跨文档事件检测算法

冯戈利1,2

(1.西北工业大学 机电学院，陕西 西安710072)

(2.成都飞机工业（集团）有限责任公司，四川 成都610092)

    为了从海量文档中检测出特定事件，提出了一种跨文档事件检测的模型和算法。首先从文档中提取信息要素，包括主体、时间、地点、主题。然后以信息要素为基础对文档建立共现词网络图，并采用4W向量描述待检测事件，即从逆向的角度考虑，对共现词网络图进行带约束条件的深度优先搜索，寻找图中定长的环。最后判断这些环中的节点是否包含待检测事件的信息要素以实现事件的检测，并以环中节点反向获得与事件相关联的文档。实验表明该算法能从文档库中检测出事件，与其他算法相比，能同时获得较高的准确率和召回率。

    事件检测与描述问题是由自动文本抽取（Automatcic Content Extraction, ACE）会议提出的，主要研究如何描述事件并根据给定语料库实现事件的检测。目前的研究主要集中在单文档事件检测，采用概率模型、分类算法和文本匹配等方法实现事件检测。

    事件检测是自然语言处理和数据挖掘的一个交叉研究热点方向。文献［1］提出了基于事件实例驱动的事件抽取方法，然后通过二元分类器对新闻文本中的事件实例与非事件实例进行分类，选取句子的长度、位置、词语的个数、命名实体的个数、时间的个数、数值的个数、停用词的频率等作为二元分类器的参数识别新闻文本中表述事件的句子。文献［2］针对具有关联要素的中文文本事件检测问题，采用关联关系分析、关键词语义扩展和关键词作用域扩展等方法，将目标事件包含的所有文本作为一个整体进行关键词匹配实现事件检测。文献［3］ 基于时空元素语义搜索引擎，提出基于语义的文本事件信息抽取方法，应用多方面语义知识和统计方法，强调时、空元素对于事件追踪的定位功能，进行信息抽取和归并，最终实现对文本中事件的描述。在文档事件检测基础上，微博的事件检测也是一大研究热点［4-8］。其中张志瑛［4］提出了基于LDA主题模型的事件检测方法，通过挖掘属于事件的主题，然后找到与该主题关联的微博，实现微博事件的检测。赵江江［5］以任意领域事件触发词为核心，并包括与其关联的时间、地点、人物、数量等多种元素构成的结构化数据，提出基于规则的方法和基于 CRF 模型的方法进行事件检测。杨文漪［6］提出将事件检测重点从文档转换为特征,通过微博数据自身的特点来表示微博特征。除了事件检测外，单建芳［9］还研究了事件的文本表示方法。作为事件检测的一种基础方法，文本相似度计算［10-12］也是目前研究的热点方向。

    本文针对单一文档只包含一个事件部分信息，传统算法难以确切判断该文档是否具有该事件的情况，提出了一种跨文档的事件检测算法（Cross-Document Event Detection Algorithm, CDEDA），该算法能够联合多篇描述同一事件的文档（其中每篇文档只包含部分事件的信息）检测出目标事件。CDEDA以文档中的信息要素为词汇单元，建立共现词网络，事件通过主体、时间、地点和主题的4W（Who, When, Where, What）向量描述，通过深度优先搜索算法在共现词网络中搜索事件4W向量的子向量（由于4W向量的每个分量可能由多个词表示，子向量的每个分量仅由一个词表示，每个事件的4W向量会有多个子向量），判断文档集中是否包含目标事件，最后根据子向量的分量逆向求解.......

作者简介：冯戈利（1968—），女，四川洪雅人，成都飞机工业（集团）有限责任公司高级工程师，硕士，主要工作内容为企业经营管理。
（文章来源《机械设计与制造工程》如需详细资料请联系江苏机械门户网025-83726289）