基于FPGA的事件抽取模型与加速器的设计实现

事件抽取技术是实现特定信息快速提取的一种关键技术,可广泛应用于信息检索、情感分析等场景。中文事件抽取因需要考虑中文语言特性的问题,较英文事件抽取任务来说更为困难。基于当前前沿的英文事件抽取神经网络模型,提出了一种适合硬件计算的中文事件抽取神经网络模型CEE-DGCNN,其事件触发词分类在ACE2005中文语料库上实现了71.71%的F1值。并设计实现了相应的加速器,通过对数据的定点量化进一步优化了模型大小,其性能在Xilinx XCKU115 FPGA上达到了97 GOP/s,为CPU平台上性能的67倍。

基于BERT-DGCNN的中文事件抽取方法研究

本文构建了一个事件抽取pipeline模型,其旨在对新闻中的信息元进行有效的抽取。在管道抽取模式下,先对文本进行存在事件类型识别,而后再将事件类型与文本一并作为输入传入模型进行事件论元角色抽取,其中事件论元角色采用类似于BERT中SQuAD等阅读理解任务上的双指针输出。两个基本模型都是利用BERT预训练模型产生的词嵌入,使用DGCNN进行编码之后池化,再连接到dense层进行分类。实验结果表明,本模型可对新闻类内容进行高效抽取。