论文笔记 ACL 2020|A Two-Step Approach for Implicit Event Argument Detection

1 简介

论文题目：A Two-Step Approach for Implicit Event Argument Detection
论文来源：ACL 2020
论文链接：https://aclanthology.org/2020.acl-main.667.pdf
代码链接：https://github.com/zzsfornlp/zmsp

1.1 动机

• 事件论元检测目前的SOAT方法分为两种：基于span和序列标注，基于span的方法复杂度太高；序列标注的方法在复杂场景中灵活性和可扩展性较差，如重叠提及和一个提及有多个角色。

1.2 创新

• 提出了一个2步的方法：首先检测出论元的head-word，然后再进行head-span的扩展。(假设head-word可以捕捉提及spans的信息)

2 方法

模型的整体框架如上图，主要包括下面三部分：

1. BERT Encoder:输入为触发词和触发词周围的句子(window size=5)，同时使用一个indicator标识token(触发词为0，触发词所在句子的其他token为1，周围句子的token为0)

2. Argument Head-word Detector：使用biaffine模块(公式如下面第2个图参考链接，仿射变换的第一项可以建模i和j之间的可能性，第二项建模j对任何依赖的先验概率)计算概率$P{r}_r(p,c)$，表示候选词c在谓词p中扮演论元角色为r的概率。(在推理过程中，如果一个角色有多个论元，选择分数最高的论元)计算公式如下：
   
   

3. Head-to-span Expander:该部分将head-word扩展为完整的span，将其视为左右分类问题，例如左边扩展的场景(设置K=7表示左边的单词最大边界)，公式如下
   

3 实验

实验数据集为RAMS(v1.0),在真实论元span的情况下的实验结果如下：

完整的论元检测的实验结果如下图：

消融实验：

在触发词和论元不同距离的实验表现：

分析最频繁的20个论元角色的实验结果如下：

人工分析部分的结果：