“事件识别”是舆情监控领域和金融领域的重要任务之一，“事件”在金融领域是投资分析，资产管理的重要决策参考。“事件识别”的复杂性在于事件类型和事件主体的判断，比如“公司A产品出现添加剂，其下属子公司B和公司C遭到了调查”，对于“产品出现问题”事件类型，该句中事件主体是“公司A”，而不是“公司B”或“公司C”。我们称发生特定事件类型的主体成为事件主体，本任务中事件主体范围限定为：公司和机构。事件类型范围确定为：产品出现问题、高管减持、违法违规…

本次评测任务的主要目标是从真实的新闻语料中，抽取特定事件类型的主体。即给定一段文本T，和文本所属的事件类型S，从文本T中抽取指定事件类型S的事件主体。

输入：一段文本，事件类型S

输出：事件主体

示例：

样例1

输入：”公司A产品出现添加剂，其下属子公司B和公司C遭到了调查”， “产品出现问题”

输出： “公司A”

样例2

输入：“公司A高管涉嫌违规减持”，“交易违规”

输出： “公司A”

“事件识别”是舆情监控领域和金融领域的重要任务之一，在金融领域是投资分析、资产管理的重要决策参考。然而，“事件识别”的复杂性复杂性在于事件类型和事件主体的判断。本文提出了一种新的模型，SequenceEnhancedBERTNetworks(简称:SEBERTNets)，该模型既可以继承BERT模型的优点，即在少量的标签样本中可以取得很好的很好的效果，同时利用序列模型(如：GRU、LSTM)可以捕捉文本的序列语义信息。

• tensorflow==1.14.0

• keras==2.2.4

• keras-bert==0.69.0

wget https://storage.googleapis.com/bert_models/2018_11_03/chinese_L-12_H-768_A-12.zip
python SEBERT_model.py