事件抽取（event extraction）

前言：

事件抽取是由触发词和事件元素组成，目前来看，包括了提示学习的方法和传统方法
Execute 事件由“执行”一词触发，该事件包含三个参数角色，包括执行执行的代理（印度尼西亚）、被执行的人员（罪犯）和事件发生的地点

提示学习—22— DEGREE: A Data-Efficient Generation-Based Event Extraction Model

模型

模型构建

看到模型，大概就能知道七七八八了，在模板中，包括了实体类型的描述信息、事件关键词信息，事件模板信息，然后和原始passage一起feed 给encoder,由decoder解码产生输出序列。
具体的提示构建如下：
• 事件类型定义描述了给定事件类型的定义。1 例如，“事件与冲突和一些暴力的物理行为有关”。
• 事件关键字表示一些在语义上与给定事件类型相关的词。例如，战争、攻击和恐怖主义是 Conflict:Attack 事件的三个​​事件关键字。
• E2E 模板定义了可以分为两部分。第一部分称为 ED 模板，设计为“事件触发器为 ”，其中“”是用作占位符的特殊令牌。第二部分是 EAE 模板，它根据给定的事件类型而有所不同。
问题：那这个模型中时间类型、关键词的获取，还是需要依赖于大量的标注数据吧？比如，数据中需要标注出事件的类型信息这种。

训练

训练其实也很简单，如果句子中同一个角色有多个元素，则采用and连接，如果对应角色的placeholder没有元素，则保持‘some-’，即模板中的词，不做填充。

推理

将预测的字符串映射到原文本中最接近的那一个字符串。（原文：我们应用字符串匹配将预测字符串转换为文本中的跨度偏移量。如果预测字符串多次出现在段落中，我们选择所有匹配触发预测的跨度偏移，并选择最接近给定触发跨度的一个）

模板（手工构建）

文中也提出了其他的几种构建方式：
• 自然句。
• 带有特殊标记的自然句。例如，“ 出生于 。”我们认为这是为了研究角色的标签语义。
• 带有特殊标记的类似 HTML 的句子。为了研究使用自然句子的重要性，我们还考虑了类似 HTML 的句子，例如“ ”。该模型旨在将参数预测放在相应的 HTML 标记之间。

但是结论是：以自然语言风格编写模板可以获得更好的性能

pipeline model

文中，也讨论了pipeline形式下的model。分为两步，第一步是ED，trigger detection，模板是“Event trigger is
”,第二步是事件元素识别，模板是上图中EAE模板。

评估

评估采用的：
(1) Trigger F1-score：如果触发器的偏移与gold trigger span匹配，则正确识别触发器（Tri-I）；如果其事件类型也与其类型匹配，则它被正确分类（Tri-C）。
(2) Argument F1-score：如果Argument的span和事件类型与gold ones 一致，则该自变量被正确识别（Arg-I）；如果它的角色也匹配，则它被正确分类（Arg-C）

提示学习—21—Document-Level Event Argument Extraction by Conditional Generation

模型

Argument Extraction Model——使用条件生成模型进行参数提取，其中条件是未填充的模板和上下文。
但是需要注意的是，文章认为模板并没有对需要填充的做任何约束，但实际上，存在类型约束，比如，当She communicated with 时，的类型一般是人物，因此，提出添加类型约束。具体来说：为了纠正这个错误，我们以类型语句的形式为其参数填充附加“澄清”：是一个 。然后我们通过填充之后的模板的语言建模概率，重新排列候选输出。当有多个有效类型，我们取有效类型语句的最大概率

Keyword-Based Trigger Extraction Model——序列标注方法
Take class keywords as input, we refer to this model as TAPKEY
对于每一个实体类型，基于给出的关键词，我们首先得到一个类表示（keywords词向量表示的平均化），之后，通过CRF，得到标签，标签包括IO
这一分枝模型，我没有搞太明白

评估

两个子任务：argument extraction 、informative argument extraction
参数提取，我们使用中心词 F1（Head F1）和共同提及 F1（Coref F1）作为度量。
Head F1：标注的是head word
Core F1：标注的是事件的整个argument

传统范式—20— Biomedical Event Extraction as Sequence Labeling

核心方法是：多标签标注和多任务学习

事件编码

总体感觉是为事件这一任务重新设计的新的一套的编码结构，至于这套标注体系好坏，暂不做评论，对这一任务还没有掌握。
给定 [x1, …, xn] 一个包含 n 个标记的序列，我们将事件结构编码为标记级标签 [y1, …, yn]，
每个标记 xi 的标签 yi 编码为元组 <d,r,h>，
其中 d ，指代标记及其提及类型（触发器、实体或无） ,
r 是关系，用于指代其角色，
head (h) 表示令牌所指的事件（图 2，底部）。更详细地说，为了区分文本中具有相同类型的事件头，将头 h 编码为相对头提及位置。 2 例如，h = +REG+1 表示头部是相对表面顺序中 d 右侧的第一个 +REGULATION，而 h = +REG-2 表示它是左侧的第二个 +REGULATION。在图 2 中，“生产”标签是 hEXPRESSION、THEME、+REG-1i，表示令牌是 EXPRESSION 触发器，即左侧第一个 +REGULATION 事件的 THEME。

模型

为每一个token分配一个label，label是由<d,r,h>构成。可以看到，label中包括了三部分，因此，作者根据此，将任务分为了单任务和多任务形式。
**单任务：**预测每个输入令牌的单个标签yi = <d,r,h>。标签空间为 L = |D| × |R| × |H|。
**多任务：**具有以下属性的四个多任务学习选项（任务对或每个子部分分别作为一个任务）

损失函数： standard softmax with a cross entropy loss
具体来说，对于多任务（MTL multi task loss），则采用加权方式计算，至于权重设置为1，对于单任务，则只有一个loss组成。
$$L=\sum {\lambda }_t{L}_t$$

解码

选择P(l|e)>τ的作为label，如果没有大于τ的，则选择置信度最高的label作为这个的label。

训练

在实验阶段，有一个实验，是比较模型在abstract和full text上的表现的，实验结果显示，在full text效果较差。然后文中得到了一个结论：这证实了全文比摘要更难处理，因为它们在结构和内容方面存在差异（Cohen et al., 2010）。
另外一个实验时超参数τ的设置。
还有一个实验比较有意思，是错误类型的实验，文章中比较了不同错误类型所占的比例。
在触发词阶段，是没有预测出来的和超出预测的比较多，而在参数预测阶段，是没有预测出来的占的比重比较大。

提示学习—21— TEXT2EVENT: Controllable Sequence-to-Structure Generation for End-to-end Event Extraction

模型

我感觉是提示学习的范式，虽然，模板没有显式的说明。利用的还是generation的思想，T5模型。


具体来说，我们从仅生成“（标签，跨度）”子结构开始学习我们的模型（上图中的c图），包括“（类型，触发词）”和“（角色，参数词）”子结构。例如，我们将在此阶段提取图 2c 中的子结构任务为：（Transport returned）（Artifact The man）（Arrest-Jail capture）

实验

文中自己的baseline，没有包括文中给出的其他文件中的baseline，共有两个：

1）token-level annotation，在句子中用事件标签标记每个token，例如，“The/O dismission /B-End-Position of /O…”；
2) 并行文本记录注释，它只给出 <sentence、event> pairs，但没有昂贵的令牌级 注释，例如，
< The dismission of {Type: End Position, Trigger:dismission, …}>