社会治理网格化将城市按照一定标准划分成一系列网格单元, 网格化系统所沉淀的海量事件数据能够全面、及时地反映城市问题. 在城市应急管理中, 基于历史网格事件库的案例推理^[1]对于科学救援、精准决策具有重要意义. 事件检索是案例推理的关键步骤, 通过在网格事件库中检索出与目标事件相似的历史事件(集), 进而辅助目标事件的处置决策. 网格事件库中的数据量越庞大, 经验积累越充分, 对决策支持的力度也越大. 从相似的事件处置中得到经验性的知识, 必须在合理时间内在网格事件库中找到相似事件^[2]. 因此, 高性能网格事件相似度计算决定了案例推理的效用. 近年来, 图形处理单元(graphics processing unit, GPU)在硬件架构上取得了长足的进步. 片上运算单元密集、存储带宽高效等特点使得GPU非常适用于数据相关性较低的大规模并行计算. 事件相似度计算对大量事件数据进行相同处理, 其中蕴含丰富的数据并行性, 适合在GPU上加速执行^[3].

事件关键词提取大多数通过TF-IDF提取候选关键词, 利用Word2Vec计算词向量, 并采用特征工程对候选关键词进行特征提取, 再经由支持向量机、决策树等算法将关键词提取转换为二分类问题^[4]. 这种方法需要做大量的特征工程, 特征的选取和分析方式复杂, 还可能会造成前端特征与后端任务的脱节. 此外, 词向量加机器学习的方法仅能够基于给定的事件文本提取关键词, 无法挖掘网格事件中蕴含的重要特征. 指针生成网络(pointer-generator network, PGN)结合了传统Seq2Seq模型和指针网络的优势, 在生成新词的同时也具备了从原文复制单词的能力, 允许模型从源文本中复制词用作生成词来解决词表无法覆盖(out of vocabulary, OOV)的问题, 并引入了覆盖机制以改善生成新词时的重复问题, 提高模型的表达能力^[5]. 为了在海量网格事件库中快速、准确地检索事件, 本文提出一种基于关键词生成的网格事件相似度并行计算方法, 具体创新点如下:

(1) 引入记忆网络(memory network)对基于LSTM网络的PGN进行改进, 用以增强其记忆能力;

(2) 针对GPU体系结构特点, 对LSTM网络的计算过程进行优化;

(3) 提出基于历史相似事件的先验知识来计算事件相似度阈值的方法;

(4) 通过实验证明本文网格事件相似度技术方法的有效性.

1 相关研究

文献[6]设计了一种基于网格事件大数据汇总共享、通过数据梳理及案例推理技术实现科学决策的方法, 并基于这一方法设计了网格化管理辅助决策支持系统. 文献[7]通过文本分词、特征词提取、基于情景相似度的突发事件情报感知方法, 结合当前事件演化态势和以往的经验性知识实现对突发事件的识别和预判. 文献[8]在传统词嵌入模型中增加了Ngram和汉字语义信息并与知网融合, 在此基础上将WNCH方法应用到文本属性相似度的计算. 文献[9]通过扩展Needleman-Wunsch算法的得分函数以结合时间、空间信息, 通过粒度调控实现了从不同的粒度来计算时空事件序列的相似度. 文献[10]对突发事件进行情景要素分解, 引入支持向量机和相似度算法, 基于粒度原理构建了一种融合情景的动态响应模型. 文献[11]提出一种融合句法特征和句法相似度的网络舆情突发事件识别方法. 文献[12]提出了食品安全事件的多层多级语义结构排序策略算法, 计算食品安全数据与语义结构模板的相似度, 确定其综合得分, 选择适当的阈值确定食品安全事件精度.

尽管上述方法能够较好地完成案例检索, 但案例检索的事件相似度计算方面存在局限性, 大多数研究基于案例的数值属性、模糊属性、符号属性进行事件之间的相似度计算, 忽略了事件的文本属性, 如事件原因、事件摘要等, 这些属性对于案例检索都是不可或缺的^[13]. PGN主要解决传统Seq2Seq模型中输出严重依赖输入的问题, 突破了模型输出端对词汇表长度的限制, 在摘要生成任务中具有良好的表现. 文献[14]针对生成式文本摘要应用场景, 提出了以Transformer为基础的摘要模型, 并在Transformer模型中加入了指针生成网络和覆盖损失进行优化. 文献[15]针对代码注释自动生成引入指针生成网络模块, 在解码的每一步实现生成词和复制词两种模式的自动切换, 以此解决无法生成OOV词的问题.

2 网格事件相似度计算

网格事件可以分为城市管理、环境保护、物业管理、平安建设、应急突发事件等类型, 包括基本属性(事件标题、等级、类别, 发生地点、发送时间等信息)和情景属性(事件原因、对象、发生环境、应对任务等信息). 在计算事件相似度之前, 需要生成事件关键词以确定该事件的基本属性和情景属性.

2.1 关键词生成

长短期记忆网络(long short-term memory, LSTM)是在循环神经网络(recurrent neural network, RNN)基础上改进而来的一种神经网络模型, 可以解决长期依赖问题. LSTM神经网络使用输入门、忘记门和输出门3种门结构以保持和更新细胞中信息的增减. 然而, 单向LSTM只能处理一个方向上的信息, 无法处理另外一个方向上的信息, 双向LSTM (bidirectional LSTM, BiLSMT)通过双向语义编码结构获取上下文信息, 能够更好地对网格事件信息进行提取^[16], 而注意力机制(attention)可以更深层次地挖掘网格事件不同类型的关键词. 本文提出的基于PGN的网格事件关键词生成模型如图1所示.

2.1.1 编码器

在网格事件特征提取中, 当前时间步长的隐藏状态与前一时刻和下一时刻相关联. BiLSTM使用两个不同方向的LSTM分别从网格事件文本的前端和后端进行遍历, 利用两个并行通道, 既能获得正向的累积依赖信息, 又能获得反向的未来的累积依赖信息, 提取的特征信息更加丰富. 因此, 编码器部分采用BiLSTM网络, 如图2所示.

对于网格事件候选词序列 $X = \{ {x_1}, {x_2},\cdots, {x_n}\}$ (n为输入序列的长度), 按照顺序先输入到Embedding层, 将候选词映射到高维向量上, 然后再将处理好的序列输入到编码器中, 得到每个序列的隐藏状态集合 $E = \{ {e_1}, {e_2}, \cdots, {e_n}\}$ . 对第i个隐藏状态e_i来说, 由于采用的是Bi-LSTM网络, 算法会从前往后和从后往前两个方向计算, 得到的隐藏状态e_i会充分关联上下文信息. BiLSTM计算过程如式(1)到式(6)所示. 首先, 遗忘门根据上一个记忆单元的输出h_t–1和输入数据x_t产生一个0–1之间的数值f_t来决定上一个长期状态C_t–1中信息丢失多少. h_t–1和x_t通过输入门确定更新信息得到i_t, 同时通过一个tanh层得到新的候选记忆单元信息C'_t. 通过遗忘门和输入门的操作, 将上一个长期状态C_t–1更新为C_t. 最后, 由输出门得到判断条件, 然后通过一个tanh层得到一个(–1, 1)之间的值o_t, 该值与判断条件相乘来决定输出当前记忆单元的哪些状态特征.

$ {f_t} = \sigma ({W_f} \cdot [{{{h}}_{t - 1}}, {{{x}}_t}] + {b_f}) $

(1)

$ {{{i}}_t} = \sigma ({W_i} \cdot [{{{h}}_{t - 1}}, {{{x}}_t}] + {b_i}) $

(2)

$ {{{C}}'_t} = \tanh ({W_C} \cdot [{{{h}}_{t - 1}}, {{{x}}_t}] + {b_C}) $

(3)

$ {{{C}}_t} = {f_t} * {{{C}}_{t - 1}} + {i_t} * {{{C}}'_t} $

(4)

$ {{{o}}_t} = \sigma ({W_o} \cdot [{{{h}}_{t - 1}}, {{{x}}_t}] + {b_o}) $

(5)

$ {{{h}}_t} = {o_t} * \tanh ({{{C}}_t}) $

(6)

2.1.2 解码器

解码器部分采用单向LSTM结构, 假设解码器的输入为 $Y = \{ {y_1}, {y_2},\cdots, {y_m}\}$ (m为解码器输入序列个数), 在解码过程中输入序列按照顺序先输入到Embedding层, 将输入序列映射到高维向量上, 得到每个输入序列的词向量表示, 然后再将处理好的序列输入到解码器中, 得到每个序列的隐藏状态集合 $D = \{ {d_1}, {d_2}, \cdots, {d_m}\}$ . 为了使解码器产生更合适的输出, 本文将注意力机制用在输入序列上以将更重要的信息输入至解码器. 同时, 引入覆盖机制来解决Seq2Seq模型生成重复文本的问题^[17]:

$ {c^t} = \sum\nolimits_{t' = 0}^{t - 1} {{\alpha ^{t'}}} $

(7)

$ u_i^t = {v^{\rm{T}}}\tanh ({W_1}{e_i} + {W_2}{d_t} + {W_c}c_i^t + b) $

(8)

$ {\alpha ^t} = {\textit{Softmax}} ({u^t}) $

(9)

其中, c_t是先前时间步的注意力权重叠加后得到的覆盖向量. 对上下文向量u_t进行Softmax激活函数操作后, 得到的结果视为在输入序列元素上的概率分布, 其中v^T、W₁、W₂、W_c和b是模型学习参数.

PGN使用LSTM作为编码器和解码器, 但LSTM的隐藏状态记忆存储能力有限, 无法存储太多的信息, 且容易丢失一部分语义信息. 为此, 本文通过引入记忆网络存储序列信息对其进行改进以增强其记忆能力. 在图1中, m_i是根据单词的词向量和位置形成的句子向量, 其公式为:

$ {m_i} = \sum\nolimits_j {{l_j} \cdot {{{X}}_{ij}}} $

(10)

其中, X_ij是句子中每个单词的词向量矩阵, l记录每个单词的位置信息, l计算公式为:

$ {l_{kj}} = \left( {1 - j/J} \right) - \left( {k/d} \right)\left( {1 - 2j/J} \right) $

(11)

其中, J是句子长度, d是编码维度, 经过Softmax之后形成一个权重向量P:

$ {p_i} = {\textit{Softmax}} \left( {{{{h}}_t}^{\rm{T}}{m_i}} \right) $

(12)

文本向量c_i由权重向量P和m_i构成:

$ {{{c}}_i} = {{{p}}_i}{{{m}}_i} $

(13)

记忆网络的最终输出计算公式为:

$ {{o}} = \sum\limits_i {{{{p}}_i}{{{c}}_i}} $

(14)

在时刻t的输入序列表征可以为 ${e_t} = \displaystyle\sum\limits {{\alpha _i}^t} {e_i}$ , 将e_t和d_t经过两个线性层得到单词表分布:

$ {P_v}(W) = {\textit{Softmax}}(V'(V[({e_t} + o), {d_t}] + b) + b') $

(15)

权重w_g的计算方式为:

$ {w_g} = \sigma ({W'_1}{e_t} + {W'_2}{d_t} + {W'_3}{x_t} + b) $

(16)

其中, W'₁、W'₂、W'_c和b是模型学习参数. 经过扩充之后的单词表, 在时间步t的词概率分布为:

$ P(W) = {w_g}{P_v}(W) + (1 - {w_g})\sum\limits {{\alpha _i}^t} $

(17)

2.1.3 模型训练

在PGN中t时刻模型损失值可通过对目标输出单词y_t和覆盖向量计算覆盖损失求得:

$ los{s_t} = - \log P({y_t}) + \lambda \sum\limits {\min (\alpha _i^t, c_i^t)} $

(18)

$ {L_{\rm{event}}} = \frac{1}{T}\sum\nolimits_{t = 0}^T {los{s_t}} $

(19)

根据输出端的概率分布, 得到输入序列概率最高的L个候选词作为网格事件的关键词.

2.2 相似度计算

计算网格事件相似度需要从结构相似度(属性相似程度)和情景相似度(关键词相似程度)两方面来综合衡量.

2.2.1 结构相似度

结构相似度比较两个网格事件具有的共同属性, 共同属性越多, 事件相似程度也越高.

$ {{\textit{SIMS}}}\left( {{{A, B}}} \right){\text{ = }}\frac{{{{2C}}}}{{{{{N}}_{{A}}}{{ + }}{{{N}}_{{B}}}}} $

(20)

其中, A为新发送事件, B为网格事件数据库中历史事件, C为两个事件的共同属性数, N_A和N_B分别为事件A和事件B的属性数.

2.2.2 情景相似度

在生成网格事件关键词后, 利用这些关键词与网格事件库中已构建的事件情景(即一系列事件关键词所组成的集合)进行相似度计算. 假设SIMC(A, S) (0≤SIMC(A, S)≤1)表示包含m个关键词的事件 $A = \{ {v_1}, {v_2}, \cdots, {v_m}\}$ 与包含n个关键词的事件情景 $S = \{ {w_1}, {w_2}, \cdots, {w_n}\}$ 之间的相似度: 若SIMC(A, S)低于某一阈值, 则表明事件A和事件情景S相似度较低(即不具有相似度); 若SIM(A, S)高于某一阈值, 则表明事件A和事件情景S相似度较高(即具有相似性). 本文根据网格事件库中历史相似事件的先验知识来设定事件相似度阈值. 假设网格事件库中有N个事件, 划分为M种类型, 每个类型下相似事件的数量为S_i (i=1,…, M), 则采用如下步骤来确定相似度阈值:

步骤1. 对于事件类型k中标记为相似的网格事件两两计算其相似度SIMC(x, y), 取其平均值得到ave_k;

步骤2. 对于所有M种类型的网格事件重复步骤1;

步骤3. 根据每种类型事件的占比权重由 $\{ av{e_1}, av{e_2}, \cdots , av{e_M}\}$ 确定最终的阈值.

用于揭示概念与概念之间以及概念所具有的属性之间的关系的知网(HowNet)提供了汉语词语相似度的计算方法^[7], 本文借鉴HowNet方法来计算事件关键词与事件情景之间的相似度. 假设关键词W₁可能包含P个概念 $\{ {c_1}, {c_2},\cdots, {c_P}\}$ , 关键词 W₂可能包含Q个概念 $\{ {d_1}, {d_2}, \cdots, {d_Q}\}$ , 这些概念之间的最大相似值就是W₁和W₂的相似度. 因此, 事件A和事件情景S的相似度计算公式为:

$ {{{\textit{SIMC}}(A, S)}} = \frac{1}{{m \times n}}\sum\limits_i {\sum\limits_i {{{{\textit{SIM}}(}}{c_i}{\text{, }}{d_j}{\text{)}}} } $

(21)

2.2.3 总体相似度

两个网格事件的总体相似度由结构相似度和情景相似度构成:

$ {\textit{SIM}}\left( {{{A, B}}} \right){\text{ = }}\alpha {\textit{SIMS}}\left( {{{A, B}}} \right) + \beta {\textit{SIMC}}\left( {{{A, B}}} \right) $

(22)

其中, α为结构相似度的权重, β为情景相似度的权重, 且α+β=1. 根据网格事件数据库中历史事件相似度情况, 利用Viterbi算法求解出α为0.19、β为0.81. 可见, 情景相似度总体上决定了事件相似度.

2.3 GPU并行计算

在基于PGN生成事件关键词时, LSTM网络涉及大量的矩阵和向量运算. 此外, 计算网格事件库中两两事件的相似性的计算复杂度非常高, 尤其是存在情景相似度的计算时. 因此, 本文利用GPU对这两个过程进行加速.

2.3.1 LSTM网络加速

由于矩阵乘操作占了LSTM网络计算过程的95%时间, 可以从权重矩阵列内(输入向量按列与权重矩阵相乘)、列间并行(每个输入值与权重矩阵内的每一列元素进行乘法计算)以及权重矩阵之间并行(每个输入值与门单元权重矩阵进行向量矩阵乘法运算)对LSTM网络进行加速计算. 由于LSTM网络不同层间具有强依赖关系, 需要先完成底层计算, 才能对上层计算. 因此层与层之间无法并行处理, 只能在层内并行计算. 此外, 不同时间步之间也具有强依赖关系, 所以只能在每个时间步内的每层做并行计算, 图3展示了LSTM网络的可并行性.

在LSTM网络中, 存在3种不同形式的矩阵乘运算: 矩阵向量乘(MMV)、向量矩阵乘(VMM)和向量外积(VEP). MMV出现在前向计算中, VMM和VEP出现在反向计算中. GPU核心(kernel)程序启动会导致开销, LSTM网络每个单元有3个门, 每个门具有两个不同的权值矩阵, 若不加以合并, 完成一次前向和一次后向计算分别需要启动12次kernel, 导致开销较大. 权值矩阵过小无法充分利用GPU并行计算优势, 为此本文实施了两个层次的权值合并.

(1) 列向合并

列向合并针对同一层相同门的不同权值进行合并, 因此输入数据根据扩充顺序同步进行合并. 以输入门为例, 输入门接收的输入包括从当前时间步的输入x_t与上一个时间步的输出h_t–1, 其对应的权值分别为W_t和W_t–1, 合并后的权值W_com=[W_t, W_t–1], 在行数不变的基础上对列做了加和. 对于输入合并, 合并后的输入I_com=[x_t, h_t–1], 对应列也做了加和:

$ {W}_{\rm{com}}\ast {I}_{\rm{com}}=[{W}_{t}\ast {x}_{t},  {W}_{t-1}\ast {h}_{t}{}_{-1}] $

(23)

相同门的前向计算和后向计算过程是相互对应的, 因此前向和后向的计算公式完全一样. 值得注意的是, 后向过程原本对x和h分别进行更新, 现在对合并后的向量进行更新.

(2) 行向合并

在对行向不同门的权值进行合并的过程中, 输入数据不需要进行变换. 将f、i、o三个门合并后得到新权值矩阵W_join, 其行数变为原来的3倍, 列数不变. 行向合并计算过程如下:

$ {W_{\rm{join}}} * {I_{\rm{com}}} = {({W_f} * {I_{\rm{com}}}, {W_i} * {I_{\rm{com}}}, {W_o} * {I_{\rm{com}}})^{\rm{T}}} $

(24)

值得注意的是, 由于后向计算过程中不同门的激活函数不同, 导致各个门的梯度计算不完全一致, 因此, 需要分别计算各个门的梯度系数.

通过对权值进行列向和行向合并, LSTM网络进行一次前向计算仅需要启动2次kernel, 进行一次后向计算仅需要启动3次kernel. 同时, 每次参与计算的矩阵元素增加, 进而达到有效利用GPU并行计算能力的目的. 为充分利用GPU并行计算能力, 可以在程序中显式使用向量数据类型. 相对标量数据类型, 向量数据类型可由2–4个32位的标量数据类型组合而成, 其大小由向量数据类型的后缀数字指示. 例如, 例如, float4向量数据类型由4个float数据类型构成, 分别用x、y、z和w进行引用. 使用float4向量数据类型, 可以在一次存储访问请求中取入4个float类型的标量数据. 与标量数据类型相比, 使用向量数据类型后的存储访问次数有所减少, 较大限度地利用了存储带宽, 如图4所示.

2.3.2 相似度计算加速

在事件结构相似度和情景相似度计算中, 由于不存在数据依赖关系, 因此可以安排每个GPU线程负责目标事件与网格事件库中的一个历史事件进行相似度计算. 为计算情景相似度, 本文实现了基于GPU的WordSimilarity计算过程^[18]. 在WordSimilarity并行化过程中, 关系义原描述中存在大量的分支结构, 在GPU上并行化会严重影响执行性能. 为此, 对于一些以线程作为控制变量的条件分支, 在控制变量取值有限的情况下, 本文通过引入数组实现分支路径的间接索引, 如代码1和代码2所示. 引入的数组可以通过线程的进行访问, 该数组返回的值即是相应的分支路径. 也就是说, 每个线程根据其访问数组来决定其所要执行的分支路径, 这种间接索引的方式能够完全消除条件分支.

代码1. 分支重构前代码

if(tid.x==0)

　if(tid.y==0) statements with func(m,a,b);

　else statements with func(m,a);

else if(tid.x==1)

　if(tid.y==0) statements with func(m,a,b);

　else statements with func(m,a,b);

else if(tid.x==2)

　if(tid.y==0) statements with func(m,a,b);

　else statements with func(m,a,b);

else if(tid.x==2)

　if(tid.y==0) statements with func(m,a,b);

　else statements with func(m,a,b);

代码2. 分支重构后代码

index=m+2*tid.x;

array[2][4] = {(1,2,2,1),(2,1,1,2)};

a[array[tid.y][tid.x]]=func(b[index],a[tid.y]);

3 实验分析

为验证本文提出的网格事件相似度并行计算的性能, 选取安徽省芜湖市2016年1月1日–2020年12月31日期间40000条社会化网格治理系统中的事件来构建数据集. 数据集中包含了事件属性、事件文本、事件情景描述、经过人工标注的相似事件等信息. 通过对40000条事件文本进行统计分析, 长度均值为632个字, 且95%的事件情景描述的文本长度在142个字以内. 本文选取了其中30000条事件作为训练集, 5000条事件作为验证集, 5000条事件作为测试集. 实验硬件环境为: 内存DDR4 64 GB, 2.4 GHz Intel(R) Xeon(R) Silver 4210R CPU, NVIDIA GeForce RTX 3090 GPU; 软件环境为Ubuntu 18.04, CUDA Toolkit 10.2.

3.1 事件相似度性能对比

本文采用精确率(Precision)、召回率(Recall)和F1值作为事件相似度计算性能的评价指标. 本文对40000个网格事件采用第2.2.2节所述阈值计算方法, 得出事件相似度阈值为0.91. 为了验证基于关键词生成的事件相似度性能, 通过实验与使用TF-IDF、textRank和LDA (latent Dirichlet allocation)对网格事件文本进行关键词提取并计算相似度的机器学习方法进行了对比, 对比结果如表1所示.

通过对比可以发现, 本文基于深度学习的方法在性能上优于TF-IDF等基于机器学习的方法, 原因在于机器学习模型方法仅简单的对文本中的词向量进行加权平均, 没有使用文本更深层次的语义信息, 而深度学习方法可以获取更深层次的语义信息. 此外, 使用attention机制的PGN关键词生成模型更加关注那些对判断事件相似度因素贡献较大的文本特征. 通过消融实验将记忆网络从PGN中消除, 精确率指标为82.61%. 可见, 记忆网络在精确率指标上能够提升0.7%的性能.

3.2 并行计算加速比分析

在GPU并行加速过程中, 实验采用每个线程块包含512个线程的设置. 从表2中看出, 当待比对的事件规模过小时(5000件), GPU的计算速度反倒比CPU慢, 一方面是因为GPU计算资源不能被充分利用, 另外一方面原因是CPU和GPU之间的数据传输开销及kernel启动开销抵消了GPU加速的性能增益. 当事件规模增加到10000件时, GPU并行加速的优势开始体现. 当事件规模增加到40000件时, 此时能够取得4.04倍的加速比. 从表2也可以看出, 随着事件规模的不断增大, 数据传输开销占比呈递减趋势. 可以预期的是, 随着事件规模的不断增加, 能够取得越来越高的加速比.

3.3 与QRNN和SRU网络的性能对比

准递归神经网络(QRNN)是一种交替卷积层的神经序列建模方法, 其网络结构由类似于CNN中的卷积层和池化层两类子部分组成^[19]. QRNN卷积层与CNN卷积层类似用于提取输入特征, 池化层可用于减少特征数目, 但不同的是QRNN采用了fo-Pool (在动态平均池化的基础上增加了输出门)结构进行池化. 简单循环单元(SRU)是一种轻循环单元^[20], 其具体结构分为两个部分: 轻循环部分和高速网络(highway network)部分. 轻循环部分处理输入向量并计算包含序列信息的状态序列, 高速网络部分促进基于梯度的深度网络训练. 为验证LSTM网络应用在基于PGN的事件关键词生成的优越性, 本文采用QRNN网络和SRU网络对40000个网格事件与LSTM网络进行了性能对比, 对比结果如表3所示.

从表3可以看出: (1) QRNN网络计算性能总体低于SRU网络; (2) 2层SRU网络在计算速度上比2层LSTM网络要快, 但2层SRU网络在相似度计算精度上相对较弱; (3) 8层SRU网络能达到和2层LSTM网络相近的相似度计算精度, 但8层SRU网络计算速度稍慢于2层LSTM网络. 可见, 虽然SRU网络在LSTM网络的计算方式上进行了优化, 但在本文任务上SRU网络的适应性弱于LSTM网络.

4 结论与展望

通为了满足大规模网格事件环境下实时计算事件相似度的需要, 本文提出了一种基于关键词生成的网格事件相似度并行计算方法. 该方法通过指针生成网络生成网格事件关键词, 基于关键词结构相似度和情境相似度计算事件相似度, 利用GPU对事件关键词生成过程中的LSTM网络和相似度计算过程进行加速. 实验结果表明: 相比TF-IDF、textRank和LDA方法, 本文方法在相似度计算性能上更好, 采用GPU进行并行计算最高获得了4.04倍的加速比. 本文下一步工作是在网格事件相似度的基础上结合案例推理技术实现社会突发事件的辅助决策.