基于多层语义图卷积神经网络交通事件知识图谱构建方法技术

本发明专利技术提出了一种基于多层语义图卷积神经网络交通事件知识图谱构建方法，其步骤如下：采用自顶向下的方式定义事件本体的分层体系，设计本体模型；从公开数据集官网上下载中英文数据集，收集并整理真实的高校交通风险事件的文本和图像数据，构建知识图谱数据集；以OneRel模型为基础模型，构建事件抽取模型；利用多层语义图卷积神经网络学习知识图谱数据集的全局语义和句法图嵌入表示信息，训练事件抽取模型；构建高校交通安全事件知识图谱并进行可视化展示。本发明专利技术融合全局语义依存分析图和句法分析图，提高远距离实体的精确识别；构建多层语义图卷积神经网络捕获更深层次的实体关系语义隐藏信息，构建出较完整的高校交通安全事件知识图谱。

【技术实现步骤摘要】

本专利技术涉及事件知识图谱构建方法的，尤其涉及一种基于多层语义图卷积神经网络交通事件知识图谱构建方法。

技术介绍

1、随着国内高校数量和招生人数的快速扩张，高校校内师生数量日益递增，进而导致了高校校内的交通事故频发，随之积累了较多的高校交通安全事件数据，利用这些数据对问题进行分析和管理，对高校师生生命安全防范具有重要意义。现有研究中关于高校交通安全事件的知识图谱构建方法研究较少，并且对高校交通事件知识图谱的本体模型构建研究欠缺。其次现有的事件信息抽取方法处理三元组重叠问题能力有限及在关系抽取中存在实体边界模糊，进而会造成抽取误差、知识冗余等问题。对高校交通事件资源数据进行智能化处理及分析，既是网络舆情监管的迫切需求，也是舆情分析领域事件知识图谱构建的研究难点之一。

2、随着网络舆情分析的需求日益多样化，对于高校交通事件知识图谱的构建技术研究，已经不能够满足对当前网络舆情领域监管的新需求。传统的知识图谱构建模型中描述的知识是静态的、确定的事实，更多聚焦知识问答、实体画像等问题。但是在舆情监测和文本智能化分析、推理等方面显得有些乏力。在实际网络监管本文档来自技高网...

【技术保护点】

1.一种基于多层语义图卷积神经网络交通事件知识图谱构建方法，其特征在于，其步骤如下：

2.根据权利要求1所述的基于多层语义图卷积神经网络交通事件知识图谱构建方法，其特征在于，所述高校交通安全事件知识图谱的本体包括实体类型O(E)、属性类型O(S)和关系类型O(R)，HKG＝{O(E),O(R),O(S)}表示由实体类型、属性类型和关系类型组成的集合，体现为实体类型和属性类型之间的层级关系，以知识图谱三元组的形式展示；

3.根据权利要求1所述的基于多层语义图卷积神经网络交通事件知识图谱构建方法，其特征在于，所述中英文数据集包括NYT数据集、WebNLG数据集、DUI...

【技术特征摘要】

1.一种基于多层语义图卷积神经网络交通事件知识图谱构建方法，其特征在于，其步骤如下：

2.根据权利要求1所述的基于多层语义图卷积神经网络交通事件知识图谱构建方法，其特征在于，所述高校交通安全事件知识图谱的本体包括实体类型o(e)、属性类型o(s)和关系类型o(r)，hkg＝{o(e),o(r),o(s)}表示由实体类型、属性类型和关系类型组成的集合，体现为实体类型和属性类型之间的层级关系，以知识图谱三元组的形式展示；

3.根据权利要求1所述的基于多层语义图卷积神经网络交通事件知识图谱构建方法，其特征在于，所述中英文数据集包括nyt数据集、webnlg数据集、duie数据集；基于风险关键词，从官方网址、微博、百度新闻网页收集并整理真实的高校校内交通风险事件的文本和图像最为知识图谱事件抽取数据集中的一部分；数据类型为结构化或非结构化的文本数据和图像信息；采用bio标记法对文本数据进行标注，采用vott标注软件对图像数据进行标注，建立真实案例的中文数据集；

4.根据权利要求1或3所述的基于多层语义图卷积神经网络交通事件知识图谱构建方法，其特征在于，所述步骤3中事件抽取模型的实现方法为：以onerel模型为基础，在初始向量生成阶段融入句子的全局依存语义和句法图嵌入表示；采用bert模型和bi-lstm网络获取文本的语义信息作为输入向量he；构建多层语义图卷积神经网络学习全局依存语义和句法图嵌入表示的信息，捕获更深层次的实体关系语义隐藏信息；将学习到的图嵌入语义向量ge和输入向量he拼接得到新的序列向量vn，新的序列向量vn经过图混合池化层捕获全局范围的语义信息；经过模型输出层得到语句的每个字符的标签，输出最终结果。

5.根据权利要求4所述的基于多层语义图卷积神经网络...

【专利技术属性】
技术研发人员：魏富鹏，刘星，施歌，乔亚琼，郑秋生，姜维，陈紫薇，权高原，
申请(专利权)人：华北水利水电大学，
类型：发明
国别省市：