1.一种面向复杂场景描述的自动流程建模方法，其特征在于，包括以下步骤：

1）准备数据集，具体包括：

1.1）文章，满足非结构化文本的要求；

1.2）标注出每篇文章中存在的事件，并使用事件的触发词表示事件；

1.3）查找出文章中事件间存在的多种关系；

1.4）根据事件和事件关系，结合文章的语义，构造文章的流程模型；

2）基于步骤1）准备的数据集，对输入的文章进行预处理操作，得到预处理后的文章；

3）基于步骤1）的数据集与步骤2）预处理后的文章训练事件与事件关系联合抽取模型；

4）通过步骤3）训练好的事件与事件关系联合抽取模型对预测文本进行事件发现和事件关系识别，抽取预测文本的事件和事件关系；

5) 基于步骤4）抽取的事件和事件关系构建流程模型，具体包括：

5.1）将抽取得到的事件和事件关系转换为BEFORE关系表述形式，构成新的事件关系；

5.2）根据新的事件关系，构造初始流程图；

5.3）基于初始流程图，通过深度优先遍历方式将每篇预测文本对应的初始流程图划分为一个或多个流程图种子；

5.4）在流程图种子中添加流程模型关键节点，构成流程模型；

6) 基于步骤5）构建的流程模型，构造用于流程模型一致性检测的训练数据集，具体包括：

6.1）将流程模型进行随机组合构成流程模型对；

6.2）通过Hausdorff Distance和线性规划方法计算流程模型对中两个流程模型的图编辑距离 ，通过图编辑距离 得到标准化图编辑距离；

是标准化的 ，其计算方式如下：

；

其中， 表示流程模型 的节点数；

6.3）使用 函数将标准化图编辑距离转化为(0,1]范围内的分数，作为流程模型对真实正确的相似度分数，相似度分数 的计算方式如下： ；

7) 基于步骤6）构造的训练数据集，训练一致性检测模型；

8) 基于步骤7）训练后的一致性检测模型，进行流程模型的相似度对比，检测自动构建的流程模型与真实流程模型之间的差异程度；

基于步骤7）训练后的一致性检测模型，进行流程模型的相似度对比，具体包括：

8.1）通过GCN网络得到流程模型的节点嵌入表示；

8.2）利用Attention注意力机制考虑每个节点在流程模型中的重要程度，将每个流程模型映射为最终的图级嵌入；

8.3）分别使用Neural Tensor Network和Pairwise Node Comparison，计算两个流程模型的图级嵌入的相似度向量和节点的相关性特征；

8.4）将图级嵌入的相似度向量和节点的相关性特征拼接，并经过全连接层得到最终的流程模型相似度分数。

2.如权利要求1所述面向复杂场景描述的自动流程建模方法，其特征在于，步骤2）中，对输入的文章进行预处理操作，具体包括：

2.1）去除停用词；

2.2）去除不包含事件的句子；

2.3）根据限定长度划分文章。

3.如权利要求1所述面向复杂场景描述的自动流程建模方法，其特征在于，步骤3）中，基于步骤1）的数据集与步骤2）预处理后的文章训练事件与事件关系联合抽取模型，具体包括：

3.1）输入数据集和预处理后的文章，先局部通过评分函数并使用交叉熵损失函数进行优化，训练得到事件、事件关系抽取模型；

3.2）对步骤3.1）获得的事件、事件关系抽取模型使用结构化推理学习进行训练，重新优化网络以调整全局的属性。

4.如权利要求1所述面向复杂场景描述的自动流程建模方法，其特征在于，步骤7）中，训练一致性检测模型，具体包括：流程模型一致性检测的训练目标，具体的损失函数为：；

其中，D是训练数据中的流程模型对集合， 表示流程模型对的个数， 是流程模型对正确的相似度分数， 表示预测的两个流程模型相似度分数，训练的目标是尽量降低损失L以达到较高的准确率。