基于多粒度上下文编码的文档级事件角色填充抽取

事件抽取文献中极少有工作超越单句做出抽取决策。当识别事件论元所需的信息分散在多个句子时，这是有问题的。我们认为文档级事件抽取是一项困难的任务，因为它需要更大范围的上下文视图来确定哪些文本跨度对应于事件角色填充。我们首先研究了端到端神经序列模型（具有预训练语言模型表示）在文档级角色填充抽取上的表现，以及所捕获上下文长度如何影响模型性能。为了动态聚合在不同粒度级别（例如句子级和段落级）学习的神经表示所捕获的信息，我们提出了一种新颖的多粒度阅读器。我们在 MUC-4 事件抽取数据集上评估了我们的模型，并表明我们的最佳系统显著优于先前的工作。我们还报告了关于上下文长度与该任务上神经模型性能之间关系的发现。