一种电影剧本情节预测方法技术

本公开提供了一种电影剧本情节预测方法。所述方法包括：将历史文本切分为语句；确定语句中包含的事件以及所述事件的事件特征；根据各个事件的时序，建立事件图；所述事件图中的每个节点对应一个事件，节点的特征向量通过该节点所对应事件的事件特征确定；将指定节点路径中包含的节点的特征向量，输入训练后的图神经网络，输出与所述指定节点路径相应事件的预测节点。本公开通过添加事件的事件特征，丰富了事件信息，从而提高了电影剧本情节预测的准确度。

A method for predicting the plot of a movie script

【技术实现步骤摘要】
一种电影剧本情节预测方法
本公开涉及计算机软件领域，特别涉及一种电影剧本情节预测方法。
技术介绍
在看小说、电影、电视剧等作品时，人们总是会不自觉地根据自己的经验与背景知识，猜测故事情节的后续发展。由于个体间知识储备量不一致，导致情节预测合理性存在一定的差异。得益于自然语言处理技术的发展，人们已经可以借助计算机完成事件的预测。但是需要指出的是，目前在利用计算机完成事件的预测时，仍然存在一些缺陷，例如考虑因素过于单一，仅仅考虑了事件的顺承关系，并没有其他方面的信息来辅助事件的预测，使得事件预测的准确度较低，因此，如何提高事件预测的准确度成为一项亟待解决的技术问题。
技术实现思路
本公开实施例的目的是提供一种电影剧本情节预测方法，以提高事件预测的准确度。为达到上述目的，本公开实施例提供一种电影剧本情节预测方法，所述方法包括：将历史文本切分为语句；确定语句中包含的事件以及所述事件的事件特征；所述事件特征包括情感标签；根据各个事件的时序，建立事件图；所述事件图中的每个节点对应一个事件，节点的特征向量通过该节点所对应事件的事件特征确定；将指定节点路径中包含的节点的特征向量，输入训练后的图神经网络，输出与所述指定节点路径相应事件的预测节点。本公开实施例还提供一种电影剧本情节预测装置，所述装置包括：语句切分模块，用于将历史文本切分为语句；事件特征确定模块，用于确定语句中包含的事件以及所述事件的事件特征；所述事件特征包括情感标签；事件图确定模块，用于根据各个事件的时序，建立事件图；所述事件图中的每个节点对应一个事件，节点的特征向量通过该节点所对应事件的事件特征确定；节点选取模块，用于将指定节点路径中包含的节点的特征向量，输入训练后的图神经网络，输出与所述指定节点路径相应事件的预测节点。本公开实施例还提供一种计算机设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述任意实施例中所述电影剧本情节预测方法的步骤。本公开实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现上述任意实施例中所述电影剧本情节预测方法的步骤。由以上本公开实施例提供的技术方案可见，本公开通过确定语句中包含的事件以及所述事件的事件特征；再根据各个事件的时序，建立事件图；事件图中的每个节点对应一个事件，节点的特征向量通过该节点所对应事件的事件特征确定，从而将事件特征作为事件的附加信息，增加了事件图中的节点所包含的信息，避免了仅仅考虑事件间的顺承关系造成的预测准确度较低的问题，提高了事件预测的准确度。附图说明图1是本公开实施例提供的一种电影剧本情节预测方法流程图；图2是本公开实施例提供的事件图结构示意图；图3是本公开实施例提供的图神经网络预测事件示意图；图4是本公开实施例提供的一种电影剧本情节预测装置的模块结构图；图5是本公开实施例提供的计算机设备的示意图；图6是本公开实施例提供的计算机可读存储介质的示意图。具体实施方式本公开实施例提供一种电影剧本情节预测方法。为了使本
的人员更好地理解本公开中的技术方案，下面将结合本公开实施方式中的附图，对本公开实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本公开一部分实施方式，而不是全部的实施方式。基于本公开中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都应当属于本公开保护的范围。参考图1所示，为本公开实施例提供的一种电影剧本情节预测方法的流程图，可以包括如下步骤：S1：将历史文本切分为语句。在本实施方式中，可以利用正则表达式将历史文本切分为多个语句。S2：确定语句中包含的事件以及所述事件的事件特征。在本实施方式中，事件特征可以包括事件类型、场景信息以及情感标签，当然，还可以包括其他内容，对此，本公开不做限定。在一些实施方式中，为了确定事件类型，可以先对所述语句进行词性标注，并确定所述语句中的动词；再将所述动词与预先建立的ACE(AutomaticContentExtraction，自动内容抽取库)中的事件类型进行匹配，得到与所述动词相匹配的事件类型及事件子类型。例如，下面的表1为ACE中的一部分事件类型和事件子类型与触发词之间的匹配关系。表1具体的，可以利用Spacy或StanFordNLP对所述语句进行词性标注。在一些实施方式中，场景信息在文本中，例如电影剧本中，通常以“EXT.”或者“INT.”开头，因此，可以利用正则表达式定位到“EXT.”或者“INT.”开头的语句，从而确定事件的场景信息。在一些实施方式中，为了确定情感标签，可以先将所述语句转换为对应的数值信息；再将所述数值信息输入预先建立的朴素贝叶斯模型，得到所述语句的情感标签。具体的，可以采用word2vec词向量技术将所述语句转换为对应的数值信息。情感标签数值化后可以用“0”表示消极，用“1”表示积极。需要说明的是，为了训练朴素贝叶斯模型，可以将格式为“语句，标签”形式的训练集输入朴素贝叶斯模型。朴素贝叶斯模型可以表示为如下形式：其中，CNB表示语句的极性，为概率最大时的极性类型，cj为一个极性，P(cj)为极性出现的概率，表示在极性为cj时，文本中各个词出现概率的乘积。S3：根据各个事件的时序，建立事件图；所述事件图中的每个节点对应一个事件，节点的特征向量通过该节点所对应事件的事件特征确定。参考图2所示，根据各个事件的时序，建立事件图。其中，事件图中的各个事件按照时序并不仅是单一的线状结构，例如E1、E2、E3节点构成的线状结构；还可能出现分叉，例如E2、E3、E9节点；还可能构成有向事件环，例如E2、E3、E4节点。S4：将指定节点路径中包含的节点的特征向量，输入训练后的图神经网络，输出与所述指定节点路径相应事件的预测节点。在本实施方式中，先基于节点的特征向量，利用图神经网络得到每个节点的状态向量。具体的，将节点的特征向量、与该节点相连的边的特征向量、与该节点相邻的节点的特征向量以及状态向量，输入针对局部转化的前馈全连接神经网络函数中，得到该节点的状态向量。节点V的状态向量hv可以通过如下公式表示：hv＝f(xv,xco[v],hne[v],xne[v])其中，xv为节点v的特征向量，xco[v]为该节点相连的边的特征向量，hne[v]为节点v相邻节点的状态向量，xne[v]为节点v相邻节点的特征向量，函数f为针对局部转化的前馈全连接神经网络函数。参考图3所示，为本公开提供的图神经网络预测事件示意图。在一个具体的实施例中，指定节点路径为图2中的E1->E2，为了预测E2节点后的节点，需要将E1、E2节点的状态向量和特征向量依次输入至针对局部输出的前馈全连本文档来自技高网...

【技术保护点】
1.一种电影剧本情节预测方法，其特征在于，包括：/n将历史文本切分为语句；/n确定语句中包含的事件以及所述事件的事件特征；/n根据各个事件的时序，建立事件图，所述事件图中的每个节点对应一个事件，节点的特征向量通过该节点所对应事件的事件特征确定；/n将指定节点路径中包含的节点的特征向量，输入训练后的图神经网络，输出与所述指定节点路径相应事件的预测节点。/n

【技术特征摘要】
1.一种电影剧本情节预测方法，其特征在于，包括：
将历史文本切分为语句；
确定语句中包含的事件以及所述事件的事件特征；
根据各个事件的时序，建立事件图，所述事件图中的每个节点对应一个事件，节点的特征向量通过该节点所对应事件的事件特征确定；
将指定节点路径中包含的节点的特征向量，输入训练后的图神经网络，输出与所述指定节点路径相应事件的预测节点。


2.根据权利要求1所述的方法，其特征在于，所述事件特征包括事件类型、场景信息以及情感标签。


3.根据权利要求2所述的方法，其特征在于，所述事件类型通过以下步骤确定:
对所述语句进行词性标注，并确定所述语句中的动词；
将所述动词与预先建立的自动内容抽取库中的事件类型进行匹配，得到与所述动词相匹配的事件类型。


4.根据权利要求3所述的方法，其特征在于，所述将指定节点路径中包含的节点的特征向量，输入训练后的图神经网络，输出与所述指定节点路径相应事件的预测节点，包括：
将节点的特征向量，输入所述训练后的图神经网络，得到节点的状态向量；
将所述指定节点路径中包含的节点的特征向量与状态向量，输入所述训练后的图神经网络，输出与所述指定节点路径相应事件的预测节点。


5.根据权利要求2所述的方法，其特征在于，所述情感标签通过以下步骤确定:
利用词向量技术，将所述语句转换为对应的数值信息；
将所述数值信息输入预先建立的朴素贝叶斯模型，得到所述语句...

【专利技术属性】
技术研发人员：刘宏伟，刘宏蕊，
申请(专利权)人：天津外国语大学，广东工业大学，
类型：发明
国别省市：天津;12