Page 260 - 《软件学报》2025年第9期

黄俏娟 等: 基于大语言模型的事件常识知识图谱扩展方法 4171

事件三元进行翻译, 并将翻译结果转换为 SWI-Prolog [64] 的规则形式进行常识推理. 其中, 头尾事件约束谓词是连接
头尾事件语义角色的谓词, 能够加强事件之间的语义衔接. 以因果关系的事件三元组为例说明翻译方法和推理规
则转换的具体过程如下.
(1) 翻译过程
已知 ECKG 中的数据为:
事件三元组: < 打排球, 导致, 出汗>.
事件语义角色标注: 施事: 人 打 排球/受事: 竞赛用品, 当事: 人 出汗.
头尾事件约束谓词: 等同 (施事 1, 当事 2).
在翻译过程中, 首先头尾事件的每个周边语义角色被抽象化为变量, 并使用上下位谓词“是一个”描述这些变
量的值. 其次, 事件的中枢语义角色被翻译为作用在这些变量之间的逻辑谓词. 接着, 头尾事件约束谓词翻译成连
接两个事件中具有一定语义联系的变量. 最后, 基于事件约束谓词的定义将同一个周边语义角色产生的不同变量
统一为同一个变量. 根据这些定义, 这两个事件的翻译为:
周边语义角色标注的翻译: 是一个 (X 11 , 人), 是一个 (X 12 , 排球), 是一个 (X 21 , 人).
中枢语义角色标注的翻译: 打 (X 11 , X 12 ), 出汗 (X 21 ).
约束谓词的翻译: 等同 (X 11 , X 21 ),
其中, X 1 和 1 X 1 分别表示头事件的第 1 个和第 2 个周边语义角色, X 2 是尾事件的第 1 个周边语义角色. 从上述
1
2
的两个事件约束谓词可以得知, “施事 1 (对应变量 X 11 )”与“当事 2 (对应变量 X 21 )”指向同一个人, 将变量统一后,
事件“出汗”翻译为“是一个 (X 11 , 人), 出汗 (X 11 )”. 最终, 事件三元组“< 打排球, 导致, 出汗>”的翻译结果为:
头事件的翻译: 是一个 (X 11 , 人), 是一个 (X 12 , 排球), 打 (X 11 , X 12 ).
尾事件的翻译: 是一个 (X 11 , 人), 出汗 (X 11 ).
(2) 推理规则转换的过程
当事件关系为因果、时序、条件、子事件关系和上下位时, 把事件中枢的翻译放于规则头, 其余内容放于规
则体. 例如, 事件三元组“< 打排球, 导致, 出汗>”的翻译结果转换为推理规则形式为:
出汗 (X 11 ):- 是一个 (X 11 , 人), 是一个 (X 12 , 排球), 打 (X 11 , X 12 ),
其中, “:-”表示推理规则的连接符号, 该符号左边的内容为规则头, 右边的内容为规则体.
当事件关系为目标类的关系时, 除了以上规则转换处理外, 还需要识别主体对应的语义角色, 并增加约束谓词
“愿望”的翻译“愿望 (X ij , 对应的中枢翻译)”. 例如, 事件三元组“<是公司股民, 当事 1 有目标, 公司健康发展>”的语
义角色标注为:
头事件标注: 当事: 人 是 公司股民/类事: 人.
事件关系: 当事 1 有目标.
尾事件标注: 公司/当事: 公司 健康发展.
该三元组对应的推理规则形式为:
愿望 (X 11 , 健康发展 (X 21 )):- 扮演 (X 11 , 公司股民, 公司), 是一个 (X 11 , 人), 是一个 (X 21 , 公司),
其中, “扮演”是事件约束谓词, 该约束谓词的翻译形式为“扮演 (A ij , *W i 对应的事元, W i 对应的场合)”. A i 是事件
j
j
j
成分对应的语义角色标注; “*W i 对应的事元标注”表示事件成分对应的具体值; “W i 对应的场合”中所使用的场合
j
j
是课题组总结的 342 个场合, 包括“学校”“家庭”和“公司”等.
通过上述的自动评估、人工评估和实际应用评估方法, 我们从多个维度对新三元组的质量及验证模型的性能
进行了全面的评估, 从而确保了获取的三元组具有高质量和可靠性.

4.4 实验结果
本节将详细分析本方法的实验结果与对比实验. 主要包括基于设计的 ek-prompt 生成的事件三元组、使用微
调模型生成的事件三元组、用于验证三元组正确性的微调模型性能、通过事件共享机制获取的事件三元组、扩
展后 ECKG 的 4 种事件关系三元组的统计情况以及获取的新事件三元组用于推理应用.