抽丝剥茧 计算机如何抽取新闻中的事件

小智

新闻事件的构成

新闻的核心内容是对事件的报道，不过一篇新闻稿中除了事件之外，还会充斥着背景、环境、评论等各种附加信息（图1），事件抽取的任务，就是要从这类非结构化的文本中抽取出有用的事件信息。

形式各异的新闻文本虽然是非结构化的，不过散落于这些文本之中的事件其实大有规律可寻。比如一个事件，它总是会发生在某个时间、某个地域，而事件必然涉及到一个或多个参与者（角色），它由某个行动触发，最终引发事物状态的改变等等。

①这条新闻除了时间、地点、参与者、动作过程等事件要素之外，还包含了背景、预测、报道者资料等其他附加信息

②ACE事件示例（各事件元素以触发词“出生”为核心组织在一起）

每个领域都会根据自己的实际需要对事件进行定义，在计算机信息领域，比较有代表性的是ACE（ Automatic Content Extraction，自动内容抽取）所做的定义：事件是涉及参与者的特定事件，是发生的某些事情，通常可以描述为状态的更改。

ACE更进一步对事件的构成进行了分解，认为它是由触发词（ Trigger）、类型（Type）、论元（Argument）和论元角色（Argumentrole）等元素构成（图2）。

触发词：一般为动词（或动词化的名词），是触发事件的行动。

类型：ACE为事件定义了8种大类型和33种子类型。

论元：事件参与者，主要有实体、值、时间、地点等。

角色：论元在事件中所占据的位置、充当的角色。

③支持向量机示意图（H1不能把类別分开;H2可以，但只有很小的间隔;H3以最大间隔将它们分开。SVM的目标就是将分类的间隔最大化）

新闻事件抽取流程

事件抽取大致要经过两大步骤。

首先从新闻数据文本中检测出表达事件的语句，再依据一定的特征判断事件的类别。常用的方法是基于触发词进行分类，把语句中的每个词都当作一个实例进行训练，判断其是否为触发词。确定触发词之后，再采用最大熵模型（MaximumEntropy Model，MEM）或支持向量机（Support VectorMachine，SVM）之类的分类器对事件进行分类（图3）。

触发词确定之后，接下来就是从众多的命名实体（Entity）、时间表达式（Time Expression）和属性值（ Value）之中，找出与触发词真正相关的事件元素，并且加上准确的角色标注（Semantic RoleLabeling，SRL），其中涉及到分词、句法分析、SRL等多种底层模块的应用。

事件抽取的两种主流任务

目前的事件抽取主要有两大类任务，一个是元事件抽取，一个是主题事件抽取。元事件一般由动词驱动，表示一个动作发生或者状态变化。多个元事件聚焦在一个相关的主题下，便构成了主题事件。

④运用神经网络进行事件抽取的DM-CNN结构示意图

元事件的抽取普遍应用模式匹配、机器学习以及基于神经网络（图4）的抽取技术。而主题事件包括核心事件及其他直接相关的多个动作或状态，描述的信息相对较为分散，有时甚至会分散在多个文档中，元事件基于句子层级的抽取方法对它显然不适用，所以主题事件的抽取通常基于事件框架，或者基于领域本体来进行。

事件抽取技术的应用

网络时代信息呈爆炸式增长，依靠人工方式进行处理显然已经无法满足需要，由此信息抽取技术应运而生，而事件抽取作为信息抽取的一个重要组成部分，也随之在信息服务领域得到广泛应用。

以网上的长篇文章为例，如果等看完一整篇文章才能确定内容是不是我们所需要的，未免太浪费时间，这时提供相应的文章摘要就非常有必要。人工摘要是最精准的，但是人的精力毕竟有限，无法应付海量的文档。前几年流行的计算机自动摘要固然快速，但是摘要内容有很多冗余信息，并且也不精确。而现在应用事件抽取技术，即可智能地识别出文本中的事件和非事件，过滤掉次要信息，精准、快速地生成人类所感兴趣的有用文摘，十分高效。

事件抽取另外一个与我们息息相关的应用，就是自动问答服务。在线网购时难免要和商家的智能客服打交道，以前它们采用的是关键字相关的技术，答案也是数据库中的固定内容，因此对我们的提问经常答非所问。事件抽取技术大大改善了这一局面，它通过分析用户提问中的核心内容，再抽取数据库中的相关信息，重新组合成我们刚刚好需要的答案，显得更为人性化。

当然，事件抽取在商业上的应用也非常广泛，比如本文主要讨论的新闻事件的抽取，将它应用到商业领域，就可以让厂商及时了解行业动态，或者厂商产品在网络上的反响，假设有负面影响，还可以及时危机公关以及进行事态跟踪等。另外事件抽取也可以应用于股票、金融等方面的趋势分析，掌握舆情，甚至在反诈骗等方面也可以起到很大的作用。