武国亮，徐继宁

（北方工业大学电气与控制工程学院，北京 100144）

0 引言

近年来，公共安全突发事件频发。网络的普及使得公共事件相关的有价值的信息散布在各类网络文本中，事件抽取（Event Extraction，EE）在这类信息的挖掘和提取方面有着极其重要的作用。事件发生时，对社交网络上的相关事件描述文本进行事件抽取，能够及时地了解事态信息，使应急部门快速做出反应。在事件发生后，通过事件抽取对报道中事件信息的结构化提取，建立相应的案例库，从而为下一步的事件分析和制定防范预案做有力的支撑。

事件抽取主要分为模式匹配方法［1-4］和机器学习方法［5-8］。在基于机器学习的事件抽取方法中，数据和特征决定模型学习的上限，因此提高数据质量和优化特征选择显得尤为重要。前者属于数据采集和数据预处理范畴，难以通过对模型的改进来提高，但后者可以通过语义特征挖掘来实现。命名实体识别（Named Entity Recognition，NER）和事件抽取是信息抽取的两个子任务，实体是事件抽取内容的组成部分，基于此学者们通过命名实体识别进行实体语义信息的挖掘，进而提高事件抽取任务的学习效果。Li等［5］提出了一个结构化预测模型，能同时实现实体、关系和事件三个信息抽取任务。Yang等［6］提出了篇章内的事件和实体联合抽取模型，通过采用联合因子图模型来联合学习每个事件内部的结构化信息、篇章内不同事件间的关系和实体信息。吴文涛等［7］提出了一种混合神经网络模型HNN-EE（Hybrid Neural Network for Entity and Event Extraction），能同时对实体和事件进行抽取，深度挖掘了两者之间的依赖关系。……