事件抽取研究方向

事件抽取方向

• 信息抽取：命名实体识别、指代消解、关系抽取和事件抽取

• 传统事件抽取方法大多采用人工构建的方式进行特征表示，并通过分类模型进行事件触发词分类和论元角色识别。

• 神经网络方法的优势在于能够自动学习构建特征，从而避免了繁琐的特征工程。

• 事件组成：触发词、事件类型、论元及论元角色。

• 事件抽取子任务：触发词识别、事件类型分类、论元识别和角色分类任务。

• 事件识别任务：触发词识别和事件类型分类

• 论元角色分类任务：论元识别和角色分类

• ACE：自动内容抽取

• 实体( Entity )：属于某个语义类别的对象或对象集合。其中包括: 人( PER) 、地理政治区域名( GPE ) 、组织机构 ( ORG ) 、地名 ( LOC ) 、武器( WEA) 、建筑设施( FAC) 和交通工具( VEH)

• 事件触发词( Event Trigger)：表示事件发生的核心词，多为动词或名词。

• 事件论元( Event Argument)：事件的参与者，主要由实体、值、时间组成。

• 论元角色( Argument Role)：事件论元在事
  件中充当的角色。共有 35 类角色，例如，攻击者( Attacker) 、受害者( Victim) 等。

• 元数据：如果事件只描述简单的动作或状态的改变,则称这类事件为元事件

• 主题事件：事情的发展过程

• 事件抽取：元事件抽取，主题事件抽取

• 元事件抽取：基于模式匹配的方式和基于机器学习的方式

• 基于模式匹配的元事件抽取：模式获取和元事件抽取.

• 目前 BERT 为代表的预训练模型能很好地处理多项 NLP任务，但在事件抽取相关任务中的效果还有待进一步提升

• 如何提升事件抽取模型的性能，打破独立文本处理的局限性，提升开放域事件抽取的效果，是研究者们面临的重大挑战。

• 相较于英文，中文的汉字和语法结构更加错综复杂和灵活多变，从中文中抽取事件信息的难度也进一步提高。

• 中文事件抽取的研究起步落后于英文，且与英文有较大差距。

• 元事件抽取是目前大多数研究者的研究重点