论文笔记：Event Detection as Graph Parsing

论文地址：https://aclanthology.org/2021.findings-acl.142.pdf

论文来源：ACL 2021 

---

Abstract

事件检测是信息抽取的一项基本任务。之前大多数方法通常将事件检测视为基于触发词的分类问题，聚焦于使用语法依赖结构或外部知识来提高分类性能。为了克服现有基于触发词分类 模型存在的问题，本文提出一种新的事件检测方法，将其描述为一个图解析问题，可以显式地对多个事件关联进行建模，并自然地利用事件类型和子类型传递的丰富信息。此外，为了解决数据稀疏问题，在不利用触发词的情况下，采用Seq2Seq模型将输入句子转换成事件图。

Introduction

基于触发词的事件检测方法存在以下问题：① 触发词对事件检测并非必须的；② 触发词的识别和分类在一定程度上妨碍了事件检测的准确率识别，因为某一事件可能由一句话中的多个不连续的词或者短语表达；③ 基于触发词的ED模型容易受到长尾问题的影响（长尾问题：按照不同类别数据出现的频率从高到低排序，就会出现数据分布出现一个“长尾巴”），即ACE2005 中，出现次数小于5的触发词占78%，导致过拟合。

现有的ED模型不能明确地模拟一句话中多个事件之间的相关性；

现有的方法无法利用事件类型和子类型的层次结构信息。

针对以上3个问题，本文提出基于事件图的ED方法。本文的贡献如下：

1. 首次将ED任务表述为图解析，可以显式地建模一个句子中多个事件之间的相关性，还可以灵活地构建事件图，以重新定义事件类型的层次结构，并利用事件类型标签的语义表示。

2. 提出一种新的基于生成的方法，通过seq2seq模型预测事件图。该传感器可以直接从输入句子中的全局上下文信息中提取事件，而不局限于触发词的表示。