SEBERTNets : Réseaux BERT améliorés par séquence pour les tâches d'extraction d'entités événementielles orientées vers le domaine financier

L'extraction d'événements constitue un pilier fondamental de l'analyse d'investissement et de la gestion d'actifs dans le domaine financier, ce qui lui a valu une attention considérable. Le défi organisé lors de la conférence chinoise 2019 sur les graphes de connaissances et le calcul sémantique (CCKS) a mis en place une compétition d'évaluation dédiée à la tâche d'extraction d'entités événementielles dans le contexte financier. Dans cette tâche, nous nous concentrons principalement sur la précision de l'extraction des entités événementielles ainsi que sur la capacité à récupérer efficacement toutes les entités événementielles correspondantes. Dans cet article, nous proposons un nouveau modèle, nommé Réseaux BERT améliorés par les séquences (SEBERTNets pour abréger), capable de préserver les avantages du BERT tout en capturant efficacement les informations sémantiques des séquences. En outre, inspirés par les systèmes de recommandation, nous introduisons une variante hybride, les Réseaux BERT améliorés par les séquences hybrides (HSEBERTNets pour abréger), qui emploie une méthode de récupération multi-canal afin de retrouver toutes les entités événementielles associées. Les résultats expérimentaux montrent que le score F1 de SEBERTNets atteint 0,905 à la première phase, tandis que celui de HSEBERTNets atteint 0,934 à la même étape, démontrant ainsi l'efficacité de nos approches.