无监督实体与事件显著性估计的评估
计算与语言
2021-04-15 v1
摘要
显著性估计旨在预测文档中术语的重要性。由于现有人工标注数据集稀少且显著性概念主观，以往研究通常为评估生成伪真值。然而，我们的调查揭示，先前工作提出的评估协议难以复现，导致后续研究稀少。此外，评估过程存在问题：用于实体匹配的实体链接工具噪声很大，而对事件评估忽略事件论元导致性能虚高。本工作中，我们提出一种轻量而实用的实体与事件显著性估计评估协议，其融入更可靠的句法依存分析器。进一步，我们在流行的实体与事件定义标准间开展综合分析，并给出我们自己对显著性估计任务的定义以减少伪真值生成过程中的噪声。此外，我们构建基于依存的异质图以捕捉实体与事件的交互。实证结果表明，基线方法与利用异质图的新型 GNN 方法在所提全部指标上一致优于先前 SOTA 模型。
引用
@article{arxiv.2104.06924,
title = {Evaluation of Unsupervised Entity and Event Salience Estimation},
author = {Jiaying Lu and Jinho D. Choi},
journal= {arXiv preprint arXiv:2104.06924},
year = {2021}
}