王炳乾,宿绍勋,梁天新

(京东方科技集团股份有限公司,北京100176)

0 引言

作为人工智能领域的一项基础核心技术,事件抽取被广泛应用到事件图谱的构建及文本摘要的生成[1-2]。事件抽取得到的优质的结构化知识信息,能够指导我们的智能模型,使之具备更深层的事物理解、更精准的任务查询以及一定程度上的逻辑推理能力,从而对海量信息的分析起到至关重要的作用。事件抽取任务可分解为触发词识别、事件类型分类、事件元素(argument,又称论元)识别和角色分类四个子任务[2]。其中,触发词识别和事件类型分类可以组成事件识别任务。事件类型识别是一个基于半监督的单词的多分类任务,用以判断句子中的每个单词归属的事件类型。事件元素识别和角色分类可组成事件元素角色分类任务。角色分类任务是一个基于词对的多分类任务,用以判断句子中任意一对触发词和实体之间的角色关系。所以,事件抽取任务分为事件识别和角色分类两个子任务。其中,后者的输入依赖于前者的输出。事件元素的角色分类任务的输入是识别出的触发词和所有候选实体。目前,主要存在两类事件抽取方案:管道式模型(pipeline approach)[3-4]和联合学习模型(joint approach)[5-7],pipeline式模型先通过事件识别模型完成触发词的识别,然后对事件元素进行分类。然而pipeline模型在结构上具有天然的缺陷,上游任务的错误容易引发下游任务产生级联错误,且下游任务无法对上游任务进行反馈更新。……