【EMNLP2019】Event Representation Learning Enhanced with External Commonsense Knowledge

最新推荐文章于 2022-11-08 22:13:06 发布

imsuhxz

最新推荐文章于 2022-11-08 22:13:06 发布

阅读量1.1k

点赞数

分类专栏：每日阅读文章标签：事件表示

本文链接：https://blog.csdn.net/imsuhxz/article/details/103366479

版权

本文介绍了EMNLP2019论文《常识信息增强的事件表示学习》。研究指出，以前的事件表示方法缺乏常识信息，如意图和情绪，而这些对区分事件至关重要。论文提出利用外部常识来丰富事件表示，包括低秩张量事件嵌入、意图嵌入、情感嵌入，并结合这些信息进行联合嵌入学习。实验在事件相似性、脚本事件预测和股市预测任务上验证了该方法的有效性，显示常识知识对提高事件表示质量和下游任务性能的积极影响。

摘要由CSDN通过智能技术生成

p1 in 2019/12/3

论文名称：Event Representation Learning Enhanced with External Commonsense Knowledge
… … … ：常识信息增强的事件表示学习
论文作者：丁效，廖阔，刘挺，段俊文，李忠阳
论文来源：EMNLP2019
下载链接：https://arxiv.org/pdf/1909.05190.pdf
源码链接：https://github.com/MagiaSN/CommonsenseERL_EMNLP_2019
参考笔记：https://www.jiqizhixin.com/articles/2019-09-16-9

在这里插入图片描述

Abstact

以前的方法：获取文本的语法和语义信息，并在下游任务（如脚本事件预测）中证实了有效性。
以前方法的不足：从原文直接抽取的事件缺乏常识信息，如事件参与者的意图和情绪（这有利于区分事件对，因为从表面上看，他们只有细微差异）。
本文的方法：利用外部常识来了解事件的意图和情绪。
本文的实验数据集：1）event similarity事件相似性；2） script event prediction脚本事件预测；3）stock market prediction股票市场预测。

Commonsense Knowledge Enhanced Event Representations

2.1 Low-Rank Tensor for Event Embedding

事件表示学习的目的为事件三元组E=(A, P ,O)学习低维稠密的向量表示，其中P是动作或谓词，A是行为人或主语，O是行为对象或宾语。事件表示模型对谓语、主语、宾语的表示进行组合。
本文沿用Ding等人（2015）的方法，使用张量神经网络（Neural Tensor Network，NTN）作为事件表示模型。NTN的结构如图3所示：
在这里插入图片描述
模型使用双线性变换显式地建模谓语与主语、谓语与宾语及三者间的交互关系。具体公式如下：