一种基于智能体图谱的事件因果推断方法、系统和介质与流程

1.本发明涉及知识图谱和事理图谱领域，更具体的，涉及一种基于智能体图谱的事件因果推断方法、系统和介质。


背景技术：

2.智能体图谱的概念是延续着知识图谱和事理图谱的研究并且更深度了一层。智能体图谱目标在于希望机器能够像人一样拥有解释和推理的能力，该项工作旨在通过构建一个图谱，让机器拥有智能。目前，推断事件的因果主要是由人工来实施。
3.因此，现有技术存在缺陷，亟待改进。


技术实现要素：

4.鉴于上述问题，本发明的目的是提供一种基于智能体图谱的事件因果推断方法、系统和介质，能够更加有效的提高机器自主对时间顺延上的事件进行因果推断，帮助决策和归因。
5.本发明第一方面提供了一种基于智能体图谱的事件因果推断方法，包括：获取初始事件信息；将初始事件和预设数据库进行匹配，得到初始事件和预设数据库中事件的相似值；判断所述相似值是否大于预设相似值阈值，若是，则触发事件因果推断开关；若否，则将初始事件设为新事件并进行存储；将触发事件因果推断开关的初始事件发送至预设关联模型，得到初始事件和预设关联模型中事件的关联度；判断所述关联度是否大于预设关联度阈值，若是，则将预设关联模型中事件设为和初始事件存在因果关系；若否，则不存在因果关系；将和初始事件存在因果关系的事件发送至预设终端进行显示。
6.本方案中，还包括：将初始事件和预设数据库中事件的相似值设为s，其公式为：；；其中分别表示初始事件中的实体，时间和地点；分别表示预设数据库中第n个事件中的实体，时间和地点。
7.本方案中，还包括：将初始事件和预设模型中事件的关联度设为d，其公式为：
；其中表示初始事件中的行为，表示预设模型中第n个事件中的行为，e表示自然对数的底数。
8.本方案中，还包括：获取预设数据库的更新时间信息；判断预设数据库的更新时间是否等于预设更新时间，若是，则将预设数据库进行更新且更新时间进行重新计算；若否，则不更新。
9.本方案中，还包括：将和初始事件存在因果关系的事件发送至预设模型，得到大于预设关联度阈值的次关联度；将大于预设关联度阈值的次关联度对应事件设为初始事件的并发事件；将初始事件的并发事件发送至预设终端进行显示。
10.本方案中，所述预设关联模型，具体为：一种以历史因果关系图谱以及抽象表述形成的知识为基础的rnn-crf模型。
11.本发明第二方面提供了一种基于智能体图谱的事件因果推断系统，包括存储器和处理器，所述存储器中存储有一种基于智能体图谱的事件因果推断方法程序，所述一种基于智能体图谱的事件因果推断方法程序被所述处理器执行时实现如下步骤：获取初始事件信息；将初始事件和预设数据库进行匹配，得到初始事件和预设数据库中事件的相似值；判断所述相似值是否大于预设相似值阈值，若是，则触发事件因果推断开关；若否，则将初始事件设为新事件并进行存储；将触发事件因果推断开关的初始事件发送至预设关联模型，得到初始事件和预设关联模型中事件的关联度；判断所述关联度是否大于预设关联度阈值，若是，则将预设关联模型中事件设为和初始事件存在因果关系；若否，则不存在因果关系；将和初始事件存在因果关系的事件发送至预设终端进行显示。
12.本方案中，还包括：将初始事件和预设数据库中事件的相似值设为s，其公式为：；；其中分别表示初始事件中的实体，时间和地点；分别表示预设数据库中第n个事件中的实体，时间和地点。
13.本方案中，还包括：将初始事件和预设模型中事件的关联度设为d，其公式为：
；其中表示初始事件中的行为，表示预设模型中第n个事件中的行为，e表示自然对数的底数。
14.本方案中，还包括：获取预设数据库的更新时间信息；判断预设数据库的更新时间是否等于预设更新时间，若是，则将预设数据库进行更新且更新时间进行重新计算；若否，则不更新。
15.本方案中，还包括：将和初始事件存在因果关系的事件发送至预设模型，得到大于预设关联度阈值的次关联度；将大于预设关联度阈值的次关联度对应事件设为初始事件的并发事件；将初始事件的并发事件发送至预设终端进行显示。
16.本方案中，所述预设关联模型，具体为：一种以历史因果关系图谱以及抽象表述形成的知识为基础的rnn-crf模型。
17.本发明第三方面提供了一种计算机介质，所述计算机介质中存储有一种基于智能体图谱的事件因果推断方法程序，所述一种基于智能体图谱的事件因果推断方法程序被处理器执行时，实现如上述任一项所述的一种基于智能体图谱的事件因果推断方法的步骤。
18.本发明公开的一种基于智能体图谱的事件因果推断方法、系统和介质，能够使机器自主对时间顺延上的事件进行因果推断，帮助决策和归因。
附图说明
19.图1示出了本发明一种基于智能体图谱的事件因果推断方法的流程图；图2示出了关联模型的训练流程图；图3示出了本发明一种基于智能体图谱的事件因果推断系统的框图。
具体实施方式
20.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
21.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
22.图1示出了本发明一种基于智能体图谱的事件因果推断方法的流程图。
23.如图1所示，本发明公开了一种基于智能体图谱的事件因果推断方法，包括：s102，获取初始事件信息；s104，将初始事件和预设数据库进行匹配，得到初始事件和预设数据库中事件的相似值；s106，判断所述相似值是否大于预设相似值阈值，若是，则触发事件因果推断开
关；若否，则将初始事件设为新事件并进行存储；s108，将触发事件因果推断开关的初始事件发送至预设关联模型，得到初始事件和预设关联模型中事件的关联度；s110，判断所述关联度是否大于预设关联度阈值，若是，则将预设关联模型中事件设为和初始事件存在因果关系；若否，则不存在因果关系；s112，将和初始事件存在因果关系的事件发送至预设终端进行显示。
24.需要说明的是，所述预设数据库是从外界获取历史事件，在将历史事件进行抽象表述的抽取，结果附在每个事件的具体表述上作为卫星数据，再将对应历史事件按照实体进行归纳。若预设相似值阈值为，则当初始事件和预设数据库中事件的相似值大于时，触发初始事件因果推断开关；当初始事件和预设数据库中事件的相似值小于或等于时，将初始事件设为新事件并进行存储。若预设关联度阈值为,则当触发事件因果推断开关的初始事件和预设关联模型中事件的关联度大于时，将预设关联模型中事件设为和初始事件存在因果关系，其中：若预设关联模型中事件发生的时间早于初始事件，则对应事件为初始事件的因；若预设关联模型中事件发生的时间晚于初始事件或预设关联模型中事件为假想事件，则对应事件为初始事件的果。所述假想事件为还未发生的事件，是由预设关联模型根据初始事件进行推断出来的可能会发生的事件。当触发事件因果推断开关的初始事件和预设关联模型中事件的关联度小于或等于时，则将所述初始事件需要推断的问题进行存储，等获取到了数据再进行事件提取，事件因果关系验证，知识抽象的流程并把结果存储下来。
25.根据本发明实施例，还包括：将初始事件和预设数据库中事件的相似值设为s，其公式为：；；其中分别表示初始事件中的实体，时间和地点；分别表示预设数据库中第n个事件中的实体，时间和地点。
26.需要说明的是，提取初始事件中的元素，包含：时间、地点、人物、事件的动作等。再将初始事件进行抽象表述的抽取，比如：早上8点整，a在高速路上开车，则所述初始事件中：时间为早上8点整，地点是高速路上，人物是a，事件的动作是在开车，所述初始事件的实体为人物。还例如：早上8点整，b公司和c公司在d地区签订了合作协议，则对应初始事件的时间为早上8点整，地点在d地区，人物是b公司和c公司，事件的动作是签订了合作协议，实体是公司。预设数据库中按照实体对事件进行归纳。
27.根据本发明实施例，还包括：将初始事件和预设模型中事件的关联度设为d，其公式为：；
其中表示初始事件中的行为，表示预设模型中第n个事件中的行为，e表示自然对数的底数。
28.需要说明的是，关联度越大，说明初始事件和预设模型中事件的关系越紧密。
29.根据本发明实施例，还包括：获取预设数据库的更新时间信息；判断预设数据库的更新时间是否等于预设更新时间，若是，则将预设数据库进行更新且更新时间进行重新计算；若否，则不更新。
30.需要说明的是，预设数据库按照预设周期进行自我更新，以获取新的知识。比如预设更新时间为1小时，则预设数据库每一个小时自我更新一次，若存在新知识，则将对应新知识进行存储；若存在旧知识改正或删减，则将对应旧知识进行相应处理，以保证预设数据库的正确性。
31.根据本发明实施例，还包括：将和初始事件存在因果关系的事件发送至预设模型，得到大于预设关联度阈值的次关联度；将大于预设关联度阈值的次关联度对应事件设为初始事件的并发事件；将初始事件的并发事件发送至预设终端进行显示。
32.需要说明的是，通过预设关联模型，获取和初始事件存在因果关系的事件，提取初始事件发生的原因，并将所述原因以及对应事件发送至预设关联模型进行再次匹配，若存在大于预设关联度阈值的次关联度，则说明初始事件存在并发事件，即引发初始事件的原因可能还会造成其他事件的发生。
33.图2示出了关联模型的训练流程图。
34.如图2所示，根据本发明实施例，所述预设关联模型，具体为：一种以历史因果关系图谱以及抽象表述形成的知识为基础的rnn-crf模型。
35.需要说明的是，rnn-crf表示为循环神经网络-条件随机场模型（recurrent neural network-conditional random fields），根据所述模型使得匹配出来的事件存在必然的时序关联。以历史事件为基本数据，提取事件中的历史因果关系图谱以及抽象表述形式的知识，将历史因果关系图谱以及抽象表述形式的知识进行预处理，得到训练样本和测试样本，将训练样本发送至rnn-crf模型进行训练，得到关联模型，再将测试样本输入至关联模型进行测试，得到测试准确率，当准确度测试大于或等于预设准确度阈值时，停止rnn-crf模型的训练，比如：预设准确度阈值为95%，则说明100组测试样本中不能高于5组测试样本出错，否者rnn-crf模型继续通过训练样本进行训练。
36.根据本发明实施例，还包括：将推断出来的初始事件发生原因发送至预设补救措施库进行匹配，得到补救措施匹配度；判断所述补救措施匹配度是否大于预设第一匹配度阈值，若是，则将对应补救措施发送至预设终端进行显示；若否，则显示没有补救措施。
37.需要说明的是，提取推断出来的初始事件发生原因，将所述原因和预设补救措施库进行匹配，得到初始事件的补救措施方案，从初始事件源头进行处理，有利于事件的补
救。若将补救措施匹配度设为w，预设第一匹配度，则当时，将对应补救措施发送至预设终端进行显示。
38.根据本发明实施例，还包括：将推断出来的初始事件造成结果发送至预设预防措施库进行匹配，得到预防措施匹配度；判断所述预防措施匹配度是否大于预设第二匹配度阈值，若是，则将对应预防措施发送至预设终端进行显示；若否，则显示没有预防措施。
39.需要说明的是，当初始事件还未对其他事件造成影响时，通过预设关联模型，推断出初始事件可能造成的影响事件，将所述可能造成的影响事件发送至预设预防措施库，得到预防措施。若将预防措施匹配度设为，预设第二匹配度阈值设为，则当时，将对应预防措施发送至预设终端进行显示。
40.图3示出了本发明一种基于智能体图谱的事件因果推断系统的框图。
41.如图3所示，本发明第二方面提供了一种基于智能体图谱的事件因果推断系统3，包括存储器31和处理器32，所述存储器中存储有一种基于智能体图谱的事件因果推断方法程序，所述一种基于智能体图谱的事件因果推断方法程序被所述处理器执行时实现如下步骤：获取初始事件信息；将初始事件和预设数据库进行匹配，得到初始事件和预设数据库中事件的相似值；判断所述相似值是否大于预设相似值阈值，若是，则触发事件因果推断开关；若否，则将初始事件设为新事件并进行存储；将触发事件因果推断开关的初始事件发送至预设关联模型，得到初始事件和预设关联模型中事件的关联度；判断所述关联度是否大于预设关联度阈值，若是，则将预设关联模型中事件设为和初始事件存在因果关系；若否，则不存在因果关系；将和初始事件存在因果关系的事件发送至预设终端进行显示。
42.需要说明的是，所述预设数据库是从外界获取历史事件，在将历史事件进行抽象表述的抽取，结果附在每个事件的具体表述上作为卫星数据，再将对应历史事件按照实体进行归纳。若预设相似值阈值为，则当初始事件和预设数据库中事件的相似值大于时，触发初始事件因果推断开关；当初始事件和预设数据库中事件的相似值小于或等于时，将初始事件设为新事件并进行存储。若预设关联度阈值为,则当触发事件因果推断开关的初始事件和预设关联模型中事件的关联度大于时，将预设关联模型中事件设为和初始事件存在因果关系，其中：若预设关联模型中事件发生的时间早于初始事件，则对应事件为初始事件的因；若预设关联模型中事件发生的时间晚于初始事件或预设关联模型中事件为假想事件，则对应事件为初始事件的果。所述假想事件为还未发生的事件，是由预设关联模型根据初始事件进行推断出来的可能会发生的事件。当触发事件因果推断开关的初始事件和预设关联模型中事件的关联度小于或等于时，则将所述初始事件需要推断的问题进行存储，等获取到了数据再进行事件提取，事件因果关系验证，知识抽象的流程并把
结果存储下来。
43.根据本发明实施例，还包括：将初始事件和预设数据库中事件的相似值设为s，其公式为：；；其中分别表示初始事件中的实体，时间和地点；分别表示预设数据库中第n个事件中的实体，时间和地点。
44.需要说明的是，提取初始事件中的元素，包含：时间、地点、人物、事件的动作等。再将初始事件进行抽象表述的抽取，比如：早上8点整，a在高速路上开车，则所述初始事件中：时间为早上8点整，地点是高速路上，人物是a，事件的动作是在开车，所述初始事件的实体为人物。还例如：早上8点整，b公司和c公司在d地区签订了合作协议，则对应初始事件的时间为早上8点整，地点在d地区，人物是b公司和c公司，事件的动作是签订了合作协议，实体是公司。预设数据库中按照实体对事件进行归纳。
45.根据本发明实施例，还包括：将初始事件和预设模型中事件的关联度设为d，其公式为：；其中表示初始事件中的行为，表示预设模型中第n个事件中的行为，e表示自然对数的底数。
46.需要说明的是，关联度越大，说明初始事件和预设模型中事件的关系越紧密。
47.根据本发明实施例，还包括：获取预设数据库的更新时间信息；判断预设数据库的更新时间是否等于预设更新时间，若是，则将预设数据库进行更新且更新时间进行重新计算；若否，则不更新。
48.需要说明的是，预设数据库按照预设周期进行自我更新，以获取新的知识。比如预设更新时间为1小时，则预设数据库每一个小时自我更新一次，若存在新知识，则将对应新知识进行存储；若存在旧知识改正或删减，则将对应旧知识进行相应处理，以保证预设数据库的正确性。
49.根据本发明实施例，还包括：将和初始事件存在因果关系的事件发送至预设模型，得到大于预设关联度阈值的次关联度；将大于预设关联度阈值的次关联度对应事件设为初始事件的并发事件；将初始事件的并发事件发送至预设终端进行显示。
50.需要说明的是，通过预设关联模型，获取和初始事件存在因果关系的事件，提取初始事件发生的原因，并将所述原因以及对应事件发送至预设关联模型进行再次匹配，若存在大于预设关联度阈值的次关联度，则说明初始事件存在并发事件，即引发初始事件的原
因可能还会造成其他事件的发生。
51.图2示出了关联模型的训练流程图。
52.如图2所示，根据本发明实施例，所述预设关联模型，具体为：一种以历史因果关系图谱以及抽象表述形成的知识为基础的rnn-crf模型。
53.需要说明的是，rnn-crf表示为循环神经网络-条件随机场模型（recurrent neural network-conditional random fields），根据所述模型使得匹配出来的事件存在必然的时序关联。以历史事件为基本数据，提取事件中的历史因果关系图谱以及抽象表述形式的知识，将历史因果关系图谱以及抽象表述形式的知识进行预处理，得到训练样本和测试样本，将训练样本发送至rnn-crf模型进行训练，得到关联模型，再将测试样本输入至关联模型进行测试，得到测试准确率，当准确度测试大于或等于预设准确度阈值时，停止rnn-crf模型的训练，比如：预设准确度阈值为95%，则说明100组测试样本中不能高于5组测试样本出错，否者rnn-crf模型继续通过训练样本进行训练。
54.根据本发明实施例，还包括：将推断出来的初始事件发生原因发送至预设补救措施库进行匹配，得到补救措施匹配度；判断所述补救措施匹配度是否大于预设第一匹配度阈值，若是，则将对应补救措施发送至预设终端进行显示；若否，则显示没有补救措施。
55.需要说明的是，提取推断出来的初始事件发生原因，将所述原因和预设补救措施库进行匹配，得到初始事件的补救措施方案，从初始事件源头进行处理，有利于事件的补救。若将补救措施匹配度设为w，预设第一匹配度，则当时，将对应补救措施发送至预设终端进行显示。
56.根据本发明实施例，还包括：将推断出来的初始事件造成结果发送至预设预防措施库进行匹配，得到预防措施匹配度；判断所述预防措施匹配度是否大于预设第二匹配度阈值，若是，则将对应预防措施发送至预设终端进行显示；若否，则显示没有预防措施。
57.需要说明的是，当初始事件还未对其他事件造成影响时，通过预设关联模型，推断出初始事件可能造成的影响事件，将所述可能造成的影响事件发送至预设预防措施库，得到预防措施。若将预防措施匹配度设为，预设第二匹配度阈值设为，则当时，将对应预防措施发送至预设终端进行显示。
58.本发明第三方面提供了一种计算机介质，所述计算机介质中存储有一种基于智能体图谱的事件因果推断方法程序，所述一种基于智能体图谱的事件因果推断方法程序被处理器执行时，实现如上述任一项所述的一种基于智能体图谱的事件因果推断方法的步骤。
59.本发明公开的一种基于智能体图谱的事件因果推断方法、系统和介质，其中方法包括：获取初始事件信息；将初始事件和预设数据库进行匹配，得到初始事件和预设数据库中事件的相似值；判断所述相似值是否大于预设相似值阈值，若是，则触发事件因果推断开关；若否，则将初始事件设为新事件并进行存储；将触发事件因果推断开关的初始事件发送至预设关联模型，得到初始事件和预设关联模型中事件的关联度；判断所述关联度是否大
于预设关联度阈值，若是，则将预设关联模型中事件设为和初始事件存在因果关系；若否，则不存在因果关系。本发明能够使机器自主对时间顺延上的事件进行因果推断，帮助决策和归因。
60.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
61.上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
62.另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
63.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
64.或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

技术特征：
1.一种基于智能体图谱的事件因果推断方法，其特征在于，包括：获取初始事件信息；将初始事件和预设数据库进行匹配，得到初始事件和预设数据库中事件的相似值；判断所述相似值是否大于预设相似值阈值，若是，则触发事件因果推断开关；若否，则将初始事件设为新事件并进行存储；将触发事件因果推断开关的初始事件发送至预设关联模型，得到初始事件和预设关联模型中事件的关联度；判断所述关联度是否大于预设关联度阈值，若是，则将预设关联模型中事件设为和初始事件存在因果关系；若否，则不存在因果关系；将和初始事件存在因果关系的事件发送至预设终端进行显示。2.根据权利要求1所述的一种基于智能体图谱的事件因果推断方法，其特征在于，还包括：将初始事件和预设数据库中事件的相似值设为s，其公式为：；；其中分别表示初始事件中的实体，时间和地点；分别表示预设数据库中第n个事件中的实体，时间和地点。3.根据权利要求1所述的一种基于智能体图谱的事件因果推断方法，其特征在于，还包括：将初始事件和预设模型中事件的关联度设为d，其公式为：；其中表示初始事件中的行为，表示预设模型中第n个事件中的行为，e表示自然对数的底数。4.根据权利要求1所述的一种基于智能体图谱的事件因果推断方法，其特征在于，还包括：获取预设数据库的更新时间信息；判断预设数据库的更新时间是否等于预设更新时间，若是，则将预设数据库进行更新且更新时间进行重新计算；若否，则不更新。5.根据权利要求1所述的一种基于智能体图谱的事件因果推断方法，其特征在于，还包括：将和初始事件存在因果关系的事件发送至预设模型，得到大于预设关联度阈值的次关联度；将大于预设关联度阈值的次关联度对应事件设为初始事件的并发事件；将初始事件的并发事件发送至预设终端进行显示。6.根据权利要求1所述的一种基于智能体图谱的事件因果推断方法，其特征在于，所述
预设关联模型，具体为：一种以历史因果关系图谱以及抽象表述形成的知识为基础的rnn-crf模型。7.一种基于智能体图谱的事件因果推断系统，其特征在于，包括存储器和处理器，所述存储器中存储有一种基于智能体图谱的事件因果推断方法程序，所述一种基于智能体图谱的事件因果推断方法程序被所述处理器执行时实现如下步骤：获取初始事件信息；将初始事件和预设数据库进行匹配，得到初始事件和预设数据库中事件的相似值；判断所述相似值是否大于预设相似值阈值，若是，则触发事件因果推断开关；若否，则将初始事件设为新事件并进行存储；将触发事件因果推断开关的初始事件发送至预设关联模型，得到初始事件和预设关联模型中事件的关联度；判断所述关联度是否大于预设关联度阈值，若是，则将预设关联模型中事件设为和初始事件存在因果关系；若否，则不存在因果关系；将和初始事件存在因果关系的事件发送至预设终端进行显示。8.根据权利要求7所述的一种基于智能体图谱的事件因果推断系统，其特征在于，还包括：将初始事件和预设数据库中事件的相似值设为s，其公式为：；；其中分别表示初始事件中的实体，时间和地点；分别表示预设数据库中第n个事件中的实体，时间和地点。9.根据权利要求7所述的一种基于智能体图谱的事件因果推断系统，其特征在于，还包括：将初始事件和预设模型中事件的关联度设为d，其公式为：；其中表示初始事件中的行为，表示预设模型中第n个事件中的行为，e表示自然对数的底数。10.一种计算机介质，其特征在于，所述计算机介质中存储有一种基于智能体图谱的事件因果推断方法程序，所述一种基于智能体图谱的事件因果推断方法程序被处理器执行时，实现如权利要求1至6中任一项所述的一种基于智能体图谱的事件因果推断方法的步骤。

技术总结
本发明公开的一种基于智能体图谱的事件因果推断方法、系统和介质，其中方法包括：获取初始事件信息；将初始事件和预设数据库进行匹配，得到初始事件和预设数据库中事件的相似值；判断所述相似值是否大于预设相似值阈值，若是，则触发事件因果推断开关；若否，则将初始事件设为新事件并进行存储；将触发事件因果推断开关的初始事件发送至预设关联模型，得到初始事件和预设关联模型中事件的关联度；判断所述关联度是否大于预设关联度阈值，若是，则将预设关联模型中事件设为和初始事件存在因果关系；若否，则不存在因果关系。本发明能够使机器自主对时间顺延上的事件进行因果推断，帮助决策和归因。决策和归因。决策和归因。


技术研发人员：张广志 成立立 于笑博 肖同尧
受保护的技术使用者：北京融信数联科技有限公司
技术研发日：2023.07.13
技术公布日：2023/8/14