摘要：【目的/意义】针对冲突事件领域数据集较少,现有事件抽取方法强依赖于大量数据,在低资源场景上面临着训练效果差、泛化能力不足的问题,本文提出了一种基于先验提示模板的小样本事件抽取方法PriorPromptEE。【方法/过程】本文首先基于“政治、军事”维度,完善冲突事件表示框架,采用人机协同方式,构建冲突事件小样本数据集。其次,本文为提示模板设计构造策略,在模型编码层嵌入基于先验知识的提示模板,输出层采用双指针实现事件元素的预测。【结果/结论】实验结果表明,PriorPromptEE能够在冲突事件小样本数据集上取得较好效果。对比序列模型,提升42%至45%,对比传统事件抽取模型,提升19%至45%,对比提示学习零样本抽取模型,提升19%,PriorPromptEE达到0.85,验证了该方法的有效性。【创新/局限】本文从“政治、军事”维度完善了冲突事件表示框架,采用提示学习的方式为冲突事件的核心元素抽取提供了新的思路,未来可从经济、舆情等维度完善表示框架,强化冲突事件抽取模型框架。

摘要：针对篇章级事件抽取任务主要存在的以下3个挑战:模型复杂、事件论元分散以及多事件抽取,提出一种基于异质交互图和有序树的篇章级事件抽取方法DTHIGN。支持以解耦实体抽取部分的方式精简模型的参数;构建面向触发词的篇章级异质交互图,更全面地对语义进行建模;支持使用基于统一事件模板的树形事件论元抽取方式获得事件论元结果。实验结果表明,该方法能够获得较好的效果并显著降低模型的训练难度。

摘要：论元分散、多重事件和论元重叠是事件抽取长期面临的挑战，许多任务还存在触发词或位置标注缺失的情况。对此，提出一种基于任务转化的事件抽取通用框架，包括任务转化、关系抽取和事件预测3个模块。有触发词和无触发词的标注事件分别被转化为不同形式的关系三元组；这些三元组将与原始文本一起作为关系抽取模型的训练数据；事件预测时先从输入文本中抽取三元组，再将它们还原为目标事件。对于训练语料中位置标注缺失的情况，设计了基于最短距离的论元定位算法。该框架在ChFinAnn数据集上取得81.6%的平均F1值，在DuEE-Fin数据集上的F1值为72.04%（在线提交结果），均达到目前的SOTA水平。实验结果表明，该框架不仅可以显著提高事件抽取效果，而且具有广泛的适应能力。

摘要：事件抽取是自然语言处理领域的一项基本任务。以问题回答模式进行事件抽取可以解决传统事件抽取方法存在的无法捕捉到不同事件类型中具有相似性的参数角色的语义信息等问题。目前相关学者以该模式提出的英文事件抽取方法受语言壁垒限制,其提出的问题模板在中文文本上提取效果不理想。为解决此问题,设计了一套符合中文事件抽取的问题模板的生成规则,选择BERT预训练模型作为中文事件抽取的基础模型,将问题回答模式应用到中文事件抽取任务中,并在ACE2005中文数据集进行测试。结果显示,在触发词识别、触发词分类、论元参数识别和论元参数的评价指标上,F1值分别达到77.7%、68.5%、51.5%和48.0%,在一定程度上验证了设计的问题模板的生成规则的有效性以及将问题回答模式应用到中文事件抽取任务中具有良好的抽取性能。

摘要：为解决事件论元识别任务中特征提取不充分、角色重叠及角色论元嵌套等问题,提出一种改进的模型。将机器阅读理解思想融入事件抽取模型,设计问题模板,以BERT预训练模型构建动态词向量表征,融合双流注意力机制提取的特征向量,基于多层指针网络完成事件论元识别,与事件类型检测结果合并作为事件抽取模型的输出。在数据集DuEE上的实验结果表明,该模型获得了较高的准确率、召回率和F1值,验证了改进模型的可行性。

摘要：事件抽取作为信息抽取的任务之一,旨在从非结构化文本中抽取出结构化事件信息,从而更好地应用在相关应用领域和下游任务上。基于迁移学习的事件抽取技术是当前低资源场景下的事件抽取研究的主流方法,通过设计更鲁棒的模型来迁移知识,解决事件抽取面临的训练数据缺乏问题,从而提升小样本事件抽取的效果。对基于迁移学习的小样本事件抽取技术及其军事应用展望作了全面的阐述,回顾事件抽取的起源与发展,描述迁移学习事件抽取的研究背景,并重点总结目前的技术方法及其军事研究现状,提出其军事上应用展望,最后对其面临的问题挑战和未来研究热点作了分析。

摘要：以往的维吾尔语事件抽取研究多采用静态词向量加长短时记忆神经网络的分析方式,无法有效处理一词多义和上下文语义表示问题。针对目标语言,训练两种维吾尔语预训练语言模型,提出一种结合BiGRU的联合问答模型事件抽取方法。利用预训练语言模型获取文本的动态语义向量,融合类别表征信息,运用BiGRU进一步提取文本特征。实验结果表明,在事件识别任务上F1值达到77.96%,在事件主体抽取任务上F1值达到74.89%。相比基线模型NER方法,所提方法的F1值提高了14.08%。

摘要：事件抽取旨在从海量的非结构化文本中自动提取出结构化描述信息,以帮助人们快速地了解事件的最新发展动态。传统的事件抽取方法主要采用分类或者序列标注的方法,其依赖于大量的标注数据来训练模型。近年来,研究者提出了利用机器阅读理解模型来进行事件抽取的方法,通过任务转换并联合利用机器阅读理解任务中的标注数据进行训练来缓解标注数据的不足。然而现有方法局限于单轮问答,问答对之间缺少依赖关系;此外,已有方法也未充分利用句子中的实体信息等知识。针对以上不足,提出了一种会话式机器阅读理解框架用于事件抽取,针对已有方法进行了两方面的扩展:首先,通过在句子中显式地增加实体标记信息,使得模型能够有效地学习到输入句子中的实体知识;其次,设计了历史会话信息编码模块,并结合注意力机制从历史会话中筛选出重要信息,融合到阅读理解模型中以辅助推断。最后,在公开数据集上的实验结果表明所提模型相比已有方法取得了更优的结果。

摘要：事件抽取技术是实现特定信息快速提取的一种关键技术,可广泛应用于信息检索、情感分析等场景。中文事件抽取因需要考虑中文语言特性的问题,较英文事件抽取任务来说更为困难。基于当前前沿的英文事件抽取神经网络模型,提出了一种适合硬件计算的中文事件抽取神经网络模型CEE-DGCNN,其事件触发词分类在ACE2005中文语料库上实现了71.71%的F1值。并设计实现了相应的加速器,通过对数据的定点量化进一步优化了模型大小,其性能在Xilinx XCKU115 FPGA上达到了97 GOP/s,为CPU平台上性能的67倍。

摘要：文章提出一种基于事件抽取的情报系统设计方案,可以从海量信息中自动获取并组织情报内容。该方法将情报分析从传统的自动分类、主题导航等基本功能深入到更细粒度的内容挖掘与呈现层面,围绕情报事件的构成元素自动获取较为精确的情报信息,并提供结构化的事件呈现,方便情报内容的快速浏览。