1 简介
论文题目:Graph Convolutional Networks with Argument-Aware Pooling for Event Detection
论文来源:AAAI 2018
论文链接:https://www.aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/16329
1.1 创新
- 第一次使用GCN融合句法信息用于事件检测任务。
- 提出一个新的基于实体提及的pooling方法。
2 方法
模型的整体框架主要分为下面四部分:
- encoding: 包括词编码、位置编码(到当前词的距离)、实体类型编码。
- Graph Convolution: 首先使用Bi-LSTM编码上下文信息,然后进行GCN编码(在依赖分析树上添加自环和反向边),考虑到数据集的大小,将边的类型分为3类(原始的边、自环和反向边),同时计算边的权重,公式如下:
|
|
|
-
pooling: 对当前词和实体词进行pooling
-
classify:全连接层进行分类。
3 实验
实验数据集选择为ACE 2005和TAC KBP 2015,使用Stanford Syntactic Parser进行语义分析,句子的最大长度设置为31,消融实验的实验结果如下,
与SOAT模型的比较结果:
由于在ACE数据集中使用了真实的实体标签,此部分在TAC KBP 2015数据集上进行实验,实体标签由RPI Joint Information Extraction System得到,实验结果如下图: