《Revisiting Joint Modeling of Cross-document Entity and Event Coreference Resolution》阅读笔记

一、简介

这篇文章来自于ACL 2019，针对的是跨篇章的实体和事件共指消解任务。

二、方法

2.1 mention representation

• span

  在表达span时，作者采用的是字词向量混合的方式。具体说来：词向量使用预训练的glove（300d），字向量则是使用char-based LSTM(50d)。
  表达event时，使用event mention的head word的embedding。
  表达entity时，使用span中所有word embeddings的平均值。

• context

  对mention context建模时，作者采用的ELMo。

• Semantic dependency to other mentions

  作者通过语义角色关系对event clusters 与 entity clusters之间的依存关系建模。

  对于给定的event mention，作者找到其对应的4个argument：Arg 0，Arg 1，location，time。对于指定argument，例如Arg 0，如果entity mention m1 在event mention中充当了Arg 0的角色，那么Arg 0就可以使用m1所在entity cluster中的所有mention embeddings的平均值来表达；如果找不到对应的entity mention，就为0。

  对于给定的entity mention，如果该mention 充当了某个event mention的argument，那么该entity mention就可以用对应event cluster中所有event mention embeddings的平均值来表达；如果找不到，也为0。

2.2 model

模型方面，作者对于event 和 entity 分别实现了一个简单的三层前馈神经网络来判断mention pairs之间是否具有共指关系。

2.3 train and inference algorithm