paper：https://arxiv.org/abs/2107.02126.pdf

一、论文概要

       本论文主要是讨论了事件抽取的常用方法、数据集以及对应的评价指标。本综述还提供了不同技术之间的综合比较。最后，总结了今后的研究方向。

二、事件抽取简介

        事件抽取(EE)是信息抽取研究中的一个重要而富有挑战性的课题。事件作为一种特殊的信息形式，是指在特定时间、特定地点发生的涉及一个或多个参与者的特定事件，通常可以描述为状态的变化。

• 介绍了事件提取技术，回顾了事件提取方法的发展历史，指出基于深度学习的事件提取方法已成为主流。我们根据表1中发表年份总结了深度学习模型的必要信息，包括模型、领域、场所、数据集和子任务。

• 我们详细分析了各种基于深度学习的提取范式和模型，包括它们的优缺点。我们介绍了现有的数据集，并给出了主要评价指标的制定。我们在表3中总结了主要数据集的必要信息，如类别的数量，语言和数据地址。

• 我们在表5中总结了ACE 2005数据集上的事件提取准确度得分，并讨论了事件提取面临的未来研究趋势，从而总结了综述。

三、事件抽取介绍

       事件抽取是针对改定的文档，从中预测事件描述、事件触发词、事件对应的要素以及对应要素的角色。图Fig2中包括两个事件：“Die”和“Attack”，他们的事件触发词分别是“died”和“fired”。对于事件Die，事件要素是“Baghdad”，“cameraman”，“American tank”，他们对应的要素角色是“Place”，“Victim”，“Instrument”；对于时间Attack，事件要素是“Baghdad”，“American tank”，他们对应的要素角色是“Place”，“Instrument”。

通过Fig2的例子，说明一下事件抽取的相关概念

       基于schema的事件抽取主要包括以下四个任务：事件分类event classification, 事件触发词识别trigger identification, 事件要素识别argument identification和要素角色分类argument role classification。

（1）事件分类：

       对文档中每个句子进行判断是否是事件，有几个事件，因此可以看成是一个多标签分类任务；

（2）事件触发词识别：

触发词是事件发生的核心

（3）事件要素识别：

识别事件的所有要素，通常依赖事件类型和触发词识别；

（4）要素角色分类：

就是对要素进行分类，也是一个多标签分类任务。

其实事件抽取任务可以转换成分类任务、序列标注任务或者机器阅读任务。

（1）分类任务：

       分类任务是监督任务，需要预定义好事件的类型以及每类事件对应的要素角色，对于多个事件描述，模型需要输出每个事件描述对应每个事件类型的概率值

（2）序列标注任务：

       基于word级别，类似NER，需要识别出事件类型对应的文本片段以及事件要素。
（3）机器阅读理解任务：

        机器阅读理解就是首先需要理解自然语言文本的含义，然后基于文本回答相关问题。首先针对不同的事件类型设计不同的要素角色作为问题question，然后根据事件类型抽取对应的要素角色，最后模型需要根据每个要素角色输出对应的要素值。
四、事件抽取范式

       事件抽取一般有两种范式：pipeline-based和joint-based。其中pipeline-based步骤是先识别事件触发词，然后根据触发词判断事件类型，再根据事件类型和触发词抽取事件要素以及要素对应的角色，这种方法容易造成错误传递。

4.1、pipeline-based

4.2、joint-based

五、事件抽取深度学习模型

5.1、CNN-based

5.2、RNN-based

5.3、Attention-based

5.4、GCN-based

5.5、Transformer-based

六、事件抽取公开数据集

6.1、Document-level

6.2、Sentence-level

常用的有：Automatic Content Extraction（ACE）、Text Analysis Conference Knowledge base Filling（TAC KBP）、Rich ERE、FSED、GNBusiness、FSD、FBI dataset