【事件图谱】事件推理

事件推理是事件图谱应用阶段的关键技术。对于已经发生的事件，对将要发生的事件进行合理的预测，在事件演化挖掘，规避事件风险等实际应用上有重要意义。以下介绍了事件推理的几种经典范式以及推理评测任务和金融领域的落地探索。

 本文将从脚本事件推理展开介绍，具体来说，介绍了脚本事件推理任务、脚本事件推理的两种方法和金融领域落地实践中的一种面向金融事件影响关联推理的方法。

 一、脚本事件推理任务

脚本事件推理：主要任务是根据一系列的故事的上下文来推断出正确的故事结尾，当然推断结尾一般也是常识级别的因果关系推断

例如：这是在餐馆场景下发生的一系列事件。

角色：X代表顾客、Y代表服务员

事件：X进入餐厅-->X坐下-->X读菜单-->X点菜品-->Y给X上菜-->X吃饭-->X支付订单

根据已经发生的事件，给出了5个候选事件，可以看出下一个最可能发生的事件就是离开餐馆。

 二、脚本事件推理方法

基于Pair LSTM时序建模的脚本事件推理

其流程如下：

这种方法分为三步：

在第一步事件表示中，已有的脚本事件链中的每个事件被组织成 v ( a_0, a_1, a_2 )，embeddings 之后拼接成为一个 event vector e，然后使用 LSTM 来 encode，使用LSTM 主要是为了保留事件之间的时序关系。 然后第二步是计算相关性得分，使用 dynamic memory network来学习候选事件和这些事件链中的事件的相关性，添加了简单的attention机制来对事件链中每个事件对于候选事件的影响程度进行权重计算。 最后一步就是预测最佳结果，把所有event pairs的平均分数作为最终预测的候选事件得分。

网络结构如下：

 

融合图结构信息的脚本事件推理 

对于已经发生的事件 enter->order->serve，现在要从talk和eat这两个候选事件中选出下一个最可能发生的事件。

如下图

在基于事件对和事件链的方法中

如（b）所示，在训练的时候，会发现（serve,talk）一起出现的频率要高于（serve,eat），因此在预测的时候选择talk的概率会更高。

而在基于事件图结构的方法中

如（c）所示，（order，serve，eat）构成了一个强联通分量，这暗示了eat更可能是正确答案。

通过构建事件图结构，可以看到 BCD 三个事件会形成一个图谱上的环结构，环结构的强连接意味着 BCD 事件往往是一起进行循环出现的，这是一种隐式的连接信息，在学习事件表示的时候将会更有效地提供更多信息。

因此，为了建模这种有向图之间的概率传递，该方法采用了SGNN来进行表示学习。

网络结构如图：

 这种表示方式流程如下：

同样，第一步，首先初始化事件表示，对于一个事件 e = p(a0; a1; a2)，p 为触发词，a 为事件角色，将他们 embeddings ，然后对于每个部分的 embeddings ，进行组合操作，例如：

• Average操作。使用每个部分的 embeddings 的平均值作为最后的 event vector
• Nonlinear Transformation操作。接一个变换矩阵。
• Concatenation操作。直接连接每一个部分的embeddings 作为最后的 event vector。

第二步、事件表示学习。通过 GGNN 来融入事件的时序信息和共现关系信息。GGNN 的输入是事件链的隐状态矩阵和事件的图谱结构邻接矩阵。

第三步、从候选事件预测最可能的事件。对每个候选事件，事件链中的每个事件都和这个候选事件计算相关性得分，计算方式有曼哈顿距离，cosine similarity，Dot similarity 和 Euclidean similarity方法进行度量。

最终将每个 event pair 的相关度得分加起来取平均值即为最后的候选事件得分，排序后，得到最佳的后续事件。

 三、金融领域事件推理落地探索

这里介绍了一种面向金融事件影响关联推理的方法

针对用户输入事件,经过关联事件识别、事件关联实体识别、事件情感分析、事件路径推理等模块提供事件影响查询。

整体的技术流程图如图３所示。首先基于事件因果逻辑知识库对用户输入字符串中的事件进行识别，再基于产业链知识库进行实体识别、实体链接，获取关联的实体集合，并基于因果逻辑知识库，获取后续影响事件结果集合，最后送入实体推理模块，通过情感分析、关联推理规则、推理路径生成规则，完成指定的生成结果。

我们以“螺纹钢价格下跌”为例，得到了以下推理结果（图４）。“螺纹钢价格下跌”这一事件发生后，导致了“成本铁矿石暴跌”，两个事件的情感方向均为负向，通过这两个事件进行实体识别和链接，分别连接到以“铁矿石”和“螺纹钢”为核心的产业链逻辑图中。通过对事件进行情感判定、关联规则推理、影响路径规则推理等处理之后，我们可以针对图中每一个产业链实体结点都给出一个“利空”和“利好”的信号。

参考文献：

[1]刘焕勇,薛云志,李瑞,任红萍,陈贺,张鹏.面向开放文本的逻辑推理知识抽取与事件影响推理探索[J].中文信息学报,2021,35(10):56-63. 

http://file:///F:/Zotero%20data/storage/CMVM8NUM/103485574.html

综述 | 事件抽取及推理 (下)_开放知识图谱的博客-CSDN博客. 

 http://file:///F:/Zotero%20data/storage/UX6WS94T/101145189.html

[2]张怡.一种基于深度学习的脚本预测方法研究[D].华南师范大学硕士论文,2021