《Improving Event Coreference Resolution by Learning Argument Compatibility from Unlabeled Data》阅读笔记

一、Argument Feature

基本假设

如果两个event mention的扮演同一角色的argument互不兼容，那么这两个event mention就不可能指向同一事件，反之就有可能指向同一事件。

常用的 argument feature

• the number of overlapping arguments
• the number of unique arguments
• whether arguments are conflicting have been proposed
• argument pair之间的相似性特征

问题

这些特征都是通过event argument extractors，entity coreference resolvers，
或者parser来得到的，从而导致级联错误。

二、Learn Argument Compatibility from Unlabled Data

2.1 Overview

为了解决上述问题，作者提出了一种基于迁移学习的方法来从大量无标注数据中学习argument compatibility。如上图所示，作者的方法分为两部分：

预训练阶段

在预训练阶段，作者采集了5个不同来源的新闻语料，然后通过event extractor来提取event pairs，接着通过一组启发式规则来给event pairs打标签（compatible or imcompatible）。数据标注完成后，使用这些数据来训练一个判断event pairs的argument之间是否compatible的二分类器。

Fine-tune阶段

预训练结束后，可以认为模型已经学习到了argument compatibility的知识。为了利用这些知识，作者直接将这个模型迁移到事件共指消解任务上，在相应数据集（KBP）上进行微调。

2.2 Model

在模型方面，作者则是在BiLSTM的基础之上增加了Interaction Layer来获取event mention pairs之间的语义关系，并通过相关实验证明了Interaction Layer的有效性。模型结构如图所示：

三、Experiment

Result

Case Study