1.一种服务流程抽取方法，其特征在于，包括以下步骤：

S1：对数据集中的文档进行数据预处理；

S2：将步骤S1预处理得到的数据基于Bert编码，得到各个词的词向量表示；

S3：基于步骤S2得到的词向量表示，使用单层BILSTM捕获句子中的有效上下文特征；

S4：基于步骤S2得到的词向量表示，使用multi‑head attention机制捕获跨句子之间的有效上下文特征；

S5：基于步骤S3和S4得到的上下文特征，使用特征融合层进行特征融合，即融合来自不同粒度的上下文特征；

S6：通过多任务联合优化模块进行多任务联合优化，主要包含pairwise局部任务和listwise全局任务；基于pairwise算法得到任意两个事件对的序列关系；在给定文档和事件的条件下，基于listwise算法，模型需要给出与每个事件相对应的等级值，根据事件相对应的等级值得到相应的事件序列关系；之后联合训练pairwise局部任务和listwise全局任务；

S7：使用全局推断模块解决事件对之间无法满足传递性的冲突，训练得到服务流程抽取模型；包括：首先利用模型得到两两事件对之间的序列关系，从而得到整个事件序列，但是整个事件序列并不满足传递性约束；使用整数线性规划解决不能满足传递性约束的问题；定义 为二元指示变量，当且仅当st＝pr时变量值才能取到1，st是事件序列关系的真实标签，pr是事件对序列关系的预测标签； 表示模型预测事件对(ei,ej)序列关系为pr的置信度，该置信度产生自事件序列抽取模型中的softmax层的输出；为了获得全局最优分配结果，定义目标函数如下：其中，E是事件的集合，R是事件序列关系标签集；约束条件表示如果事件对 的关系标签为pr1，事件对 的关系标签为pr2，那么事件对 的关系标签pr3必须满足如上约束条件。

2.根据权利要求1所述的服务流程抽取方法，其特征在于，所述的数据预处理方式，包括：对数据集中的事件进行标注，并标注相应的事件id。

3.根据权利要求1所述的服务流程抽取方法，其特征在于，所述的预处理之后的数据基于bert编码得到词向量表示，具体是指：bert模型能够对单词的语义信息进行建模，建模之后可应 用于各种下 游任务；给 定一个 文档d，对 于文档中 的每个字符输入到bert模型中：

其中， 表示第i个句子中的第n个字符以及相应的单词经过bert编码后的表示形式。

4.根据权利要求1所述的服务流程抽取方法，其特征在于，所述的使用单层BILSTM捕获句子中的有效上下文特征，具体是指：BILSTM能够捕获句子级别的有效上下文特征，因此在句子上应用了单层BILSTM；基于Bert输出的词向量表示，通过BILSTM层得到句子的特征向量表示：其中， 表示第i个句子中的第n个字符经由BILSTM层得到的特征表示。

5.根据权利要求1所述的服务流程抽取方法，其特征在于，所述的使用multi‑head attention机制捕获跨句子之间的有效上下文特征，具体是指：距离是BILSTM特征提取效果的主要限制因素，因此仅使用BILSTM来提取句子中的上下文特征，对于跨句子之间的上下文特征提取，使用了multi‑head attention机制，同时定义该层为MHA；基于Bert输出的词向量表示，通过MHA层得到句子的特征向量表示：其中， 表示第i个句子中的第n个字符经由MHA层得到的特征表示。

6.根据权利要求1所述的服务流程抽取方法，其特征在于，所述的使用特征融合层融合来自不同粒度的上下文特征，具体是指：考虑到并非所有特征都对最终的事件序列抽取任务做出同等的贡献，采用门机制来加权不同粒度的上下文信息，定义门机制如下：其中，g表示门机制的注意力向量，W1和W2是模型需要学习的权重系数，b是模型需要学习的偏差系数；σ表示的是sigmoid激活函数；⊙表示向量中对应元素逐个相乘； 表示第i个句子中的第n个字符的特征融合表示。

7.根据权利要求1所述的服务流程抽取方法，其特征在于，所述的多任务联合优化模块中的pairwise局部任务，具体是指：假设En是从文档Dn中提取得到的事件集合，ei、ej表示事件集合En中任意两个不同的事件，输入文档Dn中任意事件对(ei,ej)，输出得到事件对的序列关系，其中输出“0”表示事件对的顺序是正序，即事件ei出现在事件ej之前；同样输出“1”表示事件对的顺序是逆序，即事件ei出现在事件ej之后；因此可以将该任务定义为二分类任务，使用两层的多层感知机作为模型，基于多粒度上下文编码模块得到的事件词的向量表示，输入到多层感知机中：其中，r表示的是二分类的类别，并且r∈{0,1}，p(r|ei,ej)表示模型输出的二分类问题的概率值；W1′、W2′表示权重矩阵，b1、b2表示偏差向量，σ表示sigmoid激活函数， 表示基于多粒度上下文编码模块得到的事件词的向量表示；

给定标注好的语料 SD表示文档的总数量，定义优化函数如下：

其中，xn和yn分别表示第n个训练事件对和事件对在标注语料库D中对应的标签；θL表示模型需要学习的参数值； 表示xn的观测值，即模型给出的预测值； 表示指示函数， 为真则指示函数值为1，否则指示函数值为0； 是第n个训练事件对在参数为θL的情况下，模型给出事件对序列关系预测的概率值。

8.根据权利要求1所述的服务流程抽取方法，其特征在于，所述的多任务联合优化模块中的listwise全局任务，具体是指：listwise模型需要在给定文档和事件的条件下给出与每个事件相对应的分数；定义该层输入为文档Dn中的所有事件，输出为每个事件所对应的等级值，之后根据等级值对事件进行排序，并获得与文档相对应的事件序列；使用两层的多层感知机作为计分模型，基于多粒度上下文编码模块得到的事件词的词向量表示，输入到多层感知机中：score(e)＝W2″·tanh(W1″·re+b1′)+b2′

其中，e表示任意事件，score(e)表示事件的预测分数；W1″、W2″表示权重矩阵，b1′、b2′表示偏差向量，re表示基于多粒度上下文编码模块得到的事件词的向量表示，tanh为激活函数；并且采用smooth L1 loss；定义优化函数如下：其中，p表示模型给出的预测标签、q是真实标签，具体的， 表示在第Di个文档对应的事件序列中第j个事件相对应的真实等级值， 表示第Di个文档对应的事件序列中第j个事件相对应的模型给出的对事件的预测分数score(e)。

9.根据权利要求1所述的服务流程抽取方法，其特征在于，所述的联合训练pairwise局部任务和listwise全局任务，具体是指：仅在模型训练阶段使用listwise全局任务，在测试阶段，仅使用pairwise局部任务来获取完整的事件序列；定义联合训练的联合损失函数如下：J(θ)＝L(θL)+λG(θG)

其中，λ是超参数用来平衡L(θL)和G(θG)。