事件抽取算法之CasEE

近来一直在做事件抽取方向的研究，读了许多相关论文，这里做一个系列的论文阅读笔记。（😂笔者太懒了，以后争取及时更新）

CasEE${}^{[1]}$从名字来看，容易让人想到用于实体关系抽取的CasRel${}^{[2]}$。没错，CasEE本质上就是利用层叠指针网络来联合进行事件检测和事件论元识别两个子任务的，本文将对该方法做一个简要的介绍。

1.背景

1.1 事件抽取任务描述

事件抽取任务可拆为两个子任务：

（1）事件检测（event detection）：即触发词的抽取和事件类型判断

（2）事件论元识别（argument extraction）：即识别事件论元并判断论元所扮演的角色

1.2 CasRel范式迁移到事件抽取

笔者最初看到CasRel时就想到它的层叠指针范式可以迁移到事件抽取中：

（1）建模思路和子任务顺序： CasRel建模思路(TransE${}^{[3]}$中也是类似的)是“头实体+关系=尾实体”，即CasRel先抽头实体，再抽关系和尾实体；迁移到事件抽取中，可以是“触发词+角色=论元”即先抽触发词，再抽角色和论元。

（2）模型适配： CasRel模型中的头实体识别子结构适配到事件抽取中触发词检测，CasRel模型中的关系➕尾实体识别子结构适配到事件论元识别。这样就完成了事件检测任务中的触发词抽取、事件论元识别任务，那么事件类型判定呢？

（2）事件类型判定：事件类型判定既可在触发词检测完后做，即仅对触发词分类，也可以在最后结合触发词/论元/角色信息进行事件分类。

（3）小改动完成完全适配：如果考虑“原文+事件类型=触发词”，那么实际上事件类型判定和触发词抽取可一并完成。只需要把用于抽取触发词子结构换成和用于事件论元识别子结构类似或者说一致即可。

1.3 笔记动机

笔者去年在做相关实验过程中，陆续有这个系列的工作出来，如JMCEE${}^{[4]}$、PLMEE${}^{[5]}$等。今年又有了CasEE（代码也开源了😊），笔者也在上面进行了实验。加上去年笔者复现的JMCEE（😂论文未公开代码），觉得有必要在系列的论文阅读笔记中增加这个系列的工作。

2.问题和核心思想

3.模型和代码细节

总结和思考

参考

[1] 《CasEE: A Joint Learning Framework with Cascade Decoding for Overlapping Event Extraction》
[2]《A Novel Cascade Binary Tagging Framework for Relational Triple Extraction》
[3]Translating Embeddings for Modeling
Multi-relational Data
[4]《A Novel Joint Framework for Multiple Chinese Events
Extraction》
[5]《Exploring Pre-trained Language Models for Event Extraction and Generation》