租赁公司网站源码,中国十大门户类网站,傻瓜网页制作工具,制作网页链接学习内容
本文主要详细介绍事件抽取EE的概念#xff1b; 装载自#xff1a;李景鹏 啥是事件抽取(Event Extraction)#xff1f; 同时这里关于事件抽取的介绍也可以作为补充#xff1a; 分层网络用于事件参数抽取
事件抽取 事件提取#xff08;Event Extraction EE…学习内容
本文主要详细介绍事件抽取EE的概念 装载自李景鹏 啥是事件抽取(Event Extraction) 同时这里关于事件抽取的介绍也可以作为补充 分层网络用于事件参数抽取
事件抽取 事件提取Event Extraction EE 事件识别Event Detection ED
很多事件抽取的方法将事件抽取分为两个阶段EAEevent argument extraction 和 EDevent detection后者会根据触发词来确定事件的发生发生了啥。 结构化数据和非结构化数据 指的是一句话是不是已经给他归类了
事件描述 schema
事件抽取任务的起点是需求的出现。关心金融领域的朋友比如我(持有市值约370元人民币的基金)希望了解所有可以影响市场情绪的事件。因此海量新闻数据中识别特定类型的事件就是我们的需求。
需求确定了接下来的任务就是把需求转换为人和机器都可以理解的一种形式即制定事件的schema。“schema”即纲要是我们对事物一般的、抽象的描述体现人类对事物的认知水平决定了机器抽取事件的能力因此非常重要。一个完整的事件schema应当包括
1事件类型体系比如“企业成立”、“企业并购”等等组成的就是我关心的事件的类型体系
2各类事件的重要角色比如表2-1所示的各个字段就是一个事件得以发展所依赖的重要角色。有时候我们会设置一种特殊的角色即“事件触发词”用来辅助判断事件的发生。
确定了schema一方面方便大家在相同的概念基础上展开协作另一方面也让机器有了相对确定的学习和预测目标。
事件抽取分类
事件抽取包括事件触发词检测识别事件触发词并明确所触发事件的类型和属性抽取识别触发事件的属性并标注各属性对应角色两个子任务。例如“He died in hospital”中“died”作为一个Die类型事件的触发词该事件中属性“He”的角色为Person, “hospital”的角色为Place. 本文主要探讨事件触发词检测任务中的跨句触发词联合抽取问题。
事件抽取难点
当下事件触发词检测任务面临的挑战主要包括1句子上下文表示及篇章级信息整合[1],[2]。候选触发词类型的判定一般需要结合上下文信息包括关联实体信息类型等、其他候选触发词等。例如图1中句子3中的“firing”可能是开枪触发Attack事件或离职触发End_Position事件Attack事件的确立需要融合句子2,4等的信息。2句内和句间事件关联性建模[1],[3]。句4包含事件触发词fight和deathACE05数据集中超过40%触发词如此共现类似句2、句3和句4中的连续关联事件同样普遍。因此建模事件之间依赖对于同时抽取句子、跨句多事件尤为重要。
现有方法主要专注于句子级事件抽取忽略了存在于其他句子中的信息。通过对事件抽取benchmark数据集ACE05的分析我们得出如下结论。1可将事件触发词检测任务视为一个Seq2Seq任务其中source序列为文本篇章或句子target序列是事件标签序列。对应基于RNN的encoder-decoder框架能有效处理该类问题其中encoder建模丰富的上下文语义信息decoder在解码过程中捕捉标签的依赖性。2对于当前句子与之关联最密切的信息主要存在于邻近句子相距较远的文本影响较小。
事件抽取和命名实体识别的区别
命名实体抽取指的是抽取某一类客观实例的词语比如手机、张三、李四等 事件抽取只得是抽取某一类动作比如爆炸、开会、开车等 命名实体抽取是事件抽取的基础因为事件中都必须有至少一个主体比如手机爆炸、张三开会、李四开车。
NER
链接 NER技术简要介绍 1.命名实体识别的主要任务 要识别出文本中出现的专有名称和有意义的数量短语并加以归类。
2.命名实体识别的主要研究内容
就整个的命名实体识别的研究结果而言时间表达式和数字表达式的识别相对简单其规则的设计、数据的统计训练等也比较容易。而对于实体中的组织名、人名、地名因为其具有开放性和发展性的特点而且构成规律有很大的随意性所以其识别就可能会有较多的错选或漏选。现在大多数的命名实体识别的研究都集中于对这三种实体的识别技术的研究。
