[发明专利]使用局部学习完成简易事件抽取的方法

说明书

本发明公开了一种使用局部学习完成简易事件抽取的方法。本发明一种使用局部学习完成简易事件抽取的方法，包括：标注规范构建过程：根据框架下的三类：动宾、双动词、其他，给出具体事件定义。本发明的有益效果：尝试解决远程监督获取的数据中存在的漏标和错标问题，提高模型对于命名实体的识别性能。

技术领域

本发明涉及简易事件抽取领域，具体涉及一种使用局部学习完成简易事件抽取的方法。

背景技术

简易事件定义为动词和它的宾语直接连接的事件，用于描述场景。例如：打篮球、踢足球、吃早餐、打电话。我们将简易事件抽取问题转化为命名实体识别问题，从句子中识别出事先定义的事件要素类别实例。

实体识别任务经过多年研究，已经取得很好的进展。目前主要研究难点在于：在不同领域和不同应用中，通常要识别新实体类别，很难对应快速构建高性能系统。在构建新实体类别识别系统时，通常需要有标注语料来训练模型，而这时很难制定出详实准确的实体标注规范，且标注数据费时费力。另外，领域自适应问题也是一个非常突出的问题，即实体识别系统在新领域文本上标注性能下降幅度较大。

目前，常见的实体识别方法大致可以分为：1)基于规则和词典的方法；2)基于传统机器学习模型的方法；3)基于深度学习的方法。在三种方法的基础上，还有一些系统构建在它们之间的混合之上。

现有相关技术：

1、数据构建：

专家标注，即数据标注人员为所在领域的专家或者标注规范制定人员，以此来获取高质量的标注数据。

众包标注。众包是一种分布式的问题解决和标注模式，通过将数据和标注规范提供给非专业人员。经过简单培训后进行标注，最后将有标注的数据提供给众包数据发布者。过程中往往会设置部分的“陷阱”，之后根据非专业人员的标注表现，提供一定奖励。

远程监督。假设一开始存在少量人工标注数据和实体词表情况下，远程监督方法用该词表在大规模无标注语料中进行匹配，匹配上的字符串就认为是正确的标注。

2、基于深度学习的实体识别方法：

目前最常用的模型是BiLSTM-CRF模型，模型的为链式结构分为Embedding层(用向量表示输入的字或词)，双向LSTM层(在向量表示的基础上对整句话建模抽取隐含表示)，线性层(串联字符与标签的映射关系)以及最后的CRF层(串联标签与标签的映射关系)构成。实验结果表明BiLSTM-CRF获得了更好的效果，已经达到或者超过了基于丰富特征的CRF模型。在特征方面，该模型不需要特别好的特征工程，使用词向量以及字符向量就可以达到很好的效果。

传统技术存在以下技术问题：

1、数据构建：

1)专家标注人数一般较少，标注速度慢，无法获得成规模的标注语料，无法满足实际的应用需求。

2)众包标注的人员对数据领域没有太多经验，在标注前需要制定详细的标注规范，并且需要经过一段时间的培训。不同的标注员对于规范和语料有不同的理解和标注习惯，导致标注结果中存在大量的标注不一致或错误标注，导致标注数据质量低下。

例：

标注员1：包装严实送到没有磕碰。

标注员2：{包装@EVENT}严实送到没有磕碰。

“包装”在这句话的上下文情境中不表示为简易事件，属于标注不一致的例子。

3)远程监督受限于已经构建的种子资源的规模和质量，很多未登录资源容易被遗漏。数据构造过度依赖匹配准则和算法，所以远程监督获取的数据存在两个问题——漏标和错标。

例1：我喜欢Beyond的{不再犹豫@SONG}和再见理想。【漏标】