51、MHGEE：基于多粒度异质图的事件提取模型

MHGEE：基于多粒度异质图的事件提取模型

1. 事件提取概述

事件提取是信息提取的关键任务，通常包含事件检测和参数提取两个子任务。事件检测旨在识别和分类事件触发词，参数提取则是识别事件的参数并标注其角色。例如在特定文本中，事件检测要识别出触发词“dropped”以及事件类型“Conflict: Attack”，参数提取要识别出参数“U.S. planes”和“Iraqis”，并标注其角色为“Attacker”和“Victim”。

目前句子级事件提取面临两个关键挑战：
- 触发词歧义 ：一个词在不同句子中可能表达不同含义，触发不同事件。如“dropped”在不同句子中可触发“Transport”或“Attack”事件，仅考虑单一粒度信息难以区分。
- 事件依赖 ：一个句子可能同时表达多个相关事件，如“Three people plus the bomber were killed, and at least 30 others were hurt.”中，“killed”触发“Die”事件，“hurt”触发“Injure”事件。约27%的句子存在多个事件，且这些事件相互关联，有效建模它们之间的依赖关系是事件提取的关键挑战之一。

现有方法在解决这些挑战时存在不足。对于触发词歧义问题，多数方法仅考虑单一粒度信息，如实体类型或依赖树，无法有效解决歧义；部分使用文档粒度信息的方法会引入大量冗余信息，且忽视句子粒度信息。对于事件依赖问题，一些方法使用循环神经网络存在长距离依赖问题，基于图神经网络的方法仅考虑句子中的单词，忽视关键的多粒度信息和参数提取子任务。

为解决上述问题，提