论文笔记 EMNLP 2020|Event Extraction as Multi-turn Question Answering

1 简介

论文题目：Event Extraction as Multi-turn Question Answering
论文来源：EMNLP 2020 Findings
论文链接：https://aclanthology.org/2020.findings-emnlp.73.pdf

1.1 动机

将事件抽取定义为分类问题，存在下面两个问题：

1. 无法对标签中的语义进行建模，也无法捕获它们之间丰富的交互信息。
2. 泛化能力低，不能生成新的事件类型或者论元角色。

1.2 创新

• 提出一个多轮的问答框架用于事件抽取，可以充分利用触发词、事件类型和论元之间的交互信息，同时多轮的策略可以捕捉相同事件类型中不同论元角色之间的依赖。
  

2 背景知识

将序列定义为C =[<CLS>;Q;<SEP>;P; <SEP>](Q为问题，P为文本),然后经过BERT编码，本篇论文使用两种类型的机器阅读理解(MRC)任务：

1. 抽取式(答案为文本中的连续span)，由于一个句子可能包含多个触发词或者论元，因此对每个token进行BIO标注，进行3分类预测每个token的标签，公式如下:($O_i$为BERT的输出)
   2. yes/no式(答案为yes或者no)，使用BERT中[CLS]的输出，进行二分类。
   

3 方法

模型的整体框架如上图，主要分为3部分：

1. 触发词识别：将问题定义为Which word is the trigger word? 使用抽取式MRC抽取出触发词。
2. 触发词分类：将问题定义为The trigger word is <trigger> <trigger position>, <event type>, <argument roles>?(分别为触发词、触发词在文本中的位置、事件类型、该事件类型全部的论元角色)使用yes/no式回答是否该触发词为此事件类型。
3. 论元抽取：将问题定义为 <trigger><trigger position>.<event type>,<argument role>? ,将论元抽取定义为多轮的问答，使用抽取式MRC抽取出论元。为了建模同一个事件中不同论元角色之间的依赖关系，对每一个token使用一个历史答案编码,表示该token是否出现在以前的答案中。

4 实验

实验数据集为ACE 2005,实验结果如下图：

消融实验结果如下图(QAEE为单轮问答，独立抽取论元、rnd表示抽取论元角色的顺序随机、tri表示在论元抽取中移除了触发词和触发词位置信息)，可以发现MQAEE效果最好(论元角色顺序为QAEE在验证集中的分类准确率顺序)。

轮数的影响：

case study：

模型在13-way 1-shot和13-way 5-shot情况下的泛化能力：

5 总结

通过问题模板建模标签之间的交互信息，在论元抽取中通过多轮问答的方式建模论元之间的交互信息。