事件及其在时间、空间上相继发生的演化规律和模式这一动态知识在知识图谱中记录得不充分,为了弥补这一不足,事理图谱应运而生,其节点表示事件,有向边表示事件之间的演化关系。它能够揭示事件的发展逻辑,刻画和记录人类行为活动。
![f561a665ef17b3864741cf4dda19c26f.png](https://img-blog.csdnimg.cn/img_convert/f561a665ef17b3864741cf4dda19c26f.png)
事理图谱的相关概念和定义
研究背景及意义
随着深度学习的兴起,基于深度学习的文本推理技术被广泛关注。然而,在文本推理过程中如何让机器掌握人类知识,并进行可解释性推理是当前技术面临的一大挑战。例如,人类能轻易理解“吃过饭”后,就“不饿”了这样的常识知识,而让机器理解并掌握大量类似这样的知识是一件极其困难的事情。在众多类型的人类知识中,事理逻辑是一种非常重要且普遍存在的知识。
文本推理的很多任务都依赖于对事理逻辑知识的深刻理解。在通用领域,以隐式消费意图推理为例,只有让机器知道“结婚”事件伴随着后续一系列消费事件,例如“买房子”、“买汽车”和“去旅行”,才能在观察到“结婚”事件的时候,准确地推理出用户潜在的隐式消费意图,进而向目标用户做出精准的产品推荐。而在特定领域,如金融领域,股市一般伴随着短期内随机事件的小波动,以及长期内重大事件驱动的大波动。例如,近年来随着人工智能迎来发展高潮,以及“我国将人工智能列为国家发展战略”,科大讯飞等人工智能企业的股价迎来了一波大涨。事件驱动的股市预测悄然兴起。从金融文本中挖掘“粮食减产”导致“农产品价格上涨”,再导致“通胀”,进而导致“股市下跌”这样的远距离事件依赖,对于事件驱动的股市涨跌预测非常有价值。事理逻辑知识的挖掘与知识库构建迫在眉睫,这将极大地推动文本推理技术的应用发展。
事件是人类社会的核心特征之一,人们的社会活动往往是事件驱动的。事件之间在时间维度上相继发生的演化规律和模式是一种十分有价值的知识,挖掘这种事理逻辑知识对认识人类行为和社会发展变化规律非常有意义。然而,当前无论是知识图谱还是语义网络等知识库的核心研究对象主体不是事件。尽管传统知识图谱在现代搜索引擎中得到了广泛应用,但是其聚焦于实体和实体之间的关系,缺乏对事理逻辑知识的挖掘。事理逻辑知识,包括事件之间的顺承、因果、条件和上下位等关系,对于文本推理的多种任务具有非常巨大的价值。为了揭示事件的演化规律和发展模式,我们提出了事理图谱(Eventic Graph, EG)的概念,旨在将文本中对事件及其关系的描述抽取并抽象出来,构建成一个有向图形式的事理知识库。
事理图谱的定义
事理图谱是一个描述事件之间演化规律和模式的事理逻辑知识库。结构上,事理图谱是一个有向图,其中节点代表事件,有向边代表事件之间的顺承、因果、条件和上下位等事理逻辑关系。
事理图谱中事件的定义与表示
理论上&#x