基于深度强化学习的新闻事件预测方法研究

An event with the process of happening, evolving, and ending typically contains a sequence of subevents. There usually exists certain common pattern among the subevents. We can discover the sequential pattern of subevents from a large scale of historical events, and thus apply for future subevent prediction of a new event. It is very important for the government to monitor and guide public opinion of emergencies. First, this project addresses the issues of high dimension, sparse semantics, and the need of timely updates for traditional TF-IDF based document representation. It studies joint event detection method based on low-dimensional document representation using deep learning techniques, which can effectively detect events from a large number of historical news. Then, as traditional event representation relies on expert knowledge and needs feature engineering, this project studies unified low-dimensional representation of event-subevents based on deep learning. Finally, it combines deep learning and reinforcement learning techniques to model sequential pattern of subevents and apply it for future subevent prediction of a new event. Through these research contents, this project provides new research ideas and effective methods for big news data intelligence.

一个事件伴随着其发生、发展、结束等过程包含一序列子事件。子事件序列通常存在一定的规律性，通过从大规模历史事件中发现并建模子事件序列规律，用于对新事件的发展预测，对于政府突发事件舆情监控和引导有重要意义。本项目首先针对传统TF-IDF文档表示带来的维度高、语义稀疏、需要及时更新等问题，研究基于低维文档表示的联合事件发现方法，从大量历史新闻中有效发现事件；然后针对传统事件表示依赖于专家知识、特征工程等问题，研究基于深度学习的事件-子事件统一建模和表示方法；最后结合深度学习和强化学习技术，研究基于深度强化学习的子事件序列建模方法，并用于事件预测。通过这些研究内容，本项目为新闻大数据智能提供了新的研究思路和有效方法。

一个事件伴随着其发生、发展、结束等过程包含一序列子事件。子事件序列通常存在一定的规律性，通过从大规模历史事件中发现并建模子事件序列规律，用于对新事件的发展预测，对于政府突发事件舆情监控和引导有重要意义。本项目首先针对传统TF-IDF文档表示带来的维度高、语义稀疏、需要及时更新等问题，研究基于基于图神经网络的文档表示方法，可以很方便融合任意类型的外部知识；充分利用事件类型信息，研究联合事件发现和预测；最后结合深度学习和强化学习技术，研究基于深度强化学习的子事件序列建模方法，并用于事件预测。通过这些研究内容，本项目为新闻大数据智能提供了新的研究思路和有效方法。