基于金融領(lǐng)域的因果事件抽取算法研究

席建文

（西南民族大學(xué)電子信息學(xué)院，成都 610041）

0 引言

因果事件抽取技術(shù)是信息抽取領(lǐng)域重要的研究方向。而金融領(lǐng)域中含有大量的因果事件，這些因果事件直接地反映了一個(gè)經(jīng)濟(jì)事件對另一個(gè)經(jīng)濟(jì)事件的影響程度，這對于領(lǐng)域決策和分析具有一定的指導(dǎo)作用，為知識問答、數(shù)據(jù)預(yù)測、因果推斷等應(yīng)用提供數(shù)據(jù)來源。但由于中文語言的復(fù)雜性、描述方式的多變性，真實(shí)文本中因果情況復(fù)雜難解，有大量的多因多果的情況，增加了抽取因果事件的難度。

為了解決金融領(lǐng)域因果抽取的難題，我們構(gòu)建了金融領(lǐng)域中的因果數(shù)據(jù)集，對因果事件中的組成結(jié)構(gòu)進(jìn)行定義，方便從因果句中抽取因果事件。同時(shí)研究了如何更準(zhǔn)確地抽取因果關(guān)系，并提出了基于BERT 改進(jìn)pipeline 結(jié)構(gòu)的因果事件抽取模型PUBERT。

1 相關(guān)工作

本文相關(guān)的工作主要分為因果事件數(shù)據(jù)集的構(gòu)建和因果事件關(guān)系抽取研究。

針對因果事件標(biāo)注的數(shù)據(jù)集目前主要有兩種標(biāo)注方式，一是以詞級別的標(biāo)注，將事件標(biāo)注為詞語的形式，包括SemEval-2007 task 04［1］、SemEval-2010 task 8［2］、CaTeRS［3］和中文因果標(biāo)注數(shù)據(jù)集CEC［4］等，另一種是以長句或長文段的標(biāo)注方式，如Fincausal［5］，將因果事件標(biāo)注為一個(gè)完整的句子或者段落。

事件因果關(guān)系抽取上的研究最早可追溯到20 世紀(jì)90 年代，早期研究圍繞基于規(guī)則的方法展開。Grishman 等［6］提出了PROTEUS 工具，使用語法和語義信息自動抽取文本中的時(shí)序關(guān)系和因果關(guān)系。Kaplan等［7］將文本表示為命題的集合，每個(gè)命題包含一個(gè)謂詞（通常為動詞）和多個(gè)論元，通過定義命題模板的方式抽取命題中的因果關(guān)系。Garcia［8］提出了COATIS 工具，該工具使用包含23 個(gè)因果性動詞的語言學(xué)模板自動地從法語文本中抽取因果關(guān)系。

2000 年后，因果關(guān)系抽取研究逐漸轉(zhuǎn)移到基于統(tǒng)計(jì)與機(jī)器學(xué)習(xí)的方法上來。Girju［9］提出了使用C4.5 決策樹判斷“NP1-Verb-NP2”元組是否構(gòu)成因果關(guān)系。Chang等［10］采用無監(jiān)督的方法從文本中學(xué)習(xí)短語指示因果關(guān)系的概率與詞對出現(xiàn)在因果關(guān)系中的概率，作為額外特征訓(xùn)練貝葉斯分類器，判斷因果關(guān)系是否成立。2007 年，SemEval-2007 task 04［1］中提出了常見語義關(guān)系分類任務(wù)，其中包含因果關(guān)系。Girju等［11］使用SVM 在該任務(wù)上取得了當(dāng)時(shí)最佳的效果。Sil 等［12］提出了PREPOST 系統(tǒng)，使用基于RBF 核的SVM 結(jié)合PMI 特征判斷因果關(guān)系是否成立。付劍鋒等［13］提出使用層疊條件隨機(jī)場的方法，在事件序列上同時(shí)標(biāo)注多個(gè)因果關(guān)系對。Silva 等［14］將CNN 應(yīng)用于因果關(guān)系抽取任務(wù)中。這一系列的研究將因果關(guān)系抽取建模為分類任務(wù)，輸入是已經(jīng)抽取好的事件或?qū)嶓w及其上下文，判斷它們是否構(gòu)成因果關(guān)系，而并未關(guān)注原因、結(jié)果事件或?qū)嶓w本身的抽取工作。

隨著自然語言處理技術(shù)的發(fā)展，一些研究者開始嘗試使用序列標(biāo)注模型解決因果關(guān)系抽取問題。Dasgupta 等［15］提出將因果關(guān)系抽取建模為序列標(biāo)注任務(wù)，在文本中直接標(biāo)注出原因提及與結(jié)果提及的短語。Li 等［16］提出使用帶有自注意力機(jī)制的雙向LSTM-CRF 模型，結(jié)合經(jīng)過領(lǐng)域遷移的詞向量應(yīng)用于因果抽取任務(wù)。基于序列標(biāo)注模型的因果抽取方法是一種端到端的方法，可直接由文本得到因果事件和實(shí)體對，為因果關(guān)系抽取研究指明了新的方向。

本工作分為四個(gè)部分，第一部分介紹金融領(lǐng)域因果數(shù)據(jù)集的建設(shè)和數(shù)據(jù)統(tǒng)計(jì)情況；第二部分介紹實(shí)驗(yàn)方案，由事件抽取和因果關(guān)系抽取構(gòu)建的整體pipeline 結(jié)構(gòu)；第三部分進(jìn)行對比實(shí)驗(yàn)設(shè)計(jì)，并對結(jié)果進(jìn)行分析；第四部分為總結(jié)。

2 數(shù)據(jù)集構(gòu)建

本節(jié)目的是構(gòu)建金融領(lǐng)域的因果事件數(shù)據(jù)集，包括數(shù)據(jù)來源的選擇、數(shù)據(jù)處理過程、標(biāo)注規(guī)范的定義，以及對數(shù)據(jù)集的樣本情況進(jìn)行統(tǒng)計(jì)分析。

2.1 數(shù)據(jù)來源

為使得數(shù)據(jù)集盡量貼合真實(shí)情況，我們從多個(gè)信息來源中獲取數(shù)據(jù)，包括騰訊新聞、搜狗新聞的金融新聞和CCKS（China Conference on Knowledge Graph and Semantic Computing）金融因果事件比賽數(shù)據(jù)。

本工作針對上述來源的文本進(jìn)行分句，收集因果觸發(fā)詞方式，構(gòu)造AC 自動機(jī)進(jìn)行快速匹配，得到一批候選因果事件句子的數(shù)據(jù)。

例如:

“報(bào)告要點(diǎn)產(chǎn)品價(jià)格變動分析：油價(jià)下跌，甘氨酸、醋酸續(xù)漲原油價(jià)格下跌，主要因?yàn)镺PE增產(chǎn)疊加美油產(chǎn)量持續(xù)增加”

“國際貿(mào)易保護(hù)愈演愈烈，貿(mào)易摩擦升級，多國減少進(jìn)口貿(mào)易量，導(dǎo)致特鋼出口難度進(jìn)一步加大”

“近期棉花價(jià)格上漲，推動二道絨價(jià)格上漲，并進(jìn)一步傳導(dǎo)至棉漿粕”

2.2 標(biāo)注定義與規(guī)范

我們使用標(biāo)注工具label-studio，在經(jīng)過規(guī)則篩選的候選數(shù)據(jù)集合中進(jìn)行因果標(biāo)注。任務(wù)定義為：在給定句子中，標(biāo)注出事件片段、觸發(fā)詞，并標(biāo)注出兩兩成對的事件片段之間是否存在因果關(guān)系。關(guān)于標(biāo)注做出以下定義：

事件片段定義為：描述了事物發(fā)展、狀態(tài)、動作的片段，形式可為詞語、短句、短語等，如“洪災(zāi)”“各國經(jīng)濟(jì)增長”“供需失衡”等。

因果關(guān)系定義為：在邏輯、語法結(jié)構(gòu)的表達(dá)上體現(xiàn)并能推理出來事件A 使得事件B 發(fā)生的情況，如“洪災(zāi)對CPI 的影響主要在食品項(xiàng)，會導(dǎo)致糧食、蔬菜等價(jià)格階段性上漲”，其中事件“洪災(zāi)” 與事件“糧食、蔬菜等價(jià)格階段性上漲”有因果關(guān)系。

觸發(fā)詞定義為：在語句描述中為指示或說明了兩事件之間具有因果關(guān)系的詞或短語，如“導(dǎo)致”“因?yàn)椤薄坝绊憽薄皩薄坝捎凇薄半S著”等。

因果數(shù)據(jù)構(gòu)建難以快速發(fā)展的原因在于真實(shí)情況中文本的復(fù)雜性，而標(biāo)注中往往需要一定程度的語言邏輯判斷，同時(shí)難免會帶有個(gè)人的主觀性，所以我們需要對標(biāo)注因果事件的標(biāo)注邊界有一個(gè)統(tǒng)一的規(guī)范。給出以下三條標(biāo)注規(guī)范：

（1）觸發(fā)詞必存原則：一條有效的因果事件數(shù)據(jù)樣本中應(yīng)該至少包含一個(gè)觸發(fā)詞；

（2）語義完備性原則：為了使得事件具有完備的語義，片段必須體現(xiàn)實(shí)際的動詞、名詞，指示代詞忽略掉；

（3）語言簡明性原則：對于事件，在不影響理解語義的情況下，選擇最短的片段作為邊界。

2.3 數(shù)據(jù)集統(tǒng)計(jì)分析

為了避免數(shù)據(jù)集的構(gòu)建出現(xiàn)漏標(biāo)錯(cuò)標(biāo)的情況，我們采用兩人交叉標(biāo)注，最后通過人工校驗(yàn)并整理，獲得金融領(lǐng)域共計(jì)4000 條帶有因果關(guān)系的數(shù)據(jù)集，對數(shù)據(jù)集做以下分析：

2.3.1 觸發(fā)詞統(tǒng)計(jì)

我們統(tǒng)計(jì)了所有觸發(fā)詞的頻次，列出具有代表性的頻次top10的觸發(fā)詞如下：

導(dǎo)致（1681）、影響（765）、由于（605）、預(yù)計(jì)（567）、使（394）、隨著（230）、有望（255）、推動（244）、因?yàn)椋?18）、如果（66）。

2.3.2 因果事件長度統(tǒng)計(jì)

對數(shù)據(jù)集文本從樣本數(shù)量、文本平均長度、事件平均長度、觸發(fā)詞平均長度進(jìn)行了統(tǒng)計(jì)，結(jié)果如表1所示。

表1 因果事件長度分布 單位：字

2.3.3 多因果事件分布統(tǒng)計(jì)

我們對單因果和多因果數(shù)據(jù)分布情況進(jìn)行統(tǒng)計(jì)說明，內(nèi)容如表2所示。

表2 因果事件分布 單位：條

其中單因果表示一條數(shù)據(jù)中只含有一對因果事件，如“市場乙二醇供應(yīng)量的增加導(dǎo)致中國乙二醇進(jìn)口量出現(xiàn)下降”。

多對因果表示一條數(shù)據(jù)中包含有多對獨(dú)立（非連鎖）因果事件，如“美國等西方國家指責(zé)伊朗進(jìn)行核活動是為了發(fā)展核武器，但伊朗堅(jiān)稱其核活動僅用于和平目的”。

多因多果表示一條數(shù)據(jù)中含有一因多果或多因一果事件，如：“美國頁巖氣供給的增加和美國、中國原油進(jìn)口量回落導(dǎo)致原油大幅下跌”（多因一果）；“厄爾尼諾可能導(dǎo)致巴西、印度的蔗糖減產(chǎn)，東南亞的橡膠及棕櫚油減產(chǎn)，阿根廷大豆增產(chǎn)、印度、澳大利亞的小麥減產(chǎn)”（一因多果）。

連鎖因果表示一條數(shù)據(jù)中含有關(guān)系為：事件既為關(guān)系對中的果事件，同時(shí)也為另一個(gè)因果關(guān)系對中的因事件，如“隨著冬季國內(nèi)氣溫下降，建筑工地開工受到明顯影響，對建材需求進(jìn)一步萎縮，鋼材冬儲行情遲遲未能啟動，國內(nèi)鋼材貨價(jià)格出現(xiàn)下降，越來越多的鋼企提出下調(diào)焦炭價(jià)格要求”。

3 模型

本工作針對因果事件關(guān)系的抽取主要采用pipeline 的結(jié)構(gòu)，固而分為兩部分進(jìn)行構(gòu)建：事件抽取和關(guān)系抽取。

3.1 pipeline結(jié)構(gòu)

模型流程如圖1 所示：文本數(shù)據(jù)輸入-> 事件抽取模塊-> 關(guān)系抽取模塊->輸出抽取結(jié)果。針對給定的句子，先進(jìn)行事件抽取，得到事件實(shí)體，然后將得到的事件實(shí)體信息輸入到關(guān)系抽取模型中，最終得到正確的因果關(guān)系對。

圖1 整體抽取模型結(jié)構(gòu)

3.2 事件抽取模塊

本研究的事件抽取模塊采取命名實(shí)體識別BIO 的方式，使用BERT+CRF 結(jié)構(gòu)有效地抽取事件和觸發(fā)詞。如圖2所示。

圖2 事件抽取模塊

3.3 關(guān)系抽取模塊

為了更好地抽取出因果關(guān)系，同時(shí)充分利用事件抽取結(jié)果的語義信息，通過在輸入層融合實(shí)體信息（包括類型信息和邊界信息）來實(shí)現(xiàn)關(guān)系的預(yù)測。

首先在輸入層實(shí)體前后插入自定義字符“TM”“EM”，當(dāng)文本經(jīng)過BERT 模型后，我們得到每個(gè)字的上下文表示作為中間層的向量。然后，將事件A 的前后兩個(gè)字符“TM”“EM”向量相加求平均獲得新向量“E_A”，在事件B和觸發(fā)詞C 上進(jìn)行相同的操作得到新向量“E_B”和“E_C”，再將三個(gè)向量拼接，輸入到最后的liner層+softmax層后，即可得到最終的關(guān)系分類。

在訓(xùn)練過程中，我們會對除了正確組合以外的所有實(shí)體構(gòu)成負(fù)樣本進(jìn)行訓(xùn)練，來提高模型對正確關(guān)系組識別的準(zhǔn)確度。

如下圖3所示。

圖3 關(guān)系抽取模塊結(jié)構(gòu)

充分利用觸發(fā)詞的作用，將兩個(gè)事件中心位置最近的觸發(fā)詞作為一對，但觸發(fā)詞表示向量與事件表示向量之間的位置拼接受到實(shí)際位置的影響，我們認(rèn)為這里包含的語義信息將為進(jìn)一步的關(guān)系識別提供更好的抽取效果。

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)環(huán)境

操作系統(tǒng)為Ubuntu16.04，使用Python 編程語言和Pytorch 深度學(xué)習(xí)框架，其中GPU 型號為GeForce GTX 2080Ti。

4.2 評估指標(biāo)

對模型進(jìn)行評估時(shí)，采用以下指標(biāo)：

其中：TP為預(yù)測中正確的關(guān)系個(gè)數(shù)；TP+FP為預(yù)測的關(guān)系個(gè)數(shù)；TP+FN為數(shù)據(jù)中真實(shí)的關(guān)系個(gè)數(shù)。評估pipeline 的結(jié)果時(shí)，需要對整體結(jié)構(gòu)進(jìn)行評估，故而除了預(yù)測的關(guān)系類型要求正確，預(yù)測的實(shí)體類型也必須正確，才認(rèn)為預(yù)測的關(guān)系為正確。P、R、F1 公式不變，但按照更嚴(yán)格的標(biāo)準(zhǔn)進(jìn)行計(jì)算。

4.3 實(shí)驗(yàn)效果分析

表3所示為實(shí)驗(yàn)結(jié)果。通過將PUBERT 和另外兩種模型進(jìn)行對比，可以看到PUBERT 有更好的表現(xiàn)，在金融領(lǐng)域復(fù)雜因果事件環(huán)境中，基于就近規(guī)則的BERT+Rule 模型難以處理多因多果的情況，而引入觸發(fā)詞語義信息的PUBERT模型能夠更好地理解因果事件之間的關(guān)系，在抽取上有明顯提升。

表3 實(shí)驗(yàn)效果對比

5 結(jié)語

PUBERT 以pipeline 結(jié)構(gòu)搭建了獨(dú)特的關(guān)系抽取模型，不僅充分利用了事件抽取所得到的信息，而且能夠很好地識別事件之間的因果關(guān)系，相比較于BERT+MTB 和BERT+Rule 方法，其在金融因果數(shù)據(jù)集上有更好的表現(xiàn)。當(dāng)然，受限于pipeline 結(jié)構(gòu)本身，其結(jié)果比較依賴于事件抽取的效果，容易造成誤差積累，這些不足是我們下一步研究需要解決的問題。