Document-level Event Extraction （DEE）综述

想法

最近在整理dee相关的文章，这里做一些整理，方便后续查阅。本文主要介绍3篇DEE相关的文章，主要想介绍核心的动机和创新点，对于细节，可以参看一下几个链接：
https://blog.csdn.net/u011150266/article/details/118079286
Document-level Event Extraction via Heterogeneous Graph-based Interaction Model with a Tracker
https://blog.csdn.net/o11oo11o/article/details/121583659
Document-level Event Extraction via Parallel Prediction Networks
https://blog.csdn.net/o11oo11o/article/details/120080908
Doc2EDAG: An End-to-End Document-level Framework for Chinese Financial Event
其中 doc2EDAG 是开山之作，另外2篇是在doc2edag基础上做的一些优化和提升。

论文和核心创新点

动机 （dee vs see）

arguments-scattering and multi-events.
相对于句子级别的事件抽取，篇章级别事件抽取的主要问题是 论元分散，一篇文章多个事件（多标签现象）。

创新点

doc2EDAG

个人认为的主要价值：第一次运用篇章级事件抽取并取得sota效果。
核心思路：运用transformer进行篇章级句子、实体encoding，并设计将事件、实体表格表转换成edag生成和预测过程。
主要贡献： 第一次考虑document-level，第一次设计一个完整的方案且取得当时的sota效果。

DEE-PPN Document-level Event Extraction via Parallel Prediction Networks

核心思路： 和doc2edag框架雷同，红框是差异性的地方。效果比doc2edag好。主要差异点是使用了多粒度的decoder，分别对实体、事件role 进行decoder，再综合decoder，最后接入下游预测任务，同时引用matching loss（很偏数学优化，还没看懂），对最终预测m个事件，实际k个事件这种任务进行优化，论文中说可以达到全局最优。

DEE-GIT Document-level Event Extraction via Heterogeneous Graph-based Interaction Model with a Tracker

核心思路：也是encoder-decoder的框架。个人认为核心点是在encoder中引入了图谱相关的信息，并进行graph-embeding用于后续的Types Detection and Records Extraction。这里引入的图结构是：node：句子和实体 边：句子1-句子2 、句子1-实体1、实体1-实体2（同一句话 Inter-Mention-Mention Edge）、实体1-实体1（不同句话出现的相同实体 Inter-Mention-Mention Edge）。
整体思路清晰，创新性的融合了图结构信息进入模型，让系统能更好的学习句子实体间的关系，但是疑问在于这种信息是否在强大的注意力机制里已经学习到了？这种图的embed相对transformer刻画的embed真的是一种补充还是多余？在消融实验中已经有答案说，去掉图整体会掉2个点的指标，但还是怀疑图在这里是否真的能起到极其重要的作用？或者这个图embed刚好和当前的任务比较匹配，通过图embed刚好学习到了这一特性？
待后续看代码做完实验再进行论证。

代码分析

三篇论文都是基于doc2edag代码进行设计的。
暂时可以考虑先参看GIT代码进行后续的详细分析。

效果对比

dee-pnn

dee-git

GIT整体效果和pnn接近
但是没有实体识别的效果 edd任务核心是识别事件类型 和识别argument
ace 事件检测

个人看法

待更新