基于论元关联和图神经网络的篇章级多事件抽取模型
廖涛
郝娟娟
安徽理工大学 计算机科学与工程学院,安徽 淮南 232001
摘要：为解决篇章级多事件抽取中事件及论元角色间全局语义关联缺失、文档信息利用不足的问题,提出了基于论元关联和图神经网络的篇章级多事件抽取(document-level multi-event extraction based on argument correlation and graph neural network,DEEACG)模型.首先,使用基于变换器的双向编码器表示(bidirectional encoder representations from Transformers,BERT)模块获取实体,并引入实体共事件性预测任务,增强实体间的语义关联.接着,引入可学习的事件代理节点,构建包含实体、上下文和代理节点的异构图,通过特征线性调制图神经网络(graph neural network with feature-wise linear modulation,GNN-FiLM)与多头自注意力机制,实现多事件间的全局交互与语义融合.然后,通过多层感知机进行事件类型检测.最后,构建双投影空间建模论元关联,采用Bron-Kerbosch算法提取图中极大团作为候选论元组合,并结合多头注意力实现论元角色分类.结果表明,DEEACG模型在中文金融公告(Chinese financial announcements,ChFinAnn)数据集的多事件抽取任务中性能明显提升,与关系增强文档级事件抽取(relation-enabled document-level event extraction,ReDEE)模型相比,F1 均值提升了 2.1 个百分点.该研究证实DEEACG模型能有效捕捉多事件间语义关联,适用于篇章级多事件抽取任务.
关键词：代理节点异构图图神经网络多头自注意力论元关联
分类号：TP391.1(计算技术、计算机技术)
资助基金：国家自然科学基金(62076006)安徽省高校协同创新项目(GXXT-2021-008)认知智能全国重点实验室开发课题(COGOS-2023HE02)
论文发表日期：2026-03-20
在线出版日期：2026-03-26（本平台首次上网日期，不代表文献的发表时间）
页数：6( 35-40 )
英文信息