一种用于文档级事件论元抽取的 AMR 增强双流模型
计算与语言
2022-05-03 v1 人工智能
摘要
以往大多数研究旨在从单个句子抽取事件，而文档级事件抽取仍鲜有探索。本文关注从整篇文档中抽取事件论元，其面临两个关键问题：a) 触发词与论元跨句子的长距离依赖；b) 文档中针对某一事件的干扰性上下文。为解决这些问题，我们提出一种双流抽象语义表示增强抽取模型（TSAR）。TSAR 通过双流编码模块从不同视角对文档编码，以利用局部与全局信息并降低干扰上下文的影响。此外，TSAR 引入一个 AMR 引导的交互模块，基于局部与全局构建的 AMR 语义图来捕获句内与句间特征。我们引入一个辅助边界损失，以显式增强文本跨度的边界信息。大量实验表明，TSAR 大幅优于以往最优方法，在公开 RAMS 与 WikiEvents 数据集上分别取得 2.54 F1 与 5.13 F1 的性能提升，显示了其在跨句论元抽取上的优越性。我们在 https://github.com/ PKUnlp-icler/TSAR 发布了代码。
引用
@article{arxiv.2205.00241,
title = {A Two-Stream AMR-enhanced Model for Document-level Event Argument Extraction},
author = {Runxin Xu and Peiyi Wang and Tianyu Liu and Shuang Zeng and Baobao Chang and Zhifang Sui},
journal= {arXiv preprint arXiv:2205.00241},
year = {2022}
}
备注
Long paper in NAACL 2022 main conference