电力系统中利用类型信息的多通道图神经网络事件检测
计算与语言
2022-11-16 v1
摘要
电力系统中的事件检测旨在识别触发词与事件类型，有助于相关人员及时响应紧急情况并优化供电策略。然而，短电力记录文本长度有限导致严重的信息稀疏，且大量电力系统领域专有术语使得从通用领域文本预训练的语言模型迁移知识十分困难。传统事件检测方法主要关注通用领域，忽视了电力系统领域中的这两个问题。为解决上述问题，我们提出了一种利用类型信息面向电力系统事件检测的多通道图神经网络，命名为MC-TED，借助语义通道与拓扑通道从短文本中丰富信息交互。具体而言，语义通道利用语义相似度细化文本表示，在潜在事件相关词之间建立语义信息交互。拓扑通道生成感知关系类型的图以建模词依赖，以及融合词性标签的感知词类型的图。为进一步减少类型分析中专业术语加剧的错误，设计了类型学习机制以更新拓扑通道中词类型与关系类型的表示。如此，通过实现拓扑与语义信息间的交互，可缓解信息稀疏与专业术语出现的问题。此外，针对电力系统标注数据缺乏，我们构建了基于电力事件文本的中文事件检测数据集，命名为PoE。实验中，我们的模型不仅在PoE数据集上，也在ACE 2005与MAVEN等通用领域事件检测数据集上取得了引人注目的结果。
引用
@article{arxiv.2211.08168,
title = {Type Information Utilized Event Detection via Multi-Channel GNNs in Electrical Power Systems},
author = {Qian Li and Jianxin Li and Lihong Wang and Cheng Ji and Yiming Hei and Jiawei Sheng and Qingyun Sun and Shan Xue and Pengtao Xie},
journal= {arXiv preprint arXiv:2211.08168},
year = {2022}
}