CN119494338A 一种事件检测方法、系统及相关设备 （华为技术有限公司）

入文本和输入文本对应的事件主体标签以及事测模型具有从文本中识别事件主体和事件动作2将所述待检测文本输入事件检测模型，获得所述待检测文本的事件检7.根据权利要求5或6所述的方法，其特征预测结果和所述第一模型对所述主动学习样本的对抗样本的预测结果之间的KL散度高于8.根据权利要求4至6任一权利要求所述的方法，替使用所述自训练样本和所述主动学习样本对所述第一模型检测单元，用于将所述待检测文本输入事件检测模型，获得所述待3的预测结果和所述第一模型对所述主动学习样本的对抗样本的预测结果之间的KL散度高交替使用所述自训练样本和所述主动学习样本对所述第一所述指令被计算设备或者计算设备集群运行时实现如权利要求1至8任一权利要求所述的4[0002]事件检测(eventdetection)是一种从海量数据中发现重要事件的技术，它可以社会领域可以使用事件检测算法来监测社会事件的发生，从而更好地了解社会的动态变集包括输入文本和输入文本对应的事件主体标签以及事56该对抗样本的事件主体标签和/或事件动作标签与扰动之前的有标签样本相同，这样可以练后获得的，自训练样本的标签是使用第一模型对无标签样本进行预测后获得的预测结7类，但是属于第三类的概率只有40属于第一类别的概率为30属于第二类别的概率为30这表示事件检测模型对该无标签样本的预测较为困难，而使用人工标注的信息熵超结果和第一模型对主动学习样本的对抗样本的预测结果之间的KL散度(kullback_leibler8进行训练获得的，样本集包括输入文本和输入文本对应的事件主体标签以及事件动作标练后获得的，自训练样本的标签是使用第一模型对无标签样本进行预测后获得的预测结学习样本的对抗样本的预测结果之间的KL散指令被计算设备或者计算设备集群运行时实9[0046]图5是本申请提供的一种事件检测方法中自训练样本和主动学习样本的获取步骤[0051]对抗训练(adversarialtraining)：指的是在模型的训[0053]嵌入(embedding)层：embedding层是神经网络结构中的一层，通常位于输入无法根据已有的事件类型和触发词来快速适配业务样即使改变应用场景，事件检测模型也可以根据其拥有的识别事件主体和事件动作的能能手机、可穿戴设备、掌上处理设备、平板电脑、移动笔记本、增强现实(augmented[0063]具体实现中，上述客户端100可以是在用户所控制的终端设备或计算设备上运行器访问的web客户端，还可以是在移动终端放上的运行的应用(application,APP)客户端，件检测功能的一些数据分析应用的客户端，该类客户端需要对网络中的数据进行事件检过软件模拟的具有完整硬件系统功能的、运行在一个完全隔离环境中的完整计算机系统。际的应用场景决定事件检测系统200和客户端10虚拟机/容器部署于不同的数据中心时，上述不同的数据中心可分布在相同区域(region)电路(application_specificintegratedcircuit,ASIC)实现、或可编程逻辑器件件(complexprogrammablelogicaldevice,CPLD)、现场可编程门阵列(field_输入文本所描述的事件中的主体信息，具体可以是输入文本所表达的事件中动作的发出[0081]可选地，还可基于具体的应用场景确定输入文本的事件主体标签和事件动作标会26日结束为期两天的货币政策会议，宣布将联邦基金利率目标区间上调25个基点到据定义好的事件主体和事件动作进行样本标注，比如文本“汽油价格与世界油价下跌一和模型训练的方案均可纳入本申请所要申请保护的技测模型也可以根据其拥有的识别事件主体和事件动作的能力，获得新场景的事件检测结(y)，由此可以得到，本申请通过标注事件主体标签和事件动作标签可取足够的信息来准确的进行识别和分类，因此本申请提供的有标签样本221有益于模型的[0089]在一可能的实现方式中，对抗样本可以是对有标签样本221进行样本扰动后获得的，对有标签样本221进行扰动后获得的对抗样本的标签与其对应的未扰动的有标签样本[0090]具体实现中，由于对抗样本的标签与其对应的未扰动的未扰动的有标签样本的标签一致，比如将事件动作标签相关的字段“下跌”修改为近义词体限定。[0094]可选的，上述样本扰动的方式指的是对输入样本进行微embedding向量的标签与扰动之前的向量的标以基于有标签样本221的标签以及输出结果确定第一损失值，基于对抗样本的标签以及输[0099]具体实现中，神经网络包括但不限于卷积神经网络(convolutionalneural器(bidirectionalencoderrepresentationfromtransformers,BERT)网络模型、生成而提高少样本情况下的模型预测性能和鲁棒性。与传统基于触发词的事件检测算法相比，[0101]在本申请实施例中，第一扩充单元211和训练单元212可以通过对有标签样本221在获得第一模型之后，可以通过第二扩充单元213和/或第三扩充单元214对第一模型进行自训练样本的输入文本为无标签样本222，输入文本的标签为事件检测模型对输入文本的无标签样本222进行预测之后，将置信度超过第一阈值的预测结果作为其对应无标签样本[0106]在一实施例中，训练单元212通过有标签样本221对神经第一扩充单元211可以基于自训练样本生成其对应的对抗样本，再基于自训练样本和对应获得第一模型，从第N+1轮开始使用第二扩充单元213生成的自训练样本对神经网络进行M习样本可以包括信息熵(informationentropy)高于第二阈值的无标签样本，主动学习样属于第一类别的概率为30属于第二类别的概率为30这表示事件检测模型对该无标[0113]具体实现中，上述难分类的主动学习样本可以包括KL散度(kullback_leibler本以及对应的对抗样本都可以作为主动学习样本参与事件检查模[0117]在一实施例中，训练单元212通过有标签样本221对神经[0118]举例来说，训练单元212可以先使用主动学习样本对神经网[0119]在一实施例中，训练单元212通过有标签样本221对神经样本对事件检测模型进行Y轮训练，然后再使用自训练样本对事件检查模型进行X轮训练，时使用自训练样本进行训练时的轮数，以及使用主动学习样本进行训练时的轮数进行限合主动学习样本条件的无标签样本222进行标注，然后对标注过的主动学习样本进行采样[0129]第二种方式可以通过使用本申请提供的有标签样本集对[0131]第四种方式可以通过使用上述有标签样本集对神经网络进行对抗训练获得第一主体的状态。上述事件主体和事件动作的描述可参考前述内容中关于有标签样本221的相检测模型进行训练，可以使得事件检测模型具有从文本中识别事件主体和事件动作的能[0151]可选地，如果客户端100需要的待检测文本对应的事件类型，那么事件检测系统200也可以根据事件主体和事件动作确定该待检测文本对应的事件类型，比如事件主体为测文本的事件类型可以很容易确定。[0155]根据上述S210～S240B可知，本申请提供的事件检测方法是基于事件检测模型实[0157]上述实现方式的具体描述可参考前述内容关于有标签样本221的相关描述，这里本数据的分布更加稠密(原因在上文中关于公着在同一征空间中有丰富的样本点，模型可以从丰富的样本点中学习到该特征空间的细因此本申请提供的有标签样本有益于模型的训练和特触发词的事件检测方法中，标注人员需要为每个文本进行触发词和事件类型标签的标注，那么对于M个事件主体和N个事件动作的输入样本，该输入样本可能存在的事件组合有MN2所示的文本进行标注时需要标注6次，而使用本申请提供的方式标注出输入文本的事件主[0163]在一可能的实现方式中，可以通过上述有标签样本集对[0164]上述实现方式在对抗训练过程中，对有标签样本集进行细微扰动生成对抗样该对抗样本的事件主体标签和/或事件动作标签与扰动之前的有标签样本相同，这样可以进一步增加同一类别的样本的稠密度，从而提高少样本情况下的模型预测性能和鲁棒性。训练样本和主动学习样本，交替使用自训练样本和主动学习样本对第一模型进行对抗训[0170]为了使本申请能够更好地被理解，下面结合图4对交替使用自训练样本以及主动学习样本对事件检测模型进行进一步的对抗训练，获得事件检测模型的步骤流程进行说施例中的第一扩充单元211以及训练单元本的标签是第一模型对无标签样本的预测结果，主动学习样本的标签是人工标注的标签，进行说明，图5是本申请提供的一种事件检测方法中自训练样本和主动学习样本的获取步[0186]为了使本申请能够被更好地理解，下面结合图6对本申请提供的事件检测方法进检测模型进行训练，可以使得事件检测模型具有从文本中识别事件主体和事件动作的能programmablelogicdevice,CPLD)、现场编程逻辑门阵列(field_programmablegate进行交替训练获得训练好的事件检测模型。具体用于实现图4实施例中的S420及其可选步[0199]存储单元702包括只读存储器和随机存取存储器，并向处理器701提供指令和数性存储器，或包括易失性和非易失性存储器两者。其中，非易失性存储器是只读存储器连接动态随机存取存储器(synchlinkDRAM,SLDRAM)和直接内存总线随机存取存储器[0202]总线705是快捷外围部件互联标准(PeripheralComponentInterconnect备700。计算设备集群中的一个或多个计算设备700中的存储单元702中可以存有相同或者算设备能够存储的任何可用介质或