一篇全面综述论文，重新定义事件抽取在智能系统中的核心价值
当GPT/Gemini/Deepseek等大语言模型能够直接生成结构化信息时，事件抽取还有存在的必要吗？
这是近年来NLP社区频繁讨论的问题。大语言模型(LLM)展现出惊人的零样本和少样本能力，似乎可以通过简单的提示词直接从文本生成结构化输出。然而，在真实部署场景中，直接依赖端到端生成面临着严峻的挑战，例如：模型会产生幻觉输出、在长文档中难以维护时序和因果链条的稳定性、有限的上下文窗口无法支撑开放环境下的持续经验积累等。
面对这些"认知鸿沟"，事件抽取(Event Extraction, EE)的价值并未被削弱——相反，它正在从一个任务级、模型级的问题，演化为系统级的结构化接口和约束层。这篇综述论文提出了一个核心观点：在LLM时代，事件抽取应当被视为一种"认知脚手架"(Cognitive Scaffold)。
核心观点：事件抽取作为认知脚手架
论文认为，事件抽取的输出是显式的、受约束的、可计算的，因此能够作为LLM系统中的中间表示和外部记忆。具体而言，事件抽取提供四种核心能力：
结构约束(Structural Constraint)：事件Schema与槽位约束为验证和纠错提供接口，收窄自由生成空间，减少幻觉
推理中介(Reasoning Intermediate)：事件链将复杂叙事分解为离散步骤，类似结构化的Chain-of-Thought推理
图检索(Graph RAG)：事件及其时序、因果链接支持超越相似度匹配的关系可导航检索
智能体记忆(Agent Memory)：事件存储提供可更新的情景记忆，支持长程规划而不受上下文溢出限制
这一观点标志着事件抽取从"静态预测任务"向"认知脚手架"的角色转变。EE不再仅仅是填充知识库的工具，而是为可靠性、可推理性和长期记忆提供结构化支撑的系统组件。
任务全景：从文本到多模态
论文系统梳理了事件抽取的任务分类体系。在文本事件抽取方面，核心任务包括触发词检测与分类、论元抽取、事件共指消解以及事件间关系抽取(时序、因果、组成关系)。每个子任务都面临独特挑战：触发词可能是多词表达或嵌套结构，论元可能分散在不同句子中需要共指解析，事件关系识别则需要深度语义理解和篇章级分析。
论文还将边界拓展到多模态领域，涵盖视觉事件抽取(从静态图像识别事件和语义角色)、视频事件抽取(从动态视频中抽取时序事件结构)、语音事件抽取(从声学信号中识别事件)以及跨模态事件抽取(融合多模态信息进行联合抽取)。多模态场景的核心挑战在于"接地"(Grounding)——将符号化的角色与具体的视觉区域或时间片段对齐。
方法演进：二十年技术变迁
论文追溯了事件抽取方法从规则时代到LLM时代的完整演进历程。早期规则方法依赖手工设计的模式和语言学启发式规则，具有高精度和可解释性，但覆盖面有限。随后，传统机器学习方法引入特征工程，使用SVM、最大熵等分类器，并逐渐意识到句子级信息不足以消歧，开始引入文档级上下文。
深度学习时代带来了范式转变：CNN擅长捕捉局部n-gram特征，RNN擅长建模序列依赖，Transformer的自注意力机制实现了长距离依赖建模，GNN则通过图结构显式编码句法信息。预训练语言模型的引入使得特征工程问题转变为特征复用问题，BERT等模型的上下文表示被广泛用于触发词检测和论元角色分类。
进入LLM时代，论文总结了六大方法范式：指令微调(Instruction Tuning)、上下文学习(In-context Learning)、思维链推理(Chain-of-Thought)、数据增强(Data Augmentation)、多智能体框架(Multi-agent)以及多模态LLM(MLLMs)。这些方法的共同趋势是从"表示学习"转向"指令遵循与推理合成"。
解码范式：五种技术路线
论文从解码策略角度对现有方法进行了系统归纳。分类方法侧重于对触发词和论元类型的判别；序列标注方法(如BIO标签)可同时抽取触发词和论元但难以处理嵌套场景；跨度/指针方法通过预测起止位置处理嵌套结构但需枚举所有候选；表格/网格方法将文本转为二维网格联合预测复杂事件关系；生成方法直接输出结构化事件表示，避免子任务间的错误传播，但面临幻觉问题。
系统架构：Pipeline到统一
论文从架构设计角度划分了三类系统。Pipeline架构将问题分解为串行子任务，模块化设计易于解释但存在严重的错误传播问题——上游触发词检测的错误会不可逆地传递到下游论元抽取。联合/全局架构在统一框架中优化多个子任务，共享编码器或特征表示层，通过软化的参数优化替代硬决策，有效缓解错误传播。
一阶段/统一架构代表了范式转变，通过端到端生成或预测过程直接输出完整事件结构，最小化模块间区分。例如，基于模板的生成方法将事件抽取转化为序列生成问题，设计提示模板指导模型线性化输出事件记录，通过单一目标函数优化确保全局最优。
多场景应用覆盖
论文还讨论了事件抽取在不同设置下的应用。从语言与资源条件看，涵盖单语、多语、跨语言和低资源场景；从话语范围看，从句子级、文档级到跨文档和对话级，抽取难度逐步提升。垂直领域方面，论文详细讨论了生物医学/临床、金融和法律领域的事件抽取，每个领域都有其独特的术语、Schema和知识结构。
六大未来研究方向
论文最后提出了六个具有变革性的研究前沿：
智能体感知(Agentic Perception)：EE需要从静态知识库填充转变为智能体的动态感知模块，持续消化文本流并转换为结构化观察
神经符号推理(Neuro-Symbolic Reasoning)：通过System 2能力增强LLM的结构约束验证，将Schema规则作为解码过程中的硬约束
交互式开放世界发现(Interactive Open-World Discovery)：从被动抽取转向主动知识发现，具备元认知能力识别不确定性并与用户交互
跨文档合成(Cross-Document Synthesis)：开发面向结构化事件数据的RAG系统，解决跨文档事件共指和时序排序问题
物理接地世界模型(Physically Grounded World Models)：通过视频预训练学习直觉物理，推断文本未明确表述的隐含论元
效用驱动评估(Utility-Driven Evaluation)：从精确匹配转向语义等价性评估，并引入下游应用效用和不确定性校准指标
这些方向共同指向一个愿景：将事件抽取从静态抽取演化为结构可靠、智能体就绪的感知与记忆层，服务于开放世界系统。
论文：Event Extraction in Large Language Model Era: A Holistic Survey of Method, Modality, and Future (https://arxiv.org/abs/2512.19537)
作者：Bobo Li, Xudong Han, Jiang Liu, Yuzhe Ding, Liqiang Jing, Zhaoqi Zhang, Jinheng Li, Xinya Du, Fei Li, Meishan Zhang, Min Zhang, Aixin Sun, Philip S. Yu, Hao Fei
机构：National University of Singapore, University of Sussex, Wuhan University, The University of Texas at Dallas, Nanyang Technological University, Harbin Institute of Technology (Shenzhen), University of Illinois Chicago
资源：https://github.com/unikcc/AwesomeEventExtraction
