本文主要解决的是事件抽取任务中常见的角色重叠问题，即在多事件句中，同一个元素实体扮演了两个或多个角色。首次在事件抽取任务中引入命名实体识别领域基于外部词典的SOTA模型Flat-lattice transformer，有利于模型获取语料之外的先验信息，提高触发词与事件元素的识别效果；通过对数据集的统计发现，不同的角色在事件中出现频率差别较大，出现频率高的角色“辨识度”高，更能代表该类事件；在同一类型事件中，同现频率高的角色之间关系更紧密，并依此作为各个角色分类器的损失权重。在公开的中文事件抽取数据集上取得较好性能。