利用上下文线索与角色相关性增强文档级事件论元抽取
计算与语言
2023-10-23 v3
摘要
与句子级事件论元抽取相比，文档级事件论元抽取带来了长输入与跨句推理的新挑战。然而，大多数先前工作聚焦于捕捉各事件中候选论元与事件触发词之间的关系，忽视了两个关键点：a) 非论元上下文线索信息；b) 论元角色之间的相关性。本文中，我们提出 SCPRG（基于跨度-触发词的上下文池化与潜在角色引导）模型，其中包含针对上述问题的两个新颖且有效的模块。基于跨度-触发词的上下文池化（STCP）根据预训练模型中特定论元-触发词对的上下文注意力权重，自适应地选择并聚合非论元线索词的信息。基于角色的潜在信息引导（RLIG）模块构建潜在角色表示，通过角色交互编码使其交互以捕捉语义相关性，并将其合并入候选论元。与基线模型相比，STCP 和 RLIG 引入的新参数均不超过 1%，且可轻松应用于其他事件抽取模型，具有紧凑和可迁移的特性。在两个公开数据集上的实验表明，我们的 SCPRG 优于先前最先进的方法，在 RAMS 和 WikiEvents 上分别取得 1.13 F1 和 2.64 F1 的提升。进一步分析说明了我们模型的可解释性。
引用
@article{arxiv.2310.05991,
title = {Enhancing Document-level Event Argument Extraction with Contextual Clues and Role Relevance},
author = {Wanlong Liu and Shaohuan Cheng and Dingyi Zeng and Hong Qu},
journal= {arXiv preprint arXiv:2310.05991},
year = {2023}
}
备注
Findings of ACL2023, correct some mistakes. arXiv admin note: text overlap with arXiv:2310.05116