面向金融领域的事件抽取方法研究.pdfVIP

摘要

事件抽取是自然语言处理（NaturalLanguageProcessing，NLP）中的关键任务之一，

旨在从非结构化文本中自动识别事件的核心要素。随着金融信息的迅速增长，金融事件的

自动抽取成为金融数据分析和智能决策的重要组成部分。金融文本中专业术语多、事件类

型多样以及上下文联系紧密，通用领域的事件抽取方法无法有效处理这些复杂的事件结

构。目前金融事件抽取中经常出现实体嵌套、角色重叠、实体歧义和多义词的问题，同时

句子中可能存在多个相同类型的事件，并且现有模型往往忽略了全局事件类型和实体类

型信息对金融事件抽取结果的影响。针对上述问题，本文面向金融领域事件抽取的关键技

术展开研究，主要研究内容如下：

（1）针对传统事件抽取方法忽略领域内的先验知识和全局事件类型信息，难以处理

实体嵌套和角色重叠的问题。本文提出了一种金融领域的事件抽取模型F-EGP（Fin-BERT

andEfficientGlobalPointer），该模型使用Fin-BERT编码器来获取金融文本的上下文表

示，利用注意力机制和门控机制将全局事件类型融合到文本编码中，将触发词识别和论元

抽取转化为序列标注任务，采用高效全局指针网络进行解码。F-EGP模型的主要优势是融

合了金融领域的专业知识和事件类型信息，单阶段完成金融事件抽取，避免了因级联问题

导致的错误传递，高效全局指针网络可以有效解决事件抽取任务中的实体嵌套和角色重

叠问题。实验证明模型在FewFC数据集中含有实体嵌套和角色重叠句子上的抽取结果优

于基线方法。

（2）针对金融文本中存在实体歧义和多个相同类型事件的问题，提出了基于交叉注

意力及关系信息的多事件抽取模型CARI（AModelbasedonCross-AttentionandRelational

Information）。模型利用交叉注意力机制将实体类型信息融合到文本表示中，使模型能更

好的聚焦于特定实体，解决金融领域内实体歧义和多义词对事件抽取结果的影响。采用高

效全局指针网络来识别事件论元并且捕捉论元之间的关系，在此基础上，构建无向图来描

述论元之间的关系依赖，最后采用完全子图搜索来进行多事件抽取。实验结果表明本文模

型在多事件情况下的抽取效果更佳，相比于基线算法，在Duee-fin数据集上F1值有所提

高。

（3）基于本文提出的事件抽取模型设计并实现了一个金融领域的事件抽取系统，该

系统分为用户登录、数据交互、模型选择和结果展示四个模块。用户登录系统后可以手动

输入金融文本或者采用上传文件的方式来进行数据传输，输入文本之后在模型选择模块

可以调用F-EGP和CARI事件抽取模型进行事件抽取，抽取完成之后将结果以结构化事

件信息的形式展示给用户。

关键词：金融事件抽取；Fin-BERT；交叉注意力机制；无向图

Abstract

Eventextractionisoneofthekeytasksinnaturallanguageprocessing(NLP),whichaimsto

automaticallyidentifythecoreelementsofeventsfromunstructuredtext.Withtherapidgrowth

offinancialinformation,theautomaticextractionoffinancialeventshasbecomeanimportant

partoffinancialdataanalysisandintelligentdecision-making.Therearemanytechnicalterms,

variouseventtypes,andclosecontextsinfinancialtexts,andtheeventextractionmethodsinthe

generaldomaincannoteffectivelydealwiththesecomplexeventstructures.Atpresent,the

problemsofentitynes