الدافعتتركز الطرق العصبية الحديثة لاستخراج الأحداث من النصوص بشكل رئيسي على الأحداث المستوية في المجال العام، بينما هناك محاولات قليلة للكشف عن الأحداث المتشابكة والمتداخلة. تعتمد هذه الأنظمة الحالية على الكيانات المحددة مسبقًا، وهي تعتمد على أدوات نحوية خارجية.النتائجنُقدّم نموذجًا عصبيًا متكاملًا لاستخراج الأحداث المتشابكة يُسمى DeepEventMine، والذي يستخرج هياكل متعددة من الرسوم البيانية الموجهة غير الدورية (Directed Acyclic Graphs) من جملة خام. بناءً على نموذج التمثيلات ثنائية الاتجاه من المحولات (Bidirectional Encoder Representations from Transformers)، يُمكن لنموذجنا الكشف عن الكيانات المتشابكة والمنبّهات (triggers)، والأدوار، والأحداث المتشابكة وتعديلاتها بطريقة متكاملة دون الحاجة إلى أي أدوات نحوية. يحقق نموذج DeepEventMine أداءً جديدًا على مستوى الأداء الراقي (state-of-the-art) في سبعة مهام لاستخراج الأحداث المتشابكة في المجال الطبي. وحتى عند عدم توفر الكيانات الصحيحة (gold entities)، يمكن لنموذجنا الكشف عن الأحداث من النص الخام بنتائج واعدة.التوفر والتنفيذتتوفر الشيفرات والنماذج الخاصة بنا لإعادة إنتاج النتائج على الرابط التالي: https://github.com/aistairc/DeepEventMine.