CMNEE: A Large-Scale Document-Level Event Extraction Dataset based on Open-Source Chinese Military News

从军事文本中提取结构化事件知识，包括事件触发器和相应的参数，对于许多应用程序，如情报分析和决策支持至关重要。然而，军事领域中的事件提取面临数据稀缺问题，这阻碍了该领域事件提取模型的研究。为了缓解这个问题，我们提出了CMNEE，一个大规模的、文档级别的、开源的中国军事新闻事件提取数据集。它包含17,000个文档和29,223个事件，这些事件都是基于预定义的军事领域模式进行手动注释的，包括8种事件类型和11种参数角色类型。我们设计了一个两阶段、多轮注释策略，以确保CMNEE的质量，并使用系统评估重现了几个最先进的事件提取模型。在CMNEE上的实验结果显然比其他领域数据集上的结果差，这表明军事领域的事件提取面临独特的挑战，需要进一步的研究努力。我们的代码和数据可以从https://github.com/Mzzzhu/CMNEE获取。

论文旨在解决军事领域事件抽取中的数据稀缺问题，提出了一个大规模的中文军事新闻事件抽取数据集CMNEE，并探索了军事领域事件抽取的挑战和研究方向。

论文提出了一种两阶段、多轮次的标注策略，基于预定义的军事领域事件抽取模式，手动标注了17,000个文档和29,223个事件，包括8个事件类型和11个参数角色类型。同时，使用系统评估复现了几个最先进的事件抽取模型。

CMNEE是一个大规模、文档级别的中文军事新闻事件抽取数据集，包含了丰富的事件类型和参数角色类型，并提出了一种有效的标注策略。论文提出的事件抽取模型在CMNEE上的表现不如在其他领域数据集上的表现，说明军事领域事件抽取具有独特的挑战和研究价值。

最近的相关研究主要集中在事件抽取领域，如Yuan等人的《A Joint Event Extraction and Coreference Resolution Model with Contextualized Span Representations》和Zhang等人的《Event Extraction via Dynamic Multi-Pooling Convolutional Neural Networks》。