【技术实现步骤摘要】
一种金融领域事件隐式因果关系抽取方法
本专利技术涉及信息处理
，更具体地，涉及一种金融领域事件隐式因果关系抽取方法。
技术介绍
社会活动以事件为驱动，事件是社会活动的载体。在自然语言处理中，事件作为一种信息表现形式显得十分重要，受到了越来越多的重视。事件中包含了大量的内部组成结构(如参与者、时间、地点等)和外部关联(如因果、时序等语义关系)。对包含大量事件的文本进行因果关系抽取可以实现对文本更深层次的理解。因果关系一般可以组织为事理图谱。事理图谱是表示事件之间顺承、因果关系的有向图。图中每个节点表示事件，边用来表示事件之间的因果关系，事理图谱找出了事件的演化逻辑，从而形成大型的常识事理知识库用来直接刻画各种行为活动。因此，在金融领域中构建事理图谱对金融领域中的风险预警、风险控制等活动显得尤为重要。通常，因果关系抽取分为显式因果关系抽取和隐式因果关系抽取，显式因果关系抽取以模式识别为基础，而隐式因果关系抽取以机器学习算法为基础。深度学习是机器学习领域如今最热门的研究方向之一，能够很好地解决模式识别难以解决...
【技术保护点】
1.一种金融领域事件隐式因果关系抽取方法，包括以下步骤：/n选取混合文本语料，该混合文本语料包括金融领域文本和背景领域文本；/n从所述混合文本语料中提取事件对，对每个事件对进行标注，生成由事件对及其标签组成的事件三元组，并将事件对所在的文本及其标签映射为各自的向量矩阵，划分为训练集、测试集和验证集；/n将生成的事件对向量矩阵分别输入到卷积神经网络和时间序列网络模型中，分别提取出文本局部特征和文本整体特征，并将所述文本局部特征和所述文本整体特征进行融合，获得事件对的特征融合向量；/n将所述训练集和所述验证集事件对的特征融合向量和对应的标签向量输入模型进行训练，获得满足设定优化...
【技术特征摘要】
1.一种金融领域事件隐式因果关系抽取方法，包括以下步骤：
选取混合文本语料，该混合文本语料包括金融领域文本和背景领域文本；
从所述混合文本语料中提取事件对，对每个事件对进行标注，生成由事件对及其标签组成的事件三元组，并将事件对所在的文本及其标签映射为各自的向量矩阵，划分为训练集、测试集和验证集；
将生成的事件对向量矩阵分别输入到卷积神经网络和时间序列网络模型中，分别提取出文本局部特征和文本整体特征，并将所述文本局部特征和所述文本整体特征进行融合，获得事件对的特征融合向量；
将所述训练集和所述验证集事件对的特征融合向量和对应的标签向量输入模型进行训练，获得满足设定优化目标的模型，以用于提取隐式因果关系事件构建金融领域因果关系事件库。
2.根据权利要求1所述的方法，其特征在于，运用Bert模型将所述事件对所在的文本映射为向量矩阵。
3.根据权利要求1所述的方法，其特征在于，所述卷积神经网络是循环注意力卷积神经网络，包括多层卷积层和通道注意力模块层，所述时间序列网络模型是双向长短时记忆网络。
4.根据权利要求1所述的方法，其特征在于，根据以下步骤构建所述数据集：
将金融文本语料C1和背景文本语料C2，组合成混合文本语料，表示为
从混合文本语料C中提取出事件ei，组合成事件集E1＝{e1，e2，...en}；
从事件集E1中提取出事件对<ei，ej>，记为eij，组合成事件对集合E2＝{...，eij，...}；
对事件对集合E2中的事件对eij进行标注lij，生成事件三元组<ei，ej，lij>，记为Eij，组合成事件三元组集合E3＝{...，Eij，...}；
遍历事件三元组集合E3，统计其中的事件对包含单词个数的最大值，记为n；
将事件三元组集合E3中的事件对eij所有的词w表示成词向量s＝[v1，v2，...，vk]，k为词向量维度，组合成矩阵Emij，所有Emij集合记为Em＝{......
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。