CINgydF4y2Ba 计算智能和神经科学gydF4y2Ba 1687 - 5273gydF4y2Ba 1687 - 5265gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2020/7132072gydF4y2Ba 7132072gydF4y2Ba 研究文章gydF4y2Ba 一个方法来提取安全事件的因果关系在化学事故故障树和事故报告gydF4y2Ba 杜gydF4y2Ba 俊威gydF4y2Ba 赵gydF4y2Ba 汉瑞gydF4y2Ba 余gydF4y2Ba “阳阳”gydF4y2Ba https://orcid.org/0000 - 0001 - 7642 - 5660gydF4y2Ba 胡gydF4y2Ba 羌族gydF4y2Ba VersacigydF4y2Ba 马里奥gydF4y2Ba 信息科学与技术学院gydF4y2Ba 青岛科技大学gydF4y2Ba Qicngdao 266061gydF4y2Ba 中国gydF4y2Ba qust.edu.cngydF4y2Ba 2020年gydF4y2Ba 19gydF4y2Ba 6gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 24gydF4y2Ba 2gydF4y2Ba 2020年gydF4y2Ba 26gydF4y2Ba 5gydF4y2Ba 2020年gydF4y2Ba 3gydF4y2Ba 6gydF4y2Ba 2020年gydF4y2Ba 19gydF4y2Ba 6gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 版权©2020俊威Du et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

化学事件进化图(CEEG)是一种有效的工具进行安全分析,化学事故预警和应急处置。然而,它是一个复杂的工作找到CEEG事件之间的因果关系。本文提出一种方法来准确地提取事件因果关系通过使用神经网络和结构分析。首先,我们确定事件及其组件元素从故障树通过自然语言处理技术。然后,因果关系在事故事件分为明确的因果关系和隐含的因果关系。明确的因果关系是通过分析事件节点的层次结构关系和语义的组件故障树的逻辑门。通过整合内部结构特点的事件和事件的句子的语义特征,我们提取隐含的因果关系,利用双向封闭的复发性单元(BiGRU)神经网络。提出了一种算法,名叫CEFTAR,提取安全事件的因果关系在化学事故故障树和事故报告。与现有的方法相比,实验结果表明,我们的方法具有更高的精度和召回率提取因果关系。gydF4y2Ba

 山东省的重要研究项目gydF4y2Ba 2018年ggx101052gydF4y2Ba 中国国家自然科学基金gydF4y2Ba 61973180gydF4y2Ba 山东省自然科学基金gydF4y2Ba ZR2019MF033gydF4y2Ba 1。介绍gydF4y2Ba

近年来,化学工业经济和社会发展做出了巨大的贡献。然而,一系列的安全事故频繁发生与化工企业带来的巨大的经济效益。例如,七十八人死于爆炸盐城化学工业园区3月21日,2019年。事故发生后,十六个化工企业在这个工业园区被关闭(gydF4y2Ba 1gydF4y2Ba]。化学事故的发生给企业和个人带来了巨大的经济损失,做出无法挽回的环境破坏,甚至导致重大人员伤亡(gydF4y2Ba 2gydF4y2Ba]。因此,事故预防和应急处理已经成为日常生产化工的重点。gydF4y2Ba

在化工行业提升生产规模和大量的化工产品,生产过程越来越复杂,和生产的所有方面的风险因素也增加(gydF4y2Ba 3gydF4y2Ba]。控制和预警的不安全因素,如高温、高压、易燃、爆炸、和中毒在化工生产能有效防止未来化学事故(gydF4y2Ba 4gydF4y2Ba]。Versaci提出一个模糊的方法来实现缺陷的检测和分类。它认为类缺陷在一定深度的特点是典型的范围模糊相似之处(gydF4y2Ba 5gydF4y2Ba]。文献[gydF4y2Ba 6gydF4y2Ba)覆盖的实际实现超声无损检测技术在工业环境中,可能会出现讨论几个问题,并提出解决策略成功。它提供的许多技术可以应用于探测危险化学品生产信息。gydF4y2Ba

通过分析事故的原因,挖掘潜在的因素,进化规则,和保护措施,我们可以减少事故发生率,减少事故损失,提高安全管理水平和应急处置能力的化工企业。故障树分析是最常用的方法之一,在安全分析,预防和紧急处理(gydF4y2Ba 7gydF4y2Ba]。故障树可以描述事故的原因及其时序逻辑关系(gydF4y2Ba 8gydF4y2Ba]。所以,我们可以找到化学事故的关键事件和预测潜在危险的化工生产现有的故障树。gydF4y2Ba

然而,只有偶然的进化过程可以得到故障树。时间、地点和环境的这些事故并不简洁的描述故障树的结构。因此,它可能会导致缺乏重要的信息在分析事故的原因。因为大多数故障树建立了基于专家的事故分析经验,可能存在语义歧义,不完整的信息,混合信息,信息融合的故障树。与此同时,对于复杂的故障树,我们可能面临高复杂性和不完整的进化在分析事件演化机制的信息。也很难准确定位或匹配事件演化序列。gydF4y2Ba

为了弥补上述缺陷安全故障树的分析,预警和应急处理,事件进化图(EEG)介绍了在化学事故模型的事件演化过程。脑电图是一种图形信息载体的基础上开发知识图(gydF4y2Ba 9gydF4y2Ba]。插图作为一个有向图,它描述了因果关系和时间依赖性事件链的一个意外。一个脑电图描述化学事故被称为化学事件的演化过程进化图(CEEG)。通过遍历CEEG,我们可以很容易地获得化学事故事件的演化序列。我们也可以预测潜在的事件在一次事故中通过评估事件因果关系和转移概率。gydF4y2Ba

一个场景的事件“石油和天然气爆炸波动”CEEG图所示gydF4y2Ba 1gydF4y2Ba。第一个节点是说:“阀门泄漏的事件从阀泄漏储罐。然后“油气蒸发”和“爆炸性气体收敛”按顺序发生。当爆炸性气体的浓度超过一定数量时,就会引起爆炸。爆炸需要一些触发条件。因此,我们可以看到节点“爆炸性气体收敛”成功连接有三个节点。“用火爆炸”、“与雷爆炸,”和“与静电爆炸”代表爆炸引起的火灾,雷电和静电。“爆炸冲击”和“火打破”是两个主要的破坏场景。因此,节点“爆炸冲击”和“火打破”分别与爆炸三种类型的节点。因为事故发生的事件是由他们的时间或因果关系,我们可以很容易地实现与CEEG事件跟踪和预警。gydF4y2Ba

一个事件进化图的场景下“不稳定的石油和天然气的爆炸。”gydF4y2Ba

这是一个复杂和富有挑战性的任务构建CEEG。提取、事件识别、事件关系和事件实体链接的主要任务是构建脑电图的过程。在这项研究中,我们建立CEEG基于现有的故障树和事故报告。在化学事故中的大多数事件都是因果关系,以及因果关系也是主要的链接CEEG安全事件之间的关系。所以,我们担心如何识别事件和提取这些事件之间的因果关系。本研究的主要贡献如下:gydF4y2Ba

我们提出一个有效的方法来提取事件元素通过结合故障树与事故报告。故障树和事故报告极大地降低事件提取基于NLP的复杂性。gydF4y2Ba

我们获得明确的因果关系通过分析事件节点的层次结构关系,在故障树逻辑门。隐含因果关系生成基于BiGRU神经网络通过喂养内部结构特点的事件和事件的句子的语义特征。因果关系提取的精度和效率都提高了因果关系划分成明确的因果关系和隐含的因果关系。gydF4y2Ba

我们进行了几轮的实验来验证该方法的有效性。的精度和召回率,实验结果表明,我们的模型和方法比最先进的方法提取因果关系。gydF4y2Ba

本文的其余部分的结构如下。节gydF4y2Ba 2gydF4y2Ba,我们引入故障树和脑电图的正式定义。部分gydF4y2Ba 3gydF4y2Ba提出了一种实现事件识别方法。如何提取安全事件之间的因果关系是节中阐述了吗gydF4y2Ba 4gydF4y2Ba。节gydF4y2Ba 5gydF4y2Ba,实验显示我们的方法的有效性。我们结束我们的工作gydF4y2Ba 6gydF4y2Ba。gydF4y2Ba

 2。相关定义gydF4y2Ba

本文的主要目的是提供一种有效的方法寻找潜在事件和他们的因果关系。在得到事件及其因果关系后,我们可以构建CEEG然后应用事故分析,推理和早期预警。准确、自动获取知识构建CEEG,我们提出一个方法来从故障树中提取和因果关系的事件和事故报告。我们将故障树的定义和脑电图,以便更好地说明我们的方法在以下部分中。gydF4y2Ba

故障树是常用的分析与安全相关的风险,他们可以描述事件的时序逻辑发生安全事故(gydF4y2Ba 10gydF4y2Ba]。有两种类型的节点:事件和盖茨在故障树。事件的故障树是用来代表的主要事件导致事故和他们可以分为三种类型:基本事件,中间事件和事件。盖茨表示事件传播通过系统而边缘是如何用来表达这些事件的发生顺序关系(gydF4y2Ba 11gydF4y2Ba]。gydF4y2Ba

故障树图gydF4y2Ba 2gydF4y2Ba描述了一种“油罐爆炸的场景。“我们可以看到基本事件”空洞出现在板的槽”和“裂纹出现在盘柜”是与或门gydF4y2Ba OgydF4y2Ba1gydF4y2Ba。这意味着事件“变形或断裂发生在坦克”将被触发,如果上面的一个基本事件发生了。与门的gydF4y2Ba 一个gydF4y2Ba1gydF4y2Ba事件”20吨柴油罐,填写““变形或破坏发生在坦克,”和“储罐逾期维修”是它的输入事件,和“柴油泄漏槽”是其输出事件。所以,只有所有的输入事件同时出现,和输出事件会发生。同样,我们可以推导出一系列事件为“火灾发生火花,”“点火来源出现,”和“油箱爆炸。”gydF4y2Ba

一个故障树的场景下“油箱爆炸。”gydF4y2Ba

 2.1。定义1(故障树)gydF4y2Ba

故障树是一种4-tuplegydF4y2Ba 英国《金融时报》gydF4y2Ba= (gydF4y2Ba VgydF4y2Ba,gydF4y2Ba GgydF4y2Ba,gydF4y2Ba EgydF4y2Ba,gydF4y2Ba vgydF4y2Ba 0gydF4y2Ba ),包含以下组件:gydF4y2Ba

VgydF4y2Ba 节点的集合在吗gydF4y2Ba 英国《金融时报》gydF4y2Ba;每个节点gydF4y2Ba vgydF4y2Ba 在gydF4y2Ba VgydF4y2Ba 用于表示一个事件gydF4y2Ba

GgydF4y2Ba逻辑门的集合。∀gydF4y2Ba ggydF4y2Ba ∈gydF4y2Ba GgydF4y2Ba,gydF4y2Ba TgydF4y2Ba(gydF4y2Ba ggydF4y2Ba )是一个函数,它描述了每个门的类型gydF4y2Ba

EgydF4y2Ba弧的集合在吗gydF4y2Ba 英国《金融时报》gydF4y2Ba,gydF4y2Ba EgydF4y2Ba⊆gydF4y2Ba VgydF4y2Ba ×gydF4y2Ba GgydF4y2Ba∪gydF4y2Ba GgydF4y2Ba×gydF4y2Ba VgydF4y2Ba

vgydF4y2Ba 0gydF4y2Ba 的根节点吗gydF4y2Ba 英国《金融时报》gydF4y2Ba

故障树中有三种类型的节点:根节点,叶节点、中间节点。根节点gydF4y2Ba vgydF4y2Ba 0gydF4y2Ba 代表了最高的事件。gydF4y2Ba VgydF4y2BalgydF4y2Ba= {gydF4y2Ba vgydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba∧(gydF4y2Ba ∄gydF4y2Ba ggydF4y2Ba ∈gydF4y2Ba GgydF4y2Ba酸处理(gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba ggydF4y2Ba )∈gydF4y2Ba EgydF4y2Ba)};∀gydF4y2Ba vgydF4y2Ba ∈gydF4y2Ba VgydF4y2BalgydF4y2Ba,gydF4y2Ba vgydF4y2Ba 是一个叶节点,它是用来表示一个基本事件。gydF4y2Ba VgydF4y2Ba米gydF4y2Ba= {gydF4y2Ba vgydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba∧(∃gydF4y2Ba ggydF4y2Ba ∈gydF4y2Ba GgydF4y2Ba酸处理(gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba ggydF4y2Ba )∈gydF4y2Ba EgydF4y2Ba)};∀gydF4y2Ba vgydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba米gydF4y2Ba,gydF4y2Ba vgydF4y2Ba 是一个中间节点,它是用来表示一个中间事件。gydF4y2Ba

轻松地获得输入事件和逻辑门的输出事件,我们提出两个函数:(1)gydF4y2Ba 我gydF4y2Ba:gydF4y2Ba GgydF4y2Ba⟶Ψ(gydF4y2Ba EgydF4y2Ba)描述了每个门的输入事件;(2)gydF4y2Ba OgydF4y2Ba:gydF4y2Ba GgydF4y2Ba⟶gydF4y2Ba ΓgydF4y2Ba (gydF4y2Ba EgydF4y2Ba)描述每个门的输出事件。gydF4y2Ba

从图中的例子gydF4y2Ba 1gydF4y2Ba,我们可以看到,一个事件的进化图是有向图。节点事件进化图是用来表示事件,采取了相应的弧来表示这些事件之间的依赖关系。现在,我们给脑电图的定义。gydF4y2Ba

 2.2。定义2(事件进化图)gydF4y2Ba

事件的进化图(gydF4y2Ba 脑电图描记器gydF4y2Ba)= (gydF4y2Ba VgydF4y2Ba,gydF4y2Ba EgydF4y2Ba)。在这里,gydF4y2Ba VgydF4y2Ba是一组节点;∀gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba,gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 是一个事件,它是由抽象的、广义和语义完整的动词词组。gydF4y2Ba EgydF4y2Ba是一组弧形;∀gydF4y2Ba egydF4y2Ba ijgydF4y2Ba∈gydF4y2Ba EgydF4y2Ba,它表示事件之间存在依赖关系gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba vgydF4y2Ba jgydF4y2Ba 。gydF4y2Ba

有两种类型的事件之间的依赖关系:顺序关系和因果关系。两个事件之间的顺序关系指的是他们的部分时间排序。因果关系是一个事件之间的关系(原因)和第二个事件(效果),第二个事件在哪里理解为第一的结果(gydF4y2Ba 9gydF4y2Ba]。在这项研究中,我们使用了象征“⟶”来表示因果关系。对两个事件gydF4y2Ba egydF4y2Ba 我gydF4y2Ba和gydF4y2Ba egydF4y2Ba jgydF4y2Ba,gydF4y2Ba egydF4y2Ba 我gydF4y2Ba⟶gydF4y2Ba egydF4y2Ba jgydF4y2Ba意味着gydF4y2Ba egydF4y2Ba 我gydF4y2Ba的原因是gydF4y2Ba egydF4y2Ba jgydF4y2Ba。很明显,必须连续事件之间的因果关系。找到两个事件之间的因果关系是困难和具有挑战性的工作。gydF4y2Ba

 3所示。事件识别gydF4y2Ba

事件识别,也称为事件识别或事件提取过程发现组件元素(因素)的一个事件从不同来源的信息。在最近的一项研究中,Skarlatidis解决不确定性问题的基于逻辑的事件识别通过扩展事件微积分和概率推理(gydF4y2Ba 12gydF4y2Ba]。陈介绍word-representation模型获取有意义的词语的语义规律。他收养了一个框架基于动态multipooling卷积神经网络(DMCNN)捕获字面意思的线索和保留关键信息gydF4y2Ba 13gydF4y2Ba]。冯开发了一个独立于语言的神经网络来捕获序列和从特定的上下文和块信息他们火车事件检测器用于多种语言没有任何手动编码特性(gydF4y2Ba 14gydF4y2Ba]。廖提出了一种新的基于积极和消极事件识别方法提出的权重构建一个触发器表(gydF4y2Ba 15gydF4y2Ba]。Hogenboom总结了事件抽取的文本数据的技术,区分数据驱动,知识,和混合方法,提出了一个定性评估这些方法(gydF4y2Ba 16gydF4y2Ba]。gydF4y2Ba

在这项研究中,我们将提取事件,调查他们在化学事故的因果关系。我们的信息来源事件识别故障树和事故报告。现在,我们给事件的正式结构用于本文。gydF4y2Ba

3.1。定义3(事件)gydF4y2Ba

一个事件在一次事故中被正式定义为4-tuplegydF4y2Ba egydF4y2Ba= {gydF4y2Ba ogydF4y2Ba,gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba pgydF4y2Ba,gydF4y2Ba tgydF4y2Ba},gydF4y2Ba ogydF4y2Ba,gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba pgydF4y2Ba,gydF4y2Ba tgydF4y2Ba用来表示事件的参与者,事件触发词,位置,和事件发生的时间戳。gydF4y2Ba

简洁地展示一个进化过程,故障树通常设计摘要信息的事件。我们不能找到一个详细描述信息的时间,地点,和环境状态。这些信息是在事故中阐述了报告。所以,我们可以获得这些事件元素的自然语言处理技术故障树和事故报告。事件的提取元素包括以下工作:语料库切分、词性标注,语义角色标注(SRL),语义依赖解析(SDP),和依赖解析(DP) [gydF4y2Ba 17gydF4y2Ba,gydF4y2Ba 18gydF4y2Ba]。为每个节点故障树,我们可以通过以下步骤获得事件的元素:gydF4y2Ba

参与者⟵SRL(故障树节点)gydF4y2Ba

触发字⟵SRL(故障树节点)gydF4y2Ba

地方⟵SDP(事件的句子)和(的地方。semantic-dependency(触发字)= LOC)gydF4y2Ba

时间⟵SDP(事件的句子)和(时间。年代e米一个nt我c-dependency (Trigger-word) = Time)

句子主题⟵DP(事件)和(Subject.dependency-parsing(触发字)= SBV)gydF4y2Ba

事件对象⟵DP(句子)和(Object.dependency-parsing(触发字)= VOB)gydF4y2Ba

SRL首先是用来识别事件触发词和参与者的故障树。时间戳和姿势SDP技术获得的事件可以触发词。整个事件的信息后将生成“包含主语、谓词和宾语”结构由DP解析。上述处理功能(SRL SDP, DP)通常封装应用程序服务。这里,开源开发的自然语言处理系统的社会计算与信息检索研究中心调用哈尔滨工业大学在我们的研究解析事件的句子(gydF4y2Ba 19gydF4y2Ba]。gydF4y2Ba

在图gydF4y2Ba 2gydF4y2Ba,都有一个节点标签“喷气燃料泄漏”故障树。这个节点的事件句相应的事故报告”在11点钟,喷气燃料管道泄漏出来。“SDP的处理结果,SRL, DP (a)所示,(b)和(c)的人物gydF4y2Ba 3gydF4y2Ba。我们可以看到,“喷气燃料”是事件参与者而“溢出”是一个事件触发词。gydF4y2Ba

事件识别的一个例子。gydF4y2Ba

SDP可以识别语义角色及其关系在事件的句子。不同的角色之间的主要关系包括代理关系,病人关系,体验者的关系。SDP图的结果gydF4y2Ba 3 (b)gydF4y2Ba表明参与者“喷气燃料”和触发字“溢出”与体验者的关系。“管道”和“11点”的语义依赖触发字。“管道”的角色,“11点”的位置和时间,分别。因此,参与者在这个句子是“喷气燃料”,触发字“泄漏出去,”发生时间是在11点钟,和在管道发生的地方”。“不同的单词在句子的关系见图gydF4y2Ba 3 (c)gydF4y2BaDP。到目前为止,我们可以得到所有事件的元素和4-tuple句子gydF4y2Ba egydF4y2Ba={喷气燃料,洒了出来,在管道中,11点钟}。gydF4y2Ba

 4所示。提取事件因果关系gydF4y2Ba

故障树是一种逻辑因果关系有向图包括事件符号、逻辑门,和转换。它可以显示系统状态的各种基本事件的逻辑演进。事件因果关系在故障树可以分为两类:明确的因果关系和隐含的因果关系。gydF4y2Ba

4.1。提取明确的因果关系gydF4y2Ba

明确的因果关系可以通过分析中提取事件节点的层次结构关系和语义的组件逻辑门。有各种类型的故障树的逻辑门。通常情况下,以下三种类型的逻辑门,即与门,或门,和嗓音起始时间(gydF4y2Ba kgydF4y2Ba/gydF4y2Ba NgydF4y2Ba),基本盖茨。通过上面的逻辑门的组合,我们可以得到所有其他的语义逻辑门用于故障树(gydF4y2Ba 11gydF4y2Ba]。gydF4y2Ba

让gydF4y2Ba FgydF4y2Ba故障树,让gydF4y2Ba 是gydF4y2Ba代表基本事件的集合gydF4y2Ba FgydF4y2Ba。的语义gydF4y2Ba FgydF4y2Ba是一个函数gydF4y2Ba πgydF4y2Ba FgydF4y2Ba:Ψ(gydF4y2Ba 是gydF4y2Ba)×gydF4y2Ba EgydF4y2Ba⟶{0,1}gydF4y2Ba πgydF4y2Ba FgydF4y2Ba(gydF4y2Ba 年代gydF4y2Ba,gydF4y2Ba egydF4y2Ba)表示是否gydF4y2Ba egydF4y2Ba失败的设置gydF4y2Ba 年代gydF4y2Ba失败的gydF4y2Ba 是gydF4y2Ba。这是定义如下:gydF4y2Ba

为gydF4y2Ba egydF4y2Ba∈gydF4y2Ba 是gydF4y2Ba,gydF4y2Ba πgydF4y2Ba FgydF4y2Ba(gydF4y2Ba 年代gydF4y2Ba,gydF4y2Ba egydF4y2Ba)=gydF4y2Ba egydF4y2Ba∈gydF4y2Ba 年代gydF4y2Ba

为gydF4y2Ba ggydF4y2Ba ∈gydF4y2Ba GgydF4y2Ba和gydF4y2Ba TgydF4y2Ba(gydF4y2Ba ggydF4y2Ba )=,让gydF4y2Ba πgydF4y2Ba FgydF4y2Ba(gydF4y2Ba 年代gydF4y2Ba,gydF4y2Ba ggydF4y2Ba )=gydF4y2Ba ∧gydF4y2Ba xgydF4y2Ba ∈gydF4y2Ba 我gydF4y2Ba ggydF4y2Ba πgydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba

为gydF4y2Ba ggydF4y2Ba ∈gydF4y2Ba GgydF4y2Ba和gydF4y2Ba TgydF4y2Ba(gydF4y2Ba ggydF4y2Ba )=,或者让gydF4y2Ba πgydF4y2Ba FgydF4y2Ba(gydF4y2Ba 年代gydF4y2Ba,gydF4y2Ba ggydF4y2Ba )=gydF4y2Ba ∨gydF4y2Ba xgydF4y2Ba ∈gydF4y2Ba 我gydF4y2Ba ggydF4y2Ba πgydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba

为gydF4y2Ba ggydF4y2Ba ∈gydF4y2Ba GgydF4y2Ba和gydF4y2Ba TgydF4y2Ba(gydF4y2Ba ggydF4y2Ba )=嗓音起始时间(gydF4y2Ba kgydF4y2Ba/gydF4y2Ba NgydF4y2Ba),让gydF4y2Ba πgydF4y2Ba FgydF4y2Ba(gydF4y2Ba 年代gydF4y2Ba,gydF4y2Ba ggydF4y2Ba )=gydF4y2Ba ΣgydF4y2Ba xgydF4y2Ba ∈gydF4y2Ba 我gydF4y2Ba ggydF4y2Ba πgydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba ≥gydF4y2Ba kgydF4y2Ba

语义的逻辑门,我们知道发生在低层节点是上层节点的事件的原因。图gydF4y2Ba 4gydF4y2Ba说明了故障树的基本结构。两个事件gydF4y2Ba egydF4y2Ba 我gydF4y2Ba和gydF4y2Ba egydF4y2Ba jgydF4y2Ba通过逻辑门和相连,和事件吗gydF4y2Ba egydF4y2Ba 米gydF4y2Ba位于上层节点。所以,我们可以得到两个明确的因果关系规则:gydF4y2Ba egydF4y2Ba 我gydF4y2Ba⟶gydF4y2Ba egydF4y2Ba 米gydF4y2Ba和gydF4y2Ba egydF4y2Ba jgydF4y2Ba⟶gydF4y2Ba egydF4y2Ba 米gydF4y2Ba。对于一个给定的故障树,我们可以获得明确的因果关系规则通过遍历所有的逻辑门。gydF4y2Ba

基本结构和门的一个例子。gydF4y2Ba

 4.2。提取隐含的因果关系gydF4y2Ba

明确的因果关系可以很容易地歧视事件节点的层次结构的故障树。然而,可能会有一些混合事件节点的信息。同时,多个事件偶尔中描述一个事件节点。因此,一些隐含的因果关系可能隐藏在事件的故障树。提取隐含因果关系应该以建立一个正确的CEEG。有两个步骤,找到隐含的因果关系。一个是调查两个事件之间是否有因果关系,另一个是确定因果关系的方向。的因果方向是用来描述事件的原因和结果。在这项研究中,每两个事件的事件对故障树节点被组装为候选人。通过分析事件的内部结构和语义特征的事件的句子,我们可以确定因果关系及其方向的帮助下我们的因果分类器。gydF4y2Ba

刘提出了一个经验学习因果关系框架。与传统方法相比,它试图处理因果关系问题依靠文本线索和语言资源,他们首先使用因果关系学习的经验信息(gydF4y2Ba 20.gydF4y2Ba]。Riaz关注识别和使用名词和动词的语义类编码的倾向高的原因或noncause关系gydF4y2Ba 21gydF4y2Ba]。赵设计抽象因果关系网络和双因果转换模型。是有效的发现高层背后的因果关系规则具体因果事件(gydF4y2Ba 22gydF4y2Ba]。赵和刘提出了一个新的限制隐朴素贝叶斯模型从文本中提取出因果关系。它可以应付部分之间的交互功能,避免过度拟合问题隐朴素贝叶斯模型,特别是连接类别之间的交互和句子的语法结构gydF4y2Ba 23gydF4y2Ba]。一个框架,结合直觉模糊集理论和专家提出了启发式,使定量分析的时间不确定的动态系统故障树的数据(gydF4y2Ba 24gydF4y2Ba]。gydF4y2Ba

近年来,各种类型的神经网络和深度学习模型的推广应用提供了有利的支持,机器学习。例如,邓小平提出了一种改进的量子激发微分进化方法所构建一个最优的深层信念网络,这是进一步应用于提出一种新的故障分类(gydF4y2Ba 25gydF4y2Ba]。一种改进的蚁群优化算法基于multipopulation策略,共同进化机制、信息素更新策略和信息素扩散机制提出了平衡收敛速度和解决方案多样性和提高优化性能在解决大规模优化问题(gydF4y2Ba 26gydF4y2Ba]。类似的工作对提高共同进化蚁群优化算法与多策略提出了文献[gydF4y2Ba 27gydF4y2Ba]。赵扩展广泛的学习系统基于流形正则化框架的semisupervised学习提出semisupervised广泛的学习系统。它可以实现更高的分类精度不同的复杂的数据,操作速度快,泛化能力强gydF4y2Ba 28gydF4y2Ba]。这些方法是我对我们具有重要意义,利用神经网络优化的因果关系。gydF4y2Ba

在这项研究中,我们提出一种新的方法来获取隐含的因果关系,因果关系提取转换成二进制分类问题。四个步骤包括内部结构特点提取事件,事件的句子语义特征提取,特征融合,softmax分类采用故障树发现隐含的因果关系。gydF4y2Ba

如图gydF4y2Ba 5gydF4y2Ba字(词)向量是首先用来表达词汇事件的序列特征的句子。然后,BiGRU神经网络用于我的事件的上下文语义特征的句子。提高上下文语义的准确性,我们添加的关注机制到BiGRU模型的词和句子。最后,语义特征和内部结构特征都是输入softmax分类器来确定是否有因果关系和给定的事件之间的因果关系的方向。gydF4y2Ba

提取过程中隐含的因果关系。gydF4y2Ba

 4.2.1。准备提取事件的内部结构特征gydF4y2Ba

事件的内部结构特征指组件元素事件的特征对的关系。让gydF4y2Ba egydF4y2Ba 我gydF4y2Ba= {gydF4y2Ba ogydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba 我gydF4y2Ba}是一个事件,0≤gydF4y2Ba 我gydF4y2Ba< =gydF4y2Ba ngydF4y2Ba。gydF4y2Ba EgydF4y2Ba= {gydF4y2Ba egydF4y2Ba 我gydF4y2Ba}是一组事件。∀gydF4y2Ba egydF4y2Ba 我gydF4y2Ba和gydF4y2Ba egydF4y2Ba jgydF4y2Ba∈gydF4y2Ba EgydF4y2Ba, egydF4y2Ba 我gydF4y2Ba,gydF4y2Ba egydF4y2Ba jgydF4y2Ba>可以形成一个事件。三个事件的内部结构特征对研究在本节中:gydF4y2Ba

出现的概率gydF4y2Ba :PgydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba)是用来代表的出现概率gydF4y2Ba egydF4y2Ba我gydF4y2Ba。gydF4y2Ba 个人电脑gydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba,gydF4y2Ba egydF4y2Ba jgydF4y2Ba)被定义为的同现概率gydF4y2Ba egydF4y2Ba 我gydF4y2Ba和gydF4y2Ba egydF4y2Ba jgydF4y2Ba。此外,gydF4y2Ba 个人电脑gydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba⟶gydF4y2Ba egydF4y2Ba 我gydF4y2Ba)的同现概率gydF4y2Ba egydF4y2Ba 我gydF4y2Ba和gydF4y2Ba egydF4y2Ba jgydF4y2Ba的条件gydF4y2Ba egydF4y2Ba 我gydF4y2Ba原因而gydF4y2Ba egydF4y2Ba jgydF4y2Ba是结果。对于事件的元素,我们现在一群出现的概率。gydF4y2Ba PgydF4y2Ba(gydF4y2Ba egydF4y2Ba我gydF4y2Ba。gydF4y2Ba ogydF4y2Ba)是用来表达的出现概率的参与者gydF4y2Ba egydF4y2Ba 我gydF4y2Ba。gydF4y2Ba ogydF4y2Ba。同样的,gydF4y2Ba PgydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba。gydF4y2Ba vgydF4y2Ba ),gydF4y2Ba PgydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba。gydF4y2Ba pgydF4y2Ba),gydF4y2Ba PgydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba。gydF4y2Ba tgydF4y2Ba)的出现概率触发词,位置,分别和时间戳的事件。gydF4y2Ba

点态互信息:点态互信息(PMI)通常是用来计算两个词之间的语义相似度(gydF4y2Ba 29日gydF4y2Ba]。PMI的基本思想是计算的概率两个词同时出现在文本中。正常情况下,两个词总结有高度的相关性更高的采购经理人指数。因此,PMI的事件和它们的元素可用于确定两个事件之间的关联度。采购经理人指数的定义为事件组和事件元素可以引用,分别gydF4y2Ba

 (1)gydF4y2Ba 采购经理人指数gydF4y2Ba egydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba egydF4y2Ba jgydF4y2Ba =gydF4y2Ba 日志gydF4y2Ba PgydF4y2Ba egydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba egydF4y2Ba jgydF4y2Ba PgydF4y2Ba egydF4y2Ba 我gydF4y2Ba ∗gydF4y2Ba PgydF4y2Ba egydF4y2Ba jgydF4y2Ba ,gydF4y2Ba (2)gydF4y2Ba 采购经理人指数gydF4y2Ba egydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba fgydF4y2Ba ,gydF4y2Ba egydF4y2Ba jgydF4y2Ba 。gydF4y2Ba fgydF4y2Ba =gydF4y2Ba 日志gydF4y2Ba PgydF4y2Ba egydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba fgydF4y2Ba ,gydF4y2Ba egydF4y2Ba jgydF4y2Ba 。gydF4y2Ba fgydF4y2Ba PgydF4y2Ba egydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba fgydF4y2Ba ∗gydF4y2Ba PgydF4y2Ba egydF4y2Ba jgydF4y2Ba 。gydF4y2Ba fgydF4y2Ba ,gydF4y2Ba fgydF4y2Ba ∈gydF4y2Ba ogydF4y2Ba ,gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba pgydF4y2Ba ,gydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

位置之间的相关性事件:事件中包含故障树节点可能存在于不同的句子。两句话通常被认为是与更多的依赖或因果关系是否密切。句子之间的距离成反比的程度之间的关系的句子。段落句子包含事件从零顺序编号。让gydF4y2Ba TSgydF4y2Ba是句子的总数在事故报告。gydF4y2Ba SPgydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba)是用来表示句子包括的数量gydF4y2Ba egydF4y2Ba我gydF4y2Ba。相对位置为一个事件对 egydF4y2Ba 我gydF4y2Ba,gydF4y2Ba egydF4y2Ba jgydF4y2Ba>,即gydF4y2Ba SPegydF4y2Ba ijgydF4y2Ba,被分配gydF4y2Ba SPgydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba)−gydF4y2Ba SPgydF4y2Ba(gydF4y2Ba egydF4y2Ba jgydF4y2Ba)。相关性是指位置gydF4y2Ba 精准医疗gydF4y2Ba ijgydF4y2Ba,gydF4y2Ba 精准医疗gydF4y2Ba ijgydF4y2Ba= 1−gydF4y2Ba SPegydF4y2Ba ijgydF4y2Ba/gydF4y2Ba TS。gydF4y2Ba

我们构建一个19-v向量gydF4y2Ba ISFegydF4y2Ba ijgydF4y2Ba表达事件的内部结构特性对 egydF4y2Ba 我gydF4y2Ba,gydF4y2Ba egydF4y2Ba jgydF4y2Ba>。在这里,gydF4y2Ba ISFegydF4y2Ba ijgydF4y2Ba= (gydF4y2Ba PgydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba),gydF4y2Ba PgydF4y2Ba(gydF4y2Ba egydF4y2Ba jgydF4y2Ba),gydF4y2Ba PgydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba。gydF4y2Ba ogydF4y2Ba),gydF4y2Ba PgydF4y2Ba(gydF4y2Ba egydF4y2Ba jgydF4y2Ba。gydF4y2Ba ogydF4y2Ba),gydF4y2Ba PgydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba。gydF4y2Ba vgydF4y2Ba ),gydF4y2Ba PgydF4y2Ba(gydF4y2Ba egydF4y2Ba jgydF4y2Ba。gydF4y2Ba vgydF4y2Ba ),gydF4y2Ba PgydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba。gydF4y2Ba pgydF4y2Ba),gydF4y2Ba PgydF4y2Ba(gydF4y2Ba egydF4y2Ba jgydF4y2Ba。gydF4y2Ba pgydF4y2Ba),gydF4y2Ba PgydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba。gydF4y2Ba tgydF4y2Ba),gydF4y2Ba PgydF4y2Ba(gydF4y2Ba egydF4y2Ba jgydF4y2Ba。gydF4y2Ba tgydF4y2Ba),gydF4y2Ba 个人电脑gydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba,gydF4y2Ba egydF4y2BajgydF4y2Ba),gydF4y2Ba 个人电脑gydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba⟶gydF4y2Ba egydF4y2Ba jgydF4y2Ba),gydF4y2Ba 个人电脑gydF4y2Ba(gydF4y2Ba egydF4y2Ba jgydF4y2Ba⟶gydF4y2Ba egydF4y2Ba 我gydF4y2Ba),gydF4y2Ba 采购经理人指数gydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba。gydF4y2Ba ogydF4y2Ba,gydF4y2Ba egydF4y2Ba jgydF4y2Ba。gydF4y2Ba ogydF4y2Ba),gydF4y2Ba 采购经理人指数gydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba。gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba egydF4y2Ba jgydF4y2Ba。gydF4y2Ba vgydF4y2Ba ),gydF4y2Ba 采购经理人指数gydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba。gydF4y2Ba pgydF4y2Ba,gydF4y2Ba egydF4y2Ba jgydF4y2Ba。gydF4y2Ba pgydF4y2Ba),gydF4y2Ba 采购经理人指数gydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba。gydF4y2Ba tgydF4y2Ba,gydF4y2Ba egydF4y2Ba jgydF4y2Ba。gydF4y2Ba tgydF4y2Ba),gydF4y2Ba 采购经理人指数gydF4y2Ba(gydF4y2Ba egydF4y2Ba 我gydF4y2Ba,gydF4y2Ba egydF4y2Ba jgydF4y2Ba),gydF4y2Ba 精准医疗gydF4y2Ba ijgydF4y2Ba)。gydF4y2Ba

 4.2.2。提取语义特征在事件的句子gydF4y2Ba

(1)BiGRU神经网络gydF4y2Ba。两个事件的语义依赖可以从事件中获得的句子。事件的语义特征的句子作为一个特征来识别事件关系在我们的研究中。工具“Word2vec”是用来训练语料中的词汇的词嵌入化学事故(gydF4y2Ba 30.gydF4y2Ba]。然后,这个词所表达的事件的句子可以嵌入序列。这个词向量来自事故报告的训练集文本和一些去噪后网络事故新闻。给定一个句子组成的gydF4y2Ba ngydF4y2Ba话说,每一个字gydF4y2Ba wgydF4y2Ba 由实值向量,向量表示为句子的gydF4y2Ba 年代gydF4y2Ba= (gydF4y2Ba wgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba wgydF4y2Ba 2gydF4y2Ba 、…gydF4y2Ba wgydF4y2Ba ngydF4y2Ba )。gydF4y2Ba

格勒乌的神经网络是一个流行的变体LSTM神经网络。与LSTM相比,格勒乌更简洁的结构(gydF4y2Ba 31日gydF4y2Ba]。格勒乌只有两个控制盖茨:更新和复位登机口。信息传播的格勒乌可以描述如下:gydF4y2Ba

门更新:更新门gydF4y2Ba zgydF4y2Ba tgydF4y2Ba(见公式(gydF4y2Ba 3gydF4y2Ba)用于控制程度前一时刻的状态信息带入当前状态。更新门的价值越大,越可以将前一时刻的状态信息:gydF4y2Ba

(3)gydF4y2Ba zgydF4y2Ba tgydF4y2Ba =gydF4y2Ba σgydF4y2Ba WgydF4y2Ba zgydF4y2Ba ∗gydF4y2Ba hgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

重置门:重置门gydF4y2Ba rgydF4y2Ba tgydF4y2Ba(见公式(gydF4y2Ba 4gydF4y2Ba)用于控制程度的忽略前一时刻的状态信息。盖茨重置价值越小,越忽略前一时刻的状态信息:gydF4y2Ba

 (4)gydF4y2Ba rgydF4y2Ba tgydF4y2Ba =gydF4y2Ba σgydF4y2Ba WgydF4y2Ba rgydF4y2Ba ∗gydF4y2Ba hgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

得到一个新的隐藏状态;gydF4y2Ba zgydF4y2Ba tgydF4y2Ba和gydF4y2Ba rgydF4y2Ba tgydF4y2Ba共同控制如何获得新的隐藏状态gydF4y2Ba hgydF4y2Ba tgydF4y2Ba−1gydF4y2Ba从先前隐藏状态gydF4y2Ba hgydF4y2Ba tgydF4y2Ba如下:gydF4y2Ba (5)gydF4y2Ba hgydF4y2Ba tgydF4y2Ba ∼gydF4y2Ba =gydF4y2Ba 棕褐色gydF4y2Ba hgydF4y2Ba WgydF4y2Ba ∗gydF4y2Ba rgydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba hgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba (6)gydF4y2Ba hgydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba zgydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba hgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba zgydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba hgydF4y2Ba tgydF4y2Ba ∼gydF4y2Ba 。gydF4y2Ba

与LSTM相比,格勒乌具有结构简单、参数少、训练速度快。它比LSTM已经显示出优越的性能。我们使用事故文本设置来训练神经网络。事件的句子在事故报告中首次获得根据故障树。向量的这些事件的句子然后输入到神经网络提取事件的语义特征的句子。gydF4y2Ba

神经网络的单向传播,这只能包含之前的传播信息。后者的反向传输信息不能传播。双向神经网络由两个神经网络训练序列前后,分别输出两个结果序列包含完整的上下文信息(gydF4y2Ba 32gydF4y2Ba]。在这里,我们使用element-wise总和将向前或向后通过输出:gydF4y2Ba (7)gydF4y2Ba hgydF4y2Ba tgydF4y2Ba ⟶gydF4y2Ba =gydF4y2Ba 格勒乌gydF4y2Ba ⟶gydF4y2Ba wgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba hgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ⟶gydF4y2Ba ,gydF4y2Ba (8)gydF4y2Ba hgydF4y2Ba tgydF4y2Ba ⟵gydF4y2Ba =gydF4y2Ba 格勒乌gydF4y2Ba ⟶gydF4y2Ba wgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba hgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ⟵gydF4y2Ba ,gydF4y2Ba (9)gydF4y2Ba HgydF4y2Ba =gydF4y2Ba hgydF4y2Ba tgydF4y2Ba ⟶gydF4y2Ba ⊕gydF4y2Ba hgydF4y2Ba tgydF4y2Ba ⟵gydF4y2Ba 。gydF4y2Ba

(2)注意机制gydF4y2Ba。细心的神经网络最近展示了巨大的成功在一个广泛的任务,如问答、机器翻译和图像识别。我们可以应用注意计算任何两个单词一个句子中通过引入self-attention机制。因此,单词在句子的依赖关系可以学到更精确。句注意周等人提出的机制。gydF4y2Ba 33gydF4y2Ba能注意语句)和林提出的机制等。gydF4y2Ba 34gydF4y2Ba为文本表示已经被广泛关注。在本节中,我们将上述两种方法生成向量的句子。gydF4y2Ba

一般来说,一个事件对 egydF4y2Ba pgydF4y2Ba,gydF4y2Ba egydF4y2Ba 问gydF4y2Ba>,gydF4y2Ba egydF4y2Ba pgydF4y2Ba和gydF4y2Ba egydF4y2Ba 问gydF4y2Ba是位于不同的句子。假设有gydF4y2Ba lgydF4y2Ba句子之间的事件gydF4y2Ba egydF4y2Ba pgydF4y2Ba和gydF4y2Ba egydF4y2Ba 问gydF4y2Ba。L一组句子形式gydF4y2Ba SegydF4y2Ba 魁人党gydF4y2Ba。给定一个句子gydF4y2Ba SegydF4y2Ba 我gydF4y2Ba在gydF4y2Ba SegydF4y2Ba 魁人党gydF4y2Ba,gydF4y2Ba TgydF4y2Ba 我gydF4y2Ba在句子的字数gydF4y2Ba SegydF4y2Ba 我gydF4y2Ba。gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba 与gydF4y2Ba tgydF4y2Ba ∈gydF4y2Ba [1,gydF4y2Ba TgydF4y2Ba我gydF4y2Ba)代表了gydF4y2Ba tgydF4y2BathgydF4y2Ba词gydF4y2Ba SegydF4y2Ba 我gydF4y2Ba。我们获得给定单词的注释gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba 通过连接向前隐藏状态,向后隐藏状态gydF4y2Ba hgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba =gydF4y2Ba hgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ⟶gydF4y2Ba ⊕gydF4y2Ba hgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ⟵gydF4y2Ba 。一旦与重量分配每一个字,我们可以给一个注释的句子。gydF4y2Ba

一个激活函数谭gydF4y2Ba hgydF4y2Ba(gydF4y2Ba xgydF4y2Ba在公式()gydF4y2Ba 10gydF4y2Ba)是用于处理。然后,我们测量的重要性和训练参数向量gydF4y2Ba WgydF4y2Ba1gydF4y2Ba规范化的重要性权重gydF4y2Ba αgydF4y2Ba 它gydF4y2Ba通过一个softmax函数。句子向量gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba可以获得通过使用加权和的所有单词注释与体重以下:gydF4y2Ba (10)gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 经验值gydF4y2Ba WgydF4y2Ba 1gydF4y2Ba TgydF4y2Ba ∗gydF4y2Ba 棕褐色gydF4y2Ba hgydF4y2Ba hgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ∑gydF4y2Ba tgydF4y2Ba 经验值gydF4y2Ba WgydF4y2Ba 1gydF4y2Ba TgydF4y2Ba ∗gydF4y2Ba 棕褐色gydF4y2Ba hgydF4y2Ba hgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba (11)gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba tgydF4y2Ba αgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba hgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

在这里,gydF4y2Ba hgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba dgydF4y2Ba WgydF4y2Ba ∗tgydF4y2Ba dgydF4y2BawgydF4y2Ba词向量的维数,gydF4y2Ba WgydF4y2Ba1gydF4y2Ba是一个训练有素的参数向量,然后呢gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba TgydF4y2Ba 是一个转置,gydF4y2Ba WgydF4y2Ba 1gydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba 1gydF4y2Ba ∗gydF4y2Ba dgydF4y2Ba WgydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba dgydF4y2Ba WgydF4y2Ba ∗gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

我们第一次喂的单词注释gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba成一个单层MLP得到gydF4y2Ba ugydF4y2Ba 我gydF4y2Ba作为一个隐藏的表示gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba。公式(gydF4y2Ba 13gydF4y2Ba)是用来计算一个句子的重量。我们计算出向量gydF4y2Ba vgydF4y2Ba 年代gydF4y2Ba 为gydF4y2Ba SegydF4y2Ba 魁人党gydF4y2Ba总结所有的信息的句子包含事件对:gydF4y2Ba (12)gydF4y2Ba μgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 棕褐色gydF4y2Ba hgydF4y2Ba WgydF4y2Ba 年代gydF4y2Ba ∗gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba +gydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba (13)gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 经验值gydF4y2Ba ugydF4y2Ba 我gydF4y2Ba ∗gydF4y2Ba rgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba 经验值gydF4y2Ba ugydF4y2Ba 我gydF4y2Ba ∗gydF4y2Ba rgydF4y2Ba ,gydF4y2Ba (14)gydF4y2Ba vgydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba ∗gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

(3)层正常化gydF4y2Ba。深入学习网络在训练过程中,参数的变化将导致在随后的网络输入数据的分布变化。解决问题的数据分布变化的训练过程中产层,约飞提出了BN算法(gydF4y2Ba 35gydF4y2Ba]。对于每一个批处理,输入分布和用于计算均值和方差,用于规范化输入每个训练样本的神经元的数目。这种方法可以显著减少的前身神经网络的训练时间。然而,批处理标准化的影响取决于minibatch的大小。需要统计每个minibatch的一阶和二阶统计在运行过程中,不能广泛应用于RNN网络。因此,英航等人提出的概念层正常化(LN),减少了训练时间的均值和方差的计算输入和单层神经元(gydF4y2Ba 36gydF4y2Ba]:gydF4y2Ba (15)gydF4y2Ba hgydF4y2Ba tgydF4y2Ba =gydF4y2Ba fgydF4y2Ba ggydF4y2Ba σgydF4y2Ba tgydF4y2Ba +gydF4y2Ba ζgydF4y2Ba ⊙gydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba −gydF4y2Ba μgydF4y2Ba tgydF4y2Ba +gydF4y2Ba bgydF4y2Ba 。gydF4y2Ba

在这里,在每一层的输入参数,gydF4y2Ba μgydF4y2Ba tgydF4y2Ba是输入数据的平均值,然后呢gydF4y2Ba σgydF4y2Ba tgydF4y2Ba是输入方差。gydF4y2Ba ggydF4y2Ba 和gydF4y2Ba bgydF4y2Ba偏见是常数,gydF4y2Ba fgydF4y2Ba是一个线性变换,然后呢gydF4y2Ba ζgydF4y2Ba是一个正则化参数。在这项研究中,LN方法引入到公式(gydF4y2Ba 4gydF4y2Ba)- (gydF4y2Ba 6gydF4y2Ba)提高格勒乌神经网络的训练速度。gydF4y2Ba

 4.2.3。融合的特性和分类的事件gydF4y2Ba

我们提出一个方法来获取事件的内部结构特征和语义特征在事件的句子。在本节中,我们实现融合的特性和分类的因果关系。gydF4y2Ba

有三种分类结果softmax分类器,标明两个事件是否有因果关系和因果关系的方向。gydF4y2Ba vgydF4y2Ba 年代gydF4y2Ba 是一个句子向量得到公式(gydF4y2Ba 14gydF4y2Ba),gydF4y2Ba vgydF4y2Ba egydF4y2Ba 事件结构特征的向量,gydF4y2Ba WgydF4y2Ba fgydF4y2Ba模型训练参数。gydF4y2Ba ygydF4y2Ba(见公式(gydF4y2Ba 16gydF4y2Ba)是用来表达两种类型的特征融合的分类结果:gydF4y2Ba (16)gydF4y2Ba ygydF4y2Ba =gydF4y2Ba 参数gydF4y2Ba 马克斯gydF4y2Ba 软gydF4y2Ba 马克斯gydF4y2Ba WgydF4y2Ba fgydF4y2Ba ∗gydF4y2Ba vgydF4y2Ba 年代gydF4y2Ba +gydF4y2Ba vgydF4y2Ba egydF4y2Ba 。gydF4y2Ba

与此同时,介绍了熵作为训练目标函数(见公式(gydF4y2Ba 17gydF4y2Ba))。在公式(gydF4y2Ba 17gydF4y2Ba),gydF4y2Ba ngydF4y2Ba是句子和的数量吗gydF4y2Ba θgydF4y2Ba代表所有的参数模型:gydF4y2Ba (17)gydF4y2Ba HgydF4y2Ba θgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba 日志gydF4y2Ba pgydF4y2Ba rgydF4y2Ba 我gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba θgydF4y2Ba 。gydF4y2Ba

4.3。因果关系提取算法gydF4y2Ba

在本节中,我们总结我们的主要操作步骤方法。提出了一种算法,即CEFTAR,从故障树中提取的因果关系和化学事故报告。gydF4y2Ba

在te算法gydF4y2Ba 1gydF4y2Ba,我们首先构造三组。他们(ES)的一组事件,事件对(EPS),和事件对因果关系(ECS)。这些设置都初始化为空集。从线(3)(4),我们使用流行的分词工具“Jieba”来获得所有的单词在化学事故报告。所以,我们可以根据这些词语料库。同时,工具“Word2vec”是用来生成向量对语料库中的词。通过遍历所有FTS的故障树,我们可以将所有的事件添加到ES(见(5)线(8))。(9),生成事件对ES事件的任意组合。所有的事件对每股收益。gydF4y2Ba

<大胆>算法1:< /大胆> CEFTAR算法。gydF4y2Ba

输入:故障树的集合(FTS)和事故报告(ARS)。gydF4y2Ba

输出:事件对因果关系的集合(ECS)。gydF4y2Ba

构造一组事件(ES)和事件对(EPS)。gydF4y2Ba

ECS =每股收益= ES =Φ;gydF4y2Ba

ARS的实现分词语料库CA工具“Jieba”和构建;gydF4y2Ba

每个单词w的CA,火车一个向量为w“Word2vec”;gydF4y2Ba

为每一个gydF4y2Ba 英国《金融时报》gydF4y2Ba ∈gydF4y2Ba 罚球gydF4y2Ba

为每一个gydF4y2Ba ngydF4y2Ba egydF4y2Ba ∈gydF4y2Ba ft.EgydF4y2Ba

{识别事件gydF4y2Ba egydF4y2Ba在节点gydF4y2Ba ngydF4y2Ba egydF4y2Ba;gydF4y2Ba

ES = ES∪{gydF4y2Ba egydF4y2Ba};}gydF4y2Ba

对于∀gydF4y2Ba egydF4y2Ba我gydF4y2Ba和gydF4y2Ba egydF4y2BajgydF4y2Ba ∈gydF4y2Ba ES、构建事件对 egydF4y2Ba 我gydF4y2Ba,gydF4y2Ba egydF4y2Ba jgydF4y2Ba>和每股收益=每股收益∪{ egydF4y2Ba 我gydF4y2Ba,gydF4y2Ba egydF4y2Ba jgydF4y2Ba>};gydF4y2Ba

对每个 egydF4y2Ba 我gydF4y2Ba,gydF4y2Ba egydF4y2Ba jgydF4y2Ba>gydF4y2Ba ∈gydF4y2Ba 每股收益gydF4y2Ba

如果gydF4y2Ba ∃gydF4y2Ba ggydF4y2Ba ∈gydF4y2Ba ft.GgydF4y2Ba酸处理:gydF4y2Ba egydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba 我gydF4y2Ba(gydF4y2Ba ggydF4y2Ba ∧)gydF4y2Ba egydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba OgydF4y2Ba(gydF4y2Ba ggydF4y2Ba )或gydF4y2Ba egydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba 我gydF4y2Ba(gydF4y2Ba ggydF4y2Ba ∧)gydF4y2Ba egydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba OgydF4y2Ba(gydF4y2Ba ggydF4y2Ba ),那么ECS = ECS∪{ egydF4y2Ba 我gydF4y2Ba,gydF4y2Ba egydF4y2Ba jgydF4y2Ba>};gydF4y2Ba

其他{构造gydF4y2Ba ISFegydF4y2Ba ijgydF4y2Ba和使用已经表示的向量gydF4y2Ba ISFegydF4y2Ba ijgydF4y2Ba

计算gydF4y2Ba SegydF4y2Ba ijgydF4y2Ba;gydF4y2Ba

为每一个gydF4y2Ba SegydF4y2Ba pgydF4y2Ba句子中gydF4y2Ba SegydF4y2Ba ijgydF4y2Ba

构建向量spgydF4y2Ba SegydF4y2Ba pgydF4y2Ba,gydF4y2Ba 年代gydF4y2Ba pgydF4y2Ba=ΣgydF4y2Ba αgydF4y2Ba 它gydF4y2Ba ∗gydF4y2Ba hgydF4y2Ba 它gydF4y2Ba;gydF4y2Ba

生成的矢量和gydF4y2Ba SegydF4y2Ba ijgydF4y2Ba;gydF4y2Ba vgydF4y2Ba 年代gydF4y2Ba =ΣgydF4y2Ba αgydF4y2Ba 我gydF4y2Ba ∗gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba;gydF4y2Ba

ygydF4y2Ba=gydF4y2Ba argmaxgydF4y2Ba(softmax (gydF4y2Ba WgydF4y2Ba fgydF4y2Ba ∗gydF4y2Ba (gydF4y2Ba vgydF4y2Ba 年代gydF4y2Ba +gydF4y2Ba vgydF4y2Ba egydF4y2Ba )));gydF4y2Ba

如果(gydF4y2Ba ygydF4y2Ba= = 1),那么ECS = ECS∪{< egydF4y2Ba 我gydF4y2BaegydF4y2Ba jgydF4y2Ba>};}gydF4y2Ba

返回(ECS)gydF4y2Ba

}gydF4y2Ba

对于一个事件,我们首先提取明确的因果关系(见线(11)(12))。如果两个事件是位于不同的层次结构,与相同的逻辑门,他们有明确的因果关系。隐含的因果关系将进一步调查,一旦他们不明确的因果关系。在分析事件的内部结构特征,我们构造gydF4y2Ba ISFegydF4y2Ba ijgydF4y2Ba和使用gydF4y2Ba vgydF4y2Ba egydF4y2Ba 来表示的向量gydF4y2Ba ISFegydF4y2Ba ijgydF4y2Ba。然后,句子的语义特征包括以下步骤获得的两人。我们得到了两个事件之间的所有句子,计算向量基于BiGRU神经网络对这些句子。最后,结合矢量的内部结构特征和句子的语义特征是发送到softmax分类器决定是否这两个事件有隐含的因果关系(见线(13)(18)。ECS CEFTAR返回的算法作为最终结果的因果关系。参数的含义在所有的公式和符号缩写展示在表gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

符号和意义。gydF4y2Ba

符号gydF4y2Ba 意义gydF4y2Ba
英国《金融时报》(V, G, E, VgydF4y2Ba 0gydF4y2Ba )gydF4y2Ba 故障树,gydF4y2Ba VgydF4y2Ba是一组节点,gydF4y2Ba GgydF4y2Ba盖茨的集合,gydF4y2Ba EgydF4y2Ba边的集合,gydF4y2Ba vgydF4y2Ba 0gydF4y2Ba 是根节点gydF4y2Ba
VgydF4y2Ba 米gydF4y2Ba,gydF4y2Ba VgydF4y2Ba lgydF4y2Ba 中间节点和叶节点gydF4y2Ba
脑电图描记器gydF4y2Ba= (gydF4y2Ba VgydF4y2Ba,gydF4y2Ba EgydF4y2Ba)gydF4y2Ba 事件的表达进化图,gydF4y2Ba VgydF4y2Ba组节点和吗gydF4y2Ba EgydF4y2Ba边的设置吗gydF4y2Ba
Ψ(gydF4y2Ba 。gydF4y2Ba)gydF4y2Ba 的函数返回给定逻辑门的输入事件gydF4y2Ba
ΓgydF4y2Ba (gydF4y2Ba 。gydF4y2Ba)gydF4y2Ba 该函数返回给定逻辑门的输出事件gydF4y2Ba
egydF4y2Ba= {gydF4y2Ba ogydF4y2Ba,gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba pgydF4y2Ba,gydF4y2Ba tgydF4y2Ba}gydF4y2Ba 事件gydF4y2Ba egydF4y2Ba,在那里gydF4y2Ba ogydF4y2Ba,gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba pgydF4y2Ba,gydF4y2Ba tgydF4y2Ba用来表示事件的参与者,事件触发词,位置,和事件发生的时间戳,分别吗gydF4y2Ba
生存研究实验室gydF4y2Ba(.)gydF4y2Ba 语义角色标注功能gydF4y2Ba
SDPgydF4y2Ba(.)gydF4y2Ba 语义依赖解析函数gydF4y2Ba
DPgydF4y2Ba(.)gydF4y2Ba 依赖性解析函数gydF4y2Ba
πgydF4y2Ba FgydF4y2Ba(gydF4y2Ba 年代gydF4y2Ba,gydF4y2Ba egydF4y2Ba)gydF4y2Ba 函数来判断gydF4y2Ba egydF4y2Ba失败的设置gydF4y2Ba 年代gydF4y2Ba失败的gydF4y2Ba 是gydF4y2Ba
PgydF4y2Ba(gydF4y2Ba 。gydF4y2Ba)gydF4y2Ba 概率函数gydF4y2Ba
个人电脑gydF4y2Ba(gydF4y2Ba ,,。gydF4y2Ba)gydF4y2Ba 同现概率函数gydF4y2Ba
采购经理人指数gydF4y2Ba 点态互信息gydF4y2Ba
zgydF4y2BatgydF4y2Ba 更新门格勒乌单位gydF4y2Ba
rgydF4y2BatgydF4y2Ba 重置门格勒乌的单位gydF4y2Ba
xgydF4y2BatgydF4y2Ba 格勒乌单元的输入gydF4y2Ba
hgydF4y2BatgydF4y2Ba 在当前时刻的隐层信息gydF4y2Ba
hgydF4y2Bat - 1gydF4y2Ba 前一刻的隐层信息gydF4y2Ba
hgydF4y2Ba ˜gydF4y2Ba tgydF4y2Ba 在当前时刻的候选人隐层信息gydF4y2Ba
WgydF4y2Ba 权重矩阵gydF4y2Ba
σgydF4y2Ba 乙状结肠激活函数gydF4y2Ba
棕褐色gydF4y2Ba hgydF4y2Ba 双曲正切激活函数gydF4y2Ba
⊕gydF4y2Ba 向量连接函数gydF4y2Ba
αgydF4y2Ba它gydF4y2Ba 规范化的词的句子gydF4y2Ba 年代gydF4y2Ba我gydF4y2Ba
年代gydF4y2Ba我gydF4y2Ba 这个句子向量gydF4y2Ba
ugydF4y2Ba我gydF4y2Ba 的隐藏表示句子向量gydF4y2Ba 年代gydF4y2Ba我gydF4y2Ba
αgydF4y2Ba我gydF4y2Ba 规范化的句子句子组的重量gydF4y2Ba SegydF4y2Ba 魁人党gydF4y2Ba
vgydF4y2Ba 年代gydF4y2Ba 的向量gydF4y2Ba SegydF4y2Ba魁人党gydF4y2Ba
μgydF4y2Ba tgydF4y2Ba 输入数据的平均值gydF4y2Ba
ΣgydF4y2BatgydF4y2Ba 输入方差gydF4y2Ba
GgydF4y2Ba,gydF4y2Ba bgydF4y2Ba 偏差的常量gydF4y2Ba
fgydF4y2Ba(.)gydF4y2Ba 线性变换函数gydF4y2Ba
ΖgydF4y2Ba 正则化参数gydF4y2Ba
H ()。gydF4y2Ba 熵函数gydF4y2Ba
5。实验和分析gydF4y2Ba

在本节中,我们目前的实验来验证该模型和方法的有效性。我们的实验数据集上执行由5867事故报告和故障树。五个领域的专家化学事故分析了提取和注释这些报告和故障树的因果关系。gydF4y2Ba

计算机的硬件如下:3.2 GHz CPU是i7 - 8700, 6芯,十二个线程。16 g的内存。显卡是GTX1060 6克。采用Tensorflow实施这项研究中的因果关系提取模型。实验进行了五轮和平均值作为试验结果。一个网格搜索算法用于测试不同参数的组合来确定我们的模型最优参数。在我们的模型中最优参数的值如表所示gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

最优参数模型的价值。gydF4y2Ba

项gydF4y2Ba 价值gydF4y2Ba
学习速率gydF4y2Ba 0.001gydF4y2Ba
批量大小gydF4y2Ba 50gydF4y2Ba
Gru-sizegydF4y2Ba 128年gydF4y2Ba
辍学gydF4y2Ba 0.7gydF4y2Ba
偏见在LN常数:gydF4y2Ba ggydF4y2Ba 0.001gydF4y2Ba
的迭代次数gydF4y2Ba 200年gydF4y2Ba
嵌入的大小gydF4y2Ba 200年gydF4y2Ba
层数gydF4y2Ba 4gydF4y2Ba
在LN正则化参数:gydF4y2Ba ζgydF4y2Ba 0.0001gydF4y2Ba
偏见在LN常数:gydF4y2Ba tgydF4y2Ba 0.001gydF4y2Ba

我们比较我们的模型与其他常用的机器学习和神经网络模型来展示它的优点。从图gydF4y2Ba 6gydF4y2Ba,我们可以看到,我们的模型更高的精度和召回率比BiLSTM提取因果关系,CNN,支持向量机,LR, NB。我们可以看到,BiGRU的准确率和召回率,BiLSTM,和CNN是高于SVM, LR, NB。因为神经网络模型优于传统的机器学习模型挖掘隐藏的特性。BiGRU BiLSTM有更高的精度和召回率比CNN由于LSTM网络可以更好地捕捉长文本上下文特征序列,而CNN适合捕捉地方特色。gydF4y2Ba

不同模型的精度和召回率。gydF4y2Ba

四种最先进的方法包括Feature-SVM (F-SVM) [gydF4y2Ba 8gydF4y2Ba],BiLSTM [gydF4y2Ba 37gydF4y2Ba],pattern-argument语义(便士S) [gydF4y2Ba 38gydF4y2Ba),多列CNN (MCCNN) [gydF4y2Ba 39gydF4y2Ba]也上执行相同的数据集获取因果关系。如图gydF4y2Ba 7gydF4y2Ba我们的方法的准确性和召回率是最高的。因此,实验结果表明,提出的模型和方法在提取因果关系优于现有方法。gydF4y2Ba

不同方法的准确性和召回率。gydF4y2Ba

两个数据曲线如图gydF4y2Ba 8gydF4y2Ba,横坐标是运行步骤的数目,纵坐标是模型的准确性。我们可以看到,LN层正常化加速网络收敛和减少操作时间和成本。gydF4y2Ba

LN层标准化对模型性能的影响。gydF4y2Ba

 6。结论gydF4y2Ba

CEEG是脑电图描述化学事故的演化过程。我们可以很容易地获得进化序列在化学事故的事件。安全分析、预警和应急处置可以执行基于这些演化序列。准确、容易获得建筑CEEG因果关系,一个方法来提取安全事件的因果关系在化学事故故障树和本文提出的事故报告。gydF4y2Ba

我们提出一种有效的方法来提取事件及其元素通过结合故障树与事故报告。这些事件之间的因果关系分为明确的因果关系和隐含的因果关系。我们获得明确的因果关系通过分析事件节点的层次结构关系,在故障树逻辑门。隐含因果关系生成基于BiGRU神经网络通过喂养内部结构特点的事件和事件的句子的语义特征。实验结果表明,该方法在精度和召回率有助于更好的性能在提取过程中因果关系。gydF4y2Ba

在未来的工作中,更多的元素影响化学事故的事件将被考虑,如环境、天气、和政策导向因素。精度将进一步增加更多的元素后采用模型的事件。同时,将收集更多的化学事故的情况下,以丰富的训练数据集。该方法将会得到更好的性能调整后最优模型参数与更丰富的数据。gydF4y2Ba

 数据可用性gydF4y2Ba

使用的数据来支持本研究的发现可以从相应的作者。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

这项工作的主要研究项目支持下山东省2018 ggx101052格兰特,自然科学基金资助下的中国61973180,和山东省自然科学基金授予ZR2019MF033。gydF4y2Ba

 王gydF4y2Ba W。gydF4y2Ba 保gydF4y2Ba J。gydF4y2Ba 元gydF4y2Ba 年代。gydF4y2Ba 建议规划一个危险废物综合管理:化工园区,江苏省,中国gydF4y2Ba 可持续性gydF4y2Ba 2019年gydF4y2Ba 11gydF4y2Ba 10gydF4y2Ba 28gydF4y2Ba 46gydF4y2Ba 10.3390 / su11102846gydF4y2Ba 2 - s2.0 - 85067099801gydF4y2Ba FyffegydF4y2Ba lgydF4y2Ba KrahngydF4y2Ba 年代。gydF4y2Ba 克拉克gydF4y2Ba J。gydF4y2Ba KossongydF4y2Ba D。gydF4y2Ba 赫顿gydF4y2Ba J。gydF4y2Ba 化工事故的关键问题的初步分析报告gydF4y2Ba 安全科学gydF4y2Ba 2016年gydF4y2Ba 82年gydF4y2Ba 368年gydF4y2Ba 373年gydF4y2Ba 10.1016 / j.ssci.2015.10.008gydF4y2Ba 2 - s2.0 - 84946893523gydF4y2Ba YazdigydF4y2Ba M。gydF4y2Ba 卡比尔gydF4y2Ba 年代。gydF4y2Ba 沃克gydF4y2Ba M。gydF4y2Ba 基于故障树的风险评估不确定性处理:最先进的和未来的观点gydF4y2Ba 过程安全和环境保护gydF4y2Ba 2019年gydF4y2Ba 131年gydF4y2Ba 89年gydF4y2Ba 104年gydF4y2Ba 10.1016 / j.psep.2019.09.003gydF4y2Ba 2 - s2.0 - 85072265041gydF4y2Ba 李gydF4y2Ba 郭宏源。gydF4y2Ba 李gydF4y2Ba D.-J。gydF4y2Ba 胫骨gydF4y2Ba 学术界。gydF4y2Ba 特征分析化学事故的伤亡事故gydF4y2Ba 火灾科学与工程gydF4y2Ba 2017年gydF4y2Ba 31日gydF4y2Ba 1gydF4y2Ba 81年gydF4y2Ba 88年gydF4y2Ba 10.7731 / kifse.2017.31.1.081gydF4y2Ba VersacigydF4y2Ba M。gydF4y2Ba 模糊方法和涡流无损检测/设备在工业应用中gydF4y2Ba 电子信件gydF4y2Ba 2016年gydF4y2Ba 52gydF4y2Ba 11gydF4y2Ba 943年gydF4y2Ba 945年gydF4y2Ba 10.1049 / el.2015.3409gydF4y2Ba 2 - s2.0 - 84969766654gydF4y2Ba BurrascanogydF4y2Ba P。gydF4y2Ba CallegarigydF4y2Ba 年代。gydF4y2Ba MontiscigydF4y2Ba 一个。gydF4y2Ba 里奇gydF4y2Ba M。gydF4y2Ba VersacigydF4y2Ba M。gydF4y2Ba 超声无损评价系统gydF4y2Ba 2015年gydF4y2Ba 柏林,德国gydF4y2Ba 施普林格gydF4y2Ba JoshigydF4y2Ba C。gydF4y2Ba 最近gydF4y2Ba F。gydF4y2Ba 威尔逊gydF4y2Ba s P。gydF4y2Ba 之前对故障树分析法的贝叶斯实现鲁棒性gydF4y2Ba IEEE可靠性gydF4y2Ba 2018年gydF4y2Ba 67年gydF4y2Ba 1gydF4y2Ba 170年gydF4y2Ba 183年gydF4y2Ba 10.1109 / tr.2017.2778241gydF4y2Ba 2 - s2.0 - 85040035221gydF4y2Ba 戴gydF4y2Ba W。gydF4y2Ba RiliskisgydF4y2Ba lgydF4y2Ba 王gydF4y2Ba P。gydF4y2Ba VyatkingydF4y2Ba V。gydF4y2Ba 关gydF4y2Ba X。gydF4y2Ba 基于云的自我修复决策支持系统在分布式自动化系统使用故障树分析gydF4y2Ba IEEE工业信息gydF4y2Ba 2018年gydF4y2Ba 14gydF4y2Ba 3gydF4y2Ba 989年gydF4y2Ba 1000年gydF4y2Ba 10.1109 / tii.2018.2791503gydF4y2Ba 2 - s2.0 - 85041192221gydF4y2Ba 李gydF4y2Ba Z。gydF4y2Ba 赵gydF4y2Ba 年代。gydF4y2Ba 丁gydF4y2Ba X。gydF4y2Ba 刘gydF4y2Ba T。gydF4y2Ba 脑电图:知识库事件进化的原则和模式gydF4y2Ba 中国国家社会媒体会议上处理gydF4y2Ba 2017年9月gydF4y2Ba 中国,北京gydF4y2Ba 40gydF4y2Ba 52gydF4y2Ba 10.1007 / 978 - 981 - 10 - 6805 - 8 _4gydF4y2Ba 2 - s2.0 - 85034244839gydF4y2Ba RuijtersgydF4y2Ba E。gydF4y2Ba StoelingagydF4y2Ba M。gydF4y2Ba 故障树分析:一项调查的最先进的建模、分析和工具gydF4y2Ba 计算机科学评论gydF4y2Ba 2015年gydF4y2Ba 15 - 16岁gydF4y2Ba 29日gydF4y2Ba 62年gydF4y2Ba 10.1016 / j.cosrev.2015.03.001gydF4y2Ba 2 - s2.0 - 84929709003gydF4y2Ba RauzygydF4y2Ba 一个。gydF4y2Ba Bleriot-FabregydF4y2Ba C。gydF4y2Ba 动态故障树对声音语义gydF4y2Ba 可靠性工程和系统安全gydF4y2Ba 2015年gydF4y2Ba 142年gydF4y2Ba 184年gydF4y2Ba 191年gydF4y2Ba 10.1016 / j.ress.2015.04.017gydF4y2Ba 2 - s2.0 - 84936862888gydF4y2Ba SkarlatidisgydF4y2Ba 一个。gydF4y2Ba PaliourasgydF4y2Ba G。gydF4y2Ba ArtikisgydF4y2Ba 一个。gydF4y2Ba VourosgydF4y2Ba g。gydF4y2Ba 概率事件微积分的事件识别gydF4y2Ba ACM交易计算逻辑gydF4y2Ba 2015年gydF4y2Ba 16gydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba 37gydF4y2Ba 10.1145 / 2699916gydF4y2Ba 2 - s2.0 - 84923517534gydF4y2Ba 陈gydF4y2Ba Y。gydF4y2Ba 徐gydF4y2Ba lgydF4y2Ba 刘gydF4y2Ba K。gydF4y2Ba 曾gydF4y2Ba D。gydF4y2Ba 赵gydF4y2Ba J。gydF4y2Ba 通过动态事件提取multi-pooling卷积神经网络gydF4y2Ba 协会学报》第53届计算语言学和第七届国际联合会议上自然语言处理,(卷1:长论文)gydF4y2Ba 2015年7月gydF4y2Ba 中国,北京gydF4y2Ba 167年gydF4y2Ba 176年gydF4y2Ba 10.3115 / v1 / p15 - 1017gydF4y2Ba 冯gydF4y2Ba X。gydF4y2Ba 秦gydF4y2Ba B。gydF4y2Ba 刘gydF4y2Ba T。gydF4y2Ba 一个独立于语言的神经网络事件检测gydF4y2Ba 中国科学信息科学gydF4y2Ba 2018年gydF4y2Ba 61年gydF4y2Ba 9gydF4y2Ba 092106年gydF4y2Ba 10.1007 / s11432 - 017 - 9359 - xgydF4y2Ba 2 - s2.0 - 85051145795gydF4y2Ba 廖gydF4y2Ba T。gydF4y2Ba 傅gydF4y2Ba W。gydF4y2Ba 张gydF4y2Ba 年代。gydF4y2Ba 刘gydF4y2Ba Z。gydF4y2Ba 面向事件识别紧急事件及其应用gydF4y2Ba 国际会议在网络安全和情报应用程序和技术gydF4y2Ba 2019年gydF4y2Ba Cham瑞士gydF4y2Ba 施普林格gydF4y2Ba 1375年gydF4y2Ba 1384年gydF4y2Ba HogenboomgydF4y2Ba F。gydF4y2Ba FrasincargydF4y2Ba F。gydF4y2Ba KaymakgydF4y2Ba U。gydF4y2Ba 德容gydF4y2Ba F。gydF4y2Ba 卡洛gydF4y2Ba E。gydF4y2Ba 从文本的调查事件提取方法对决策支持系统gydF4y2Ba 决策支持系统gydF4y2Ba 2016年gydF4y2Ba 85年gydF4y2Ba 12gydF4y2Ba 22gydF4y2Ba 10.1016 / j.dss.2016.02.006gydF4y2Ba 2 - s2.0 - 84980052142gydF4y2Ba 梅gydF4y2Ba lgydF4y2Ba 黄gydF4y2Ba H。gydF4y2Ba 魏gydF4y2Ba X。gydF4y2Ba 毛gydF4y2Ba X。gydF4y2Ba 新词提取的一种新颖的无监督方法gydF4y2Ba 中国科学信息科学gydF4y2Ba 2016年gydF4y2Ba 59gydF4y2Ba 9gydF4y2Ba 92年gydF4y2Ba 102年gydF4y2Ba 10.1007 / s11432 - 015 - 0906 - 9gydF4y2Ba 2 - s2.0 - 84983680573gydF4y2Ba 威尔士gydF4y2Ba E。gydF4y2Ba 白色的gydF4y2Ba B。gydF4y2Ba 跳NLP曲线:自然语言处理研究的回顾gydF4y2Ba IEEE计算机情报杂志gydF4y2Ba 2014年gydF4y2Ba 9gydF4y2Ba 2gydF4y2Ba 48gydF4y2Ba 57gydF4y2Ba 10.1109 / mci.2014.2307227gydF4y2Ba 2 - s2.0 - 84899050913gydF4y2Ba http://www.ltp-cloud.com/gydF4y2Ba 刘gydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba 年代。gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 宗庆后gydF4y2Ba C。gydF4y2Ba 智能代理的经验学习因果关系gydF4y2Ba ACM交易在亚洲和资源缺乏语言信息处理gydF4y2Ba 2019年gydF4y2Ba 18gydF4y2Ba 4gydF4y2Ba 1gydF4y2Ba 22gydF4y2Ba 10.1145 / 3314943gydF4y2Ba 2 - s2.0 - 85073188104gydF4y2Ba RiazgydF4y2Ba M。gydF4y2Ba GirjugydF4y2Ba R。gydF4y2Ba 认识因果关系在verb-noun对通过名词和动词的语义gydF4y2Ba 学报2014年EACL研讨会上因果关系在语言的计算方法(CAtoCL)gydF4y2Ba 2014年gydF4y2Ba 瑞典哥德堡gydF4y2Ba 1gydF4y2Ba 10gydF4y2Ba 10.3115 / v1 / w14 - 0707gydF4y2Ba 赵gydF4y2Ba 年代。gydF4y2Ba 王gydF4y2Ba Q。gydF4y2Ba MassunggydF4y2Ba 年代。gydF4y2Ba 构造和嵌入抽象事件因果关系网络从文本片段gydF4y2Ba 学报第十届ACM国际会议网络搜索和数据Mining-WSDM 17gydF4y2Ba 2017年2月gydF4y2Ba 英国剑桥gydF4y2Ba 335年gydF4y2Ba 344年gydF4y2Ba 10.1145/3018661.3018707gydF4y2Ba 2 - s2.0 - 85015266606gydF4y2Ba 赵gydF4y2Ba 年代。gydF4y2Ba 刘gydF4y2Ba T。gydF4y2Ba 赵gydF4y2Ba 年代。gydF4y2Ba 陈gydF4y2Ba Y。gydF4y2Ba 聂gydF4y2Ba J.-Y。gydF4y2Ba 事件因果关系提取基于连接词分析gydF4y2Ba NeurocomputinggydF4y2Ba 2016年gydF4y2Ba 173年gydF4y2Ba 1943年gydF4y2Ba 1950年gydF4y2Ba 10.1016 / j.neucom.2015.09.066gydF4y2Ba 2 - s2.0 - 84955116662gydF4y2Ba 卡比尔gydF4y2Ba 年代。gydF4y2Ba GeokgydF4y2Ba t·K。gydF4y2Ba 库马尔gydF4y2Ba M。gydF4y2Ba YazdigydF4y2Ba M。gydF4y2Ba 侯赛因gydF4y2Ba F。gydF4y2Ba 时序故障树分析的方法使用直觉模糊集和专家启发式gydF4y2Ba IEEE访问gydF4y2Ba 2020年gydF4y2Ba 8gydF4y2Ba 980年gydF4y2Ba 996年gydF4y2Ba 10.1109 / access.2019.2961953gydF4y2Ba 邓gydF4y2Ba W。gydF4y2Ba 刘gydF4y2Ba H。gydF4y2Ba 徐gydF4y2Ba J。gydF4y2Ba 赵gydF4y2Ba H。gydF4y2Ba 首歌gydF4y2Ba Y。gydF4y2Ba 一种改进的量子激发微分进化算法所深深的信念网络gydF4y2Ba IEEE仪表和测量gydF4y2Ba 2020年gydF4y2Ba 10.1109 / TIM.2020.2983233gydF4y2Ba 邓gydF4y2Ba 吴gydF4y2Ba 徐gydF4y2Ba J。gydF4y2Ba 赵gydF4y2Ba H。gydF4y2Ba 一种改进的蚁群优化算法基于混合策略的调度问题gydF4y2Ba IEEE访问gydF4y2Ba 2019年gydF4y2Ba 7gydF4y2Ba 20281年gydF4y2Ba 20292年gydF4y2Ba 10.1109 / access.2019.2897580gydF4y2Ba 2 - s2.0 - 85061654696gydF4y2Ba 邓gydF4y2Ba H。gydF4y2Ba 彭gydF4y2Ba lgydF4y2Ba 张gydF4y2Ba H。gydF4y2Ba 杨gydF4y2Ba B。gydF4y2Ba 陈gydF4y2Ba Z。gydF4y2Ba 排名偏向学习群中优化器对大规模优化gydF4y2Ba 信息科学gydF4y2Ba 2019年gydF4y2Ba 493年gydF4y2Ba 120年gydF4y2Ba 137年gydF4y2Ba 10.1016 / j.ins.2019.04.037gydF4y2Ba 2 - s2.0 - 85064709738gydF4y2Ba 赵gydF4y2Ba H。gydF4y2Ba 郑gydF4y2Ba J。gydF4y2Ba 邓gydF4y2Ba W。gydF4y2Ba 首歌gydF4y2Ba Y。gydF4y2Ba Semi-supervised广泛的基于流形正则化和广泛的网络学习系统gydF4y2Ba IEEE电路和系统I:普通文件gydF4y2Ba 2020年gydF4y2Ba 67年gydF4y2Ba 3gydF4y2Ba 983年gydF4y2Ba 994年gydF4y2Ba 10.1109 / tcsi.2019.2959886gydF4y2Ba 汗gydF4y2Ba f . H。gydF4y2Ba QamargydF4y2Ba U。gydF4y2Ba 巴希尔gydF4y2Ba 年代。gydF4y2Ba 与SentiWordNet SentiMI:引入逐点互信息,提高情绪极性检测gydF4y2Ba 应用软计算gydF4y2Ba 2016年gydF4y2Ba 39gydF4y2Ba 140年gydF4y2Ba 153年gydF4y2Ba 10.1016 / j.asoc.2015.11.016gydF4y2Ba 2 - s2.0 - 84948424377gydF4y2Ba 张gydF4y2Ba D。gydF4y2Ba 徐gydF4y2Ba H。gydF4y2Ba 苏gydF4y2Ba Z。gydF4y2Ba 中国评论情绪分类基于word2vec和SVMperfgydF4y2Ba 专家系统与应用程序gydF4y2Ba 2015年gydF4y2Ba 42gydF4y2Ba 4gydF4y2Ba 1857年gydF4y2Ba 1863年gydF4y2Ba 10.1016 / j.eswa.2014.09.011gydF4y2Ba 2 - s2.0 - 84910630754gydF4y2Ba 余gydF4y2Ba C。gydF4y2Ba 王gydF4y2Ba 年代。gydF4y2Ba 郭gydF4y2Ba J。gydF4y2Ba 基于双向GRU-CRF学习中文分词和CNN网络模型gydF4y2Ba 国际期刊的技术和人机交互gydF4y2Ba 2019年gydF4y2Ba 15gydF4y2Ba 3gydF4y2Ba 47gydF4y2Ba 62年gydF4y2Ba 10.4018 / ijthi.2019070104gydF4y2Ba 2 - s2.0 - 85065074592gydF4y2Ba 赵gydF4y2Ba R。gydF4y2Ba 王gydF4y2Ba D。gydF4y2Ba 杨ydF4y2Ba R。gydF4y2Ba 毛gydF4y2Ba K。gydF4y2Ba 沈gydF4y2Ba F。gydF4y2Ba 王gydF4y2Ba J。gydF4y2Ba 机械健康监测使用本地特点的复发性单元网络gydF4y2Ba IEEE工业电子产品gydF4y2Ba 2017年gydF4y2Ba 65年gydF4y2Ba 2gydF4y2Ba 1539年gydF4y2Ba 1548年gydF4y2Ba 10.1109 / tie.2017.2733438gydF4y2Ba 2 - s2.0 - 85028972254gydF4y2Ba 周gydF4y2Ba P。gydF4y2Ba 史gydF4y2Ba W。gydF4y2Ba 田gydF4y2Ba J。gydF4y2Ba 以双向长期短期记忆网络关系分类gydF4y2Ba 协会学报》第54届计算语言学(卷2:短论文)gydF4y2Ba 2016年8月gydF4y2Ba 柏林,德国gydF4y2Ba 207年gydF4y2Ba 212年gydF4y2Ba 10.18653 / v1 / p16 - 2034gydF4y2Ba 林gydF4y2Ba Y。gydF4y2Ba 沈gydF4y2Ba 年代。gydF4y2Ba 刘gydF4y2Ba Z。gydF4y2Ba 烹调的菜肴gydF4y2Ba H。gydF4y2Ba 太阳gydF4y2Ba M。gydF4y2Ba 与选择性注意神经关系提取实例gydF4y2Ba 协会学报》第54届计算语言学(卷1:长论文)gydF4y2Ba 2016年8月gydF4y2Ba 柏林,德国gydF4y2Ba 2124年gydF4y2Ba 2133年gydF4y2Ba 10.18653 / v1 / p16 - 1200gydF4y2Ba 约飞gydF4y2Ba 年代。gydF4y2Ba 批重正化:在batch-normalized朝着降低minibatch依赖模型gydF4y2Ba 先进的神经信息处理系统gydF4y2Ba 2017年gydF4y2Ba 美国马里兰州大学公园gydF4y2Ba 美国物理学会gydF4y2Ba 1945年gydF4y2Ba 1953年gydF4y2Ba 英航j . L。,Kiros J. R., Hinton G. E, Layer normalization, 2016 张gydF4y2Ba Y。gydF4y2Ba 李gydF4y2Ba P。gydF4y2Ba 周gydF4y2Ba G。gydF4y2Ba 分类由深BiLSTM事件之间的时间关系gydF4y2Ba 学报2018年国际会议上对亚洲语言处理(IALP)gydF4y2Ba 2018年11月gydF4y2Ba 印尼的万隆gydF4y2Ba 267年gydF4y2Ba 272年gydF4y2Ba 10.1109 / ialp.2018.8629139gydF4y2Ba 2 - s2.0 - 85062800230gydF4y2Ba Pei-FenggydF4y2Ba l . I。gydF4y2Ba Guo-DonggydF4y2Ba Z。gydF4y2Ba Qiao-MinggydF4y2Ba Z。gydF4y2Ba 基于语义的联合模型的中国事件触发提取gydF4y2Ba 软件学报gydF4y2Ba 2016年gydF4y2Ba 27gydF4y2Ba 2gydF4y2Ba 280年gydF4y2Ba 294年gydF4y2Ba KruengkraigydF4y2Ba C。gydF4y2Ba TorisawagydF4y2Ba K。gydF4y2Ba 桥本gydF4y2Ba C。gydF4y2Ba KloetzergydF4y2Ba J。gydF4y2Ba 哦gydF4y2Ba J。gydF4y2Ba 田中gydF4y2Ba M。gydF4y2Ba 改善与多个事件因果关系识别背景知识来源使用多列卷积神经网络gydF4y2Ba 美国31日AAAI会议上人工智能gydF4y2Ba 2017年2月gydF4y2Ba 旧金山,加州,美国gydF4y2Ba 3466年gydF4y2Ba 3473年gydF4y2Ba