中文事件抽取研究综述
中文事件抽取研究綜述
- 中文事件抽取研究綜述
- 摘要
- 2 事件抽取任務(wù)定義
- 2.1 公開評(píng)測(cè)事件抽取
- 評(píng)估
- 2.2 框架表示事件抽取
- 2.3 實(shí)例表示事件抽取
- 3 中文事件抽取技術(shù)方法
- 3.1 基于模式匹配的方法
- 3.2 基于機(jī)器學(xué)習(xí)的方法
- （1）基于特征工程的方法
- （2）基于神經(jīng)網(wǎng)絡(luò)的方法
- （3）弱監(jiān)督的方法
- 3.3 中文事件抽取的方法
- 參考文獻(xiàn)
中文事件抽取研究綜述
項(xiàng)威，王邦 ( 華中科技大學(xué)電子信息與通信學(xué)院，湖北武漢430074)
摘要
事件抽取是構(gòu)建知識(shí)圖譜的關(guān)鍵任務(wù)之一，也是當(dāng)前自然語言處理的研究熱點(diǎn)和難點(diǎn)問題。
事件抽取研究從非結(jié)構(gòu)化的自然語言文本中自動(dòng)抽取用戶感興趣的事件信息，對(duì)人們認(rèn)知世界有著深遠(yuǎn)的意義，在信息檢索、智能問答、情感分析等應(yīng)用場(chǎng)景有著重要的意義和價(jià)值。
在公開國際測(cè)評(píng)和語料的推動(dòng)下，事件抽取研究受到越來越多的學(xué)者關(guān)注，取得了許多的研究成果。
按照事件抽取任務(wù)定義，有：
- 預(yù)先定義結(jié)構(gòu)化的事件表示框架的框架表示事件抽取和
- 通過事件實(shí)例中觸發(fā)詞及事件元素進(jìn)行聚類的實(shí)例表示事件抽取。
根據(jù)事件抽取方法的不同，可以分為：
- 基于模式匹配的方法
- 基于機(jī)器學(xué)習(xí)的方法
中文事件抽取方法還要考慮中文語言特性問題。
自動(dòng)內(nèi)容抽取國際評(píng)測(cè)會(huì)議 Automatic content extraction, ACE
將事件定義為：
發(fā)生在某個(gè)特定時(shí)間點(diǎn)或時(shí)間段，某個(gè)特定地域范圍內(nèi)，由一個(gè)或者多個(gè)角色參與的一個(gè)或者多個(gè)動(dòng)作組成的事情或者狀態(tài)的改變。
- 早期的事件抽取任務(wù)采用基于模式匹配的方式，隨著機(jī)器學(xué)習(xí)的興起，采用特征工程和神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行事件抽取受到關(guān)注。
- 中文事件抽取還存在中文語言特性方面的問題
本文首先簡(jiǎn)要介紹了事件抽取的研究意義，再從事件抽取的任務(wù)定義和技術(shù)方法兩個(gè)維度全面闡述事件抽取工作。
2 事件抽取任務(wù)定義
事件抽取在相關(guān)公開測(cè)評(píng)和語料的推動(dòng)下展開，不同的公開測(cè)評(píng)和語料關(guān)注的領(lǐng)域和事件粒度不同。
- 框架表示事件抽取任務(wù)是參照公開測(cè)評(píng)事件抽取任務(wù)，也稱為限定域事件抽取。
- 實(shí)例表示事件抽取是在沒有預(yù)先定義結(jié)構(gòu)化的事件表示框架下，通過事件實(shí)例的觸發(fā)詞和事件元素詞用無監(jiān)督方法聚類來進(jìn)行的事件抽取任務(wù)，也稱為開放域事件抽取
2.1 公開評(píng)測(cè)事件抽取
公開評(píng)測(cè)語料通常面向通用背景，沒有特定的領(lǐng)域背景，如ACE僅僅對(duì)新聞?wù)Z料中關(guān)注的33種常用事件類型進(jìn)行了標(biāo)注。
公開評(píng)測(cè)極大推動(dòng)了事件抽取的研究和發(fā)展，但公開評(píng)測(cè)語料通常面向通用背景，沒有特定的領(lǐng)域背景，如ACE僅對(duì)新聞?wù)Z料中關(guān)注的33種常用事件類型進(jìn)行了標(biāo)注。
- 雖然有少量的特定領(lǐng)域事件抽取語料，如BioNLP生物醫(yī)學(xué)領(lǐng)域語料等，但不能滿足豐富多樣的實(shí)際應(yīng)用需求。同時(shí)公開評(píng)測(cè)語料還存在數(shù)據(jù)量級(jí)小、事件類型稀疏和語料時(shí)效性差等問題，目前最優(yōu)性能也無法滿足知識(shí)圖譜構(gòu)建等應(yīng)用需求。
ACE認(rèn)為事件是事物狀態(tài)的改變或事情的發(fā)生，并將事件抽取任務(wù)定義為從非結(jié)構(gòu)化的文本中識(shí)別并抽取事件信息并結(jié)構(gòu)化表示，包括事件觸發(fā)詞、事件類型、事件元素、元素角色。
相關(guān)術(shù)語：
- 實(shí)體 entity
- 事件提及 event mention：描述事件的短語 或 句子，包括事件觸發(fā)詞和事件元素。
- 事件觸發(fā)詞 event trigger
- 事件元素 event arguments
- 元素角色 argument roles
ACE事件抽取任務(wù)通常分為：事件檢測(cè) & 元素識(shí)別
事件檢測(cè)：通過識(shí)別文本中的事件觸發(fā)詞檢測(cè)事件，并判斷事件類型。
每種事件類型對(duì)應(yīng)唯一的事件表示框架（如生活-出生類型事件表示框架為{人物，時(shí)間，地點(diǎn)}）
元素識(shí)別：根據(jù)事件表示框架判斷文本中的實(shí)體是否為事件元素，并確定元素角色
ACE語料沒有指定具體的領(lǐng)域和場(chǎng)景，主要來自新聞?wù)Z料，包括新聞專線、廣播新聞等6個(gè)來源，同時(shí)包含英語、漢語、西班牙語三種語言，由美國賓夕法尼亞大學(xué)等語言數(shù)據(jù)聯(lián)盟 linguistic data consortium, LDC 標(biāo)注。ACE定義了8種類型和33種子類型事件及其對(duì)應(yīng)的表示框架。
事件抽取任務(wù)往往依賴于文本的命名實(shí)體識(shí)別、共指消解、關(guān)系抽取等自然語言處理任務(wù)結(jié)果，但其并不是事件抽取任務(wù)本身所關(guān)注的。
ACE數(shù)據(jù)集同時(shí)對(duì)實(shí)體及其類型、關(guān)系、共指等內(nèi)容進(jìn)行了標(biāo)注，在ACE事件抽取任務(wù)中通常直接使用實(shí)體標(biāo)注內(nèi)容。ACE事件抽取任務(wù)通常采用以下標(biāo)準(zhǔn)評(píng)估正確性：
評(píng)估
ACE事件抽取任務(wù)通常采用以下標(biāo)準(zhǔn)評(píng)估正確性：
- 如果一個(gè)事件觸發(fā)詞的位置偏移和事件類型與標(biāo)注內(nèi)容匹配，則正確識(shí)別該事件觸發(fā)詞
- 如果一個(gè)事件元素詞的位置偏移和對(duì)應(yīng)事件與標(biāo)注內(nèi)容匹配，則正確識(shí)別該事件元素
- 如果一個(gè)事件元素詞的位置偏移、對(duì)應(yīng)事件及元素角色與標(biāo)注內(nèi)容匹配，則正確識(shí)別并分類該事件元素
2.2 框架表示事件抽取
通過自頂向下的方式，預(yù)先定義事件表示框架，包括事件類等等，然后制作相應(yīng)的標(biāo)注語料數(shù)據(jù)進(jìn)行事件抽取。
- Perroni等在2018年提出一種從新聞報(bào)道和社交媒體中抽取突發(fā)事件等框架表示，用于公共安全預(yù)警、政府組織決策支持等。文章定義了“洪水”、“風(fēng)暴”、“火災(zāi)”等7種突發(fā)事件類型，并結(jié)合6何分析法（5W1H: Who, What, Where, When, Why, How）設(shè)計(jì)各類事件元素的表示框架。
- 劉振[7]等在2018年提出了常見科技政策領(lǐng)域內(nèi)的事件類型與對(duì)應(yīng)的事件表示框架，幫助獲取科研領(lǐng)域內(nèi)有價(jià)值的信息，把握學(xué)科發(fā)展趨勢(shì)。
框架表示事件抽取任務(wù) 按照不同的領(lǐng)域背景和應(yīng)用需求自由靈活地構(gòu)建事件框架表示，解決了公開評(píng)測(cè)語料的事件類型稀疏，數(shù)據(jù)量級(jí)小等問題。
【優(yōu)點(diǎn)】框架表示的事件類型可擴(kuò)展性強(qiáng)，結(jié)合遠(yuǎn)程監(jiān)督的方法可以自動(dòng)生成大規(guī)模標(biāo)注數(shù)據(jù)，提高語料的時(shí)效性。
【缺點(diǎn)】但事件的框架表示通常結(jié)構(gòu)復(fù)雜，通用性差，不同的領(lǐng)域背景和實(shí)際應(yīng)用需要不同的事件框架表示，這都需要耗費(fèi)大量的人力勞動(dòng)和時(shí)間，并且嚴(yán)重依賴領(lǐng)域?qū)＜蚁到y(tǒng)。
==> 所以框架表示事件的標(biāo)注語料雖然可以保證每種事件類型的數(shù)量，但大部分標(biāo)注語料規(guī)模仍然較小。
- 框架
- 某個(gè)類型的事件必定有一個(gè)表述的框架：
- 如，死亡類型的事件：肯定有實(shí)施者、有受害者、有時(shí)間。。。
- 故，可以用這樣的框架來抽取信息：先有 觸發(fā)詞 識(shí)別出該事件類型是 “死亡”事件，然后用“死亡”事件的模版去找出對(duì)應(yīng)的 元素。Done！
2.3 實(shí)例表示事件抽取
實(shí)例表示事件抽取可以面向不同領(lǐng)域背景和應(yīng)用需求的事件，也可以面向通用領(lǐng)域的事件語料。通過自底向上的方式，利用文本的上下文語境、句法依存結(jié)構(gòu)等信息，采用無監(jiān)督的方法聚類事件類型和事件元素，自動(dòng)發(fā)現(xiàn)新的事件實(shí)例，不需要人工制作標(biāo)注數(shù)據(jù)。
例如，如果事件觸發(fā)詞具有相似的上下文語境，那么它們可能屬于同類事件；如果事件元素與事件觸發(fā)詞具有類似的句法依存結(jié)構(gòu)，那么它們可能具有相同的事件元素角色。
- Huang等[9]在2016年提出一種自由事件抽取模型，適用于所有語料輸入，利用符號(hào)特征和分布式語義自動(dòng)生成輸入語料的事件表示，檢測(cè)事件并結(jié)構(gòu)化表示。
- Zhou等[10]在2017年從推特中用無監(jiān)督模型抽取有價(jià)值的新聞事件并結(jié)構(gòu)化表示，文章假設(shè)相同的事件擁有相似的實(shí)體和詞語，用無監(jiān)督的方法抽取結(jié)構(gòu)化事件信息。
- Yuan等[11]在2018年利用新聞?wù)Z料中的實(shí)體和實(shí)體類型建立 槽值對(duì)(slot-value) 來檢測(cè)事件，相似的實(shí)體槽值對(duì)句子屬于相同的事件類型，最后生成事件結(jié)構(gòu)化的表示框架。
【缺點(diǎn)】由于語言的結(jié)構(gòu)復(fù)雜性，實(shí)例表示事件抽取很難準(zhǔn)確地獲得語義信息，并且難以用統(tǒng)一的結(jié)構(gòu)化標(biāo)準(zhǔn)表示，需要一定的人工方式加以輔助，其結(jié)果仍然很難應(yīng)用到其他自然語言處理任務(wù)中。
實(shí)例表示事件抽取：
- 先把一些詞取出來，然后將這些詞聚類，注意，這里并未定義哪些詞是哪一類，而是讓它們自己尋找類別，和識(shí)別事件元素
3 中文事件抽取技術(shù)方法
事件抽取任務(wù)在方法上可以分為基于模式匹配的方法和基于機(jī)器學(xué)習(xí)的方法兩大類。
- 基于模式匹配的方法：是在一些模式的指導(dǎo)下進(jìn)行的某類事件的識(shí)別和抽取方法，在特定領(lǐng)域中表現(xiàn)出了良好的性能。
- 基于機(jī)器學(xué)習(xí)的方法：將事件抽取建模成多分類任務(wù)，通過提取的特征進(jìn)行分類完成事件抽取。
- 中文事件抽取中還需考慮語言特性的問題，主要通過建立勘誤表和序列標(biāo)注方法來解決。
3.1 基于模式匹配的方法
基于模式匹配事件抽取主要分為有監(jiān)督的模式匹配方法和弱監(jiān)督的模式匹配方法兩大類。
- 有監(jiān)督的模式匹配方法依賴于人工標(biāo)注語料進(jìn)行事件模式學(xué)習(xí)。
- Ellen[12]等在1993年通過建立觸發(fā)詞典和13中事件匹配模式進(jìn)行事件識(shí)別與抽取，事件匹配模式主要利用事件元素初始描述和事件元素上下文語義進(jìn)行構(gòu)建，并開發(fā)了AutoSlog模式匹配事件抽取系統(tǒng)，在MUC語料上性能優(yōu)異。
- Kim等在1995年引入了WordNet語義詞典，利用語義框架和短語結(jié)構(gòu)進(jìn)行事件抽取
- 弱監(jiān)督的模式匹配方法只需對(duì)語料進(jìn)行預(yù)分類或指定種子模式的少量人工標(biāo)注工作，然后自動(dòng)進(jìn)行事件模式學(xué)習(xí)。
- Ellen[14]等在1995年在AutoSlog基礎(chǔ)上開發(fā)出AutoSlog-ST系統(tǒng)，不需要對(duì)語料中的所有事件元素進(jìn)行標(biāo)注，只需標(biāo)注事件類型，然后利用預(yù)分類語料自動(dòng)學(xué)習(xí)事件模式。
- 姜吉發(fā)[15]在2005年提出一種領(lǐng)域通用事件模式匹配方法IEPAM，將事件抽取模式分為語義模式、觸發(fā)模式、抽取模式，在MUC-7語料的飛行事故事件抽取中獲得優(yōu)異結(jié)果。
【優(yōu)缺點(diǎn)】模式匹配事件抽取方法在領(lǐng)域事件抽取任務(wù)中性能優(yōu)異，但模版的制作需要耗費(fèi)大量人力和時(shí)間，且模版局限于領(lǐng)域背景，很難在通用領(lǐng)域事件抽取任務(wù)中應(yīng)用。
3.2 基于機(jī)器學(xué)習(xí)的方法
基于機(jī)器學(xué)習(xí)的方法將事件抽取建模成分類任務(wù)，是目前的主流研究方向。
尤其是深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)，已經(jīng)成為事件抽取的主要手段，全連接神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)都已經(jīng)成功應(yīng)用到事件抽取任務(wù)中。此外，弱監(jiān)督的方法能夠自動(dòng)生成標(biāo)注語料數(shù)據(jù)，緩解數(shù)據(jù)稀疏問題，也逐步應(yīng)用到事件抽取任務(wù)中。
（1）基于特征工程的方法
傳統(tǒng)的機(jī)器學(xué)習(xí)方法將事件抽取任務(wù)建模為多分類問題，提取文本的語義特征，然后輸入分類器進(jìn)行事件抽取。
- Ahn[2]等在2006年率先將事件抽取分為4個(gè)階段的多分類子任務(wù)，包括
- 事件觸發(fā)詞分類 ：判斷詞語是否為事件觸發(fā)詞和事件類型 —— 利用詞匯特征、字典特征、句法特征、實(shí)體特征 ，完成觸發(fā)詞分類子任務(wù)
- 事件元素分類 ：判斷實(shí)體詞語是否為事件元素 —— 利用事件類型、觸發(fā)詞特征、實(shí)體特征、句法特征 ，完成事件元素分類子任務(wù)
- 事件屬性分類 ：判斷事件屬性
- 事件共指消解 ：判斷兩個(gè)事件實(shí)例是否屬于同一事件
【缺點(diǎn)】傳統(tǒng)的機(jī)器學(xué)習(xí)事件抽取多分類方法中，各個(gè)階段的子分類任務(wù)是相互獨(dú)立的，導(dǎo)致誤差從前面的環(huán)節(jié)向后面的環(huán)節(jié)傳遞，性能也因此逐級(jí)衰減，并且無法處理全局的依賴關(guān)系。
（2）基于神經(jīng)網(wǎng)絡(luò)的方法
事件抽取的機(jī)器學(xué)習(xí)傳統(tǒng)方法不僅需要人工設(shè)計(jì)特征，而且需要借助外部的NLP工具抽取特征，并且部分語言和領(lǐng)域缺少相關(guān)的NLP工具。
在各種特征的抽取過程中會(huì)產(chǎn)生誤差，造成誤差的積累和傳播。
【神經(jīng)網(wǎng)絡(luò)的方法將事件抽取建模成端到端的系統(tǒng)，使用包含豐富語言特征的詞向量作為輸入自動(dòng)提取特征，不需要或者極少的依賴外部的NLP工具，避免了人工設(shè)計(jì)特征的繁瑣工作。】
- Chen等[23]在2015年提出基于動(dòng)態(tài)多池化卷積神經(jīng)網(wǎng)絡(luò)的事件抽取方法，利用動(dòng)態(tài)多池化方法學(xué)習(xí)出一個(gè)句子中包含的多個(gè)事件。
- Feng等[18]在2016年提出用雙向長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行事件檢測(cè)，但沒有探索事件元素等抽取方法。
- Nguyen[19]等在2016年利用雙向LSTM抽取句子中的語義特征，然后聯(lián)合句子結(jié)構(gòu)特征同時(shí)抽取事件觸發(fā)詞和事件元素。
（3）弱監(jiān)督的方法
弱監(jiān)督的事件抽取方法希望通過結(jié)構(gòu)化知識(shí)庫或者少量人工標(biāo)注數(shù)據(jù)，自動(dòng)生成大規(guī)模、高質(zhì)量的標(biāo)注數(shù)據(jù)。
- Chen[24]等在2009年提出利用少量人工標(biāo)注數(shù)據(jù)訓(xùn)練模型，在未標(biāo)注數(shù)據(jù)上反復(fù)迭代自動(dòng)擴(kuò)充標(biāo)注數(shù)據(jù)。
- Liu[16]等在2016年提出利用ACE語料數(shù)據(jù)訓(xùn)練模型，再結(jié)合FrameNet知識(shí)庫擴(kuò)充標(biāo)注數(shù)據(jù)。
- Chen[9]等在2017年提出利用Freebase、Wikipedia、FrameNet等知識(shí)庫等遠(yuǎn)程監(jiān)督方法，自動(dòng)生成大規(guī)模的標(biāo)注數(shù)據(jù)進(jìn)行事件抽取，并將其應(yīng)用到金融領(lǐng)域的事件抽取問題中。
3.3 中文事件抽取的方法
中文語言特性問題主要來自中文詞句意合特性，中文語言詞語件沒有顯示間隔，而分詞會(huì)帶來明顯的錯(cuò)誤和誤差。
- Chen[24]等在2009年提出中文事件抽取觸發(fā)詞不一致問題，并將中文觸發(fā)詞分詞不一致問題分為 跨詞語 (cross-word) 不一致 和 內(nèi)詞語 (inside-word) 不一致 兩種類型。
Chen提出兩種方法解決觸發(fā)詞分詞不一致的問題：
-
Zeng[20]等在2016年用不同的中文分詞工具對(duì)ACE中文語料進(jìn)行分詞，結(jié)果顯示至少有14%對(duì)觸發(fā)詞分詞結(jié)果與語料標(biāo)注不一致！！！【這個(gè)需要使用】
解決：
在Chen的字符序列標(biāo)注方法的基礎(chǔ)上，使用雙向長(zhǎng)短期記憶網(wǎng)絡(luò)和條件隨機(jī)場(chǎng)抽取句子特征，并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)抽取上下文語義特征完成中文事件抽取
-
Lin[26]等認(rèn)為序列標(biāo)注模型中的字符區(qū)別于詞語，無法準(zhǔn)確表達(dá)句子的語義，提出將每個(gè)字符與上下文的若干字符組合生成多個(gè)候選觸發(fā)詞塊，然后從候選觸發(fā)詞塊中檢測(cè)觸發(fā)詞。
【中文事件抽取問題】
- 中文事件抽取還存在比英文更加嚴(yán)重的數(shù)據(jù)稀疏問題。
- 中文語言的復(fù)雜性和靈活性使得相同語義的詞語有更多表達(dá)方式，即同一類型事件觸發(fā)詞可以用更多詞語表達(dá)。=> 因此中文觸發(fā)詞數(shù)量要遠(yuǎn)多于英文，導(dǎo)致測(cè)試集中有更多在訓(xùn)練集中沒有出現(xiàn)過的未知觸發(fā)詞。
參考文獻(xiàn)
［1］ DODDINGTON G Ｒ，MITCHELL A，PＲZYBOCKI M A，et al．The automatic content extraction ( ACE) program－tasks，data，and evaluation［C］//Proceedings of the 2004 international conference on language resources and evaluation．Lisbon，Portugal: European Language Ｒesources Association，2004: 837－840．
［2］ AHN D．The stages of event extraction［C］//Proceedings of the workshop on annotations and reasoning about time and events．Sydney，Australia: Association for Computational Linguistics，2006: 1－8．
［3］ AGUILAＲ J，BELLEＲ C，MCNAMEE P，e t al．A comparison of the events and relations across ace，ere， tac － kbp，and framenet annotation standards［C］//Proceedings of the second workshop on events: definition，detection，coreference，and representation．Baltimore，Maryland，USA: ACL，2014: 45－53．
［4］ SONG Z，BIES A，STＲASSEL S，et al． From light to rich ere: annotation of entities，relations，and events［C］/ /Proceedings of the 3rd workshop on events: definition，detection，coreference，and representation． Beijing，China: ACL，2015:89－98．
［5］ PETＲONI F，ＲAMAN N，NUGENT T，et al．An extensible event extraction system with cross － media event resolution［C］/ /Proceedings of the 24th ACM SIGKDD international conference on knowledge discovery ＆ data mining．London，United Kingdom: ACM， 2018: 626－635．
［6］ YANG H，CHEN Y，LIU K，et al．DCFEE: a document－level Chinese financial event extraction system based on automatically labeled training data［C］/ /Proceedings of ACL 2018，system demonstrations．Melbourne，Australia: ACL，2018: 50－55．
［7］ 劉振．基于網(wǎng)絡(luò)科技信息的事件抽取研究［J］．情報(bào)科學(xué)，2018， 36( 9) : 115－117．
［8］ CHEN Y，LIU S，ZHANG X， et al．Automatically labeled data generation for large scale event extraction［C］/ /Proceedings of the 55th ACL．Vancouver，Canada: ACL， 2017: 409－419．
［9］ HUANG L，CASSIDY T，FENG X， et al．Liberal event extraction and event schema induction［C］/ /Proceedings of the 54th ACL．Berlin，Germany: ACL， 2016: 258－268．
［10］ ZHOU D，ZHANG X，HE Y．Event extraction from Twitter using non－parametric Bayesian mixture model with word embeddings［C］/ /Proceedings of the 15th EACL． Valencia，Spain: ACL， 2017: 808－817．
［11］ YUAN Q，ＲEN X，HE W， et al．Open－schema event profiling for massive news corpora［C］/ /Proceedings of the 27th ACM international conference on information and knowledge management．Torino， Italy: ACM， 2018: 587－596．
［12］ ＲILOFF E．Automatically constructing a dictionary for information extraction tasks［C］/ /Proceedings of the 11th national conference on artificial intelligence．Washington D C: AAAI，1993: 811－816．
［13］ KIM J T，MOLDOVAN D I．Acquisition of linguistic patterns for knowledge－based information extraction［J］．IEEE Transactions on Knowledge and Data Engineering，1995，7 ( 5) : 713－724．
［14］ ＲILOFF E，SHOEN J．Automatically acquiring conceptual patterns without an annotated corpus［C］/ /Third workshop on very large corpora．Massachusetts，USA: ACL， 1995: 148－161．
［15］ 姜吉發(fā)．一種事件信息抽取模式獲取方法［J］．計(jì)算機(jī)工程，2005， 31( 15) : 96－98．
［16］ LIU S，CHEN Y，HE S， et al．Leveraging framenet to improve automatic event detection［C］/ /Proceedings of the 54th ACL．Berlin，Germany: ACL， 2016: 2134－2143．
［17］ NGUYEN T H，GＲISHMAN Ｒ．Event detection and domain adaptation with convolutional neural networks［C］/ /Proceedings of the 53rd ACL and the 7th IJCNLP． Beijing，China: ACL， 2015: 365－371．
［18］ FENG X，QIN B，LIU T．A language－independent neural network for event detection［J］．Science China: Information Sciences，2018， 61( 9) : 092106．
［19］ NGUYEN T H，CHO K，GＲISHMAN Ｒ．Joint event extraction via recurrent neural networks［C］/ /Proceedings of the 2016 NAACL: human language technologies．San Diego，California: ACL， 2016: 300－309．
［20］ ZENG Y，YANG H，FENG Y，et al．A convolution BiLSTM neural network model for Chinese event extraction［M］/ /Natural language understanding and intelligent applications．［s．l．］: Springer， 2016: 275－287．
［21］ LI P，ZHU Q，ZHOU G．Joint modeling of argument identification and role determination in Chinese event extraction with discourse－level information［C］/ /Proceedings of the 23th IJCAI．Beijing，China: AAAI Press， 2013: 2120－2126．
［22］ LI Q， JI H，YU H， et al．Constructing information networks using one single model［C］/ /Proceedings of the 2014 EMNLP．Doha，Qatar: ACL， 2014: 1846－1851．
［23］ CHEN Y，XU L，LIU K，et al．Event extraction via dynamic multi－pooling convolutional neural networks［C］/ /Proceedings of the 53rd ACL and the 7th IJCNLP． Beijing，China: ACL， 2015: 167－176．
［24］ CHEN Z， JI H．Language specific issue and feature exploration in Chinese event extraction［C］/ /Proceedings of human language technologies: the 2009 NAACL，volume: short papers．Boulder，Colorado，USA: ACL， 2009: 209－212．
［25］ LIN H，LU Y，HAN X，et al．Nugget Proposal Networks for Chinese event detection［C］/ /Proceedings of the 56th ACL．Melbourne，Australia: ACL， 2018: 1565－1574．
［26］ LAFFEＲTY J，MCCALLUM A，PEＲEIＲA F C N．Conditional random fields: Probabilistic models for segmenting and labeling sequence data［C］/ /Proceedings of the 18th intelligence conference on machine learning．Francisco，CA，USA: Morgan Kaufmann Publishers Inc， 2001: 282－289．
［27］ LI P，ZHOU G，ZHU Q， et al．Employing compositional semantics and discourse consistency in Chinese event extraction［C］/ /Proceedings of the 2012 joint conference on EMNLP and computational natural language learning．Jeju Island，Korea: ACL， 2012: 1006－1016．
總結(jié)
以上是生活随笔為你收集整理的中文事件抽取研究综述的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 响应状态码403_HTTP 401错误与
- 下一篇： Raywenderlich：寻迹