CAS-KG——事件抽取_事件抽取及事件图谱

作者：IT小白 | 2024-05-27 09:22:44

踩

事件抽取及事件图谱

说明：CAS是国科大的简称，KG是知识图谱的缩写，这个栏目之下是我整理的国科大学习到的知识图谱的相关笔记。

课程目标

教学安排
详情请见博客：CAS-KG——课程安排

1. 任务概述

背景

事件抽取是信息抽取中的难点问题

例：1992 年10 月3 日，奥巴马与米歇尔在三一联合基督教堂结婚

信息抽取中对事件的定义

事件是发生在某个特定的时间点或时间段、某个特定的地域范围内，由一个或者多个角色参与的一个或者多个动作组成的事情或者状态的改变。

事件抽取任务

从自然语言文本中抽取出用户感兴趣的事件信息并以结构化的形式呈现出来，如什么人，什么时间，在什么地方，做了什么事。
在这里插入图片描述
相关术语

事件描述（Event mention），事件触发词（Event Trigger），事件元素（Event argument），元素角色（Argument role）

在这里插入图片描述

事件抽取研究的维度

方法描述：事件模式是从人工标注的语料中获取的。
代表性系统：AutoSlog
 Ellen 等通过观察MUC-4 测评会议的语料发现：“事件的大部分角色
可以在某个短语的上下文中找到”，并据此作为系统开发出发点。
 模板示例：

方法描述：不需要对语料进行完全标注，而只需要人工对语料进行一定的预分类或者制定少量种子模式，由机器根据预分类语料或者种子模式自动学习事件模式。
代表性系统：AutoSlog-TS
 AutoSlog 系统需要对每句话以及句子中的相应实体进行标注。
 AutoSlog-TS 只需要标注句子是否包含了对应的事件即可，然后根据预分类数据自动学习抽取事件的模式，进而完成事件抽取的任务。

基于特征向量的分类方法

主要问题：如何获取各种有效的词法、句法、语义等特征，并把它们有效地集成起来，从而产生“词语触发事件”以及“候选事件元素扮演事件角色”的各种局部特征和简单全局特征。
基于句子级信息的方法：从句子中提取特征，利用最大熵、朴素贝叶斯或支持向量机等分类模型进行事件抽取（Ralph Grishman 2005, Ahn 2006）
融入篇章和背景信息的方法：在句子级信息基础上更多地考虑篇章级信息和丰富的背景知识（跨文档信息、跨语言信息、跨文本事件信息、跨实体信息）（Liao 2010, Hong 2011等）

基于结构预测的方法

基于神经网络的方法

主要问题：如何设计合理的网络结构，从而捕捉更多的信息，进而更准确地进行事件抽取。
网络结构：不同的网络结构捕捉文本中不同的信息
 卷积神经网络（CNN）：（Chen et al. 2015, Nguyen et al. 2015,
Chen et al.2017）
 循环神经网络（RNN）：(Chen el.2018, Feng et al. 2016, Nguyen et al. 2016 )
 多层感知机（MLN）：(Liu et al. 2016, Liu et al.2017)