基于知识感知图结构的文档级事件抽取框架

《Knowledge-Based Systems》：A knowledge-aware graph-based framework for document-level event extraction

　　

提出了一种知识感知框架，用于文档级事件抽取（Document-level Event Extraction, DEE）。该框架将文档建模为关系图，以捕获结构化知识。引入了伪触发词组合机制，以实现鲁棒的事件结构识别。增强了跨句子和跨实体的长程依赖建模能力。实现了将非结构化文本转化为结构化事件知识。

近年来，知识基系统（Knowledge-Based Systems）依赖高质量结构化知识支撑智能推理、决策与信息检索。事件抽取（Event Extraction, EE）旨在从文本中识别事件结构及其论元，是无结构文本转化为结构化知识的关键技术。传统方法多聚焦于句子级事件抽取（Sentence-level Event Extraction, SEE），难以处理真实场景中事件参数跨句分布、多类型事件交织等复杂情况。文档级事件抽取（DEE）面临两大挑战：一是事件参数分散在不同句子中，需具备长距离建模能力；二是一个文档可能包含多个类型的事件记录，且事件间存在依赖关系，需进行多实例判别。现有基于完整图解码的方法要求所有实体关联均被正确预测，而基于单触发词的方法在触发词相同或缺失时易造成事件边界混淆。同时，DEE数据集中触发词标注质量普遍较低，进一步推动了无触发词事件抽取方法的发展。

针对上述问题，研究人员提出了一种知识感知的图框架GCN-PCR（Graph Convolutional Network with Pseudo-trigger Combination Recognition），用于文档级事件抽取，论文发表在《Knowledge-Based Systems》。该框架将文档显式建模为关系知识图，通过实体、提及和句子之间的语义关系（如共指、关联、共现）进行信息传播，并引入伪触发词组合识别机制，增强事件结构识别能力。主要技术方法包括：命名实体识别模块（NER）采用BIO序列标注，合并易混淆实体类型以避免角色填入冲突；全局交互网络（GIN）构建包含共指、关联、共现三类边的关系图，利用关系图卷积神经网络（GCN）进行跨句和跨实体的长距离建模；事件类型检测模块（ETD）使用多头注意力实现多标签分类；伪触发词组合识别方法（PCR）构建提及与伪触发词对之间的关联矩阵，以区分事件边界；事件记录生成模块（ERG）通过前馈网络进行角色分配，生成最终事件记录。实验样本来源为中文金融数据集ChFinAnn（32,040篇文档）和DuEE-fin（11,900篇文档），后者仅能在线评估。

研究人员在ChFinAnn和DuEE-fin数据集上进行了充分实验，并与DCFEE-M、Doc2EDAG、GIT、PTPCG、ReDEE、IPGPF等基线模型进行了对比。主要结果如下。

**4.3. Main results（主要结果）**：在ChFinAnn-All上，GCN-PCR的F₁值达到82.4%，比最佳基线ReDEE高0.9%；在DuEE-fin测试集上，相比最新基线IPGPF，召回率提升0.9%，F₁值提升0.1%。表明该框架在文档级事件抽取任务上具有优越性能。

**4.4. Ablation study（消融实验）**：通过逐模块移除实验，验证了各组成部分的有效性。移除全局交互网络后，模型在ChFinAnn和DuEE-fin上的F₁分别下降1.4%和1.1%，证明关系图卷积能够增强长距离建模能力。移除伪触发词组合模块后，F₁分别下降1.6%和1.2%，且数据统计显示，使用单触发词识别事件组合的事件边界混淆率最高达6.32%，而双触发词错误率低于1%，证实伪触发词组合机制显著缓解了事件边界模糊问题。移除实体类型聚合模块后，F₁分别下降1.0%和0.7%，说明合并易混淆实体类型有助于角色判定的一致性。

**4.5. Discussion（讨论）**：性能提升可归因于三方面：关系图交互机制显式建模三类关系，有效聚合跨句语义；伪触发词组合策略减少了多事件场景中的事件混淆；相比自回归有向无环图（DAG）方法和完整图方法，该框架在解码效率与结构推理能力之间取得了更优平衡。局限性方面，目前伪触发词数量固定为两个，图结构仅考虑三种关系类型，计算复杂度随提及和句子数量增加而增加，且实验仅在中文金融数据集上验证，泛化性有待进一步研究。

**结论**：本文提出了GCN-PCR，一个面向文档级事件抽取的知识导向框架，有助于将非结构化文本转化为结构化事件知识。通过将关系图卷积网络与伪触发词组合识别机制相结合，该框架有效捕获了文档中的长距离依赖、实体间关系及复杂事件结构。与仅关注模型性能的传统方法不同，该框架将文档显式建模为关系结构，从而更精确地构建事件记录，为知识图谱构建、智能问答和决策支持等下游知识应用提供基础。基准数据集上的实验结果表明，GCN-PCR在涉及多事件和跨句依赖的场景中达到了竞争性或更优的性能。未来工作将扩展该框架与知识图谱及推理模块的深度融合，实现事件推理、时序推理和可解释决策等高级能力。