本公开涉及自然语言处理，具体而言，涉及一种事件抽取方法、事件抽取装置、电子设备及计算机可读介质。
背景技术：
1、事件抽取是从非结构化的自然语言文本中自动抽取用户感兴趣的事件要素，是信息抽取重要组成部分。目前，事件抽取的水平还限制在对独立语言、单一领域的事件文本处理上，对跨语言、开放多领域的研究大都处于探索阶段。例如，中文事件抽取的相关研究主要集中在生物医学、微博、新闻、紧急情况等方面。对于包含大量综合信息的领域，例如短视频领域等，跨语言事件抽取研究目前仍非常缺乏。
2、目前的事件抽取方法的缺点主要包括模板构建成本大、技术方案适应性差以及事件描述生成机械复杂等。具体而言，目前的事件抽取方法需要针对特定领域进行大量的人工构建工作，需要预先构建初始触发词集合并针对每一类别的触发词集合设计一套包含触发词、事件论元角色的事件类别模板，这些工作都需要较多的时间消耗和领域内专家先验知识；预定义的事件类型和schema(模式)往往适合在特定的数据集上，但是在实际使用特别是开放域的短视频生态下很难有效适配，迁移成本也很高；另外，基于模板来生成结构化的事件描述，比较机械且多样性较差。
3、鉴于此，本领域亟需一种事件抽取方法，能够有效地提取事件触发词和要素，并避免大量的模板构建成本，提高技术方案的适应性。
4、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本公开的目的在于提供一种事件抽取方法、事件抽取装置、电子设备及计算机可读介质，进而至少在一定程度上能够有效地提取事件触发词和要素。
2、根据本公开的第一个方面，提供一种事件抽取方法，包括：
3、对原始事件文本进行核心事件提取，得到对应的核心事件文本，并根据所述核心事件文本得到第一模型输入数据；其中，所述核心事件为去除原始事件中的噪声后得到的主要事件；
4、将所述第一模型输入数据输入第一语言表示模型中进行事件触发词的识别，通过所述第一语言表示模型得到触发词嵌入式向量，并将所述触发词嵌入式向量经过所述第一语言表示模型对应的多任务分类器进行多任务学习，得到抽取出的事件触发词以及第一辅助任务结果；
5、根据所述触发词嵌入式向量、所述事件触发词以及与所述原始事件文本相关的多媒体信息数据得到第二模型输入数据；
6、将所述第二模型输入数据输入第二语言表示模型中进行事件要素的识别，通过所述第二语言表示模型得到要素嵌入式向量，并将所述要素嵌入式向量经过所述第二语言表示模型对应的多任务分类器进行多任务学习，得到抽取出的事件要素以及第二辅助任务结果。
7、在本公开的一种示例性实施例中，所述对原始事件文本进行核心事件提取，得到对应的核心事件文本，包括：
8、获取核心事件提取任务对应的模型提示信息，并将所述核心事件提取任务对应的模型提示信息和所述原始事件文本输入大语言模型中进行核心事件的提取；
9、根据所述大语言模型输出的核心事件提取结果，得到所述原始事件文本对应的核心事件文本。
10、在本公开的一种示例性实施例中，所述根据所述核心事件文本得到第一模型输入数据，包括：
11、将所述核心事件文本以及所述原始事件文本进行组合，得到第一模型输入数据。
12、在本公开的一种示例性实施例中，所述将所述触发词嵌入式向量经过所述第一语言表示模型对应的多任务分类器进行多任务学习，得到抽取出的事件触发词以及第一辅助任务结果，包括：
13、将所述触发词嵌入式向量输入所述第一语言表示模型对应的多任务分类器，通过所述多任务分类器中的事件触发词识别任务以及事件分类任务，得到抽取出的事件触发词以及事件分类结果。
14、在本公开的一种示例性实施例中，所述根据所述触发词嵌入式向量、所述事件触发词以及与所述原始事件文本相关的多媒体信息数据得到第二模型输入数据，包括：
15、将所述触发词嵌入式向量对应的隐藏状态向量以及位置编码向量进行组合，得到第一输入数据；
16、根据所述事件触发词得到触发词提示信息，根据所述触发词提示信息、所述核心事件文本以及与所述原始事件文本相关的多媒体信息数据得到第二输入数据；
17、将所述第一输入数据和所述第二输入数据进行组合，得到所述第二模型输入数据。
18、在本公开的一种示例性实施例中，所述根据所述事件触发词得到触发词提示信息，包括：
19、根据所述事件触发词分别得到对应的主体提示信息和客体提示信息。
20、在本公开的一种示例性实施例中，所述将所述要素嵌入式向量经过所述第二语言表示模型对应的多任务分类器进行多任务学习，得到抽取出的事件要素以及第二辅助任务结果，包括：
21、将所述要素嵌入式向量输入所述第二语言表示模型对应的多任务分类器，通过所述多任务分类器中的事件要素识别任务以及事件摘要生成任务，得到抽取出的事件要素以及事件摘要的生成结果。
22、根据本公开的第二方面，提供一种事件抽取装置，包括：
23、核心事件提取模块，被配置为执行对原始事件文本进行核心事件提取，得到对应的核心事件文本，并根据所述核心事件文本得到第一模型输入数据；其中，所述核心事件为去除原始事件中的噪声后得到的主要事件；
24、事件触发词抽取模块，被配置为执行将所述第一模型输入数据输入第一语言表示模型中进行事件触发词的识别，通过所述第一语言表示模型得到触发词嵌入式向量，并将所述触发词嵌入式向量经过所述第一语言表示模型对应的多任务分类器进行多任务学习，得到抽取出的事件触发词以及第一辅助任务结果；
25、输入数据构造模块，被配置为执行根据所述触发词嵌入式向量、所述事件触发词以及与所述原始事件文本相关的多媒体信息数据得到第二模型输入数据；
26、事件要素抽取模块，被配置为执行将所述第二模型输入数据输入第二语言表示模型中进行事件要素的识别，通过所述第二语言表示模型得到要素嵌入式向量，并将所述要素嵌入式向量经过所述第二语言表示模型对应的多任务分类器进行多任务学习，得到抽取出的事件要素以及第二辅助任务结果。
27、在本公开的一种示例性实施例中，所述核心事件提取模块包括：
28、模型提示信息获取单元，被配置为执行获取核心事件提取任务对应的模型提示信息，并将所述核心事件提取任务对应的模型提示信息和所述原始事件文本输入大语言模型中进行核心事件的提取；
29、核心事件文本提取单元，被配置为执行根据所述大语言模型输出的核心事件提取结果，得到所述原始事件文本对应的核心事件文本。
30、在本公开的一种示例性实施例中，所述核心事件提取模块还包括：
31、第一模型输入数据确定单元，被配置为执行将所述核心事件文本以及所述原始事件文本进行组合，得到第一模型输入数据。
32、在本公开的一种示例性实施例中，所述事件触发词抽取模块包括：
33、触发词识别任务执行单元，被配置为执行将所述触发词嵌入式向量输入所述第一语言表示模型对应的多任务分类器，通过所述多任务分类器中的事件触发词识别任务以及事件分类任务，得到抽取出的事件触发词以及事件分类结果。
34、在本公开的一种示例性实施例中，所述输入数据构造模块包括：
35、第一输入数据确定单元，被配置为执行将所述触发词嵌入式向量对应的隐藏状态向量以及位置编码向量进行组合，得到第一输入数据；
36、第二输入数据确定单元，被配置为执行根据所述事件触发词得到触发词提示信息，根据所述触发词提示信息、所述核心事件文本以及与所述原始事件文本相关的多媒体信息数据得到第二输入数据；
37、第二模型输入数据确定单元，被配置为执行将所述第一输入数据和所述第二输入数据进行组合，得到所述第二模型输入数据。
38、在本公开的一种示例性实施例中，所述第二模型输入数据确定单元包括：
39、触发词提示信息确定单元，被配置为执行根据所述事件触发词分别得到对应的主体提示信息和客体提示信息。
40、在本公开的一种示例性实施例中，所述事件要素抽取模块包括：
41、要素识别任务执行单元，被配置为执行将所述要素嵌入式向量输入所述第二语言表示模型对应的多任务分类器，通过所述多任务分类器中的事件要素识别任务以及事件摘要生成任务，得到抽取出的事件要素以及事件摘要的生成结果。
42、根据本公开的第三方面，提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现上述任意一项所述的事件抽取方法。
43、根据本公开的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任意一项所述的事件抽取方法。
44、根据本公开的第五方面，提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的事件抽取方法。
45、本公开示例性实施例可以具有以下有益效果：
46、本公开示例实施方式的事件抽取方法中，通过对原始事件文本进行核心事件提取，并根据核心事件文本得到第一模型输入数据，再将第一模型输入数据输入第一语言表示模型中进行事件触发词的识别，通过第一语言表示模型对应的多任务分类器得到抽取出的事件触发词以及第一辅助任务结果。然后，根据触发词嵌入式向量、事件触发词以及与原始事件文本相关的多媒体信息数据得到第二模型输入数据，再将第二模型输入数据输入第二语言表示模型中进行事件要素的识别，通过第二语言表示模型对应的多任务分类器得到抽取出的事件要素以及第二辅助任务结果。本公开示例实施方式中的事件抽取方法，一方面，通过在模型的输入阶段对核心事件进行提取，能够起到强化输入文本的目的，减少噪声对事件信息抽取的影响；另一方面，通过多任务分类器可以优化事件触发词提取任务和事件要素提取任务，同时支持扩展其他任务；再一方面，通过结合与原始事件文本相关的多媒体信息数据作为辅助事件要素，可以对原有的事件要素提取任务进行强化。
47、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
1.一种事件抽取方法，其特征在于，包括：
2.根据权利要求1所述的事件抽取方法，其特征在于，所述对原始事件文本进行核心事件提取，得到对应的核心事件文本，包括：
3.根据权利要求1所述的事件抽取方法，其特征在于，所述根据所述核心事件文本得到第一模型输入数据，包括：
4.根据权利要求1所述的事件抽取方法，其特征在于，所述将所述触发词嵌入式向量经过所述第一语言表示模型对应的多任务分类器进行多任务学习，得到抽取出的事件触发词以及第一辅助任务结果，包括：
5.根据权利要求1所述的事件抽取方法，其特征在于，所述根据所述触发词嵌入式向量、所述事件触发词以及与所述原始事件文本相关的多媒体信息数据得到第二模型输入数据，包括：
6.根据权利要求5所述的事件抽取方法，其特征在于，所述根据所述事件触发词得到触发词提示信息，包括：
7.根据权利要求1所述的事件抽取方法，其特征在于，所述将所述要素嵌入式向量经过所述第二语言表示模型对应的多任务分类器进行多任务学习，得到抽取出的事件要素以及第二辅助任务结果，包括：
8.一种事件抽取装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至7中任一项所述的事件抽取方法。
