《Precision Event Coreference Resolution Using Neural Network Classifiers》阅读笔记

这篇文章研究的问题是篇章内和跨篇章的事件共指消解任务。如下图所示，本文使用的模型由简单的两层前馈神经网络+softmax层组成。其输入特征由三部分组成：

（1）event mention 1的特征向量：embeddings of the event word，the POS tag of the event word，embedding of words in a pre-defined window around the event word.（word2vec）
（2）event mention 2的特征向量：同（1）
（3）event 1 和event 2之间的关系特征向量：event mention embeddings的Cosine相似度，event the head word of event mention之间的Cosine相似度，以及event mention在WordNet中的路径相似度。

与以往方法不同，作者认为模型的precision越高，后续构建共指链时，结果更好。因此，作者在评价模型时，更看重模型的precision，而不是F1值。从作者提供的结果来看，这个训练策略确实有利于提高模型性能，然后从最终的MUC、B3、CEAF-e等指标上来看，其precision均显著高于其它基线模型，如下表所示：

另外一个点就是作者在这篇文章使用的采样策略。作者在对负样本进行采样时，为了提高模型的判别能力，因此主要选择上下文相似的非共指event pairs。具体包括两种情况：
（1）不共指的event pairs出现在同一句子中；
（2）不共指的event pairs出现在不同的句子中，但是这两个句子具有较高的相似度。
最后，在构造共指链时，作者采用一种基于图的方法，将构造共指链视为寻找加权图中的连通分支的过程。在图中，顶点代表event mention，而边则代表event pair之间共指的分数。在消解时，先执行篇章内部的消解，然后基于此在WD components之间执行跨篇章的消解。