论文笔记 COLING 2020|Joint Event Extraction with Hierarchical Policy Network

1 简介

论文题目：Joint Event Extraction with Hierarchical Policy Network
论文来源：COLING 2020
论文链接：https://aclanthology.org/2020.coling-main.239.pdf

1.1 动机

• 目前pipeline和joint的事件抽取，都存在冗余的实体-事件对信息，从而带来可能的错误。同时存在错误匹配问题(一个句子中存在多个事件)

1.2 创新

• 使用policy network做事件抽取
• 提出了一个分等级(两个)的结构进行联合事件抽取，充分探索了事件抽取子任务之间的深层信息交互，并解决了多个事件和错误匹配问题。

2 背景知识

强化学习包含三个主要概念，环境状态(Environment State)，行动(Action),奖励(Reward)。强化学习的目标是获得最多的累计奖励。

3 方法

模型的整体框架如上图所示，主要分为两个部分：

1. 事件级别Policy Network：首先计算每个token的状态$s_t^e$($h_t$为双向LSTM的词编码)，然后进行选择$\mu (o_t^e|s_t^e)$，最后计算奖励分数$r_t^e$(非触发词和触发词之间设置偏差)，当全部事件级别的事件选择完成，整个句子的奖励分数为$r_{ter}^e=F_1(S)$。具体公式如下：
   
   
   
2. 论元级别Policy Network：大致流程和事件级的网络一致，其中定义了事件检索表，可以根据事件的类型压缩论元角色的集合，具体公式如下。
   
   
   
   当前事件状态下全部论元级别的选择完成，最终的奖励分数为：
   

Loss函数如下，对奖励进行累加：


使用policy gradient method(参考链接)和REIN FORCE algorithm进行优化：

4 实验

在ACE2005和TAC2015数据集上的实验效果如下：(使用Stanford CoreNLP toolkit处理数据)

在多句子情况下的实验效果：

在触发词和论元都存在出现在训练集和测试集的对比实验效果：

触发词分类的实验效果与触发词识别接近，进行错误分析的结果如下，

5 总结

• 使用强化学习进行事件抽取，可以解决句子中多事件的重叠问题。