KG/CausalityEventExtraction
1
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity

Update README.md

Browse Source
This commit is contained in:
liuhuanyong 2018-09-13 22:13:04 +08:00 committed by GitHub
parent 4a33263829
commit 86b799ed3b
No known key found for this signature in database
GPG Key ID: 4AEE18F83AFDEB23
1 changed files with 11 additions and 11 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

22
README.md
View File

@ -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
send mail to lhy_in_blcu@126.com