论文笔记：Jointly Multiple Events Extraction via Attention-based GraphInformation Aggregation

作 者：崔金满
单 位：燕山大学

---

---

Abstract

在现实世界中，经常存在一个句子中包含多个事件的现象，提取多个事件比提取单个事件要困难，本文提出一种联合多事件提取框架，通过引入syntactic shortcut arcs来增强信息流，并通过基于注意力的图卷积网络来对图信息进行建模，从而联合抽取多个事件触发器和元素。

Introduction

在事件抽取中，一个句子中可能同时出现多个事件，由于这些不同类型的事件之间通常是相互关联的，导致提取困难。比如，“He left the company, and planned to go home directly.”，触发词left可以触发transport和end-position事件。但是，如果考虑到由触发词“go”触发的事件，就能更好的判断这是一个transport事件。
现有方法存在的问题： 基于序列标注的模型很难捕获句子中单词间的长期依赖关系，基于特征的模型需要耗费大量人力，而且特征的选择也会在很大程度上影响模型的性能。此外，这两类方法都不能充分对事件之间的关联建模。

一种直观的方法是引入由句法依赖树等语言资源表示的shortcut arcs，通过较少的转换将信息流从一个点转换的目标节点，这种方法可以减少同一个句子中，从一个事件触发器跳到另一个事件触发器的跳数。如上图，由触发词killed触发的Die事件到触发词barrage触发的attack事件，按照句子本身的顺序从killed到barrage需要6跳，而如果根据句法依存树只需要3跳（图中绿色框）。基于此，本文提出一种联合事件抽取框架，通过引入syntactic shortcut arcs来增强信息流，并通过基于注意力的GCN来对图信息进行建模。
贡献：① 提出一种新的基于句法结构的联合事件抽取框架，增强了信息流，缓解了多个事件同时出现在同一个句子中的现象。② 提出一种自注意力机制来聚合信息，保证事件之间的关联。

Approach

模型包含四个模块：（i）用向量表示句子的单词表示模块；（ii）句法图卷积神经网络模块；（iii）基于自注意力的触发器分类模块，用来捕获多个事件之间的关联；（iv）参数分类，预测每个提及实体在特定类型的候选事件中所扮演的角色。

Word Representation

​
$w_i$ 词嵌入：Glove
$w_i$ POS-tagging labe嵌入：查找初始化POS-tagging lable嵌入表
​​​​​​​ w i w_i