买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利一种基于事理逻辑的联合事件抽取方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116383387B 。

龙图腾网通过国家知识产权局官网在2026-05-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310363825.9，技术领域涉及：G06F16/36；该发明授权一种基于事理逻辑的联合事件抽取方法是由宋胜利;段欣荣;李靖阳;胡光能设计研发完成，并于2023-04-06向国家知识产权局提交的专利申请。

本一种基于事理逻辑的联合事件抽取方法在说明书摘要公布了：本发明公开了一种基于事理逻辑的联合事件抽取方法，其包括：将句子输入事理逻辑关系抽取模型，得到句子中的事件关系对；将句子中的事件关系对中每个事件输入基于图注意力网络的联合事件抽取模型，得到句子对应的抽取结果；抽取结果包括触发词分类及论元分类。本发明提高了句子中多个事件抽取的准确性。

本发明授权一种基于事理逻辑的联合事件抽取方法在权利要求书中公布了：1.一种基于事理逻辑的联合事件抽取方法，其特征在于，包括： 将句子输入事理逻辑关系抽取模型，得到所述句子中的事件关系对； 将所述句子中的事件关系对中每个事件输入基于图注意力网络的联合事件抽取模型，得到句子对应的抽取结果；其中，所述抽取结果包括触发词分类及论元分类； 所述事理逻辑关系抽取模型包括编码层、特征提取层、事件关系识别层； 所述将句子输入事理逻辑关系抽取模型，得到所述句子对应的抽取结果，包括： 将句子输入编码层，得到所述编码层输出的句子对应的文本特征矩阵； 将所述文本特征矩阵输入所述特征提取层，得到所述特征提取层输出的全局和局部的特征表示矩阵； 将所述全局和局部的特征表示矩阵输入所述事件关系识别层，识别出句子中的事件关系对； 所述将句子输入编码层，得到所述编码层输出的句子对应的文本特征矩阵，包括： 将句子输入所述编码层中的嵌入层，以将句子中每个单词转换成词向量通过BERT模型编码后生成词向量表示矩阵； 使用SoftLexicon方法引入外部词典，将句子中的字符和词典进行匹配，得到字符对应的词语，根据字符在该词语中所处的位置，把该词语分别放到四个词语集合中：B、M、E、S；该词语集合分别表示该字符的位置在词语的开头、中间部分、结尾以及独自构成一个词语； 在得到句子中每个字符的四个词语集合后，把每个词语集合表示成一个固定长度的向量，将词频作为每个词的权重系数，对每个集合中的所有词的词向量嵌入进行加权计算，分别获取每个字符的词语集合的向量； 把一个字符对应的四个词语集合的向量都拼接到该字符对应的BERT字向量中，即得到新的词向量表示矩阵； 对事件的触发词特征、事件的顺序特征、关系连接词特征赋予不同的权重进行融合，得到多维度特征矩阵； 将与进行拼接，即得到最终的文本特征矩阵； 所述将所述文本特征矩阵输入所述特征提取层，得到所述特征提取层输出的全局和局部的特征表示矩阵，包括： 将文本特征矩阵输入所述特征提取层的卷积层，得到多层卷积层的最终特征表示；中每行表示每个单词通过多层卷积提取的词汇级别的特征；m为卷积核的个数，n为句子中词语的个数； 对所有词语进行最大池化操作后，得到矩阵P，，为对第i个词语进行最大池化操作后得到的向量； 将输入所述特征提取层的自注意力层，得到词汇级别的特征，； 把文本特征矩阵输入所述特征提取层的双向门控循环单元，得到输出矩阵；其中，双向门控循环单元由前向GRU和反向GRU组成，设定隐藏单元的个数为s，那么；中每行表示每个单词通过双向门控循环单元提取的句子级别的特征； 把矩阵输入所述特征提取层的另一个自注意力层，得到句子级别的特征； 将、输入所述特征提取层的全局注意力机制层，得到输出特征矩阵G； 把矩阵P和矩阵拼接到全局注意力层的输出矩阵中，输出全局和局部的特征表示矩阵；其中，为双向门控循环单元层的最后一个一维隐藏层的输出矩阵； 所述将所述句子中的事件关系对中所有事件放到一个集合中，形成文本集合，并将该文本集合输入基于图注意力网络的联合事件抽取模型，得到句子对应的抽取结果，包括： 将词向量表示矩阵、词性嵌入矩阵、实体类别嵌入矩阵拼接在一起，即可得到文本特征矩阵； 将文本特征矩阵输入双向长短期记忆网络Bi-LSTM模型，得到输出矩阵； 使用DDParser对句子进行依存句法分析，得到句法依赖图，并对所述句法依赖图进行扩充； 将句法依赖图的特征节点和关系边作为N阶图注意力神经网络的第m层输入，图注意力网络对图中每个节点特征进行聚合计算得到聚合特征；最终得到图注意力网络层的输出集合，集合中节点数量是n+k+m； 基于图注意力网络的联合事件抽取模型中的触发词及论元识别层对触发词和论元进行联合抽取，使用BIO标注的方法进行多分类任务，把上一层的输出矩阵O先输入一个全连接层，经过激活函数后得到矩阵，然后接上一个softmax层对所有类型的向量进行归一化操作，从而实现事件触发词分类； 得到候选触发词后，使用这个输出矩阵对句子中的实体列表进行论元分类；对触发词包含的多个词向量进行平均池化，得到候选触发词的向量表示，然后把和其他每个词语的向量拼接起来，并输入到全连接网络中，接上一个softmax层来实现论元分类； 所述对所述句法依赖图进行扩充的实现过程为： 定义任意之间存在路径的两个词语向量节点的最短路径是，任意两个相邻词语向量节点间的边定义为；指的是第i个词语向量节点； 采用BiGRU网络对两个词语向量节点最短路径上的所有节点的特征进行融合，前后向GRU的输出分别为和，将和拼接到一起，得到融合后的特征向量h，即BiGRU在t时刻的输出，将其作为这两个节点各自的周围节点； 最后，得到扩充后的句法依赖图，其中，V是节点的集合，包含三个子集、和，是n个字符向量节点的集合，n为句子长度，是分词后的k个词语向量节点的集合，是由最短路径算法计算出的每个词语向量节点的周围节点集合，大小为m。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。