Exploring Pre-trained Language Models for Event Extraction and Generation 论文阅读

Exploring Pre-trained Language Models for Event Extraction and Generation

1.背景

事件抽取，目标是检测事件的触发器（trigger）和事件的参数（role），又可以说是实体。

面临了两大问题：

1.事件中的角色的频率差异很大。并且存在交叉重叠现象：”The explosion killed the bomber and three shoppers” 句子中，bomber既是施暴者（killer）也是受害者（victim）。数据集采用ACE2005数据集，其中有10%的事件存在这样的现象。过去的处理往往是进行简化，如果命中了其中一个角色就代表预测准确。

2.数据的稀缺，迄今为止，大多数基于深度学习的事件提取方法都遵循监督学习范式，故而需要大量的标记数据，然而标记数据是一件费力的任务，所以事件生成方法的使用很有必要，这样可以产生额外的事件进行训练。过去采用远距离监督产生事件(distant supervision)，其高度依赖于源数据。

本文提出了一个基于预训练的语言模型的框架，其中包括一个事件提取模型作为基线和一个标记的事件生成方法。事件提取模型由一个触发提取器和一个参数提取器组成。另外，提出了一个预训练之后的语言模型用于生成标记数据。主要包含两个步骤：参数替换和一些token的重写，并且有一个质量评分，选取高质量样本与源数据一起进行训练以提高数据提取器的性能。

2.相关工作

事件提取工作上，主要有文档级粒度以及句子级粒度。本文主要是句子级粒度的讨论，过去主要有两类方法，一是基于特征的方法，通过追踪设计好的特征来进行提取，二是基于神经网络的自动特征学习。

事件生成工作上，通常使用外部资源，比如Freebase, Frame-Net, WordNet来进行事件的生成。过去的方法主要基于远程监督的假设来实现，但这些实体可能没有任何预期的关系。

预训练语言模型上，ELMO，GPT，BERT等能够考虑上下文动态的捕捉单词的意义。

3.事件抽取模型

包含两个阶段的任务，一是触发器的提取（trigger），二是参数的提取（role），提出了一个基于预训练语言模型的事件提取器（PLMEE）,下图所示：

3.1 第一触发器的提取

可以被视为一个带有标签的分类任务，标签即为事件的类型，在BERT的基础上添加了一个多分类器实现触发器的提取。BERT的输入即为Wordpiece，Segment(0)，Position的sum。每一个token都会给出一个预测标签，给出同样的预测标签的会被视为以一个完整的触发器（存在phase级别的触发器）。运用交叉熵计算损失函数对模型进行fine-tuning。

3.2 第二是参数的提取

在给定了触发器之后，还需要提取出相关的参数以及它们所扮演的角色，相对来说更加复杂，因为三点：一是对触发器的依赖性，二是大多为长名词短语，三是角色重叠的问题。与触发器提取器相同的是，仍然采用BERT的三输入，只是在segment字段对trigger的词组（图中的killer）作一个记号，这就解决了第一个问题。后两个问题通过引入了一个分类器集合来解决，每一个role通过一个二进制分类器来界定长度，进而可以确定出每一个token所代表的role，由于每一个token可以对应多个role，就解决了角色重叠的问题（可以代表多个role了）

3.3 参数范围确定

通过概率给定一个token被预测为一个扮演了某一个角色的参数的开始或者结束的表示：

B是BERT的embedding表示，s代表start，e代表end，r代表该role，W代表一个权重，不同role的start和end不一样。最后经过softmax映射到一个概率值。

通过这个概率就可以得到每一个role的两个列表，分别表示该role的开头与结尾对应到每一个token的概率。对应$B{}_s^r$和$B{}_e^r$，他们映射出对应的每一个标签token是否有可能是该role的参数开头或者结尾。接着需要一个算法来将这些参数的开头与结尾确认出来。

它就是一个有限状态机，包含三个状态：1）均未检测到start和end；2）仅检测到start；3）检测到start和end。不断通过上述过程选择出最高概率的argument。对于每一个role都进行一遍检测，就可以得出每一个role的参数抽取情况。

3.4 损失重加权

先定义确定start的损失函数：

CE是交叉熵，|R|是role的数量，|S|代表句子中的token数量，每一个role都需要计算每一个token的交叉熵。类似的也有end的损失函数：

不仅如此，roles具有不同的重要性，所以仍然需要对这些损失函数加入一个权值来衡量。比如在死亡的事件下，role受害者就比role时间更加重要，具体来说，通过两个指标来衡量重要性，分别是Role Frequency（RF）和 Inverse Event Frequency（IEF）：

$N{}_v^r$代表在事件v中，role r的出现次数（count），这个指标反映了role的出现频率。

IEF指标衡量了该role的普遍重要性，比如时间在很多event中都有出现，那么这个IEF值就会很小（不那么重要）。

将二者结合，形成一个新的统计指标RF-IEF：

这样可以衡量出一个角色r在v型事件中的重要性：

这样不同的事件都有其不可或缺的角色，通过计算上述指标进行排序即可。

与此同时，我们可以定义出包含角色重要性的损失函数进行训练，进行一个损失重加权：

相当于在最开始的基础上，用$I(r,v)$代替了$\frac{1}{|R|}$,意味着每一个role的地位已经不一样了。

4.训练数据的生成

除了事件的抽取，本文还构建了一个基于预训练语言模型的事件生成器。主要方法是通过对原型数据的修改，以生成可控数量的标记样本作为额外的训练语料库，主要包括三个阶段：1.预训练 2.事件生成 3.评分

便于生成，将除了trigger和argument之外的token定义为辅助token，包括标点符号。生成主要通过对这些辅助token的重写，以扩展生成结果的多样性，同时保持触发器（trigger）和参数（argument）不变。

4.1 预训练阶段

首先是对token（包括role）的收集，但是不包括那些存在重复现象（role）的参数（包含信息复杂）。

接着是对BERT模型的训练以及fine-tuning，任务是对辅助token的重写。通过对参数进行mask掩盖，让模型在非监督的情况下进行预测。

4.2事件生成

为了生成事件，我们在一个原型上执行了两个步骤。我们首先将原型中的参数argument替换为那些发挥了相同作用（role）的类似argument，接下来，我们用BERT重写辅助token。通过这两个步骤，我们可以获得一个带有注释的新句子。

参数替换

在argument的替换上，为了不彻底改变意义，我们使用相似性作为选择新参数的标准。它基于以下两个考虑：一个是发挥相同作用的两个参数在语义上可能存在显著差异；另一个原因是，一个参数所扮演的角色很大程度上取决于它的上下文。因此，我们应该选择在语义上相似且与上下文一致的参数。

使用嵌入之间的余弦相似度来衡量两个参数的相似性，这里利用ELMO模型指标来嵌入参数表示：

由于ELMO模型可以衡量OOV问题，所以加以利用，这里的$a$指的是参数，$\mathcal{E}$指的是ELMO的表示，t代表token。选择最相似的前10%参数作为候选，并对它们的相似性使用softmax操作来分配概率。一个参数有80%的概率被替换，与此同时，trigger不会被替换。

辅助token的重写

利用BERT的fine-tuned进行重写以扩展多样性避免过拟合。重写是为了将原型中的一些辅助token替换为与当前上下文更匹配的新token。利用MASK手段，每一次mask15%的辅助token送入BERT模型进行重写，其余的保持不变。（step-by-step process）尽管m（重写的token比例）设为1.0，仍然会有token保持不变。

评价

理论上，用我们的生成方法可以产生无限数量的事件。然而，并不是所有的事件对提取器都有价值，有些甚至可能降低其性能。因此，我们增加了一个额外的阶段来量化每个生成的样本的质量。我们评估质量的关键与两个因素紧密相关，即Perplexity困惑度和Distance到原始数据集的距离。前者反映了这个事件的合理性，后者反映了与原始数据的差异。

Perplexity(PPL)：

$A(S’)$代表被重写的辅助token的集合，式子代表了生成该新句子的平均概率。

Distance (DIS):

利用余弦相似度来衡量：

这里利用的BERT的嵌入，将第一个标记[CLS]的embedding作为整个句子的。D代表原数据集。

高质量的样本应该同时具有低的PPL与DLS，所以重新定义质量函数如下：

λ ∈ [0*,* 1],是一个平滑因子，该函数用于选择实验中生成的高质量样本。

实验部分

事件抽取

在评估的过程中，采用以下标准来评估每个预测事件提及的正确性：

1.只有当触发器trigger的跨度和类型与正确标签匹配时，触发器预测才正确。

2.只有当参数argument的跨度和它扮演的所有角色与正确标签匹配时，参数预测才是正确的。

采用精度§、Recall ®和F测度量（F1）作为评价指标。

与过去的三种模型作了对比实验，第一种是基于特征的（交叉事件，实体），基于结构化。第二种基于神经网络（DMCNN，JRNN），第三种是基于外部资源的方法，DMCNNDS（Chen et al.，2017）使用FreeBase通过距离监督来标记无监督语料库中的潜在事件。

为了验证损失重加权的有效性，对两组实验进行了比较。也就是说，损失函数只是取所有分类器输出平均值的组（表示为PLMEE（-）），以及根据角色重要性重新加权损失的组（表示为PLMEE）。

在trigger的提取上有很明显的进展，虽然在参数提取方面的改进并不那么明显，达到了约2%。这可能是由于我们已经采取了更严格的评估度量，以及参数提取任务的差异性。

生成文本case

上表说明了一个原型及其生成，参数m的范围为0.2到1.0。我们可以观察到，替换后的参数可以相对较好地匹配原型中的上下文，这表明它们在语义上与原始的参数相似。另一方面，重写token可以平滑生成的数据并扩展它们的多样性。然而，由于没有明确的指导，这一步也可能引入不可预测的噪声，使生成不像预期的那样流畅。

生成文本的自动评估

生成方法主要有三个方面可能对提取模型的性能有显著影响，首先是生成的样本的数量，然后是重写的辅助token的比例m，以及生成的样品的质量。特别地，我们将m设置范围为0.2到1.0，间隔为0.2，n设置为0.5、1.0和2.0，同时在生成过程中保持其他参数不变。我们用这些参数进行了实验。通过分析结果，我们发现m = 0.4和n = 1.0对PLMEE在触发器提取和参数提取方面都具有最好的性能。这表明，生成的样本太少和太少都不是更好的提取选择。太少的影响有限，而太多可能会带来更多的噪声，干扰数据集的分布。质量的评估函数同样将λ 从0取到1，通过实验以及此评估函数，从n=4的4倍生成数据库选取25%的数据加入训练，最终得到的训练结果如下表，说明生成的数据对模型产生了积极的作用。

不足

生成文本可能会产生一些语义问题，leaving from ==> leaving for