基于图神经网络的事件抽取系统的设计与实现.pdf

摘要

近年来，全球频繁爆发的突发公共卫生事件严重影响了人们的日常生活。这些事

件往往涉及多种疾病、病原体、地理位置和人群，它们并非孤立发生，传统的事件标

签分类方法难以全面准确地描述这些事件的复杂性，而图神经网络可以有效缓解标

签不平衡问题和触发词与论元间的长距离依赖问题。因此，本文提出一种事件多标签

分类技术，该技术使用注意力机制和图神经网络对标签和文本表示进行学习，为每个

事件分配多个标签，以更全面、准确地反映其特征。此外，为了提高突发公共卫生事

件信息的可用性，本文还引入了一种事件论元抽取技术，该技术首先利用全局和局部

编码器融合得到文本特征表示，然后借助图神经网络来建模不同句子和实体之间的

交互，最后通过融合BiGRU网络来实现事件类型预测和事件论元提取。基于这两项

技术，本文构建了一个能够实时监测突发公共卫生的事件抽取系统，该系统可以及时

通知政策决策者，并帮助他们采取预防、控制和应对措施，从而减轻突发公共卫生事

件对人类健康和社会经济的影响。本文的工作主要包括三个方面：

（1）针对标签文本融合不充分和标签分布不平衡问题，本文提出了融入双注意

力和平衡分布损失函数的事件多标签分类模型，该模型采用双注意力机制实现了文

本单词与标签类别的有效交互，并通过自适应融合策略使模型能够为每个特定标签

生成精确的文档表示；接着利用图卷积网络实现自适应的交互；最后设计了一个平衡

分布损失函数帮助模型学习更精准的参数。

（2）针对触发词与论元之间存在的长距离依赖和上下文定位困难问题，本文提

出了基于双流编码器和门控机制的事件抽取模型。该模型通过双流编码器从多个维

度对文档和标签信息进行编码，并采用信息聚合的策略对不同视角的文本表示进行

整合；然后利用GCN网络来进行跨句的信息传递；接着引入BiGRU层挖掘历史数

据的时序特征；最后进行事件类型检测和论元识别。

（3）针对公共卫生领域中突发事件实时监测力度不足的问题，本文开发了一个

突发公共卫生事件的实时监测系统。该系统能够实时发现和预警公共卫生威胁，从而

使相关部门能够及时响应，并迅速采取控制和管理措施。这不仅有效降低了公共卫生

事件对人群健康的影响，也减轻了其对社会经济的负面影响。

关键词：事件抽取；图神经网络；注意力机制；多标签分类

I

ABSTRACT

Inrecentyears,thefrequentoutbreaksofpublichealthemergenciesaroundtheworld

havesignificantlyimpactedpeoplesdailylives.Theseeventsofteninvolveawiderangeof

diseases,pathogens,geographicallocations,andpopulations,andtheyareinterconnected.

Traditionaleventlabelingclassificationmethodsstruggletofullyandaccuratelydescribe

thecomplexityoftheseevents.Graphneuralnetworkscaneffectivelyaddresstheissueof

labelimbalanceandlong-distancedependencebetweentriggerwordsandarguments.

Therefore,thispaperproposesamulti-labeleventclassificationtechniquethatutilizes

attentionmechanismsandgraphneuralnetworkstolearnlabelsandtextrepresentations,

assigningmultiplelabelstoeacheventinordertomorecomprehensivelya