作者:崔金满
单位:燕山大学
论文地址:https://arxiv.org/pdf/2105.10922.pdf
代码地址:https://github.com/231sm/Reasoning_In_EE
论文来源:ACL 2021
目录
Abstract
事件检测(Event Detection, ED)旨在从给定文本中识别事件触发词,并将其分类为预定义的事件类型。现有的ED方法大多严重依赖训练实例,几乎忽略了事件类型的相关性。因此,这些方法往往会遭到数据稀缺的困扰,无法处理新的未知事件类型。为了解决这些问题,本文将事件定义为一个事件本体填充的过程:在事件本体中将事件实例链接到预定义的事件类型,并提出一个新颖的本体嵌入的ED框架,OntoED。该方法丰富了事件类型之间的联系,并进一步产生了更多的事件-事件相关性。基于事件本体,OntoED可以提取和推荐相关知识,尤其是从数据丰富到数据稀缺的事件类型。此外,通过建立与现有事件类型的联系,本体可以应用一个新的事件类型。
Introduction
事件检测所面临的挑战:一方面,在ED的基准数据集上样本分布不均匀的情况相当严重,例如FewEvent和MAVEN,其中很大一部分事件类型包含的训练实例相对较少。导致有监督的ED模型很容易产生过拟合;另一方面,面对新的事件类型,以往模型也很难发挥很好的作用。
在本文中,我们用事件类型的更多的内部结构来丰富事件本体,例如时间、因果和层次的事件-事件关系,例如:(Attack, Cause, Sentence), (Sentence, Before, Acquit), (Attack, CoSuper, Riot),本文的主要意图是充分利用事件本体,并利用从数据丰富的事件类型到数据稀缺的事件类型的相关知识,此外,新的事件类型可以通过现有事件类型的相关性来学习。