事件知识库构建是计算机体系结构领域的一个关键课题,尤其是在当前大数据和人工智能环境下,传统的实体知识图谱,如DBpedia、Yago和Wikidata,虽然提供了丰富的静态实体信息,但在描述动态事件和时间关联上存在不足。为了弥补这一空白,研究人员正在探索事件知识学习的方法,重点关注基于句子和文档的事件抽取。
3.3.1 基于句子级的事件抽取方法
例如,Wang和Zhao提出的NOEM模型,采用本体论框架来描述新闻事件的五个基本要素(Who, What, Where, When, Why和How),即5W1H3,通过自动化将关键事件的语义要素扩展到知识图谱中,使得事件知识库能够支持复杂的语义层次应用。NewsReader中,Rospocher等人利用深度学习的NLP技术,如实体链接和语义角色标注,从多语言新闻中提取事件,并将实体链接到DBpedia,形成动态的事件知识图谱。
Tao等人则提出了Eventcube,通过从新闻中抽取关键词构建词网络,利用该网络构建多层次的话题,便于多维度搜索。Rouces等人的FrameBase采用N维语义框架,突破了传统RDF表征的限制,将句子视为实例,时间和事件元素作为实例关联的组成部分。
3.3.2 基于文档级的事件发现策略
Event Registry通过对多语言新闻文档进行事件抽取和聚类,提炼出宏观事件及其要素,如人物、时间、地点等。Kuzey等人构建新闻文档图,通过相似性分析形成事件类别,并捕捉事件间的时空关系。Hoxha等人则利用文档词袋模型聚类新闻,同时实体链接到知识库,形成完整的事件知识库。
这些方法的发展表明,事件知识库构建正在朝着更精细、动态和结构化的方向发展,不仅提升了知识图谱的丰富性和实用性,还为语义搜索、问答系统、大数据分析和决策支持提供了强大的工具。CCKS2018中可能强调了这些研究在知识图谱领域的创新和重要性,表明了知识图谱技术在人工智能和大数据时代的持续进化,以及它作为知识融合、语义理解和智能决策的重要支撑。
总结来说,事件知识库构建是知识图谱研究的重要分支,它通过结合多种自然语言处理技术,从文本中抽取出动态事件信息,丰富了知识图谱的内容,为互联网智能应用提供了更为深入和全面的知识支持。未来的研究可能会进一步优化事件抽取和整合方法,提升知识图谱在语义理解和知识服务中的性能。