理器， 所述存储器中存储有计算机可 读指令， 所述处理器执行所述计算机可读指 令时实现如权利要求 1至7中任一项 所述的基于 图神经网络的事 件消歧方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 可读指令， 所述计算机可读指 令被处理器执行时实现如权利要求 1至7中任一项 所述的基于 图神经网络的事 件消歧方法的步骤。权　利　要　求　书 2/2 页 3 CN 115062136 A 3