本發(fā)明涉及信息處理的，尤其涉及一種基于多維度異構(gòu)圖表示與匹配的新聞事件檢測方法，以及基于多維度異構(gòu)圖表示與匹配的新聞事件檢測裝置。

背景技術(shù)：

1、隨著互聯(lián)網(wǎng)和多種新聞媒體平臺的飛速進(jìn)步，人們接觸信息的途徑日益多樣化。人們可以隨時(shí)隨地通過智能手機(jī)、平板電腦獲取到來自世界各地的最新新聞與信息，不論是國際政治動態(tài)、經(jīng)濟(jì)發(fā)展情況、科技創(chuàng)新突破還是流行文化趨勢。這些平臺提供的海量新聞資源，極大地豐富和方便了人們的日常生活。然而，在為人們的生活帶來便捷的同時(shí)，也伴隨著諸多挑戰(zhàn)。最突出的挑戰(zhàn)是信息過載現(xiàn)象日益嚴(yán)重，人們在龐雜的信息洪流中往往難以迅速鑒別出其中有價(jià)值的內(nèi)容，這種信息過載不僅消耗了用戶大量的時(shí)間和精力，還可能導(dǎo)致信息的誤讀和誤解，使得辨別真?zhèn)?、把握重點(diǎn)變得更加困難，這已經(jīng)成為了用戶普遍關(guān)注的一個(gè)難題。新聞事件檢測是一種有效解決該問題的方法，它利用先進(jìn)的計(jì)算機(jī)算法和大數(shù)據(jù)分析技術(shù)，能夠自動識別、分類和追蹤新聞事件的發(fā)生和發(fā)展。通過對大量新聞數(shù)據(jù)的實(shí)時(shí)監(jiān)控和智能分析，這種技術(shù)可以幫助監(jiān)管部門、媒體機(jī)構(gòu)乃至普通用戶迅速識別出熱點(diǎn)事件，從而有效緩解信息過載帶來的壓力。新聞事件檢測技術(shù)不僅可以提高信息處理的效率，還可以幫助構(gòu)建更加健康、有序的網(wǎng)絡(luò)信息環(huán)境。

2、目前，針對新聞事件檢測領(lǐng)域的研究有基于傳統(tǒng)特征的方法、基于主題模型的方法、基于圖的方法。其中基于圖的方法是當(dāng)前最為流行的新聞事件檢測方法。然而，由于基于圖的事件檢測方法大多嚴(yán)重依賴語言學(xué)知識以及新聞內(nèi)容的語義特征，帶來信息丟失、語義稀疏、事件檢測不準(zhǔn)確等問題。且該類方法需要使用社區(qū)檢測算法對圖進(jìn)行劃分，但由于社區(qū)檢測算法時(shí)間復(fù)雜度較高，因此在大規(guī)模數(shù)據(jù)下，基于圖的事件檢測方法具有較大的時(shí)間開銷，導(dǎo)致其應(yīng)用范圍受限。

技術(shù)實(shí)現(xiàn)思路

1、為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明要解決的技術(shù)問題是提供了一種基于多維度異構(gòu)圖表示與匹配的新聞事件檢測方法，其解決了新聞數(shù)據(jù)的多種屬性統(tǒng)一建模和嵌入問題，解決了圖結(jié)構(gòu)之間難以匹配以及新聞的相似度計(jì)算問題，解決了基于圖的新聞事件檢測無法建模事件隨時(shí)間動態(tài)變化，以及無法識別關(guān)聯(lián)事件的問題，解決了基于圖的新聞事件檢測效率低的問題，可以在不同領(lǐng)域準(zhǔn)確地檢測新聞事件，并有效提高新聞事件檢測效率。

2、本發(fā)明的技術(shù)方案是：這種基于多維度異構(gòu)圖表示與匹配的新聞事件檢測方法，包括以下步驟：

3、(1)抽取新聞數(shù)據(jù)的主要特征，其包括主題特征、時(shí)間特征、地理位置特征，并將其視為節(jié)點(diǎn)信息，構(gòu)建新聞多維度異構(gòu)圖，輸入部分為訓(xùn)練數(shù)據(jù)集；

4、(2)對所建立的新聞多維度異構(gòu)圖進(jìn)行嵌入值的學(xué)習(xí)，通過逐步迭代訓(xùn)練，最終生成最優(yōu)模型參數(shù)；

5、(3)使用圖神經(jīng)網(wǎng)絡(luò)，對所構(gòu)建的新聞多維度異構(gòu)圖進(jìn)行匹配，計(jì)算新聞之間的匹配分?jǐn)?shù)；

6、(4)對新聞事件進(jìn)行動態(tài)檢測，首先為新聞數(shù)據(jù)創(chuàng)建動態(tài)圖模

7、型，然后用滑動時(shí)間窗口覆蓋的時(shí)間間隔內(nèi)的子圖，獨(dú)立地檢測事件。

8、本發(fā)明兼顧了新聞的主題、時(shí)間、地理位置等多種信息，充分利用了新聞中的關(guān)鍵信息，并建立了多種關(guān)鍵信息之間的關(guān)聯(lián)關(guān)系，比傳統(tǒng)方法具有更強(qiáng)的新聞表示能力。所提出的新聞多維度異構(gòu)圖表示匹配方法，使用異構(gòu)圖嵌入技術(shù)獲得異構(gòu)圖節(jié)點(diǎn)的嵌入值，在此基礎(chǔ)上通過匹配網(wǎng)絡(luò)分別對圖中的節(jié)點(diǎn)對進(jìn)行編碼得到匹配向量，然后使用圖卷積網(wǎng)絡(luò)將局部匹配向量聚合成兩篇新聞最終的匹配分?jǐn)?shù)，解決了圖模型在非歐幾里得空間中難以匹配的問題，更準(zhǔn)確的比較新聞之間的相似度。所提出的基于動態(tài)圖模型的新聞事件檢測方法，使用滑動時(shí)間窗口δt對新聞多維度異構(gòu)圖序列進(jìn)行劃分，并對每個(gè)時(shí)間窗口內(nèi)的異構(gòu)圖序列獨(dú)立地進(jìn)行事件檢測，能夠更準(zhǔn)確地檢測新聞事件，并識別事件間的關(guān)聯(lián)關(guān)系。能夠有效提高新聞事件檢測效率。本發(fā)明所提出的方法可以用于新聞事件檢測和演化，使監(jiān)管部門對事件的發(fā)展規(guī)律、演變模式有更加清晰的認(rèn)識，進(jìn)而能夠更準(zhǔn)確地預(yù)測事件發(fā)展的趨勢。對于當(dāng)今社會海量數(shù)據(jù)背景下，監(jiān)控焦點(diǎn)新聞、輿情管理等方面具有重要的意義。

9、還提供了基于多維度異構(gòu)圖表示與匹配的新聞事件檢測裝置，其包括：

10、新聞多維度異構(gòu)圖建模模塊，其配置來抽取新聞數(shù)據(jù)的主要特征，其包括主題特征、時(shí)間特征、地理位置特征，并將其視為節(jié)點(diǎn)信

11、息，構(gòu)建新聞多維度異構(gòu)圖，輸入部分為訓(xùn)練數(shù)據(jù)集；

12、新聞多維度異構(gòu)圖嵌入訓(xùn)練模塊，其配置來對所建立的新聞多維度異構(gòu)圖進(jìn)行嵌入值的學(xué)習(xí)，通過逐步迭代訓(xùn)練，最終生成最優(yōu)模型參數(shù)；

13、新聞多維度異構(gòu)圖表示匹配模塊，其配置來使用圖神經(jīng)網(wǎng)絡(luò)，對所構(gòu)建的新聞多維度異構(gòu)圖進(jìn)行匹配，計(jì)算新聞之間的匹配分?jǐn)?shù)；

14、基于動態(tài)圖模型的新聞事件檢測模塊，其配置來對新聞事件進(jìn)行動態(tài)檢測，首先為新聞數(shù)據(jù)創(chuàng)建動態(tài)圖模型，然后用滑動時(shí)間窗口覆蓋的時(shí)間間隔內(nèi)的子圖，獨(dú)立地檢測事件。

技術(shù)特征：

1.基于多維度異構(gòu)圖表示與匹配的新聞事件檢測方法，其特征在于：該方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于多維度異構(gòu)圖表示與匹配的新聞事件檢測方法，其特征在于：所述步驟(1)包括以下分步驟：

3.根據(jù)權(quán)利要求2所述的基于多維度異構(gòu)圖表示與匹配的新聞事件檢測方法，其特征在于：所述步驟(2)包括以下分步驟：

4.根據(jù)權(quán)利要求3所述的基于多維度異構(gòu)圖表示與匹配的新聞事件檢測方法，其特征在于：所述步驟(3)包括以下分步驟：

5.根據(jù)權(quán)利要求4所述的基于多維度異構(gòu)圖表示與匹配的新聞事件檢測方法，其特征在于：所述步驟(4)包括以下分步驟：

6.基于多維度異構(gòu)圖表示與匹配的新聞事件檢測裝置，其特征在于：其包括：

7.根據(jù)權(quán)利要求6所述的基于多維度異構(gòu)圖表示與匹配的新聞事件檢測裝置，其特征在于：所述新聞多維度異構(gòu)圖建模模塊包括：

8.根據(jù)權(quán)利要求7所述的基于多維度異構(gòu)圖表示與匹配的新聞事件檢測裝置，其特征在于：所述新聞多維度異構(gòu)圖嵌入訓(xùn)練模塊包括：

9.根據(jù)權(quán)利要求8所述的基于多維度異構(gòu)圖表示與匹配的新聞事件檢測裝置，其特征在于：所述新聞多維度異構(gòu)圖表示匹配模塊包括：

10.根據(jù)權(quán)利要求9所述的基于多維度異構(gòu)圖表示與匹配的新聞事件檢測裝置，其特征在于：所述基于動態(tài)圖模型的新聞事件檢測模塊包括：

技術(shù)總結(jié)
基于多維度異構(gòu)圖表示與匹配的新聞事件檢測方法及裝置，解決新聞數(shù)據(jù)多種屬性統(tǒng)一建模和嵌入問題，解決圖結(jié)構(gòu)之間難以匹配以及新聞相似度計(jì)算問題，解決基于圖的新聞事件檢測無法建模事件隨時(shí)間動態(tài)變化，以及無法識別關(guān)聯(lián)事件的問題，解決基于圖的新聞事件檢測效率低的問題，可以在不同領(lǐng)域準(zhǔn)確地檢測新聞事件。方法包括：(1)抽取新聞數(shù)據(jù)的主要特征，視為節(jié)點(diǎn)信息，構(gòu)建新聞多維度異構(gòu)圖；(2)對新聞多維度異構(gòu)圖嵌入值進(jìn)行學(xué)習(xí)，逐步迭代訓(xùn)練，生成最優(yōu)模型參數(shù)；(3)使用圖神經(jīng)網(wǎng)絡(luò)，對新聞多維度異構(gòu)圖進(jìn)行匹配，計(jì)算新聞之間的匹配分?jǐn)?shù)；(4)為新聞數(shù)據(jù)創(chuàng)建動態(tài)圖模型，用滑動時(shí)間窗口覆蓋的時(shí)間間隔內(nèi)的子圖，動態(tài)檢測新聞事件。

技術(shù)研發(fā)人員：肖克晶,冉廣煜
受保護(hù)的技術(shù)使用者：北京印刷學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9