第一章 绪论

1.1 研究背景和意义

在现实生活中，人类往往是以事件为单位来认识和理解世界的，一个事件包 含了时间、地点、参与者等多个静态因素。将这些事件信息从非结构化数据中提 取出来，已逐渐成为信息抽取领域的关键任务之一。事件通常并非孤立存在，而 是彼此关联，它们之间可能存在时序、因果、条件等语义关系。事件关系识别便 是从非结构化数据中识别出事件之间的这种语义联系。因此，深入理解事件间的 相互关系，掌握事件发展的规律与逻辑，对后续突发事件的生态周期研究以及基 于事件的应用具有重要的研究价值。 近年来，在自然语言处理领域，事件逐渐成为处理非结构化文本的基本单元。 根据Ahn对Automatic Content Extraction 任务中事件的定义，事件通常由一个动 词（表示事件类型）及若干论元组成，每个论元包含角色名称和对应的实体信息， 如图1所示。作为最早使用事件作为基本单元的自然语言处理任务，文本事件提 取与论元角色标注在近十年取得了很大进展。同时，自然语言领域中对事件之间 语义关系的识别也在此基础之上有了较为深入的研究。 图 1 事件语义角色标注 然而，人类是使用多重感官联合感知的生物，其学习过程依赖多感官带来的 信息。人类自五官接收的信息中，有 83%来源于视觉，11%来源于听觉，嗅觉、 触觉与味觉占约6%。相比于人类多感官联合的信息获取方式，当前对于事件关 系识别的研究仅局限于自然语言处理领域，忽略了对感知贡献最大的视觉信息， 且对于多模态情形下的联合感知缺少研究，这限制了模型在复杂真实环境下对事 件关系的识别能力。 如今，视频数据逐渐成为互联网信息的主要载体。视频不仅包含丰富的视觉 信息，还可以通过配套的文本标注提供语义上的补充，形成一个多模态的信息环 境，图像与其事件语义角色标注。相比传统依赖文本的事件关系识别研究，视频 作为一种多模态的天然数据载体，可以同时提供视觉和文本信息的协同感知能力， 这为事件关系识别提供了新的研究维度和机会。因此，如何充分利用视频数据中 的多模态特征，进行更为细粒度、语义层次更高的事件关系识别，不仅具有学术 上的理论创新价值，还在实际应用中具有广阔的前景。 从实际应用的角度来看，视频事件关系识别可以为多个领域提供重要支持。 在公共安全领域，准确的事件关系识别能够帮助执法部门及时预判潜在威胁，提 升应急响应的效率和精确度；在自动驾驶技术中，识别车辆、行人、交通信号等 事件之间的关系，能够有效提升系统的决策能力，保障行车安全。此外，娱乐产 业中的智能内容生成也可以从高质量的事件关系预测中获益，从而提高游戏和电 影情节的生成质量，增强用户的沉浸感与体验。 从学术研究的角度出发，事件关系识别正从传统的自然语言处理领域向多模 态领域拓展，特别是视频数据的引入，为事件关系的识别提供了全新的方法和技 术途径。本研究旨在结合视频的视觉信息和文本标注，提出一种基于多模态特征 的视频事件关系识别模型。通过构建事件场景图，利用图神经网络和多模态特征 对齐技术，解决现有方法在处理复杂事件关系时的细粒度语义建模不足以及多模 态信息融合不充分等问题。本研究的贡献不仅在于理论层面为事件关系识别提供 了新的思路，也为实际应用中的智能系统提供了技术支持，为多模态视频理解和 事件关系识别的进一步发展奠定了基础。 1.2 研究目标与内容

本研究的目标是针对多模态环境下的视频事件关系识别任务，设计并实现一 种新的模型，该模型将引入细粒度的空间先验知识，系统地描述场景中人与人、 物体之间的复杂关系。在此基础上，研究将综合不同层级和模态的特征，通过最 大互信息、最优传输与图神经网络等技术实现事件论元与场景节点特征见的对齐 和融合，以便在多模态环境下深入挖掘和分析多层级语义关系，最终实现对事件 关系的更为精细和准确的识别。具体研究内容如下： （1）基于事件场景图的视频事件关系识别算法。本研究首先提出了一种基于 事件场景图的视频事件关系识别算法。在现有的方法中，普遍通过提取视频的整 体视觉特征和事件语义角色标注的文本特征进行模态融合并进行分类，然而，这 些方法往往忽视了视频中细粒度场景特征的丰富性，导致在处理复杂语义关系时 存在局限性。为了解决这一问题，本文提出的模型通过构建事件语义与视频场景 相结合的整体图结构，对视频在时间和空间维度上进行多粒度建模，以补充前述 方法中细粒度空间语义缺失的不足。具体而言，本模型在单帧场景图的基础上， 对视频场景图进行去噪、时间相关性建模，并在事件图和场景图的语义对齐方面 进行改进。通过对比实验，验证所提模型在视频事件关系识别任务中的有效性。 （2）改进的基于事件场景图的视频事件关系识别算法。在上述研究的基础 上，本文进一步提出了一种基于多模态语义对齐的视频事件场景图分类算法。在 第一种方法中，为了实现事件图和场景图之间的语义对齐，图中节点的特征采用 了经过预训练语言模型提取的节点标签文本特征，以便计算事件论元与场景节点 的相关性，并确保图中节点处于同一嵌入空间中，从而使事件场景图在图神经网 络中能够有效传递信息。然而，由于场景节点标签粒度较粗，指向模糊，在语义 和结构上无法与事件论元进行精确对应，单靠文本表示也难以捕捉视频中事件与 场景之间复杂的语义关系。为了解决这一问题，本文对第一种方法进行了改进， 利用预训练的图像文本模型和新的特征对齐方式（最大互信息量、最优传输）以 及新的融合损失函数，使场景图节点和事件图论元在保留丰富模态特征的前提下， 能够实现充分的语义对齐。此外，还采用异构图神经网络进行消息传递，通过对 比实验验证改进模型在视频事件关系识别任务中的有效性。 第二章 相关技术 2.1 场景图生成 场景图是图像和视频理解领域的重要研究技术之一，自2015年由Johnson等 人首次提出以来，便引起了相关领域研究者的广泛关注。场景图采用图结构对图 像内容进行表示，通过将图像或视频中的对象、属性和关系以结构化的图形式进 行表达，从而构建出对场景的语义理解。场景图由节点和边组成，其中节点表示 场景中的实体或对象，节点之间的边描述了这些实体之间的语义关系，如空间关 系、动作关系等，节点与节点之间的关系则通过三元组来表征。这种图结构不仅 能够捕捉图像中的显性信息，还能通过关系建模揭示隐含的语义联系。 在具体的场景图生成过程中，通常首先采用物体检测算法如Faster R-CNN错 误!未找到引用源。来识别图像中的物体及其边界框。接下来，通过属性预测模块为每个物 体节点分配合适的属性，例如颜色、形状或大小。随后，关系推理模块将根据物 体间的空间和语义特征生成对象间的关系。其生成结果如图2所示。常用的方法 包括使用图神经网络或注意力机制来捕捉和推理对象间复杂的多元关系。这些关 系信息在视觉任务中至关重要，例如在视觉问答、图像字幕生成以及视觉推理等 领域。 图2 场景图生成 场景图生成技术的发展为计算机视觉带来了显著的提升，尤其在增强模型的 可解释性和推理能力方面。相比于传统的卷积神经网络方法，场景图的图结构更 接近人类的思维模式，能够更加自然地表示场景中的语义关系。这不仅有助于模 型在图像理解任务中取得更好的性能，也有助于跨模态学习和多模态特征融合。 2.2 多模态语义对齐 多模态语义对齐技术是计算机视觉和自然语言处理领域中的关键技术，旨在 将不同模态的数据（如图像、文本、音频等）在一个共享的语义空间中进行统一 表示和对齐。随着多模态数据在实际应用中的日益普及，如图文匹配、视频描述 生成、视觉问答等任务，多模态语义对齐逐渐成为构建智能系统的重要组成部分。 这一技术的核心在于如何跨越不同模态之间的表征差异，使其能够在同一语义空 间中进行关联与比较。 在多模态语义对齐的过程中，首先需要将不同模态的输入数据通过特定的编 码器映射到各自的特征空间中。例如，对于图像模态，常用的编码器是卷积神经 网络，通过多层卷积和池化操作提取高维的图像特征表示。对于文本模态，通常 使用预训练的语言模型（如 BERT、RoBERTa）， 将 文 本 转 化 为 上 下 文 相 关 的 词 向量表示。这些模态的特征表示通过投影层或对齐网络进一步映射到共享的语义 空间，从而能够在该空间中进行相似性度量和关系建模。 多模态语义对齐的挑战在于如何有效地学习跨模态的相似性度量，确保不同 模态的数据在语义空间中能够精确匹配。常见的技术包括基于对比学习的最大互 信息（Maximal Mutual Information, MMI）错误!未找到引用源。，通过优化对比损失函数（如 InfoNCE）来实现跨模态的对齐，其目标是最大化同一语义单元在不同模态下的 相似度，同时最小化不同语义单元之间的相似度。 此外，最优传输（Optimal Transport, OT）错误!未找到引用源。理论也在跨模态对齐任 务中展现出显著优势。最优传输方法通过计算不同模态特征分布之间的传输成本， 寻找最优的分布对齐方案，从而在全局层面上实现模态间的精确匹配。将最优传 输与对比学习相结合，可以进一步提升多模态对齐的效果，处理模态之间的分布 不匹配和数据不均衡问题。 通过综合运用基于 InfoNCE （Noise Contrastive Estimation）的最大互信息方 法和最优传输理论，模型能够在共享的语义空间中实现更为精确和鲁棒的多模态 语义对齐。这种结合不仅利用了对比学习在局部特征对齐上的优势