【论文速递】CASE 2022 - EventGraph: 将事件抽取当作语义图解析任务

【论文原文】：https://aclanthology.org/2022.case-1.2.pdf

【作者信息】：Huiling You, David Samuel, Samia Touileb, and Lilja Øvrelid

论文：https://aclanthology.org/2022.case-1.2.pdf
代码：https://github.com/huiling-y/EventGraph

博主关键词：事件抽取、语义图解析、AMR

推荐论文：http://t.csdn.cn/FXooE、http://t.csdn.cn/emLEW

摘要

事件抽取涉及到事件触发词和相应事件论元的检测和抽取。现有系统经常将事件抽取分解为多个子任务，而不考虑它们之间可能的交互。在本文中，我们提出了EventGraph，这是一个用于事件抽取的联合框架，它将事件编码为图。我们将事件触发词和论元表示为语义图中的节点。事件抽取因此成为一个图解析问题，它具有以下优点:1)事件检测和论元抽取联合进行;2)从一段文本中检测和抽取多个事件;3)捕获事件论元和触发词之间的复杂交互。在ACE2005上的实验结果表明，我们的模型与现有的系统相比具有竞争力，并且在论元抽取方面有了很大的改进。此外，我们从ACE2005创建了两个新的数据集，其中保留了事件论元的整个文本跨度，而不仅仅是头部单词。

1、简介

事件抽取旨在根据预定义的事件本体，将非结构化文本中的事件相关信息抽取为结构化形式(即触发词和论元)(Ahn, 2006;Doddington et al, 2004)。在这些类型的本体中，事件由事件触发词来表示，并由一组预定义的论元类型组成。图1显示了一个包含两个事件的句子示例，一个由“friendly-fire”触发的Attack事件和一个由“died”触发的Die事件;这两个事件共享相同的论元，但每个事件在特定事件中扮演不同的角色。例如，U.S.是死亡事件中的Agent，但在Attack事件中扮演Attacker的角色。

与将事件抽取划分为独立的子任务相反，我们利用语义依赖分析的最新进展(Dozat和Manning, 2018;Samuel和Straka, 2020)，并开发了一个端到端事件图解析器，称为EventGraph。我们采用直观的图形编码来表示单个事件图中某段文本的事件提及，并直接从原始文本生成这些事件图。我们在ACE2005 (LDC2006T06)上评估我们的EventGraph系统。我们的模型与最先进的模型取得了具有竞争力的结果，并大大提高了事件论元抽取的结果。这项工作的主要贡献是:

我们提出EventGraph，这是一个文本到事件的框架，它将事件抽取作为语义图解析来解决。该模型不依赖于任何特定于语言的特性或特定于事件的本体，因此可以很容易地应用于新的语言和新的数据集。
我们设计了一种直观的图编码方法来表示单个事件图中的事件结构。
我们的方法的通用性允许轻松解码完整的触发词和论元提及。我们从ACE2005中创建了两个新颖且更具挑战性的数据集，并提供了相应的基准测试结果。

2、方法

EventGraph是PERIN (Samuel和Straka, 2020)的改编，PERIN是用于文本到图解析的通用排列不变框架。给定事件图的“标记边缘”编码，我们通过定制PERIN的模块来创建EventGraph，如图3所示，其中包含三个分类器，分别用于生成节点、锚点和边。每个输入序列由EventGraph的四个模块处理，生成最终的结构化表示。

编码器：我们使用large XLM-R (Conneau et al, 2020)作为编码器，以获得输入序列的上下文化表示;每个token通过在子词上学习的子词注意层获得上下文嵌入。

查询生成(query generator)：我们使用线性转换层将每个嵌入的token映射到nnn个查询。

解码器：解码器是一个Transformer编码器层的堆叠(Vaswani等人，2017)，没有位置编码，这是置换不变的(非自回归);解码器通过建模query之间的相互依赖关系来处理和增强每个token的query。

解码头：它由三个分类器组成:a)节点分类器是一个线性分类器，通过对每个token的增强查询进行分类来预测节点的存在;由于为每个token生成多个查询，单个token可以生成多个节点;b)anchor biaffine分类器(Dozat和Manning, 2017)在每个token的增强查询和上下文嵌入之间使用deep biaffine attention，将预测的节点映射到表面token;C)edge biaffine分类器使用两个deep biaffine attention模块来处理生成的节点，并预测一对节点与边缘标签之间的边缘是否存在。

给定一段文本，EventGraph生成相应的图，从节点和边中抽取事件提及的结构化信息并不费力。