事件检测的主流方法为面向触发词的检测，包括基于特征的方法和基于表示的方法。基于特征的方法以触发词统计特性为依据，定义特征建模触发词。常用特征包括词法、句法特征、篇章信息及外部知识等^[1-8]。特征构建耗时耗力，效果一般且不稳定。基于表示的方法为目前主流方法，其利用标注触发词的训练语料，学习输入的高维特征实现触发词识别^[9-14]。虽避免了人工构建特征，但语料需专业人员标注，具有触发词标准难以制定、标注成本高等问题，且同一词语可触发多类事件的问题未很好解决。

而事件论元、模式等特征同样体现事件本质，因此许多研究从这些特征入手。部分研究从事件实例出发，利用同类事件在实体组成、语句结构上的相似性进行事件检测。文献[15]基于相同事件拥有相似实体的假设，根据实体元素对文本聚类，得到若干事件簇实现面向开放域的事件检测。方法避免了触发词标注，但无法给出事件簇对应的具体类型，得到的结果是若干关键词，无法用于后续任务。文献[16]以实体和其类型构建“槽值对”，基于同类事件具有相似“槽值对”集的假设分析事件类型与槽值对的关联。方法一定程度上实现了类型判定，但“槽值对”不能全面体现事件框架特征，对部分事件区分度较低。部分研究根据不同类型事件在实体、模式上的差别，预先定义事件表示框架实现事件检测。文献[17]结合事件的5W1H分析法，定义7种突发事件类型的事件框架，抽取突发事件用于公共安全预警；相似研究在科技、金融等领域也取得了一定成果^[18-19]。该类方法结合远程监督可自动生成标注数据，解决了语料标注困难的问题。但事件框架表示结构复杂，严重依赖专家知识，且不同领域和任务需要不同的表示框架，重复定义工作量大。文献[20]提出了基于实体的TBNNAM模型。其以实体为原始特征构建输入，使用LSTM与基于类型的注意力完成事件识别。但该方法仅利用了实体信息，没有考虑事件模式特征，且只利用了单向语义信息。文献[21]结合Bi-LSTM与基于类型的多层多头注意力，基于词向量生成长文本的向量表示，识别电影剧本是否包含指定类型事件。但其关注目标为文档级事件，弱化了细粒度事件的识别和判定。

本文提出一种基于事件模式及类型的事件检测模型PTNN。模型基于非触发词特征检测事件，通过学习句中实体的语义、语法及角色信息，获取隐含的事件语义、结构特征，利用基于类型的注意力机制强化对事件类型和模式的学习。

模型分为潜在论元获取、角色抽象及词替换、深度学习检测3部分。潜在论元获取从实体类型、依存关系、词性3个角度构建论元特征约束，获取潜在论元。角色抽象及词替换将具体的潜在论元抽象为角色进行表示替换，增强输入对事件模式的表示。深度学习检测融合各特征构建嵌入表示，使用Bi-LSTM与基于类型的注意力从词、句两维度提取事件的类型、模式特征。模型原理如图1所示。

获取句$S = \{ {w_1},{w_2}, \cdots ,{w_k}\} $中实体的语法、语义特征，包括实体类型序列E、依存关系集D、词性序列P。根据论元特征约束获取潜在论元集A：

根据潜在论元的语法、语义特征，将其抽象为不同角色R并进行表示替换，增强输入对事件模式的表示，得到处理过的序列：

以${{\boldsymbol{X}}_w}$表示词向量、${{\boldsymbol{X}}_p}$表示词性向量、${{\boldsymbol{X}}_e}$表示实体类型向量，综合潜在论元各特征构建${{{S}}'}$的向量序列${{\boldsymbol{X}}_{{S'}}}$，与待判断事件类型T组成输入对：

${{\boldsymbol{X}}_{{S'}}}$为Bi-LSTM各时间步输入，T用于从模型参数中获取对应词、句级事件类型向量${{\boldsymbol{T}}_{{\text{loc}}}}$、${{\boldsymbol{T}}_{{\text{glo}}}}$。结合Bi-LSTM的隐层信息与事件类型向量，获取词级特征${{\boldsymbol{X}}_{{\text{loc}}}}$与句级特征${{\boldsymbol{X}}_{{\rm{glo}}}}$，综合两种特征实现事件检测及类型判别。

事件论元包含事件角色和部分属性，体现了事件模式并隐含部分类型信息。时间、地点、参与者是最具代表性的论元。其中时间、地点在模式上不体现事件类型信息，参与者则随事件类型的不同有着不同的实体类型，如判决事件的参考者有被告、法官，比赛事件的参与者有裁判、运动队。以句“S₁: Police arrested four suspects in Shenyang yesterday.”为例，police和suspects是参与者论元，Shenyang和yesterday分别为地点和时间论元。

事件论元基于事件存在。面向一般文本句时无法确定事件存在，故提出潜在论元概念，根据词的语法、语义特征约束抽取潜在论元，帮助事件检测。

图  1  PTNN模型

定义1 　潜在论元文本句$S = \{ {w_1},{w_2}, \cdots ,{w_k}\} $中具有时间、地点及参与者角色属性的实体为S的潜在论元，表示为${S_A}$。

若实体${w_i}$在语义、语法特征上满足论元特征约束，则${w_i} \in {S_A}$语义特征包括实体类型及词性，语法特征为词在句中对应的依存关系，具体约束如下。

1)实体类型约束${\delta _e}$

三类论元中，时间、地点的实体类型固定，分别以TIM和LOC表示，参与者的实体类型与事件类型相关，表1为ACE2005数据集定义的部分类型。

以$T = \{ {t_1},{t_2}, \cdots ,{t_n}\} $表示指定的事件类型，对于${t_i}$类事件，其参与者对应的实体类型集为$ {E_{{t_i}}} = \{ {e_{{t_i}1}},{e_{{t_i}2}}, \cdots ,{e_{{t_i}m}}\} $，潜在论元应满足的实体类型约束$ {\delta }_{e} $为：

常见实体类型包括人名PER、国家NAT、机构ORG等。面向具体领域或特定事件类型时，潜在论元对应的实体类型对应增减。

2)依存关系约束$ {\delta _d} $

考虑句子“Tom’s girlfriend Lisa bought a new car.”，Tom符合“购买”事件的实体类型约束，但其没有和事件动作发生关联，不符合论元的语法特征。

事件的本质是动作发生或状态改变，论元与谓词、论元与论元间存在事实关联，并通过词的依存体现。依存关系常表示为三元组$ \{ {w_i},{w_j},{r_k}\} ,{w_i},{w_j} \in S $，$ {r_k} $为依存关系类型，关系由$ {w_i} $指向$ {w_j} $，$ {w_i} $为头实体，$ {w_j} $为尾实体。

参与者为事件主客体或运用的工具、物品等。主客体直接发出或承受具体行为，依存关系中存在表主谓、动宾关系的依存弧；工具、物品等通过主客体与动作关联，代表主客体的状态，通过状语类或动宾关系体现；时间、地点以状语类关系体现。故潜在论元依存句法约束$ {\delta _d} $为：

3)词性约束$ {\delta _p} $

参与者体现为事件主客体或运用的工具、物品等，词性为名词或代词；时间为数字或特定词语如“today、month”，词性为数词或名词；地点表现为名词。潜在论元的词性约束$ {\delta _p} $为：

算法1　潜在论元抽取算法

输入：文本句S；输出：潜在论元集$ {S_A} $；

${S_A} = \varnothing$

获取句$S = \{ {w_1},{w_2}, \cdots ,{w_k}\} $的实体类型序列$E = \{ {e_1},{e_2}, \cdots ,{e_k}\} $

for i=1 to k：

　　if $ {e_i} \in {\delta _e} $ then 添加${w_i} \to {S_{Ae}}$

end for

获取句$S = \{ {w_1},{w_2}, \cdots ,{w_k}\} $的依存关系集$D = \{ {s_{{d_1}}}, {s_{d2}}, \cdots , {s_{{d_k}}}\} $

for i=1 to k：

　　if 三元组${s_{{d_i}}}$的$r \in {\delta _d}$ then 添加${w_i} \to {S_{Ad}}$

end for

${S_A} = {S_{Ad}} \cap {S_{Ae}}$

获取句$S = \{ {w_1},{w_2}, \cdots ,{w_k}\} $的词性序列$ P = \{ {w_{{p_1}}}, {w_{{p_2}}}, \cdots ,{w_{{p_k}}}\} $

for ${w_i} \in {S_A}$

　　if ${w_{{p_i}}} \in {\delta _p}$ then 保留${w_i}$

　　else 从${S_A}$中删除${w_i}$

end for

以${S_1}$为例，各信息如图2所示。

图  2  ${S_1}$语义语法分析

${S_1}$的实体类型序列E为：

根据实体类型约束${\delta _A}$，选出满足条件的实体：

以Stanford NLP工具提取依存关系，根据依存关系约束$ {\delta _d} $得满足条件的三元组有：

nsubj为名词主语，属主谓类依存；obj为动词宾语，属宾语类依存；obl表名词充当附属物，属状语类依存；obl:tmod则在前者基础上进一步指定为时间修饰语。定位对应尾实体得到满足依存约束的实体集：

对两实体集取交集并以词性进行过滤，得到潜在论元集${S_A}$：

潜在论元通过其存在和角色体现事件模式，但其具体值体现的是具体信息而非模式信息。如参与者叫“张三”还是“李四”、发生时间是“今天”还是“昨天”并不决定事件是否存在，存在这些角色才是判定事件模式的要素。同时人名、时间等词是静态词向量“未登陆词”问题的主要来源。为有效提取事件模式特征，提出基于角色的词替换。将潜在论元按角色替换为对应抽象表示，凸显事件模式的同时缓解“未登录词”问题。

根据论元的实体类型及依存关系进行角色分类，以$ {r_i} $表示不同角色，形成角色集$ {\delta _R} = \{ {r_1},{r_2}, \cdots ,{r_o}\} , o \in \mathbb{R} $。为每个角色$ {r_i} $定义对应抽象表示$ {r_{{w_i}}} $，形成抽象实体集$ {\delta _{RW}} = \{ {r_{{w_1}}},{r_{{w_2}}}, \cdots ,{r_{{w_o}}}\} ，o \in \mathbb{R} $，$ {r_i} $与$ {r_{{w_i}}} $一一对应。

根据潜在论元的实体类型及存在的依存关系，判断潜在论元对应的角色，判别规则如表2所示。

表2最后一行涵盖范围大、具体含义不定，需根据具体事件领域、语料标准进行替换，替换基本规则如下。

1) 需保证分词时被识别为一个词，且不可与已有词、常规中文词相同；

2) 格式应与已定义抽象词保持一致；

3) 抽象词应能显式体现类别含义。

算法2　潜在论元替换算法

for i=1 to len(${S_A}$)

　　取${w_i} \in {S_A}$

　　获得潜在论元${w_i}$的实体类型E，存在的依存关系D

　　查表2，判断角色$ {r_i} $

　　以$ {r_i} $对应的抽象词$ {r_{{w_i}}} $替换词${w_i}$

end for

替换示例如图3所示。

图  3  潜在论元角色替换

建立基于Bi-LSTM与类型注意力的深度学习模型，将经角色抽象后的句子${S'}$的语义、语法、模式信息抽象为高维特征实现检测，原理如图1所示。

使用神经网络处理文本需对文字编码。“事件类型”向量通过训练得到稳定表示，预测阶段值固定不变，故采用静态词向量。

Word2Vec是最常用的静态词向量获取方法，其中Skip-gram方法对生僻词效果更好，选用此方法基于大规模文本训练生成词向量表，查询向量表即可获得词向量表示${{\boldsymbol{X}}_w}$。

使用Word2Vec训练得到的词向量包含一定语义信息，由于对潜在论元进行了角色抽象，替换后的词表示对应的词向量，同时隐含了一定的事件模式信息。但上述信息未完全覆盖潜在论元信息，未覆盖的信息通过词性及实体类型表达。PTNN模型的输入在${{\boldsymbol{X}}_w}$上，增加词性${{\boldsymbol{X}}_p}$和实体类型${{\boldsymbol{X}}_e}$来强化表示效果。词${w_i}$的嵌入表示为：

式中，$ \oplus $表连接操作，词性使用Stanford NLP工具获取，每个词性对应一条向量，训练初随机初始化，通过训练得到其稳定表示${{\boldsymbol{X}}_p}$。实体类型向量的处理方式与词性向量相同，表示为${{\boldsymbol{X}}_e}$。

同类事件有相似类型特征，这种特征除通过触发词表征，在事件的特定属性论元及论元的实体类型中也有反映。如某些事件必须拥有多个参与者，某些事件的实体有类型限制等，如表1所示。PTNN模型在不识别触发词的前提下，通过学习这类信息获取事件类型特征。

模型通过词级类型向量${{\boldsymbol{T}}_{{\text{loc}}}}$和句级类型向量${{\boldsymbol{T}}_{{\text{glo}}}}$表示事件类型。${{\boldsymbol{T}}_{{\text{loc}}}}$学习事件句中词实体特征和事件类型的隐含联系，${{\boldsymbol{T}}_{{\text{glo}}}}$学习事件句整体特征和事件类型的隐含联系。具体地，随机初始各事件类型向量${{\boldsymbol{T}}_{{\text{loc}}}}$和${{\boldsymbol{T}}_{{\text{glo}}}}$，使用标记事件类型的训练语料对其进行训练，迭代至${{\boldsymbol{T}}_{{\text{loc}}}}$和${{\boldsymbol{T}}_{{\text{glo}}}}$稳定。

注意力机制可以使神经网络更关注所需信息。在不利用触发词特征进行事件检测的情况下，使用注意力机制能协助获取句子的类型特征。

${{\boldsymbol{T}}_{{\text{loc}}}}$建模词级类型信息，将其作为注意力机制的“查询向量”Q，计算各时间步输出与Q的关系，建模类型信息。t时刻注意力分数为：

式中，${{\boldsymbol{h}}_t}$为Bi-LSTM在t时刻的隐层向量，当前输入包含类型信息越多则${\alpha _t}$越大，其信息在最终特征向量中的占比越大，进而实现事件类型识别。

Bi-LSTM模型能获取长时依赖并兼顾上下文信息，PTNN将其作为特征提取器，获取输入的词级特征和整体语义两个维度的信息。

对词级特征，拼接同位置的正、反向LSTM隐层向量作为当前时间的特征表示${{\boldsymbol{h}}_t}$，形成词级特征矩阵H：

式中，t表示时间步；n表示输入句长度。计算各时间步的词特征对${{\boldsymbol{T}}_{{\text{loc}}}}$的注意力值$ {\alpha _t} $，得到注意力向量${\boldsymbol{\alpha}} = [{\alpha _1},{\alpha _2}, \cdots ,{\alpha _n}]$。

综合隐层向量H、词级注意力向量$ {\boldsymbol{\alpha }}$与词级类型向量${{\boldsymbol{T}}_{{\text{loc}}}}$得到词级特征${{\boldsymbol{X}}_{{\rm{loc}}}}$：

对于句级特征，拼接正、反向LSTM的最后一个单元的隐层输出作为输入的整体向量表示：

综合句表示${{\boldsymbol{h}}_s}$、句级类型向量${{\boldsymbol{T}}_{{\text{glo}}}}$得到句级特征${{\boldsymbol{X}}_{{\text{glo}}}}$：

${{\boldsymbol{X}}_{{\text{loc}}}}$与${{\boldsymbol{X}}_{{\text{glo}}}}$分别描述了输入在词、句级上的事件特征，对两部分特征按权加和作为输入句对某类事件的特征得分，即：

式中，$\gamma $为词句信息比例系数，用于调节最终输出中词级信息与句级信息的占比。

损失函数方面，任务本质是判断输入S是否包含T类型事件，不同T对应的向量空间不同，不能以输出直接构筑二元交叉熵作为损失，故选取均方损失(mean square loss, MSE)，同时引入${L_2}$正则避免过拟合。由于正负类样本不均衡，加大对正例损失的惩罚，损失函数为：

式中，$\beta $为惩罚因子，$y$为0时其保持沉默，$y$为1时对当前样本的损失进行惩罚；$\rho $为${L_2}$正则系数；$\theta $为所有参与反向传播的参数集合。预测结果$\tilde y$与模型的输出$o(x)$的对应关系为：

模型基于Pytorch框架，使用python3.6进行编码。词性及依存关系使用Stanford CoreNLP工具包获取。

采用ACE2005英文数据的timex2norm文件夹作为语料。其包含599篇标注语料，定义了33类事件及35类论元。从所有类别中随机选取30篇作为验证集，从nw文件夹(通讯社新闻)随机选取40篇作为测试集，其余529篇为训练集。以句为基本单位对语料进行处理，同句内多个同类事件记录一个标签，不同类事件记录多个标签。详细统计如表3所示。

词向量基于ACE2005语料原始文本及1-billion-word-language-modeling-benchmark-r13混合训练生成，维度为200维；词性向量及实体类型向量均为50维。${L_2}$正则系数为1×10⁻⁵，epoch为25，batch_size设置为100。

评价指标采用精确率(precision, P)、召回率(recall, R)及${F_1}$值$({F_1} - {\text{score}},{F_1})$，计算公式分别为：

式中，TP表示识别对的正例数；FN表示识别错的正例数；FP表示识别错的负例数。

由于不使用触发词，故采用文献[20]定义的基线模型及文献[20]提出的TBNNAM作横向比对，如表4所示。

MC-表示执行多分类任务，输出所有类型中概率最高的一个；BC-表示执行二分类任务，判定待测句是否包含指定类型事件。

由于PTNN模型存在几个可控变量，为验证不同条件下的效果，定义如下子模型：

M₁：不进行潜在论元识别与词替换；

M₂：进行潜在论元识别，不进行词替换；

M₃：进行潜在论元识别，进行词替换(即PTNN)。

信息比例系数即参数$\gamma $决定了输出中词、句级评分占比。不同信息占比会导致训练侧重方向的变化，为此在验证集上考察模型M₃在不同$\gamma $值下的表现，实验结果如图4所示。可知，模型在$\gamma $取0.25时效果最佳。

图  4  不同$\gamma $值对验证集的效果

M₁为不使用潜在论元识别与词替换的子模型，通过其与基线模型对比，证明双向信息的有效性。实验在测试集上进行，取5轮结果的均值以减小随机性的影响，结果如表5所示。

结果表明M₁取得了比文献[20]中基线模型更好的效果。证明在依靠实体信息进行检测时，双向信息比单向信息效果更好。

为验证潜在论元及类替换的有效性，在测试集上采用相同的参数，比较M₁，M₂，M₃的效果，实验结果如表6所示。

表6后3行为基于触发词方法在相同测试集上取得的效果^[12,14-15]。

由结果可知，潜在论元识别和词替换两个步骤逐步提升了检测效果，原因在于通过精简实体信息，减少了对事件无关实体信息的关注，提升了对事件模式的表达效果；同时词替换操作使得在表达剩余实体时更多的关注了其类别信息，避免了无意义的语义分散，提升了后续特征提取的效果。

本文方法最终达到了使用触发词特征达到的检测水平。验证了基于事件模式特征的PTNN模型对事件检测任务的有效性。

实验证明，PTNN模型在不依靠触发词的情况下，仅依靠事件模式信息和潜在论元信息达到了触发词模型的检测水平，同时其表现优于同类模型。验证了模式信息对事件检测的意义，并验证了其在深度学习模型中的可用性。

后续拟进一步探究如何更好的表示事件模式特征，同时探究如何进行事件模式与类型的联合识别。