事件抽取

摘要： 抽取事件之间的因果关系能够应用于自动问答、知识提取、常识推理等方面。隐式因果关系由于缺乏明显的词汇特征和中文复杂的句法结构,使得其抽取极为困难,已成为当前研究的难点。相比而言,显示因果关系的抽取比较容易、准确率高,且因果关系事件之间的逻辑关系稳定。为此,文中提出了一种原创的方法,首先通过对抽取的显示因果事件对进行事件动作的归一化处理后形成事件方向,然后对事件主体进行泛化处理,最终形成标准的匹配因果事件对集合。利用此集合根据事件相似度从语句中抽取隐式因果事件对。为了识别更多的隐式因果关系,文中同时提出了一种因果连接词发现算法。在网易财经、腾讯财经和新浪财经上爬取的实验数据验证,对事件动作进行归一化处理后形成事件方向相比传统方法抽取准确率提高了1.02%。

摘要： 恐怖事件、暴动事件、突发事件等社会事件对国家安全造成了极大的威胁,也给社会治理带来了新的挑战。事件库通过记录社会现实事件,能够在态势感知、风险预警、应急响应等社会安全应用中发挥重要作用。构建全球事件库的两个开创性项目ICEWS和GDELT最近获得了广泛关注,文中对这两个全球事件库进行了系统的分析、对比和评估,以期为事件库构建、事件抽取和事件图谱等领域提供帮助和参考。

摘要： 信息抽取任务旨在从非结构化的文本中抽取出结构化的信息,帮助将海量信息进行自动分类、提取和重构,提高信息的利用率.目前,基于深度神经网络的信息抽取技术已经成为自然语言处理领域最重要的研究主题之一,它提供了分析非结构化文本的有效手段,是实现大数据资源化、知识化和普适化的核心技术,此外进一步为更高层面的应用和任务提供了支撑.文章对基于深度神经网络的信息抽取相关研究进行了综述,首先,简要概述了信息抽取的任务定义、目标和意义,然后,回顾了信息抽取任务的发展历程,接下来,从实体抽取、实体关系抽取、事件抽取和事件关系抽取4个方面梳理了近几年关键技术的研究进展.最后,文章对信息抽取领域的未来发展趋势进行了分析和展望.

摘要： 针对现有事件抽取模型事件数据集规模较小、存在开销与性能不平衡问题,采用ALBERT预训练语言模型生成词向量,将其输入BiLSTM+CRF模型完成句子级事件的特征向量提取,抽取出事件触发词、论元和角色等中文事件要素,在大规模中文事件数据集DuEE上进行验证。结果表明,该模型与其他同类型模型相比,准确率和F_(1)值均有所提升,在大规模事件数据集上的准确率、召回率和F_(1)值分别为95.4%、77.8%和85.7%。

摘要： [研究目的]为了帮助政府、企业和科研人员从海量的听证公开文本中发现科技相关政策和热点,快速、全面地识别出有价值的信息。[研究方法]梳理听证公开文本的类型与特点,并对其中有价值的信息进行合理的界定与分类;根据文本的内容特征和话语特征提出事件句识别、事件类型检测和事件论元抽取的三阶段式事件抽取方法,以实现有价值信息的抽取;对抽取的有价值信息进行深入分析。[研究结论]与基准模型相比,该研究所提方法在事件句识别召回率上提高33%,F_(1)提高17%,在事件类型检测的精确率上提高1%,在事件论元抽取的精确率上提高18%,召回率提高4%,取得了一定效果,为此类文本进一步分析提供了新研究思路。

摘要： 事件抽取是抽取冗余非结构化文本中重要事件要素的关键技术,可用于重要信息的结构化存储与获取。常用的事件抽取方法如CRF存在事件要素抽取断裂,模型泛化能力弱的问题。为解决上述问题,本文提出基于预训练模型BERT的双向长短时记忆和SPAN指针网络混合模型(BERT-BiLSTM-SPAN),用于非结构化事件文本中的要素抽取。预训练模型BERT用于获取突发事件CEC数据集的语义嵌入特征向量,语义嵌入特征向量作为BiLSTM-SPAN网络的输入完成事件要素的提取并利用指针结构减少要素断裂。为增强模型的泛化能力,在BERT-BiLSTM-SAPN训练过程中加入对抗训练及使用标签平滑损失函数。实验结果表明,本文所提出的BERT-BiLSTM-SPAN算法在精准率、召回率、F1三个指标上较BERT-BiLSTM-CRF模型分别平均提高5.02%、14.63%、9.80%。

摘要： 随着知识图谱的兴起与发展,其在事件梳理方面的应用也越来越广泛。基于知识图谱构建上市公司重要事件的发展脉络及影响链,有助于监管机构或投资者全面了解上市公司事件的发展态势。目前,已经有科研人员将知识图谱应用到金融领域,但仍存在准确度低/覆盖面不全等问题。针对以上问题,本文基于上市公司财经新闻、报导等信息,构建了上市公司事件知识图谱,并使用Neo4j图数据库对上市公司热点事件进行可视化建模。

摘要： 随着城市大脑建设进程的推进,城市中积累了大量的物联网(IoT)设备和数据,利用海量设备数据对问题进行分析和溯源,对于城市大脑建设具有重要意义。该文基于资源描述框架和智能物联网协议概念,提出一种以城市物联网本体为基础的城市大脑知识图谱建设方法,城市大脑知识图谱模型融合多源异构数据,覆盖城市基本要素,实现对城市要素的全面感知和深度认知。该文重点探究了城市事件本体中的事件抽取,设计了一种新颖的语言模型框架对事件类型和论元联合抽取,与单模型分析对比,该联合模型较单模型的事件类型和论元F_(1)值分别提高0.4%和2.7%,在时间和模型复杂度上,较单模型级联也有更好效果。最后,该研究对知识图谱技术与人工智能、多传感器融合、GIS等新一代信息技术交叉融合方面进行了探究分析,为城市治理和服务应用场景提供理论依据。

摘要： 为解决事件论元识别任务中特征提取不充分、角色重叠及角色论元嵌套等问题,提出一种改进的模型。将机器阅读理解思想融入事件抽取模型,设计问题模板,以BERT预训练模型构建动态词向量表征,融合双流注意力机制提取的特征向量,基于多层指针网络完成事件论元识别,与事件类型检测结果合并作为事件抽取模型的输出。在数据集DuEE上的实验结果表明,该模型获得了较高的准确率、召回率和F1值,验证了改进模型的可行性。

摘要： 基于句子级别的抽取方法不足以解决中文事件元素分散问题。针对该问题,提出基于上下文融合的文档级事件抽取方法。首先将文档分割为多个段落,利用双向长短期记忆网络提取段落序列特征;其次采用自注意力机制捕获段落上下文的交互信息;然后与文档序列特征融合以更新语义表示;最后采用序列标注方式抽取事件元素并匹配事件类型。与其他事件抽取方法在相同的中文数据集上进行对比,实验结果表明,该方法能有效抽取文档中分散的事件元素,并提升模型的抽取性能。

摘要： 利用语义角色分析的方法对动态新闻进行事件抽取研究.通过对句子进行论元结构标注,抽取出句子中以谓语动词为中心的论元结构,将其转化为具体的语义角色并与事件要素进行匹配完成事件抽取工作.论文提出并重点研究了如何利用VerbNet和SemLink资源对动词的论元结构与事件要素进行匹配.抽取系统基于该方法对1000篇新闻语料进行了事件抽取实验,结果表明该方法的F值达到70.6％.

摘要： 作为信息抽取的重要组成部分，事件抽取的研究具有广阔的应用前景和巨大的现实意义。本文首先阐述了事件及事件抽取的基本概念，介绍了相关评测会议，并从元事件抽取和主题事件抽取两个方面出发，详细介绍了主要的研究方法与研究现状。最后，总结了事件抽取发展所面临的挑战，并在此基础上展望了事件抽取的研究趋势。

摘要： 事件抽取是信息拙取领域—个重要的研究方向。本文从音乐领域的事件抽取出发，通过领域事件词聚类的方法自动发现音乐领域具有代表性的事件，然后采用基于关键词与触发词相结合的过滤方法简化了事件类型的识别过程。在事件元素识别中，本文采用了基于最大熵的事件元素识别方法。在本文构建的语料库下，最终事件类型识别的平均F值达到82.82％，事件元素识别的平均F值达到75.79％。

摘要： 事件抽取是信息抽取领域一个重要的研究方向，本文对事件抽取的两项关键技术——事件类别识别以及事件元素识别进行了深入研究。在事件类别识别阶段，本文采用了一种基于触发词扩展和二元分类相结合的方法；在事件元素识别阶段，本文采用了基于最大熵的多元分类的方法。这些方法很好的解决了事件抽取中训练实例正反例不平衡以及数据稀疏问题，取得了较好的系统性能。

摘要： 事件抽取是目前信息抽取研究领域的一个新的重要的研究课题.本文结合美国国家标准技术研究院(NIST)组织的自动内容抽取(ACE,Automatic Content Extraction)评测中的事件抽取任务的要求,在ACE2005的训练数据上进行事件抽取中事件类别识别的实验.实验中采用扩展从训练语料中提取出的触发词,构建触发词表,并结合两种机器学习方法--最大熵(ME,Maximum Entropy)和支持向量机(SVM,Support Vector Machine),抽取合适的特征,使得事件类别识别的F-Score分别达到了69.2％和69.9％.

摘要： 事件抽取是信息抽取领域一个重要的研究方向.针对金融领域特定事件的事件元素抽取,本文提出了基于依存句法分析的事件元素核心词抽取方法,并结合短语结构句法分析进行事件元素完整边界的识别.实验表明,依存句法结合规则可以有效地抽取事件元素核心词,再结合短语结构句法则可以比较准确的识别出完整的事件元素。

摘要： 事件抽取是从文本中抽取出事件信息，确定事件类型、子类型及相关实体（如时间、地点、参与者等）角色的工作，在多文档文摘，自动问答及信息检索等领域有着重要的应用前景。通常事件抽取分为事件类型识别和事件元素识别两步，事件元素识别的结果无法指导事件类型识别，而事件类型识别的效果在很大程度上决定了事件抽取系统的整体性能。本文将事件抽取的两步工作看作序列标注问题，采用条件随机域构建了一个联合标注模型，将事件类型和事件元素在图模型中同时进行标注，试图解决事件类型识别对事件元素的后向依赖问题。实验表明，该方法提高了事件类型识别的性能，最终F值达到63.31%。

摘要： 事件信息抽取是自然语言处理中一个较新的领域，汉语方面还有很大的研究空间。本文提出了一个以完整突发事件文本为处理对象的事件信息抽取策略。目前语义角色的识别和分类多是基于句子，针对一个完整语篇进行信息自动抽取更加复杂。我们的方法是通过主副线信息结构链的构成分析，确立了突发事件文本三级层次的事件框架体系，并在此基础上首先过滤副线信息链，然后识别事件词，进而进行论元及事件属性的识别以及分类，形成结构化的数据。

摘要： 事件信息抽取是自然语言处理中一个较新的领域，汉语方面还有很大的研究空间。本文提出了一个以完整突发事件文本为处理对象的事件信息抽取策略。目前语义角色的识别和分类多是基于句子，针对一个完整语篇进行信息自动抽取更加复杂。我们的方法是通过主副线信息结构链的构成分析，确立了突发事件文本三级层次的事件框架体系，并在此基础上首先过滤副线信息链，然后识别事件词，进而进行论元及事件属性的识别以及分类，形成结构化的数据。

摘要： 事件信息抽取是自然语言处理中一个较新的领域，汉语方面还有很大的研究空间。本文提出了一个以完整突发事件文本为处理对象的事件信息抽取策略。目前语义角色的识别和分类多是基于句子，针对一个完整语篇进行信息自动抽取更加复杂。我们的方法是通过主副线信息结构链的构成分析，确立了突发事件文本三级层次的事件框架体系，并在此基础上首先过滤副线信息链，然后识别事件词，进而进行论元及事件属性的识别以及分类，形成结构化的数据。

摘要： 本申请实施例提供了训练事件抽取模型、事件抽取的方法和目标事件抽取模型，该方法包括：对目标事件抽取模型的第i次训练过程包括如下步骤：根据所有实体标签获取目标训练文本编码，并且获取所有论元角色编码；将所述目标训练文本编码和所有论元角色编码通过注意力机制模块进行融合，获得融合论元角色编码和融合训练文本编码；基于所述融合论元角色编码对事件检测模块进行训练，以及基于所述融合训练文本编码对论元分类模块进行训练；其中，i为大于或等于1的整数。通过本申请的一些实施例能够实现无需使用触发词即可实现事件抽取任务，同时能够提高事件抽取任务的准确率。

摘要： 本申请实施例提供了训练事件抽取模型、事件抽取的方法和目标事件抽取模型，该方法包括：对目标事件抽取模型的第i次训练过程包括如下步骤：根据所有实体标签获取目标训练文本编码，并且获取所有论元角色编码；将所述目标训练文本编码和所有论元角色编码通过注意力机制模块进行融合，获得融合论元角色编码和融合训练文本编码；基于所述融合论元角色编码对事件检测模块进行训练，以及基于所述融合训练文本编码对论元分类模块进行训练；其中，i为大于或等于1的整数。通过本申请的一些实施例能够实现无需使用触发词即可实现事件抽取任务，同时能够提高事件抽取任务的准确率。

摘要： 本公开提供了一种事件抽取模型训练方法及装置，涉及知识图谱、深度学习等人工智能技术领域，具体实现方案为：获取第一训练样本，第一训练样本包括第一样本文本和第一标注数据。通过第一训练样本进行模型训练得到第一子模型。获取第二训练样本，第二训练样本中包括第二样本文本、第二样本文本中存在的多个第二样本论元、多个第二样本论元中每两个第二样本论元对应同一事件的样本概率。通过第二训练样本进行模型训练得到第二子模型。确定事件抽取模型包括第一子模型和第二子模型。本公开提供的技术方案可以有效的提升事件抽取模型的准确性。

摘要： 本发明提供了一种事件抽取方法、事件抽取网络的训练方法及装置。该方法包括：将单一事件的自然语言文本的文本输入事件抽取网络，得到所述事件抽取网络输出的所述单一事件内多个子事件的标签，其中，一个所述子事件对应于一个标签，不同子事件的标签互不冲突；合并多个所述子事件的标签所描述的事件论元和事件角色，得到所述单一事件的事件识别信息，提高了事件抽取的准确率。

摘要： 本发明公开了基于先验知识端到端的事件抽取模型的训练、事件抽取方法及装置，方法包括：针对训练文本，基于预先配置的实体识别模型和词汇识别算法分别进行实体识别和词汇识别；根据分析结果将实体识别结果和词汇识别结果加入到对应分词的标注信息中，得到训练文本对应的融合结果；基于事件树的生成遍历顺序，将训练数据转换为事件文本序列和事件角色类型伴生序列的第一序列对；根据事件结构模板库，建立事件模板树，将所述融合结果和第一序列对作为样本，训练预先搭建的基于transformer的encoder‑decoder架构的事件网络模型，得到目标模型。应用本发明实施例，对不同领域数据的迁移成本也更低。

摘要： 本公开提供了一种基于持续学习的事件抽取的模型训练、事件抽取的方法、装置及设备，属于自然语言处理技术领域，其中，该方法包括：获取文本流数据集；将文本流数据集输入至预训练的语言模型和自注意力机制中进行处理，得到与文本流数据集中文本对应的第一融合特征向量；采用知识蒸馏的方式，利用第一融合特征向量训练待训练的基于持续学习的事件抽取模型的学生网络和教师网络，得到基于持续学习的事件抽取模型，通过知识蒸馏框架实现知识迁移学习，利用历史增强特征转移网络使事件抽取模型能够在学习新事件知识的同时不会遗忘已经学习过的历史事件知识，在对新增事件类型检测的同时仍可以对历史事件类型进行检测，实现持续性事件学习和检测。

摘要： 本申请公开了事件抽取方法、事件抽取装置和电子设备，涉及计算机数据处理领域，尤其涉及知识图谱领域。具体实现方案为：获取文本信息；根据文本信息，确定具有先后顺序的多个问题信息；按照先后顺序，依次将多个问题信息的向量信息输入至抽取模型，获得每个问题信息的抽取信息。在通过抽取模型对文本信息进行抽取时，依次对多个问题信息进行抽取，因为每个问题信息对应的答案不同，因此，在先前抽取的问题信息的答案基础上确定在后抽取的问题信息的答案时，可将先前抽取的问题信息的答案排除掉，缩小在后抽取的问题信息的抽取信息的范围，提高了信息抽取速度和准确率。

摘要： 本发明公开了一种事件抽取模型的训练方法、事件抽取方法和系统及设备。其中，事件抽取模型的训练方法包括：获取文档数据并进行相关标注，对已进行相关标注的文档数据进行向量化处理；对向量化处理后的文档数据，按照句子、段落和文档三个级别进行特征提取，将提取得到的三个级别的特征进行融合处理，得到融合全文信息的特征；基于融合全文信息的特征和标注的标签，通过有监督的深度学习算法，进行实体识别、事件识别和事件元素分类的训练，得到事件抽取模型。本发明通过分别提取句子级别特征、段落级别特征、文档级别特征，然后融合三个层次的特征，充分使用了全文信息，增强了特征表达，进而提高了事件抽取识别的性能。

摘要： 本发明涉及一种提升事件抽取标注效率的方法及系统，该方法包括步骤：按照存在事件的可能性的大小，将待标注文本由大到小进行排序；以便于在对待标注文本进行标注时，仅对排序靠前的设定数量的待标注文本进行标注。本发明方法及系统，先预判各份待标注文本存在事件的可能性大小，然后根据可能性大小进行排序，标注时只需对排序靠前的设定数量的待标注文本进行标注，因此可以极大地提高事件抽取标注效率。

摘要： 本公开提供的事件抽取的方法包括：用预设的抽取模型处理对象文本，确定对象文本的事件信息；其中，所述事件信息包括事件元素，以及所述事件元素对应的事件类型和角色；所述抽取模型包括分类层、输出层；所述分类层配置为确定所述对象文本的字符的字符属性；所述字符属性包括字符是否为每个事件类型和每个角色的事件元素的起始字符，以及字符是否为每个事件类型和每个角色的事件元素的终止字符；所述输出层配置为根据所述字符的字符属性确定事件元素，以及确定所述事件元素对应的事件类型和角色。