一种同时训练时序关系分类器与获取常规事件对的弱监督方法
计算与语言
2017-08-01 v1
摘要
检测两个事件之间时序关系的能力可使许多应用受益。现有的时序关系分类器大多采用监督方式进行训练。相反，我们利用这样一个观察结果：常规事件对尽管上下文各异，却表现出一致的时序关系，而这些丰富的上下文可用于训练上下文时序关系分类器，该分类器进而能够识别新的时序关系上下文并发现新的常规事件对。我们专注于检测 after 和 before 时序关系，设计了一种弱监督学习方法，能够同时提取数千个常规事件对并学习一个上下文时序关系分类器。评估表明，所获取的常规事件对质量较高，包含丰富的常识知识和领域特定知识。此外，经弱监督训练的时序关系分类器取得了与最先进（state-of-the-art）监督系统相当的性能。
引用
@article{arxiv.1707.09410,
title = {A Weakly Supervised Approach to Train Temporal Relation Classifiers and Acquire Regular Event Pairs Simultaneously},
author = {Wenlin Yao and Saipravallika Nettyam and Ruihong Huang},
journal= {arXiv preprint arXiv:1707.09410},
year = {2017}
}
备注
10 pages, Recent Advances in Natural Language Processing (RANLP), 2017