基于神经网络的篇章级事件抽取中论元聚合与传递研究综述.docVIP

基于神经网络的篇章级事件抽取中论元聚合与传递研究综述

篇章级事件抽取的核心挑战在于突破句子边界限制，实现跨句论元信息的有效整合与关联。论元聚合与传递作为连接句子级局部抽取结果与篇章级全局事件结构的关键机制，其性能直接决定了事件抽取系统对复杂叙事文本的理解能力。近年来随着深度学习技术的迭代，神经网络模型在论元关系建模、长距离依赖捕捉等层面展现出显著优势，推动该领域从规则驱动、特征工程阶段向端到端的语义表示学习阶段快速演进。

论元聚合与传递的核心问题定义

篇章级事件抽取任务中，一个完整的事件实例通常由触发词及多个分布在不同句子中的论元组成。论元聚合指将分散在不同句子中属于同一事件的论元进行聚类与组合，形成完整的事件论元集合；论元传递则指利用篇章内的语义关联、共指关系、叙事逻辑等信息，将已知句子的论元信息迁移到关联句子中，补充缺失的论元角色，还原完整事件结构。两者的本质是在篇章语义空间中构建论元与事件、论元与论元之间的关联路径，解决单句抽取中普遍存在的论元缺失、角色歧义、事件碎片化问题。

传统基于规则和统计机器学习的方法主要依赖句法特征、共现频率、手动定义的篇章规则实现论元关联，在开放域文本中泛化能力差，难以处理隐含语义关联的论元对。神经网络方法则通过预训练语言模型捕捉深层语义表示，结合图结构、注意力机制、记忆网络等模块建模复杂的篇章关系，大幅提升了论元聚合与传递的准确性。当前研究主要围