4、事件抽取技术：基于规则的事件抽取、基于机器学习的事件抽取、触发词与论元识别
好，咱们进入第四章。事件抽取，说白了就是从一堆非结构化的文本里，把「谁在什么时候、什么地方、干了什么事」给拎出来。我刚开始做金融舆情系统那会儿，最头疼的就是这个环节。你想想看，一条新闻里可能同时包含「公司A收购了公司B」和「公司C发布了财报」，机器得能分清哪个是哪个。
这一章，我带你捋一遍事件抽取的两种主流路子：基于规则 和 基于机器学习。顺便把触发词和论元识别这两个核心概念讲透。
4.1 基于规则的事件抽取
规则方法，嗯，最朴素也最直接。适合那种事件类型固定、句式变化不大的场景。比如金融领域的「股权质押」、「高管离职」、「业绩预告」，这些事件的关键词和句式相对稳定。
核心思路：先定义事件模板，然后用正则表达式或者模式匹配去文本里找。
举个例子，抽取「收购」事件：
# 伪代码示例
pattern = r'([^，。]+?)收购([^，。]+?)'
if match:
触发词 = '收购'
收购方 = match.group(1)
被收购方 = match.group(2)
我在项目中遇到过一个问题：规则写得太死，遇到「A对B发起收购要约」这种变体就抓瞎了。所以后来我习惯把规则写成多级匹配，先找触发词，再根据句法结构找论元。
规则方法的优缺点
- 优点：准确率高，可解释性强，调试方便
- 缺点：维护成本高，泛化能力差，遇到新句式就得加规则
我的小技巧：规则库最好做成可配置的，用YAML或者JSON存起来。这样业务人员也能参与维护，不用每次都改代码。
4.2 基于机器学习的事件抽取
机器学习方法，说白了就是让模型自己学。你给它一堆标注好的数据，它自己总结规律。现在主流做法是序列标注 + 分类器。
流程大概是这样的：
- 把文本切分成token（字或词）
- 用BERT之类的预训练模型提取特征
- 用CRF层做序列标注，标出触发词和论元的位置
- 用分类器判断事件类型和论元角色
我曾经踩过一个坑：直接用通用BERT做金融事件抽取，效果很差。后来发现是因为金融文本里有很多专业术语和特殊句式，通用模型没学过。解决办法是用金融语料做领域微调，效果立竿见影。
注意：机器学习方法对标注数据质量要求极高。我见过一个团队，标注了5000条数据，但标注一致性只有60%，模型效果可想而知。标注规范一定要先定好，最好做两轮标注校验。
4.3 触发词与论元识别
这两个概念是事件抽取的核心。我习惯这么理解：
- 触发词：事件发生的「导火索」，通常是动词或名词。比如「收购」里的「收购」，「辞职」里的「辞职」。
- 论元：事件的参与者或属性。比如收购方、被收购方、金额、时间等。
识别触发词，说白了就是找那个「最关键的词」。论元识别呢，就是围绕触发词，找到它周围的「谁、什么、多少、何时」。
举个例子：
「2023年6月，阿里巴巴以95亿美元收购了饿了么。」
- 触发词：收购
- 论元：收购方=阿里巴巴，被收购方=饿了么，金额=95亿美元，时间=2023年6月
我个人的习惯是，先做触发词识别，再做论元识别。因为触发词定了，论元的范围也就基本定了。比如触发词是「收购」，那论元大概率是收购方、被收购方、金额这些。
4.4 两种方法的对比与选择
| 维度 | 基于规则 | 基于机器学习 |
|---|---|---|
| 准确率 | 高（限定场景） | 中等（依赖数据质量） |
| 召回率 | 低（容易漏掉变体） | 高（能泛化） |
| 开发成本 | 低（快速上线） | 高（需要标注数据） |
| 维护成本 | 高（规则膨胀） | 低（模型更新即可） |
| 适用场景 | 事件类型固定、句式稳定 | 事件类型多样、文本风格多变 |
嗯，这里要注意：实际项目中，我很少只用一种方法。通常是规则打底，机器学习兜底。规则负责高精度的部分，模型负责覆盖规则覆盖不到的地方。
4.5 知识体系图
下面这张图，是我自己梳理的事件抽取技术全景。你看一眼，基本就能把握住这一章的核心脉络。
你看，整个事件抽取的核心就两块：方法选型（规则还是模型）和核心任务（触发词与论元识别）。搞懂了这两块，搭建金融事件分析系统就有了地基。