事理图谱的构建

本内容转自：
版权声明：本文为CSDN博主「liuhuanyong_iscas」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/lhy2014/article/details/85247268

 

目前关于事理图谱的构建方式上，主要包括领域专家手动构建以及基于海量文本自动化获取两种方法。前者准确率高但构建成本较大，且规模难以快速增长；后者所见即所得，构建成本较低，规模可快速扩充，能够迅速挖掘出海量逻辑，但缺点是精确度受多方面因素影响，准确率较前者要低。事实上，目前事理逻辑广泛存在于海量文本当中，当我们打开百度或者谷歌搜索引擎，输入“导致”或者“lead to”这一词时，会返回多个包含因果事理的结果，如下图所示。此外，问答社区等资源也为基于海量文本自动化获取事理逻辑提供了可能

 

 

事理逻辑的挖掘，可以分成基于显式因果逻辑的挖掘和隐式因果逻辑的逻辑两种。前者通过人工设定因果模式可以获取大量的因果事件对，例如对于句子“受范冰冰阴阳合同事件牵连，唐德影视、华谊兄弟开盘大跌”，可以结构化出<范冰冰阴阳合同事件，导致，唐德影视、华谊兄弟开盘大跌>这样的因果事件对。通过对原因事件和结果事件进行进一步解析，我们可以得到原因事件的关联主体是人物，即影视明星“范冰冰”，事件的动作是“阴阳合同”，结果事件中关联的主体是两家传媒上市公司，华德影视和华谊兄弟，事件的动作是股价大跌。结合上下文，可进一步明确事件发生的时间信息，为2018年6月4日。对这样的事件对，可进一步抽象泛化成一种逻辑规则，即影视明星“阴阳合同->传媒公司股价下跌”这样一条因果模式链。更进一步，通过对动作本身的情感极性进行泛化，我们可以发现，“阴阳合同”属于负面消息，股价下跌这一事件属于负面影响，因此，可以进一步泛化成“明星负面消息->公司利空”这条更为抽象的因果模式链。这样，通过大量的显示模式对事理逻辑进行结构化，对不同来源的事理知识进行融合并层层抽象，可以得到大规模不同层级的事理逻辑，借助知识图谱首尾相接的方式，我们对构建好的一条条事理逻辑进行链接，就形成了一个图谱形式的事理逻辑脉络，即事理图谱。

说到事理图谱，就不得不说事件表示。事件表示是事理图谱中的重要问题之一，目前学界和业界正在寻求一种尽可能灵活、简单的方式去表示事件。在事件表示上，有上海大学刘宗田老师团队提出的“事件六要素本体模型”[5]，即将事件建模成e &#