事理圖譜研究進展

摘 要：事理圖譜作為一種工具自2017年提出后就受到廣泛關注。截至2023年3月，知網上收錄關于事理圖譜的文章共135篇。研究發現：國內外關于事理圖譜的研究方向不盡相同，國內偏向于計算機與教育等方面，而國外更多地偏向于計算機與數學及人物傳記等方面;學者們致力于研究提升算法性能及事理圖譜的應用這2個部分，但有很大一部分應用型的文章只停留在想法方面，并沒有真正地將事理圖譜應用在自己的領域，尤其對跨領域研究的文章;在形成事理圖譜的過程中，對于事件關系抽取的準確性還有一定的提升空間。將現有準確性高的程序簡單化或者統一化，使更多的學者了解事理圖譜并應用于各個領域是目前亟待解決的問題。

關 鍵 詞：事理圖譜; 事件關系抽取; pytorch框架

中圖分類號：C81 文獻標志碼：A

doi：10.3969/j.issn.1673-5862.2023.02.010

Research progress of rational map

WEN Xuebing^1，2， SONG Yuze¹， WANG Qiuping³

（1. College of Mathematics and Systems Science， Shenyang Normal University， Shenyang 110034， China;

2. Editorial Department， Shenyang Normal University， Shenyang 110034， China;

3. College of International Education， Shenyang Normal University， Shenyang 110034， China）

Abstract：Rational map as a tool has been widely concerned since it was proposed in 2017. As of March 2023， CNKI had collected 135 domestic articles on rational map. The research results show that the research directions of the theory graph are not the same at home and abroad. In China， it is more used in computer and education， while in foreign countries， it is more used in computer and mathematics and biography. Scholars devote themselves to the two parts of improving algorithm performance and the application of rational map. However， a large number of application-oriented articles only focus on ideas， and do not really apply rational map to their own fields，" especially for scholars of cross-field research. In the process of forming the rational map， there is still some room to improve the accuracy of event relation extraction. It is an urgent problem to simplify or unify the existing programs with high accuracy so that more scholars can understand the theory graph and apply it in various fields.

Key words：rational spectrum; event relation extraction;pytorch framework

人類的發展離不開事件的推動，事件與事件之間在時間和空間上相繼發生著的演化規律和模式是一種十分有研究價值的知識，而現有的知識圖譜缺乏對事件邏輯的體現。于是，隨著深度學習與人工智能的發展，事理圖譜應運而生。2016年，哈爾濱工業大學社會計算與信息檢索研究中心開始啟動事理圖譜的研究。2017年，該中心主任劉挺教授在中國計算機大會上正式提出“事理圖譜”概念。事理圖譜是一個有向有環圖，在這個圖中，用節點表示事件，用有向邊表示事件之間的演化關系。事理圖譜與知識圖譜不同，描述的是事件之間的演化規律和模式，事理圖譜與知識圖譜的對比見表1。

1 數據收集

2023年3月6日，筆者以“事理圖譜”為主題，在中國知網的數據庫中進行中文搜索，瀏覽初步檢索所得的文獻，剔除評論以及與主題無關的文獻，共得到文獻135篇。

2 研究綜述

國內關于事理圖譜的研究內容主要集中在2個大的方面，第1個是針對形成事理圖譜本身的框架及算法進行優化，如圖1;第2個是事理圖譜在各個領域中的應用。

2.1 事理圖譜框架

事理圖譜是一個事理邏輯庫，描述了事件之間的演化規律和模式。從圖論角度來說，事理圖譜就是一個有向有環圖，在這個圖中，節點代表著事件，有向邊代表事件之間的邏輯關系，比如順承、因果和條件等關系。

隨著大數據時代的來臨和人工智能研究的日趨深入，越來越多的工作都用計算機和機器來代替。學者們將繪制事理圖譜的過程大致分為以下4個部分：事件抽取、事件關系抽取、事件泛化（圖2）以及圖譜可視化，其中一部分學者致力于研究事理圖譜框架的優化與改進。

梁帥^［1］使用python軟件爬蟲，爬取網絡上關于疫情的實時新聞，構建出有關新冠疫情的語料庫。其構建的新冠疫情事理圖譜結構如圖3所示。作者使用哈爾濱工業大學語言處理工具LTP（language technoligy platform）得到語義角色詞典，然后進行分詞、數據的標注以及尋找種子觸發詞，且這種觸發詞基本都是動詞。因為一句話中可能有多個種子詞，但真正有重要意義的僅有一個，接下來作者又進行了種子詞的刪減。若通過人工進行刪減將消耗大量的時間，因此，作者選用基于聚類的KNN（k-nearest neighbor）算法進行事件類型的識別并單獨進行實驗分析，使用依存句法與一定的規則抽取爬取和處理的句子中的論元信息。經過一系列的抽取后，在句子中的實物本體、事件觸發詞和事件元素間創造了依賴關系，并連接在一起。此文中論元抽取所用的方法是最大熵理論，并進行了實驗驗證。在論元抽取后，使用模式匹配法進行顯式關系的識別和抽取，使用深度學習方法中的

深層次捕捉識別方法進行隱式關系的識別和抽取，此文中用到的模型是Attention+BILSTM（Bi-directional long short-term memory）+TT（through time）。作者在事件泛化環節之前，添加了一步事件相似度的計算，將余弦相似度和杰卡德相似度相結合用于評估2個事件的相似程度，相似度高的2個事件將保存到最后的事理圖譜中。最后，作者在計算好相似度的基礎上進行事件泛化，構建好抽象事理圖譜。張超^［2］在《面向電信詐騙領域的事理圖譜構建關鍵技術研究》一文中對小樣本構建事理圖譜的算法進行改進，因現有主流的事件標注工具無法貼切研究內容，作者自己設計了文本標注工具，實現了分層次事件的標注，并進行實驗證實此工具更加適合其研究領域。在事件抽取環節，作者提出了基于ERNIE-BIGRU-CRF（enhanced language representation with informative entities-bidirectional recurrent neural networks-conditional random field）的事件抽取模型，這種方法減少了原有方法的誤差，提升了抽取關于電信詐騙領域的事件要素和事件觸發詞的準確率，在文章中作者也使用ACE和TFG數據集進行實驗并將實驗結果進行了展示與分析。在事件要素識別方面，作者使用的是Tempalte–based UNILM（unified language model）模型并在小樣本數據中進行訓練測試，證明了這個模型在小樣本下的準確性及優勢。作者使用模式匹配方法和LTP進行顯隱性事件關系抽取，使用CEC數據集實驗和分析。事理圖譜的可視化使用python庫中的Pyecharts進行編碼。廖豪勁^［3］在《基于特定場景事理圖譜的知識問答系統的設計與實現》一文中使用基于深度學習的事件抽取模型ON-TLNN（ordered neurons-trigger-aware lattice neural network），后又使用基于深度學習的有序神經元模型完成事件關系的抽取，都取得了良好的效果。《基于事理圖譜的事件分析方法研究與實現》一文中，石羽嘉^［4］在事件關系抽取模塊基于原有的依存句法提出了“事件依存圖”，這是一種新的結構，并基于依存圖設計出事件因果關系、時序關系的BEGC（Bi-lstm es-gat crf）模型。除此之外，該文另一個創新點是將事理圖譜和GCN（graph convolutional networks）結合提出一種新模型， 通過實驗發現這個新模型有2個方面相較于原有主流模型有明顯優點。作者基于事件依存圖設計了一種事件關系抽取的BEGC模型并使用新聞語料庫進行實驗評估，取得了優異表現。倪德^［5］在《基于食品安全大數據的事理圖譜構建研究》一文中，使用基于條件隨機場的分詞方法使分詞模型的準確率提升至90.5%，再通過短句、詞序列和短語3種方式進行事件抽取以更好地適用于事件泛化。葛任賢^［6］在《基于互聯網知識抽取的汽車故障事理圖譜構建方法》一文中采用基于正則化的觸發詞結合觸發字匹配的方法識別抽取故障原因事件，解決了在汽車故障領域缺少較為完善的詞典和語料庫，以及汽車故障事件句子具有鮮明的領域特性的問題，并通過實驗證明了該算法的有效性。

由以上文獻不難看出，構建事理圖譜的過程較為復雜，大部分研究學者使用LTP等自然語言處理平臺，使用Neo4j等工具進行數據可視化，并試圖將多種模型結合用于事件關系抽取、事件泛化這2個環節，以提升它們的準確度。

2.2 事理圖譜的應用

作為一種工具，事理圖譜被應用到越來越多的領域，也有越來越多的學者愿意將事理圖譜進行改進并應用到自己的領域。趙文正等^［7］在《軍事事理圖譜構建與交互式分析工具》一文中，利用事理圖譜使用戶可以更加直觀且高效地觀察和分析軍事情報，有效地提升了部隊信息化指揮水平。王又辰等^［8］提出將事理圖譜應用于軍事領域，以助力用戶挖掘軍事情報數據價值，提高作戰人員的指揮決策效率。鄧君等^［9］以康養旅游為例，賴佳敏^［10］以出境游為例……這些學者將事理圖譜應用于旅游領域，希望使用此工具優化旅游路線，合理分配旅游資源。王晰巍等^［11］使用“7·20”河南暴雨產生的網絡輿情數據，田依林和李星^［12］使用新冠肺炎所產生的網絡輿情數據……這些學者將事理圖譜應用到了突發事件的輿論分析中，大體流程如圖4所示，希望充分發揮事理圖譜在監測、預測及影響輿論方面中的價值^［13］。趙一婷等^［14］將事理圖譜應用于初中教學領域，用于探究教師信息技術應用能力水平;龐敬文等^［15］構建了小學數學教師信息技術應用能力事理圖譜;唐燁偉等^［16］以中小學優質課為數據使用事理圖譜進行表征，挖掘課堂中的教學行為規律……這些學者將事理圖譜應用到了分析中小學一線教學情況中，以促進提升教師的信息技術能力，更好地提高教學質量。孫盼^［17］使用新浪新聞中的數據，李忠陽^［18］使用中文出行理論和金融領域的數據，單曉紅等^［19］使用醫療網絡輿情數據……這些學者將事理圖譜應用到了事件的預測中，并致力于得到更高的準確性。事理圖譜還被應用于航空、空氣、社會學等各個領域，并發揮著不同的作用。

3 結 語

通過對選取文獻的分析，發現這些文獻大部分來源于學術期刊，少部分來源于學位論文，極少數來源于會議。多數提升算法性能的文章都來源于學術論文，而這些作者所學專業基本都與計算機有關，有一定計算機方面的基礎，而應用類文獻基本來源于期刊，多數是簡單地將圖譜進行應用，或者在知識圖譜上進行完善，所使用的數據及方法并未完全貼近自己所研究的領域，這就可能導致結果不準確，可參考性低。甚至還有論文只是希望或者預測事理圖譜可以應用于自己的領域并取得好的結果，并未真正地實踐。分析認為，事理圖譜在應用時對作者的編程能力要求較高，沒有固定或者適用面廣泛的模型和應用提供給跨領域的學者。在這種情況下，很多學者可能在實驗初始獲取數據這方面就遇到了較大的困難。

在應用方面，在大數據量、多表達方式的時代背景下，越來越多的數據通過字、圖結合，字、音結合等多種形式來共同表達，而事理圖譜應用的領域基本都只是以文字為數據，例如新聞集、網絡游記等。大部分可靠重要的數據在獲取時就已經丟失，如果這個問題被解決，事理圖譜將會被用于越來越多的領域，并擁有更高的準確性和可信度。

參考文獻：

［1］梁帥. 面向新冠疫情的事理圖譜構建研究［D］. 南京：南京郵電大學， 2022.

［2］張超. 面向電信詐騙領域的事理圖譜構建關鍵技術研究［D］. 北京： 中國人民公安大學， 2022.

［3］廖豪勁. 基于特定場景事理圖譜的知識問答系統的設計與實現［D］. 北京： 北京郵電大學， 2021.

［4］石羽嘉. 基于事理圖譜的事件分析方法研究與實現［D］. 北京： 北京郵電大學， 2021.

［5］倪德. 基于食品安全大數據的事理圖譜構建研究［D］. 武漢： 湖北大學， 2019.

［6］葛任賢. 基于互聯網知識抽取的汽車故障事理圖譜構建方法［D］. 廣州： 廣東技術師范大學， 2022.

［7］趙文正，王羽，姜曉夏，等. 軍事事理圖譜構建與交互式分析工具［J］. 指揮信息系統與技術， 2022，13（3）：59-64.

［8］王又辰，李墈婧，田宗凱，等. 事件驅動的軍事情報智能分析及推演技術［C］∥中國指揮與控制學會. 第十屆中國指揮控制大會論文集（上冊）. 北京： 兵器工業出版社， 2022：708-713.

［9］鄧君，彭珺，孫紹丹，等. 基于事理圖譜的游記文本知識發現［J］. 現代情報， 2022，42（7）：105-113.

［10］賴佳敏. 基于事理圖譜的意圖識別方法研究［D］. 上海： 華東師范大學， 2022.

［11］王晰巍，王小天，李玥琪. 重大突發事件網絡輿情UGC的事理圖譜構建研究［J］. 圖書情報工作， 2022，66（16）：13-23.

［12］田依林，李星. 基于事理圖譜的新冠肺炎疫情網絡輿情演化路徑分析［J］. 情報理論與實踐， 2021，44（3）：76-83.

［13］ANITHA G，JYOTHI K，SUSMITHA V G，et al. Analyzing geographical events map reduce［J］. IJET， 2018，7（3）：237-237.

［14］趙一婷，鐘紹春，唐燁偉，等. 數據驅動下初中化學教師信息技術應用能力測評事理圖譜研究［J］. 現代教育技術， 2021，31（8）：50-59.

［15］龐敬文，劉東波，卜凡麗，等. 基于智慧課堂環境的小學數學教師信息技術應用能力測評事理圖譜研究［J］. 現代教育技術， 2022，32（2）：81-89.

［16］唐燁偉，趙一婷，陸淑婉，等. 基于教學行為的教師信息技術應用能力測評事理圖譜研究［J］. 遠程教育雜志， 2020，38（5）：90-100.

［17］孫盼. 基于事理圖譜的腳本事件預測方法研究［D］. 北京： 北京交通大學， 2021.

［18］李忠陽. 面向文本事件預測的事理圖譜構建及應用方法研究［D］. 哈爾濱： 哈爾濱工業大學， 2021.

［19］單曉紅，龐世紅，劉曉燕，等. 基于事理圖譜的網絡輿情演化路徑分析［J］. 情報理論與實踐， 2019，42（9）：99-103.