一种因果关系的判别方法、装置、电子设备及存储介质与流程

本申请涉及计算机应用技术领域，进一步涉及知识图谱技术，尤其是一种因果关系的判别方法、装置、电子设备及存储介质。

背景技术：

人类社会是一个由静态事物进行动态活动所创造形成的世界，人类的记忆是以事件为单位进行存储的，以事件作为知识的基本单位更能反映客观世界的知识。事件与事件之间的因果关系对于事件预测等应用存在着大量价值，事件图谱中存在着大量的因果关系，在现有的因果关系的判别方法中，通常利用人工构建语义特征的方式判别事件之间是否存在因果关系。例如，针对事件a和事件b，假设事件a中包含的事件词和事件b中包含的事件词相同或者相似，现有技术可以采用人工方式构建事件a中包含的事件词的语义特征，再采用人工方式构建事件b中包含的事件词的语义特征，这样仅仅关注于事件词的语义信息，对于事件的语义信息表达并不充分，从而影响对于事件之间的因果关系的判别结果；而且采用现有的因果关系的判别方法，人力成本高，判别效率低。

技术实现要素：

有鉴于此，本申请提出实施例提供一种因果关系的判别方法、装置、电子设备及存储介质，不仅可以准确地判别出事件之间是否存在因果关系，还可以节省人力成本，提高判别效率。

第一方面，本申请实施例提供了一种因果关系的判别方法，所述方法包括：

在目标文本中获取表示各个事件的事件词以及与各个事件词相邻的关联词；

将各个事件的事件词以及与各个事件相邻的关联词输入至图神经网络中；

通过所述图神经网络判别出任意两个事件之间是否存在因果关系。

上述实施例具有如下优点或有益效果：上述实施例可以通过图神经网络判别出任意两个事件之间是否存在因果关系，从而达到准确地判别出事件之间是否存在因果关系以及节省人力成本和提高判别效率的目的。而在现有的因果关系的判别方法中，通常利用人工构建语义特征的方式判别事件之间是否存在因果关系，不仅无法准确地判别出事件之间是否存在因果关系，而且人力成本高，判别效率低。因为本申请采用了获取事件词和关联词以及通过图神经网络判别因果关系的技术手段，克服了现有技术中判别不准确以及人工成本高和判别效率低的技术问题，进而达到了准确地判别出事件之间是否存在因果关系以及节省人力成本和提高判别效率的技术效果。

在上述实施例中，所述在目标文本中获取表示各个事件的事件词以及与各个事件词相邻的关联词，包括：

对所述目标文本进行划分，得到多条语句；

在所述多条语句中提取出一条语句作为当前语句，若所述当前语句满足事件词提取条件，则在所述当前语句中提取出一个事件词；

若所述当前语句满足关联词提取条件，则所述当前语句中提取出与所述事件词相邻的关联词，重复执行上述提取所述当前语句的操作，直到在各个语句中提取出一个事件词以及与所述事件词相邻的关联词。

上述实施例具有如下优点或有益效果：上述实施例可以在每一条语句中提取出一个事件词以及与该事件词相邻的关联词，由于事件词与其相邻的关联词想要表达的含义比较相似，在语义向量上也比较接近，因此同时考虑事件词和与事件词相邻的关联词，可以准确地判别出任意两个事件之间是否存在因果关系。

在上述实施例中，所述通过所述图神经网络识别出任意两个事件之间是否存在因果关系，包括：

将各个事件的事件词以及与各个事件词相邻的关联词输入至图神经网络的输入层；通过所述输入层输出各个事件词的语义向量和各个关联词的语义向量；

将各个事件词的语义向量、各个关联词的语义向量以及预先标记的用于表示各个事件词与各个关联词的因果关系的邻接矩阵输入至所述图神经网络的卷积层；通过所述卷积层输出用于表示各个事件词和各个关联词结合关系的向量矩阵；

将所述向量矩阵输入至所述图神经网络的全连接层；通过所述全连接层输出任意两个事件词之间是否存在因果关系的概率值；

将所述任意两个事件词之间是否存在因果关系的概率值输入至所述图神经网络的输出层；通过所述输出层输出任意两个事件词之间是否存在因果关系。

上述实施例具有如下优点或有益效果：上述实施例将各个事件的事件词以及与各个事件词相邻的关联词依次输入至图神经网络的输入层、卷积层、全连接层和输出层，通过输出层获输出任意两个事件词之间是否存在因果关系。由于通过输入层可以输出各个事件词的语义向量和各个关联词的语义向量；通过卷积层可以输出用于表示各个事件词和各个关联词结合关系的向量矩阵；通过全连接层可以输出任意两个事件词之间是否存在因果关系的概率值，因此，通过在图神经网络的计算过程，电子设备可以准确地判别出任意两个事件词之间是否存在因果关系。

在上述实施例中，所述通过所述卷积层输出用于表示各个事件词和各个关联词结合关系的向量矩阵，包括：

将各个事件的特征信息以及与各个事件词相邻的关联词的特征信息作为各个事件节点的内容，得到至少两个事件节点；

根据所生成的所述至少两个事件节点之间的相关度信息，通过所述卷积层生成所述至少两个事件节点的边，得到事件图谱；

基于所述事件图谱输出用于表示各个事件词和各个关联词结合关系的向量矩阵。

上述实施例具有如下优点或有益效果：上述实施例可以根据至少两个事件节点之间的相关度信息，通过卷积层生成至少两个事件节点的边，得到事件图谱；然后基于事件图谱输出用于表示各个事件词和各个关联词结合关系的向量矩阵。这样可以准确地判别出事件之间是否存在因果关系，还可以节省人力成本，提高判别效率。

在上述实施例中，在所述将各个事件的事件词以及与各个事件相邻的关联词输入至图神经网络中之前，所述方法还包括：

获取所述图神经网络的训练数据；

根据所述训练数据训练所述图神经网络的处理参数，生成所述图神经网络。

上述实施例具有如下优点或有益效果：上述实施例可以预先获取图神经网络的训练数据；然后根据训练数据训练图神经网络的处理参数，从而生成图神经网络。使用训练后的图神经网络可以准确地判别出事件之间是否存在因果关系，还可以节省人力成本，提高判别效率。

第二方面，本申请还提供了一种因果关系的判别装置，所述装置包括：获取模块、输入模块和判别模块；其中，

所述获取模块，用于在目标文本中获取表示各个事件的事件词以及与各个事件词相邻的关联词；

所述输入模块，用于将各个事件的事件词以及与各个事件相邻的关联词输入至图神经网络中；

所述判别模块，用于通过所述图神经网络判别出任意两个事件之间是否存在因果关系。

在上述实施例中，所述获取模块包括：划分子模块和提取子模块；其中，

所述划分子模块，用于对所述目标文本进行划分，得到多条语句；

所述提取子模块，用于在所述多条语句中提取出一条语句作为当前语句，若所述当前语句满足事件词提取条件，则在所述当前语句中提取出一个事件词；若所述当前语句满足关联词提取条件，则所述当前语句中提取出与所述事件词相邻的关联词，重复执行上述提取所述当前语句的操作，直到在各个语句中提取出一个事件词以及与所述事件词相邻的关联词。

在上述实施例中,所述判别模块，具体用于将各个事件的事件词以及与各个事件词相邻的关联词输入至图神经网络的输入层；通过所述输入层输出各个事件词的语义向量和各个关联词的语义向量；将各个事件词的语义向量、各个关联词的语义向量以及预先标记的用于表示各个事件词与各个关联词的因果关系的邻接矩阵输入至所述图神经网络的卷积层；通过所述卷积层输出用于表示各个事件词和各个关联词结合关系的向量矩阵；将所述向量矩阵输入至所述图神经网络的全连接层；通过所述全连接层输出任意两个事件词之间是否存在因果关系的概率值；将所述任意两个事件词之间是否存在因果关系的概率值输入至所述图神经网络的输出层；通过所述输出层输出任意两个事件词之间是否存在因果关系。

在上述实施例中,所述判别模块，具体用于将各个事件的特征信息以及与各个事件词相邻的关联词的特征信息作为各个事件节点的内容，得到至少两个事件节点；根据所生成的所述至少两个事件节点之间的相关度信息，通过所述卷积层生成所述至少两个事件节点的边，得到事件图谱；基于所述事件图谱输出用于表示各个事件词和各个关联词结合关系的向量矩阵。

在上述实施例中，所述装置还包括：训练模块，用于获取所述图神经网络的训练数据；根据所述训练数据训练所述图神经网络的处理参数，生成所述图神经网络。

第三方面，本申请实施例提供了一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请任意实施例所述的因果关系的判别方法。

第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请任意实施例所述的因果关系的判别方法。

上述申请中的一个实施例具有如下优点或有益效果：本申请提出的因果关系的判别方法、装置、电子设备及存储介质，先在目标文本中获取表示各个事件的事件词以及与各个事件词相邻的关联词；然后将各个事件的事件词以及与各个事件相邻的关联词输入至图神经网络中；再通过图神经网络判别出任意两个事件之间是否存在因果关系。也就是说，本申请可以通过图神经网络判别出任意两个事件之间是否存在因果关系，从而达到准确地判别出事件之间是否存在因果关系以及节省人力成本和提高判别效率的目的。而在现有的因果关系的判别方法中，通常利用人工构建语义特征的方式判别事件之间是否存在因果关系，不仅无法准确地判别出事件之间是否存在因果关系，而且人力成本高，判别效率低。因为本申请采用了获取事件词和关联词以及通过图神经网络判别因果关系的技术手段，克服了现有技术中判别不准确以及人工成本高和判别效率低的技术问题，进而达到了准确地判别出事件之间是否存在因果关系以及节省人力成本和提高判别效率的技术效果；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请实施例一提供的因果关系的判别方法的流程示意图；

图2是本申请实施例二提供的因果关系的判别方法的流程示意图；

图3是本申请实施例三提供的因果关系的判别装置的结构示意图；

图4是本申请实施例三提供的获取模块的结构示意图；

图5是用来实现本申请实施例的因果关系的判别方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

实施例一

图1是本申请实施例一提供的因果关系的判别方法的流程示意图，该方法可以由因果关系的判别装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，因果关系的判别方法可以包括以下步骤：

s101、在目标文本中获取表示各个事件的事件词以及与各个事件词相邻的关联词。

在本申请的具体实施例中，电子设备可以在目标文本中获取表示各个事件的事件词以及与各个事件词相邻的关联词。具体地，电子设备可以先对目标文本进行划分，得到多条语句；然后在多条语句中提取出一条语句作为当前语句，若当前语句满足事件词提取条件，则在当前语句中提取出一个事件词；若当前语句满足关联词提取条件，则当前语句中提取出与事件词相邻的关联词，重复执行上述提取当前语句的操作，直到在各个语句中提取出一个事件词以及与事件词相邻的关联词。具体地，事件词提取条件可以是每一条语句中存在至少一个名词；若每一条语句中存在至少一个名词，则判定该语句满足事件词提取条件；若每一条语句中不存在至少一个名词，则判定该语句不满足事件词提取条件。进一步的，关键词提取条件可以是每一条语句中在事件词的左边存在至少一个名词，或者事件词的右边存在至少一个名词；若事件词的左边存在至少一个名词，或者事件词的右边存在至少一个名词，则判定该语句满足关联词提取条件；若事件词的左边不存在至少一个名词，并且事件词的右边也不存在至少一个名词，则判定该语句不满足关联词提取条件。例如，针对以下语句：“盘点娱乐圈里省钱省到家的十大明星”，由于这一条语句中存在两个名词“娱乐圈”和“明星”，可以判定出这一条语句满足事件词提取条件；接着对“盘点娱乐圈里省钱省到家的十大明星”进行语法分析以及词性标注，确定出这一条语句的事件词为“明星”；由于在事件词“明星”的左边存在一个名词“娱乐圈”，可以判定这一条语句满足关键词提取条件，然后从这一条语句中提取出关联词“娱乐圈”。

s102、将各个事件的事件词以及与各个事件相邻的关联词输入至图神经网络中。

在本申请的具体实施例中，电子设备可以将各个事件的事件词以及与各个事件相邻的关联词输入至图神经网络中。在计算机科学中，图是由两个部件组成的一种数据结构：顶点(vertices)和边(edges)。一个图g可以用它包含的顶点和边的集合来描述；这里的边可以是有向的也可以是无向的，这取决于顶点之间是否存在方向依赖关系；图神经网络是一种直接在图结构上运行的神经网络。

s103、通过图神经网络判别出任意两个事件之间是否存在因果关系。

在本申请的具体实施例中，电子设备可以通过图神经网络判别出任意两个事件之间是否存在因果关系。具体地，电子设备可以先将各个事件的事件词以及与各个事件词相邻的关联词输入至图神经网络的输入层；通过输入层输出各个事件词的语义向量和各个关联词的语义向量；然后将各个事件词的语义向量、各个关联词的语义向量以及预先标记的用于表示各个事件词与各个关联词的因果关系的邻接矩阵输入至图神经网络的卷积层；通过卷积层输出用于表示各个事件词和各个关联词结合关系的向量矩阵；再将向量矩阵输入至图神经网络的全连接层；通过全连接层输出任意两个事件词之间是否存在因果关系的概率值；将任意两个事件词之间是否存在因果关系的概率值输入至图神经网络的输出层；通过输出层输出任意两个事件词之间是否存在因果关系。较佳地，假设电子设备在目标文本的第一条语句中提取出事件词a以及与事件词a相邻的关联词为a1和a2，在目标文本的第二条语句中提取出事件词b以及与事件词b相邻的关联词b1和b2；在本申请的具体实施例中，电子设备可以预先确定出用于表示事件词a与关联词a1和a2的因果关系的三维邻接矩阵，以及用于表示表示事件词b与关联词b1和b2的因果关系的三维邻接矩阵，在各个邻接矩阵中，若事件词与关联词之间存在因果关系，则可以将该事件词与该关联词的对应值设置为1；若事件词与关联词之间不存在因果关系，则可以将该事件词与该关联词的对应值设置为0，由此可以确定出用于表示事件词a与关联词a1和a2的因果关系的三维邻接矩阵，以及用于表示表示事件词b与关联词b1和b2的因果关系的三维邻接矩阵。

在本申请的具体实施例中，电子设备将事件词以及关联词转换成语义向量的方法可以包括：词袋模型、浅层语义分析(latentsemanticanalysis，简称lsa)、概率浅层语义分析(probabilisticlatentsemanticanalysis，简称plsa)，浅层语义检索(latentsemanticindexing，简称lsi)、概率浅层语义检索(probabilisticlatentsemanticindexing，简称plsi)等方法。实践中，也可以采用word2vec/doc2vec等工具来实现将每一个语句中的事件词和关联词转换成与其对应的语义向量。

在本申请的具体实施例中，邻接矩阵的维度可以由事件词与关联词的数量总和确定，假设针对某一条语句，事件词与关键词的数量总和为3，则可以将用于表示事件词与关联词的因果关系的邻接矩阵设置为三维邻接矩阵。

本申请实施例提出的因果关系的判别方法，先在目标文本中获取表示各个事件的事件词以及与各个事件词相邻的关联词；然后将各个事件的事件词以及与各个事件相邻的关联词输入至图神经网络中；再通过图神经网络判别出任意两个事件之间是否存在因果关系。也就是说，本申请可以通过图神经网络判别出任意两个事件之间是否存在因果关系，从而达到准确地判别出事件之间是否存在因果关系以及节省人力成本和提高判别效率的目的。而在现有的因果关系的判别方法中，通常利用人工构建语义特征的方式判别事件之间是否存在因果关系，不仅无法准确地判别出事件之间是否存在因果关系，而且人力成本高，判别效率低。因为本申请采用了获取事件词和关联词以及通过图神经网络判别因果关系的技术手段，克服了现有技术中判别不准确以及人工成本高和判别效率低的技术问题，进而达到了准确地判别出事件之间是否存在因果关系以及节省人力成本和提高判别效率的技术效果；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。

实施例二

图2是本申请实施例二提供的因果关系的判别方法的流程示意图。如图2所示，因果关系的判别方法可以包括以下步骤：

s201、在目标文本中获取表示各个事件的事件词以及与各个事件词相邻的关联词。

在本申请的具体实施例中，电子设备可以在目标文本中获取表示各个事件的事件词以及与各个事件词相邻的关联词。具体地，电子设备可以先对目标文本进行划分，得到多条语句；然后在多条语句中提取出一条语句作为当前语句，若当前语句满足事件词提取条件，则在当前语句中提取出一个事件词；若当前语句满足关联词提取条件，则当前语句中提取出与事件词相邻的关联词，重复执行上述提取当前语句的操作，直到在各个语句中提取出一个事件词以及与事件词相邻的关联词。

s202、将各个事件的事件词以及与各个事件相邻的关联词输入至图神经网络中。

在本申请的具体实施例中，电子设备可以将各个事件的事件词以及与各个事件相邻的关联词输入至图神经网络中。例如，电子设备在目标文本的第一条语句中提取出事件词a以及与事件词a相邻的关联词为a1和a2，在目标文本的第二条语句中提取出事件词b以及与事件词b相邻的关联词b1和b2。在本步骤中，电子设备可以将在第一条语句中提取出的事件词a以及与事件词a相邻的关联词为a1和a2，以及在第二条语句中提取出的事件词b以及与事件词b相邻的关联词b1和b2输入至图神经网络中。

s203、将各个事件的事件词以及与各个事件词相邻的关联词输入至图神经网络的输入层；通过输入层输出各个事件词的语义向量和各个关联词的语义向量。

在本申请的具体实施例中，电子设备可以将各个事件的事件词以及与各个事件词相邻的关联词输入至图神经网络的输入层；通过输入层输出各个事件词的语义向量和各个关联词的语义向量。具体地，电子设备可以将事件词以及关联词转换成语义向量的方法可以包括：词袋模型、lsa、plsa、lsi、plsi等方法。实践中，电子设备也可以采用word2vec/doc2vec等工具来实现将每一个语句中的事件词和关联词转换成与其对应的语义向量。

s204、将各个事件词的语义向量、各个关联词的语义向量以及预先标记的用于表示各个事件词与各个关联词的因果关系的邻接矩阵输入至图神经网络的卷积层；通过卷积层输出用于表示各个事件词和各个关联词结合关系的向量矩阵。

在本申请的具体实施例中，电子设备可以将各个事件词的语义向量、各个关联词的语义向量以及预先标记的用于表示各个事件词与各个关联词的因果关系的邻接矩阵输入至图神经网络的卷积层；通过卷积层输出用于表示各个事件词和各个关联词结合关系的向量矩阵。具体地，电子设备可以将各个事件的特征信息以及与各个事件词相邻的关联词的特征信息作为各个事件节点的内容，得到至少两个事件节点；根据所生成的至少两个事件节点之间的相关度信息，通过卷积层生成至少两个事件节点的边，得到事件图谱；基于事件图谱输出用于表示各个事件词和各个关联词结合关系的向量矩阵。较佳地，电子设备可以预先确定出用于表示事件词a与关联词a1和a2的因果关系的三维邻接矩阵，以及用于表示表示事件词b与关联词b1和b2的因果关系的三维邻接矩阵，在各个邻接矩阵中，若事件词与关联词之间存在因果关系，则可以将该事件词与该关联词的对应值设置为1；若事件词与关联词之间不存在因果关系，则可以将该事件词与该关联词的对应值设置为0，由此可以确定出用于表示事件词a与关联词a1和a2的因果关系的三维邻接矩阵，以及用于表示表示事件词b与关联词b1和b2的因果关系的三维邻接矩阵。

s205、将向量矩阵输入至图神经网络的全连接层；通过全连接层输出任意两个事件词之间是否存在因果关系的概率值。

在本申请的具体实施例中，电子设备可以将向量矩阵输入至图神经网络的全连接层；通过全连接层输出任意两个事件词之间是否存在因果关系的概率值。具体地，电子设备可以在向量矩阵中提取出任意两个行向量，然后将提取出的两个行向量输入至全连接层，直到将向量矩阵中每两个行向量的组合均输入至全连接层；也可以将整个向量矩阵输入至全连接层；通过全连接层输出两个事件词之间是否存在因果关系的概率值。例如，假设第一个行向量对应的输出结果是0.8；第二个行向量对应的输出结果是0.2，则输出第一个事件词与第二个事件词之间是否存在因果关系的概率值为0.8。

s206、将任意两个事件词之间是否存在因果关系的概率值输入至图神经网络的输出层；通过输出层输出任意两个事件词之间是否存在因果关系。

在本申请的具体实施例中，电子设备可以将任意两个事件词之间是否存在因果关系的概率值输入至图神经网络的输出层；通过输出层输出任意两个事件词之间是否存在因果关系。具体地，若任意两个事件词之间是否存在因果关系的概率值大于或者等于预设阈值，则判别出这两个事件词之间存在因果关系；若任意两个事件词之间是否存在因果关系的概率值小于预设阈值，则判别出这两个事件词之间不存在因果关系。

较佳地，在本申请的具体实施例中，电子设备在将各个事件的事件词以及与各个事件相邻的关联词输入至图神经网络中之前，还可以先获取图神经网络的训练数据；然后根据训练数据训练图神经网络的处理参数，生成图神经网络。

本申请实施例提出的因果关系的判别方法，先在目标文本中获取表示各个事件的事件词以及与各个事件词相邻的关联词；然后将各个事件的事件词以及与各个事件相邻的关联词输入至图神经网络中；再通过图神经网络判别出任意两个事件之间是否存在因果关系。也就是说，本申请可以通过图神经网络判别出任意两个事件之间是否存在因果关系，从而达到准确地判别出事件之间是否存在因果关系以及节省人力成本和提高判别效率的目的。而在现有的因果关系的判别方法中，通常利用人工构建语义特征的方式判别事件之间是否存在因果关系，不仅无法准确地判别出事件之间是否存在因果关系，而且人力成本高，判别效率低。因为本申请采用了获取事件词和关联词以及通过图神经网络判别因果关系的技术手段，克服了现有技术中判别不准确以及人工成本高和判别效率低的技术问题，进而达到了准确地判别出事件之间是否存在因果关系以及节省人力成本和提高判别效率的技术效果；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。

实施例三

图3是本申请实施例三提供的因果关系的判别装置的结构示意图。如图3所示，所述装置300包括：获取模块301、输入模块302和判别模块303；其中，

所述获取模块301，用于在目标文本中获取表示各个事件的事件词以及与各个事件词相邻的关联词；

所述输入模块302，用于将各个事件的事件词以及与各个事件相邻的关联词输入至图神经网络中；

所述判别模块303，用于通过所述图神经网络判别出任意两个事件之间是否存在因果关系。

图4是本申请实施例三提供的获取模块的结构示意图。如图4所示，所述获取模块301包括：划分子模块3011和提取子模块3012；其中，

所述划分子模块3011，用于对所述目标文本进行划分，得到多条语句；

所述提取子模块3012，用于在所述多条语句中提取出一条语句作为当前语句，若所述当前语句满足事件词提取条件，则在所述当前语句中提取出一个事件词；若所述当前语句满足关联词提取条件，则所述当前语句中提取出与所述事件词相邻的关联词，重复执行上述提取所述当前语句的操作，直到在各个语句中提取出一个事件词以及与所述事件词相邻的关联词。

进一步的，所述判别模块303，具体用于将各个事件的事件词以及与各个事件词相邻的关联词输入至图神经网络的输入层；通过所述输入层输出各个事件词的语义向量和各个关联词的语义向量；将各个事件词的语义向量、各个关联词的语义向量以及预先标记的用于表示各个事件词与各个关联词的因果关系的邻接矩阵输入至所述图神经网络的卷积层；通过所述卷积层输出用于表示各个事件词和各个关联词结合关系的向量矩阵；将所述向量矩阵输入至所述图神经网络的全连接层；通过所述全连接层输出任意两个事件词之间是否存在因果关系的概率值；将所述任意两个事件词之间是否存在因果关系的概率值输入至所述图神经网络的输出层；通过所述输出层输出任意两个事件词之间是否存在因果关系。

进一步的，所述判别模块303，具体用于将各个事件的特征信息以及与各个事件词相邻的关联词的特征信息作为各个事件节点的内容，得到至少两个事件节点；根据所生成的所述至少两个事件节点之间的相关度信息，通过所述卷积层生成所述至少两个事件节点的边，得到事件图谱；基于所述事件图谱输出用于表示各个事件词和各个关联词结合关系的向量矩阵。

进一步的，所述装置还包括：训练模块304(图中未示出)，用于获取所述图神经网络的训练数据；根据所述训练数据训练所述图神经网络的处理参数，生成所述图神经网络。

上述因果关系的判别装置可执行本申请任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请任意实施例提供的因果关系的判别方法。

实施例四

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图5所示，是根据本申请实施例的因果关系的判别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。

存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的因果关系的判别方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的因果关系的判别方法。

存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的因果关系的判别方法对应的程序指令/模块(例如，附图3所示的获取模块301、输入模块302和判别模块303)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的因果关系的判别方法。

存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据因果关系的判别方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至因果关系的判别方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

因果关系的判别方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。

输入装置503可接收输入的数字或字符信息，以及产生与因果关系的判别方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，先在目标文本中获取表示各个事件的事件词以及与各个事件词相邻的关联词；然后将各个事件的事件词以及与各个事件相邻的关联词输入至图神经网络中；再通过图神经网络判别出任意两个事件之间是否存在因果关系。也就是说，本申请可以通过图神经网络判别出任意两个事件之间是否存在因果关系，从而达到准确地判别出事件之间是否存在因果关系以及节省人力成本和提高判别效率的目的。而在现有的因果关系的判别方法中，通常利用人工构建语义特征的方式判别事件之间是否存在因果关系，不仅无法准确地判别出事件之间是否存在因果关系，而且人力成本高，判别效率低。因为本申请采用了获取事件词和关联词以及通过图神经网络判别因果关系的技术手段，克服了现有技术中判别不准确以及人工成本高和判别效率低的技术问题，进而达到了准确地判别出事件之间是否存在因果关系以及节省人力成本和提高判别效率的技术效果；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。