买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京理工大学申请的专利一种基于事件演化知识的多干预主体预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119358646B 。

龙图腾网通过国家知识产权局官网在2026-01-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411264809.5，技术领域涉及：G06N5/022；该发明授权一种基于事件演化知识的多干预主体预测方法是由施重阳;张蔚;刘雯烁设计研发完成，并于2024-09-10向国家知识产权局提交的专利申请。

本一种基于事件演化知识的多干预主体预测方法在说明书摘要公布了：本发明涉及一种基于事件演化知识的多干预主体预测方法，属于人工智能与自然语言处理技术领域。本方法利用大语言模型在识别历史链中关键节点结构信息方面的能力，通过追溯演化趋势相似的事件案例来获取事件演化信息转移矩阵，包括事件谓词转移矩阵、事件主体‑谓词关联矩阵、事件客体‑谓词关联矩阵，得到规则化事件案例演化信息，作为模型生成预测实体的事件链层级支撑。通过获取数据集中实体与谓词的依赖关系，识别与待补全事件谓词高度相关的历史实体，发挥谓词在事件三元组中的核心作用，从而更加准确地预测事件链条中的缺失实体。

本发明授权一种基于事件演化知识的多干预主体预测方法在权利要求书中公布了：1.一种基于事件演化知识的多干预主体预测方法，其特征在于，包括以下步骤： 步骤1：生成事件链数据集； 步骤1中，基于事件数据集中的社会安全部分数据，使用大语言模型自动生成应对策略文本，融合原始文本信息和生成策略，进行人工筛选和处理后，得到可靠的带有事件过程描述及应对策略的安全事件案例库； 然后，对事件案例库中的每一个事件案例进行事件三元组抽取；以事件链内事件发生的相对顺序作为时间戳，构造时序事件链数据集； 步骤2：对事件链数据集进行语义融合预处理； 对数据集中同一实体的不同表示方式进行一致化处理，对事件链中元素进行语义融合； 步骤3：设计事件链演化信息转移矩阵生成模块，结合相似事件链信息生成演化信息表征； 在转移矩阵生成模块中，选择TOPk个相似事件链作为待补全事件链的知识来源； 在此过程中，以事件链中待补全实体所在三元组的谓词作为核心信息，融合事件链结构信息，对事件链条进行整体表征，使用余弦相似度作为语义相似指标；通过融合关键谓词、结构相似信息、语义相似信息作为相似指标，生成对应的相似事件链条集合； 之后，遍历对应的相似事件链，按照出现频率分别构造事件谓词转移矩阵、事件主体-谓词关联矩阵、事件客体-谓词关联矩阵，其分别表示事件发展转移信息、事件实体作为事件主体时与谓词的关联信息、事件实体作为事件客体时与谓词的关联信息，并由此规则化事件案例演化信息； 事件谓词转移矩阵表示相似事件链中谓词与其下一个事件谓词作为一个上下文元组共同出现的频率； 步骤4：设计事件三元组历史依赖关系生成模块； 首先，计算作为主语或宾语和谓词关联的所有实体的频率，从两个方面捕获不同种类的依赖关系：一种是查询与实体集合之间的相似度得分向量，另一种是查询的相应频率信息； 然后，对于不存在历史依赖的孤立事件谓词，通过指示函数的转换使用非历史信息作为历史依赖的对照，实现三元组粒度的依赖关系表征； 步骤4中，在捕获事件三元组的历史和非历史信息部分，对于实体待补全的查询q＝s,r,？，将历史事件集定义为Ds,r，将对应的历史实体集定义为Hs,r，不在Hs,r中的实体称为非历史实体： Ds,r＝∪{s,r,o∈EL} Hs,r＝{o|s,r,o∈Ds,r} 其中，s表示事件主体，p表示事件谓词，o表示事件客体，EL表示事件链数据集； 首先，在数据预处理期间研究给定查询triplein＝s,r,？的历史实体的频率；计算作为主语s和谓词r关联实体的所有实体的频率；将频率表示转换为 Zs,ro＝λΦ∑|{o|s,r,o∈EL}|0-Φ∑|{o|s,p,o∈EL}|＝0 其中，Φβ是一个指示函数，如果β为真则返回1，否则返回0；|ε|表示元素个数；λ表示函数参数； 采用基于复制机制的学习策略，根据输入Zs,ro从两个方面捕获不同种类的依赖关系：一种是查询与实体集合之间的相似度得分向量，另一种是查询的相应频率信息； 对于历史依赖，为查询q生成一个潜在上下文向量它对不同对象实体的历史依赖进行评分，的计算公式为： 其中，tanh为激活函数，表示串联运算符，Whis和bhis为可训练参数；使用具有tanh激活的线性层来聚合查询的信息；然后，将线性层的输出乘以E，获得|ε|维向量，其中每个元素表示对应实体o与查询q之间的相似性得分； 之后，根据复制机制添加Zs,r，直接将中的历史实体的索引得分提高到更高的值，而不参与梯度更新；Zs,r使得更加关注历史实体； 同理，对于非历史依赖性，潜在上下文向量定义为： 其中，tanh为激活函数，E表示E的转置，Wnhis和bnhis表示为可训练参数； 与历史依赖关系相反，减去Zs,r侧重于非历史实体； 通过历史与非历史依赖信息的获取，实现三元组粒度的依赖关系表征； 步骤5：融合生成逻辑规则，基于大语言模型得到融合事件链演化知识的实体补全模型； 首先，基于转移矩阵和历史依赖关系获得时序逻辑规则集，根据与查询的相关置信度分数对它们进行排序；应用学习到的规则，并选择前k个规则主体，将历史事件添加到给定查询中； 在步骤3中得到了事件演化信息转移矩阵，设置置信度分数阈值P，对演化矩阵中共现频率高于阈值的演化信息进行提取，作为演化规则生成规则库； 同理，对于步骤4中获取的历史依赖信息，获取每个谓词所对应的高频对应实体作为历史规则，形成时序逻辑规则集合，将共现频率作为置信度分数进行规则可靠性排序； 然后，将时间知识图预测任务调整为大语言模型的指令任务，并对不同部分进行自适应；除固定的任务指令外，任务输入建模为从给定查询检索到的历史案例链条，每个事实都填写在模板中； 步骤6：训练神经网络，使用交叉熵作为损失函数来计算损失值，实现自行生成事件链补全实体； 其中，在设定的训练轮数内，使用交叉熵计算预测生成的实体和真实实体之间的差距损失，并通过反向传播优化调整模型参数，最终使模型表现达到最优。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。