基于超图神经网络的科技文献的事件推理与预测研究

作     者：张宇航 

作者单位：石家庄铁道大学 

学位级别：硕士

导师姓名：赵文彬;吴峰

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081203[工学-计算机应用技术] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：共指消解 关系预测 超图卷积神经网络 双曲空间 科研热点挖掘 

摘      要：随着科技文献数量的逐年增长,科研热点挖掘的研究工作变得越来越困难。现有科研热点挖掘方法主要是基于主题模型或关键词进行挖掘,但这些方法无法表达出科研热点的深层含义,本文将科研热点抽象为事件,以事件的形式挖掘科研热点,针对不同科技文献间事件难以实现深层语义共指消解和事件关系预测中高阶关联关系丢失的问题,以科技文献为对象,对跨文档事件共指消解与事件关系预测进行研究。本文的主要工作如下:(1)基于超图卷积神经网络的跨文档事件共指消解现有跨文档事件共指消解方法没有考虑到事件之间复杂的关系,事件的深层语义难以挖掘。针对该问题,本文提出了基于超图卷积神经网络的事件共指消解方法。首先,对多篇科技文献中抽取的事件进行标注,从而确定事件的触发词,围绕触发词构建多文档事件超图。然后,使用超图卷积神经网络学习多文档事件超图中的高阶语义信息,同时,引入多头注意力机制,学习不同事件关系类型的隐藏特征。最后,通过前馈神经网络与平均链接聚类对事件进行共指得分计算,完成共指事件聚类。实验表明,本文的跨文档事件共指消解方法优于对比模型。(2)基于时序超图卷积神经网络的事件关系预测针对利用传统图结构建模复杂多关系的时序事件时,造成的原始事件高阶交互和关系信息丢失的问题,本文提出了基于时序超图卷积神经网络的事件关系预测方法。该方法将关系感知图卷积神经网络扩展到超图和双曲空间中,实现在每个周期捕获时序事件双曲超图中的结构依赖关系,并引入双曲门控循环单元时序事件双曲超图中的时序特征,此外通过双曲超图静态属性约束层将事件中实体的静态属性与实体表示合并。最后,基于事件的实体和关系表示完成事件关系预测。实验表明,该方法在事件关系预测任务上有良好效果。(3)科技文献中科研热点挖掘本文将科研热点抽象为事件,针对科技文献实现科研热点挖掘,展示科研热点发展态势,帮助科研人员洞察科研动向,追踪新兴领域,为科研选题提供参考。