论文笔记 COLING 2022|OneEE: A One-Stage Framework for Fast Overlapping and Nested Event Extraction

1 简介

论文题目：OneEE: A One-Stage Framework for Fast Overlapping and Nested Event Extraction
论文来源：COLING 2022
组织机构：武汉大学
论文链接：https://arxiv.org/pdf/2209.02693.pdf
代码链接：https://github.com/Cao-Hu/OneEE

1.1 动机

• 传统的事件抽取方法不能解决重叠和嵌套的事件抽取，或者使用多个步骤解决，存在错误传播。

1.2 创新

• 提出一种新的标注策略，映射事件抽取为word-word关系识别任务。
• 提出一个one-stage模型，可以有效地并行提取重叠和嵌套事件抽取的word-word关系。
  

2 方法

给定文本和事件类型，抽取span关系S和角色关系R，具体如下：

• S：指向触发词(S-T)或者论元(S-A)的开始token($s_i$)和结束token($s_j$)
• R：表示该token($s_j$)在包含token($s_i$)的触发词事件中的角色为R-*,*表示具体的论元角色类型。触发词的每个token与论元的每个token均是这种关系。

模型的整体框架如上图，包括3个部分：

1. Encoder Layer：使用BERT进行编码，得到 H = { h 1 , h 2 , . . . . , h N } H=\{h_1,h_2,....,h_N\} H={h1​,h2​,....,hN​}
2. Adaptive Event Fusion Layer：首先使用注意力机制融合文本编码和事件类型编码(随机初始化)，获得全局事件编码(公式1)，然后使用门控机制(公式2)融合上下文编码和全局事件编码(公式3第一行)，最后使用门控机制融合上一阶段的输出和目标事件类型信息(公式3第二行)

3. Joint Prediction Layer：为了融入相对距离信息和word对表示，使用基于距离的打分函数(公式1，$R_i$和$R_j$是距离编码)，获得span分数和role分数(公式2)。

训练时，设置阈值(关系pair得分大于该阈值，其他pair得分小于)，loss为circle loss的变体(公式1)，总loss为公式2。

推理如下图，包括4个阶段，1)得到触发词或者论元的开始和结束索引。2)获得触发词和论元span。3)根据R-*匹配触发词和论元。4)得到事件结构。

3 实验

实验的数据集为FewFC(中文金融事件抽取，重叠事件抽取，10种事件类型，18种论元角色)，Genia11(生物数据集，重叠事件抽取，9种事件类型，10种论元角色)，Genia13(生物数据集，重叠事件抽取，13种事件类型，7种论元角色)，数据统计如下图：

实验结果如下图：


在重叠或嵌套数据上的实验结果：

消融实验：


推理速度：

不同标注策略对结果的影响：

事件数量对结果的影响：