知识图谱_5事件知识获取

由美国国防高级研究计划委员会资助的 MUC 会议（1987~1998）连续举办七届

信息抽取的研究达到了高潮

两年后美国国家标准技术研究所组织 ACE 会议

提供训练语料和测试语料

供参赛者进行训练和测试

一方面是因为中文语料的引入

另一方面是因为有了前五届的积累， 语料的标注愈发正规和成熟

继续组织信息抽取的评测

ACE 2005 年的中文评测语料 仅有 633 篇文章，共计 30 万词左右

而ACE 2007 语料并没有任何的增加，基本上是沿用 2005 的语料

对系统的各部分错误赋予一定的权重分值

且不同的错误对应不同的权重分值

然后从最大分值中减去错误的分值

因此系统的 各个子任务都会影响最后的得分

如：事件识别与跟踪 (VDR) 的评价体系中，ACE 官方认为事件元素识别的还会对系统的影响最大，因此，赋予，事件元素识别错误的惩罚分值也最高

还可单独看评价当前测试模块的结果， 不考虑其他模块的影响

事件属性的识别

事件元素的识别

可用于指导事件抽取

该类事件的事件类型

其对应的事件论元角色

对于“选举”事件的 事件模式来说

（Probabilistic Graphical Model）

是指

是一种比较通用的

贝叶斯网络、马尔科夫模型、 主题模型等基于概率图的方法

基于端到端的 概率模型

很多学者借鉴了主题模型的方法， 加以利用和改进后应用到这一任务上

（Topic Model）

是

文本收集、文本分类与聚类、降维等研究中

隐含狄利克雷分布

采用 贝叶斯流派 的思想

可以看为

主题模型背景下的文档聚类

主题模型假设语料库中

而对于每个主题

因而

对于 事件模式

由此

在 2011 年尝试将 朴素的隐含狄利克雷分布 方法用于聚类事件

将隐马尔科夫模型引入框架归纳 （frame induction）研究工作

首次将基于概率图 生成模型的方法 应用于事件模式归纳

但是其上述工作

在其 2015 年的工作中认为， 前人工作仅仅依靠实体核心词进行 事件类型或事件论元角色聚类的方法 ——会导致一些语义不明确的词汇所对应类型难以区分

近年来

在 2019 年 将基于神经网络的方法 引入概率图模型

神经网络拥有强大的表示能力

通过神经网络

基于词语、事件或文本等的表示

早期的一些研究基于词语共现的统计学方法

例如：在 2013 年 Balasubramanian 等人 [Balasubramanian et al. 2013]

自然语言的向量化表示

而对于 聚类同类事件

同时

因此

在这样的思路下， Sha 等人 [Sha et al. 2016]

语言学家等领域专家

Huang 等人 2016 年 [Huang et al. 2016]

在 2020 年由 Li 等人 [Li et al. 2020]

仅仅关心同一个事件类型下的事件模式

然而在实际的文字信息 尤其是新闻信息

即针对两种事件类型 构建一篇文档的事件模式 路径的有向无环图

首先使用现有的 信息抽取工具或者是人工标注的方式

然后经过处理

接着训练一个路径语言模型 (Path Language Model)

最后对于两个不同的事件类型

在 2021 年进一步提出 时间复杂事件模式 的新概念

并且他们发布了一个 新的事件图模式学习的语料库

最后通过模式匹配和实例图的 复杂度进行内在评估

并开始在信息抽取领域广泛使用

主要是基于词袋（bag-of-words）等字符串特征构成模式

由于不考虑相关句子结构和语义特征，因此被称为平面模式

是相对于平面模式而言

该模式更多的考虑了句子的结构信息，融入句法分析特征

既能：准确地召回事件所涉及的事件元素

又：不过多的引入噪声

需要挖掘出尽可能多的模式

并且将大部分的模式都用于事件元素的抽取

排在后面的质量 不是特别高的模式

内容

背景

因此

值得一提的

这套系统

这个系统与 AutoSlog 系统最大的不同或改进就在于，

是一个基于 WordNet 和标注语料的信息抽取模式学习系统

优

缺

这个系统是基于种子模式的自举信息抽取模式学习系统

系统

优势

步骤

人们开始将研究重点转向基于统计和机器学习的方法进行信息抽取

隐马尔科夫模型（Hidden Markov Model，HMM）、朴素贝叶斯模型（Naïve Bayes Model, NBC）、最大熵模型（Maximum Entropy Model，ME）、最大熵隐马尔科夫模型（Maximum Entropy Hidden Markov Model， MEMM）、支持向量机模型（Support Vector Machine，SVM）等

挑选合适的特征使得分类器更加准确

也使得分类器的效果有了很大的提升

也有研究者分析和开发新的核

采用了 unigram、bigram、命名实体、短语等简单特征

最终在卡内基梅隆大学标注的语料库上进行实验验证，取得了 86.9%的 F 值，超过了当时的最好结果

（1）基于事件触发词分类的事件类型识别模块

（2）事件元素识别模块

（3）事件元素角色识别模块

（4）整合已有的事件类型识别模块，事件元素识别模块，事件元素识别模块，并依据各个模块的输出结果最终判定输入的句子是否为事件

首先

然后

实验结果显示事件类别识别的 F 值达到了 60.1%

这一结果超过了分别单独使用 MegaM 和 Timbl 分类器的方法

这套系统

该系统在ACE 2005 英文语料上进行事件元素识别的测试

其 F-Measure 高于当前最好的中文事件抽取系统

于 2008 年提出了跨文档事件抽取系统框架

在这个框架下

作者共设置了 9 条推理规则定量的度量相关文本对当前抽取结果的影响

这个系统最后在 ACE 2005 英文语料上进行评测

相继出现了

首先利用启发式规则从语料库中获取句法特征

然后训练分类器判断两个元组之间是否存在某种语义关系

再利用海量互联网数据帮助评估抽取到的三元组是否正确

进而提高了三元组的抽取精度，使其更加实用

ReVerb 用动词词组描述两个元组之间的语义关系

这非常符合事件的定义

例如：对特定股票市场中的大量金融公告文档进行文档级事件抽取，
能够帮助人们提取有价值的结构化信息，预知风险并及时发现获利机会

都是在做句子级的信息抽取

很少考虑篇章和丰富的背景知识

为每种类型的事件及事件元素训练单独的分类器

并通过上下文来增强模型性能

以学习事件类型识别及事件元素抽取策略

同时考虑了跨句信息以及能够作为依据的名词短语

首先使用分类器确定文档类型

然后在文档中识别事件相关的句子并填充事件元素槽

首先

然后

已证明在命名实体识别、ACE 句子级事件抽取等句子级信息提取任务上表现出色

文档级事件抽取任务无法利用句子层面的抽取方法得到解决

其最主要的原因是

因此

捕获长序列中的远距离依存关系是文档级神经端到端事件抽取的一项【基本挑战】

该工作

该工作还提出了一种新颖的多粒度特征抽取器

以动态汇总在不同粒度（例如句子级和段落级）学习到的神经表示所捕获的信息

在 MUC-4 事件提取数据集所提出的方法上

两大挑战展开研究

将文档级事件抽取任务视为序列标注任务

基于远程监督技术自动生成大量带伪标签的数据

并通过关键事件检测模块和事件元素填充策略

从财务公告中提取文档级事件

该形式可以将原本的表格填充任务转换为更易于处理的多路径扩展任务

设计了一种适用于路径扩展任务的存储形式

还改进了文档级事件抽取的标记体系，删除了触发词标记

这种无须触发词的设计

上下文对预处理中提取的实体提及进行编码，并为每个实体提到的内容生成实体向量

在这个模块之后

更新图结构时需要追加已经识别的实体嵌入

对每个实体进行二分类

结合当前路径状态、历史上下文和当前角色信息判断

事件之间深层的逻辑关系

事件的衍生、发展 以及信息的推理与预测

相关的触发词

模糊的触发词

涉及

“飓风卡特里娜星期一早上沿着墨西哥湾海岸向 海岸肆虐。早些时候有报道说沿岸有建筑物倒塌”

准确率（Acc）

精确率（P，precision）

召回率（R，recall）

F1 值

进而帮助人类实现情景规划 （scenario planning）

文中仅识别 两个事件是否存在因果关系

并不对二者间的方向做判断

在包含因果关系的表述中， 往往包含事件无关的语言模式

提出细心哨兵模块（attentive sentinel）对以上两个推理机进行权衡

这种标注方式 忽略了每个标注者的独立判断结果

通过训练多个分类器 捕捉每个注释者的标注策略，结合产生的分类器输出来预测最终标签能够进一步提升模型性能

注入因果知识

都有重要的作用

① 事件抽取

② 事件时序关系分类

假设在训练关系分类器时

利用动词从句对 TB 的扩展

如：包含事件共指关系和因果关系

如：之前（Before）、之后（After）、 包含（Includes）、被包含（Is included）和 同时（SImultinous）等

一些工作经常仅使用 13 种关系约简后的集合

一个识别事件之间时空包容关系的语料库

叙事被表示为

事件关系主要包含

语料中包含了

包含

语料中注释了 事件完全共指、子事件和成员关系的实例

构建一个 SeRI 语料

包含了 3917 篇事件文章

共包含三种关系

可以用做从百科全书中

对事件元素 进行泛化

还是无法解决 One-hot 的特征表示 带来的维度灾难（curse of dimensionality）问题

将该词汇的大规模上下文语义信息都融入到词汇向量中

从而相似的事件 在向量空间中具有相邻的位置

与知识库中的 多元关系数据分布式表示学习

关系数据的 分布式表示学习

大多数关系数据的 分布式表示学习模型

抽取的是 开放式事件元组

为了解决这一问题， Ding 等人 [Ding et al. 2015]

命名实体是可以互换位置的， 也就是说这时候关系是没有方向性的

事件元素都是有特定角色的， 其具有很强的方向性

来生成最终的事件元素初始向量

这样做的好处是