EventTriplesExtraction/README.md

# EventTriplesExtraction
  EventTriplesExtraction based on dependency parser and semantic role labeling, 基于依存句法与语义角色标注的事件三元组抽取
  文本表示一直是个重要问题，如何以清晰，简介的方式对一个文本信息进行有效表示是个长远的任务  
   我尝试过使用关键词，实体之间的关联关系，并使用textgrapher的方式进行展示，但以词作为文本信息单元表示这种效果不是特别好，所以，本项目想尝试从事件三元组的方式出发，对文本进行表示．

# 方法1-基于ltp依存句法分析和语义角色标注的事件三元组抽取

        from triples_extraction import *
        extractor = TripleExtractor()
        svos = extractor.triples_main(content)
        print('svos', svos)

# 方法1-测试结果
        content = '李克强总理今天来我家了,我感到非常荣幸'
        svos = [
                  ['李克强总理', '来', '我家'],
                  ['我', '感到', '荣幸']
                 ]

        content = ''' 以色列国防军20日对加沙地带实施轰炸，造成3名巴勒斯坦武装人员死亡。此外，巴勒斯坦人与以色列士兵当天在加沙地带与以交界地区发生冲突，一名巴勒斯坦人被打死。当天的冲突还造成210名巴勒斯坦人受伤。
    当天，数千名巴勒斯坦人在加沙地带边境地区继续“回归大游行”抗议活动。部分示威者燃烧轮胎，并向以军投掷石块、燃烧瓶等，驻守边境的以军士兵向示威人群发射催泪瓦斯并开枪射击。'''
        svos = [
                 ['以色列国防军', '实施', '轰炸'],
                 ['冲突', '发生', '巴勒斯坦人与以色列士兵'],
                 ['当天冲突', '造成', '受伤'],
                 ['数千名巴勒斯坦人', '继续', '回归大游行抗议活动'],
                 ['部分示威者', '投掷', '石块'],
                 ['驻守边境以军士兵', '发射', '催泪瓦斯']
                 ]
                 
# 方法2-基于百度DDParser依存句法分析的事件三元组抽取

       from baidu_svo_extract import *
       extractor = SVOParser()
       svos = extractor.triples_main(content2)
       print('svos', svos)
    
# 方法2-测试结果
        content = '李克强总理今天来我家了,我感到非常荣幸'
        svos = [
                 ['总理李克强', '来', '我家'], 
                 ['我', '感到', '荣幸']]
                 ]

        content = ''' 以色列国防军20日对加沙地带实施轰炸，造成3名巴勒斯坦武装人员死亡。此外，巴勒斯坦人与以色列士兵当天在加沙地带与以交界地区发生冲突，一名巴勒斯坦人被打死。当天的冲突还造成210名巴勒斯坦人受伤。
    当天，数千名巴勒斯坦人在加沙地带边境地区继续“回归大游行”抗议活动。部分示威者燃烧轮胎，并向以军投掷石块、燃烧瓶等，驻守边境的以军士兵向示威人群发射催泪瓦斯并开枪射击。'''
        svos = [
                  ['20日', '实施', '轰炸']
                  ['当天冲突', '造成', '210名']
                  ['巴勒斯坦人', '回归', '大游行']
                  ['部分示威者', '燃烧', '轮胎']
                 ]

# 方法3-基于词性模板规则的事件三元组抽取

       from pattern_event_triples import *
       extractor = ExtractEvent()
       events, spos = handler.phrase_ip(content1)
       spos = [i for i in spos if i[0] and i[2]]
       print('svos', svos)
    
# 方法3-测试结果
        content = '李克强总理今天来我家了,我感到非常荣幸'
        svos = [
                  ('李克强总理', '来', '我家')
                  ('李克强', '感到', '荣幸')
                 ]

        content = ''' 以色列国防军20日对加沙地带实施轰炸，造成3名巴勒斯坦武装人员死亡。此外，巴勒斯坦人与以色列士兵当天在加沙地带与以交界地区发生冲突，一名巴勒斯坦人被打死。当天的冲突还造成210名巴勒斯坦人受伤。
    当天，数千名巴勒斯坦人在加沙地带边境地区继续“回归大游行”抗议活动。部分示威者燃烧轮胎，并向以军投掷石块、燃烧瓶等，驻守边境的以军士兵向示威人群发射催泪瓦斯并开枪射击。'''
        svos = [
                  ('数千名巴勒斯坦人在加沙地带边境地区', '继续回归游行', '抗议活动')
                  ('部分示威者', '燃烧', '轮胎')
                  ('边境', '以军', '士兵向示威人群发射催泪瓦斯开枪射击')
                  ('士兵向示威人群', '发射', '催泪瓦斯开枪射击')
                 ]



# 总结

本项目公开了基于ltp句法分析和语义角色标注、基于百度DDParser以及基于词法模式的事件三元组抽取方法，并给了实验示例。可以得到以下结论：  
1、LTP在DDParser之外，还提供了语义角色标注的功能，这个可以用于事件三元组抽取的有效补充。  
2、LTP速度比DDParser要快。   
3、基于词法模式的事件三元组抽取速度最快，但效果取决于分词、词性标注性能。  
4、基于词法模式，可以得到语义更长的三元组元素信息。  


If any question about the project or me ,see https://liuhuanyong.github.io/  
如有自然语言处理、知识图谱、事理图谱、社会计算、语言资源建设等问题或合作，可联系我：    
1、我的github项目介绍：https://liuhuanyong.github.io  
2、我的csdn博客：https://blog.csdn.net/lhy2014  
3、about me:刘焕勇，中国科学院软件研究所，lhy_in_blcu@126.com