[论文解读] A Survey on Deep Learning Event Extraction: Approaches and Applications

Qian Li, Jianxin Li+9 more|arXiv (Cornell University)|Jul 5, 2021

Advanced Text Analysis Techniques被引用 12

一句话总结

本综述全面概述了通用领域中基于深度学习的事件抽取方法，将方法分类为流水线与联合范式，分析了模型架构、基准数据集与评估指标。文章强调了依赖关系学习、端到端建模、多事件抽取、领域自适应与可解释性等关键挑战，并为事件抽取的未来研究提供了结构化路线图。

ABSTRACT

Event extraction (EE) is a crucial research task for promptly apprehending event information from massive textual data. With the rapid development of deep learning, EE based on deep learning technology has become a research hotspot. Numerous methods, datasets, and evaluation metrics have been proposed in the literature, raising the need for a comprehensive and updated survey. This article fills the research gap by reviewing the state-of-the-art approaches, especially focusing on the general domain EE based on deep learning models. We introduce a new literature classification of current general domain EE research according to the task definition. Afterward, we summarize the paradigm and models of EE approaches, and then discuss each of them in detail. As an important aspect, we summarize the benchmarks that support tests of predictions and evaluation metrics. A comprehensive comparison among different approaches is also provided in this survey. Finally, we conclude by summarizing future research directions facing the research area.

研究动机与目标

• 提供通用领域中基于深度学习的事件抽取方法的系统性与最新综述。
• 基于任务定义对现有方法进行分类与分析，尤其区分流水线与联合范式。
• 总结基准数据集、评估指标以及在标准数据集（如 ACE 2005）上领先模型的定量性能。
• 识别并讨论模型泛化能力、依赖关系学习、端到端训练、文档级抽取与可解释性方面的关键挑战。
• 概述推动真实世界应用中事件抽取发展的未来研究方向。

提出的方法

• 根据任务分解与模型集成方式，将事件抽取方法划分为流水线与联合范式。
• 分析深度学习模型，包括基于 BERT 的架构，用于触发词识别、触发词分类、论元识别与角色分类。
• 整合外部知识与预训练表示，以提升模型的泛化能力与性能。
• 使用 ACE 2005 等标准基准评估模型，评估指标包括 F1、精确率与召回率。
• 采用序列标注、序列到结构生成与机器阅读理解（MRC）框架进行论元角色分类。
• 基于任务定义与模型范式，提出一种适用于通用领域事件抽取的统一分类框架。

实验结果

研究问题

• RQ1 在事件抽取中，流水线与联合深度学习范式在性能与错误传播方面有何差异？
• RQ2 在事件触发词与论元角色分类中，最有效的深度学习架构与预训练模型是什么？
• RQ3 外部知识源与数据增强如何提升低资源环境下的事件抽取性能？
• RQ4 在扩展至文档级与多事件场景时，事件抽取面临的关键挑战是什么？
• RQ5 如何提升模型可解释性，以支持生物医学与法律等关键领域中的应用？

主要发现

• 由于其强大的上下文表征学习能力，基于 BERT 的模型已成为基于深度学习的事件抽取的主流方法。
• 联合建模方法通过减少触发词分类与论元角色标注等子任务之间的错误传播，优于流水线方法。
• ACE 2005 数据集仍是标准基准，最先进模型在某些事件类型上的 F1 分数已超过 80%。
• 多事件与文档级事件抽取正成为关键前沿领域，但与句子级抽取相比仍研究不足。
• 可解释性仍是主要限制，少数模型能为论元角色预测提供透明推理，尤其在高风险领域中更为突出。
• 在生物医学等专业领域进行领域自适应具有挑战性，原因在于专业术语多且标注数据稀缺，亟需更优的知识融合方法。