生成式金融事件检测与论元抽取方法研究.pdfVIP

摘要

从大量金融文本中实时提取关键事件信息，并将其结构化存储，对于金

融机构和政府部门及时把握市场动态，有重要意义。金融事件抽取任务主要

分为金融事件检测和论元抽取两个子任务，旨在识别事件类型并提取关键论

元要素。然而，在实际金融事件抽取场景中，由于事件类型的多样性和复杂

性，以及数据的长尾分布问题，现有方法面临着显著挑战，难以满足实际应

用的需求。为了更有针对性地处理上述问题，本研究采用两阶段流水线的方

式，分别对金融事件检测和论元抽取两个子任务进行建模。

针对事件检测任务中事件类型多样和事件类型相近的问题，提出了一种

约束生成方法。该方法通过采用生成式任务的建模方式，直接生成事件类型

的文本字符，从而有效地利用了金融事件类型的语义信息；在生成过程中根

据金融事件模板进行约束生成，从而实现了更精准的事件检测。在DuEE-fin

中文金融领域事件抽取数据集上，约束生成的事件检测的方法相比于传统抽

取模型有了在微平均F1指标上有3.28%的提升，在CCKS2022FEW-SHOT

中文金融事件检测任务的线上测试集上，提升9.26%的宏平均F1指标，展现

了更好的鲁棒性。

针对事件论元抽取任务中事件论元模板复杂的问题，本文采取了字符提

示和实体嵌入的实体增强策略，以提高模型在处理事件论元多样性方面的性

能。基于片段生成的论元抽取模型，在注入论元和潜在实体的关系信息的后

提升了论元抽取效果，在DuEE-fin金融事件论元抽取数据集上有4.07%的

Arg-C得分提升；在WIKIEVENTS英文篇章级别事件论元抽取数据集上相较

其他基线模型有了3.12%的Arg-C得分提升，达到目前已知最佳性能；在

ACE2005英文事件抽取数据集上，实体增强的片段生成模型也有较好的性能

表现。同时针对金融论元组成复杂的问题，本文进行了大语言模型进行论元

抽取指令微调尝试，通过大语言模型强大的文本生成能力，更灵活的处理金

融论元抽取任务，提升了21.48%的F1得分，大幅度优化了金融论元抽取的

效果。

通过上述策略，本文提出了生成式的事件抽取模型，在金融领域事件抽

取数据集上和通用领域事件抽取数据集上都取得了良好的性能，证明了本文

提出的事件抽取方法能够有效地完成金融事件抽取任务。

关键词：金融事件抽取；约束生成；实体增强；片段生成模型；大语言模型

-I-

Abstract

Real-timeextractionandstructuredstorageofkeyeventinformationfrom

vastfinancialtextsarecrucial.Ithelpsfinancialinstitutionsandgovernment

departmentsgraspmarketdynamics.Financialeventextractiontasksaredivided

intotwosub-tasks:eventdetectionandargumentextraction.Theyaimtoidentify

typesofeventsandextractkeyelements.However,thesetasksarechallenging

duetothediversityandcomplexityofeventtypesandthelong-taildistribution

ofdata.Toaddresstheaforementionedissuesinamoretargetedmanner,thisstudy

adoptsatwo-stagepipelineapproach,whichseparatelymodelsthetwosubtasks

offinancialeventdetectionandargumentextraction.

Toaddresstheissuesofdi