一、复现原因：
结合硕士论文工作，本次机器学习理论方法实践应用做一个关于事件抽取的
代码复现。事件抽取是信息抽取领域一个重要的研究方向。事件抽取把含有事件
信息的非结构化文本以结构化的形式呈现出来。非结构化文本较为复杂多样，中
文信息抽取的研究起步较晚，事件抽取可以减少人工干预，为用户提供更加方便
的信息服务，甚至可以发展为信息主动推送服务。由于此类少有论文给予相关代
码，复现了 2020 年科大讯飞事件抽取挑战赛冠军组的程序。
比赛官网：http://challenge.xfyun.cn/topic/info?type=hotspot
二、主要思路：
这是一个基于深度学习的事件抽取。将任务分割为触发词抽取，论元抽取，
属性抽取。具体而言是论元和属性的抽取结果依赖于触发词，因此只有一步误差
传播。因 time loc 并非每个句子中都存在，并且分布较为稀疏，因此将 time & loc
与 sub & obj 的抽取分开（role1 提取 sub & obj；role2 提取 time & loc）
模型先进行触发词提取，由于数据集的特殊性，模型限制抽取的事件仅有一
个，如果抽取出多个触发词，选择 logits 最大的 trigger 作为该句子的触发词，
如果没有抽取触发词，筛选整个句子的 logits，取 argmax 来获取触发词；
然 后根据触发词抽 取模 型 抽 取 的 触 发词 ， 分 别 输 入 到 role1 & role2 &
attribution 模型中 ，进 行后序 的论元 提取 和属性分类；四种模型都是基 于
Roberta-wwm 进行实验，加入了不同的特征。
最后将识别的结果进行整合，得到提交文件。
三、项目运行：
模型训练
1. .矩池云选择：“预装：Python 3.7， CUDA 10.2， cuDNN 7.6， Pytorch 1.6.0，
Ubuntu 18.04，VNC”，其他配置按照 requirements.txt 中的要求安装依赖包，需
要一个一个装。（遇到问题，有一个包无法安装，但对后面没有影响）
2. 下 载 bert ， BERT 采 用 的 是 哈 工 大 的 全 词 覆 盖 wwm 模 型 ， 下 载 地 址 ：
https://github.com/ymcui/Chinese-BERT-wwm
3. 数据转换：数据转换部分只提供代码和已经转换好的数据，具体操作在
src_final/preprocess 中的 convert_raw_data 中，包含对初赛/复赛数据的清洗和转
换。
4. 配置好环境后，在 JupyterLab 的 Terminal 中输入：bash ./script/final/train.sh
命令执行训练模型（遇到问题，解决方案：将 train 文件里的目录改为绝对路径），
