第４４ 卷 第３ 期２０２１ 年３ 月计 算机 学 报ＣＨＩＮＥＳＥＪＯＵＲＮＡＬＯＦＣＯＭＰＵＴＥＲＳＶｏｌ ．４４Ｎｏ． ３Ｍａｒ． ２０２１基于句法语义依存分析的中文金融事件抽取万齐智”’ ３ ）万常选＾胡 蓉２ ） ’ ３ ）刘德喜＾１ ：）（ 江西财经大学信息管理学院 南昌 ３３００ ３２）２）（ 江西财经大学软件与物联网工程学院 南昌 ３３０ ０３ ２）３）（ 江西财经大学数据与知识工程江西省髙校重点实验室 南昌 ３３００１３）摘 要 事件抽取在自然语言处理应用中扮演着重要的角色， 如股票市场趋势预测． 传统事件抽取较为关注触发词和论元所属类型的正确性， 较少地结合应用需求去分析研究事件抽取效果及使用价值． 在财经领域， 事件作用对象及动作是关注的重点． 因此， 本文聚焦于金融事件， 抽取三元组事件ＥＴＣＳＷｋ山〇ｂ） ． 在中文财经新闻中， 存在大量事件嵌套和成分共享等现象， 致使易出现事件漏抽和事件成分缺失的情况． 为了解决这些问题， 本文建立一个句法和语义依存分析相结合的中文事件抽取框架， 归纳了４ 种常见缺省结构， 并设计相应的补全规则．首先， 基于句法依存树， 分析动词词法和句法结构， 建立核心动词链， 使得每个核心动词对应一个事件， 解决事件漏抽问题．然后， 在句法依存树的基础上添加语义依存关系， 建立事件间语义关联， 得到句法语义依存分析（ＳｙｎｔａｃｔｉｃＳｅｍａｎｔｉｃＤｅｐｅｎｄｅｎｃｙＰａｒｓｉｎｇ， ＳＳＤＰ） 树． 第三， 调整ＳＳＤＰ树， 优化句法结构， 形成ＳＳＤＰ图， 使得同等句法结构的词结点处于相同层级， 为后续事件抽取提供途径． 第四， 归纳４ 种常见缺省结构， 设计相应补全规则， 解决事件成分缺失问题．最后， 在中文财经新闻标题和Ｃ〇ＮＬＬ２００９ 中文语料上进行详细的实验测试， 实验结果表明该方法是有效的．关键词 中文事件抽取； 核心动词链； 句法语义依存分析图； 事件语义关联； 缺省补全中图法分类号ＴＰ３ １１ＤＯＩ号１ ０．１ １８９ ７／ＳＰ．Ｊ．１０１ ６．２０２１．００５０８ＣｈｉｎｅｓｅＦｉｎａｎｃｉａｌＥｖｅｎｔＥｘｔｒａｃｔｉｏｎＢａｓｅｏｎＳｙｎｔａｃｔｉｃａｎｄＳｅｍａｎｔｉｃＤｅｐｅｎｄｅｎｃｙＰａｒｓｉｎｇＷＡＮＱｉ Ｚｈｉ１ ） ， ３ ）ＷＡＮＣｈａｎｇＸｕａｎ１ ） ， ３ ）ＨＵＲｏｎｇ２ ） ， ３ ）ＬＩＵＤｅ Ｘｉ１ ） ， ３ ）＾｛ Ｓｃｈｏｏｌ ｏｆＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ＾ Ｊｉ ａｎｇｘｉＵｎｉｖｅｒｓｉｔｙｏｆＦｉｎａｎｃｅａｎｄＥｃｏｎｏｍｉｃｓ＾Ｎａｎｃｈａｎｇ３３００３２）２）｛ＳｃｈｏｏｌｏｆＳｏｆｔ ｗａｒｅａｎｄＩｎｉｅｒｎｅｉｏｆＴｈｉｎｇｓＥｎｇｉｎｅｅｒｉｎｇ？Ｊｉａｎｇｘｉ Ｕｎｉｖｅｒｓｉ ｔｙｏｆＦｉｎａｎｃｅａｎｄＥｃｏｎｏｍｉｃｓ？Ｎａｎｃｈａｎｇ３３００３２）３） （ＪｉａｎｇｘｉＫｅｙＬａｂｏｒａｔｏｒｙｏｆＤａｔａａｎｄＫｎｏｗｌ ｅｄｇｅＥｎｇｉｎｅｅｒｉｎｇ？ＪｉａｎｇｘｉＵｎｉｖｅｒｓｉｔｙｏｆＦｉｎａｎｃｅａｎｄＥｃｏｎｏｍｉｃｓ？Ｎａｎｃｈａｎｇ３３００１３）ＡｂｓｔｒａｃｔＡｓａｓｕｂ ｔａｓｋｏｆｉ ｎｆｏｒｍａｔｉ ｏｎｅｘｔｒａｃｔｉ ｏｎ，ｅｖｅｎｔｅｘｔｒａｃｔｉ ｏｎｐｌａｙｓａｎｉ ｍｐｏｒｔａｎｔｒｏｌｅｉ ｎｎａｔｕｒｅｌ ａｎｇｕａｇｅｐｒｏｃｅｓｓａｐｐｌｉｃａｔｉ ｏｎｓ，ｓｕｃｈａｓｓｔｏｃｋｍａｒｋｅｔｔｒｅｎｄｆｏｒｅｃａｓｔ ，ｗｈｉｃｈｃａｎｐｒｏｖｉ ｄｅｓｔｒｏｎｇｃｌ ｕｅｓｆｏｒｅｖｅｎｔｓｕｓｅｒｓ， ｅ．ｇ． ｉ ｎｖｅｓｔｏｒｓ，ｍａｎａｇｅｒｓａｎｄｇｏｖｅｒｎｍｅｎｔ ，ｔｏａｎａｌｙｚｅｔｈｅｍａｒｋｅｔａｎｄｍａｋｅｄｅｃｉｓｉｏｎｓ． Ａｔｐｒｅｓｅｎｔ，ｍｏｓｔｏｆｔｈｅｓｔｕｄｉｅｓａｂｏｕｔｅｖｅｎｔｅｘｔｒａｃｔｉ ｏｎｐａｙｍｏｒｅａｔｔｅｎｔｉ ｏｎｔｏｔｈｅｔｙｐｅｃｏｒｒｅｃｔｎｅｓｓｏｆｔｒｉｇｇｅｒｓａｎｄａｒｇｕｍｅｎｔｓ，ａｎｄｎｏｔｃｏｎｓｉ ｄｅｒｔｈｅｅｆｆｅｃｔａｎｄｖａｌ ｕｅｏｆｅｖｅｎｔｅｘｔｒａｃｔｉ ｏｎｂａｓｅｄｏｎａｐｐｌｉ ｃａｔｉ ｏｎｒｅｑｕｉｒｅｍｅｎｔｓ．Ｗｅｃａｌ ｌｔｈｉ ｓｔｙｐｅｏｆｅｖｅｎｔｅｘｔｒａｃｔｉｏｎｔｒａｄｉ ｔｉ ｏｎａｌｅｖｅｎｔｅｘｔｒａｃｔｉ ｏｎ．Ｔｈｅｅｖｅｎｔｔｙｐｅｓａｎｄｓｔａｎｄａｒｄｓｉｎｔｒａｄｉｔｉ ｏｎａｌ ｅｖｅｎｔｅｘｔｒａｃｔｉ ｏｎａｒｅｄｅｒｉ ｖｅｄｆｒｏｍＡＣＥ２００５ｃｏｎｔａｉ ｎｉ ｎｇ８ｃａｔｅｇｏｒｉｅｓａｎｄ３３ｓｕｂ ｃａｔｅｇｏｒｉｅｓ， ＫＢＰ２０１５ａｎｄＥＲＥ， ｅｔａｌ．Ｈｏｗｅｖｅｒ， ｔｈｅｒｅａｒｅｓｏｍｅｌｉ ｍｉ ｔａｔｉ ｏｎｓｉ ｎａｐｐｌ ｉｃａｔｉｏｎｏｆｔｈｅｍｔｏｅｖｅｎｔｅｘｔｒａｃｔｉ ｏｎｉ ｎｓｐｅｃｉｆｉｃｆｉ ｎａｎｃｉ ａｌｄｏｍａｉｎ．Ｆｏｒｅｘａｍｐｌｅ，ｔｈｅｒｅｉｓｎｏｔｔｈｅｏｖｅｒｗｅｉｇｈｔｅｖｅｎｔｔｙｐｅｉ ｎＡＣＥ２００５，ｗｈｉｃｈｉｓａｓｐｅｃｉａｌｂｅｈａｖｉ ｏｒｉ ｎｔｈｅｆｉ ｎａｎｃｉａｌ收稿日期：２０ １９ ０９ １０； 在线发布日期：２０２０ ０３ ０ １． 本课题得到国家自然科学基金项目（ ６１９７２１８４ ， ６１５ ６２０ ３２ ， ６ １７６２０４２）、 江西省教育厅科学技术研究项目（ＧＪＪ１８０１９８ ， ＧＪＪ１８０２５２） 资助． 万齐智， 博士研究生， 讲师， 中国计算机学会（ＣＣＦ） 会员， 主要研究方向为信息抽取、 自然语言处理、 数据挖掘． Ｅｍａｉｌ ： ｗａｎｑｉｚｈｉｌ００６＠１６３． ｃｏｍ． 万常选（ 通信作者） ， 博士， 教授， 博士生导师， 中国计算机学会（ＣＣＦ） 杰出会员， 主要研究领域为Ｗｅｂ数据管理、 情感分析、 数据挖掘、 信息检索． Ｅｍａｉｌ ： ｗａｎｃｈａｎｇｘｕａｎ＠２６３． ｎｅｔ． 胡 蓉， 硕士， 助理研究员， 主要研究方向为信息抽取、 自然语言处理、 大数据分析．刘德喜， 博士， 教授， 博士生导师， 中国计算机学会（ＣＣＦ） 髙级会员， 主要研究领域为自然语言处理、 信息检索、 Ｗｅｂ数据管理． Ｅｍａｉｌ： ｄｅｘｉ ． ｌ ｉｕ＠１６３．ｃｏｍ．３ 期万齐智等： 基于句法语义依存分析的中文金融事件抽取５０９ｄｏｍａｉ ｎ． Ｉｎｔｈｉｓｐａｐｅｒ，ｗｅｆｏｃｕｓｏｎｔｈｅｆｉ ｎａｎｃｉａｌｎｅｗｓａｎｄｅｘｔｒａｃｔｏｐｅｎｅｖｅｎｔｓｗｉｔｈｏｕｔｔｙｐｅｓ．Ｉｎｔｈｅｆｉ ｅｌ ｄｏｆｆｉｎａｎｃｅａｎｄｅｃｏｎｏｍｉ ｃｓ，ｍｏｓｔｅｖｅｎｔｕｓｅｒｓａｒｅｍｏｒｅｃｏｎｃｅｒｎｅｄｗｉｔｈｔｈｅｏｂｊｅｃｔｓａｎｄａｃｔｉ ｏｎｓｔｈａｔｅｖｅｎｔｓａｆｆｅｃｔ．Ｔｈｅｒｅｆｏｒｅ，ｃｏｍｂｉ ｎｅｄｗｉｔｈｔｈｅａｐｐｌｉｃａｔｉｏｎｒｅｑｕｉｒｅｍｅｎｔ ，ｗｅｐｒｏｐｏｓｅｔｏｅｘｔｒａｃｔｔｈｅｆｉｎａｎｃｉ ａｌｅｖｅｎｔＥＴ （ Ｓｕｂ ，Ｆｒｅｄ，Ｏｂｊ），ｗｈｅｒｅＳｕｂ， ＦｒｅｄａｎｄＯｂｊｒｅｐｒｅｓｅｎｔｓｕｂｊｅｃｔ ，ｐｒｅｄｉ ｃａｔｅａｎｄｏｂｊｅｃｔｒｅｓｐｅｃｔｉ ｖｅｌｙ．Ｈｏｗｅｖｅｒ，Ｃｈｉ ｎｅｓｅｆｉｎａｎｃｉ ａｌｎｅｗｓｇｅｎｅｒａｌ ｌｙｓｕｆｆｅｒｓｆｒｏｍｔｈｅｅｖｅｎｔｎｅｓｔｉ ｎｇａｎｄｃｏｍｐｏｎｅｎｔｄｅｆａｕｌ ｔｐｒｏｂｌ ｅｍ，ｗｈｉｃｈｒｅｓｕｌ ｔｉ ｎｅｖｅｎｔｏｍｉｓｓｉ ｏｎａｎｄｋｅｙｅｌ ｅｍｅｎｔｍｉ ｓｓｉ ｎｇｏｆｅｖｅｎｔｓ． Ｔｏｔａｃｋｌ ｅｔｈｉ ｓｉｓｓｕｅ，ｗｉ ｔｈｔｈｅｅｘｐｒｅｓｓｉ ｏｎｈａｂｉ ｔｓａｎｄｃｈａｒａｃｔｅｒｉ ｓｔｉ ｃｓｏｆＣｈｉ ｎｅｓｅｌ ｉ ｎｇｕｉｓｔｉｃｓ，ｗｅｂｕｉ ｌ ｄａＣｈｉｎｅｓｅｅｖｅｎｔｅｘｔｒａｃｔｉｏｎｆｒａｍｅｗｏｒｋｂａｓｅｄｏｎｓｙｎｔａｃｔｉｃａｎｄｓｅｍａｎｔｉｃｄｅｐｅｎｄｅｎｃｙｐａｒｓｉｎｇ．Ｔｈｅｎｓｕｍｍａｒｉ ｚｅｆｏｕｒｃｏｍｍｏｎｄｅｆａｕｌ ｔｓｔｒｕｃｔｕｒｅｓａｎｄｄｅｓｉｇｎｃｏｒｒｅｓｐｏｎｄｉ ｎｇｃｏｍｐｌ ｅｔｉ ｏｎｒｕｌ ｅｓ．Ｉｎｐａｒｔｉｃｕｌａｒ，ａｔｔｈｅｂｅｇｉ ｎｎｉ ｎｇｏｆｔｈｉｓｐａｐｅｒ，ｗｅｓｕｍｍａｒｉ ｚｅｆｏｕｒｐｒｏｍｉｎｅｎｔｐｈｅｎｏｍｅｎａｉｎｔｈｅｅｘｔｒａｃｔｉ ｏｎｏｆｅｖｅｎｔｓｆｒｏｍｔｈｅｈｅａｄｌｉ ｎｅｓｏｆｆｉ ｎａｎｃｉ ａｌｎｅｗｓ，ａｎｄｅｘｐｌｏｒｅｔｈｅｃａｕｓｅｏｆｔｈｅｓｅｐｒｏｂｌ ｅｍｓ，ｎｏｉ ｎｄｅｐｔｈａｎａｌ ｙｚｉｎｇｔｈｅｒｅｌ ｅｖａｎｃｅｏｆｓｙｎｔａｃｔｉｃａｎｄｓｅｍａｎｔｉｃｓｔｒｕｃｔｕｒｅｏｒｌ ａｃｋｏｆｉｔ．Ａｆｔｅｒｔｈａｔ ，ｗｅｅｍｐｌ ｏｙｔｈｅｓｙｎｔａｃｔｉｃｄｅｐｅｎｄｅｎｃｙｐａｒｓｉｎｇｔｒｅｅａｎｄｌ ｅｘｉｃａｌ ｓｔｒｕｃｔｕｒｅ，ａｎｄｐｒｏｐｏｓｅｔｈｅｃｏｒｅｖｅｒｂｃｈａｉｎｓ，ｗｈｉ ｃｈｍａｋｅｓｕｒｅｔｈａｔｅａｃｈｃｏｒｅｖｅｒｂｃｏｒｒｅｓｐｏｎｄｓｔｏａｎｅｖｅｎｔｓｏｌ ｖｉ ｎｇｅｖｅｎｔｌ ｅａｋａｇｅｐｒｏｂｌ ｅｍ． Ｔｈｉｒｄｌ ｙ，ｗｅａｄｄｓｅｍａｎｔｉｃｄｅｐｅｎｄｅｎｃｙｒｅｌ ａｔｉ ｏｎｂｅｔｗｅｅｎｅｖｅｎｔｓｏｎｔｈｅｂａｓｉ ｓｏｆｓｙｎｔａｃｔｉ ｃｄｅｐｅｎｄｅｎｃｙｔｒｅｅ，ｗｈｉ ｃｈｉ ｓｃａｌ ｌ ｅｄＳｙｎｔａｃｔｉ ｃＳｅｍａｎｔｉ ｃＤｅｐｅｎｄｅｎｃｙＰａｒｓｉ ｎｇ（ＳＳＤＰ）ｔｒｅｅ．Ｉｎｏｒｄｅｒｔｏｂｅｔｔｅｒｓｅｐａｒａｔｅｔｈｅｄｅｔｅｃｔｅｄｅｖｅｎｔｓａｎｄｔｈｅｉｒｐｒｏｐｅｒｔｉｅｓ，ｗｅａｄｊ ｕｓｔａｎｄｏｐｔｉｍｉｚｅＳＳＤＰｔｒｅｅｔｏｆｏｒｍｔｈｅＳＳＤＰｇｒａｐｈ，ｗｈｅｒｅｔｈｅｗｏｒｄｎｏｄｅｓｏｆｔｈｅｓａｍｅｓｙｎｔａｃｔｉｃｓｔｒｕｃｔｕｒｅａｒｅａｔｔｈｅｓａｍｅｌ ｅｖｅｌ ，ｐｒｏｖｉ ｄｉｎｇａｗａｙｆｏｒｓｕｂｓｅｑｕｅｎｔｅｖｅｎｔｅｘｔｒａｃｔｉｏｎ．Ｆｏｕｒｔｈｌ ｙ，ｗｉｔｈｔｈｅｄｉ ｖｉｓｉ ｏｎｏｆｄｅｆａｕｌ ｔｓｔｒｕｃｔｕｒｅｉ ｎｌ ｉ ｎｇｕｉ ｓｔｉ ｃ，ｗｅｓｕｍｍａｒｉ ｚｅｆｏｕｒｃｏｍｍｏｎｄｅｆａｕｌ ｔｓｔｒｕｃｔｕｒｅｓａｎｄｐｒｏｐｏｓｅｔｅｎｃｏｒｒｅｓｐｏｎｄｉ ｎｇｃｏｍｐｌ ｅｔｉｏｎｒｕｌ ｅｓｔｏｓｏｌ ｖｅｔｈｅｐｒｏｂｌ ｅｍｏｆｃｏｍｐｏｎｅｎｔｄｅｆａｕｌｔ．Ｍｅａｎｗｈｉｌ ｅ，ｔｈｅｗｈｏｌ ｅＣｈｉ ｎｅｓｅｅｖｅｎｔｅｘｔｒａｃｔｉ ｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄＳＳＤＰｇｒａｐｈｉｓｓｈｏｗｎａｔｔｈｅｅｎｄｏｆｔｈｅｓｅｃｔｉｏｎ．Ｆｉ ｎａｌ ｌ ｙ，ｔｈｉｓｐａｐｅｒｄｅｐｉｃｔｓａｄｅｔａｉ ｌｅｄｅｘｐｅｒｉ ｍｅｎｔａｌｓｉ ｔｕａｔｉ ｏｎ． Ｔｈｅｅｘｐｅｒｉ ｍｅｎｔａｌｄａｔａｓｅｔ，ｌａｂｅｌ ｉ ｎｇｓｔａｎｄａｒｄａｎｄｅｖａｌ ｕａｔｉ ｏｎｉｎｄｅｘａｒｅｇｉ ｖｅｎ．Ｓｕｂｓｅｑｕｅｎｔｌ ｙ，ｔｈｅｍｅｔｈｏｄｉ ｎｔｈｉｓｐａｐｅｒｉｓｖｅｒｉ ｆｉｅｄｏｎｔｗｏｄａｔａｓｅｔｓ，ｆｉ ｎａｎｃｉａｌｎｅｗｓｔｉｔｌ ｅｓａｎｄｃｏｍｍｏｎｆｉ ｅｌ ｄｎｅｗｓｔｉ ｔｌ ｅｓ． Ａｔｔｈｅｅｎｄ，ｗｅｃｏｎｄｕｃｔｃｏｍｐｒｅｈｅｎｓｉ ｖｅｂｅｎｃｈｍａｒｋｓｏｎＣｈｉ ｎｅｓｅｆｉ ｎａｎｃｉａｌｎｅｗｓｔｉ ｔｌｅｓａｎｄＣ〇ＮＬＬ２００９Ｃｈｉ ｎｅｓｅＣｏｒｐｕｓ．Ｔｈｅｅｘｐｅｒｉ ｍｅｎｔａｌｒｅｓｕｌ ｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｓａｒｅｅｆｆｅｃｔｉ ｖｅ．ＫｅｙｗｏｒｄｓＣｈｉ ｎｅｓｅｅｖｅｎｔｅｘｔｒａｃｔｉ ｏｎ；ｃｏｒｅｖｅｒｂｃｈａｉ ｎ；ｓｙｎｔａｃｔｉ ｃｓｅｍａｎｔｉ ｃｄｅｐｅｎｄｅｎｃｙｐａｒｓｉ ｎｇｇｒａｐｈ；ｅｖｅｎｔｓｅｍａｎｔｉｃｓｒｅｌ ｅｖａｎｃｅ；ｄｅｆａｕｌ ｔｃｏｍｐｌ ｅｍｅｎｔｉ 引 言事件抽取作为信息抽取的子任务， 在自然语言处理应用中扮演着较为重要的角色， 如股票市场趋势预测 投资者、 上市公司以及政府对股票市场趋势都比较感兴趣， 趋势预测可为其分析市场、 做出决策提供有力参考． 相关工作［ ＞４］利用自然语言处理技术分析了网络文本对股市趋势预测的影响， 发现金融新闻报道的事件是股市趋势预测的重要依据［ １ ］．因此， 事件抽取的内容及其质量至关重要， 将直接影响股市趋势预测效果．目前大部分事件抽取都是基于ＡＣＥ２００５？（ 定义了事件的８ 种大类、３３ 种小类）、ＫＢＰ２０１５？和ＥＲＥ标准［５］， 这些标准及数据集应用于宏观经济预测等特定领域的事件抽取存在一定的局限性， 如在标准中并未定义股票“增持”事件类型． 文献［６ ７］虽针对公司新闻和中文财经领域制定了适合自身的事件类型， 但都局限于较小范围内的某些特定事件． 目前对于哪些事件会影响股价走势尚未有定论， 致使自定义类型的事件可能对预测作用不大， 且还要求研究人员具备丰富的财经知识和经验，一定程度上增加了研究难度． 所以， 本文聚焦于财经新闻， 采取开放模式进行事件抽取．财经领域较为关注事件作用对象及动作． 本文①ｈｔｔｐ ： ／／ｐｒｏｊｅｃｔｓ，ｌｄｃ．ｕｐｅｎｎ．ｅｄｕ／ａｃｅ／②ｈｔｔｐｓ ： ／／ｔａｃ． ｎｉｓｔ ．ｇＯｖ／／２０１５／ＫＢＰ／５ １０ 计 算机 学 报 ２０２１年结合应用需求， 确定抽取三元组事件ｅ：ｔ（ ｓＭ６ ，Ｐｒｅｄ， ）． 其中Ｓｍ６ 为主语， Ｐｒｅｄ表示谓语（ 事件的核心， 触发整个事件发生，一般动词居多［８］， 后续称为核心动词）， 〇￣代表宾语， 上述３ 个要素均可称为事件的属性或成分． 文献［１］虽然也研究了上述三元组事件抽取， 但做了较多限制， 如谓语短语需以动词开始、介词结束， 主语和宾语需为处于谓语左右两侧的名词等． 这会导致较多有价值的事件因不满足条件而被舍弃， 如语句Ｓ：“港股恒指跌０．１４％”．其中， 动词“跌”作为谓语触发事件， 并未以介词结束； 同时， 该文献未考虑复合句中因共享成分而导致的事件成分缺失问题， 使得抽取的事件不完整，一定程度上降低了事件使用价值．中文作为话题驱动语言， 为了表达的连贯性和简洁性， 常省略某些语言成分， 即句子存在缺省［ ８］． 根据中心理论［ ９ ］， 主语、 谓语和宾语作为句子的主要成分． 但是， 主语是最有可能缺省的， 其次是宾语， 最后为其他位置上的词语［１ ° １ １］． 从句法结构和语义方面划分， 可分为直接省略和间接省略． 如语句Ｓ２“英首相让步， 考虑爱尔兰担保协议”为直接省略， 后半句缺省主语“英首相”； 语句Ｓ３“京东营收增速首次跌破３０％， 年内市值蒸发逾４００ 亿美元”属于间接省略， 后半句已存在主语“市值”， 但语义并不完整， 缺少前半句的“京东”作为修饰． 对于直接省略， 根据是否由介词引起， 又可分为介词引发和直接结构省略．如语句Ｓ４“中国动力飙近２１％， 与中国能源达战略性合作框架”后半句因介词“与”引导， 缺少部分主语“中国动力 中文语句表达十分灵活， 缺省结构较为复杂多样化． 因此， 如何抽取完整的事件是本文致力解决的一个关键问题．新闻标题一般需要简明扼要地概括新闻内容．财经新闻标题偏好采用动作行为的表达形式， 致使语句中出现大量动词， 且较多连续动词． 如“３ 位创投股东拟清仓减持套现超２０ 亿， 博天环境一字跌停”． 其中，“清仓”、“减持”、“套现”、“超”等一系列动词描绘整个过程， 可认为标识一个事件， 而动词“跌停”单独触发另一个事件． 如何识别哪些动词触发事件， 哪些动词作为简单的成分， 即确定语句中蕴含的事件数和谓语， 是本文致力解决的另一个关键问题．针对上述两个关键问题， 本文归纳了在财经新闻标题中抽取事件时较为凸显的４ 种现象：（１） 事件漏抽．一条新闻标题常包含多个事件，只抽取了其中部分事件．（ ２） 事件成分缺失． 抽取的事件成分不全， 主要由主语或宾语省略所致．（３） 事件成分抽取错误． 抽取的事件成分信息在语义上与文本语义存在出人．（４） 事件语义放大． 缺少限定范围， 使得抽取事件语义大于原文语义或语义不明， 主要因修饰语省略引起． 如语句Ｓ３， 事件Ｅ７＼（ 市值， 蒸发， ４００ 亿美元） 虽已抽取了ＳＭ属性， 但缺乏修饰定语“京东”，使得事件ＥＴ： 语义放大， 指向不明， 缺乏使用价值．出现上述４ 种现象， 主要是因为没有深人分析句法和语义结构上的关联或是缺少关联． 其中， 前两种现象属于句法结构， 应探寻事件间和共用成分间的关联规则； 后两种现象则侧重于语义， 需要从语义角度分析其存在的关联． 因此， 本文采用句法和语义依存分析相结合的方法， 建立句法语义依存分析（ ＳｙｎｔａｃｔｉｃＳｅｍａｎｔｉｃＤｅｐｅｎｄｅｎｃｙＰａｒｓｉ ｎｇ，ＳＳＤＰ）图． 同时， 基于ＳＳＤＰ图， 归纳常见的缺省结构， 制定缺省补全规则． 首先， 根据句法依存结构， 设计规则，建立核心动词链． 其次， 添加语义依存关系， 建立Ｓ ＳＤＰ树． 再次， 基于核心动词链和语义结构， 优化ＳＳＤＰ树， 形成ＳＳＤＰ图． 最后， 基于ＳＳＤＰ图， 分析扩展事件间的语义关系， 提出４ 种缺省结构， 并设计相关补全规则， 解决抽取事件的成分缺失问题．本文的主要贡献包括：（１） 建立核心动词链． 基于句法依存结构， 分析动词词法及句法依存结构， 提出核心动词链建立规则．（２） 建立句法和语义依存分析相结合的ＳＳＤＰ图． 借助句法依存树， 添加语义依存关系， 建立包含事件间语义关联的ＳＳＤＰ树； 基于核心动词和语义结构， 将ＳＳＤＰ树调整为ＳＳＤＰ图， 使得核心动词和同等结构成分的结点尽量处于同一层级．（ ３） 归纳４ 种常见缺省结构， 提出相关补全规则． 根据中文使用习惯和语料数据， 归纳了４ 种常见缺省结构， 并设计有效的查询补全规则．本文第２ 节介绍相关工作， 分析目前相关研究的进展及优缺点； 第３ 节分析核心动词词性及句法结构， 归纳核心动词链的建立规则， 为探测事件提供依据； 第４ 节首先探讨基于缺省补全的中文事件抽取面临的挑战， 然后描述句法和语义依存分析相结合的ＳＳＤＰ图的构建方法， 为补全事件缺失成分搭建查询桥梁； 在第５ 节中， 讨论４ 种常见缺省结构，并分析其补全规则， 解决抽取事件的成分缺失问题；第６ 节介绍本文实验数据集、 实验方法和实验结果，万齐智等： 基于句法语义依存分析的中文金融事件抽取 ５１ １３ 期验证本文方法的有效性； 最后， 第７ 节对全文进行总结， 并就未来工作提出展望， 为即将开展的后续研究指明方向．２ 相关工作事件抽取作为信息抽取的子任务， 在知识挖掘领域起着非常重要的作用． 近几年， 事件抽取的主要研究重点是， 如何利用不同的线索信息提高事件触发词或论元所属类型的正确率， 较少地结合应用需求去分析研究事件抽取效果及使用价值． 我们将前者称为传统事件抽取， 后者称为应用需求驱动的事件抽取．（１） 传统事件抽取的研究进展传统事件抽取一般分为４ 个子任务， 触发词识别／分类和论元识别／分类， 前者称为事件探测．目前， 无论是事件探测还是完整的事件抽取， 涉及识别或抽取语句中包含事件数的研究非常少．在事件抽取方面， 文献［１２］为解决新事件类型在标准数据集上识别效果不佳的问题， 选择新领域数据训练模型， 但因缺乏标注数据， 提出一种可快速收集新事件类型训练数据的方法， 并通过已有标准数据集， 训练一个可在新类型上识别Ａｃｔｏｒ、Ｐｌ ａｃｅ和Ｔｕｎｅ 等论元的模型，一定程度上解决了新类型事件的抽取问题． 文献［１３］针对基于ＣＲＦ的事件抽取联合模型的缺陷进行扩展， 旨在解决事件多标签问题， 但需对事件进行分类训练． 另外， 借助同一大类事件下， 不同子类事件间元素存在高关联性， 采取多任务学习方法解决由分类训练带来的数据稀疏问题．文献［１４］提出一种动态多池化的卷积神经网络以保持多事件信息， 实现语句中多事件抽取； 同时可自动抽取词法级和语句级特征， 缓和严重依赖ＮＬＰ工具的现象． 文献［１５］利用双向循环神经网络和人工设计的特征联合抽取事件触发词和论元． 文献［１６］研究论元与论元间的句法依赖关系， 为其建立依赖桥， 结合双向循环神经网络方法， 提高了同一事件的论元被完整抽取的概率． 文献［１７］利用同一语句包含的多个事件触发词之间存在高关联性， 通过引人句法依存树和基于注意力的图卷积网络， 借助其他事件触发词类型信息进一步确定当前事件触发词所属类型， 从而提高事件抽取效果．在事件探测方面， 文献［１８］研究的问题类似于文献［１７］， 也是借助事件间的关联来提升事件分类的效率． 但不同的是， 文献［１８］指出， 较多可利用的、有关联的事件位于不同语句中， 只考虑单个语句中的事件， 存在一定局限性． 因此， 设计一个门控多级注意力机制， 自动提取并动态融合句子级和文档级信息． 文献［１９］分析以往研究主要针对特定领域或特定事件类型存在的局限性， 提出在开放领域中探测无类型约束的事件． 随后提及由此带来的２ 个问题： ①事件无统一定义； ②无足够训练数据． 为了克服问题①， 选择识别所有可能的事件． 但通过公布的语料可知， 基本限于一条语句只包含一个事件， 即只考虑一条语句中包含一个事件的情况．文献［２０］针对以往工作只利用一次上下文信息的情况， 提出利用动态记忆网络多次使用上下文信息， 提高事件触发词分类效果． 文献［２１］通过生成对抗方法， 解决由语义信息映射的高维特征空间中存在虚假特征干扰的问题， 提高了事件探测效果．通过对事件抽取相关研究的梳理发现， 事件抽取主要集中于利用寻找的线索提高事件识别或抽取的效果， 与本文研究问题还是存在一定的差别． 但是， 本文获取的事件内容与语义角色标注在形式上存在一定的相似性． 语义角色标注主要标注论元与谓词之间的角色关系， 属于浅层语义分析．（２） 语义角色标注的研究进展语义角色标注（ ＳｅｍａｎｔｉｃＲｏｌ ｅＬａｂｅｌｉ ｎｇ， ＳＲＬ）包含４ 个子任务， 分别是谓词识别／消歧和论元识别／分类． 针对ＳＲＬ的研究， 基本上都是基于ＣｏＮＬＬ提供的标注语料库， 这些语料库大部分已标注了谓词［２ ２ ２ ３］， 所以很多研究的重点主要聚焦于论元与谓词之间的角色关系． 近些年， 深度神经网络方法在ＳＲＬ上已经取得了较好的效果［ ２ ２＃， 尤其是ＬＳＴＭ．深度学习方法较少考虑句法特征， 但直观上句法结构利于ＳＲＬ， 为了验证这个假设， 文献［２４ ２５，３０］均采用基于现有的模型， 如Ｂｉ ＬＳＴＭ， 设计嵌人句法结构的模式， 使得深度学习模型可利用输人的句法结构实现ＳＲＬ． 研究表明， 深度学习模型嵌人句法结构可提高ＳＲＬ效果． 虽然句法结构能够提供一定信息， 但因其对语言类型和领域外数据的鲁棒性不高， 所以也存在较多的研究未利用句法结构［２ ４２ ６］．文献［３１］则采取折衷方案， 利用超级标签获取部分句法结构信息， 提高了ＳＲＬ效果．除此之外， 也有研究针对ＳＲＬ基于跨度和基于依赖的２ 种标注形式进行了分析． 文献［２３］指出， 由于２ 种标注形式的存在， 使得很多下游应用不知采取何种形式更为有利， 从而提出一种统一２ 种标注５ １２ 计 算机 学 报 ２０２１年形式的端到端ＳＲＬ模型． 文献［２６］分析了基于ＢＩＯ标签的神经网络需要已标注谓词作为输人的一部分、 且无法包含跨层级特征等缺点， 提出一种端到端模型， 用于联合预测所有谓词和论元跨度， 以及它们之间的关系．文献［２２］受助于人类在处理未见过事情时借鉴相似问题处理方法的启发， 提出一种不依赖句法结构的方法（ Ｂｉ ＬＳＴＭ＋ＡＭＮ） ， 该方法利用训练集中语句及其标签关联记忆线索， 帮助论元角色标注．上述研究较好地推动了ＳＲＬ研究的进展， 但针对本文提出的研究问题， 发现仍存在以下不足：①不能结合应用需求识别以事件为单位的谓词． ＳＲＬ多以动词为单位进行识别， 而在语料中， 语句通常包含较多具有动词词性的非谓词， 导致识别的事件数远多于实际的事件数．②绝大多数研究未考虑论元补全， 少量研究只实现了简单论元补全， 即同一个论元与不同谓词间的角色关系．③由于ＣｏＮＬＬ提供了谓词标注， 因此部分研究只考虑了识别论元与谓词之间的角色关系， 并没有研究谓词识别问题．④大部分研究基于英文语料， 由于中文需要分词， 因此借助句法结构信息的模型不能较好地适用于中文语料．⑤特定领域的标注数据不足， 尤其是中文标注数据， 无法满足需大量标注数据的深度学习方法， 使得ＳＲＬ效果不佳．（３） 财经领域的事件抽取对于应用需求驱动的事件抽取， 以需求为导向，有针对性地抽取所需事件．文献［７］聚焦于财经领域中事件信息分散于多个语句的现象， 自定义财经领域事件类型， 并提出抽取文档级事件的方案． 同时， 采用远程监督实现自动标注财经领域训练数据， 克服特定领域标注数据集不足的问题．文献［６］以了解公司大体情况为需求， 针对公司新闻文本， 分别采用ＳＶＭ和ＲＮＮＬＳＴＭ方法探测自定义的１０ 种不同经济事件．文献［３２］以证券和金融市场决策者需了解事件各方面的综合信息为出发点， 分析了基于单个文档抽取事件的局限性， 利用不同机构可能报道同一事件以及事件存在冗余信息的线索， 提出在开放域新闻集群中抽取事件的无约束类型， 并归纳通用的事件模式．文献［１］首次提出采用结构化信息表示事件， 将抽取的事件用于预测股价波动． 文中事件定义为４ 元组￡＝（ ０１ ， 尸， ０２ ，：〇， 其中０１ 为行动者， 尸代表谓语， 〇２ 是目标者， Ｔ为时间戳（ 主要用于对齐股票时间） ． 该文利用开放信息抽取技术［ １ ２ １ ３ ］， 无需事先定义事件类型和人工标注训练语料． 但在抽取谓语和论元时添加了句法和词汇限制［１ ３］．该文献存在的不足：（１） 谓语抽取的约束条件过于严苛． 在新闻语料中， 存在较多谓语不符合约束条件．（ ２） 论元识别存在一定的局限性． 首先， 充当论元的词不一定为名词短语， 且也不一定为距离谓语最近的名词短语．（ ３） 没有考虑成分缺省情况． 财经新闻语料存在大量的成分缺省， 不完善缺失成分将会大大降低抽取事件的使用价值．３ 建立核心动词链本节首先分析基于句法依存的核心动词句法结构， 然后总结建立核心动词链的规则， 最后给出建立核心动词链的算法．３． １ 核心动词词法及句法分析３．１．１ 依存句法分析树依存句法分析（ＤｅｐｅｎｄｅｎｃｙＰａｒｓｉ ｎｇ， ＤＰ） 是自然语言处理中的关键技术之一， 其基本任务是确定句子的句法结构或者句子中词汇之间的依存关系［３ ３］．主要包括两方面的内容，一是确定语言的语法体系，即对语言中合法句子的语法结构给予形式化定义；二是依存句法分析技术， 即根据给定的语法体系，自动推导出句子的句法结构， 分析句子所包含的句法单位以及这些句法单位之间的依存关系． 依存句法分析树（称为ＤＰ树） 则将句法单位之间的依存关系以树的形式表示． 本文的依存句法分析采用哈尔滨工业大学语言技术平台（ ＬａｎｇｕａｇｅＴｅｃｈｎｏｌ ｏｇｙＰｌ ａｔｆ〇ｒｍ， ＬＴＰ）Ｍ， ＬＴＰ共定义了１４ 种依存关系，如表１ 所亦．表１ＬＴＰ中依存关系名及含义标记 解释 标记 解释ＳＢＶ 主谓关系 ＦＯＢ 前置宾语ＶＯＢ 动宾关系 ＡＤＶ 状中结构ＩＯＢ 间宾关系 ＣＭＰ 动补结构ＰＯＢ 介宾关系 ＩＳ 独立结构ＡＴＴ 定中关系ＤＢＬ 兼语ＣＯＯ 并列关系 ＬＡＤ 左附加关系Ｉ ＩＥＤ 核心关系 ＲＡＤ 右附加关系贿轉： 基； 懷滕析爾申纖麟＃抽取 ６１３ 議 期语句Ｓｒ首钢控股购人约４０．７８％股权％其依存句法分析结果如图１（ ａ）所象ｓＤＰ树如图１（ ｂ） 所示． ， 图１ （ ａ） 中的ｎ， ｖ，ｄ， ｍ分别代毫名爾、 翁坷、副词和数词； 布图１（ｂ） 中，“购人”与父结点关系为ＨＥＤ．． 是本语句核心词ｆ络点之间的边代表句法依存关系． ＊于模心． 词的词性通常为动词； 所以也将德： 心词： 称之为： 樣心动爾部ＶＡＴＴＡＴｉ＊＼ｉ＼首钢控股购入 适 ４０．７８％ 股权ＡＴＴｎｖｄｍｎ４０．７８％｜祕Ｔｔｖｍ＼（ａ） 依存句法分析（ｂ） ＤＰ＃图１讀轉＝８７ 的偎夢旬爾分析和ＤＰ树Ｓ．１． ２ 權心翁词句維分析中文语句表达常采用弁列句和复合句， 在财？新南标嚴中麗为餐出． 财縴Ｉｆ歸标邀一般来取正３：副标题？ｆ式， 副标题对正标题起补充说明， 更为详细地阐述正标題的内容＿ 下面以一个简单的例子来说明梭心—词的甸ｆｔ：结构－例１ ．“果源价格分化严重苹果期货增仓上涨副标题苹果期货增仓上涨”对？标題Ｗ果源价格分化严童＾中的具体果源（ 苹果） 价格情况进行描述． 该语句的ＤＰ树如图２所示（为Ｉ？简化， 树中省略了标点符号依存关荽， 后续的ＤＰ树中也全部省略） ，对于例１， 共包含３ 个事件ＥＴ２ （果源价格， 分化，）、 ＥＴＳ（苹．果期货， 增仓， ）和ＥＴ４（苹果期货， 上涨， ） ． 在图２ 的ＤＰ树中， 只存在一个语句核心动词“分化 如果每个核心动词触发一个事件， 则导致￡７＼和￡７；事件漏抽，增仓”作为 的谞词， 是ＥＴ２谓词“分化”的孩子错点， 且依存关系为ＣＯＯ，而ＥＴｇ 的谓词“上涨ｗ又怍为 的谓词增仓〃的孩子麵，从图２ 申分析可知， ＬＴＰ针翁一条语句， 旯会给出一个核心动词，？但我们可以根据其依存关系和词性， 参照每个核心动词对应一个事件的标准， 划分出多个核心动词， 从而形成一条核心动谓链． 如何建立稼心动词链将在下一小节介藉．３． ２ 核心动词链建立通过对大量的语料和Ｊ：节的ＤＰ树迸行分析， 发现Ｓ条线索ｓ ？事件的谓词一般由动词充当； ②一个语句中事件间的谓词在ＤＰ树中为父子结点，， 且保持连续； 如“分化 增仓”一“上涨、＠一个语甸中事件谓词之间父子结启的边为ｃｏａ．， 另外， 在语言学中； 并列的１９语在句法结构上獻该撕有相同地位或性质． 即它们之间废采用并列符号进行关联，如ｌｔｐ采甩的ｃｏａ通过对一个语句中动词并列符号的识别，． 可较好地分离语句中包含的若干事件．因此． 根据上述线索， 提出一个事件分离方法（核心动调链的逢立规则ｈ具体规则如Ｔｓ规则１．如果ＬＴＰ给出的语句核心凤是动坷Ｓ 则默认属于核心动词链中ｒ否则考虑其满足ＣＯＯ关系的孩子结点， 直到找到动词为止．规则２． 加人的错点：； 暴考核心动词链中猜： 点构成ｃｏｏ关系的动词结点， 且确保添加的动词从语句核心词开始一直保持ｃｏｏ关系的连续性，一旦亦断则不再考虑后续动词，规则３． 如果 给出的语％核心词是非动■ｓ 且其孩子中没：有满足ＣＯＯ关系的动词鍺点， 则纖匈末象成核心动實链，上述规则彼此间具賓一走的逻辑依赖性， 规则１是植逢核心动词：链的起点ｆ规则２ 是对扩充核心＃词链的新结点进行词性、遙续性和旬法依存关系判断， 其中原始的连续性来瀨于＊则ｌｒ 而规则，３ 是不满足规则１ 的情况（ 即核心动词链方空）．添： 加意： 核心动词链中的每个动词结点需满足以ｉ：所有《贝卩 ， 本文以Ｔ部分所说的核心动诃均指处于核心动词链中的结点， 所以链中结点数即为语句蕴含的事件数． Ｈ此． 利用核心动词链方法， 可解决本文提出的如何确定语句中蕴含事件数的：業傭问： 题．针对＇图２中“增仓”和“上涨”鍩点， 按照规则应全部振加意： 核心动词链中，但它彳口反峽同一＾件（ 即主语和窠语相同） 的不同情况． 为了避免将一个事件拆分成多个＃件面降低事件信息的连贯性和完． 整性， 本文做了如下优化： 对于语句中位置连续的核心动词（ 如果核心动词之同只包含副词，也认为ｉｉ续） ，则将所有核心动■合并为一个整体； 表示一系列连贯动作， 如例１ 中事科ＥＩＶ与ＥＴ４ 合并为事件ＥＴＳ苹果期货．，［增仓， 上涨综合核心动词链的建立及优化规则＊可＃到核５１ ４ 计 算机 学 报 ２０２１年心动词链的建立算法， 如算法１ 所示．算法１？ＣｏｒｅＶｅｒｂＣｈａｉｎＣＣＶＣ，ｃｕｒＮｏｄｅ， ＤＰｔｒｅｅ） ？输人： 核心动词链ＣＶＣ， 当前核心动词结点ｃＭｒＮｏＡ，语句ＤＰ树Ｄ朽ｒａ输出： 添加了新发现核心动词的核心动词链ＣＶＣＦＯＲ （〇１ 〇办ＧＣＮＳ）／／ＣＮＳ为ｃｗｒＪＶｏ办的孩子结点集合ＩＦ｛ｃｎｏｄｅ．ｐｏｓｔａｇ为动词且ｃｎｏ办 关系为ＣＯＯ）／／多ｃｍａｇ为结点词性， 为结点的依存句法关系ＩＦ（ｃｎｏ办与ｃｗｒＮｏ办在原句中相邻或中间只包含副词） 泠有连续核心动词ＩＦ（ＣＶＣ为空）／／处理初始 办为非动词，＃且〇＼＾为空无法合并连续核心动词的情况将ｃｎｏｄｅ 加人ＣＶＣ；ＥＬＳＥ将ｃｗｏ办添加至ＣＶＣ中的ｃｗｒｉＶｏ办列表中；／／合并连续核心动词ＥＮＤＩＦＥＬＳＥ／／无连续核心动词将ｃｎｏ办加人ＣＶＣ；／／将满足规则的核心动词添加至核心动词链ＥＮＤＩＦＣｏｒｅ＂Ｗｒ６Ｃ／ｉａｉ ｎ（ ＣＶＣ， ｏｉｏ办， ＤｊＰｆｒ從）； ／／： 递归查找ＥＮＤＩＦＥＮＤＦＯＲ４ＳＳＤＰ图本节讨论ＳＳＤＰ图构建． 首先分析解决本文所提问題面临的挑战， 然， 后介绍ＳＳＤＰ树的建立过程，最后描述ＳＳＤＰ树转变为ＳＳＤＰ图的过麗４，１ 基于缺省补全的中文事件抽取的挑战Ｓ前， 随着机器学习利深．度攀习相关技术的飞速发暖， 大量的方法用于解决事件抽取问题＾且取得了较好的效果， 但是这类方法 大屬人工标注； 数１据作为训练集．． 对于中文财经新闻领域， 人工标注的数据十分匮乏， 较大地影响了上述方法的抽取效果．Ｍ： 且ｒ本文采取开敖機式補取开敖性事件（无具体業型的事种）．， 无任何标准可用于触发词和论元标ｆｔ，一定涯度上Ｘ增大了人工标注的难度．因此， 针对本文提出的问题， 建＇议选取规则匹前方法，依存旬法结构蕴含着丰富＇的信息， 无论是深度学习还是规则匹．配方祛．， 均将其作为一条童栗线索．针对本文的研究何题， 句法依存关系可以用Ｔ识别结构ｉ的成分缺省， 从而启动成分补全，然而， 仅仅采用依存句法分析方法， 无法完全解决上述缺省补全何题，一穷面，一条语句可釆用＇不同的表达形式， 致使旬法结构多样化？增加了补查复杂麗ｓ 碧一方菌 ＊督旬．６１讓达存在射序性１Ｃ即事件之间具有先后顺序＞ 和一定：的语义关系（ 如因果关系、转折关系等） 且事件缺省的成分常包含于该事件之前的其它事件申＇， 故补全缺省成分的前提是變要鸯立事件间的语义关联，４．２ 基于句法语义依存分析的ＳＳＤＰ树构建针对汉语言中的缺省， 研究成果并不多＊且定义及葙围投有編一的标准ｔｌ ｌ］． 黎锦熙Ｗ５］认为经常出现的省略包括对话省、 自述省和承前省； 吕叔湘［ ３ ＆］将缺省分为当前省、承上省和概括省； 王力［３ ７］则分为承说省和习惯省？ 随誉衩塔法学中“三个乎面”理论〈语法， 语义， 语用）的提出， 语法学者对缺省从认知角度有了如下三种基本认？ｔ３ Ｓ］．⑴旬藤緒构土蠱歲． 措緒构中＃不１＂少盼成分騰棚现前句＿构省赂Ｘ（２） 语义结构上界定． 指应该说出的意思没有说出来的语叉省略．ＧＴ） 语用交际界定． 指因语言环赓需要的语用＇省赂？其中．， 裔貪环填涉及较为广泛， 可以是社会文化菁：Ｓ；、语言上下文或交Ｉ示的现场懞暈．新闻标題较为葱小、 独立， 请言上下文中的语用曹略偏少＊０此本文依据上述缺魯结构的舁定， 提出一＃句法与锫义分掛顧结合的事■件袖取方法？称之为句法谱义依存分析（ＳＳＤＰ） 方法，＇请夂依＿分析（ ＳｅｍａｎｔｉｃＤｅｐｅｎｄｅｎｃｙＰａｒｓｉｎｇｓＳＤＰｈ用于謂画爾汇间语义依存关系． 与语义角色标注存在一定的关联？ＳＲＬＲ关注甸子请词与其主要论元之间的关系， 而ＳＤＰ不仅务注谮词与论元，还关ｆｅ谓词与谓词、论元与论元、 论元内部的语义关系， 对旬子语义：倩息的刻画更〔加完養全面＊ＳＤＰ．屢宁深崖语义分析， 不仅可为我们调整ＤＰ树中部分错点结构提供语义分析， 还可”为我们建立事件间关联提供途１ 轻．例１ 的ＳＤＰ树如图３ 所示． 其中，Ｅｘｆ３、 Ｈ〇ｓｔ、ｆｃＣｏｏ、Ｃ：６ｎｓ．ｖＦｅａｉ和Ｍａｎｎ分规廉累当事養， 系、 截患角色、：并列关系、结＿角色、 描写角色和方式角色．例１．？ＳＤＰ树贿轉： 基； 懷滕析爾申纖麟＃抽取 ６Ｋ 議 期考虑到目前可甩ＳＤＰ工具拇正确性一般＜＇图３中ｗ严： 重《锫点错误地依存于上涨’’结点〉 ， 且导Ｄｐ在结构上有时会费在冲． 突Ｘ作用对象不一致 此，．本文只利用ＳＤＰ建立核心动词间关联． 为迸一步降低冲突抽可能性，建立试程囊按如下，方式进行．首先， 对ＤＰ树进行剪枝， 只倮留主语、核心动飼和？輋―主干成分／减少ＤＰ树中的铕点槳量； 其次， 对剪支后的ＤＰ树进行语义依存分析，获取核心动词间语义关联； 最后、将获取的语义关联添加至原始ＤＰ树中．另外， 核心傭爵一窺涯慶ｉ代慮審件ｓ審件之间的谱义依寝舞峯采用 如＆６〇〇？ ＊３聰３ 和ｅＰｔｒｐ）表示，因此针对核心动爾闻非ｅＸＸ关系的情况， 隹依赖的孩子绪点中查询获取， 并作为核心动词间语义关联． 例如＞ 匣３ 中“上涨”与“分化”结点之间的关系为 霖孩子＿点中掌取ｅ： Ｃｏ〇关？擊、苹文针对ＤＰ树中结点关系． 设计事件关系二元组Ｅｉ？Ｔ（ 办 其中， 办为句法依存， 关系，表示语义依存关系． 将添加了语义依存关系的ＤＰ树称为ＳＳＤＰ树， 其构建算：法如算法２ 所示．算法２．ＳＳＤＰｔｒｅｅＢｘｉｌｄ（ＤＰｔｎｅ． ＣＶＱ．输入ＤＦ树？ＤＰｔＷ－ｒｆｔ 心靖ＳＩ链ＣＶＣ猶掛ｒ 句參３罾黑襟＃分析树ＪＳｆｔＰ嫩《ＦＯＲＫｓ（ｆｒｅＶｅｒＢＣ４；ＹＯ获取ｃｏｒｅＶｅｒ６在ＤＰｔｒａ中对应结点；获取ｃｏｒｅ＂Ｗｒ６ｉＶ〇￡＾的主谓宾主干结构ｃｖｎＭａｉ ｎ；将ｃｗｉ Ｍａｉ ｗ按原词顺序组合形成主干语句ｗｎＭａｈ；通过ＳＤＰ工具获取 的语义依存关系ｃｏｒｅＶｅｒｂＮｏｄｅ．ｓｄｐ＝ｓｅｎＳｄｐ＼＿ｃｏｒｅＶｅｒｂ￣＼ ；／：，修改 中核心动词结点语义依存关系ＥＮＤＦＯＲ动调合并． 其中，“分化”和“［增仓， 上涨］”之间通过ｅＣ〇〇连接， 表示夢件间存在并列关：联． 但在句法鍺构上仍为父子关系． Ｔ节将介绍如何将ＳＳＤＰ树调整齿ＳＳＤＰ图．４． ３ 基于核心动词和语义结构的ＳＳＤＰ树调整同一条语匈中， 每＋事件的发生虽然存在前后顺序，但它们在句法绾构上（包括每个事件的核心动词＾主语及宾语等）座处于相同地位， 这样不仅使＃句子句法结梅一ｆ了然， 还有利宁事件的确定和ＥＴ元組中成分的抽取．因此， 本节钍对ＳＳＤＰ树做了一定的优化和调整， 剪除无敏路径５ 降低树的高度， 使得调整后的ＳＳＤＰ树更趋于扁平化， 缩短搜索路径． Ｈ调整后的ＳＳＤＰ树已不符合树的定义， 故将其称之为ＳＳＤＰ图． 具体调整方法如下＊（ １） 核心动词调整■？提：升处于核心动词链中的每个核心动词结点层鈕， 使得调整后的ＳＳＤＰ＿中所着核心动词■＇点与核心根结点 ＿處的宣攘孩子结点冻调整前具有Ｉ吾句核心饲称为核心根结点＞：具有相同层级， 即调整为 结点的直接孩子结点？ 如图３所示、将“［增仓， 上擁Ｔ结点调整为办此结点的直接孩子， 使＃与“分化”结点处于同级， 但真原始关系仍．保留， 并采用有向虛线进狞连接． 方向代義事件的时序往．（ＳＢＶ．ＮＵＬＬ１／（ＡＴＴ，ＮＵＬＬ）果源（ＳＢＶ，ＮＵＬＬ）／（ＡＴＴ，ＮＵＬＬ）苹果Ｍ－５ 图４隹：梭心翁鋪侧藤ｇ驗． ＳＳＤＰ图＆ＳＤＰｔｍｅ＝ＢＰｔ；ｒ；ｅｅ；ＲＥＴＵＢＭＳＳＤＢｔｒｍ顧于價２ 所示的ＤＰ树， 将＿３ 中核心动筒“分化”，上涨”间的语义依存关系ｅＣｏｏ添加至ＤＰ树中＊ 栂＿勝Ｓ： ＳＤＰ树如图４． 所＇示ｓ 词时迸行了核心［ Ｒｏｏｔ１（ＨＥＤ．ＮＵＩ．Ｌ）（ＳＢＶ，ＮＵＬＬ）＇＾＾＼（（Ｘ） ０，ｅＣｏｏ ）（ＣＭＰ，ＮＵＬＬ）价格 严重［增仓＃涨］／（ＡＴＴ，ＮＵＬＬ）（ＳＢＶ，ＮＵＬＬ）果源期货（ＡＴＴ，ＮＵＬＬ）图４ 图３： 察＿ｓ為且合聲核心翁饲后猶ＳＳｆｉＰ树梭心动１］ 爾＿是将ＳＳＤＰ树调整为ＳＳＤＰ 图的关键．不仅有利ｆ事件的划分， 而且一定程度上丨旬接促使了同等成分的结点也处矛相同层级． 如图５中具有ＳＢＶ关系的“期货”和“价格”结磊， ＡＴＴ关系的“果源”和＊＂苹皋９结点均处于相同层鈒．（２： ３ 介词： 结构调整． 提升介词引导的充当主语或宾语的结点层级，使其作为对应核心稂结点的： 直接孩子结点？ 菌６（ａ），鹿示了语句＆的ＳＳＤＰ树经核心动ｆｔ调整后得到的ＳＳＤＰ图，其中？ｅＳｕｃｃ 表示顺承关系？“中舞能源”语义上为＊ ？达”的主？语肩结构上是 的直核參子＿图ＳｆＭ食圏ｒＣａ） 的基補上， 对介爾：结构进行调整，将“中国能源＜’调整为“达”的直接孩子Ａ法依春关系从ＰＯＢ调整为ＳＢＶ，肩时保留原始依存关系（ＰＯＢ： ＊ＮＵＬＬ ），采用无向虚线连５ １６ 计導机攀报： ＿１苹（ａ） 经核心动词调整后的ＳＳＤＰ图图：６ 谱句Ｓ， 的ＳＳＤＰ树：经襯整ｇｔｅＳＳＲＰ盧（ ＳＢＶ． Ａｇｔ ）．此处，“被”字属于．殊介词， 禹然调整． 过裎与介词结构相似ｓ 但其缺省结构补全规财存在区别？ 被动语态薔对调主语和宴语， 且“被”字在调整后的图结构中无倉义． 而？６ＣＷ中介词“与＂起并列连接作用ｓ 在成分补全时应与左右成分一同翁入，基于上述调整规则＊ 可得到将ＳＳＤＰ树慨整为ＳＳＤＰ图的算法， 如算法３ 所示＊算法３．ＳＳＤＰｔｒｅｅＡｄｊｕ？ｔ（ＳＳＤＰｔｒｅ＾，ＣＶ〇ｆ：输人： 语匈銘ＤＰ树ＳＳＤｆｔｗ勺翁心动：爾懲输出： 语句ＳＳＤＰ图ＳＳＤＰｇｒａ多／ｉＦＯＲ（〇＾Ｖ＾＾６ＣＶＣ）＾／ＣＶＣ中每个核心动词获取ｃｏｒｅＶｅｒ６在＜ＳＳＩ）ｊＰ？ｒ從中对应结点ｃｏｒｅＶｅｒＷＶｏｔｉｅ；建立由只〇况指向ｃｏｒｅＶｅｒＷＶｏ办之间的关联；／／提升 办结点的层级， 但保留核心动词／／结点之间的原始关系ＦＯＲ（ｎｏｄｅｅＣＣＶＮＳ）接． 其中， Ａｇｔ 表；＾施事关系．（ ３） 被动语态调整． 提升被动语句对应结点层级， 修改句法依存关系． 如语句ｓ６“伽马投资未披露基金运作情况， 被监管责令改正”的ＳＳＤＰ树经核心动词调整和被动语态调整后的ＳＳＤＰ 图， 分别如图７（ａ）和图７（ｂ） 所示．（ＨＥＤ，ＮＵＬＬ）披露 责令（ＳＢＶ，ＮＵＬＬ）＾／＼（Ｖ〇Ｂ，ＮＵＬＬ）＾Ｄ＾ＮＵＬＩ＾＼＾ＡＤＶ，ＮＵＬＩ４伽马投资 情况（Ｖ〇Ｂ，ＮＵＬＵｒ［ｍ＼（ＶＯＢ，ＮＵＬＵ／（Ｖ〇Ｂ，ＮＵＬＬ）＾７ｐ〇Ｂ，ＮＵＬＬ）［ｍ］（ａ） 经核心动词调整后的ＳＳＤＰ图Ｒｏｏｔ（ＨＥＤ，ＮＵＬＬ＞＾＾＾＾（ＨＥＤ，ＮＵＬＬ）Ｉ 伽马投资Ｉ Ｉ 未Ｉ 準（Ｖ〇Ｂ，ＮＵＬＬ） ／Ｗ］｜ 监管｜（ＰＯＢ．ＮＵＬＬ）丨 运作（ＶＯＢ，ＮＵＬＬｙ（ｂ） 经被动语态调整后的ＳＳＤＰ图图７ 语句Ｓ６ 的ＳＳＤＰ树经调整后的ＳＳＤＰ图其中／被”结点时倉黎孩乎结点ｗ躁管”调整为ｗ費令股直接孩子鍺点， 且添加其对应依存关， 系／／ＣＣＶＮＳ为 的孩子结点集合ＩＦ（ｎｏ办为被动语态词）／／被动语态调整获取语句的语义依存关系ＦＯＲＣｃｎｏ办６ＣＪＶＳ）／／ＣＮＳ为ｎｏ办的孩子结点集合ＩＦ（ｃｎｏｄｅ 为右孩子结点）＃存在主语建立由ｃｏｒｅ 办指向 的边；ｃｎｏｄｅ．ｄｐ＝ＳＢＶ；ｃｎｏｄｅ．ｓｄｐ＝ｓｅｎＳｄｐ＼＿ｃｎｏｄｅ￣＼；ＥＬＳＥＩＦ为左孩子结点）《／存在宾语建立由 指向ｃｗｏＡ的边；ｃｎｏｄｅ． ｄｐ＝ ＹＯ＾；ｃｎｏｄｅ． ｓｄｐ＝ ｓｅｎＳｄｐ＼＿ｃｎｏｄｅ￣＼；ＥＮＤＩＦＥＮＤＦＯＲＥＬＳＥＩＦ（ｎｏ心为介词）获取语句的语义依存关系ＦＯＲ（ｃｎ〇＆６ＣＪＶＳ）／／ＣＮＳ为ｎｏ心的孩子结点集合ＩＦ（ｃｎｏ办与ｃｏｒｅＶｅｒＷＶＷｅ 的语义关系为主谓关系＞／／介词引发的主谓关系调整建立由ｃｏｒｅ ＶｅｒＡｉＶｏ办指向 的边；ｃｎｏｄｅ．ｄｐ＝ＳＢＶ；ｃｎｏｄｅ．ｓｄｐ＝ｓｅｎＳｄｐ＼＿ｃｎｏｄｅ￣＼；ＥＬＳＥＩＦ（ｃｗｏ办与ｃｏｒｅ 的语义关系为动宾关系） 身介词引发的动宾关系调整建立由 指向＜： ＞２ 〇办的边；ｃｎｏｄｅ． ｄｐ＝ ＶＯＢ；ｃｎｏｄｅ．ｓｄｐ＝ｓｅｎＳｄｐ＼＿ｃｎｏｄｅ￣＼；ＥＮＤＩＦＥＮＤＦＯＲＥＮＤＩＦ３ 期万齐智等： 基于句法语义依存分析的中文金融事件抽取５１ ７ＥＮＤＦＯＲＥＮＤＦＯＲＳＳＤＰｇｒａｐｈ＝ＳＳＤＰｔｒｅｅ；ＲＥＴＵＲＮＳＳＤＰｇｒａｐｈ；综上所述，ＳＳＤＰ图的构建过程主要包含３ 步，如算法４所示． 第１ 步， 核心动词链的建立， 如算法１所示； 第２ 步，ＳＳＤＰ树的生成， 如算法２ 所示； 第３步， ＳＳＤＰ树的调整， 如算法３ 所示．算法４．ＳＳＤＰ图构建？输人： 语句输出： 语句ＳＳＤＰ图ＳＳＤＰｇｒａ夕ＣＶＣ＝０；／／将核心动词链ＣＶＣ置为空利用ＬＴＰ工具获取ｗｎ的依存句法分析结果 私根据ＤｊＰｒｅｍｋ生成５伙的ＤＰｔｒ從；＝伙的根结点；＝的孩子结点；／／只有一个孩子结点ＩＦ（ ＨＥＤｎｏ办词性为动词）将ＨＥＤｎｏ办加人ＣＶＣ；ＥＤＮＩＦＣｏｒｅＶｅｒｂＣｈａｉ ｎ（ＣＶＣｙＨＥＤｎｏｄｅｙ ＤＰｔｒｅｅ）；／／ｃｖｃ返回满足核心动词链建立规则的核心动词ＩＦＣＣＶＣ不为空）ＳＳＤＰｔｒｅｅ＝ＳＳＤＰｔｒｅｅＢｕｉ ｌｄｉＤＰｔｒｅｅ ｙ ＣＶＯ；ＳＳＤＰｇｒａｐｈ＝ＳＳＤＰｔｒｅｅＡｄｊｕｓｔＣ ＳＳＤＰｔｒｅｅｙ ＣＶＣ）；ＥＮＤＩＦ５ 缺省结构及成分补全本节先介绍４ 种常见缺省结构以及缺省补全规则， 然后描述基于ＳＳＤＰ图的中文夢件抽取算法．５． １ 缺省结构Ｉ前关于缺省分类的划分未有统一标准、， 较：多文雜Ｓ于中文鲁州树虜 Ｃｌｉｉ ｎ＇ｆｃｓｅＴｉｒ ＆ｅＢａｘｉｋ，０了８：）［３ ９］和Ｏｎｔｏｎｃｒｔｓｓ３． ０ 等舊料库划分的缺杳美别迸行研究， 主蘩包含６ 类缺省， 如表２所示其中；ＨＯＮＥ－＊Ｔ＊＊ＰＲＯ＊｜ＥＪＨＯＮＥ－＊ｐｒｏ＊＆比最大［１ １］．表２ＣＴＢ及Ｏｎｔｏｎｏｔｅｓ３．０ 中缺省分类类别 描述ＮＯＮＥ－＊Ｔ＊缺省为主题或从句实施者ＮＯＮＥ－＊缺省在“把”字句、“被”字句ＮＯＮＥ－＊ ＰＲＯ＊从句中缺省明显主语ＮＯＮＥ－ ＊ｐｒｏ＊缺省的为主语或宾语ＮＯＮＥ－＊ＲＮＲ＊发生预指的缺省形式ＮＯＮＥ－＊？＊其他类型拫据上述分类规则弁结合新闻语料分析， 本文将事件成分缺省主要分成以下４种结构．（ １） 直：接成分缺省， 根据缺省成分的复杂性》． 可分为简单缺省和组合缺省，①筒拳缺翁． 缺省成分羅构筒率， 可單独作为其它參件的某个成分（如主谣：ｕ賽甸氏中筒单缺貧错＿的： ＳＳＤＰ：圈如调８所示 中＊ ｅＰＭｐ 代讓目的关系 个事件用虚线框标识， 事件 （荚首相；让步，） 中简单主悟成分“英首相”作为ＥＴ７（，考虚，爱尔兰担保协议）事件的主语， 舉用点横相间的有向虚线连接， 表示其篇级关系， 并添加依脊关系（ＳＢ． Ｖ，Ａｇｔ；Ｉ，②组合缺省． 棠个组合整体作为其事件的某个成分． 语 Ｓ７“油价再遭痛击， 拖累期市”中组合缺省结构的ＳＳＤＰ图如Ｍ９ 所示． 其中 事件￡：ＴＳ（ 油价． 遭， 痛鸯１整体作为＃件Ｅ Ｔｓ（， 拖累． 期市）中“拖累”缺失的主语， 掭加 与？＂拖累”结点的依存关系（ＳＢＶ．Ａｇｔ ｈ（ ２） 介词引发缺省， 虫介词引发的部分成分缺语句氏中介 发缺省結构的ＳＳＤＰ图如圈＇１０所示． 其中．介词“与”引导关联“中国动力”和“＇中■能源”？因‘？中＿能源”绪点为ＳＢＶ关系， 故添加《中国动力”与＊达”结点间的依存关系（ ＳＢＶ，Ａｇｔ ｝ ．５ １８ 计導机攀报： ＿１苹这：） 被动语态缺省＊ 斑“被ｍ字等介词引发的被动语态的成分缺省．“被字属于：特殊介诃， 首先按照介词引发的缺省过程构建依存图， 然？后建立共享成分与缺笞事件的宾语关系． 语句玫中被动语态缺省戴抅的ＳＳＤＰ图如： 圈１１ 所示？ 其中，Ｐａｔ 治受事長系，被”结点只， 起引导连接作用， 既然引导的成分关：系已修改． 则其祖关边＇可直接剪藤剪枝， 后猶依存图姐圈３Ｊ所示．＿移 ＿１ １剪枝？被”后ｆｔＳＳＤＰ嫌（４） 间接修饰缺省， 语义上存在修饰关系的缺省结构． 间接修饰缺省主要是反映事件间论元之间关系，充当修饰作用的一般为关联事件的主语或其主语的ａ语？ 如语句ｓ３， 其定语“京东＾’作为“市值”的修饰； 语句ｓｒ深圳成立私■．基金，规模为１卯亿元”？ 其宾语“私募基金”修饰后半句的主语“规模请＿Ｓｓ中间接修饰缺＃雜构的ＳＳＤＰ顧如厲１３ 所国１３：舊句為鲁： 间： 餐修饰＿養讀翁前銘ＤＰ图示，添加了“京东”与“市值”之间的定语关系（ＡＴＴ，： 奠中， ｅＲｅｓｕ表示因果关系？Ｎｍｏｄ 表示名字修饰角色．５． ２ 补全规则通过上节缺省结构分析可． 知， 补全＿會成分可在与本事件时间屬近的早期事＃中聱找， 但＃＿所有缺省都薷进行补全？存在语句本身无主语的情况，如‘气只别减值风险＞严防商誉髯＇？此， 何时启动缺—补条机制、如何获取补全内容ｆ是缺省尊全＿两大难点， 尤其是间接缺省， 无法从句法靖构上进１于判断， 必须借助语义分析．不同的缺省类ＪＬ其朴全启动时机和规则＃＇在義舁＊下面分别对主语和宾＇语缺？进行分祈．在语法结构中， 动词分为及物和不及物两类． 宾语缺省补全需＿合语句核心动词类型共同分析？如果核心动词为不及物， 其缺省麗正常情况＊ 无需启动补全机制？当核心动词为及物动词，语句一般会跟随宾｜吾对象． 或以指代词戒式给出． 真班的宾离缺省大多由介词． 或被动语态引发， 本文前述已对这些结构做了调整．由介坷钥发的缺省， 可根摒介词的识别？启动补全操作． 而被动语态前期已作成分关系调整＞可直接识别抽取， 也无需补全．曲语料分折案现Ｉ 齊享主语的事件间的ｉ吾义依存关系薦中于因果（ｅＲｅｓｔｉ）、 顺麗￡ｅＳｗｃ） 和目的ＣｅＰｕｒｐ）．系．对于倚摹的聲到句算鄭子成分相对完義，通常不会共享，主语， 即使存在成分缺省，一般默认为事件实际天主瑨， 不皂动补全操作．本文主语补全时机和规则主要围绕上述３ 种宙义关系， 我们称这些关系为引ａ关系． 下面针对具輝情况分别讨论．５．２．１ 直接成分缺省补全直接成分缺省是基ｆ依存甸法结构进行判断＜当ＳＳＤＰ图中的核心根结点不存在＾＾为ＳＢＶ孩子结Ａ时， 说项只， 是句法结构上存在主语缺失＾由于穿在部分实际无主谱情况， 所以是否窬寒４卜全缺＃，还需再结含语义依存关系进行分析， 从而提出３＊规则４？：规则：６，规则４． 如果由核心根结点触发的事件不存在具有窜义依存关系的较早事件， 规不必补全．规则５． 如巣存在盡接成分缺失， 且Ｅｉ？：Ｔ中为非引发关系， 碁最近关 件只存在一个ｉｔ谣， 则在綦近的关联事件中查询获取关联事件的主语， 补全缺省主语， 即简单缺省补全．贿轉： 基； 懷滕析爾申纖麟＃抽取 ６？ 議 期规则６． 如果存崔直接成分缺失， 且中？＾为引发关系， 春晕近关联事件＃存多个主每， 则取最近关联？件中駔禽当翁事件最远的主第〈关联事件第一个主语＇）， 补全缺省主语－规则４聲求， 补查擁作的前痗必须蠢共享翁请＇的句乎在当前事件之前发生， 且存在语义依存关系．这符合捂句表达逻辑．因此肩则４ 是其它缺省规则执行的前提； 规则ｓ和规则６ 分别讨论不同《＾关系下的缺省补全情况．规厕５ 和规则６ 均是依照人们使用语言的习惯， 取关联夢件中位于语甸最前面”的主谮作为缺翁补全？图３ 展示了规则５． 补全过程？ 事件ＥＴ７ 書在主语缺失ｓ 因此在最近关联事件￡乃中査询核心根结点的直接孩子结点， 且办＜为ＳＢＶ． 针对规则６， 我们通过一个示例进行说明．例２．＊上航飞东言一航班因机械故障返航，Ｂ． 另调配飞机”的ＳＳＤＰ图如图１４ 所示， 其中，“调卸＂事件缺少主谞＊其关联事件“返航”穿在多个主语， 属此取最远主语＾上航”作为■＂调配，件主语．．在财绖领域中，作为共享主语，一般以细分的名词唐多， 如公Ｕ、股票的筒称、机构团体等专有名词集属此， 当存在直接成分缺失， 为引发关系， 且鼙．近关联事件只存在一个主语时， 则述需倩助该主语的词性细分缺省补全情况．？ ＰＯＬ１ｆｌｉ 、ｎｚ：．，ｆｔｈ？｝｝为爵性纛，其中ｎｉ、ｎｚ、ｎｈ 和ｊ 分别表示机构团体、专有名词、人£ 和筒称？ＰＱＬ为简单的词性集合， 无领域特性， 在规则判断过種中无需复杂的计＃， 直镔词＇性对比即可？规则７． 当最近关联喜件的主语词性不属于ＰＯＬ， 且主语存在定宙时， 则取主语第一个定语补全缺省主最．规则８．当最近关联事件的主语词性不唇于ＰＯＬ， 且主语不存在定语， 则取关联事件整体补全缺省主语，即组食缺朱补全．规则９． 当綦近关联事：彳牛的芏锫词性为名词或扇于ＰＯＬ， 则直接取关联事件主谞补全缺喾■趨则？？规则９， 射外是：趨则￥的３１补遺式， ｉ寸论＾办为引鸯关系但主涪唯一的情：ｔｉ 对内则分析关联事件主语词性． 财经领域标题常描述同一个主体的不同方面情况，当关联＃件主语词性属ｆＰＯＬ， 则该主语作为缺曹补全成分的概率． 较大， 如例４ｒ曹不属节ＰＣ儿且眘在定窜Ｂ寸５窣谞常为专有词Ｉ匚？ 从而共享此定ｉｓ，即缺＃定ｉｓ，如例３ 所示．例３． “自主品牌车市寒冬如何活下去， 不少紙为牟瘼背兼極”＆含睿件ｅｔｍ（ ，沦为， 车展ｆ量板． 其中， 主语寒冬°不属于ＰＯＬ， 但其存在Ａ： ＴＴ“自主品牌 当事件 全主语財， 稂据规则７可获取“自主品牌＇谮ＩｆＳ７ 的ＳＳＤＰ蘭如國ｆＩｆ示？ 主语？袖价＃作为普通名词， 且不存在定语， 满足规则８， 所以事件ＥＩＶ整体作为事■件ＥＴＳ 的主谱，例太“禽岸人民币贬值， 跌败《？９３ 关口”包含事件Ｅｔ（， 跌 关口）． 其中ｗ离岸人Ｓ币”作为 专有名词， 符合规则％拳件ＥＴｙ的主语补全为“离岸人民币％其． ＳＳＤＰ图如图１５ 所示．ｇ．２．２ 介词及被动＇欝寒缺誉补棄中文的介词ｆｅ常连接多个名ｉＯ 性词谓， 针对前面０出现的名词， 在后儀搭配介词的描述中一般将其省略？ 筒单地从句法上分析， 夢件已经存在相关成分， 但逻辑上＿人分析犮现， 相关成分并不露备． 同时， 对于特殊介词“被”字． 既兼： 顾Ｔ介词游点， 又包含了主语和実－语语义的反转， 也霄要特殊处理， 以便于缺省补全．因此， 专门提出规则１０ 和规则１１ 进行处理．规则１０． 如果为介爾引发的成分缺省， 且为引发关系， 则在最近关联事件中查找主语补全缺５２０ 计 算机 学 报 ２０２１年省的主语或宾语．规则１１． 如果由被动语态引起的成分缺省，且《＾为引发关系， 则取最近关联事件的主语作为缺省事件的宾语成分．图１０ 和图１２ 分别展示了规则１０ 和规则１１的补全情况． 在图１０ 中， 介词“与”触发启动补全，在关联事件ＥＴ１ ２（ 中国动力， 飙近，２１ ％） 中查找其主语“中国动力”， 并将其与“与中国能源”合并作为ＥＴ１ ３ 的主语． 在图１１中， 由“被”字引起的被动语态， 根据规则１１， 获取关联事件ＥＴ１ ４（伽马投资， 披露， 基金运作情况） 中主语“伽马投资”作为￡７＼５ 缺省宾语．５．２．３ 间接缺省补全除了句法结构上直观的缺省， 还存在语义上的间接缺省．间接缺省主要缺省修饰语， 常由公司或机构等充当． 如果缺省事件本身已经存在词性属于ＰＯＬ的名词作为主语， 说明已限定范围， 缺少修饰成分的可能性较小， 此时无需补全； 当事件存在主语， 主语词性不属于尸〇１， 且《＾关系为引发关系时， 才进行间接缺省补全， 其规则如下．规则１２． 如果关联事件主语的词性属于ＰＯＬ，且主语存在定语， 同时定语的词性也属于ＰＯＬ， 则在最近关联事件中取距离本事件最远的定语（ 关联事件第一个定语） ， 补全主语的缺省修饰部分．规则１３． 如果关联事件主语的词性属于ＰＯＬ，且主语不存在定语， 则取最近关联事件中距离本事件最远的主语（关联事件第一个主语） ， 补全主语的缺省修饰部分．规则１２ 和规则１３—定程度上属于规则９ 的细化， 且同时兼顾了规则７ 存在定语的情况． 不同的是， 规则９ 为句法结构不存在主语时的缺省补全， 而规则１２ 和规则１３ 是解决存在主语的修饰缺省． 另外， 较多词性属于ＰＯＬ的公司词语位于描述本公司各项指标的定语中或直接代表默认指标（ 即充当主语） ， 因此补全修饰缺省可主要考虑这些情景． 如图１３ 满足规则１２ 补全条件， 故获取ＡＴＴ“京东”作为事件 主语“市值”的修饰补充．尽管上述规则可涵盖绝大部分缺省， 但还是存在遗漏情况， 如共享成分为事件宾语． 因难于判断需补全的成分在关联事件中扮演的角色， 且该情况在语料中占比较小， 因此本文暂未考虑此情形， 在后期研究中将进一步分析此情况．５． ３ 基于ＳＳＤＰ图的中文事件抽取算法综上所述， 本文研究的事件抽取主要包括３ 步．第１ 步， 依次扫描ＳＳＤＰ图中核心根结点及其孩子结点； 第２ 步， 抽取事件主语、 谓语和宾语， 并判断是否启动补全； 第３ 步， 基于５．２ 节补全规则获取补全内容． 过程如算法５ 所示．算法５． 基于ＳＳＤＰ图的中文事件抽取．输人： 语句的ＳＳＤＰｇｒａ灿输出： 事件列表ＦＯＲＸｃｏｒｅＲｏｏｔ ＮｏｄｅＧＣＮＳ）／／ＣＮＳ为 沉的孩子结点集合， 即所有核心根结点ＥＴ＝０？，ＥＴ．ｐｒｅｄ＝ｃｏｒｅＲｏｏｔ Ｎｏｄｅ． ｔａｇ；／／ｍｇ为 结点的词标签ＦＯＲ（ｃｎｏｄｅ ｅＣＯＲＮＳ）／／ＣＣＲＮＳ为ｃｏｒｅＲｏｏｔ Ｎｏｄｅ 的孩子结点、 集合ＩＦ（ｃｎｏｄｅ． （ｉｐ为ＳＢＶ）ＥＴ． ｓｕｂ＝ｃｎｏｄｅ． ｔａｇ；ＥＮＤＩＦＩＦ（ｃｎｏ办． 办＾为ＶＯＢ或ＦＯＢ）ＥＴ．ｏｂｊ＝ｃｎｏｄｅ． ｔ ａｇ；ＥＮＤＩＦＩＦ（ｃｎｏｔｉｅ． ｍｇ为“被”字且属于引发关系） ／／规则１１将最近关联事件的主语添加至ＥＬＳＥＩＦ（ｃｎｏｄｅ．ｆｒｅｆ不为空且属于引发关系）／／规则１０／／＞ｒ吵为结点的介词关联标识将最近关联事件的主语添加至ＥＬＳＥ为ＳＢＶ且ｃｏｒｅＲｏｏｔ Ｎｏｄｅ．ｓｄｐ不属于引发关系）／／规则５将最近关联事件的主语添加至ＥＬＳＥＩＦ（ｃｎｏｄｅ． 为ＳＢＶ且ｃｏｒｅＲｏｏｔ Ｎｏｄｅ． ｓｄｐ属于引发关系）ＩＦ（最近关联事件中存在多个主语）／／规则６将第一个主语的 添加至ＥＬＳＥＩＦ（最近关联事件中只存在一个主语）ＩＦ不属于ＰＯＬ且５ｗＷＶ〇ｔｉｅ存在定语）／／规则７将 的第一个定语添加至ＥＬＳＥＩＦ不属于ＰＱＬ且不存在定语）／／规则８将最近关联事件中所有结点的 组合添加至ＥＴ．ｓｕｂ；ＥＬＳＥＩＦ属于ＰＯＬ）／／规则９将最近关联事件＾＾Ｎｏｔ ｉｅ．ｒａｇ添加至ＥＮＤＩＦＥＮＤＩＦ万齐智等： 基于句法语义依存分析的中文金融事件抽取 ５２１３ 期ＥＬＳＥＩＦ（ｃｎｏｄｅ．为ＳＢＶ且ｃｎｏｄｅ．抑兑ｔｇ不属于ＰＯＬ且ｃｏｒＡｏｏｄＶｏ办为引发关系）ＩＦ（关联事件主语 属于ＰＯＬ且ｓｕｂＮｏｄｅ 存在定语且５ｗ６Ｎ〇（ｉｅ 的定语的属于ＴＯＬ）／／规贝＂２将最近关联事件中第一个定语添加至ＥＬＳＥＩＦ（关联事件主语ｍＷＶｏ也抑伽ｇ属于ＰＯＬ且 不存在定语）／／规则１３将最近关联事件中第一个主语添加至ＥＮＤＩＦＥＮＤＩＦＥＮＤＦＯＲ将 添加至￡ＸＴ列表；ＥＮＤＦＯＲ６ 实验测评浪网数据集中随机选取５０００ 条财经新闻标题， 由计算机计算得到的规则覆盖情况如表４ 所示． 其中， 事件数为７５７５， 事件间存在语义依存关系且后面的事件在句法结构上没有主语的事件对总数为１４０１（ 可能存在直接成分缺省） ， 事件间存在语义依存关系且后面的事件在句法结构上存在主语的事件对总数为１４６０（ 可能存在间接缺省） ， 占比的单位为％．表４ 数据集中本文规则覆盖情况规则 数量 总数规则１ ４８４２ ５０００规则２ ２３９３５０００规则３ １５８ ５０００规则４ ４０９８ ７５７５规则５ ６８５ １４０１规则６ ４ ９ １４０１规则７ ２７ １４０１规则数量 总数规则８１５４１４０ １规则９３７ ６１４０１规则１０３７１４６０规则１１６４１４６０规则１２３ １１４６０规则１３７３１４６０占比１０． ９９２６． ８４２． ５３４． ３８２． １２５． ００在实验中， 依存句法分析、 语义角色标注均采用哈尔滨工业大学语言技术平台ＬＴＰ？， 语义依存分析使用哈工大联合科大讯飞公司共同推出的“哈工大讯飞语言云”平台？．６． １ 实验数据集本实验定位于财经新闻标题， 数据采自新浪财经网？滚动新闻， 同时为了确保数据来源多元化， 还选取了东方财富网？数据， 用于验证抽取方法针对不同数据集的鲁棒性．（１） 数据集本文选取新浪财经网（ 简称新浪网） ２０１８ 年１ 月至１２ 月财经新闻标题， 共计４９２３３６ 条； 东方财富网（ 简称东方网）２０１９ 年５ 月至６ 月部分财经新闻数据， 共计９７８ 条． 数据集中抽取事件及相关指标的统计结果如表３ 所示．表３ 数据集中抽取事件及相关指标的统计结果数据集 新闻数 事件数 无主语数 无宾语数新浪网 ４ ９２ ３３６ ７２４ ２９４ ２２９ ３４ ６ １９８ ９９１东方网 ９７８ １ ５３７ ５０３ ３８４合计 ４ ９３ ３ １４ ７２５ ８３ １ ２２９ ８４ ９ １９９ ３７５其中， 事件数为采用本文方法由计算机抽取得到的结果， 非人工标注结果； 无主语数、无宾语数分别指计算机直接抽取（ 即没有进行主语、 宾语补全）时没有抽取到主语、宾语的事件数量． 新浪网中平均每条新闻标题中有１．４７ 个事件， 东方网中平均每条新闻标题中有１．５７ 个事件．为了验证本文所提规则的覆盖性， 我们从新由表４ 可知， 利用ＣＶＣ比原始ＤＰ树多识别的事件占比增加５６．４４％（包含事件的语句数为４８４２，ＣＶＣ能够识别的事件数为７５７５）． 另外， 语料中直接成分缺省的补全规则占比较大， 间接缺省仅占小部分， 规则覆盖的总体情况与中文实际表达习惯较为吻合．（ ２） 文本预处理新闻标题数据集中存在两个导致句法分析产生错误的问题： ①新闻标题常包含专家、 企业的意见或评述， 如标题“银保监会： 信托公司监管评级将增设支持民企评分细项”中“银保监会：”， 这些成分对于所需信息的抽取帮助甚微， 且干扰ＬＴＰ句法依存分析； ②新闻正、 副标题之间一般以空格隔开， ＬＴＰ对于空格并不认为隔开两个子句， 句法依存的分析效果不佳． 因此， 在预处理阶段， 首先去除正标题之前的内容（一般为“：”之前） ， 然后以中文逗号代替正、 副标题之间的空格．（ ３） 标注数据集原始新闻标题数据集巨大， 人工很难完成所有数据的标注， 因此随机选择部分数据进行人工标注（ 新浪网１２００ 条， 东方网５００ 条） ， 并以此验证事件抽取效果． 标注数据集中标注事件及相关指标的统计结果如表５ 所示．①ｈｔｔｐ：／／ｌｔｐ． ａｉ／ｄｏｃｓ／ｉｎｄｅｘ． ｈｔｍｌ②ｈｔｔｐｓ ：／／ｗｗｗ． ｘｆｙｕｎ． ｃｎ／ｓｅｒｖｉ ｃｅｓ／ｓｅｍａｎｔ ｉｃＤｅｐｅｎｄｅｎｃｅ③ｈｔｔｐ： ／／ｆｉｎａｎｃｅ， ｓｉｎａ． ｃｏｍ． ｃｎ／ｒｏｌ ｌ／＃ｐａｇｅｉｄ＝３８４ ＆－ｌｉｄ＝２５１ ９＆－ｋ＝＆－ ｎｕｍ＝５０＆－ｐａｇｅ＝ｌ④ｈｔｔｐ： ／／ｆ ｉｎａｎｃｅ，ｅａｓｔ ｍｏｎｅｙ．ｃｏｍ／ｎｅｗｓ／ｃｙｗｊｈ． ｈｔ ｍｌ５２２ 计 算机 学 报 ２０２１年表５ 标注数据集中标注事件及相关指标的统计结果数据集新闻数事件数无事件数主语数宾语数补全主语数补全宾语数新浪网 １２００ １８９８ ６８ １５６９ １３５０ ５２３ ４７５东方网５００７１８ １５ ５７１ ５７２ ２１３１４９合计 １７００ ２６１６ ８３ ２１４０ １９２２ ７３７ ６２４其中， 事件数是指人工标注得到的事件数量； 无事件数是指人工标注没有发现事件的新闻标题数量； 主语数是指有主语（ 含补全主语） 的事件数量；补全主语数是指从新闻标题直接标注得到的事件中缺省主语或主语不完整， 但人工可以从相关联的事件中发现并补全主语的事件数量； 宾语数、补全宾语数的概念分别类似于主语数和补全主语数． 在合计标注的数据集中， 补全主语数、 补全宾语数分别占到了主语数和宾语数的３４．４４％、３２．４７％， 进一步验证了中文语句中缺省情况的普遍性以及补全的重要性．本文共选用具备较强财经知识的３ 位教师作为事件标注者． 标注标准： ①如果语句不是由动词触发， 则标注为无事件； ②如果语句有核心动词， 则认为存在事件， 且每一个核心动词触发一个事件， 但将同一个语句中相邻核心动词的多个事件合并为一个事件（核心动词间只包含副词也看成是相邻）； ③如果事件应该存在主语或宾语， 则无论是否缺省， 均标注为存在主语或宾语； ④如果事件存在主语或宾语缺省， 则标注为补全主语或补全宾语， 并给出补全后的主语或宾语．当出现标注结果不一致的情形， 则由３ 人讨论确认最终标注结果． 标注一致性评测结果是３ 位标注者标注结果完全相同的数量占标注总数量的比例（单位： ％） ， 如表６ 所示．表６ 人工标注数据集一致性评测数据集 核心动词 事件 主语 宾语 补全主语 补全宾语新浪网９８． ６３ ９７． ７９ ９７． ７１ ９９． １１ ９４． ４６ ９８． ３２东方网 ９８． ３３ ９７． ３５ ９７． ２０ ９８． ７８ ９４． ３７ ９６． ６４合计 ９８． ５５ ９７． ６７ ９７． ５７ ９９． ０１ ９４． ３０ ９７． ９２由表６ 可知， 核心动词易判断， 宾语及补全宾语结构简单， 其标注一致性均比较高． 补全主语因缺省结构复杂， 标注一致性最低， 分歧主要集中于简单缺省和组合缺省的判断， 二者作为补全成分有时均成立， 难以明确地区分．６． ２ 评测指标为了更好地理解测评指标， 先对标注数据集中的相关统计指标进行说明， 具体如表７ 所示． 为了简化， 可将正确抽取数、不完整抽取数分别简称为正确数、 不完整数．表７ 标注数据集中的相关统计指标指标符号 指标含义 指标说明ＬＱ 标注数（ＬａｂｅｌｅｄＱｕａｎｔｉｔｙ） 人工标注得到的数量ＥＱ抽取数（Ｅｘｔｒａｃｔ ｅｄＱｕａｎｔ ｉｔｙ）基于本文方法由计算机抽取得到的数量ＣＥＱ正确抽取数（ＣｏｒｒｅｃｔＥｘｔ ｒａｃｔ ｅｄＱｕａｎｔｉｔｙ）在抽取结果中抽取正确（ 即抽取结果也是人工标注结果） 的数量ＷＥＱ错抽数（ＷｒｏｎｇＥｘｔ ｒａｃｔ ｅｄＱｕａｎｔ ｉｔｙ）在抽取结果中抽取错误（ 即抽取结果不是人工标注结果） 的数量ＭＱ漏抽数（ ＭｉｓｓｅｄＱｕａｎｔｉｔｙ）人工标注结果中没有被计算机抽取到的数量ＷＱ错误数（ＷｒｏｎｇＱｕａｎｔ ｉｔｙ）在抽取过程中没有正确抽取的数量， 包含错抽数和漏抽数ＩＥＱ不完整抽取数（ ＩｎｃｏｍｐｌｅｔｅＥｘｔｒａｃｔｅｄＱｕａｎｔｉｔｙ）核心动词抽取正确但其他属性抽取错误的事件数量注：（１） 对于事件抽取， 正确数ＣＥＱ是指所有事件属性均抽取正确的事件数量， 错抽数ＷＥＱ 是指核心动词未抽取正确的事件数量；（ ２） 对于事件抽取， 抽取数ＥＱ等于正确数ＣＥＱ、 错抽数ＷＥＱ和不完整数ＩＥＱ之和；（ ３） 对于事件属性（核心动词、 主语或宾语）抽取， 抽取数ＥＱ等于正确数ＣＥＱ和错抽数ＷＥＱ之和；（４） 对于人工标注没有发现事件的新闻标题， 如果计算机也没有抽取到事件， 这表明计算机抽取正确， 但由于标注数ＬＱ中无法反映无事件数， 因此在计算事件抽取评测指标（准确率、 召回率和Ｆ１ 值） 的时候均不考虑无事件数指标．根据以上概念， 错抽数（对于事件抽取还包括不完整抽取数）影响抽取准确率， 错误数（包括错抽数和漏抽数， 对于事件抽取还包括不完整抽取数） 影响抽取召回率． 基于表７ 的相关统计指标， 可得到准确率（＿？厂６￡：￡？＇０？， ＿？）、召回率（＿？？６［＜２／／， ＿？？） 和１；＇１ 值３ 种评测指标的计算公式如下：Ｐ＝ＣＥＱ／ＥＱ，Ｒ＝ＣＥＱ／ＬＱ，Ｆ１＝２ＸＰＸＲ／（Ｐ ＋Ｒ） ．６． ３实验结果针对事件及事件属性（核心动词、主语或宾语） 抽取， 首先给出表７ 所列各指标在标注数据集中的统计结果， 再分别就准确率Ｐ、召回率ｉ？ 和Ｆ１ 值３ 种指标进行评测， 以评价本文方法的抽取效果．６．３．１ 实验统计数据（１） 核心动词抽取． 核心动词抽取是事件抽取的关键， 不仅反映了事件探测效果， 还直接决定其他属性抽取的意义． 标注数据集中核心动词抽取的各指标统计结果如表８ 所示．表８核心动词抽取的统计结果数据集 抽取数 正确数 错抽数 漏抽数新浪网 １８９９ １７６３ １３６ ６７东方网 ７１５ ６９１ ２４ １６合计 ２６１４ ２４５４ １６０ ８３万齐智等： 基于句法语义依存分析的中文金融事件抽取 ５２３３ 期（２） 主语抽取． 主语作为事件的实施者， 其重要性不言而喻． 标注数据集中全部主语抽取和补全主语抽取的各指标统计结果如表９ 所示． 其中， 全部主语抽取为所有主语抽取情况， 包含补全主语抽取． 由表９可知， 对于合计数据集而言， 补全主语错抽数占全部主语错抽数的比例高达８５．６６％， 说明在本文语料中，全部主语错抽的影响主要源于补全主语错抽．表９ 主语抽取的统计结果数据集全部主语 补全主语抽取数正确数错抽数漏抽数 抽取数正确数错抽数漏抽数新浪网１５７９１３７６２０３４８ ５９４ ４０８１８ ６ １１东方网 ５７３ ５ １８５５ ２２ ２１８ １８３３５ ８合计２１５２ １８ ９４２５８ ７０ ８１２ ５９１２２ １ １９（３） 宾语抽取． 标注数据集中全部宾语抽取和补全宾语抽取的各指标统计结果如表１０ 所示．表１０ 宾语抽取的统计结果￣￣￣全部宾语抽取补全宾语抽取救据集抽取数正确数错抽数漏抽数 抽取数正确数错抽数漏抽数新浪网１３３７ １２ １１ １２６ ３５ ５３７ ４３６ １０ １ ３东方网 ５６３ ５ ２０ ４３ １９ １７７ １３５ ４２ ３合计 １９００ １７ ３１ １６９ ５４ ７１４ ５７１ １４３ ６由表１０ 可知， 对于合计数据集而言， 补全宾语错抽数占全部宾语错抽数的比例高达８４．６２％， 说明在本文语料中， 全部宾语错抽的影响主要源于补全宾语错抽．（４） 事件抽取． 事件抽取包含事件所有属性的抽取， 因此正确抽取是指事件全部属性均抽取正确．标注数据集中事件抽取的各指标统计结果如表１１所示．表１１ 事件抽取的统计结果数据集 抽取数 正确数 不完整数 错抽数 漏抽数新浪网１８９９ １５７９ １８４ １３６ ６７东方网 ７１５ ６２７ ６４ ２４ １６合计 ２６１４ ２２０６ ２４８ １６０ ８３６．３．２ 缺省结构覆盖率为了体现本文所提规则的覆盖情况， 按照第５节描述的缺省结构对人工标注语料进行了统计， 具体如表１２ 所示． 表中数据为语料中缺省结构出现次数在缺省总数的占比（ 单位： ％其中，“宾作主”表示事件宾语充当或修饰其他事件主语的情况．表１２ 缺省结构覆盖率数据集 简单 组合 间接 介词 被动 宾作主新浪网 ６９． ２２ １１． ０９ １２． ８１ ２． ６８ ３． ０６ １． １５东方网 ７ ４． ６５ ８． ４５ ９． ８ ６ ２． ８２ ４． ２３ ０． ００合计 ７ ０． ７ ９ １０． ３３ １１． ９６ ２． ７２ ３． ４０ ０． ８２由表１２ 可知， 表中６ 种缺省结构涵盖了语料所有缺省情况， 本文考虑了前５ 种， 其覆盖率合计值达９９．１８ ％．“宾作主”情况仅在新浪网中出现， 覆盖率为１．１５％， 说明本文提出的规则涵盖了绝大部分的缺省情况， 覆盖率可以保证．６．３．３ 实验评测（１） 核心动词及事件抽取评测结果如表１３ 所示．表１３ 核心动词及事件抽取的效果数据集核心动词抽取／％ 事件抽取／％准确率 召回率 值 准确率 召回率 值新浪网 ９２． ８４ ９２． ８９ ９２． ８６ ８３． １５ ８３． １９ ８３． １７东方网９６． ６４ ９６． ２４ ９６． ４４ ８７． ６９ ８７． ３３ ８７． ５１合计 ９３． ８８ ９３． ８１ ９３． ８４ ８４． ３９ ８４． ３３ ８４． ３６由表１３ 可知， 合计的核心动词抽取的Ｆ１ 值达９３．８４％， 验证了按照核心动词链建立规则识别确认事件的有效性． 以上结果主要受益于事件绝大部分由动词触发， 而每个事件是独立的， 在语言学句法结构上均采用并列关系进行事件关联． 本文的核心动词抽取方法遵循了这一特点， 将ＳＳＤＰ树中核心动词进行拆分， 形成ＳＳＤＰ图， 图中ｉ？〇〇ｚ 结点的每个孩子均为核心动词． 然而， 核心动词在抽取过程中还存在一些不足， 如多词性问题， 词性的准确性一方面影响依存句法结构， 另一方面影响核心动词的识别，在一定程度上降低了核心动词抽取的效果， 后期工作可考虑结合动词搭配的论元来确定多词性词语的词性． 另外， 新浪网的Ｆ１ 值为９２．８６％， 较东方网的９６．４４％低了３．５８ 个百分点， 主要是由两个原因导致的： ①新浪网的新闻标题更偏好于采用大量动词表达，一定程度上降低了识别新闻标题中核心动词的准确率； ②新浪网的新闻标题对正文的概括更为精简， 词汇之间的关联降低， 不利于句法分析．对于事件抽取， 通过Ｆ１ 值可以发现， 其抽取效果也不错， 合计的Ｆ１ 值为８４．３６％， 验证了本文方法对事件抽取的有效性． 但较于核心动词抽取， 因同时添加了正确抽取主语和宾语的要求， Ｆ１ 值由核心动词抽取的９３．８４％降至事件抽取的８４．３６ ％， 降低了９．４８ 个百分点． 核心动词抽取正确时事件抽取错误（ 即事件不完整抽取的情况） 的统计结果如表１４所示， 其中主语错抽数、 宾语错抽数中都包含了“主宾语均错抽数 针对合计数据集， 核心动词抽取正确时的主语错抽数、 宾语错抽数与不完整数的占比分别为６８．９５％和４６．３７％， 说明主语比宾５２４ 计 算机 学 报 ２０２１年语被错抽的可能性更大． 这是因为主语省略较宾语省略更为普遍， 且形式多样化， 规则难以全面覆盖、完全适用．表１４ 核心动词抽取正确时主语和宾语错抽的统计结果数据集 不完整数 主语错抽数 宾语错抽数 主宾语均错抽数新浪网东方网１８４６４１２６４５８１３４２３１５合计 ２ ４８ １７１ １１５ ３８（２） 主语抽取评测结果如表１５ 所示． 其中， 合计的全部主语抽取的Ｆ１ 值达８８．２６％， 验证了本文方法对于主语抽取的有效性．表１５ 全部主语及补全主语抽取的效果数据集全部主语抽取／ ％ 补全主语抽取／％准确率 召回率 值 准确率 召回率 值新浪网东方网８７． １４９０． ４０８７． ７０９０． ７２８ ７． ４２９０． ５ ６６８． ６９８３． ９４７８．０１８５． ９２７３．０５８４． ９２合计 ８８． ０１ ８８． ５０ ８ ８． ２ ６ ７２． ７８ ８０． ３０ ７６． ３６同时， 主语抽取的效果严重依赖于核心动词抽取的效果．分析如下： ①如果核心动词抽取正确， 则主语被正确抽取的可能性较大． 例如， 针对合计数据集， 基于表１４ 可计算得到核心动词抽取正确时的主语错抽数与表８ 中的核心动词正确数（ ２４５４） 的占比为６．９７％， 即核心动词抽取正确时主语错抽率仅为６．９７％； ②如果核心动词抽取错误， 则主语被错抽的概率就要大得多． 例如， 由于核心动词错抽导致主语和宾语错抽的统计结果如表１６ 所示．表１６核心动词错抽导致主语和宾语错抽的统计结果数据集 核心动词错抽数主语错抽数宾语错抽数主宾语均错抽数新浪网１３６７７４５３４东方网２４１０９８合计１６０８７５４４２在表１６ 中， 主语错抽数、宾语错抽数中都包含了“主宾语均错抽数 针对合计数据集， 主语错抽数占核心动词错抽数的比例为５４．３８％， 即核心动词抽取错误导致的主语错抽率高达５４．３８％．对于补全主语抽取， 其合计的Ｆ１ 值为７６．３６％，验证了本文提出的主语缺省补全规则的有效性． 但相较于其他属性的抽取效果， 补全主语的Ｆ１ 值最低． 主要源自于如下几个方面：①未考虑利用关联事件的宾语补全缺省主语的情况． 存在利用关联事件中的宾语补全缺省主语的情况， 如语句Ｓ８， 宾语“私募基金”作定语补全“规模②主语省略形式多样化． 缺省事件需要补全的主语以多样化的形式处于关联事件中， 给出的规则难以适用于所有情况．③语义依存关系存在错误． 本文借助了结点间语义依存关系， 但对于核心动词间的语义依存关系，ＳＤＰ工具存在语义依存关系结果分析错误的情况，使得不满足相关规则， 导致抽取错误．另外， 对比两个标注数据集， 补全主语抽取的效果存在差异， 主要是由于新浪网的新闻标题过于精简并采用多动词所致， 凸显了词语多词性问题带来的影响．（ ３） 宾语抽取评测结果如表１７ 所示．由表１７ 可知， 合计的全部宾语和补全宾语抽取的Ｆ１ 值分别为９０．５８ ％和８５．３５％， 验证了本文方法对于宾语及补全宾语抽取的有效性．表１７ 全部宾语及补全宾语抽取效果数据集全部宾语抽取／％ 补全宾语抽取／ ％准确率 召回率 值 准确率 召回率 值新浪网９０． ５８ ８９． ７０ ９０． １４ ８１． １９ ９１． ７９ ８６． １７东方网 ９２． ３６ ９０． ９１ ９１． ６３ ７６． ２７ ９０． ６０ ８２． ８２合计 ９１． １１ ９０． ０６ ９０． ５８ ７９． ９７ ９１． ５１ ８５． ３５同样， 宾语抽取的效果也是严重依赖于核心动词抽取的效果． 例如， 针对合计数据集， 基于表１４ 可计算得到核心动词抽取正确时的宾语错抽数与表８中的核心动词正确数（２４５４） 的占比为４．６９％， 即核心动词抽取正确时宾语错抽率仅为４．６９％； 基于表１６ 可计算得到宾语错抽数占核心动词错抽数的比例为３３．７５％， 即核心动词抽取错误导致的宾语错抽率高达３３．７５％．相对于主语抽取， 无论是全部还是补全， 宾语抽取的效果均要更好． 由前文叙述可知， 宾语缺省形式较为常规化， 主要由介词和被动语态引起， 其余大部分为含有宾语和无宾语情况（ 不及物动词作为核心动词） ， 规则容易总结， 且适用性较好， 使得其效果好于主语抽取， 但对标宾语抽取规则本身， 还存在２ 点不足： ①被动语态只考虑了“被”字结构， 中文中还存在一些其他表示被动的词语， 如“遭”字结构等；②语义依存关系用于判别介词引发的宾语缺省存在一■定的局限性， 其准确率还有待进一■步提尚．另外， 对于主语或宾语抽取， 其效果除了受核心动词抽取的影响以及与补全主语或补全宾语抽取的效果有关之外， 还会受ＬＴＰ分词、依存句法分析结果的影响． 标注数据集中包含了部分分词及依存贿轉： 基； 懷滕析爾申纖麟＃抽取 ５２ ５ ３ 期句． 法分析错误的憬况， 对于吩词及依存句法分析正确的数据对象， 本文方法在事件＜及各属性上的抽取效果． 均＃有一定涯度的提齊＊ 但中文分飼举身就是一个很具挑战性的开放难題， 需要考虑语言孛特点和调语语义等情况＊ 有待提出更好时解决方法、针对两个人工标注数据集， 事件及各属性抽取敏果的直规对比分析鐵舉分别如經１￥ 和图１７ 所示＊ 其中．， 横坐标为攀忤及各屬性下的３种指标， 纵坐标为各指标ｆｔ（ 单位： 从圈１６ 和图１７ 对以看出， 东方两的抽取效莱整体略好于新浪网， 这主．愛受核心动词抽取影响．６．３．４ 其他领域抽取效果为了体现本文方法臭有较好的扩展性， 选择对开敢域新闻进行夢件抽取实雜， 本文随机选取新狼网：２０：１８ 年翁菌标癯■０条．： 其中， 人：工标注的事件数、 全部主语数和补全主语数分别齿戚，？、肋４ 和１２＾无棄语缺省情况； 实验抽取的各项指标的统计数据如表 所示．表１８新浪新闻中主语补全及事件抽取的统计结果事项 抽取数 正确数 不完整数 错抽数 漏抽数主语补全事件抽取１４３１０００４３１１９５６８５３６９３４１８由＃注数据可知， 补全主语数在全部主语数中的占比为１＾铋％， 远低ｆｆ财费新闻领域， 且通过标注发现， 缺省结构基本上集中于简单主语缺省？ 这是由于领域的特性所戴，财经领域新闻标題大多描述某个公司或企业不同方面的箱： 关＿．息ｉ在中文： 表达中．： 食了简输ｓ 隱一个主语在后续相邻语甸的表达中， 无论充当相同成分（：简单缺會》还是作定语修饰成分（：间接缺省５， 常省略． 而开放域新闻常为一个事件的发生如何影响其他事＃，单个事件的成分比较健全， 所以缺省数较：少？呙外， 财经领域包含较多数值铺， 即描述事件的具体情况．这使每事件之间存在较多Ｗ果关系， 而Ｈ果关系中的结果， 有较大一部分是由一个语旬整体所致． 所以 才： 氧领域存存一定的１１脅缺省？由此可知，财经颔域妓其他领域＊不权存在较多的缺＃倩况． 且缺省Ｗ形式较齿丰富． 进一步佐证了本文研究财经金融领域的＃件抽取及缺省成分补全晷有较大的现实意义，在抽取效果上， 测１平结果如表１＆所示．表１９ 新浪新闻中事件抽取及主语补全的效果事件抽取／％ 补全主语抽取／％准确率 召回率值 准确率召回率Ｆ１ 值８９． ２３８９．１３８９．１８ ６９．９３８０．００７４．６３从表１普与＇＿表１Ｓ 对比可知， 无？是導件抽取述是金鲁．全＊有开翁域的敏舉均与食＿輕； 域祖当， 且略有槔升， 说明本文方法隹领域扩雇上具有＿好的适處性， ＃棒： 性较强， 对于事■件抽取，Ｆ１揸植表１３ 中提高３＊ｔＬ０１ 个百分点， 主荽是喪为领域＃业词汇较少， 分词及句法结构分析的结果较好？ 在补全主语抽取方面浪：开放域缺省结构筒单＿， 其Ｆ１ 值比識１５ 擾开了Ｕｇｉ 令百分点，６． ４ 与其他方法的实验对比⑴纖鑛选择本文狀：两个方Ｗ幾雜对比： 方法．一龙Ｗ： 幾雜ＤＰＭ和ＳＤＰ抽取方： 法，验征ＳＳＤＰ组含的有效性；另一方面翁＿ＳＲＬ［ＬＴＰ］［４°］、ＳＲＬ［Ｍａｔｅ］①—ＳＲＬ方驗＇和ＤＭＣ＿ｆ１ ４］ＪＲＳＷ１ ５１和ＪＭＥ：ＥＤ７１等事件．抽取方法作为对比方法， 验证基于ＳＳＤＰ的事件抽取及基于所港规则的缺省补全方法的优势． 其中， ２ 种ＳＲＬ方法直接给出语句包含＃主语、 谮语和宾语，３ 种事件抽取方法对窜句包含的词窜迸行触发饲、论： 元和徽元翁色分：餐？誓養说明勝是， 和ＪＭＥＥ方法均聚焦于设计先进方法进行传统事件抽取， 不羼于针５ｆ＿ｆｒ抽敗中的： 某个特禽Ｗ＿商儀计的方＿＿， 如①ｈｔｔｐｓ ： ／／ｃｏｄｅ， ｇｏｏｇｌｅ，ｃｏｍ／ａｒｃｈｉｖｅ／ｐ／ｍａｔｅ－ ｔｏｏｌｓ／５２６ 计 算机 学 报 ２０２１年训练数据不足或篇章级事件等， 因此本文选择这些方法作为基线实验． 这些方法在原文中做了很多论元角色的判断， 但在我们实现相关方法时， 实验标注的数据集中只包含主语、谓语、宾语和其他角色的分类， 仅考察这些方法对事件的主语、谓语和宾语的正确分类效果．另外， 由于语言类别和语料的不同， 本文对相关方法做了以下几点修改： ①ＡＣＥ２００５ 语料包含事件类型、实体类型等信息， 在本文实验中将此信息输人为空； ②触发词和论元及角色按照ＡＣＥ２００５ 划分的全部类别进行分类， 但本文只对主语、谓语和宾语抽取的效果进行对比．（２） 基线实验数据集及参数设置为了避免ＤＭＣＮＮ、ＪＲＮＮ和ＪＭＥＥ等方法因训练数据不足难以发挥其抽取效果， 同时为了进一步验证本文方法在非标题（ 长句）、 开放领域数据下的抽取能力， 我们不仅在６．１ 节描述的标注数据集上而且在Ｃ〇ＮＬＬ２００９ 中文语料上进行事件抽取实验． 其中， Ｃ〇ＮＬＬ２００９ 中文语料分训练集、 验证集和测试集３ 部分， 包含的语句数分别为２２２７７ 条、１７６２ 条和２２ 条．在本文标注数据集上， 我们随机选择３０％作为测试集， 剩余的作为训练集， 并从训练集中随机选择１０％作为验证集． 对于Ｃ〇ＮＬＬ２００９， 因测试集太小， 我们随机从训练集中不放回地抽取３１３ 条语句增加至测试集， 即最后确定训练集２１９６４ 条、验证集１７６２ 条、测试集３３５ 条． 实验涉及的词向量由Ｗ〇ｒｄ２Ｖｅｃ？工具在本文２ 个数据集上训练得到，词向量维度分别与文献［１４］、文献［１５］和文献［１７］保持一致， Ｗ〇ｒｄ２ Ｖｅｃ 其余参数的设定标准依据词汇语义相似度． 每条语句分词个数最大设定为１００． 对于基线实验模型所需的超参数取值， 采取网格搜索函数ＧｒｉｄＳｅａｒｃｈＣＶ选择最优值， 基于ＣｏＮＬＬ２〇〇９的模型超参数最终取值情况如表２０ 所示．的测试集．另外， 本文规定只有触发词、 论元及论元角色全部正确分类（ 仅指事件的主语、 谓语和宾语全部正确， 包括主语和宾语的缺省内容补全） ， 才认定为本文的事件抽取正确． 所以， 测试过程分为三步， 首先进行触发词抽取， 然后判断触发词抽取情况， 仅当触发词抽取正确时才启动论元抽取， 最后依据二者的抽取情况进行综合计算， 得出最终抽取结果？（ ３） 对比分析结果ＤＰ和ＳＤＰ方法分别分析语句的句法和语义依存情况． 为了使实验具有可比性和说服力， 我们假设： ①ＤＰ和ＳＤＰ方法均按照核心动词链的建立和调整规则进行扩展； ②两种方法都采取缺省补全规则进行属性查询补充； ③因为介词和被动语态引起的缺省， 需要结合语义分析结果进行ＳＳＤＰ树结构调整， 所以ＤＰ方法对上述两种缺省不做调整；④ＤＰ方法不建立事件间语义关联， 对于任何缺省均按补全规则查询．由于ＳＲＬ方法给出了论元角色标注结果， 因此可直接通过标注的角色获取事件ＥＴ各属性．在新浪网标注数据集上， ５ 种方法抽取的统计数据如表２１ 所示． 由于ＤＭＣＮＮ、 ＪＲＮＮ和ＪＭＥＥ方法都是通过语句中词的分类直接判断抽取效果，因此在表２１ 中未给出这３ 种方法的统计结果．表２１ 新浪网上事件抽取的统计结果抽取方法抽取数 正确数 不完整数 错抽数ＳＳＤＰ １８９９ １５７９ ２４２ＤＰ １８９２ １４４１ ３７１ＳＤＰ １７５９６５５ ８６９ＳＲＬ［ＬＴＰ］１９４９ ８９８ ６９６ＳＲＬ［Ｍａｔ ｅ］２５３３ ６９６ ８２８２３５３５５１００９漏抽数３７ ４３０ ４１３ ９在新浪网标注数据集上， ８ 种方法抽取的准确率、召回率和Ｆ１ 值如表２２ 和图１８ 所示． 其中， 图１８中横坐标为３ 种评测指标下的事件抽取的８ 种方法， 纵坐标为各指标值（单位：表２０基于ＣＯＮＩＸ２００９的超参数取值情况超参数ｂａｔ ｃｈ＿ｓｉｚｅｅｐｏｃｈｓｄｒｏｐｏｕｔ ａｃｔ ｉｖａｔ ｉｏｎｌｅａｒｎ一ｒａｔ ｅＤＭＣＮＮ６４１００． ２ｒｅｌｕ０． ０１０ＪＲＮＮ３２５０． ２ｔａｎｈ０． ００１ＪＭＥＥ３２８０． ５ｔａｎｈ０． ００１在实验测试方面， Ｃ〇ＮＬＬ２００９ 未全部标注本文提出的缺省补全信息， 如间接缺省和组合缺省等．因此， 我们按照前述的标注标准对测试集进行了补充标注． 在Ｃ〇ＮＬＬ２００９ 上的测评均基于诙补充标注表２２ 新浪网上事件抽取的效果对比抽取方法￣￣ＳＳＤＰ￣￣ＤＰＳＤＰＳＲＬ［ＬＴＰ］ＳＲＬ［Ｍａｔｅ］ＤＭＣＮＮＪＲＮＮＪＭＥＥＦＩ值０４①ｈｔｔｐｓ ： ／／ｃｏｄｅ，ｇｏｏｇｌｅ．ｃｏｍ／ｐ／ｗｏｒｄ２ｖｅｃ／万齐智等： 基于句法语义依存分析的中文金融事件抽取 ５２７２０１０°准确率图１ ９Ｃ〇ＮＬＬ２００９召回率Ｆ１值上４ 种方法的事件抽取效果对比由表２２、 表２３ 可知， 针对Ｃ〇ＮＬＬ２００９ 中文语料， 相较于财经新闻标题语料， 虽然ＳＳＤＰ方法的事件抽取效果出现了较大幅度的降低， ＤＭＣＮＮ、ＪＲＮＮ和ＪＭＥＥ方法的事件抽取效果均有一定幅度的提高． 但是，ＳＳＤＰ方法的Ｆ１ 值仍高于ＤＭＣＮＮ、ＪＲＮＩ＾和ＪＭＥＥ方濃１４． 雜 １Ｓ．０＇４个霄费点，逋过分析， ＳＳＤＰ方法效果降低的主要原窗包績？ ①ＣｏＮＬＬｇ－００８ｆ文培料中＿长甸木利Ｉ３ｍＳ结构分析．关键的核心动词结构错误將导致其包含的事件无法识． 别； ②长句不利于缺省补全， 长旬覆盖的笱构驾杂且词： 语■多增大了补全的难度； ③出现部分长句整体做为宾语的结构， 菌宾语在： 珞言学绪构上不存在ＣＯＯ并列关系扩，膨本文未考虑此情况，敦使长旬宾舊包含的大量＊件无法识别， 同时， ＤＭＣＮＮＪＲ顧和ＪＭＥＥ方法效果提高的原因可能是増加了财练数据所致？霍验緒果充分说朋，在：Ｉｋ融领域的＇中文奮件抽取及事件成分缺失补全：＃廣：， 牟文方法具有明显的优势和较强的适应？性．７ 总结与展望参件抽取对宏观经挤趋势预测具有重醫意义，目曾事件抽取侧重于抽取分类的正确性， 未结含１１用霉求迸行分析， 难以较好地应用于特定领域．本文针对金融４ｌｆ域财絰新闻标龜奥据， 归纳了事件＝漏抽、 事件成分缺餐、 事件成： 分抽： 取镨误及事件堪义放大筹４种现象， 提出了句法和軎义依存分析相结合的事件抽敗框架—ＳＳＤＰ 菌， 首先， 利用准确率召回率ＦＩ值新浪； 网土８种＃锻的＊件抽取德果劾比表２３Ｃ〇ＮＬＬ２００９ 上事件抽取的效果对比嫌取方■ 准：确率召回率Ｐ１ 値ＳＳＤＰ？． ０８６５． １６ｆＳ，２０ＤＭＩｌＭｆ氣． Ｍ４３．＆５１， ｉｓＪＲＮＩ｜５Ｔ，Ｓ？＞４８． ４８５２．ｆＳＪＭＥＥ？．９１－４＆０５５５． ２２虜＇表ｇｒ和厲ｉｓ可知；， 本文方法明显优于其他方法． 这是因为ＳＳＤＰ结脅了句法和语义双重结构特征．因此ｒ添加语义关联、调整优化ＤＰ树｜＇可提高＃件的识别能力， 迸而提升属性抽取效果．．Ｆ１偉上．， ： Ｄ； Ｐ、 Ｓｉ）Ｐ比ＳＳＤＰ分别低了７？｜、４Ｔ．ｉＳ 个Ｗ＃点． ＤＰ主要是Ｈ为事件间缺乏语义关联， 没有雄据其笑联类型进行补全机制判断． 即未考虑事件间语义， 而直接采用句法结构迸行缺省补全５导致效率有所下降．． 另． 外， ＤＰ的＿Ｆ１ 值较高， 说明了ＤＰ句祛结构分析效果不错， 也间镔验怔了该工具被普遍采用的威因． 而ＳＤＰ厕主荽；Ｓ由于语义依存镇构分析效果不佳所导致的， 周时不支持自定义词典的添加， 也遽一步增加了爾ｒ间语义依存的错误率５ 使得抽取错模数急剧壻加．ＳＲＬ［ＬＴＰＢＴＳＲＬ［Ｍａｔｅ］的抽取效果樣差， ＿Ｆ１值分别．为４．６， ６＆％和 ５６％． 这主粟是受核心动词识别效果的影响， 窗为中文存在大量多词性的动词ｓＳＲＬ基本将所有动词均识别为语句请语＾ 导致事件错抽数较高， 从而大幅降低Ｔ抽取敏果．关于： ＤＭＣＮＷＪＲＮＭ和ＪＭＥＥ方法猶抽取敏果， 可认两个方面探讨ｓ—方，面》 对比ＳＳＤＰ＊ 其抽取氣舉不太麗 减少了８１９１？ｍ６２ 个首＃歲ｒＢ—方面，： 翁比旗： 文雜［１４－１５，１７］，事件抽取敏果在总体上与原文中给出的结果相当，但均有所降低．主寒廣Ｂ包括ｆ ①本文语料（＇新闻标题）较短＊请旬含有的上下文信息有限， 深度学习难以提取较多有用？信息ｒ ②本文语料无事件类型和实体类型等信息， 输Ａ魯｜ＪＥ减少Ｉ： ③Ｍ文来考＇虑缺脅补全詹況；④中文需要分词， 而分Ｍ存在一定错误＊ 苘时也：会降低依存句法分析效果； ⑤供模型爾练的可用语料偏少？．ＣｏＳＬＬ２〇〇ｇ 中文篑： 料上》： ４种方翁齒事件抽取效果如表錄＿圈１９ 所示．３： 期ｏｏｏｏｏｏｏｏ０９８７６５４３１％／１０００００００００００９８７６５４３２１１％／＿遊靼硃图５２８ 计 算机 学 报 ２０２１年ＬＴＰ工具获得语句的依存句法分析结果， 并将其转换为ＤＰ树； 其次， 归纳核心动词链的建立规则， 解决事件漏抽问题； 第三， 引人事件间语义依存关系，构建ＳＳＤＰ树； 第四， 根据核心动词链、 介词结构和被动语态结构调整ＳＳＤＰ树， 形成ＳＳＤＰ图； 最后，基于ＳＳＤＰ图， 建立事件成分缺失补全规则， 同时抽取中文金融事件．下一步的研究工作主要包含：（１） 通过ＬＴＰ进行依存句法分析时发现， 多词性词语的句法结构分析效果较差， 如何利用论元信息进一步确定多词性词语在具体语句中的词性， 是有待克服的一个障碍．（２） 本文抽取的事件结构， 只考虑了ＥＴ三元组， 抽取哪些信息将对股市趋势预测等应用有价值，是我们感兴趣的工作．（３） 由于ＳＳＤＰ方法中用到的事件间语义依存分析较为简单、粒度较粗， 如何制定针对财经领域金融事件间语义关联， 将是未来的工作之一．致 谢 本文的研究工作利用了哈尔滨工业大学社会计算信息检索研究中心免费开放的ＬＴＰ平台、哈尔滨工业大学联合科大讯飞公司共同推出的讯飞开放平台， 在此一并表示感请！ 最后， 由衷地感请论文评审专家和编辑对本文所提出的修改建议！参 考 文 献［１］ＤｉｎｇＸ， ＺｈａｎｇＹ？ＬｉｕＴ？ｅｔ ａｌ． Ｕｓｉ ｎｇｓｔ ｒｕｃｔ ｕｒｅｄｅｖｅｎｔｓｔ ｏｐｒｅｄｉ ｃｔｓｔｏｃｋｐｒｉｃｅｍｏｖｅｍｅｎｔ： Ａｎｅｍｐｉ ｒｉｃａｌｉｎｖｅｓｔ ｉｇａｔｉｏｎ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２０１４ＣｏｎｆｅｒｅｎｃｅｏｎＥｍｐｉｒｉｃａｌＭｅｔｈｏｄｓｉｎＮａｔ ｕｒａｌＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ（ＥＭＮＬＰ） ． Ｄｏｈａ， Ｑａｔａｒ，２０１４：１４１５ １４ ２５［２］ＤｉｎｇＸ， ＺｈａｎｇＹ， Ｌｉ ｕ Ｔ， ｅｔ ａｌ． Ｄｅｅｐｌｅａｒｎｉｎｇｆｏｒｅｖｅｎｔｄｒｉｖｅｎｓｔｏｃｋｐｒｅｄｉｃｔ ｉｏｎ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２４ｔｈＩｎｔｅｒｎａｔ ｉｏｎａｌＪｏｉｎｔＣｏｎｆ ｅｒｅｎｃｅｏｎＡｒｔ ｉｆ ｉｃｉａｌＩ ｎｔｅｌｌｉｇｅｎｃｅ（ ＩＪＣＡＩ ） ． ＢｕｅｎｏｓＡｉｒｅｓ？Ａｒｇｅｎｔｉ ｎａ，２０１５： ２３２７ ２３３３［３］ＤｉｎｇＸ，ＺｈａｎｇＹ， ＬｉｕＴ，ｅｔａｌ ． Ｋｎｏｗｌｅｄｇｅｄｒｉｖｅｎｅｖｅｎｔｅｍｂｅｄｄｉｎｇｆ ｏｒｓｔｏｃｋｐｒｅｄｉｃｔｉｏｎ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２６ｔｈＩｎｔｅｒｎａｔ ｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔａｔ ｉｏｎａｌＬｉｎｇｕｉｓｔ ｉｃｓ ：ＴｅｃｈｎｉｃａｌＰａｐｅｒｓ（ ＣＯＬＩＮＧ） ． Ｏｓａｋａ，Ｊａｐａｎ， ２０１６： ２１３３２１４２［４］ＸｉｅＢ，ＰａｓｓｏｎｎｅａｕＲ， ＷｕＬ，ｅｔａｌ． Ｓｅｍａｎｔ ｉｃｆｒａｍｅｓｔｏｐｒｅｄｉｃｔｓｔｏｃｋｐｒｉｃｅｍｏｖｅｍｅｎｔ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ５ １ｓｔＡｎｎｕａｌＭｅｅｔ ｉｎｇｏｆｔ ｈｅＡｓｓｏｃｉａｔｉｏｎｆ ｏｒＣｏｍｐｕｔ ａｔ ｉｏｎａｌＬｉｎｇｕｉｓｔ ｉｃｓ（ ＡＣＬ）． Ｓｏｆｉａ ， Ｂｕｌｇａｒｉ ａ， ２０１３： ８７３ ８８３［５］ＡｇｕｉｌａｒＪ ， ＢｅｌｌｅｒＣ， ＭｃＮａｍｅｅＰ，ｅｔａｌ ． Ａｃｏｍｐａｒｉｓｏｎｏｆ ｔｈｅｅｖｅｎｔｓａｎｄｒｅｌ ａｔ ｉｏｎｓａｃｒｏｓｓＡＣＥ， ＥＲＥ，ＴＡＣＫＢＰ， ａｎｄＦｒａｍｅＮｅｔ ａｎｎｏｔ ａｔｉｏｎｓｔａｎｄａｒｄｓ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆ ｔｈｅ２ｎｄＷｏｒｋｓｈｏｐｏｎＥＶＥＮＴＳ：Ｄｅｆｉｎｉｔ ｉｏｎ，Ｄｅｔ ｅｃｔｉｏｎ，Ｃｏｒｅｆｅｒｅｎｃｅ，ａｎｄＲｅｐｒｅｓｅｎｔａｔ ｉｏｎ． Ｂａｌｔ ｉｍｏｒｅ，Ｍａｒｙｌａｎｄ， ２０１４： ４５ ５３［６］ＪａｃｏｂｓＧ？Ｌｅｆ ｅｖｅｒＥ？Ｉ ｌ ｏｓｔ ｅＶ． Ｅｃｏｎｏｍｉｃｅｖｅｎｔｄｅｔｅｃｔ ｉｏｎｉｎｃｏｍｐａｎｙｓｐｅｃｉｆｉｃｎｅｗｓｔｅｘｔ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１ｓｔＷｏｒｋｓｈｏｐｏｎＥｃｏｎｏｍｉ ｃｓａｎｄＮａｔｕｒａｌＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ（ ＡＣＬ） ．Ｍｅｌ ｂｏｕｒｎｅ， Ａｕｓｔｒａｌｉａ，２０１８； １ １０［７］ＹａｎｇＩ Ｉ， ＣｈｅｎＹ， ＬｉｕＫ，ｅｔａｌ． ＤＣＦＥＥ； ＡｄｏｃｕｍｅｎｔｌｅｖｅｌＣｈｉｎｅｓｅｆｉｎａｎｃｉａｌｅｖｅｎｔｅｘｔ ｒａｃｔ ｉｏｎｓｙｓｔ ｅｍｂａｓｅｄｏｎａｕｔｏｍａｔｉｃａｌｌｙｌａｂｅｌｅｄｔｒａｉｎｉｎｇｄａｔａ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ５６ ｔｈＡｎｎｕａｌＭｅｅｔｉｎｇｏｆｔｈｅＡｓｓｏｃｉａｔ ｉｏｎｆ ｏｒＣｏｍｐｕｔ ａｔｉｏｎａｌＬｉ ｎｇｕｉｓｔ ｉｃｓＳｙｓｔ ｅｍＤｅｍｏｎｓｔ ｒａｔｉｏｎｓ（ ＡＣＬ）． Ｍｅｌｂｏｕｒｎｅ， Ａｕｓｔ ｒａｌｉａ，２０１８： １ ６［８］ＬｉＰｅｎｇＦｅｎｇ，ＺｈｏｕＧｕｏ Ｄｏｎｇ，ＺｈｕＱｉａｏ Ｍｉ ｎｇ． Ｓｅｍａｎｔ ｉｃｓｂａｓｅｄｊｏｉｎｔ ｍｏｄｅｌｏｆ Ｃｈｉｎｅｓｅｅｖｅｎｔ ｔ ｒｉｇｇｅｒｅｘｔ ｒａｃｔｉｏ ｎ． Ｊｏｕｒｎａｌｏｆ Ｓｏｆｔｗａｒｅ，２０１６ ，２７（２） ： ２８〇 ２ ９４（ｉｎＣｈｉｎｅｓｅ）（ 李培峰， 周国栋， 朱巧明． 基于语义的中文事件触发词抽取联合模型． 软件学报， ２０ １６，２７（ ２）： ２８０ ２９４）［９］ＹｅｈＣＬ？ＣｈｅｎＹＣ． Ｚｅｒｏａｎａｐｈｏｒａｒｅｓｏｌ ｕｔ ｉｏｎｉｎＣｈｉｎｅｓｅｗｉｔ ｈｓｈａｌｌｏｗｐａｒｓｉｎｇ． ＪｏｕｒｎａｌｏｆＣｈｉｎｅｓｅＬａｎｇｕａｇｅａｎｄＣｏｍｐｕｔ ｉｎｇ， ２００７ ， １７（１）： ４１ ５６［１０］ＬｉＰ， ＺｈｕＱ， ＺｈｏｕＧ． Ａｒｇｕｍｅｎｔｉｎｆ ｅｒｅｎｃｅｆｒｏｍｒｅｌｅｖａｎｔｅｖｅｎｔｍｅｎｔｉｏ ｎｓｉｎＣｈｉｎｅｓｅａｒｇｕｍｅｎｔｅｘｔ ｒａｃｔ ｉｏｎ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆ ｔ ｈｅ５１ｓｔＡｎｎｕａｌＭｅｅｔ ｉｎｇｏｆｔ ｈｅＡｓｓｏｃｉａｔ ｉｏｎｆｏｒＣｏｍｐｕｔ ａｔｉｏｎａｌＬｉｎｇｕｉｓｔ ｉｃｓ（ ＡＣＬ） ． Ｓｏｆｉ ａ， Ｂｕｌｇａｒｉａ， ２０１３： １４７７ １４８７［１１］ＴａｎｇＷｅｎＷｕ，ＧｕｏＹｉ ， ＸｕＹｏｎｇ Ｂｉｎ， ｅｔａｌ． Ｔｈｅｄｅｆ ａｕｌ ｔｃｏｍｍｏｎｏｂｊｅｃｔ ｉｄｅｎｔ ｉｆｉｃａｔ ｉｏｎｂａｓｅｄｏｎｃｏｎｄｉｔｉｏｎｒａｎｄｏｍｆｉｅｌｄｓ． Ｊｏｕｒｎａｌ ｏｆＣｈｉｎｅｓｅＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ， ２０１６？ ３０ （６） ：２０８ ２１４（ｉｎＣｈｉｎｅｓｅ）（ 唐文武， 过戈， 徐永斌等． 基于条件随机场的评价对象缺省识别． 中文信息学报，２０１６，３０（６）：２０８ ２１４）［１２］ＣｈａｎＹＳ？ＦａｓｃｈｉｎｇＪ？ＱｉｕＩ Ｉ ，ｅｔ ａｌ． Ｒａｐｉｄｃｕｓｔｏｍｉｚａｔ ｉｏｎｆｏｒｅｖｅｎｔｅｘｔ ｒａｃｔｉｏｎ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆ ｔｈｅ５７ｔｈＡｎｎｕａｌＭｅｅｔ ｉｎｇｏｆｔｈｅＡｓｓｏｃｉａｔｉｏｎｆ ｏｒＣｏｍｐｕｔ ａｔｉｏｎａｌＬｉｎｇｕｉ ｓｔｉｃｓ： Ｓｙｓｔ ｅｍＤｅｍｏ ｎｓｔ ｒａｔｉｏｎｓ（ ＡＣＬ） ． Ｆｌｏｒｅｎｃｅ ，Ｉｔ ａｌｙ， ２０ １９： ３１ ３６［１３］ｌ ｉ ｅＲｕｉ Ｆａｎｇ， ＤｕａｎＳｈａｏ Ｙａｎｇ． ＪｏｉｎｔＣｈｉｎｅｓｅｅｖｅｎｔ ｅｘｔ ｒａｃｔ ｉｏｎｂａｓｅｄｍｕｌｔ ｉ ｔａｓｋｌｅａｒｎｉｎｇ． Ｊｏｕｒｎａｌｏｆ Ｓｏｆ ｔｗａｒｅ， ２０１９ ， ３０ （ ４ ） ：１０ １５ １０３０（ ｉｎＣｈｉｎｅｓｅ）（贺瑞芳， 段绍杨． 基于多任务学习的中文事件抽取联合模型． 软件学报， ２０ １９，３０ （ ４）： １０ １５ １０３０）［１４］ＣｈｅｎＹ？ＸｕＬ？ ＬｉｕＫ，ｅｔ ａｌ． Ｅｖｅｎｔｅｘｔ ｒａｃｔ ｉｏｎｖｉａｄｙｎａｍｉｃｍｕｌｔｉｐｏｏｌｉｎｇｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔ ｗｏｒｋｓ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ５３ ｒｄＡｎｎｕａｌＭｅｅｔ ｉｎｇｏｆ ｔ ｈｅＡｓｓｏｃｉａｔｉｏｎｆｏｒＣｏｍｐｕｔ ａｔ ｉｏｎａｌＬｉ ｎｇｕｉｓｔ ｉｃｓ（ ＡＣＬ）． Ｂｅｉｊｉｎｇ，Ｃｈｉｎａ ，２０ １５； １６７ １７６［１５］ＮｇｕｙｅｎＴＩ Ｉ ， ＣｈｏＫ？ＧｒｉｓｈｍａｎＲ． Ｊｏｉｎｔ ｅｖｅｎｔ ｅｘｔｒａｃｔｉ ｏｎ ｖｉａｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋｓ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２０１６Ｃｏｎｆ ｅｒｅｎｃｅｏｆｔｈｅＮｏｒｔｈＡｍｅｒｉｃａｎＣｈａｐｔｅｒｏｆｔｈｅＡｓｓｏｃｉａｔ ｉｏｎｆｏｒＣｏｍｐｕｔ ａｔ ｉｏｎａｌＬｉｎｇｕｉｓｔｉ ｃｓ： ＨｕｍａｎＬａｎｇｕａｇｅＴｅｃｈｎｏｌｏｇｉ ｅｓ（ＮＡＡＣＬＩ ＩＬＴ） ． ＳａｎＤｉｅｇｏ ， Ｃａｌｉｆ ｏｒｎｉａ，２０１６： ３００ ３０ ９［１６］ＳｈａＬ？ＱｉａｎＦ， ＣｈａｎｇＢ，ｅｔ ａｌ． Ｊｏｉｎｔｌｙｅｘｔ ｒａｃｔ ｉｎｇｅｖｅｎｔｔｒｉｇｇｅｒｓａｎｄａｒｇｕｍｅｎｔｓｂｙｄｅｐｅｎｄｅｎｃｙｂｒｉｄｇｅＲＮＮａｎｄｔｅｎｓｏｒｂａｓｅｄａｒｇｕｍｅｎｔｉｎｔ ｅｒａｃｔｉｏｎ／／Ｐｒｏｃｅｅｄｉ ｎｇｓｏｆ ｔｈｅ３２ｎｄＡＡＡＩＣｏｎｆ ｅｒｅｎｃｅｏｎＡｒｔｉ ｆｉｃｉａｌＩｎｔ ｅｌｌｉｇｅｎｃｅ（ ＡＡＡＩ） ． ＮｅｗＯｒｌ ｅａｎｓ， ＵＳＡ， ２０１８： ５ ９１６ ５９２３万齐智等： 基于句法语义依存分析的中文金融事件抽取 ５２９３ 期［１７］ＬｉｕＸ， ＬｕｏＺ， ＨｕａｎｇＩ Ｉ ． Ｊｏｉ ｎｔｌｙｍｕｌｔｉｐｌｅｅｖｅｎｔｓｅｘｔ ｒａｃｔｉｏｎｖｉａａｔｔ ｅｎｔ ｉｏｎｂａｓｅｄ ｇｒａｐｈｉｎｆ ｏｒｍａｔｉｏｎａｇｇｒｅｇａｔ ｉｏｎ／ ／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２０１８ＣｏｎｆｅｒｅｎｃｅｏｎＥｍｐｉｒｉｃａｌＭｅｔｈｏｄｓｉｎＮａｔ ｕｒａｌＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ（ ＥＭＮＬＰ）． Ｂｒｕｓｓｅｌｓ，Ｂｅｌｇｉｕｍ， ２０１８：１２４７ １２ ５６［１８］ＣｈｅｎＹ， ＹａｎｇＩ Ｉ ， ＬｉｕＫ， ｅｔ ａｌ． Ｃｏｌ ｌｅｃｔ ｉｖｅｅｖｅｎｔ ｄｅｔｅｃｔ ｉｏｎｖｉａａｈｉｅｒａｒｃｈｉｃａｌａｎｄｂｉａｓｔａｇｇｉｎｇｎｅｔｗｏｒｋｓｗｉｔｈｇａｔ ｅｄｍｕｌｔ ｉ ｌｅｖｅｌａｔｔ ｅｎｔ ｉｏｎｍｅｃｈａｎｉｓｍｓ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２０１８ＣｏｎｆｅｒｅｎｃｅｏｎＥｍｐｉｒｉｃａｌＭｅｔｈｏｄｓｉｎＮａｔ ｕｒａｌＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉ ｎｇ（ ＥＭＮＬＰ） ． Ｂｒｕｓｓｅｌｓ， Ｂｅｌｇｉｕｍ，２０１８； １２６７ １２７６［１９］ＡｒａｋｉＪ ， ＭｉｔａｍｕｒａＴ． Ｏｐｅｎｄｏｍａｉｎｅｖｅｎｔｄｅｔｅｃｔ ｉｏｎｕｓｉ ｎｇｄｉｓｔ ａｎｔｓｕｐｅｒｖｉｓｉｏｎ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２７ｔｈＩｎｔ ｅｒｎａｔ ｉｏｎａｌＣｏｎｆ ｅｒｅｎｃｅｏｎＣｏｍｐｕｔ ａｔ ｉｏｎａｌＬｉｎｇｕｉｓｔｉｃｓ（ ＣＯＬＩＮＧ） ． Ｓａｎｔ ａＦｅ， ＵＳＡ， ２０１８： ８７８ ８９１［２０］ＬｉｕＳ， ＣｈｅｎｇＲ， ＹｕＸＭ，ｅｔ ａｌ． Ｅｘｐｌｏｉ ｔｉｎｇｃｏｎｔ ｅｘｔ ｕａｌｉｎｆｏｒｍａｔｉｏｎｖｉａｄｙｎａｍｉｃ ｍｅｍｏｒｙｎｅｔ ｗｏｒｋｆｏｒｅｖｅｎｔ ｄｅｔ ｅｃｔｉｏｎ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔ ｈｅ２０１８Ｃｏｎｆ ｅｒｅｎｃｅｏｎＥｍｐｉｒｉｃａｌＭｅｔ ｈｏｄｓｉｎＮａｔｕｒａｌＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ（ＥＭＮＬＰ）． Ｂｒｕｓｓｅｌｓ， Ｂｅｌｇｉｕｍ，２０１８； １０３０ １０３５［２１］ＨｏｎｇＹ，ＺｈｏｕＷ，ＺｈａｎｇＪ，ｅｔ ａｌ． Ｓｅｌ ｆ ｒｅｇｕｌａｔ ｉｏｎ： Ｅｍｐｌｏｙｉｎｇａｇｅｎｅｒａｔ ｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔ ｗｏｒｋｔｏｉｍｐｒｏｖｅｅｖｅｎｔｄｅｔ ｅｃｔｉｏｎ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ５６ｔｈＡｎｎｕａｌＭｅｅｔ ｉｎｇｏｆ ｔｈｅＡｓｓｏｃｉａｔｉｏｎｆｏｒＣｏｍｐｕｔａｔｉｏｎａｌＬｉｎｇｕｉｓｔ ｉｃｓ（ ＡＣＬ） ． Ｍｅｌｂｏｕｒｎｅ？Ａｕｓｔ ｒａｌｉａ，２０１８； ５ １５ ５２６［２２］ＧｕａｎＣ？ＣｈｅｎｇＹ？ ＺｈａｏＩ Ｉ． Ｓｅｍａｎｔ ｉｃｒｏｌｅｌａｂｅｌｉｎｇｗｉ ｔｈａｓｓｏｃｉａｔ ｅｄｍｅｍｏｒｙｎｅｔｗｏｒｋ／ ／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２０１９Ｃｏｎｆｅｒｅｎｃｅｏｆｔ ｈｅＮｏｒｔ ｈＡｍｅｒｉｃａｎＣｈａｐｔｅｒｏｆ ｔｈｅＡｓｓｏｃｉａｔ ｉｏｎｆｏｒＣｏｍｐｕｔａｔｉｏｎａｌＬｉｎｇｕｉｓｔ ｉｃｓ： ＨｕｍａｎＬａｎｇｕａｇｅＴｅｃｈｎｏｌｏｇｉｅｓ（ＮＡＡＣＬＩ ＩＬＴ） ． Ｍｉｎｎｅａｐｏｌｉｓ ， Ｍｉ ｎｎｅｓｏｔａ，２０１９； ３３６１ ３３７１［２３］ＬｉＺ， ｌ ｉｅＳ， ＺｈａｏＩ Ｉ ？ｅｔａｌ． Ｄｅｐｅｎｄｅｎｃｙｏｒｓｐａｎ，ｅｎｄｔｏ ｅｎｄｕｎｉｆ ｏｒｍｓｅｍａｎｔ ｉｃｒｏｌｅｌａｂｅｌｉｎｇ／ ／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ３３ｒｄＡＡＡＩ ＣｏｎｆｅｒｅｎｃｅｏｎＡｒｔ ｉｆｉｃｉａｌＩｎｔ ｅｌｌｉｇｅｎｃｅ（ ＡＡＡＩ） ． Ｈｏｎｏｌｕｌｕ，Ｈａｗａｉｉ，２０１９； ６７３０６７３７［２４］ＸｉａＱ， ＬｉＺ，ＺｈａｎｇＭ？ｅｔａｌ． Ｓｙｎｔ ａｘ ａｗａｒｅｎｅｕｒａｌｓｅｍａｎｔｉ ｃｒｏｌｅｌａｂｅｌｉｎｇ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ３３ｒｄＡＡＡＩ ＣｏｎｆｅｒｅｎｃｅｏｎＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ（ ＡＡＡＩ ） ． Ｈｏｎｏｌｕｌｕ， Ｈａｗａｉｉ ， ２０１９：７３０５ ７３ １３［２５］ｌ ｉ ｅＳ， ＬｉＺ，ＺｈａｏＩ Ｉ，ｅｔ ａｌ． Ｓｙｎｔａｘｆｏｒｓｅｍａｎｔ ｉｃｒｏｌｅｌａｂｅｌｉｎｇ，ｔｏｂｅ， ｏｒｎｏｔ ｔ ｏｂｅ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔ ｈｅ５６ｔｈＡｎｎｕａｌＭｅｅｔ ｉｎｇｏｆｔ ｈｅＡｓｓｏｃｉａｔｉｏｎｆｏｒＣｏｍｐｕｔ ａｔｉｏｎａｌＬｉｎｇｕｉｓｔ ｉｃｓ（ ＡＣＬ）．Ｍｅｌｂｏｕｒｎｅ，Ａｕｓｔ ｒａｌｉ ａ， ２０１８； ２０ ６１ ２０７１［２６］ｌ ｉ ｅＬ， ＬｅｅＫ， Ｌｅｖｙ０， ｅｔａｌ ． Ｊｏｉｎｔｌｙｐｒｅｄｉｃｔ ｉｎｇｐｒｅｄｉｃａｔ ｅｓａｎｄａｒｇｕｍｅｎｔｓｉｎｎｅｕｒａｌｓｅｍａｎｔ ｉｃｒｏｌｅｌ ａｂｅｌｉｎｇ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ５ ６ｔｈＡｎｎｕａｌＭｅｅｔ ｉｎｇｏｆｔｈｅＡｓｓｏｃｉａｔｉｏｎｆ ｏｒＣｏｍｐｕｔ ａｔ ｉｏｎａｌＬｉ ｎｇｕｉｓｔ ｉｃｓ（ ＡＣＬ） ． Ｍｅｌｂｏｕｒｎｅ， Ａｕｓｔ ｒａｌｉａ， ２０１８：３６４３６９［２７］ＭｅｈａｔＳＶ，ＬｅｅＪＹ， ＣａｒｂｏｎｅｌｌＪ． Ｔｏｗａｒｄｓｓｅｍｉｓｕｐｅｒｖｉｓｅｄｌｅａｒｎｉ ｎｇｆ ｏｒｄｅｅｐｓｅｍａｎｔ ｉｃｒｏｌｅｌａｂｅｌｉ ｎｇ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆ ｔｈｅ２０１８ＣｏｎｆｅｒｅｎｃｅｏｎＥｍｐｉｒｉｃａｌＭｅｔｈｏｄｓｉｎＮａｔｕｒａｌＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ（ＥＭＮＬＰ）． Ｂｒｕｓｓｅｌｓ，Ｂｅｌｇｉｕｍ，２０１８； ４ ９５８ ４９６３［２８］ＴａｎＺ， ＷａｎｇＭ， ＸｉｅＪ ，ｅｔａｌ． Ｄｅｅｐｓｅｍａｎｔｉｃｒｏｌｅｌａｂｅｌｉｎｇｗｉｔ ｈｓｅｌｆ ａｔ ｔｅｎｔｉｏｎ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆ ｔ ｈｅ３２ｎｄＡＡＡＩ ＣｏｎｆｅｒｅｎｃｅｏｎＡｒｔ ｉｆｉｃｉａｌＩｎｔ ｅｌ ｌｉｇｅｎｃｅ（ ＡＡＡＩ ）． ＮｅｗＯｒｌｅａｎｓ， ＵＳＡ，２０１８；４９２９４９３６［２９］ｌ ｉ ｅＬ， ＬｅｅＫ， ＬｅｗｉｓＭ？ ｅｔａｌ． Ｄｅｅｐｓｅｍａｎｔｉ ｃｒｏｌｅｌａｂｅｌｉｎｇ：Ｗｈａｔｗｏｒｋｓａｎｄ ｗｈａｔ？ｓｎｅｘｔ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ５ ５ｔｈ ＡｎｎｕａｌＭｅｅｔｉ ｎｇｏｆｔ ｈｅＡｓｓｏｃｉａｔ ｉｏｎｆｏ ｒＣｏｍｐｕｔ ａｔ ｉｏｎａｌＬｉｎｇｕｉｓｔ ｉｃｓ（ ＡＣＬ） ． Ｖａｎｃｏｕｖｅｒ，Ｃａｎａｄａ，２０１７： ４７ ３ ４８３［３０］ＬｉＺ， ｌ ｉ ｅＳ， ＣａｉＪ ， ｅｔａｌ． Ａｕｎｉ ｆｉｅｄｓｙｎｔ ａｘ ａｗａｒｅｆ ｒａｍｅｗｏｒｋｆｏｒｓｅｍａｎｔ ｉｃｒｏｌｅ ｌａｂｅｌｉｎｇ／／Ｐｒｏｃｅｅｄｉ ｎｇｓｏｆ ｔｈｅ２０１８ＣｏｎｆｅｒｅｎｃｅｏｎＥｍｐｉ ｒｉｃａｌＭｅｔｈｏｄｓｉｎＮａｔ ｕｒａｌＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ（ＥＭＮＬＰ）．Ｂｒｕｓｓｅｌｓ， Ｂｅｌｇｉｕｍ，２０１８： ２４０１ ２４ １１［３１］ＫａｓａｉＪ， ＦｒｉｅｄｍａｎＤ？ＦｒａｎｋＲ． Ｓｙｎｔａｘ ａｗａｒｅｎｅｕｒａｌｓｅｍａｎｔｉｃｒｏｌｅｌａｂｅｌｉｎｇｗｉｔｈ ｓｕｐｅｒｔ ａｇｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆｔｈｅ２０１９ＣｏｎｆｅｒｅｎｃｅｏｆｔｈｅＮｏｒｔｈＡｍｅｒｉｃａｎＣｈａｐｔｅｒｏｆｔｈｅＡｓｓｏｃｉａｔ ｉｏｎｆｏｒＣｏｍｐｕｔ ａｔｉｏｎａｌＬｉｎｇｕｉｓｔｉｃｓ： ＨｕｍａｎＬａｎｇｕａｇｅＴｅｃｈｎｏｌｏｇｉｅｓ（ＮＡＡＣＬＩ ＩＬＴ） ． Ｍｉｎｎｅａｐｏｌｉｓ， Ｍｉｎｎｅｓｏｔ ａ， ２０１９： ７０１ ７０９［３２］ＬｉｕＸ， Ｉ ｌｕａｎｇＩ Ｉ ， ＺｈａｎｇＹ． Ｏｐｅｎｄｏｍａｉｎｅｖｅｎｔｅｘｔｒａｃｔｉｏｎｕｓｉｎｇｎｅｕｒａｌｌａｔ ｅｎｔｖａｒｉａｂｌｅｍｏｄｅｌｓ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆ ｔ ｈｅ５７ｔ ｈＡｎｎｕａｌＭｅｅｔ ｉｎｇｏｆｔｈｅＡｓｓｏｃｉａｔｉｏｎｆｏｒＣｏｍｐｕｔ ａｔｉｏｎａｌＬｉ ｎｇｕｉｓｔ ｉｃｓ（ ＡＣＬ）． Ｆｌｏｒｅｎｃｅ ，Ｉｔ ａｌｙ， ２０ １９： ２８６０ ２８７１［３３］ＺｏｎｇＣｈｅｎｇ Ｑｉｎｇ． Ｓｔ ａｔｉｓｔｉ ｃａｌＮａｔ ｕｒａｌＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ．２ｎｄＥｄｉｔｉｏｎ． Ｂｅｉｊｉｎｇ： ＴｓｉｎｇｈｕａＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ， ２０１３（ｉｎＣｈｉｎｅｓｅ）（宗成庆． 统计自然语言处理． 第２ 版． 北京： 清华大学出版社，２０１３）［３４］ＣｈｅＷ， ＬｉＺ， ＬｉｕＴ． ＬＴＰ； ＡＣｈｉ ｎｅｓｅｌａｎｇｕａｇｅｔ ｅｃｈｎｏｌｏｇｙｐｌａｔｆ ｏｒｍ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２３ｒｄＩｎｔ ｅｒｎａｔ ｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔ ａｔｉｏｎａｌＬｉｎｇｕｉｓｔ ｉｃｓ（ ＣＯＬＩＮＧ） ． Ｂｅｉｊｉｎｇ，Ｃｈｉｎａ，２０１０； １３１６［３５］ＬｉＪｉｎ Ｘｉ． ＴｈｅＮｅｗＣｈｉｎｅｓｅＧｒａｍｍａｒ． １９５５Ｅｄｉｔｉｏｎ． Ｂｅｉｊｉｎｇ；ＴｈｅＣｏｍｍｅｒｃｉａｌＰｒｅｓｓ， １９５５（ｉｎＣｈｉｎｅｓｅ）（ 黎锦熙． 新著国语文法． １９５５ 年版．北京： 商务印书馆，１９５５）［３６］ＬｖＳｈｕ Ｘｉａｎｇ． Ｅｓｓｅｎｔ ｉａｌｓｏｆＣｈｉｎｅｓｅＧｒａｍｍａｒ． １９８２Ｅｄｉｔｉｏｎ．Ｂｅｉｊｉｎｇ； ＴｈｅＣｏｍｍｅｒｃｉａｌＰｒｅｓｓ， １９８２（ｉｎＣｈｉｎｅｓｅ）（ 吕叔湘． 中国文法要略． １９８２ 年版． 北京： 商务印书馆，１９８２）［３７］ＷａｎｇＬｉ． ＭｏｄｅｒｎＣｈｉｎｅｓｅＧｒａｍｍａｒ． １９８５Ｅｄｉｔ ｉｏｎ． Ｂｅｉｊｉｎｇ：ＴｈｅＣｏｍｍｅｒｃｉａｌＰｒｅｓｓ， １９８５（ｉｎＣｈｉｎｅｓｅ）（ 王力． 中国现代语法． １９８５ 年版． 北京： 商务印书馆，１９８５）［３８］ＱｉａｎＳｈｉ Ｆｅｎｇ． Ｓｕｍｍａｒｙｏｆｏｍｉｓｓｉｏｎｄｅｆｉｎｉ ｔｉｏｎ． ＪｏｕｒｎａｌｏｆＬａｎｇｕａｇｅａｎｄＬｉｔ ｅｒａｔｕｒｅＳｔｕｄｉ ｅｓ， ２００７ ，（１） ： １ １９ １２２（ｉｎＣｈｉｎｅｓｅ）（钱世凤．省略界定综述． 语文学刊： 髙数版， ２００７ ，（１） ：１１９ １２２）［３９］ＸｕｅＮ？ＸｉａＦ？Ｉ ｌ ｕａｎｇＳ？ｅｔ ａｌ． Ｔｈｅｂｒａｃｋｅｔ ｉｎｇｇｕｉｄｅｌｉｎｅｓｆｏｒｔｈｅＰｅｎｎＣｈｉｎｅｓｅＴｒｅｅＢａｎｋ（３． ０）． ＩＲＣＳＴｅｃｈｎｉｃａｌＲｅｐｏｒｔＳｅｒｉｅｓ，２０００：３ ９［４０］ＧｕｏＪ， ＣｈｅＷ， ＷａｎｇＩ Ｉ，ｅｔａｌ． Ａｕｎｉｆｉ ｅｄａｒｃｈｉｔ ｅｃｔｕｒｅｆｏｒｓｅｍａｎｔｉｃｒｏｌｅｌａｂｅｌｉｎｇａｎｄｒｅｌａｔｉｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆ ｔｈｅ２６ｔｈＩｎｔ ｅｒｎａｔ ｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔ ａｔｉｏｎａｌＬｉ ｎｇｕｉｓｔ ｉｃｓ ： ＴｅｃｈｎｉｃａｌＰａｐｅｒｓ（ ＣＯＬＩＮＧ） ． Ｏｓａｋａ，Ｊａｐａｎ，２０ １６： １２６４ １２ ７４５３ ０ 计 算机 学 报 ２０２１年ＷＡＮＱｉ－Ｚｈｉ，Ｐｈ．Ｄ．ｃａｎｄｉｄａｔｅ，ｌ ｅｃｔｕｒｅｒ．Ｈｉｓｃｕｒｒｅｎｔｒｅｓｅａｒｃｈｉｎｔｅｒｅｓｔｓｉｎｃｌｕｄｅｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎ，ｎａｔｕｒａｌ一ｌ ａｎｇｕａｇｅｐｒｏｃｅｓｓｉｎｇａｎｄｄａｔａｍｉｎｉｎｇ．ＢａｃｋｇｒｏｕｎｄＡｓａｓｕｂ－ｔａｓｋｏｆｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎ，ｅｖｅｎｔｅｘｔｒａｃｔｉｏｎｐｌ ａｙｓａｎｉｍｐｏｒｔａｎｔｒｏｌ ｅｉｎｖａｒｉｏｕｓＮＬＰａｐｐｌ ｉｃａｔｉｏｎｓｉｎｃｌ ｕｄｉ ｎｇｓｔｏｃｋｐｒｅｄｉｃｔｉｏｎａｎｄｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌ．ＥｖｅｎｔｎｅｓｔｉｎｇａｎｄｅｌｅｍｅｎｔｄｅｆａｕｌｔｓａｒｅｃｏｍｍｏｎｉｎＣｈｉｎｅｓｅ．Ｉｎｔｈｉｓｐａｐｅｒ，ｗｅａｄｄｒｅｓｓｔｗｏｐｒｏｂｌｅｍｓ ， ｄｅｔｅｒｍｉｎｉｎｇｔｈｅｎｕｍｂｅｒｏｆｅｖｅｎｔｓｃｏｎｔａｉｎｅｄｉｎａＣｈｉｎｅｓｅｓｅｎｔｅｎｃｅａｎｄｅｘｔｒａｃｔｉｎｇｔｈｅｓｔｒｕｃｔｕｒｅｄｅｖｅｎｔ，ｗｈｉｃｈｉｓａｔｒｉｐｌ ｅｃｏｎｔａｉｎｉｎｇａｓｕｂｊｅｃｔ，ａｐｒｅｄｉｃａｔｅ，ａｎｄａｎｏｂｊｅｃｔ．Ｔｈｅｍａｉｎｒｅｓｅａｒｃｈｆｏｒｓｔｒｕｃｔｕｒｅｄｅｖｅｎｔｅｘｔｒａｃｔｉｏｎｆｏｃｕｓｅｓｏｎｅｘｔｒａｃｔｉｎｇａｌ ｌｔｈｅｐｒｏｐｅｒｔｉｅｓｏｆｔｈｅｔｒｉｐｌ ｅ，ｂｕｔｄｏｎ＾ｔｏｂｔａｉｎｔｈｅｄｅｆａｕｌｔｃｏｍｐｏｎｅｎｔｏｆｅｖｅｎｔ．Ｉｎａｄｄｉｔｉｏｎｔｏｔｈｉｓ， ｍｏｓｔｏｆｏｔｈｅｒｅｘｉｓｔｉｎｇｒｅｓｅａｒｃｈｅｆｆｏｒｔｓｈａｖｅｂｅｅｎｐｕｔｏｎｔｈｅｅｖｅｎｔｅｘｔｒａｃｔｉｏｎ，ｂｕｔｔｈｅｙｐａｙｍｏｒｅａｔｔｅｎｔｉｏｎｏｎｔｈｅｔｙｐｅｃｏｒｒｅｃｔｎｅｓｓｏｆｔｒｉｇｇｅｒｓａｎｄａｒｇｕｍｅｎｔｓ， ｗｈｉｃｈｎｏｔｃｏｎｓｉｄｅｒｔｏｔｈｅｃｏｍｐｌｅｔｅｎｅｓｓｏｆｅｖｅｎｔｓｉｎｃｌｕｄｉｎｇｔｈｅｎｕｍｂｅｒｏｆｅｖｅｎｔｓｉｎａｓｅｎｔｅｎｃｅａｎｄｔｈｅｐｒｏｐｅｒｔｙｉｎａｎｅｖｅｎｔ．Ｉｎｆｉｎａｎｃｉａｌｎｅｗｓｈｅａｄｌ ｉｎｅｓ，ｔｈｅｒｅａｒｅａｌａｒｇｅｎｕｍｂｅｒｏｆｖｅｒｂｓａｎｄｃｏｍｐｏｎｅｎｔｄｅｆａｕｌ ｔｓ，ｗｈｉｃｈｃａｕｓｅｔｈｅｅｖｅｎｔｔｏｌ ｅａｋａｎｄｔｈｅｐｒｏｐｅｒｔｉｅｓｏｆｅｘｔｒａｃｔｅｄｅｖｅｎｔｔｏｂｅｉｎｃｏｍｐｌｅｔｅ．Ｆｕｒｔｈｅｒｍｏｒｅ，ｔｈｅｅｖｅｎｔｔｙｐｅｓａｒｅｏｎｌｙｆｏｒｓｔａｎｄａｒｄＷＡＮＣｈａｎｇ－Ｘｕａｎ，Ｐｈ．Ｄ．，ｐｒｏｆｅｓｓｏｒ，Ｐｈ．Ｄ．ｓｕｐｅｒｖｉｓｏｒ．ＨｉｓｃｕｒｒｅｎｔｒｅｓｅａｒｃｈｉｎｔｅｒｅｓｔｓｉｎｃｌｕｄｅＷｅｂｄａｔａｍａｎａｇｅｍｅｎｔ，ｓｅｎｔｉｍｅｎｔａｎａｌｙｓｉｓ， ｄａｔａｍｉｎｉｎｇａｎｄｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌ．ＨＵＲｏｎｇ，Ｍ．Ｓ．，ａｓｓｉｓｔａｎｔｒｅｓｅａｒｃｈｅｒ．Ｈｅｒｃｕｒｒｅｎｔｒｅｓｅａｒｃｈｉｎｔｅｒｅｓｔｓｉｎｃｌｕｄｅｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎ，ｎａｔｕｒａｌｌ ａｎｇｕａｇｅｐｒｏｃｅｓｓｉｎｇａｎｄｂｉｇｄａｔａａｎａｌｙｓｉｓ．ＬＩＵＤｅ－Ｘｉ， Ｐｈ．Ｄ． ，ｐｒｏｆｅｓｓｏｒ， Ｐｈ．Ｄ．ｓｕｐｅｒｖｉｓｏｒ．Ｈｉｓｃｕｒｒｅｎｔｒｅｓｅａｒｃｈｉｎｔｅｒｅｓｔｓｉｎｃｌｕｄｅｎａｔｕｒａｌ ｌ ａｎｇｕａｇｅｐｒｏｃｅｓｓｉｎｇ，ｉ ｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌａｎｄＷｅｂｄａｔａｍａｎａｇｅｍｅｎｔ．ｅｖｅｎｔｔｙｐｅｓ ， ｓｕｃｈａｓＡＣＥ，ｗｈｉｃｈｉｓｎｏｔｅｘａｃｔｓｕｉｔａｂｌ ｅｆｏｒｆｉｎａｎｃｅａｎｄｅｃｏｎｏｍｉｃｓ．Ｏｕｒｗｏｒｋｎｏｔｏｎｌｙｅｘｔｒａｃｔｓａｌｌ ｔｈｅｅｖｅｎｔｓｉｎａｓｅｎｔｅｎｃｅ，ｂｕｔａｌｓｏｃｏｍｐｌｅｔｅｓｔｈｅｄｅｆａｕｌｔｃｏｍｐｏｎｅｎｔｓ， ｗｈｉｃｈｃａｎｉｍｐｒｏｖｅｔｈｅｉｒｕｓａｇｅｖａｌｕｅ， ｓｕｃｈａｓｆｏｒｓｔｏｃｋｍａｒｋｅｔｔｒｅｎｄｆｏｒｅｃａｓｔｓ．ＩｎｃｏｎｓｉｄｅｒａｔｉｏｎｏｆｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆＣｈｉｎｅｓｅｆｉｎａｎｃｉａｌｎｅｗｓｈｅａｄｌｉｎｅｓ， ｗｅｃａｐｔｕｒｅｔｈｅｓｙｎｔａｃｔｉｃｒｅｌａｔｉｏｎｓｈｉｐｓｂｅｔｗｅｅｎｗｏｒｄｓａｎｄｓｕｍｍａｒｉｚｅｔｈｅｒｕｌｅｓｏｆｃｏｒｅｖｅｒｂｃｈａｉｎｆｏｒｍａｔｉｏｎ，ｗｈｉ ｃｈｃａｎｓｏｌ ｖｅｔｈｅｐｒｏｂｌ ｅｍｏｆｅｖｅｎｔｌ ｅａｋ．Ｉｎａｄｄｉｔｉｏｎ，ｗｅａｄｄｔｈｅｓｅｍａｎｔｉｃａｓｓｏｃｉａｔｉｏｎｓｂｅｔｗｅｅｎｅｖｅｎｔｓｔｏｆｏｒｍｔｈｅＳＳＤＰｔｒｅｅａｎｄａｄｊｕｓｔＳＳＤＰｓｔｒｕｃｔｕｒｅｔｏｂｕｉｌｄｔｈｅＳＳＤＰｇｒａｐｈ．Ａｔｌ ａｓｔ，ｗｅｐｒｅｓｅｎｔｆｏｕｒｄｅｆａｕｌｔｓｔｒｕｃｔｕｒｅｓ ， ａｎｄｐｒｏｐｏｓｅｃｏｒｒｅｓｐｏｎｄｉｎｇｃｏｍｐｌｅｔｉｏｎｒｕｌｅｓ．Ｔｏｔｈｅｂｅｓｔｏｆｏｕｒｋｎｏｗｌｅｄｇｅ，ｏｕｒｗｏｒｋｉｓｔｈｅｆｉｒｓｔｓｏｌ ｕｔｉｏｎｔｏｗａｒｄｓｔｈｉｓｐｒｏｂｌ ｅｍ．ＴｈｅｒｅｓｅａｒｃｈｉｓｐａｒｔｉａｌｌｙｓｕｐｐｏｒｔｅｄｂｙｔｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａｕｎｄｅｒＧｒａｎｔＮｏｓ．６ １９７２１ ８４，６１ ５６ ２０３２ａｎｄ６１７６２０４２，ｔｈｅＳｃｉｅｎｃｅ＆ＴｅｃｈｎｏｌｏｇｙＰｒｏｊｅｃｔｏｆｔｈｅＤｅｐａｒｔｍｅｎｔｏｆＥｄｕｃａｔｉｏｎｏｆＪｉａｎｇｘｉＰｒｏｖｉｎｃｅｕｎｄｅｒＧｒａｎｔＮｏｓ．ＧＪＪ１８０１ ９８ａｎｄＧＪＪ１８０２５ ２．