《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 人工智能 > 設(shè)計應(yīng)用 > 基于RoBERTa和多層次特征的中文事件抽取方法
基于RoBERTa和多層次特征的中文事件抽取方法
電子技術(shù)應(yīng)用 11期
樂楊，胡軍國,，李耀
（浙江農(nóng)林大學(xué) 數(shù)學(xué)與計算機(jī)科學(xué)學(xué)院,，浙江 杭州 311300）
摘要： 針對中文事件抽取中語義表征不充分,、特征提取不全面等問題，提出一種基于RoBERTa和多層次特征的中文事件抽取方法。通過RoBERTa預(yù)訓(xùn)練模型構(gòu)建字向量,，并基于詞性標(biāo)注和觸發(fā)詞語義信息融入進(jìn)行字向量擴(kuò)展,；其次使用雙向長短時記憶網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)抽取全局特征和局部特征，并通過自注意力機(jī)制捕捉不同特征之間的關(guān)聯(lián),，加強(qiáng)對重要特征的利用,；最后通過條件隨機(jī)場實(shí)現(xiàn)BIO序列標(biāo)注，完成事件抽取,。在DuEE1.0數(shù)據(jù)集上,，觸發(fā)詞抽取和事件論元抽取的F1值達(dá)到86.9%和68.0%，優(yōu)于現(xiàn)有常用事件抽取模型,，驗(yàn)證了該方法的有效性,。
中圖分類號：TP391
文獻(xiàn)標(biāo)志碼：A
DOI: 10.16157/j.issn.0258-7998.234136
引用格式： 樂楊，胡軍國,，李耀. 基于RoBERTa和多層次特征的中文事件抽取方法[J]. 電子技術(shù)應(yīng)用,，2023，49(11)：49-54.
Chinese event extraction method based on RoBERTa and multi-level feature
Le Yang,，Hu Junguo,，Li Yao
(College of Mathematics and Computer Science， Zhejiang Agriculture &Forestry University,， Hangzhou 311300,， China)
Abstract： To address the issues of insufficient semantic representation and incomplete feature extraction in Chinese event extraction, a method based on RoBERTa and multi-level features is proposed. Firstly, by using the pre-trained RoBERTa model, word embeddings are constructed and extended based on syntactic and semantic information of trigger words. Specifically, part-of-speech tags and trigger word embeddings are integrated into the word embeddings. Secondly, global and local features are extracted using a bi-directional long short-term memory network and convolutional neural network, respectively. The self-attention mechanism is employed to capture the relationships among different features, emphasizing the utilization of important features. Finally, a conditional random field is used to achieve BIO sequence labeling, completing the event extraction process. On the DuEE1.0 dataset, the F1 scores of trigger word extraction and event argument extraction reach 86.9% and 68.0%, respectively, which are superior to existing common event extraction models, validating the effectiveness of this method.
Key words : event extraction；RoBERTa pretrained model,；multi-level feature,；self-attention mechanism；sequence labeling

【引言】

事件抽取作為一種信息抽取技術(shù),，旨在從文本中識別和提取出事件的關(guān)鍵要素[1],，以自動化處理大規(guī)模的非結(jié)構(gòu)化文本數(shù)據(jù)，在知識圖譜[2],、信息檢索[3],、自動問答[4]、情報收集[5]等領(lǐng)域均有著廣泛的應(yīng)用,。

近年來,，隨著深度學(xué)習(xí)的發(fā)展，深度學(xué)習(xí)在事件抽取任務(wù)中取得了廣泛的應(yīng)用且取得了優(yōu)異的效果,?；谏疃葘W(xué)習(xí)的事件抽取方法,先將文本中的詞轉(zhuǎn)換成向量，再將向量作為模型的輸入進(jìn)行特征抽取和分類,。目前使用最廣泛的詞向量工具是Word2Vec,，但通過Word2Vec得到的詞向量是靜態(tài)的,，只針對單獨(dú)的詞，無法解決中文詞語在不同環(huán)境下?lián)碛胁煌Z義信息的問題[6],。

同時大部分的神經(jīng)網(wǎng)絡(luò)模型著重于抽取向量中部分特征信息,，無法覆蓋所有的特征信息。如卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,，CNN）通過卷積操作提取向量中的局部特征,，但由于卷積核大小和步幅的限制，可能導(dǎo)致一些全局上下文相關(guān)的特征被局部特征所掩蓋或丟失[7],；雙向長短時記憶網(wǎng)絡(luò)（Bidirectional Long Short-Term Memory,，BiLSTM）可以處理長序列數(shù)據(jù)，提取全局特征,，但無法直接捕捉文本中的詞與詞之間的關(guān)系[8],。

針對上述提到的中文語義復(fù)雜和特征信息抽取不全面,，提出一種基于RoBERTa預(yù)訓(xùn)練模型[9]和多層次特征的中文事件抽取方法,。本文的主要貢獻(xiàn)在于：

（1）采用RoBERTa預(yù)訓(xùn)練模型訓(xùn)練的詞向量，拼接詞性特征向量,，獲取含有豐富語音的向量表示,。并在論元抽取中基于Layer Normalization將觸發(fā)詞語義信息融入句子中，拼接字與觸發(fā)詞的距離向量,，增強(qiáng)句子與觸發(fā)詞的關(guān)聯(lián),。

（2）利用CNN和BiLSTM抽取詞級特征和句子級特征，并采用注意力機(jī)制將特征聚焦于與事件更相關(guān)的特征上,，滿足事件抽取的特征要求,。

（3）將事件抽取視為序列標(biāo)注任務(wù)，通過CRF和BIO序列標(biāo)注對句子中的每個字進(jìn)行標(biāo)注,，得到多個觸發(fā)詞或事件論元,，解決多事件抽取問題。


文章詳細(xì)內(nèi)容下載請點(diǎn)擊：基于RoBERTa和多層次特征的中文事件抽取方法AET-電子技術(shù)應(yīng)用-最豐富的電子設(shè)計資源平臺 (chinaaet.com)



【作者信息】

樂楊,，胡軍國,，李耀

（浙江農(nóng)林大學(xué) 數(shù)學(xué)與計算機(jī)科學(xué)學(xué)院，浙江 杭州 311300）


此內(nèi)容為AET網(wǎng)站原創(chuàng),，未經(jīng)授權(quán)禁止轉(zhuǎn)載,。