​EACL 2023 | 多编码器的事件抽取混合检测生成框架

©PaperWeekly 原创 · 作者 | werge

研究方向 | 自然语言处理

传统事件抽取任务一般分为的事件检测（ED, Event Detection）和事件论元抽取（EAE, Event Argument Extraction）两个子任务。前者用于识别事件触发词并对其对应的事件类型进行分类；后者则主要用于提取触发词对应的论元及其角色。事件抽取任务一般使用多个分类任务框架建模，或者采用统一的生成式方法。

这两种范式都同时学习事件检测和事件论元抽取的共享表示，然而这两个子任务具有不同的特征依赖，共享表示的使用会降低它们的性能。类似的问题也存在于实体关系抽取等任务中。因此，使用独立的编码器来分别建模不同的子任务会有助于提高任务性能 [1][2]。

为了解决事件抽取任务中不同子任务之间的特征干扰问题，本文提出了一个简单而实用的混合框架。该框架使用独立编码器来分别建模事件检测和事件论元抽取，并通过广泛的实验研究分类方法和生成方法之间的差异。

实验结果表明，在 token-classification 任务中，分类方法优于生成方法，而生成方法在建模事件论元抽取时更为有效，因此，本文在模型中使用了两个不同类型的解码器：一个分类式解码器用于事件检测，一个生成式解码器用于事件论元抽取。此外，本文还设计了一个桥接机制来增强这两个任务之间的交互，并使用双阶段训练方法来指导事件检测的学习。

本文在 ACE05-E、ACE05-E+ 和 ERE-EN 三个基准测试集上进行了评估，实验结果表明，本文提出的模型在 ACE05-E 和 ACE05-E+ 上建立了新的最佳结果，并在 ERE-EN 数据集上取得了可比较的效果。

论文标题：

A Hybrid Detection and Generation Framework with Separate Encoders for Event Extraction

论文链接：

https://aclanthology.org/2023.eacl-main.231.pdf

Method

本文提出的框架 HDGSE3（Hybrid Detection and Generation Framework with Separate Encoders for Event Extraction） 如下图所示：