融合多尺度CNN和CRF的通用细粒度事件检测

事件检测是自然语言处理领域中事件抽取的主要任务之一，它旨在从众多非结构化信息中自动提取出结构化的关键信息.现有的方法存在特征提取不全面、特征分布不均等情况.为了提高事件检测的准确率，提出了一种融合BERT预训练模型与多尺度CNN的神经网络模型(BMCC,BERT+Multi-scale CNN+CRF).首先通过BERT(Bidirectional Encoder Representations from Transformers)预训练模型来进行词向量的嵌入，并利用其双向训练的Transformer机制来提取序列的状态特征；其次使用不同尺度的卷积核在多个卷积通道中进行卷积训练，以此来提取不同视野的语义信息，丰富其语义表征.最后将BIO机制融入到条件随机场(CRF)来对序列进行标注，实现事件的检测.实验结果表明，所提出的模型在MAVEN数据集上的F1值为65.17%,表现了该模型的良好性能.