摘要
在文档级事件抽取（Document-level Event Extraction, DEE）任务中，事件参数通常分散在多个句子中（跨句问题），并且一个文档中可能存在多个事件（多事件问题）。本文认为，事件参数之间的关系信息对于解决上述两个问题具有重要意义，并提出了一种新的DEE框架，该框架能够建模关系依赖，称为关系增强型文档级事件抽取（Relation-augmented Document-level Event Extraction, ReDEE）。具体而言，该框架引入了一种新颖且定制的变压器模型，命名为关系增强型注意力变压器（Relation-augmented Attention Transformer, RAAT）。RAAT 可以扩展以捕捉多尺度和多数量的参数关系。为了进一步利用关系信息，我们引入了一个独立的事件关系预测任务，并采用了多任务学习方法来明确提升事件抽取性能。广泛的实验表明了所提方法的有效性，其在两个公开数据集上均能实现最先进的性能。我们的代码可在 https://github.com/TencentYoutuResearch/RAAT 获取。