论文笔记 ACL Findings 2021|CasEE: A Joint Learning Framework with Cascade Decoding for Overlapping Event

1 简介

论文题目：CasEE: A Joint Learning Framework with Cascade Decoding for Overlapping Event Extraction
论文来源：ACL Findings 2021
论文链接：https://arxiv.org/pdf/2107.01583.pdf
代码链接：https://github.com/JiaweiSheng/CasEE

1.1 创新

• 提出CasEE模型，解决事件抽取中的重叠问题，在中文金融事件抽取数据集FewFC中取得不错的效果。

2 背景知识

将事件抽取中的重叠问题分为下列三类：

1. 一个单词在不同事件中充当不同的触发词
2. 一个单词在不同事件中充当不同的论元
3. 一个单词在同一个事件中充当不同的论元

在中文金融事件抽取数据集FewFC中，有13.5%/21.7%的句子有重叠的触发词/论元。

3 方法

模型的整体框架如上图所示，分为下面4个部分：

1. BERT编码
2. 类型检测解码：使用attention检测事件类型，选择$\hat{c}>{\xi }_1$(阈值)的作为结果,公式如下：
   

3. 触发词抽取解码：使用conditional layer normalization (CLN)(作为下图的$\varphi$函数)融合条件信息和上下文表示，然后通过attention改进触发词的上下文表示。然后对每一个token，预测触发词的开始和结束。选择${\hat{t}}_i^{sc}>{\xi }_2$的token作为开始位置，${\hat{t}}_i^{ec}>{\xi }_3$的token作为结束位置。遍历全部的开始位置，选择最近的结束位置生成一个触发词。公式如下：

Conditional Layer Normalization(CLN)为在${\gamma }_c$和${\beta }_c$中加入条件信息(转换为相同维度)。



4. 论元抽取解码：前面与触发词抽取阶段类似，得到token表示$Z^{c{t}^{\prime }}$,然后和触发词的位置拼接，然后预测论元的开始和结束位置，其中定义指示函数$I(r,c)$,检测角色r是否属于事件c，公式如下。

整个模型的loss函数如下：

4 实验

在FewFC数据集的实验结果如下图：

在有重叠问题和没有重叠问题的句子的实验结果如下：

不同类型检测解码的实验结果如下：

触发词解码的变体实验结果如下：

论元解码的变体实验如下：