一种基于行为基的事件知识表示方法技术

本发明专利技术公开了一种基于行为基的事件知识表示方法，涉及事件知识表示技术领域，其技术方案要点是：以驱动事件的行为为核心，将事件的文本表示通过行为代数和抽象语法符号化，并构建自底向上依次为行为基层、动作层和事件层的Behavior Base GCN模型，将结构化的信息通过模型转换为向量表示。本发明专利技术的方法通过在数学理论的推演下，研究行为代数之间的同态和同构保证行为集合的完备性，通过GCN模型的图表示学习框架，以从行为基逐层构建事件的表示和事件与事件的关系，其泛化性和鲁棒性也较强。其泛化性和鲁棒性也较强。其泛化性和鲁棒性也较强。

【技术实现步骤摘要】
一种基于行为基的事件知识表示方法


[0001]本专利技术涉及事件知识表示
，更具体地说，它涉及一种基于行为基的事件知识表示方法。

技术介绍

[0002]事件通常指包含参与者在内的某种动作或情况的发生，或事件状态的改变。在形式上，事件的组成要素通常包括事件的触发词或类型、事件的参与者、事件发生的时间或地点等。在现实世界中，事件通常信息的一种较为结构化的表示形式。现有的研究主要存在以下问题：
[0003](一)存在稀疏性，不利于大规模表示：
[0004]早期的研究大多采用离散的事件表示，通常将事件表示为由事件元素构成的元组。例如将事件表示为对象的集合、对象间的关系或属性以及事件发生的时间这种三元组，后来有研究者加入其他的信息构成更多元组来表示事件。但是离散的表示形式存在的最大问题就是稀疏性，我们很难通过这种元组来表示大规模的事件。
[0005](二)情境语义相关性和事件交互性难以兼顾：
[0006]随着深度学习的发展，人们开始尝试使用深度神经网络为事件学习稠密的向量表示。常用的方法是直接将文本中的单词向量化，这本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于行为基的事件知识表示方法，其特征是：以驱动事件的行为为核心，构建自底向上依次为行为基层、动作层和事件层的Behavior Base GCN模型，具体包括以下步骤：S1、构建行为基层，用行为基来表示事件的原子行为，通过定义行为函数表示具体情境下的状态空间转换，然后基于行为理论和情境语义提出行为基的概念来形式化动作集；S2、构建动作层，通过行为基层的行为基以及其交互构造出动作集合，所述动作集合为事件中主体的动作集合，动作集合中的每一个元素均表示另一个信息转换函数，且信息转换函数作为行为发生的语义解释；S3、构建事件层，用于表示具有基本组件的原子事件，且事件层中包括事件发生的主体、客体、动作、时间和地点的信息；所述事件层中的动作由动作层给出，且该动作为该事件发生的触发器；其中，步骤S1至步骤S3中，采用情境语义代替传统的动词语义描述事件的行为，并通过信息转换识别事件的发生，确保现实世界事件发生的真实性。2.根据权利要求1所述的一种基于行为基的事件知识表示方法，其特征是：步骤S1中的具体方法为：对于“借书”这个事件，定义Agent A借给Agent B书，在该事件发生后，A拥有的书的数量减少的同时B拥有的书的数量增加，根据A和B对应书的数量的变化断定事件的发生，确保事件发生的真实性，行为函数的定义方法为：1)主体和客体的状态空间由一组笛卡尔积表示，I＝Inf
sub
×
Inf
obj
，行为函数F：I
→
I，行为函数表示状态空间的一组映射关系，即为行为发生的情境语义的解释函数；2)将状态空间扩展到信息集，在“借书”事件中加入书本类型这个属性，将Agent的状态空间扩展到信息集：I
agent
＝{(书本类型,书本数量)}I
A
×
B
(1)＝{(数学,1),(数学,0),(计算机,0),(计算机,1)}I
A
×
B
(2)＝{(数学,0),(数学,1),(计算机,0),(计算机,1)}AgentA借给AgentB一本数学书的映射表示为：I
A
×
B
(1)
→
I
A
×
B
(2)且在行为基层，采用以下矩阵表示I
A
×
B
(1)
→
I
A
×
B
(2)的状态转换：所述Behavior Base GCN模型的行为基层的邻接矩阵表示为该行为的状态转移函数，同时输入节点的特征标签；3)给出行为代数的定义，记行为集为B，行为函数集的子集为C...

【专利技术属性】
技术研发人员：逄金辉，胡英帅，张艳，许慧楠，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：