论文笔记&总结 | JRNN 事件抽取联合模型

原文：Joint Event Extraction via Recurrent Neural Networks （https://www.aclweb.org/anthology/N16-1034/）

读此文之前，应有一些事件抽取的概念基础。

摘要：事件抽取是信息抽取领域一个具有挑战性的任务。本文提出了一个基于循环神经网络的事件抽取联合模型，既避免了管道模型中的误差传播问题，同时也考虑到了事件触发词和事件元素之间的关系。

引言：

事件抽取：标识文本中的触发器以及其指定类型和触发器对应的事件元素。触发器通常是引起一个事件的动词或动名词，而事件元素是参与这个事件的相关实体。

对于相同的事件可能有不同的表达，对于同一个表达可能在不同的语义环境中表达不同的事件。

比如：

attack a stronghold   /   fight a stronghold   这两个同为攻击事件

I like the apple.   在不同的语义环境中，苹果的语义也不同，可以是水果也可以是手机

对于事件抽取的方法主要有两种：

(1)管道模型：首先识别事件触发器，之后再进行事件元素的识别。

(2)联合模型：同时预测句子的事件触发器和事件元素。

联合模型缓解了管道模型存在的误差传播问题，并考虑了事件触发器和事件元素之间的依赖关系。

事件抽取任务描述

ACE（Automatic Content Extraction）定义事件为：发生的事务或导致某个状态改变的事务。

Event mention: 事件发生的短语或句子，包含一个触发词和任意数量的事件元素

Event trigger: 能清楚表示事件发生的词

Event argument: 事件的参与者或者在事件中具有一个角色属性的实体信息。

（比如：人物、时间、地点、目标）

ACE事件类型包含8个大类和33个子类，每个子类都有固定的角色集需要事件元素来填充。

比如：死亡事件