From 86b799ed3b5ea49276f96c7a3275df9a2238c926 Mon Sep 17 00:00:00 2001 From: liuhuanyong Date: Thu, 13 Sep 2018 22:13:04 +0800 Subject: [PATCH] Update README.md --- README.md | 22 +++++++++++----------- 1 file changed, 11 insertions(+), 11 deletions(-) diff --git a/README.md b/README.md index e306b19..1636530 100644 --- a/README.md +++ b/README.md @@ -7,15 +7,15 @@ templated based causality event extraction 本项目是对因果事件抽取以及因果知识图谱构建的一种尝试。 # 技术路线 -因果事件图谱技术流程上遵循以下流程： +因果事件图谱技术流程上遵循以下流程： ![image](https://github.com/liuhuanyong/CausalityEventGraph/blob/master/image/schema.png) 主要包括以下几个步骤： -1、因果知识库的构建。因果知识库的构建包括因果连词库，结果词库、因果模式库等。 -2、文本预处理。这个包括对文本进行噪声移除，非关键信息去除等。 -3、因果事件抽取。这个包括基于因果模式库的因果对抽取。 -4、事件表示。这是整个因果图谱构建的核心问题，因为事件图谱本质上是联通的，如何选择一种恰当（短语、短句、句子主干）等方式很重要。 -5、事件融合。事件融合跟知识图谱中的实体对齐任务很像 -6、事件存储。事件存储是最后步骤，基于业务需求，可以用相应的数据库进行存储，比如图数据库等。 +1、因果知识库的构建。因果知识库的构建包括因果连词库，结果词库、因果模式库等。 +2、文本预处理。这个包括对文本进行噪声移除，非关键信息去除等。 +3、因果事件抽取。这个包括基于因果模式库的因果对抽取。 +4、事件表示。这是整个因果图谱构建的核心问题，因为事件图谱本质上是联通的，如何选择一种恰当（短语、短句、句子主干）等方式很重要。 +5、事件融合。事件融合跟知识图谱中的实体对齐任务很像 +6、事件存储。事件存储是最后步骤，基于业务需求，可以用相应的数据库进行存储，比如图数据库等。 # 最终效果 经过以上几个流程之后，可以支持各类查询，比如已知原因找结果，已知结果找原因等，这都很有事情，总之，数据库有了，我们可以做的事情有很多，接下来就是我们脑洞的事情了。 @@ -31,9 +31,9 @@ templated based causality event extraction ![image](https://github.com/liuhuanyong/CausalityEventGraph/blob/master/image/shouguang.png) # 总结 -1）基于规则这套，很实用，但问题不少，规则维护比较多 -2）事件表示这块一定要好好想想啊 -3）事件融合这块，利用各种相似度度量进行计算，都有一定缺陷 +1）基于规则这套，很实用，但问题不少，规则维护比较多 +2）事件表示这块一定要好好想想啊 +3）事件融合这块，利用各种相似度度量进行计算，都有一定缺陷 # question? -send mail to lhy_in_blcu@126.com \ No newline at end of file +send mail to lhy_in_blcu@126.com