篇章级事件抽取：跨段落抓取完整事件

可视化演示

展示文档图结构建模、跨段落论元链接推理与P/R/F1评估匹配，切换模式查看篇章级抽取不同维度。

篇章建模基础

记者拿到成堆笔记后，第一件事不是动笔写稿，而是把所有材料摊在桌上通读一遍。只看一句话就开工，一定会漏掉关键信息。计算机也一样——想要看明白一整篇文档里的事件，必须先让模型“通读全文”，让每个词都携带整篇文档的上下文信息。这一步就叫篇章建模，它是整个篇章级事件抽取的地基。

句子级模型只盯着一句话；篇章级模型则要把整篇文档编码成一个全局表示。这相当于给每个词都配了一份“全文通讯录”，让它知道在文档的哪个角落还有跟自己相关的线索。主流做法是用预训练语言模型（比如 RoBERTa）处理整篇文档，输出一串向量，序列有多长，向量就有多长，每一个向量都融合了全文的信息。

通读之后，笔记里任何一句话的“分量”都变了——“泸州”不再只是某一页上的地名，而是在全文语境下被确认的重要地点。有了这份全局表示，后续把论元链接给事件，才真的站得住脚。

论元链接算法

材料摊开后，记者开始往稿件框架里填细节：谁是施事者、在哪里、什么时间、经过如何。这些细节散落在不同句子甚至不同段落，记者盯着原文判断“这个细节该放进哪个事件槽位”——这件事在技术上就叫论元链接。

早期的抽取系统先标出实体，再用句法规则判断实体和触发词的关系，但一旦论元出现在距离触发词好几句话的位置，局部规则就大量失手。现代做法是训练一个“链接分类器”：对每个事件触发词和每个候选论元，判断它们是否构成该事件的某个角色。触发词就是那个让事件“浮出水面”的词，比如“地震”“袭击”“签署”。

这就像记者对着稿件框架逐个打钩打叉：“张伟”跟“地震”有关，归入受伤者；“北京救援队”也跟“地震”有关，归入救援方。每一个判定都带着全文上下文，而不是只看词面挨得近不近。

跨句推理机制

记者碰到过一个棘手问题：笔记里写着“当地震感强烈”，可“当地”究竟是哪？通读后才知道前文说的是泸州。读者不会看到原始笔记，稿子里必须写成“泸州震感强烈”才专业。把代词还原成具体所指，就是跨句推理的日常工作。

论元链接要做得准，光匹配词面不够。共指消解把“他”“她”“当地”这类指代词和文档中的真实实体对齐；时序推理判断“先地震、后余震”的先后关系；因果推理判断“地震导致受伤”。这些推理的目标是一致的：把分散的线索归拢到正确的事件上。

有了共指消解，“当地”才能变回“泸州”，“他”才能变回“张伟”。记者的稿件因此干净而准确；机器的事件表也因此拿到了一串“真实参与者”，而不是一堆孤立的名词。

评估指标体系

稿子写完要过主编这一关：事件讲全了吗？每个细节都核实了吗？主编不看文笔，只看信息完整性。篇章级事件抽取的评估方式也如此——不单看触发词找得准不准，更看论元有没有正确归位、事件有没有集齐关键要素。

句子级事件抽取常用触发词识别的 F1 衡量；篇章级则强调事件完整性：一个事件必须把时间、地点、参与方等关键论元都集齐，才算被完整抽取。同时也要衡量每个论元链接判定得对不对。把这两个角度合起来，就需要精确率、召回率和 F1。

主编不会因为稿子长就给好评，也不会因为细节多就放行。P 低说明写了一大堆无关信息，R 低说明关键信息被漏掉，F1 就是那个“既要找得全、又要找得准”的行业标尺。

长文档优化

记者的采访笔记如果只有两三页还好办，一旦拿到几十页的会议纪要、上市公司公告，一次通读就非常吃力。聪明的记者会把笔记分成几册，先逐册精读，再在脑子里汇总成整体印象。长文档处理正是这个思路。

Transformer 的注意力计算量随序列长度平方增长，一篇 5000 字的文档全部塞进模型，算力和显存都会吃不消。于是“切分—局部编码—聚合”成为主流策略：保证每段内部语义不丢，再把各段信息汇总成文档级表示。

记者分册阅读后明白“第一册是背景，第二册是现场，第三册是救援”，每册的分量不同。模型通过注意力权重也学会了同样的轻重取舍——这是长文档场景下保持事件完整性的关键一招。

应用场景实战

记者练就的这套“拼线索”功夫，换一个版面依然管用。财经版的并购公告、政法版的突发事件通报、地方版的救灾报道，全是线索散落的长文本。篇章级事件抽取天然适配三类场景：金融事件监测、舆情全景分析、情报关系挖掘。

以金融为例，一份十几页的收购公告可能在首段提到“达成协议”，中间段落写明交易金额，末尾才披露交割时间。句子级模型只能提取碎片，篇章级模型则输出一张结构化的完整事件卡。评估这类系统时，除了 F1，还要看事件完整度——论元齐全的事件占真实事件的比例。

财经记者拿着系统输出的完整事件卡，等于拿到了“一键成稿”的半成品。技术在实际场景里创造价值的方式，就是把记者最耗时的“翻旧闻、对细节”变成机器自动完成。

部署优化要点

截稿时间永远是记者的宿敌。素材再全，发不出去就是废稿。生产环境里的模型也一样：长文档推理慢是家常便饭，必须在“质量”和“速度”之间找到平衡。

篇章级事件抽取的部署主要有三个痛点：文档超长导致输入被截断、单条样本推理时延过高、长文档消耗大量显存。对应的优化方向是推理加速、模型压缩和延迟控制。推理加速常用批处理与特征缓存，模型压缩常用量化和蒸馏，延迟控制则依赖动态切分与并行化。

截稿时间逼着记者优化工作流，线上延迟逼着工程师优化模型。篇章级事件抽取要真正落地，比的不仅是模型精度，更是工程系统与文档规模赛跑的能力。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""篇章级事件抽取简化Demo：跨段落论元链接"""import re  class DocEventExtractor:    """基于规则 + 共指合并的篇章级事件抽取器"""     def __init__(self):        self.triggers = {  # 事件类型 -> 触发词表            "地震": ["地震", "震中", "余震"],            "袭击": ["袭击", "攻击", "爆炸"],            "签约": ["签署", "签约", "达成"],        }        self.entities = {  # 实体类型 -> 词典（模拟NER）            "人名": ["张伟", "李明", "王芳"],            "地名": ["北京", "四川", "泸州", "上海"],            "时间词": ["昨天", "上午", "3月12日", "2024年"],        }        self.pronouns = {"他": "人名", "她": "人名", "当地": "地名"}     def parse(self, doc):        sents = [s for s in re.split(r"[。！？]", doc) if s.strip()]        mentions = []        for sid, sent in enumerate(sents):            for w, tp in self.pronouns.items():                if w in sent:                    mentions.append({"text": w, "type": tp, "sent": sid})            for tp, vocab in self.entities.items():                for w in vocab:                    if w in sent:                        mentions.append({"text": w, "type": tp, "sent": sid})        resolved = self._resolve(mentions)        events = []        for sid, sent in enumerate(sents):            for etype, words in self.triggers.items():                for w in words:                    if w in sent:                        events.append({                            "type": etype,                            "trigger": w,                            "trigger_sent": sid,                            "arguments": self._link(resolved, sid),                        })        return events     def _resolve(self, mentions):        """共指消解：代词指向前文最近的同类型实体"""        out = list(mentions)        for m in out:            if m["text"] not in self.pronouns:                continue            for o in out:                if o["sent"] < m["sent"] and o["type"] == m["type"]:                    m["antecedent"] = o["text"]                    break        return out     def _link(self, mentions, trigger_sent):        """跨句论元链接：距离超过两句的论元暂不链接"""        args = {"agent": "?", "place": "?", "time": "?"}        for m in mentions:            if abs(m["sent"] - trigger_sent) > 2:                continue            text = m.get("antecedent", m["text"])            if m["type"] == "人名" and args["agent"] == "?":                args["agent"] = text            elif m["type"] == "地名" and args["place"] == "?":                args["place"] = text            elif m["type"] == "时间词" and args["time"] == "?":                args["time"] = text        return args  if __name__ == "__main__":    doc = ("昨天，四川省泸州市发生地震。当地震感强烈，"           "张伟在地震中受伤。王芳称，上午余震不断。"           "北京救援队已经出发。")    extractor = DocEventExtractor()    for ev in extractor.parse(doc):        print(ev)

1. sents = [s for s in re.split(r"[。！？]", doc) if s.strip()]先把整篇文档按句号切分成句子列表，这是“记者把笔记分页”的第一步。
2. for sid, sent in enumerate(sents)记录每个句子编号，后续判断“论元与触发词隔了几句”全靠这个编号。
3. resolved = self._resolve(mentions)先做共指合并，让“他”“当地”这些代词指向前文出现的真实实体。
4. events.append({... "trigger_sent": sid})每个触发词生成一个待填充的事件框架，并记住它出现在第几句。
5. if abs(m["sent"] - trigger_sent) > 2: continue论元离触发词超过两句就暂时放弃，这是简化版的“长距离依赖控制”。
6. text = m.get("antecedent", m["text"])若该论元是代词，则输出其先行词（如“当地”→“泸州”），保证事件卡里是可读的实体名。
7. args["agent"] = text把姓名论元放入 agent 槽位，完成跨句论元链接。

常见误区

面试题