事件是指事物状态的改变,简单来说就是某个动作的发生以及由此产生的一系列后果。事件包含多个描述事件发生以及状态改变的要素,例如事件发生的时间和地点、事件的参与者和后果等等。从文本中识别事件并提取事件要素以生成结构化的事件对象,在社会治理、舆情监控和情报收集等诸多领域具有广泛的应用。随着中国-东盟合作日益密切,使用计算机从海量的东盟语言文本中及时、准确地抽取事件要素并构建事件库,对促进双边文化交流,及时、全面地了解东盟国家社会动态具有十分重要的意义。由于自然语言的灵活性,机器缺乏人类具有的世界常识、心理活动和理解同一事物所需的共识,使得机器从文本中正确地抽取事件要素变成一项十分具有挑战性的任务。目前对事件要素抽取的研究主要针对英语、中文等资源丰富的语言,而对东盟低资源语言事件要素抽取的研究很少。低资源事件要素抽取除了要解决一般事件要素抽取的共性问题之外,还要受到数据获取困难、标注数据不足、处理工具匮乏等诸多因素的限制。本文基于自然语言处理和深度学习领域的理论成果和技术框架研究了低资源条件下事件要素抽取的问题,提出了一整套面向低资源场景的领域数据集构建和事件要素抽取方法。具体来说,本文的研究内容包括以下四方面:1.低资源场景下领域数据集的构建。独立同分布是机器学习领域的基本假设,推理样本和训练样本满足该假设是模型泛化能力的基本保证。然而在目前的领域数据集构建实践中,我们只是假设样本满足独立同分布,而行动上并未采取有效措施加以保证。为了使事件样本满足独立同分布假设,本文先提出了基于差分语义模型的句子表示模型以获得更加精确的句子表示,然后根据句子语义表示构建领域判别器,最后使用领域判别器筛选构建领域数据集的样本以及推理时输入事件要素抽取器的样本。本文提出的领域数据集构建方法,在实践中具有十分重要的参考价值。本文用此方法构建的包含7761个事件句、9387个事件的越南语Covid-19主题数据集,该数据集是目前已知第一个东盟小语种事件数据集。2.基于跨度选择的低资源事件要素抽取方法。本文在知识注入能有效提升模型性能的理论分析基础上,提出基于词汇知识注入的远程监督事件要素抽取框架,在该框架中词边界、词性等词汇知识经过编码之后通过向量拼接的方式实现注入。运用该框架对目前两个最新的基于跨度选择事件要素抽取模型进行扩展,实验表明词汇知识的注入能普遍提升模型的性能。无监督统计语言模型的提出是为了应对无任何词汇资源的极端低资源情况。在极端情况下,以越南语为例,无监督统计语言模型可以获得66%的分词准确率。3.基于文本生成的低资源事件要素抽取方法。基于文本生成的事件要素抽取方法具有模型和框架统一、整体性好、数据标注简单等优点。该方法可以无差别地处理事件句包含一个或多个事件的情况,因此它更具优越性。本文根据事件要素在上下文中分布以及低资源的特点,改进了目前基于文本生成的事件要素抽取模型。具体来说本文的改进包括在事件句中注入词汇知识、在模型输入序列中拼接上下文背景和外部知识编码,以及在模型的训练和推理过程中注入事件知识。在本文构建的越南语事件数据集上进行实验,结果表明本文的改进显著提升了模型的性能。4.基于本文的研究成果,即基于领域判别的事件数据集构建以及推理样本选择方法,和本文提出的基于文本生成的低资源事件要素抽取模型,本文从新闻网站上获取相关数据并实施事件要素抽取,最终构建了一个包含39833个事件、181695个事件要素的越南语Covid-19主题事件库。该事件库可以为其他信息处理系统提供较高质量的数据,该事件库是目前已知国内第一个越南语数据库。