(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210218758.7 (22)申请日 2022.03.08 (65)同一申请的已公布的文献号 申请公布号 CN 114357197 A (43)申请公布日 2022.04.15 (73)专利权人 支付宝 （杭州） 信息技 术有限公司 地址 310000 浙江省杭州市西湖区西溪路 556号8层B段801-1 1 (72)发明人 林昊　 (74)专利代理 机构 济南信达专利事务所有限公 司 37100 专利代理师 李世喆 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/35(2019.01) G06Q 40/04(2012.01)G06Q 40/06(2012.01) (56)对比文件 CN 112734569 A,2021.04.3 0 CN 113822494 A,2021.12.21 CN 111428049 A,2020.07.17 CN 110956254 A,2020.04.0 3 CN 113420140 A,2021.09.21 CN 110489520 A,2019.1 1.22 CN 113688253 A,2021.1 1.23 CN 111914569 A,2020.1 1.10 CN 110263177 A,2019.09.20 US 2013282747 A1,2013.10.24 刘焕勇.面向开 放文本的逻辑推理知识抽取 与事件影响推理探索. 《中文信息学报》 .2021,第 56-63页. 审查员 何蒙蒙 (54)发明名称 事件推理方法和装置 (57)摘要 本说明书实施例提供了一种事件推理方法 和装置。 根据该实施例的方法， 首先从事件相关 文本中抽取事件信息和关联 实体信息； 利用事件 信息和关联 实体信息构成第一子图， 第一子图中 的节点包括事件和关联 实体， 边体 现事件与关联 实体之间的关系； 然后查询与事件类型相关的知 识图谱， 以确定知识图谱中各关联 实体的第二子 图， 第二子图中的节点包括关联 实体和与关联 实 体在预设关系范围内的其他实体， 边体 现实体之 间的关系； 其中， 知识图谱的节点中包括目标类 型的实体； 再将第一子图和第二子图进行融合得 到事件子图信息； 最后将事件子图信息输入预先 训练得到的事件影 响预测模型， 得到事件对目标 类型的实体的影响信息 。 权利要求书3页 说明书13页 附图8页 CN 114357197 B 2022.07.26 CN 114357197 B 1.事件的推理方法， 包括： 从事件相关文本中抽取事 件信息和关联实体信息； 利用所述事件信 息和所述关联实体信 息构成第一子图， 所述第 一子图中的节点包括事 件和关联实体， 所述第一子图中的边体现事 件与关联实体之间的关系； 查询与所述事件的类型相关的知识图谱， 以确定知识图谱中各所述关联实体的第 二子 图， 所述第二子图中的节点包括所述关联实体和与所述关联实体在预设关系范围内的其他 实体， 边体现实体之间的关系； 其中， 所述知识图谱的节点中包括目标类型的实体； 将所述第一子图和所述第二子图进行融合得到事 件子图信息； 将所述事件子图信 息输入预先训练得到的事件影响预测模型， 得到所述事件对所述目 标类型的实体的影响信息 。 2.根据权利要求1所述的方法， 其中， 在所述从事件相关文本 中抽取事件信 息和关联实 体信息之前， 还 包括： 从与所述目标类型 所对应领域的事 件相关文本中， 筛 选出热点事件相关文本； 对筛选出的热点事 件相关文本进行聚类和去重处 理； 分别从各聚类结果中选择N个事件相关文本用以分别执行所述抽取事件信 息和关联实 体信息的处 理， 所述N为预设的自然数。 3.根据权利要求1所述的方法， 其中， 所述从事件相关文本 中抽取事件信 息和关联实体 信息包括： 基于预设的词典、 模板和事件抽取模型中的至少一种， 从事件相关文本中抽取事件信 息和关联实体信息； 其中所述词典包括事 件关键词和实体关键词； 所述模板包括事 件对应的语义表达模板和实体对应的语义表达模板 。 4.根据权利要求1所述的方法， 其中， 所述影响信息包括： 影响到的目标类型的实体信 息及对应的影响程度。 5.根据权利要求1所述的方法， 其中， 将所述第 一子图和所述第 二子图进行融合得到事 件子图信息包括： 将所述第一子图和所述第二子图进行融合； 对融合的结果进行结构化处理， 得到以事件为初始节点、 以各目标类型的实体分别为 结束节点的链式结构数据。 6.根据权利要求1所述的方法， 其中， 所述得到所述事件对所述目标类型的实体的影响 信息， 包括： 所述事件影响预测模型从所述事件子图信息中获取各节点的属性信息和各边的属性 信息， 对各节点的属 性信息和边的属 性信息进行编码， 分别得到各节点的特征向量表示和 各边的特征向量表示； 将所述事件子图中的事件和各目标类型的实体分别构成待 预测的候 选对， 基于所述事件子图中各节点的特征向量表 示和各边的特征向量表示预测各候选对的 得分， 其中， 候选对的得分体现该候选对中事 件对目标类型的实体的影响程度。 7.根据权利要求1至6中任一项所述的方法， 其中， 所述事件信息为金融相关的事件类 型； 所述目标类型的实体为股票或基金的实体。权　利　要　求　书 1/3 页 2 CN 114357197 B 28.一种获取事 件影响预测模型的方法， 包括： 获取训练数据， 所述训练数据包括第 一子图样本、 第 二子图样本以及影响信息标签； 其 中所述第一子图样本是利用从历史事件相关文本中抽取出的事件信息和关联实体信息构 建的， 所述第一子图中的节点包括事件和关联实体， 边体现事件与关联实体之间的关系； 所 述第二子图样本是依据第一子图样本中关联实体信息查询知识图谱而得到， 第二子图中的 节点包括所述关联实体和与所述关联实体在预设关系范围内的其他 实体， 边体现实体之间 的关系， 所述知识图谱的节点中包括 目标类型 的实体； 所述影响信息标签包括从历史时间 相关文本中抽取 出的事件对目标类型的实体的影响信息； 利用所述训练数据训练图模型得到所述事件影响预测模型， 其中将所述第 一子图样本 和所述第二子图样本融合后得到的事件子图信息作为所述图模型的输入， 将所述影响信息 标签作为所述图模型的目标输出。 9.根据权利要求8所述的方法， 其中， 所述事件影响预测模型从所述事件子图信 息中获 取各节点的属 性信息和各边的属性信息， 对各节点的属 性信息和 边的属性信息进行编码， 分别得到各节点的特征向量表示和各边的特征向量表示； 将所述事件子图中的事件和各目 标类型的实体分别构成待 预测的候选对， 基于所述事件子图中各节点的特征向量表示和各 边的特征向量表示预测各候选对的得分， 其中， 候选对的得分体现该候选对中事件对目标 类型的实体的影响程度。 10.事件的推理装置， 包括： 事件抽取单元， 被配置为从事 件相关文本中抽取事 件信息和关联实体信息； 第一子图构建单元， 被配置为利用所述事件信息和所述关联实体信息构成第一子 图， 所述第一子图中的节 点包括事件和关联实体， 所述第一子图中的边体现事件与关联实体之 间的关系； 第二子图构建单元， 被配置为查询与所述事件的类型相关的知识图谱， 以确定知识图 谱中各所述关联实体的第二子图， 所述第二子图中的节点包括所述关联实体和与所述关联 实体在预设关系范围内的其他 实体， 边体现实体之 间的关系； 其中， 所述知识图谱的节点中 包括目标类型的实体； 融合单元， 被配置为将所述第一子图和所述第二子图进行融合得到事 件子图信息； 影响预测单元， 被配置为将所述事件子图信息输入预先训练得到的事件影响预测模 型， 得到所述事 件对所述目标类型的实体的影响信息 。 11.一种获取事 件影响预测模型的装置， 包括： 数据获取单元， 被配置为获取训练数据， 所述训练数据包括第一子图样本、 第 二子图样 本以及影响信息标签， 其中所述第一子图样本是利用从历史事件相关文本中抽取出的事件 信息和关联实体信息构建的， 所述第一子图中的节点包括事件和关联实体， 边体现事件与 关联实体之 间的关系； 所述第二子图样本是依据第一子图样本中关联实体信息查询知识图 谱而得到， 第二子图中的节点包括所述关联实体和与所述关联实体在预设关系范围内的其 他实体， 边体现实体之间的关系， 所述知识图谱的节点中包括目标类型的实体； 所述影响信 息标签包括从历史时间相关文本中抽取 出的事件对目标类型的实体的影响信息； 模型训练单元， 被配置为利用所述训练数据训练图模型得到所述事件影响预测模型， 其中将所述第一子图样本和所述第二子图样本融合后得到的事件子图信息作为所述图模权　利　要　求　书 2/3 页 3 CN 114357197 B 3