事件检测：图卷积神经网络的门控多样性与句法重要性分数
计算与语言
2020-10-28 v1
摘要
近期关于事件检测（ED）的研究表明，句法依存图可用于图卷积神经网络（GCN）中以取得最先进的性能。然而，此类基于图模型的隐藏向量计算对触发词候选是不可知的，可能为触发词候选留下用于事件预测的无关信息。此外，当前 ED 模型未能利用可通过依存树获得的词语整体上下文重要性分数来提升性能。本研究中，我们提出一种新颖的门控机制，基于触发词候选的信息过滤 ED 的 GCN 模型隐藏向量中的噪声信息。我们还引入新颖机制以实现门控的上下文多样性以及 ED 中图与模型的重要性分数一致性。实验表明，所提模型在两个 ED 数据集上取得了最先进的性能。
引用
@article{arxiv.2010.14123,
title = {Event Detection: Gate Diversity and Syntactic Importance Scoresfor Graph Convolution Neural Networks},
author = {Viet Dac Lai and Tuan Ngo Nguyen and Thien Huu Nguyen},
journal= {arXiv preprint arXiv:2010.14123},
year = {2020}
}
备注
EMNLP 2020