# 事件图谱/事理图谱

## 1.事件图谱

参考资料：《[中科院自动化所陈玉博：事件抽取与金融事件图谱构建](https://zhuanlan.zhihu.com/p/45583498)》、《[最新事件抽取技术进展](https://zhuanlan.zhihu.com/p/79735678)》、《[事件知识图谱构建研究进展与趋势](https://www.secrss.com/articles/15676)》、《[事理图谱，下一代知识图谱](https://www.jiqizhixin.com/articles/2018-12-29-23)》

### 问题1.1：事件图谱的意义？

**实体知识图谱**的优点是构建相对简单、不需要深层语义理解，缺点是实体信息脱离具体的语境存在、存在语义信息的片面性，从而缺乏足够的深层语义信息。

实际上，语义理解的知识来源除了实体以外，还有更重要的与实体相关的行为、状态、转换等具体动作信息。作为一种更高层次的语义单位，事件表达了特定人、物、事在特定时间和特定地点相互作用的客观事实。与实体相比，**事件能够更加清晰、精确表示发生的各种事实信息**。

因此，和实体知识图谱相比，事件知识图谱具有更深入、丰富、精确的语义表示能力，可广泛应用于各种知识的学习、推理和理解。

我们可以把**实体**和**事件**看作两类，实体是一种静态的，而事件偏动态。

下面给出一个事件知识图谱的实例：

![](https://raw.githubusercontent.com/anxiang1836/FigureBed/master/img/20200222010407.png)

> 图是一个“金正男遇害”话题的事件知识图谱（部分）实例，该图谱展示了“金正男遇害”话题早期的发展过程。
>
> 其中，圆圈表示事件，边表示事件关系。
>
> 由于篇幅关系，图中省略了每个事件的事件类型、事件的参与者、发生时间、发生地点、关系的可信度等具体信息。

事件知识图谱可以广泛应用于情报分析、信息检索、自动文摘和舆情分析等多个应用领域。例如在情报分析中，可以帮助情报分析员从海量信息中快速获取所关注的某个话题（如：第五代战机研发）相关的事件知识图谱，不仅为情报分析人员节省大量时间减轻工作量，而且更快速、高效和全面。

### 问题1.2：事件图谱构建关键？

**构建一个事件图谱有两项关键技术：第一是事件抽取，第二是事件关系抽取。**

#### 1.2.1 事件抽取

> 事件抽取分两个步骤：第一步就是事件的发现和抽取，第二个是事件元素的抽取。

![](https://raw.githubusercontent.com/anxiang1836/FigureBed/master/img/20200222144021.png)

* **事件发现：**（应该也叫做“触发词抽取”）是你要让计算机知道读完这一句话，是哪一个词触发了这个类型的事件并且判断它触发什么类型。

  > 触发词(Trigger)：用于标识事件的谓词（一般为动词和名词），又称为锚，是事件的基本要素之一，例如“生于”、“出生”等就是出生事件的触发词。
* **事件元素抽取：**要让计算机判断出参与这个事件所有的元素是什么，并且它们在这个事件当中扮演一个什么角色，比如说美团和大众点评合并这样一个事件，其实它描述的就是一个公司合并事件。

#### 1.2.2 事件关系抽取

> 事件关系主要包括四类：共指关系，时序关系，因果关系和子事件关系

![](https://raw.githubusercontent.com/anxiang1836/FigureBed/master/img/20200222144644.png)

* 共指关系：比如说一个事件你会有不同的新闻来源，去描述它不同的侧面，如果识别出这些不同的描述，描述的都是同一个事件，就能判断这是共指关系，这样你就能从各个角度全方位地去认识这个事件，并且追踪这个事件。
* 因果关系：有了因果关系以后，就可以做很多风控或者是预测。比如日本大地震导致了海啸，最后导致了核泄露。类似这样的因果关系能对风控和预测有参考价值。
* 时序关系：只要把一个事件结构化，就有时间信息，时序就比较清晰了。

### 问题1.3：句子级事件抽取的方法？

> 秦彦霞, 张民, 郑德权. 神经网络事件抽取技术综述\[J]. 智能计算机与应用, 2018, 8(3): 1-5.
>
> 数据集为：ACE2005

#### 1.3.1 传统语法分析方法

（待补充完善）

#### 1.3.2 深度学习方法

> 参考资料：<https://zhuanlan.zhihu.com/p/79735678>

（待补充完善）

### 问题1.4：篇章级事件抽取的方法？

> 仲伟峰, 杨航, 陈玉博, 等. 基于联合标注和全局推理的篇章级事件抽取\[J]. 中文信息学报, 2019, 33(9): 88-95,106.
>
> 数据集为：ACE2005

![](https://raw.githubusercontent.com/anxiang1836/FigureBed/master/img/20200222151800.png)

模型组成：采用Pipeline的方法将问题分为3个子问题：

1. 利用序列标注模型对句子进行实体和事件的联合标注
2. 利用多层感知机对事件中的元素进行分类
3. 基于整数线性规划做全局推理，得到篇章级结构化事件信息

#### 1.4.1 联合标注

使用的是char的Embedding，biLSTM+Attention+CRF的模型结构，进行实体抽取

#### 1.4.2 元素分类

构建了一个多特征拼接的特征向量，然后送入多层感知机进行Softmax分类。特征向量的组成为：

$$
X=\[EV,ET,TV,TT,CF,PF]
$$

![](https://raw.githubusercontent.com/anxiang1836/FigureBed/master/img/20200222154601.png)

#### 1.4.3 全局推理

从句子级抽取了若干个事件，因为在一篇报道中，事件会以不同的角度进行重复，所以，目标函数就是最小化这若干个事件的相似程度。

输入为：

$$
Event={e\_1,e\_2,...,e\_l}
$$

目标函数为：

$$
obj = \sum\_i^l \sum\_j^l sim(e\_i,e\_j)\*var\_refer\_{i,j}
$$

其中，var\_refer表示两个事件的类型是否为同一类型，如果不是同一类型的，则表示为0。

$$
s.t. var\_refer\_{i,j} \in {0,1}
$$

#### 1.4.4 抽取效果

![](https://raw.githubusercontent.com/anxiang1836/FigureBed/master/img/20200222155910.png)

其实可以看得出，这个效果也才达到35%左右的P和R，这个效果指标其实还是比较差的，主要是受到句子级事件抽取的结果影响的。

## 2.事理图谱

> 哈工大社会计算与信息检索研究中心提出了事理图谱的概念，并基于大规模财经新闻文本构建了一个金融领域事理图谱。本文中我中心正式对外发布该金融事理图谱Demo（<http://eeg.8wss.com）>
>
> 参考资料：《[事理图谱，下一代知识图谱](https://www.jiqizhixin.com/articles/2018-12-29-23)》、《[从工业应用角度解析事理图谱](https://zhuanlan.zhihu.com/p/53699796)》、

### 问题2.1：事理图谱与实体知识图谱的区别？

![](https://raw.githubusercontent.com/anxiang1836/FigureBed/master/img/20200222004754.png)

**事理图谱：**&#x662F;以事件为节点，事件间的关系为边的图谱网络；

**知识图谱**：是以实体为节点，实体间的关系为边的图谱网络。

知识（实体）图谱中实体及关系大多是稳定的；事理图谱中关系大多是不确定的，以一定的概率进行转移。

> 近些年知识图谱的火热也带动起了事理图谱的研究，知识图谱的技术及应用相对已经开始成熟。但只是基于实体知识库，并不足以描述事件之间的演化规律，而事理逻辑对现实世界的行为推演尤其重要。

### 问题2.2：事理图谱与事件图谱的区别？

**事件图谱 + 本体 = 事理图谱**

简单说来，事件图谱是不含本体的事理图谱，是事理图谱的初级阶段。

> 在2019年7月20日，哈尔滨举办的“首届事理图谱研讨会”上，对于事理图谱的问答表示：
>
> 事件图谱作为事件表示、演化和推理机制的初级阶段的产物，或许只是一个短暂的存在，尔后大家就会殊途同归，快速走向高级阶段。
>
> 既然事件表示、演化和推理的最终归宿就是事理图谱，那么我们也可以一步到位，直接把这个研究领域和研究对象命名为 EventGraph，与国际接轨。

本人的理解：本体其实就是对于领域的概念抽象，现在事件图谱构建的是具体的；那么，在具体的事件上，进一步挖掘提出出一般的抽象的概念，就是事理图谱。这就很有马克思主义哲学的意味了。

因为这个事理图谱本就是哈工大新提出的概念，建立在事件图谱上的，事件图谱现在都还没有完全的攻克解决，更没办法谈及更高层次的抽象概念了！


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://anxiang1836.gitbook.io/nlp-keypoints/zhi-shi-tu-pu-ban-kuai/00-envent-graph.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.