基于事件图谱的行程预测方法、系统、设备及存储介质技术方案

本发明专利技术提供了基于事件图谱的行程预测方法、系统、设备及存储介质，该方法包括：根据网络旅游文本信息生成事件节点和有向边，获得旅游事件图谱；将带权重的节点序列输入到网络建模工具中，构建有权有向图；将有权有向图输入到图神经网络模型中，生成旅游事件图谱中每个节点的向量表示；根据有权有向图构建每个事件链涉及到的子图，获得对应的子图邻接矩阵A；分批次将样本输入图神经网络模型中，获得节点的向量表示；将子图邻接矩阵A和向量表示输入门控图神经网络中，输出子图事件表示；根据相关性分数最高的候选事件节点确定候选事件。本发明专利技术能够对旅游领域数据进行信息抽取和融合，构建旅游事件图谱，进行准确的行程预测，大大节省人力成本。省人力成本。省人力成本。

【技术实现步骤摘要】
基于事件图谱的行程预测方法、系统、设备及存储介质


[0001]本专利技术涉及深度学习推理领域，具体地说，涉及基于事件图谱的行程预测方法、系统、设备及存储介质。

技术介绍

[0002]近年来，随着深度学习的不断发展，基于深度学习的推理和认知计算越来越受到业界和学者的广泛关注。而事件之间在时间上相继发生的演化规律和模式正是一种十分有价值的知识，旅游事件图谱可以为揭示和发现事件演化规律提供强有力的支持，文本推理的很多下游任务都依赖于对事理逻辑知识的深刻理解。但是，让机器掌握大量的事理逻辑知识，并进行认知推理面临着挑战，尤其是在以用户体验为目标的旅游领域的准确率仍然很低。
[0003]目前，大多数方法都是基于共现关系的概率统计的相关方法来描述抽象事件之间潜在规律，或者是基于长短期记忆网络(LSTM)来学习事件的序列信息。以上这些方法虽然显示出了一定的效果，但是却忽略了事件节点之间丰富的连接信息，没有从图的结构层面对事件进行表征学习，从而进行相关分析预测。本文针对以上提出的问题进行研究，提出了构建旅游领域事件图谱，在旅游场景下基于事件图谱的行程分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于事件图谱的行程预测方法，其特征在于，包括以下步骤：S100、根据网络旅游文本信息生成事件节点以及连接事件节点的有向边，并统计每条有向边的频数，获得旅游事件图谱G；S110、对所述旅游事件图谱G中的所有事件节点编号后，将带权重的节点序列输入到网络建模工具networkx中，构建有权有向图；S120、将所述有权有向图输入到图神经网络模型Node2vec中，生成旅游事件图谱G中每个节点的向量表示；S130、根据所述有权有向图构建每个事件链涉及到的子图，所述子图包括事件上下文和候选事件节点，获得对应的子图邻接矩阵A；S140、分批次将样本输入图神经网络模型中，根据所述节点的向量表示获得所述节点对应的上下文及候选事件的向量表示h
(0)
；S150、将所述子图邻接矩阵A和所述向量表示h
(0)
输入门控图神经网络GGNN中，持续更新子图中的事件表示，输出子图事件表示h
(t)
；S160、获得第i个上下文事件与第j个候选事件的相关性分数s
ij
；以及S170、根据相关性分数s
ij
最高的候选事件节点确定候选事件。2.根据权利要求1所述的基于事件图谱的行程预测方法，其特征在于：所述步骤S100中，旅游事件图谱用G表示，G＝{V，E}，其中V＝{v1，v2，v3，...，v
p
}表示节点的集合，E＝{l1，l2，l3，...，l
q
}表示边的集合；每一个l
i
是一条带权重的有向边，用v
i
→
v
j
来表示，每条边上的权重通过统计边v
i
→
v
j
的频数以及所有从v
i
出发的边的频数来确定，具体计算方式如下：其中，count(v
i
，v
j
)表示事件(v
i
，v
j
)出现在所有事件链中的频数，count(v
i
，v
k
)表示以v
i
为头节点的事件出现在所有事件链中的频数，经过计算构建出旅游事件图谱G。3.根据权利要求2所述的基于事件图谱的行程预测方法，其特征在于：所述步骤S130中，所述子图邻接矩阵A为：4.根据权利要求3所述的基于事件图谱的行程预测方法，其特征在于：所述步骤S150中，子图事件表示h
(t)
为：h
(t)
＝(1
‑
z
(t)
)
⊙
h
(t
‑
1)
+z
(t)
⊙
c
(t)
)
ꢀꢀꢀꢀ
(3)其中，z
(t)
＝σ(W
z
a
(t)
+U
z
h
(t
‑
1)
)；c
(t)
＝tanh(Wa
(t)
+U(z
(t)
⊙
h
(t
‑1)))；a
(t)
＝A
T
h
(t
‑
1)
+br
(t)
＝σ(W
r
a<...

【专利技术属性】
技术研发人员：汤才芳，鞠剑勋，李健，
申请(专利权)人：携程旅游信息技术上海有限公司，
类型：发明
国别省市：