计算机应用

作者：蒋小霞, 黄瑞章, 白瑞娜, 任丽娜, 陈艳平

单位：1.公共大数据国家重点实验室(贵州大学), 贵阳 550025；2.文本计算与认知智能教育部工程研究中心(贵州大学), 贵阳 550025；3.贵州大学 计算机科学与技术学院, 贵阳 550025

关键词：深度聚类,文本聚类,事件表示,事件结构,对比学习

基金：国家自然科学基金资助项目(62066007);贵州省教育厅职业教育科研项目(GZZJ?Q2022028);贵州省科技支撑计划项目（黔科合支撑［2023］一般300）

针对现有深度聚类方法不考虑事件信息及其结构特点而难以有效划分事件类型的问题，提出一种基于事件表示和对比学习的深度事件聚类方法（DEC_ERCL）。首先，利用信息识别手段从非结构化文本中识别结构化的事件信息，避免冗余信息对事件语义的影响；其次，将事件的结构信息集成于自编码器中学习低维稠密的事件表示，并以此作为下游聚类划分的依据；最后，为有效建模事件之间的细微差异，在特征学习过程中加入多正例对比损失。在数据集DuEE、FewFC、Military和ACE2005上的实验结果表明，相较于其他深度聚类方法，所提方法在准确率和标准化互信息（NMI）评价指标上均表现更好；相较于次优的方法，DEC_ERCL的聚类准确率分别提升了17.85%、9.26%、7.36%和33.54%，表明了DEC_ERCL具有更好的事件聚类效果。

来源：2024年第6期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第6期