Извлечение событий — это сложная задача обработки естественного языка, направленная на идентификацию и классификацию триггерных слов и аргументов из неструктурированного текста. Полисемия триггерных слов и аргументов является одной из ключевых проблем, влияющих на точность извлечения событий. Существующие методы обычно предполагают равномерное распределение различных смыслов в триггерных словах и аргументах. Однако в реальных приложениях количество образцов различных значений одного и того же триггерного слова или аргумента отличается, что приводит к смещению в распределении смыслов. Такое смещение создает две проблемы для точного извлечения событий: пропуск редких смыслов и ложное распознавание частых смыслов. Для решения этих проблем предлагается адаптивный метод семантического обучения, который с помощью механизма поощрения и наказания балансирует распределение смыслов полисемичных триггерных слов и аргументов. Механизм поощрения и наказания уменьшает различия между высокочастотными и низкочастотными смыслами путем награждения правильной классификации и наказания ошибок, а также увеличивает разрыв между целевыми и нецелевыми смыслами, чтобы сбалансировать распределение смыслов. Кроме того, предлагается механизма осознания ситуации событий на уровне предложения, направляющий кодировщик для точного изучения знаний о событиях, упомянутых в предложении, что улучшает предсказание смыслов полисемичных триггерных слов и аргументов. Наконец, для различных задач предлагается специализированный семантический декодер, точно определяющий границы предсказанных триггерных слов и аргументов для соответствующих смыслов. Экспериментальные результаты на ACE2005 и его вариантах, а также на наборе данных ERE показывают, что предложенный метод превосходит все одно- и многозадачные базовые методы извлечения событий.

извлечение событий; полисемичные триггерные слова; полисемичные аргументы; семантический дисбаланс; механизм поощрения и наказания