基于大语言模型的跨语言零样本事件提取与政治风险监测 .docxVIP

PAGE2

基于大语言模型的跨语言零样本事件提取与政治风险监测

摘要

政治风险监测日益依赖对全球多语种新闻事件的快速结构化解析，然而传统事件提取方法高度依赖特定语言的标注数据，难以覆盖低资源语种。大语言模型展现出的跨语言迁移能力，为这一困境提供了新的可能。本文以计算语言学与人工智能交叉视角，系统探讨大语言模型在不经特定语种训练的情况下，实现跨语言零样本事件提取的理论机理、能力边界及其在政治风险监测中的应用逻辑。

全文首先梳理事件提取技术的演进脉络，指出现有研究在跨语言零样本场景下的理论解释不足。随后，在界定“事件提取”“零样本学习”“跨语言泛化”等核心概念的基础上，构建了“语义空间对齐—事件模式泛化”的双层分析框架。第四章深入剖析跨语言零样本事件提取问题的生成历史、结构性成因与内在矛盾，揭示其本质是语言相对性约束下知识迁移的泛化边界问题。第五章从大语言模型的多语言预训练机制出发，阐释了参数共享、注意力跨语言对齐以及语境化语义抽提构成的主导作用路径，进而识别出语系相似性、训练数据分布和任务复杂度等关键条件，并划分了能力演化的三个阶段。第六章提出“事件模式跨语言泛化度”理论命题，将模型能力归结为语义空间对齐度与事件图式激活度的函数，并据此构建了面向政治风险监测的理论框架，论证其相对于已有理论的解释力优势。

研究认为，大语言模型在跨语言零样本事件提取中具备基础的“事件类型识别”能力