图卷积网络与上下文子树在商品新闻事件抽取中的有效应用
计算与语言
2021-09-28 v1 人工智能
摘要
与通用事件抽取相比，商品新闻中的事件抽取是一个较少被研究的领域。然而，从商品新闻中准确抽取事件在理解事件链和学习事件间关系等广泛应用中非常有用，这些应用进而可用于商品价格预测。商品新闻中的事件表现出与通用事件不同的特征，因此对使用现有方法进行事件抽取提出了独特挑战。本文提出了一种有效利用图卷积网络（GCN）与剪枝依赖解析树（称为上下文子树）的方法，以更好地在商品新闻中进行事件抽取。该事件抽取模型使用来自 ComBERT 的特征嵌入进行训练，ComBERT 是一个基于 BERT 的掩码语言模型，通过在商品新闻语料库上进行领域自适应预训练生成。实验结果表明了所提解决方案的有效性，其 F1 分数高达 0.90，优于现有方法。此外，在论元角色分类方面，我们的预训练语言模型比 GloVe 高出 23%，比 BERT 和 RoBERTa 高出 7%。为了实现可复现性，代码和训练好的模型已公开发布。
引用
@article{arxiv.2109.12781,
title = {Effective Use of Graph Convolution Network and Contextual Sub-Tree forCommodity News Event Extraction},
author = {Meisin Lee and Lay-Ki Soon and Eu-Gene Siew},
journal= {arXiv preprint arXiv:2109.12781},
year = {2021}
}
备注
Accepted in ECONLP workshop at EMNLP 2021