admin管理员组

文章数量:1652182

文章目录

    • 1 简介
      • 1.1 动机
      • 1.2 创新
    • 2 方法
    • 3 实验

1 简介

论文题目：A Two-Step Approach for Implicit Event Argument Detection
论文来源：ACL 2020
论文链接：https://aclanthology/2020.acl-main.667.pdf
代码链接：https://github/zzsfornlp/zmsp

1.1 动机

  • 事件论元检测目前的SOAT方法分为两种：基于span和序列标注，基于span的方法复杂度太高；序列标注的方法在复杂场景中灵活性和可扩展性较差，如重叠提及和一个提及有多个角色。

1.2 创新

  • 提出了一个2步的方法：首先检测出论元的head-word，然后再进行head-span的扩展。(假设head-word可以捕捉提及spans的信息)

2 方法


模型的整体框架如上图，主要包括下面三部分：

  1. BERT Encoder:输入为触发词和触发词周围的句子(window size=5)，同时使用一个indicator标识token(触发词为0，触发词所在句子的其他token为1，周围句子的token为0)

  2. Argument Head-word Detector：使用biaffine模块(公式如下面第2个图参考链接，仿射变换的第一项可以建模i和j之间的可能性，第二项建模j对任何依赖的先验概率)计算概率 P r r ( p , c ) Pr_r(p,c) Prr​(p,c)，表示候选词c在谓词p中扮演论元角色为r的概率。(在推理过程中，如果一个角色有多个论元，选择分数最高的论元)计算公式如下：

  3. Head-to-span Expander:该部分将head-word扩展为完整的span，将其视为左右分类问题，例如左边扩展的场景(设置K=7表示左边的单词最大边界)，公式如下

3 实验

实验数据集为RAMS(v1.0),在真实论元span的情况下的实验结果如下：

完整的论元检测的实验结果如下图：

消融实验：

在触发词和论元不同距离的实验表现：


分析最频繁的20个论元角色的实验结果如下：

人工分析部分的结果：

本文标签： 笔记论文ACLstepDetection

版权声明：本文标题：论文笔记 ACL 2020|A Two-Step Approach for Implicit Event Argument Detection 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://m.elefans.com/dianzi/1729579149a1207393.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。