本技术公开了一种知识增强因果链推理的事件预测方法。其中,方法包括建立事件征候识别框架;获取事件文本,利用事件征候识别框架对事件文本进行事件摘要与分类,论元抽取与匹配操作,获得事件文本对应的匹配因果知识图;基于匹配因果知识图,使用蒙特卡洛模拟方法对与匹配因果知识图对应的事件征候进行推理和概率估计,确定事件征候发生的概率;并将匹配因果知识图中的节点信息格式化为事件征候推理的提示词,并将提示词输入事件征候识别框架中,获得事件征候发生概率。本发明提供的方案是在大型语料库中进行自监督预训练,无需利用大量的标注数据进行训练,因此,相比于深度学习模型,可显著降低成本。
背景技术
事件是指发生在特定时间和地点、具有特定结构和意义的现实世界中的一系列行动或发生的事情,在时间维度上事件具有一定的演化规律和模式。事件是人类社会的核心概念之一,人类的社会活动往往是事件驱动的。相比普通事件,复杂事件存在多步演化,每步存在多种演化路径,其预测难度更高,研究价值也更高。复杂事件预测就是基于已经发生的事件及相关信息,对事件后续的复杂演化脉络进行预测,可以为进一步的决策分析提供有力的支持。
现有的事件预测方法,主要以基于深度学习模型的方法为主,从海量文本中识别事件的交互模式和潜在链接,提升预测的准确性和决策的科学性。这种模型通常需要大量标注数据来训练,不仅成本高、耗时长,且难以泛化到不同的语义背景中。
实现思路