基于句法语义依存分析的中文金融事件抽取

被引：80

作者：

万齐智 ^{[1
,2
]}

万常选 ^{[1
,2
]}

胡蓉 ^{[3
,2
]}

刘德喜 ^{[1
,2
]}

机构：

[1] 江西财经大学信息管理学院

[2] 江西财经大学数据与知识工程江西省高校重点实验室

[3] 江西财经大学软件与物联网工程学院

来源：

计算机学报 | 2021年 / 44卷 / 03期

关键词：

中文事件抽取; 核心动词链; 句法语义依存分析图; 事件语义关联; 缺省补全;

D O I：

暂无

中图分类号：

TP391.1 [文字信息处理]; F832 [中国金融、银行];

学科分类号：

020219 [财政学（含：税收学）]; 120506 [数字人文];

摘要：

事件抽取在自然语言处理应用中扮演着重要的角色,如股票市场趋势预测.传统事件抽取较为关注触发词和论元所属类型的正确性,较少地结合应用需求去分析研究事件抽取效果及使用价值.在财经领域,事件作用对象及动作是关注的重点.因此,本文聚焦于金融事件,抽取三元组事件ET(Sub,Pred,Obj).在中文财经新闻中,存在大量事件嵌套和成分共享等现象,致使易出现事件漏抽和事件成分缺失的情况.为了解决这些问题,本文建立一个句法和语义依存分析相结合的中文事件抽取框架,归纳了4种常见缺省结构,并设计相应的补全规则.首先,基于句法依存树,分析动词词法和句法结构,建立核心动词链,使得每个核心动词对应一个事件,解决事件漏抽问题.然后,在句法依存树的基础上添加语义依存关系,建立事件间语义关联,得到句法语义依存分析(Syntactic Semantic Dependency Parsing,SSDP)树.第三,调整SSDP树,优化句法结构,形成SSDP图,使得同等句法结构的词结点处于相同层级,为后续事件抽取提供途径.第四,归纳4种常见缺省结构,设计相应补全规则,解决事件成分缺失问题.最后,在中文财经新闻标题和CoNLL2009中文语料上进行详细的实验测试,实验结果表明该方法是有效的.

引用

页码：508 / 530

页数：23

共 8 条

[1]

基于多任务学习的中文事件抽取联合模型 [J].