admin管理员组文章数量:1589828
文章目录
- 1 简介
- 1.1 动机
- 1.2 创新
- 2 方法
- 3 实验
1 简介
论文题目:Capturing Event Argument Interaction via A Bi-Directional Entity-Level Recurrent Decoder
论文来源:ACL 2021
论文链接:https://aclanthology/2021.acl-long.18.pdf
1.1 动机
目前利用事件内论元交互信息进行事件论元抽取的方法存在下面两个问题:
- 上下文实体的论元角色信息没有被充分利用
- 一个事件中多个论元角色的分布没有得到很好的描述。
1.2 创新
- 将事件论元抽取定义为一个Seq2Seq-like问题,提出了一个实体级别的双向递归解码模型。
2 方法
模型的整体框架如上图,输入为句子
S
=
{
w
1
,
.
.
.
,
w
n
}
S=\{w_1,...,w_n\}
S={w1,...,wn}、实体
E
=
{
e
1
,
.
.
.
,
e
k
}
E=\{e_1,...,e_k\}
E={e1,...,ek}和触发词t,输出为实体对应的论元角色
R
=
y
1
,
.
.
.
,
y
k
R={y_1,...,y_k}
R=y1,...,yk主要分为下面四个部分:
- Encoder:使用bert对句子进行编码(为了包含事件类型信息,在句子最后加入#事件类型#),编码公式为 H = ( h 1 , . . . , h n ) = F ( w 1 , . . . , w n ) H=(h_1,...,h_n)=F(w_1,...,w_n) H=(h1,...,hn)=F(w1,...,wn)
- Dncoder:该部分为实体级别的双向递归解码,每个循环单元利用两种信息:1)实例特征信息(利用dynamic multi-pooling得到特征表示) 2)论元特征信息(利用卷积(单词编码、位置编码、事件类型编码和论元角色编码(该实体前的论元角色为生成的角色标签,当前实体的论元角色定为To-Predict,其余的论元角色为N/A))和max-pooling得到论元特征),最后拼接这两部分信息进行分类。公式如下:
|
|
| |
|
前向解码以从左到右的方式生成论元角色,后向编码从右到左的方式生成论元角色。
|
|
|
|
- 分类:拼接实例特征信息
x
i
x_i
xi,前向解码信息
x
→
i
a
\overrightarrow {x}_i^a
x
ia和后向解码信息 x ← i a \overleftarrow {x}_i^a x ia进行分类,公式如下
3 实验
实验数据集为ACE 2005,对比的模型都使用相同的事件检测模型,实验结果如下图:
不同实体数目的实验结果:
在重叠实体情况下的实验效果:
消融实验结果:
Case Study:
本文标签: 笔记论文CapturingEventargument
版权声明:本文标题:论文笔记 ACL 2021|Capturing Event Argument Interaction via A Bi-Directional Entity-Level Recurrent Decod 内容由热心网友自发贡献,该文观点仅代表作者本人, 转载请联系作者并注明出处:https://www.elefans.com/dianzi/1728076317a1144521.html, 本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。
发表评论