1 引言
随着数字人文研究的兴起,面向人文研究的数据基础设施建设显得越来越重
要 。 数 字 人 文 数 据 基 础 设 施 是 一 种 支 持 数 字 人 文 研 究 活 动 的 研 究 基 础 设 施
（Research Infrastructure）,包括数字化的文献资源、数据库、工具平台、支
持知识生产和信息交流的网络空间等
[1]
。长期以来,图书情报等记忆机构保存了大
量历史文献,并将这些历史文献进行细粒度的内容生产和组织,构成了支撑数字人
文研究的重要基础。随着信息检索技术和自然语言处理技术的不断发展 ,文本分
词及命名实体抽取问题得到了相对有效的解决,在此基础上进行特定类型的关系
抽取是实现深层次文本挖掘的重要手段。而事件抽取作为信息检索中的基础工
作,是通过使用预定义的事件模板从文本中发现和提取所需的特定类型的事件 ,借
助抽取触发词、识别事件论元实现对文本细粒度的揭示 ,在数字人文数据基础设
施构建中发挥着重要作用。
中国文化历史悠久,绵延五千年而长盛不衰,典籍成为中华文化源远流长的有
力见证。从典籍中定位、挖掘和归纳信息是构建数据基础设施的重要基石 ,然而
由于典籍数据集体量不大,分类后容易导致类别不均,古文较白话文而言语句言简
意赅,句长大多较短,造成事件论元集中分布,因而面向典籍的事件抽取难度较大。
在机器学习时代,典籍抽取主要依赖于模板匹配的方式,如利用模式匹配法进行战
争句识别,选择条件随机场模型对命名实体进行识别和抽取
[2]
;利用正则表达式等
从已经去除官名、地名的墓志铭中抽取有关亲属信息等
[3]
。而在深度学习时代到
来之后,神经网络自动学习特征表示的特点给典籍抽取带来了新的机遇,与人工构
建的离散特征不同,神经网络通过提供连续的向量表示,帮助挖掘词语之间的潜在
关联。刘忠宝等在 BERT 模型和 LSTM-CRF 模型的基础上,提出面向《史记》
的历史事件及其组成元素抽取方法,并基于此构建《史记》事理图谱
[4]
。
本文在已有研究
[2,3, 4]
的基础上,将典籍中蕴含的主题事件抽取看作序列标注任
务,结合典籍文本事件抽取语言精练、简短的特点,构建既能继承 Transfomrer 优
势,又能考虑句子局部特征的深度学习模型 RoBERTa-CRF,以克服数据集较小、
古文句短造成的事件论元集中分布等问题。
2 相关研究
早期的事件抽取主要采用基于模式匹配的方法,构造一些特定的事件模板,然
后通过模式匹配从文本中抽取单个论元的事件。最早的模式匹配系统可以追溯
到 1993 年 Riloff 开发的用于抽取恐怖事件的 AutoSlog
[5]
。受 AutoSlog 系统的
启发,许多基于模式的事件抽取方法被应用于不同领域,包括生物医学
[5]
、金融
[6]
等
Cohen 等利用 OpenDMAP 语义解析器通过生物医学本体分析提取模板,为生物
医学概念及其属性提供各种高质量的本体模板
[6]
。Arendarenko 等开发了一个基
于本体的事件抽取系统 BEECON,从在线新闻中提取商业知识
[7]
。
基于模式匹配的方法是由具备专业知识的专家手工构建,所以生成的事件模
板定义明确、质量较高,在特定领域应用中往往表现优异。相对的,该类模板的缺
点是需要大量的人工标注,耗时耗力,且存在移植性差的问题,因此基于模式匹配的
事件抽取方法比较适合应用在特定的领域。
随后发展的机器学习技术,本文分为传统的机器学习和深度学习两种方式。
传统的机器学习需要从文本中提取特征作为分类模型的输入,常用的文本特征可
分为词汇、句法和语义特征,陈慧炜定义了破案、抓获和报案三种事件类型,利用
剩余11页未读，继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 651
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
VIP享7折，此内容立减5.97元 开通VIP
