基于图片和句子的多模态联合事件检测方法   0    0

本发明公开了一种基于图片和句子的多模态联合事件检测方法，同时从图片和句子中识别事件。本发明一方面利用现有的单模态数据集分别学习图片和文本事件分类器；另一方面利用已有的图片与标题对训练图片句子匹配模块，找出多模态文章中语义相似度最高的图片和句子，从而获取图片实体和单词在公共空间的特征表示。这些特征有助于图片和文本事件分类器之间共享参数，得到共享事件分类器。最后，利用少量的多模态标注数据对模型进行测试，利用共享事件分类器分别获取图片和句子描述的事件及其类型。本发明从图片和句子中识别事件,利用视觉特征和文本特征的互补性，不仅提高了单模态事件分类的性能，而且可以发现文章中更完整的事件信息。

1.基于图片和句子的多模态联合事件检测方法，其特征在于包括如下步骤：
步骤1、文本事件检测模块首先对文本特征进行编码，获取句中单词的特征向量表示序列 对于第j个候选触发词，然后将其对应的候选触发词特征向量
输入文本事件分类器SoftmaxT，获取第j个候选触发词触发的事件类型概率分布，其中文本T
事件分类器的损失函数定义为L；
步骤2、图片事件检测模块对图片特征进行编码，获取图片中描述动作以及多个实体的图片实体特征向量表示序列 然后将图片实体特征向量 输入图片
事件分类器SoftmaxI，获取当前图片描述的事件类型概率分布，其中图片事件分类器的损I
失函数定义为L；
步骤3、图片句子匹配模块首先利用跨模态注意力机制CMAM计算每一对图片实体与单词之间的关联权值；
根据第j个单词，CMAM能够定位重要的图片实体并分配权重，通过加权平均聚合与单词相关的图片实体特征，获取单词在图片模态的特征表示
同时对于图片中的第i个实体，首先在待匹配的句子中搜索相关的单词，并为单词分配权重，通过加权平均捕获与图片实体相关的语义信息，从而获取图片实体在文本模态的特征表示
T←I
然后将每个待匹配句子与其在图片模态中的特征表示序列的欧氏距离D ，与图片中I←T
所有实体与其在文本模态中的特征表示序列的欧氏距离D 进行相加，作为图片和句子的m
相似度；其中，图片句子匹配模块的损失函数定义为L；
步骤4、通过联合优化文本事件检测模块、图片事件检测模块以及图片句子匹配模块，从而获取共享事件分类器；
步骤5、在测试阶段，对于多模态文章，首先利用图片句子匹配模块找出相似度最高的图片和句子，并获取第i个图片实体在文本模态的特征表示 以及第j个单词在图片模态的特征表示 然后利用门控注意力机制为图片实体特征向量 和特征表示 分配权重，通过加权平均获取第i个图片实体对应的多模态特征向量；接着利用共享事件分类器获取图片描述的事件类型；同样，利用另外一个门控注意力机制为候选触发词特征向量和特征表示 分配权重，通过加权平均获取第j个单词的多模态特征表示，接着利用共享事件分类器获取第j个单词触发的事件类型。

2.根据权利要求1所述的基于图片和句子的多模态联合事件检测方法，其特征在于，步骤1具体实现如下：
1‑
1.在KBP 2017英文数据集上训练文本事件分类器SoftmaxT，首先对标注数据进行预处理，获取实体类型、事件触发词及其对应的事件类型；其中包含5种实体类型和18种事件类型；然后利用Stanford CoreNLP对原始文本进行分句、分词，获取词性和句子的语法依存结构；并分别创建词性向量表、实体类型向量表，其中每一种向量表都有类型“空”对应的初始化向量；
1‑
2.查询预训练的glove词向量矩阵，获取句子中每个词的词向量wemd,然后查询词性向量表得到词性向量wpos和查询实体类型向量表得到实体类型向量wentity，每个词的实值向量x＝{wemd,wpos,wentity}，因此句子实值向量序列表示为W＝{x1,x2,...,xn‑1,xn},其中n是句子的长度；
1‑
3.将句子实值向量序列W＝{x1,x2,...,xn‑1,xn}作为Bi‑LSTMs的输入，获取句子的隐含状态向量序列 构建基于句子语法依存结构的图卷积网络，接着
L
将H 输入GCNs中，获取句子的卷积向量序列 最后利用注意力计算
T
序列H 中的每个元素对候选触发词的影响权重，从而获取句子的编码序列
T
同时将C作为单词序列在公共空间的特征表示序列；
1‑
4.将句子中的每个单词视为候选触发词，对于第j个候选触发词，其中j≤n，然后将其对应的特征向量 输入文本事件分类器:
T T
其中，W和b作为文本事件分类器SoftmaxT的权重矩阵和偏置项, 表示句子S
中第j个候选触发词wj触发的事件类型概率分布，而typew,j表示wj触发的事件类型；同时，文本事件分类器的损失函数定义为：
其中，T是KBP 2017英文数据集中标注的句子数量， 作为单词wj标注的事件类型，Si表示数据集中第i个句子，句子长度为n。

3.根据权利要求2所述的基于图片和句子的多模态联合事件检测方法，其特征在于，步骤2具体实现如下：
2‑
1.在imSitu图片数据集上训练图片事件分类器，其中，一共定义了504个动词记录图片描述的动作，以及11538种实体类型描述图片中出现的实体；首先利用VGG16v去提取图片中的动作特征，并利用多层感知机MLPv将动词特征转换成动词向量 同时，利用另外一个VGG16o提取图片中的实体集合O＝{o1,o2,...,om‑1,om}，然后通过多层感知机MLPo将所有实体转换成它们对应的名词向量序列 然后用网状结构表示每张图片，
根据其描述的动作和实体构建网状结构；其中，图片描述的动作作为网状结构的中心节点，同时将实体与动作节点进行连接；接着采用图卷积网络对图片特征对应的单词向量序列进行编码，从而使得动作节点卷积计算后的向量保存实体特征信息；其中，编码后的图片实体特征向量序列为 其中， 用来表示图片动作节点的卷积向量；同
I
样，H被视图片动作以及实体集合在公共空间的特征表示序列；
2‑
2.将图片I中动作卷积向量 作为图片事件分类器的输入，获取图片描述事件类型的概率分布为：
I
typeI＝argmax(P(y|I))
I I I
其中，W和b作为图片事件分类器SoftmaxI的权重矩阵和偏置项,P(y|I)表示图片Ii触发的事件类型概率分布，而typeI表示图片I中描述的事件类型；同时，图片事件分类器的损失函数定义为：
I
其中，N代表着imSitu中图片标注事件样例的个数，y 作为图片Ii标注的事件类型，Ii表示图片数据集中第i个图片样例。

4.根据权利要求3所述的基于图片和句子的多模态联合事件检测方法，其特征在于，步骤3具体实现如下：
3‑
1.给出图片I对应的实体特征向量序列 以及句子S的单词特征
向量序列 首先利用跨模态注意力机制获取单词和图片实体在其他
模态的特征表示；
3‑
2.为了获取基于单词的图片实体特征表示，首先利用跨模态注意力机制计算图片中第i个实体与句子中第j单词的关联程度Scoreij：
其中， 表示图片中第i个实体的特征向量 与句子中第j单词的特征向量
的余弦相似度，值域为[0,1]；然后根据Scoreij计算第i个图片实体对第j单词的影响权重Aij为：
最后，通过加权平均的方式聚合基于第j个单词的图片实体特征表示
用 表示整个句子在图片模态的特征表示序列；
3‑
3.为了获得基于图片实体的单词特征表示，采用和获取向量 相同的计算过程，对于图片中第i个实体，根据第j个单词与当前图片实体的相关性，为第j个单词分配注意力权重：
然后，通过加权平均捕获基于图片第i个实体的单词特征表示 同
样图片中所有实体在文本模态的表示为：
3‑
4.采用弱一致性的对齐方式，将图片和句子的相似度定义为图片中所有实体与其在文本模态中的特征表示序列的欧氏距离，与每个句子与其在图片模态中的特征表示序列的欧氏距离之和；
首先，计算每个句子与其在图片模态中的特征表示序列的欧氏距离：
然后计算图片中所有实体与其在文本模态中的特征表示序列的欧氏距离为：
T←I I←T
因此，图片I和句子S的语义相似度定义为＜I,S＞＝D +D ；
为了获取语义相似度＜I,S＞最高的图片句子对，使用tripletloss优化图片句子匹配‑
模块；对于每一对正确匹配的图片和句子，额外抽取一个与句子S不匹配的图片I ，以及一‑ ‑ ‑
个与图片I不匹配的句子S，构成两个否定对＜I,S＞和＜I ,S＞；
最后图片句子匹配模块的损失函数定义为：
m ‑ ‑
L＝max(0,(1+＜I,S＞‑＜I,S＞))+max(0,(1+＜I,S＞‑＜I ,S＞))。

5.根据权利要求4所述的基于图片和句子的多模态联合事件检测方法，其特征在于，步骤4具体实现如下：
4‑
1.为了获取共享权重和偏置项的事件分类器，将单词和图片动作在公共空间的特征T I m
表示分别作为文本和图片事件分类器的输入，最后通过最小化目标函数L＝L +L+L ，对模型进行联合优化；使文本事件分类器SoftmaxT和图片事件分类器SoftmaxI能够共享权重矩阵和偏置项；从而，在测试阶段，利用共享事件分类器同时预测图片和句子描述的事件类型。

6.根据权利要求5所述的基于图片和句子的多模态联合事件检测方法，其特征在于，步骤5具体实现如下：
2 2
5‑
1.利用ME 多模态标注数据对训练好的模型进行测试，对于包含k个句子S1,S
2...,Sk‑1,Sk和l张图片I1,I
2...,Il‑1,Il的文章，首先利用图片句子匹配模块找出语义相似度＜I←T
I,S＞最高的图片句子对，同时获取基于图片实体的单词特征表示序列H 、以及基于单词T←I
的图片实体特征表示序列H ；
5‑
2.在特征融合时，对于候选触发词wj，认为 和 对候选触发词wj的事件类型预测贡献不同程度的特征信息；因此利用门控注意力机制为不同的特征信息分配权重， 的权值 计算方式如下：
其中， 表示第j个候选触发词特征向量 与其在图片模态中的特征表
示 的余弦相似度，值域为[‑1,1]；然后，通过加权平均的方式融合与wj相关的图片特征信息，获取wj对应的多模态特征表示向量
其中， 的结果通常为0至1间的数值，控制着 对融合后的多模态特征 的影响程度；当 较小时，融合后的特征保存更多的文本信息，而 较大时，说明图片特征对单词wj在事件分类过程中贡献更多的信息；
最后将候选触发词wj对应的多模态特征 输入共享事件分类器，从而获取单词wj触发的事件类型
5‑
3.同样，对于图片I，利用另外一个门控注意力控制着单词特征对图片事件分类的影响；首先利用门控注意力机制为图片动作对应的原始特征 与其在文本模态的特征表示分别分配权重 和 其中， 的计算方式为：
然后，通过加权平均融合第i个图片实体的原始特征 及其在文本模态中的特征表示获取更新后的多模态特征向量 最后利用共享事件分类器对 进行分类，获取
I
图片描述动作所属的事件类型argmax(P(y|I))。