MotivationNeuere neuronale Ansätze zur Ereignisextraktion aus Text konzentrieren sich hauptsächlich auf flache Ereignisse im allgemeinen Domänenkontext, während Versuche zur Erkennung verschachtelter und überlappender Ereignisse bisher eher selten sind. Diese bestehenden Systeme basieren auf vorgegebenen Entitäten und setzen externe syntaktische Werkzeuge voraus.ErgebnisseWir stellen ein end-to-end neuronales Modell zur extraktion verschachtelter Ereignisse namens DeepEventMine vor, das mehrere überlappende gerichtete azyklische Graphstrukturen aus einem rohen Satz extrahiert. Aufbauend auf dem bidirektionalen Encoder aus Transformers-Modellen erkennt unser Modell verschachtelte Entitäten und Trigger, Rollen, verschachtelte Ereignisse sowie deren Modifikationen in einer end-to-end-Weise, ohne externe syntaktische Werkzeuge zu benötigen. Das DeepEventMine-Modell erreicht auf sieben Aufgaben zur biomedizinischen Extraktion verschachtelter Ereignisse neue Sollwert-Leistungen. Selbst wenn goldene Entitäten nicht verfügbar sind, kann unser Modell Ereignisse aus rohen Texten mit vielversprechender Genauigkeit erkennen.Verfügbarkeit und ImplementierungUnsere Codes und Modelle zur Reproduktion der Ergebnisse sind unter folgender Adresse verfügbar: https://github.com/aistairc/DeepEventMine.