SEBERTNets：面向金融领域事件实体抽取任务的序列增强 BERT 网络
计算与语言
2024-01-23 v1 人工智能
摘要
事件抽取位于金融领域投资分析与资产管理的核心，因此备受关注。2019 年中国知识图谱与语义计算大会（CCKS）挑战赛设立了面向金融领域事件实体抽取任务的评测竞赛。在该任务中，我们主要关注如何准确抽取事件实体，并有效召回所有对应的事件实体。本文提出了一种新颖的模型——序列增强 BERT 网络（Sequence Enhanced BERT Networks，简称 SEBERTNets），该模型能够继承 BERT 的优势，同时捕获序列语义信息。此外，受推荐系统启发，我们提出了混合序列增强 BERT 网络（Hybrid Sequence Enhanced BERT Networks，简称 HSEBERTNets），其使用多通道召回方法来召回所有对应的事件实体。实验结果表明，SEBERTNets 在第一阶段的 F1 分数为 0.905，HSEBERTNets 在第一阶段的 F1 分数为 0.934，这证明了我们方法的有效性。
引用
@article{arxiv.2401.11408,
title = {SEBERTNets: Sequence Enhanced BERT Networks for Event Entity Extraction Tasks Oriented to the Finance Field},
author = {Congqing He and Xiangyu Zhu and Yuquan Le and Yuzhong Liu and Jianhong Yin},
journal= {arXiv preprint arXiv:2401.11408},
year = {2024}
}
备注
CCKS 2019