论文笔记&总结|JMEE事件抽取联合模型

JMEE论文笔记

《Jointly Multiple EE via Attention-based Graph Information Aggregation》

原文链接为：https://arxiv.org/abs/1809.09078

摘要

对于一个句子中存在多个事件是很常见的现象，提取同一个句子中的多个事件难度要大于单个事件。之前的方法是通过建立长距离依赖的顺序模型来获取事件之间的关系，这样的方法效率很低。本文提出了一种新的联合事件抽取框架JMEE，引入了语法弧和基于注意力机制的图卷积神经网络。

1、引言

给定一个文本，需要提取文本中的触发词及类型和事件元素及类型。如ACE2005数据集定义的那样，事件抽取任务可分为事件识别和参数提取两个子任务。

同时抽取一个句子中的多个事件是很有难度的任务。前人做了很多工作：利用各种特征、保留更多的上下文特征、引入关系弧、引入篇章级的特征等。但是在句子级别的抽取任务上，对长距离依赖信息的获取十分低效，甚至还需要补充人工特征，这大大影响了模型的性能。并且这些方法都没有考虑到事件之间的关系。

解决上述问题的直接方法是引入由语言资源表示的快捷弧，例如依赖树，可以用较少的转换来实现词语之间的信息流联系。与序列顺序相比，使用语法依赖弧可以减少同一语句中一个事件触发词到另一个事件触发词的跳数。例如下图：

 

图中有两个事件，一个死亡事件含有四个事件元素（红色）、一个攻击事件含有三个事件元素（蓝色），从killed到barrage根据序列顺序需要六跳，根据dependency tree只需要三跳:​

​ ​

本文提出了一种新的联合多事件抽取的框架（JMEE）。通过引入语法弧来增强信息流，并通过图卷积神经网络来对图形信息进行建模。为了用快捷弧实现建模，我们采用图卷积神经网络通过图中相邻节点的代表向量学习每个节点的句法上下文表示。然后利用上